IV.1Ритейл, электронная коммерция и fashion-tech

adrepale/LTX2.3-10Eros-LoRA — LoRA-адаптер для модели Lightricks/LTX-2.3, созданный на основе TenStrip/LTX2.3-10Eros. Адаптер предназначен для генерации видео из изображений (image-to-video) и может использоваться в связке с базовой моделью LTX-2.3, включая её вариант в формате GGUF. По данным карточки, это полный extract исходной модели TenStrip/LTX2.3-10Eros, преобразованный в LoRA с помощью набора инструментов ComfyUI-LoRA-Optimizer. Для работы адаптер подключается к базовой LTX-2.3 способом, аналогичным другим LoRA-адаптерам. В качестве проверенной конфигурации автор указывает дистиллированную GGUF-модель LTX-2.3-22b-distilled-1.1-UD-Q4_K_M.gguf от Unsloth, однако это не означает ограничение только на неё. Сведения о языках, поддерживаемых модальностях помимо image-to-video, контекстном окне, точном размере адаптера, качестве, ограничениях, лицензии и условиях коммерческого использования в README не указаны.

LTXV-13B-0.9.7-Distilled-GGUF — это прямое преобразование в формат GGUF дистиллированной версии 13B-0.9.7 модели LTX-Video, разработанной Lightricks. Квантизацию выполнил wsbagnsv1. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео, а также для использования в ComfyUI через ComfyUI-GGUF или встроенную поддержку GGUF в актуальных версиях ComfyUI. Модель относится к диффузионным моделям, имеет размер 13 млрд параметров и поддерживает английский язык. Для работы требуются отдельные компоненты: текстовый энкодер T5-V1.1-XXL и VAE LTXV 13B 0.9.7. Поддерживаются LoRA при соблюдении инструкций рабочего процесса; использование torch.compile вместе с LoRA не рекомендуется. GGUF-формат может упростить запуск и снизить требования к памяти по сравнению с исходными форматами, однако README не содержит точных сведений о размерах квантования, требованиях к оборудованию, длине контекста или параметрах генерируемого видео. Ограничения и исходные условия использования определяются лицензией и ограничениями оригинальной модели Lightricks/LTX-Video; указана лицензия other со ссылкой на файл LICENSE.md. Дополнительные оптимизации Teacache на момент описания могут заметно снижать качество, поэтому их рекомендуется отключать.

ChrisColeTech/minimax-h3-turbo-GGUF — это квантованная GGUF-сборка модели MiniMax H3 от MiniMaxAI, предназначенная для генерации видео из текста и изображений. В неё встроены LoRA LightX2V Turbo: вариант FL2VA использует 8 шагов, а REF2VA — 4 шага. Поддерживаются сценарии text-to-video и image-to-video, включая режимы FL2VA, T2VA, I2VA и REF2VA. Основой служит прореженный DiT-трансформер MiniMax H3; опубликованный пример использует файл transformer в формате Q4_K_M размером около 11,4 ГБ. Для обработки текста доступны энкодеры Qwen3-VL на 4B или 8B параметров с соответствующими ClipProj, а также видео- и аудио-VAE. В демонстрации модель генерировала ролики разрешением 1280×720 длительностью около 3,75 секунды за 8 шагов; на RTX 5090 с 32 ГБ памяти это занимало примерно 2,3–2,5 минуты. К сильным сторонам относятся ускоренная Turbo-дистилляция, поддержка текстовых и визуальных входов, а также возможность выбора между 4B и 8B текстовым энкодером. Ограничения включают значительные требования к дисковому пространству и видеопамяти, зависимость от совместимых компонентов VAE и ClipProj, а также то, что приведённые сведения о качестве и производительности основаны на демонстрационных примерах. В метаданных указана лицензия other, без дополнительных условий лицензирования в README.

PLaMo 2.1-2B-VL — компактная визуально-языковая модель Preferred Networks, построенная на instruction-tuned PLaMo 2.1-2B и предназначенная для работы на автономных устройствах и других edge-системах. Модель сочетает причинный декодер Samba-based PLaMo 2 с визуальным энкодером SigLIP2 через MLP-адаптер; динамическое разрешение изображений поддерживается разбиением на тайлы. В языковых задачах рассчитана на английский и японский языки. Модель принимает одну пару «изображение и текст» и формирует текстовый ответ. Её основные сценарии — визуальные вопросы и ответы, поиск указанного текстом объекта или человека на изображении и анализ сцен, например распознавание инструментов и обнаружение аномалий на кадрах с камер дронов и наблюдения. Версия 2B создана как лёгкий вариант для эффективного запуска на устройствах с ограниченными ресурсами, но её сценарии применения более ограничены, чем у версии 8B. Модель оптимизирована для естественных изображений, а не для OCR, чтения документов, таблиц, графиков или математических выражений. Она не поддерживает одновременную обработку нескольких изображений и может работать некорректно без пары из текста и изображения; глубокие специализированные знания не являются её целью. Распространяется по лицензии PLaMo Community License; для коммерческого использования README предписывает ознакомиться с лицензией и связаться с разработчиком.

RaCo-ALIKED — модель компьютерного зрения из проекта kornia для извлечения локальных признаков изображения. Она объединяет детектор ключевых точек RaCo и дескрипторы ALIKED размерности 128; поставляется как граф ONNX и готовые движки TensorRT для использования в компоненте vision-rt. Модель принимает RGB-изображения в формате (B, 3, H, W) с плавающей точкой в диапазоне [0, 1]; высота и ширина должны быть кратны 32. Она возвращает координаты ключевых точек, нормализованные координаты и L2-нормализованные дескрипторы. Число K задаётся при экспорте графа и влияет на скорость и характеристики извлечения: при K ≥ 3072 обученный ранжировщик отключён. Модель предназначена для поиска соответствий между изображениями, построения баз дескрипторов и задач локализации по изображениям. В README приведены измерения на Jetson Orin Nano: при K=3072 извлечение кадра 640×640 занимает 28,5 мс, однако при повороте на 90° доля соответствий-инлайеров ниже, чем при K=1024. Готовые движки привязаны к TensorRT 10.3 и архитектуре GPU SM87 и подходят для JetPack 6 на Orin; для других устройств следует собирать движок из ONNX. Лицензия указана как other, поэтому конкретные условия использования нужно уточнять в репозитории.

SCAIL-2 — открытая модель zai-org для управляемой анимации персонажей: она переносит движения из видео на изображение с персонажем, поддерживает замену персонажей и сцены с несколькими персонажами. Модель обучена сквозному переносу движения без обязательного промежуточного представления позы; в обучении использовались 60 тысяч синтезированных пар движений и несколько готовых моделей-учителей. Модель предназначена для генерации видео по изображению персонажа и управляющему видео, в том числе для переноса движения между персонажами и управления движениями животных. Также заявлена поддержка продвинутых промежуточных сигналов управления, например рендеринга меша SAM3D-Body. Сквозное управление поддерживает разрешения 512p и 704p; для управления позой и замены персонажа README рекомендует 704p. Высота и ширина должны делиться на 32. Репозиторий содержит веса PyTorch и VAE Wan2.1; для запуска нужны инструкции и код из связанного проекта. Лицензия — MIT. В карточке не указаны языки текстового ввода или генерации, поскольку модель работает с изображениями и видео.

Это модель компьютерного зрения на архитектуре Swin Transformer, разработанная дообучением microsoft/swin-base-patch4-window7-224 на наборе Food-101. Она классифицирует изображения блюд по категориям Food-101. Модель содержит 58,7 млн параметров и распространяется в формате PyTorch по лицензии Apache-2.0. На оценочной выборке Food-101 указаны loss 0,2772 и точность 0,921. Модель подходит для автоматической категоризации фотографий еды, например в приложениях для каталогизации блюд или управления коллекциями изображений. Описание обучения и ограничения в карточке не раскрыты; результаты оценки относятся к указанному набору данных и не гарантируют такую же точность на других типах изображений.

Это адаптационные веса textual inversion для runwayml/stable-diffusion-v1-5, опубликованные пользователем abhipsabasu. Они предназначены для генерации изображений по текстовому запросу с использованием выученного текстового токена, связанного с человеком; для работы нужны базовая модель Stable Diffusion 1.5 и совместимый конвейер Diffusers. Репозиторий содержит веса в формате safetensors и рассчитан на текстовый ввод и генерацию изображений. Модель подходит для создания изображений человека или персонажа, которому соответствует обученный токен. В карточке нет примеров вызова, описания обучающих данных, конкретного токена и оценки качества. Лицензия — CreativeML OpenRAIL-M; ограничения на использование следует сверять с её условиями и лицензией базовой модели.

UIGEN-T2-7B — языковая модель Tesslate для генерации пользовательских интерфейсов в виде HTML и Tailwind CSS. Она дообучена методом PEFT/LoRA на базе Qwen/Qwen2.5-Coder-7B-Instruct и содержит 7,1 млрд параметров; заявленный ранг адаптера — 128. Модель принимает текстовые описания интерфейсов и генерирует код, ориентируясь на структуру, удобство использования, компоновку и визуальный стиль. Подходит для быстрого прототипирования веб-страниц и создания компонентов — например, форм, карточек и кнопок. Модель использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. В карточке указано обучение на 50 000 примерах и основной фокус на английском языке. Для использования рекомендованы Transformers, PyTorch и PEFT; автор советует GPU с объёмом видеопамяти от 16 ГБ для эффективного запуска, в зависимости от точности и квантизации. Лицензия — Apache-2.0. Модель преимущественно генерирует HTML и Tailwind CSS. Сложную JavaScript-логику и управление состоянием обычно требуется реализовать вручную; для специализированных корпоративных дизайн-систем может понадобиться дополнительная настройка. Взаимодействие рассчитано на системный промпт Tesslate, приведённый в карточке.

city96/Wan2.1-FLF2V-14B-720P-gguf — это прямая конверсия в формат GGUF модели Wan-AI/Wan2.1-FLF2V-14B-720P. Модель предназначена для генерации видео из изображений и относится к сценариям image-to-video. В карточке указаны поддерживаемые языки English и Chinese, а также размер базовой модели 14B и разрешение 720P. Модель распространяется в нескольких вариантах квантования, созданных из исходного FP32-файла; в репозитории опубликован вариант FP16. Формат GGUF позволяет использовать модель через пользовательский узел ComfyUI-GGUF, однако для работы требуются дополнительные файлы из репозитория Comfy-Org. В README также отмечено, что файл FP16 превышает ограничение в 50 ГБ, а загрузка разделённых GGUF-файлов пока не поддерживается в ComfyUI-GGUF. Лицензия модели — Apache-2.0.

Карточка модели ferdap/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Wan-Move-14B-480P — модель генерации видео из изображения, выпущенная авторами проекта Wan-Move. Она расширяет Wan-I2V-14B методом управления движением через траектории в латентном пространстве, без изменения архитектуры исходной модели и без дополнительных модулей движения. Модель предназначена для создания видео длительностью около 5 секунд с разрешением 480p, задавая движение объектов плотными точечными траекториями; поддерживаются сценарии управления одним или несколькими объектами. Модель рассчитана на точное локальное управление движением при сохранении визуального качества. Для генерации используются исходное изображение, текстовое описание сцены и данные о траекториях и их видимости. В README приведены англоязычные примеры; MoveBench содержит также китайские подписи. Репозиторий распространяет веса в формате safetensors и указывает лицензию Apache-2.0. Для запуска требуются значительные вычислительные ресурсы; авторы описывают мног GPU инференс для версии на 14 млрд параметров.

keremberke/yolov8m-scene-classification — модель классификации изображений на основе архитектуры YOLOv8, опубликованная пользователем keremberke. Она предназначена для определения категории сцены на изображении; в метаданных указан датасет indoor-scene-classification, поэтому модель ориентирована на классификацию интерьерных сцен. Для использования предусмотрена библиотека Ultralytics и формат PyTorch. Размер модели, перечень меток и лицензия в доступных сведениях не приведены.

Модель zkdeng/10-convnextv2-base-22k-384-finetuned-spiderTraining1000-1000 — дообученная на неизвестном наборе данных версия ConvNeXt V2 Base от Facebook для классификации изображений. Она основана на facebook/convnextv2-base-22k-384, предобученной на ImageNet-22K; веса представлены в формате PyTorch. На указанном в карточке наборе для оценки модель достигла accuracy 0,9180, precision 0,9196, recall 0,9160 и F1 0,9168. Карточка не раскрывает классы, состав обучающих данных или предметную область модели, поэтому применимость этих результатов к другим изображениям не определена. Распространяется по лицензии Apache-2.0.

vllab/controlnet-hands — модель ControlNet, обученная разработчиками на базе runwayml/stable-diffusion-v1-5 для генерации изображений рук по управляющим ориентирам MediaPipe. Она принимает текстовое описание и изображение с закодированными ориентирами рук и может применяться как самостоятельно, так и для дорисовки частей изображения. Для обучения использован набор HaGRID из 130 тысяч изображений; цветовое кодирование ориентиров предназначено для передачи информации о левизне или правизне руки. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Модель нацелена на более реалистичные положения рук и форму пальцев, снижая распространённые ошибки генерации. В README отмечено, что закодированный вариант ориентиров показал лучшие результаты при небольшом числе шагов обучения, чем стандартные ориентиры MediaPipe. Качество обработки ориентиров MediaPipe Holistic на частично обрезанных изображениях было неудовлетворительным; авторы считают, что подход можно улучшить обучением на более крупных и разнообразных данных.метadata

CrucibleAI/ControlNetMediaPipeFace — модель ControlNet, разработанная CrucibleAI для управления генерацией и преобразованием изображений лиц на основе структурных признаков, полученных с помощью MediaPipe. Она использует Stable Diffusion 2.1 base как базовую модель и предназначена для image-to-image-сценариев, где требуется задавать мимику, направление взгляда, положение глаз и черты лица. Поддерживаются изображения с несколькими лицами. Ключевая особенность модели — управление по лицевым ключевым точкам MediaPipe, включая точки радужки и зрачков, что позволяет контролировать направление взгляда, а также выражения лица, например нейтральное, счастливое, грустное, удивлённое или испуганное. Обучение тестировалось с Stable Diffusion v2.1 base в разрешении 512 и со Stable Diffusion v1.5. В README не указаны точный размер модели, максимальный контекст, полный набор языков или перечень поддерживаемых модальностей; язык карточки — английский. Модель сильна в структурированном контроле генерации лиц и воспроизведении выражений и взгляда, однако её возможности зависят от качества детекции MediaPipe, исходного изображения и базовой diffusion-модели. Данные для обучения связаны с LAION Face и LAION. Лицензия указана как OpenRAIL; дополнительные ограничения или условия использования в README не описаны.

ControlNet v1.1 lineart — контрольная нейросетевая модель для управления генерацией изображений на базе диффузионных моделей. Её разработали Lvmin Zhang и Maneesh Agrawala; данный вариант представляет собой конверсию исходного checkpoint в формат diffusers и предназначен для совместной работы со Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель принимает изображение с линейным рисунком в качестве дополнительного условия и помогает генерировать изображения по текстовому описанию с сохранением структуры, контуров и композиции исходного lineart-изображения. Она подходит для image-to-image и управляемой генерации, когда требуется преобразовать эскиз или линейный рисунок в детализированное изображение. Для подготовки управляющего изображения может использоваться внешний LineartDetector из controlnet_aux. В README не указаны точный размер модели, максимальный контекст или перечень поддерживаемых языков; для текстовых запросов заявлен английский язык. Сильная сторона модели — дополнительный контроль над результатом генерации за счёт условного сигнала lineart при сохранении возможностей базовой Stable Diffusion. Checkpoint обучался для Stable Diffusion v1.5, поэтому совместимость с другими моделями не гарантируется, хотя экспериментально допускается использование с некоторыми вариантами Stable Diffusion. Для работы требуются diffusers и связанные библиотеки, а также вычислительные ресурсы для инференса. Лицензия — CreativeML OpenRAIL M, адаптированная лицензия Open RAIL M.

DA3 Metric Large — модель для оценки глубины по одному изображению с восстановлением реального масштаба сцены. Её разработала команда ByteDance Seed. Модель содержит около 0,35 млрд параметров и использует Vision Transformer с унифицированным представлением глубины и лучей; веса опубликованы в формате safetensors, лицензия — Apache 2.0. Модель предназначена для монокулярной метрической и относительной оценки глубины, а также сегментации неба. Её можно применять в задачах компьютерного зрения, где по фотографии нужно получить карту глубины в реальном масштабе. Обучение проводилось на общедоступных академических наборах данных. Качество может снижаться на специализированных изображениях и зависит от качества снимка, освещения и сложности сцены. README отмечает преимущество семейства Depth Anything 3 над Depth Anything 2 в монокулярной оценке глубины, но подробные результаты бенчмарков приведены отдельно в статье.

DiT360 — модель генерации панорамных изображений, разработанная исследовательской командой Insta360 Research Team. Она основана на архитектуре DiT и использует black-forest-labs/FLUX.1-dev в качестве базовой модели. Метод обучается на перспективных и панорамных изображениях по гибридной схеме, объединяющей междоменное руководство на уровне изображений и гибридный надзор на уровне токенов. Модель предназначена для генерации панорам по текстовому описанию, а также для задач панорамного inpainting и outpainting. В архитектуре и обучении применяются механизмы для повышения реалистичности и геометрической точности, включая circular padding для непрерывности границ, yaw loss для устойчивости к вращению и cube loss для учёта искажений. Заявлены улучшенные согласованность границ и fidelity изображений по результатам экспериментов на одиннадцати количественных метриках. В README не указаны размер модели, поддерживаемые языки, точная длина контекста, перечень модальностей помимо текстового ввода и аппаратные требования для инференса. Модель распространяется по лицензии MIT.

XLabs-AI/flux-controlnet-canny-v3 — контрольная модель ControlNet для генеративной модели FLUX.1-dev, разработанной Black Forest Labs. Она предназначена для генерации изображений по текстовому описанию с управлением композицией и структурой изображения на основе Canny-границ, извлечённых из входного изображения. Модель обучена для разрешения 1024×1024 и рассчитана на работу с FLUX.1-dev. Выпущенная версия v3 заявлена как улучшенная и обеспечивающая более реалистичные результаты. Модель можно использовать через ComfyUI с соответствующими пользовательскими узлами и готовыми workflow либо через инструменты и скрипты из официальных репозиториев XLabs-AI. README не содержит сведений о размере параметров, точной архитектуре базовой модели, поддерживаемых языках запросов или других модальностях. Основное преимущество модели — возможность лучше сохранять контуры и композицию исходного изображения при генерации в FLUX.1-dev. Ограничения включают зависимость от базовой модели FLUX.1-dev, ориентацию на разрешение 1024×1024 и необходимость совместимой инфраструктуры для запуска. Веса распространяются по лицензии FLUX.1-dev Non-Commercial License, поэтому коммерческое использование не разрешено условиями указанной лицензии.

Jayn7/HunyuanVideo-1.5_I2V_720p-GGUF — набор квантизированных версий модели HunyuanVideo-1.5 I2V 720p, разработанной Tencent. Репозиторий предназначен для генерации видео из изображений (image-to-video, I2V) с разрешением 720p и распространяет варианты в формате GGUF, включая обычную и distilled-модель. Модель рассчитана на сценарии преобразования исходного изображения в видеоролик. Доступны варианты Q4_K_S, Q8_0 и FP16, что позволяет выбирать между меньшим потреблением ресурсов, качеством и скоростью работы. Для использования заявлена интеграция с ComfyUI-GGUF; в создании квантованных версий также использовались инструменты llama.cpp и ComfyUI-GGUF. README не содержит подробных сведений об архитектуре, размере, поддерживаемых языках, модальностях помимо I2V и длине контекста. Репозиторий удобен как источник готовых GGUF-вариантов HunyuanVideo-1.5 для локального запуска и экспериментов с генерацией видео из изображений. Ограничения включают отсутствие детальной технической информации в карточке и зависимость от совместимого окружения и ComfyUI-GGUF. Лицензия не указана отдельно: репозиторий следует лицензии оригинальной модели HunyuanVideo-1.5 от Tencent.

Модель faxoi/llama-3.2-3b-price-engine-Rev1 — дообученная faxoi языковая модель семейства Llama 3.2 с архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она создана на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit и предназначена для генерации текста в формате диалога; название указывает на ценовую тематику, но карточка не описывает специальные функции или подтверждённые сценарии работы с ценами. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет заявленный контекст длиной до 131 072 токенов. В репозитории указаны веса safetensors; базовая модель использует 4-битное представление bnb. Лицензия — Apache-2.0. Карточка не содержит результатов оценки качества и подробностей обучающих данных, поэтому пригодность для конкретных ценовых задач следует проверять на собственных примерах.

minimalclass-lokr-flux — это адаптер LyCORIS типа LoKr для модели FLUX.1-dev, разработанной Black Forest Labs. Адаптер предназначен для генерации изображений по текстовому описанию и специализируется на стилистике minimalclass, в частности на образах женщин в современной модной одежде, включая оранжевые платья в полоску. Модель разработана пользователем или организацией toxicwind; README не содержит дополнительных сведений о разработчике адаптера. Адаптер обучен с использованием flow-matching на 4500 шагах на наборах данных общей направленности minimalclass, включавших по 588 изображений в вариантах с разрешением 512 и 1024, включая случайное квадратное кадрирование. Используется конфигурация LoKr с настройками для модулей Attention и FeedForward. Текстовый энкодер не обучался, поэтому при генерации следует использовать текстовый энкодер базовой модели. В качестве рекомендуемого примера приведена генерация изображения размером 1024×1024 за 15 шагов при guidance scale 3.0. Сильной стороной адаптера является целевая настройка под указанную визуальную стилистику при сохранении возможностей базовой FLUX.1-dev. Ограничения состоят в том, что это не самостоятельная модель, а подключаемый адаптер, рассчитанный на совместное использование с FLUX.1-dev; его поведение и качество зависят от базовой модели, промпта и масштаба адаптера. Лицензия указана как other, но её конкретные условия в README не раскрыты.

Это объединённый и квантованный файл модели MiniMax-H3, подготовленный для ComfyUI автором репозитория chfm. Он предназначен для генерации коротких видео по текстовому запросу и изображению, а также для генерации видео с референсным кадром. Веса объединяют базовую модель с турбо-дообучением lightx2v и настройкой Mystic для более плавного движения; результат затем однократно квантован в INT8 с ConvRot. Файл занимает около 21 ГБ, содержит 50 блоков трансформера, а в четырёх тяжёлых линейных слоях каждого блока используются INT8-веса; остальные веса остаются BF16 или F32. Модель рассчитана на запуск в ComfyUI, в частности для генерации роликов примерно за 4 шага с синхронизированным стереозвуком. В README приведён пример ролика длительностью 10 секунд и разрешением 1152×640; скорость зависит от оборудования и настроек внимания. Объединение LoRA в веса сокращает расход памяти по сравнению с их подключением отдельно, но лишает возможности менять силу этих адаптеров во время запуска. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует проверять в карточке репозитория и у базовых компонентов.

taurusduan/Minimax-h3-Turbo — вариант MiniMax H3, дообученный для генерации видео из изображения. Модель распространяется в формате safetensors и предназначена для использования в Diffusers; теги также указывают на сценарии text-to-video и reference-to-video, однако метаданные каталога подтверждают только image-to-video. Модель можно использовать для создания видео на основе изображения, например, чтобы анимировать исходный кадр. Базовая модель MiniMax H3 описана как мультимодальная система для генерации коротких видео со стереозвуком по тексту, изображениям, видео и аудио; эти характеристики нельзя однозначно отнести к данному варианту. Лицензия — Apache-2.0. README содержит лишь ссылку на репозиторий и LightX2V для воспроизведения результатов, без технических характеристик или описания качества.

Prism — визуально-языковая модель Stanford ILIAD на основе Qwen 2.5 0.5B, совместимая с Prismatic. Она обучена на наборе Llava-1.5-Instruct и предназначена для задач, где нужно передать изображение и текстовый запрос и получить текстовый ответ. Модель можно использовать как основу для последующего обучения и дообучения в сценариях робототехники и визуального понимания. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Модель поддерживает английский язык и визуальный ввод; размер контекста и дополнительные характеристики в доступных данных не приводятся. Лицензия — MIT.

Репозиторий AshtakaOOf содержит архив моделей для увеличения разрешения и других задач обработки изображений в формате safetensors. Автор собрал модели сторонних разработчиков и сообщает, что преобразовал исходные файлы pickle в safetensors; собственных моделей в репозитории нет. Модели предназначены для повышения разрешения и улучшения изображений. README направляет к файлу MODELS.md за сведениями о том, какую модель выбрать, но его содержимое здесь недоступно. Репозиторий опубликован под лицензией MIT; README уточняет, что модели принадлежат их исходным авторам, поэтому условия лицензирования отдельных моделей могут отличаться.

SAM2.1 Hiera Tiny — модель сегментации изображений по подсказкам, подготовленная openEuler для интеграции в фреймворк IB-Robot. Она принимает изображение и подсказки в виде точек или рамок и формирует маски отдельных объектов. В основе лежит facebook/sam2.1-hiera-tiny; пакет включает веса PyTorch и конвертированные артефакты для Ascend 310B1 и 310P1, а также запуск на CPU через PyTorch. Модель предназначена для интерактивной сегментации и робототехнических сценариев, где нужно выделить объект по пользовательской подсказке. Репозиторий указывает пакетную обработку 1 изображения на Ascend 310B1 и 4 на Ascend 310P1. Указана лицензия Apache-2.0. Карточка не описывает поддержку видео или языковые входы.

SeedVR2-3B — модель ByteDance Seed для восстановления видео, описанная в работе Jianyi Wang и соавторов. Она использует диффузионный подход с состязательным постобучением и выполняет восстановление за один шаг, чтобы снизить вычислительные затраты при обработке видео. В архитектуре применяется адаптивное оконное внимание, подстраиваемое под разрешение результата; модель рассчитана на улучшение визуального качества и временной согласованности, в том числе для видео высокого разрешения. Модель предназначена для восстановления и улучшения качества видео в сценариях, где важна быстрая обработка. Авторы сообщают о результатах, сопоставимых с существующими методами восстановления видео или превосходящих их при одношаговом выводе. Доступны веса в формате PyTorch, лицензия — Apache 2.0. Это прототипные модели, и их качество может отличаться от результатов статьи. Модель может работать нестабильно при сильных искажениях и больших движениях, оставлять дефекты или создавать нежелательные детали; на видео с лёгкими искажениями возможна чрезмерная резкость.

Карточка модели vpyr/TRELLIS-text-xlarge на Hugging Face совпадает с карточкой microsoft/TRELLIS-text-xlarge, поэтому описание составлено по ней. TRELLIS Text XL — крупная модель генерации 3D-объектов по текстовому описанию, представленная в работе «Structured 3D Latents for Scalable and Versatile 3D Generation». Модель разработана Microsoft и относится к семейству TRELLIS; её вариант XL принимает текстовые условия и создаёт 3D-результат. Модель предназначена для генерации 3D-объектов по текстовым запросам, например для создания заготовок объектов в творческих и экспериментальных рабочих процессах. Репозиторий содержит веса в формате safetensors, библиотека — TRELLIS. Модель рассчитана на английские запросы. Лицензия — MIT. Карточка не сообщает конкретную архитектуру, число параметров, формат выдаваемого 3D-объекта и ограничения качества или применения.