IV.1Ритейл, электронная коммерция и fashion-tech

BK-SDM-Small — компактная версия Stable Diffusion v1.4, разработанная авторами семейства BK-SDM. Это диффузионная модель генерации изображений по текстовому описанию, реализуемая через библиотеку Diffusers. Для уменьшения U-Net удалены блоки среднего этапа, а поведение исходной модели воспроизводилось с помощью дистилляции по признакам и выходам и обучения задаче устранения шума на 212 776 парах изображение–текст из LAION-Aesthetics V2 6.5+. Полная модель содержит около 0,66 млрд параметров, из них 0,49 млрд приходятся на U-Net. Модель предназначена для генерации изображений общего назначения и исследовательских экспериментов, включая художественные и дизайнерские сценарии. Она компактнее Stable Diffusion v1.4, но уступает ей по приведённым в карточке метрикам генерации. Основной язык промптов — английский; качество на других языках ниже. Модель может неточно передавать фотореализм, плохо рендерит читаемый текст и сложные пространственные композиции, а лица и люди могут получаться некорректно. Она не предназначена для достоверного изображения реальных людей и событий; в обучающих данных встречается материал для взрослых, поэтому для применения необходимы меры безопасности. Лицензия — CreativeML OpenRAIL-M.

Depth Anything V2 Large — модель семейства Depth Anything V2 для оценки относительной глубины по одному изображению, разработанная авторами проекта Depth Anything. Она предназначена для получения детализированной карты глубины в задачах компьютерного зрения и обработки изображений. Модель обучена на 595 тысячах синтетических изображений с разметкой и более чем 62 миллионах реальных изображений без разметки. В README отмечены более тонкие детали и устойчивость по сравнению с Depth Anything V1, а также скорость примерно в десять раз выше и меньший размер по сравнению с моделями на основе Stable Diffusion. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

XLabs-AI/flux-controlnet-depth-v3 — контрольная модель Depth ControlNet для генеративной модели FLUX.1-dev, разработанной Black Forest Labs. Она предназначена для управляемой генерации изображений по текстовому описанию с сохранением структуры и глубины исходной сцены, заданной картой глубины. Модель ориентирована на задачи text-to-image и может применяться для создания изображений с контролируемой композицией и пространственной геометрией. Это checkpoint третьей версии, обученный для разрешения 1024×1024 и рассчитанный на работу с FLUX.1-dev. Модель поддерживается через официальный репозиторий XLabs-AI и интеграцию с ComfyUI; в README указаны готовые workflow и скрипты для инференса. В метаданных заявлен английский язык. По утверждению разработчиков, v3 обеспечивает более качественные и реалистичные результаты и может использоваться непосредственно в ComfyUI. К ограничениям относятся зависимость от базовой модели FLUX.1-dev и специализация на разрешении 1024×1024; характеристики для других разрешений, языков и сценариев в README не указаны. Веса распространяются по лицензии FLUX.1-dev Non-Commercial License, поэтому коммерческое использование ограничено условиями этой лицензии.

HunyuanWorld-Mirror — модель Tencent для feed-forward-предсказания геометрии 3D-сцен по изображениям. Она принимает изображения и, при наличии, геометрические подсказки: позы камер, калиброванные внутренние параметры камер и карты глубины. Архитектура объединяет модуль кодирования таких подсказок с универсальным предсказателем геометрии и выполняет расчёт за один прямой проход. Модель может выдавать облака точек, глубины для нескольких ракурсов, параметры камер, нормали поверхности и 3D Gaussian-представления. Она предназначена для восстановления 3D-сцен и связанных задач оценки геометрии; поддержка генерации из видео упомянута в тегах, но карточка описывает обработку изображений. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория.

HY3D-Bench — набор высококачественных 3D-данных Tencent для обучения и оценки моделей компьютерного зрения, генеративного моделирования и робототехники. В репозитории также представлен базовый чекпойнт Hunyuan3D-Shape-v2-1 Small на 0,8 млрд параметров, обученный на Full-level данных; метаданные связывают его с Hunyuan3D-2.1 и указывают задачу image-to-3d. Набор включает три части: более 252 тысяч цельных водонепроницаемых сеток с многовидовыми изображениями и точками, 240 тысяч объектов с разбиением на части и 125 тысяч синтетических объектов из 1 252 категорий. Данные очищены и нормализованы; предусмотрены сегментация частей и изображения собранных объектов. Они подходят для обучения и тестирования генерации и реконструкции 3D-форм, анализа геометрии, а также робототехнических задач, включая планирование захвата. Это прежде всего датасет, а не отдельная модель для пользовательского вывода. Базовый чекпойнт описан как модель image-to-3d. Условия лицензии в метаданных обозначены как other, поэтому конкретные права использования следует сверять с лицензией репозитория. Полный набор занимает около 22,5 ТБ.

I2VGen-XL — модель генерации видео из изображений, разработанная Tongyi Lab группы Alibaba и выпущенная в составе открытого кодового проекта VGen. Она использует каскадные диффузионные модели и предназначена для преобразования входного изображения в видео; кодовая база также описывает генерацию видео по тексту и управление движением, но карточка этой модели относит её к задаче text-to-video. Модель подходит для создания видеороликов на основе изображений и для экспериментов с генерацией видео. В README указана возможность создавать видео с разрешением 1280×720 и поддержка через библиотеку Diffusers. Модель обучалась на WebVid-10M и LAION-400M. Репозиторий распространяется по лицензии MIT. Авторы указывают, что модель предназначена только для исследований и некоммерческого использования. В README также отмечено, что текущая версия не полностью сохраняет идентичность объектов и может не одновременно обеспечивать крупные и точные движения.

Marigold Depth HR v1-1 — модель Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler для оценки глубины по одному изображению. Она основана на латентной диффузионной архитектуре и дообучена на базе marigold-depth-v1-1 для работы с изображениями высокого разрешения. Модель строит аффинно-инвариантную карту глубины: значения от 0 до 1 задают относительное расстояние между выбранными моделью ближней и дальней плоскостями. Она рассчитана на изображения размером до 4 Мп и использует DDIM с 10–50 шагами денойзинга. Подходит для анализа сцен и получения относительной глубины без данных о камере. Лицензия — Apache 2.0.

Molmo2-ER — мультимодальная модель зрения и языка на 4 млрд параметров, разработанная Ai2 для задач embodied reasoning, связанных с пониманием визуальной сцены и пространственных отношений. Она дообучена на базе allenai/Molmo2-4B; архитектура Molmo2-4B использует основу Qwen3-4B и визуальный энкодер SigLIP2. Модель предназначена для визуального восприятия, на которое могут опираться последующие модели планирования действий, и служит визуально-языковой основой MolmoAct2. Модель отвечает на вопросы по изображениям и видео, описывает сцены, указывает объекты с точностью до пикселей, сопоставляет виды одной сцены на нескольких изображениях, включая перспективы от первого и третьего лица, и рассуждает о временной последовательности в видео. В README сообщается, что на 9 из 13 перечисленных бенчмарков embodied reasoning она превзошла сравниваемые открытые и закрытые модели; средний результат составил 63,8%, на 17 процентных пунктов выше исходной Molmo2. Эти результаты относятся к указанному набору бенчмарков и не гарантируют качество в других сценариях. В метаданных указан английский язык, библиотека Transformers и формат весов Safetensors. Лицензия — Apache-2.0. Ограничения по длине контекста и подробные результаты для конкретных сценариев в предоставленных материалах не приведены.

dylanebert/multi-view-diffusion — копия модели ashawkey/imagedream-ipmv-diffusers, размещённая для сохранения материалов курса ML for 3D. Это порт модели MVDream в библиотеку Diffusers для задачи image-to-3d: модель принимает изображение и предназначена для создания 3D-представления. Репозиторий содержит веса в формате safetensors и конфигурацию Diffusers. Лицензия — OpenRAIL. README не сообщает размер модели, поддерживаемые языки или подробности архитектуры.

Camenduru/plushies — модель генерации изображений по текстовому описанию в формате Diffusers/Flax. Она обучена на Google Cloud TPU; карточка указывает 18 000 шагов обучения, точность bf16 и скорость обучения 1e-6. Репозиторий также отмечен как Stable Diffusion и содержит веса safetensors. Модель предназначена для создания изображений плюшевых игрушек по текстовым запросам. Лицензия — OpenRAIL.

PS3-1.5K-SigLIP2 — визуальный энкодер NVIDIA, дообученный на базе google/siglip2-so400m-patch14-384. Он извлекает признаки из RGB-изображений высокого разрешения до 1512 × 1512 пикселей и возвращает их в виде тензорных эмбеддингов для последующей обработки другой моделью. Модель предназначена для исследований и разработки сценариев, где нужно кодировать изображения высокого разрешения. PS3 поддерживает выбор информативных областей изображения по визуальной значимости или текстовому запросу, а также формирование многомасштабных карт признаков. В карточке указано обучение на 75 млн изображений, включая данные на основе SA-1B и IDL; модель рассчитана на ускорение на GPU NVIDIA. Для самостоятельных ответов на вопросы или генерации текста модель не предназначена: её выход — визуальные признаки, которые требуется передать последующей модели. Карточка не приводит оценок на тестовых наборах. Лицензия в предоставленных данных не указана.

SCAIL-2-GGUF-ComfyUI — квантованная версия модели SCAIL-2 в формате GGUF, адаптированная для ComfyUI. Исходную модель разработала команда zai-org; данный вариант опубликован VantageWithAI. Модель распространяется как открытое решение для управляемой анимации персонажей и генерации видео из изображения с использованием управляющего видео. SCAIL-2 предназначена для переноса движения на референсного персонажа, замены персонажей и работы со сценариями с несколькими персонажами без обязательного использования промежуточных представлений позы. Модель поддерживает сквозное управление движением, включая перенос между разными идентичностями, управление движением от животных и работу с некоторыми продвинутыми управляющими представлениями, например рендерингом 3D-мешей тела SAM3D-Body. Обучение проводилось на 60 тысячах синтетических пар движений с использованием унифицированного интерфейса переноса движения, каналов маскирования и специального дизайна RoPE. Поддерживаются разрешения 512p и 704p; для управления позой и замены персонажа предпочтительно 704p. Высота и ширина изображения должны делиться на 32, например 704×1280. Модель основана на diffusion-подходе и интегрируется с библиотекой Diffusers, однако точные размеры, архитектура, поддерживаемые языки и ограничения по длине контекста в README не указаны. Лицензия — MIT.

SeC-4B — модель для сегментации объектов в видео, основанная на концепциях и объединяющая визуально-языковое понимание с сопоставлением признаков. По описанию проекта, подход адаптивно распределяет вычисления между семантическим рассуждением и сопоставлением признаков в зависимости от сложности сцены. В метаданных указано объединение SAM 2.1 Hiera Large и InternVL2.5-4B; файлы представлены в формате safetensors. Модель предназначена для выделения и сопровождения объектов между кадрами, в том числе в сложных сценах. README описывает бенчмарк SeCVOS для оценки таких сценариев и приводит сравнительные результаты, но не содержит численных результатов SeC-4B. Модель опубликована OpenIXCLab под лицензией Apache-2.0.

succinctly/text2image-prompt-generator — модель GPT-2, дообученная Succinctly AI на наборе из 250 тысяч пользовательских запросов к Midjourney, собранных за месяц. Она генерирует и автоматически дополняет текстовые промпты для моделей преобразования текста в изображение, включая семейство DALL·E. Модель принимает текст и выдаёт текст. Она может продолжить описание изображения и использовать параметры в стиле Midjourney, например для задания соотношения сторон или исключения объектов. Такие специфичные теги могут появляться и при создании промптов для других генераторов. Максимальная длина контекста — 1024 токена; формат весов — PyTorch. Модель ориентирована на англоязычные промпты и не генерирует изображения сама. Лицензия — CC BY 2.0; при использовании следует указать авторство Succinctly AI.

Карточка модели FishWoWater/TRELLIS-text-large-voxhammer на Hugging Face совпадает с карточкой microsoft/TRELLIS-text-large, поэтому описание составлено по ней. TRELLIS Text Large — крупная модель генерации 3D-объектов по текстовому описанию, основанная на TRELLIS и представленная в работе «Structured 3D Latents for Scalable and Versatile 3D Generation». Она предназначена для сценариев text-to-3D, где по запросу создают трёхмерный объект. Репозиторий содержит веса в формате safetensors и использует библиотеку TRELLIS. Карточка указывает английский язык и лицензию MIT. README не приводит численный размер модели, параметры генерации или требования к ресурсам.

UIGEN-T3-32B-Preview — модель Tesslate для генерации пользовательских интерфейсов, дообученная на Qwen/Qwen3-32B. Она создаёт отдельные компоненты и целые веб-страницы по текстовому описанию, выдавая HTML и код с дизайн-токенами для настройки оформления. Модель построена на плотной архитектуре Qwen3 с 29,7 млрд параметров; контекст составляет 40 960 токенов. Режимы /think и /no_think позволяют выбирать между генерацией с анализом компоновки и более быстрым выводом кода. Модель рассчитана на прототипирование страниц, интерфейсов приложений и библиотек компонентов. В карточке заявлен внутренний бенчмарк UIGenEval, оценивающий структуру кода, соответствие запросу, интерактивность и адаптивность. Модель принимает текст и генерирует текстовый код; данные для обучения не включали изображения, поэтому преобразование макетов или изображений в код не заявлено. Лицензия ограничивает использование исследованиями и запрещает коммерческое применение без согласования с Tesslate. Среди указанных ограничений — отсутствие поддержки Bootstrap и нестабильность адаптивной настройки в зависимости от сложности результата; для генерации с рассуждением рекомендован контекст 20 000 токенов.

VLX-Seek-1.5-10B — открытая плотная мультимодальная модель на 10 млрд параметров из семейства VLX-Seek 1.5, разработанная om-ai-lab. Она предназначена для детального визуального восприятия и локализации объектов в сценах с дрона, робота, камер наблюдения и систем инспекции. Модель поддерживает диалоговый режим и принимает изображения с текстовыми запросами; основные языки карточки — китайский и английский. Вместо генерации координат модель выбирает и сопоставляет кандидатов-регионы, представленные как адресуемые элементы, и ссылается на подходящий регион. Такой подход поддерживает обнаружение объектов с открытым словарём, понимание выражений, указывающих на объект, локализацию нескольких объектов, подсчёт объектов и отказ от привязки к отсутствующей цели. Модель использует усиленный визуальный стек, ускоренную генерацию предложений регионов и дополнительные слои Linear Attention. Для работы требуется специальный конвейер VLX-Seek: генерация кандидатов-регионов, построение region-токенов и постобработка для преобразования ссылок в координаты. Качество зависит от полноты предложенных регионов; ошибки возможны при сильном перекрытии, размытии, низком разрешении и неоднозначных запросах. Обучение на трудных отрицательных примерах снижает, но не исключает ложную локализацию. Лицензия — Apache-2.0.

QuantStack/Wan2.2-Fun-5B-InP-GGUF — это квантованная версия модели Wan2.2-Fun-5B-InP, разработанной Alibaba PAI и преобразованной в формат GGUF. Модель предназначена для задач image-to-video, то есть генерации видео на основе входного изображения и текстового описания. Заявлена поддержка английского и китайского языков. Размер базовой модели — 5 млрд параметров, однако точный вариант квантования и параметры контекстного окна в карточке не указаны. Для работы модель рассчитана на использование в ComfyUI с пользовательским узлом ComfyUI-GGUF. Помимо основного GGUF-файла, требуются текстовый энкодер UMT5-XXL и VAE Wan2.2_VAE; они размещаются в соответствующих каталогах ComfyUI. К преимуществам относятся совместимость с GGUF и возможность запуска в экосистеме ComfyUI, потенциально более экономичная по памяти по сравнению с полной версией. Ограничения включают необходимость установки дополнительных компонентов, отсутствие подробных данных о производительности, архитектуре и требованиях к ресурсам, а также зависимость от исходной модели и её ограничений. Лицензия — Apache-2.0; для квантованной версии сохраняются все исходные лицензионные условия и ограничения использования.

DFloat11/Wan2.2-I2V-A14B-2-DF11 — это lossless-сжатая квантованная версия второго компонента модели Wan2.2-I2V-A14B-Diffusers, разработанной Wan-AI и упакованной с использованием технологии DFloat11. Модель предназначена для генерации видео по изображению и текстовому описанию в составе пайплайна WanImageToVideoPipeline. DFloat11 применяет Huffman-кодирование экспонент BFloat16-весов и аппаратно-ориентированную распаковку на GPU. Согласно README, сжатие сохраняет побитово идентичные результаты исходной модели, уменьшает размер по сравнению с исходной версией BFloat16 и позволяет выполнять генерацию 5-секундного видео в разрешении 720p на одной GPU с 24 ГБ памяти; при CPU offloading пиковое потребление памяти может составлять около 20 ГБ. В приведённом сценарии используются 81 кадр, 16 кадров в секунду и 40 шагов инференса, однако это параметры примера, а не обязательные ограничения модели. Модель ориентирована на GPU-инференс и требует CUDA-совместимую видеокарту, PyTorch, пакет DFloat11 и актуальную версию diffusers. Основные ограничения — значительное время генерации: около 42 минут на A100 без CPU offloading и 44 минут с ним для указанного сценария, а также необходимость использовать её совместно с исходным пайплайном и связанными компонентами Wan2.2-I2V-A14B. Сведения о лицензии, поддерживаемых языках и точном размере архитектуры в README не указаны.

Woolitize Image Pack v1.2 — пользовательская модель Jak_TheAI_Artist для Stable Diffusion 1.5, предназначенная для генерации изображений в стилистике шерстяных и вязаных объектов по текстовым запросам. Для активации стиля в запрос рекомендуется добавлять триггер «woolitize». По карточке, модель обучали на 117 изображениях разрешением 768 пикселей в течение 8000 шагов; версия 1.2 улучшает детализацию и фоны по сравнению с версией 1.0. Модель принимает текстовые запросы и генерирует изображения. В карточке упомянута поддержка запуска через Gradio. Репозиторий содержит формат Diffusers/PyTorch; лицензия — CreativeML OpenRAIL-M. Карточка не сообщает об ограничениях по содержанию сгенерированных изображений или о качестве на других стилях и разрешениях.

Intel/zoedepth-nyu — модель оценки глубины по изображению, дообученная на наборе данных NYU. ZoeDepth разработана Shariq и соавторами и представлена в работе ZoeDepth: Zero-shot Transfer by Combining Relative and Metric Depth. Архитектура расширяет DPT: она преобразует относительную оценку глубины в метрическую, то есть предсказывает абсолютные значения глубины для сцены с одного изображения. Модель предназначена для монокулярной оценки глубины, в том числе переноса на новые сцены без дополнительного обучения. Она принимает изображение и выдаёт карту глубины. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Языковые возможности к модели не относятся.

ltuzova/amazon_domain_pretrained_model — модель RoBERTa, дообученная разработчиком на основе roberta-base для заполнения пропусков в тексте. Она предназначена для подстановки наиболее подходящих токенов вместо маскированных фрагментов; карточка сообщает значение loss 1,4165 на оценочном наборе. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Модель может применяться для восстановления скрытых слов и анализа контекста в текстах об Amazon и товарах. В карточке не описаны обучающие данные, поэтому специализацию на конкретном домене нельзя подтвердить. Распространяется в формате PyTorch по лицензии MIT.

CanonUltraReal — это LoRA-адаптер для генерации изображений, созданный автором Danrisi и обученный на его фотографиях, снятых камерой Canon 1Ds. Адаптер предназначен для передачи характерной цветопередачи и визуальной подачи этой камеры, включая мягкое боке. Для его использования нужна базовая модель krea/Krea-2-Raw; в README рекомендуется сила адаптера 0,8 при работе с Raw-моделью. Модель принимает текстовые запросы и генерирует изображения в реалистичной, кинематографичной фотостилистике. Примеры охватывают портреты, уличные и постановочные сцены, а также фантастические сюжеты. В обучающем наборе были снимки с объективами 28, 50, 100 и 500 мм, поэтому внешний вид может меняться в зависимости от сюжета, композиции и фокусного расстояния. Модель распространяется по лицензии Apache-2.0.

ControlNet v1.1 Canny Version — модель управления генерацией изображений на основе диффузионных моделей. Она разработана Lvmin Zhang и Maneesh Agrawala и предназначена для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель принимает дополнительное условие в виде карты контуров, выделенных алгоритмом Canny, и помогает сохранять структуру и композицию исходного изображения при генерации по текстовому описанию. Модель представляет собой ControlNet, подключаемый к предварительно обученной text-to-image diffusion-модели; данный checkpoint переведён из исходного формата в формат diffusers. Указан английский язык. Размер модели, точное число параметров, поддерживаемая длина контекста и другие архитектурные характеристики в README не приведены. Для подготовки управляющего изображения требуются внешние инструменты, включая OpenCV; пример использования рассчитан на библиотеку diffusers и Stable Diffusion v1.5. Сильная сторона модели — управляемая генерация с опорой на геометрию и контуры изображения, что подходит для image-to-image и других сценариев, где важно следовать заданной форме. Ограничение состоит в специализации на Canny-картах и рекомендуемой совместимости с Stable Diffusion v1.5; использование с другими diffusion-моделями возможно экспериментально и не гарантируется. Модель распространяется по лицензии CreativeML OpenRAIL M.

Depth Anything V2 Large — модель для оценки глубины по одному изображению, опубликованная командой Depth Anything и представленная в статье Лихэ Янга и соавторов. Эта версия совместима с библиотекой Transformers и предназначена для оценки глубины без дообучения на конкретном наборе данных. Модель использует архитектуру DPT с backbone DINOv2. Её обучали на примерно 595 тысячах синтетических изображений с разметкой глубины и более чем 62 миллионах реальных изображений без разметки. По описанию авторов, V2 даёт более детализированные и устойчивые оценки, чем Depth Anything V1, и работает быстрее и легче моделей на основе диффузии. Модель принимает изображение и выдаёт карту глубины; карточка заявляет оценку как относительной, так и абсолютной глубины. В метаданных указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Оценка глубины по одному изображению не заменяет измерение специализированным датчиком и может быть ненадёжной в условиях, отличающихся от обучающих данных.

DetailAsianRealistic_v2.5_hinablue — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная пользователем digiplay. Автор сообщает, что это смесь нескольких моделей; рекомендованный пример промпта описывает реалистичный портрет девушки в лесу с белыми крыльями и платьем. Модель предназначена для создания реалистичных детализированных изображений людей и художественных сцен. Автор отмечает, что, несмотря на название, она лучше подходит для генерации европейских лиц; одного ключевого слова «1girl» недостаточно, поэтому рекомендуется добавлять подробности внешности, окружения и стиля. Репозиторий содержит веса в форматах Diffusers и Safetensors. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели; сведений о размере, длине контекста и конкретных компонентах смеси в предоставленных данных нет.

facebook/dpt-dinov2-base-nyu — модель оценки глубины по изображениям, разработанная Meta с использованием архитектуры Dense Prediction Transformer (DPT) и визуального энкодера DINOv2. Она предназначена для получения карты глубины сцены из входного изображения; карточка представляет её как пример применения DPT с DINOv2 в качестве основы для оценки глубины. Модель обрабатывает изображения и выдаёт пространственную карту глубины. В метаданных указаны задача depth-estimation, реализация на PyTorch и архитектура DPTForDepthEstimation. Репозиторий распространяется по лицензии Apache-2.0.

Gupta28/judgebench-siglip-judge-v2 — дообученная мультимодальная модель на основе полной архитектуры SigLIP SoViT-400m от Google, предназначенная для оценки соответствия изображений стилю бренда rhode. Она кодирует изображение и сравнивает его эмбеддинг с центроидом обучающих изображений бренда; оценка калибруется параметрами Platt scaling из файла calibration.json. Обучение включало примеры конкурирующих брендов и 810 примеров нарушений палитры и типографики. Модель лучше выявляет именно те нарушения оформления, на которых обучалась, но не переносит это умение на другие типы несоответствий: для композиции, стилизации и настроения качество оставалось на уровне случайного. В отчёте на тестовом наборе из 2622 примеров AUC определения бренда составила 0,975. Для применения нужны веса и calibration.json; модель специализирована на rhode и не является универсальным оценщиком соответствия бренду. Лицензия в доступных данных не указана.

newsletter/Krea-2-Turbo-unlocked — адаптация базовой модели krea/Krea-2-Turbo, представленная в формате LoRA для использования с библиотекой Diffusers. В README модель описана как вариант Krea 2 с изменениями, предназначенными для снятия ограничений, и ориентирована только на текстовую генерацию изображений (text-to-image, обозначено как txtfusion only). Разработчик модели явно не указан; указан только идентификатор автора или организации newsletter. Модель предназначена для сценариев генерации изображений по текстовым описаниям на базе Krea 2 Turbo. О применяемой архитектуре, размере, поддерживаемых языках, максимальном контексте и дополнительных модальностях данных нет. К ключевым ограничениям относятся узкая специализация на text-to-image и отсутствие подтверждённых сведений о качестве, совместимости, требованиях к ресурсам и особенностях использования. Лицензия в README не указана.

Intel LDM3D-4C — модель генерации изображений и карт глубины по текстовому описанию, разработанная авторами исследования LDM3D, принятого на конференцию CVPR 2023. Это дообученный латентный диффузионный чекпойнт на основе Stable Diffusion; в этой версии глубина представлена одним каналом. Модель формирует RGBD-изображения и предназначена для создания визуального контента, сцен с картой глубины и интерактивных 3D- и VR-представлений. Модель обучалась на подмножестве LAION-400M с парами изображений, карт глубины и подписей. В README указано, что она имеет 1,06 млрд параметров; метаданные связывают её с StableDiffusionLDM3DPipeline. Карточка описывает текстовые запросы на английском языке. Лицензия — CreativeML OpenRAIL-M. Качество генерации изображений сопоставимо с Stable Diffusion того же размера по приведённым метрикам, а показатели оценки глубины в опубликованном сравнении уступают DPT-Large. На модель распространяются ограничения и смещения Stable Diffusion; карты глубины также наследуют ограничения разметки, полученной с помощью DPT-Large.