IV.1Ритейл, электронная коммерция и fashion-tech

UIGEN-T3-8B-Preview — модель Tesslate для генерации пользовательских интерфейсов по текстовым запросам. Она дообучена на базе Qwen/Qwen3-8B и имеет плотную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров. Модель создаёт как отдельные компоненты, так и целые веб-страницы, выдавая HTML и CSS с дизайн-токенами для настройки внешнего вида. Режимы /think и /no_think позволяют выбирать между генерацией с направленным анализом макета и более быстрой генерацией кода. Модель рассчитана на прототипирование интерфейсов, стартовых версий продуктов и компонентов, например кнопок, карточек и панелей навигации. Карточка описывает оценочную систему UIGenEval, охватывающую качество кода, следование запросу, интерактивность и адаптивность; это не гарантирует качество каждого результата. Контекст модели — 40 960 токенов, а для режима рассуждения автор рекомендует использовать 20 000 токенов. В метаданных указан английский язык. Лицензия допускает только исследовательское и некоммерческое использование; для коммерческого применения Tesslate предлагает связаться с разработчиками.

thang101020/upernet-segmenthomeai — модель семантической сегментации изображений на базе архитектуры UperNet с backbone ConvNeXt Small. Она присваивает семантическую метку каждому пикселю, что позволяет выделять и классифицировать области сцены на изображении. UperNet объединяет backbone с Feature Pyramid Network и Pyramid Pooling Module; реализация использует PyTorch. Модель предназначена для задач семантической сегментации изображений и анализа сцен. Карточка не описывает специальную предметную область или конкретный набор классов. Репозиторий распространяется по лицензии MIT.

ViGoRL-7b-Spatial — мультимодальная модель для визуального рассуждения и пространственного анализа, разработанная авторами проекта ViGoRL: Gabriel Sarch, Snigdha Saha, Naitik Khandelwal, Ayush Jain, Michael J. Tarr, Aviral Kumar и Katerina Fragkiadaki. Модель дообучена на базе Qwen2.5-VL-7B-Instruct с использованием supervised fine-tuning на визуально обоснованных трассах рассуждений, созданных методом MCTS, и последующего обучения с подкреплением GRPO. Модель связывает шаги текстового рассуждения с координатами на изображении и поддерживает визуальное обоснование с увеличением отдельных областей для детального анализа. Она предназначена для пространственных задач и визуального поиска, включая SAT-2, BLINK, RoboSpatial и V*Bench, а также может применяться для визуального взаимодействия с веб-интерфейсами и привязки элементов на экране. Архитектура — Qwen2.5-VL, 7,1 млрд параметров; контекст — 128 000 токенов. Репозиторий использует Transformers и формат safetensors. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Модель описана как вариант для пространственного домена; отдельные результаты оценки качества не приведены.

Wan2.1-I2V-14B-480P-gguf — это конвертация в формат GGUF модели Wan2.1-I2V-14B-480P, разработанной Wan-AI и квантованная пользователем city96. Модель предназначена для генерации видео по исходному изображению в сценариях image-to-video и ориентирована на работу через ComfyUI с пользовательским узлом ComfyUI-GGUF. Известно, что это модель с размером 14B, рассчитанная на генерацию видео с разрешением 480p. Поддерживаемые языки указаны как английский и китайский. Доступны варианты квантования; файлы созданы на основе FP32, однако в репозитории опубликован только вариант FP16 из-за ограничения размера файлов и отсутствия поддержки загрузки gguf-split в ComfyUI-GGUF. Для работы также требуются дополнительные файлы из репозитория Comfy-Org. Модель удобна для локального запуска и интеграции с ComfyUI, а формат GGUF предоставляет несколько вариантов квантования. Ограничениями являются необходимость ручной установки пользовательского узла и дополнительных компонентов, а также отсутствие опубликованных вариантов, разделённых через gguf-split, что связано с ограничением размера файла. Модель распространяется по лицензии Apache-2.0.

Wan2.2_14B_GGUF — набор весов модели Wan-AI, опубликованный в формате GGUF для использования с ComfyUI-GGUF. В репозитории представлены варианты I2V и T2V с высоким и низким уровнем шума; указаны FP16 и около 27 млрд параметров всего, из которых 14 млрд активны на шаг. Это контейнер GGUF без квантования. Модель предназначена для генерации видео по изображению или текстовому описанию в совместимых рабочих процессах ComfyUI. Вариант I2V использует исходное изображение, а T2V — текстовый запрос. В метаданных указан английский язык; сведения о длине контекста и поддержке других языков не приведены. Базовые модели — Wan-AI/Wan2.2-I2V-A14B и Wan-AI/Wan2.2-T2V-A14B; репозиторий обозначен как их слияние. Лицензия — Apache-2.0. GGUF обеспечивает совместимость с расширением ComfyUI-GGUF, однако FP16-файлы крупные: README указывает около 28,6 ГБ для каждого варианта.

Карточка модели 10iz/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.

DFloat11/Wan2.2-T2V-A14B-DF11 — это квантованная и без потерь сжатая версия модели Wan-AI/Wan2.2-T2V-A14B, опубликованная в формате DFloat11. Модель предназначена для генерации видео по текстовому описанию (text-to-video) с использованием пайплайна Diffusers. Сжатие уменьшает размер весов примерно на 32% по сравнению с исходной моделью в формате BFloat16 и, согласно README, сохраняет побитово идентичные результаты инференса. Модель может генерировать видео длительностью около 5 секунд в разрешении 720p. Указан сценарий работы на одной видеокарте с 24 ГБ памяти при включённом выгружании части модели в CPU; без CPU offloading требуется около 40 ГБ VRAM. В тестовом примере используются 81 кадр, 16 кадров в секунду и 40 шагов инференса, а время генерации на A100 составляет примерно 42–44 минуты. Для работы необходимы CUDA-совместимая GPU, PyTorch, пакет DFloat11 и актуальная версия Diffusers. Ограничения по поддерживаемым языкам, контекстному окну и лицензия в предоставленных данных не указаны.

Это неофициальный чекпойнт YOLO12n для сегментации экземпляров, опубликованный сообществом и обученный на COCO с помощью Ultralytics. Компактная архитектура YOLO12n распознаёт объекты из 80 категорий COCO и выделяет маску для каждого экземпляра на изображении. Репозиторий содержит веса PyTorch и артефакты обучения, включая историю 100 эпох и метрики валидации; автор карточки отмечает, что результаты ещё не были независимо воспроизведены после публикации. Модель предназначена прежде всего для начальной точки трансферного обучения, исследований сегментации YOLO12 и сравнения подходов к предобучению. Лицензия репозитория — AGPL-3.0. Перед применением в целевой задаче рекомендуется самостоятельно проверить качество. Точный список обучающих изображений нельзя восстановить из чекпойнта; сведения о скорости инференса, FLOPs и точности по отдельным классам не сохранены.

DionTimmer/controlnet_qrcode-control_v1p_sd15 — модель ControlNet, разработанная DionTimmer для Stable Diffusion 1.5. Она предназначена для генерации изображений и image-to-image-сценариев, в которых композиция или форма QR-кода задаётся входным изображением, а итоговый результат определяется текстовым запросом и исходным изображением. Модель доступна в форматах safetensors и Diffusers и интегрируется с библиотекой Diffusers, а также с интерфейсом AUTOMATIC1111 через расширение ControlNet. Модель работает совместно с базовой моделью runwayml/stable-diffusion-v1-5 и принимает текстовую и графическую информацию; отдельный препроцессор для QR-кода не требуется. В README рекомендуется разрешение 768 пикселей, а для повышения вероятности сканирования — QR-коды с режимом коррекции ошибок H, обеспечивающим восстановление до 30% повреждённых данных. Модель обычно хорошо сохраняет форму QR-кода, но не гарантирует абсолютную точность: увеличение веса ControlNet усиливает соответствие QR-коду, однако может ухудшить художественный стиль. Для разных запросов требуется подбирать баланс между control weight, strength и prompt. Лицензия указана как OpenRAIL++. Язык интерфейса и документации — английский; сведения о точном размере модели, архитектурных деталях, датасете и поддерживаемых языках текстовых запросов в README не приведены.

Cosmos-Predict2-2B-Text2Image — диффузионная модель NVIDIA для генерации изображений по текстовому описанию. Это 2-миллиардная версия семейства Cosmos-Predict2, предназначенного для создания мировых сцен и поддержки разработки Physical AI. Модель построена на диффузионном трансформере, который денойзит представления в латентном пространстве. Текст задаёт сцену и её объекты через механизм cross-attention. На вход подаётся текст длиной менее 300 слов; по умолчанию модель создаёт цветное изображение 1280 × 704 пикселя в формате JPG. Для работы рекомендованы системы с GPU NVIDIA; протестирована точность BF16. Модель предназначена для визуализации описанных сцен и как компонент разработки приложений для генерации миров. Среди ограничений — артефакты при генерации изображений высокого разрешения и неточное представление пространства и физических взаимодействий, поэтому результат может быть непригоден для реалистичного моделирования физических законов и сложной динамики. NVIDIA указывает лицензию NVIDIA Open Model License, допускающую коммерческое использование при соблюдении её условий.

Depth Anything V2 Small — компактная модель для оценки глубины по одному изображению, разработанная командой Depth Anything. Она предсказывает относительную глубину объектов и областей сцены по обычному RGB-изображению и предназначена для задач монокулярного анализа глубины. Модель относится к семейству Depth Anything V2. Семейство обучалось на 595 тысячах синтетических изображений с разметкой глубины и более чем 62 миллионах реальных изображений без разметки. В README отмечены более детализированные предсказания и устойчивость по сравнению с Depth Anything V1, а также высокая скорость и меньший размер по сравнению с моделями на основе диффузии. Версия Small ориентирована на более лёгкий запуск; конкретный размер и длина контекста для этой версии в предоставленных данных не приводятся. Модель можно использовать для получения карты глубины сцены из изображения, например, в робототехнике, дополненной реальности и системах компьютерного зрения. Это не генеративная модель: она выдаёт оценку глубины, а не текст. Лицензия — Apache-2.0.

Карточка модели biali/Depth-Anything-V2-Small-hf на Hugging Face совпадает с карточкой depth-anything/Depth-Anything-V2-Small-hf, поэтому описание составлено по ней. Depth Anything V2 Small — компактная модель для монокулярной оценки глубины по изображению, представленная авторами Depth Anything V2 и опубликованная в версии, совместимой с библиотекой Transformers. Она строит плотную карту глубины по одному изображению и подходит для оценки относительной и абсолютной глубины без дообучения на конкретном сценарии. Модель использует архитектуру DPT с backbone DINOv2. Для обучения семейства применялись около 600 тысяч синтетических изображений с разметкой и более 62 миллионов реальных изображений без разметки. По сравнению с Depth Anything V1 авторы отмечают более детализированные и устойчивые предсказания; версия Small рассчитана на более лёгкий и быстрый запуск. Модель предназначена для исследовательских и прикладных сценариев компьютерного зрения, где требуется получить глубину сцены из RGB-изображения. Она не заменяет датчик глубины и может ошибаться на необычных сценах, прозрачных или отражающих поверхностях и объектах, недостаточно представленных в обучающих данных. Лицензия — Apache-2.0.

EZFGraphic — небольшая модель OpenRussianAI для генерации изображений по текстовому запросу. Репозиторий содержит пример модели с архитектурой EZFGraphic; в метаданных указано 6,3 млн параметров и форматы PyTorch и ONNX. Модель предназначена для преобразования текстовых описаний в изображения. Модель опубликована под лицензией MIT. В карточке указана связь с набором данных OpenRussianAI/EZF-Dataset-Image. Описание не приводит сведений о качестве генерации, поддерживаемых языках или длине контекста.

ilkerzgi/face-swap — адаптер LoRA, разработанный для базовой модели FLUX.2-klein-9B от Black Forest Labs и предназначенный для работы с библиотекой Diffusers. Модель выполняет замену лица на изображении: переносит лицо с исходного изображения на человека на целевом изображении, сохраняя тело, позу и сцену, а также стремясь согласовать оттенок кожи и освещение. Модель использует две входные картинки: Picture 1 с лицом и Picture 2 с целевым человеком и окружением. Для наилучших результатов рекомендуется специальный промпт с указанием операции face_swap. Это image-to-image решение для генерации изображений; сведения о поддерживаемых языках и размере контекста не указаны. В README приведены варианты обучения с rank 16–64, 300 или 800 образцами и измеренной средней задержкой около 6,0–6,6 секунды для различных конфигураций. Сильной стороной модели является специализация на замене лица с сохранением идентичности, освещения и естественного смешивания оттенков кожи. Ограничения, качество на разных типах исходных изображений и требования к вычислительным ресурсам подробно не описаны. Модель распространяется по лицензии flux-non-commercial-license, то есть её использование ограничено некоммерческими сценариями.

HiVG-3B-Base — базовая мультимодальная модель на 3,1 млрд параметров, разработанная Xingxm и дообученная на основе Qwen/Qwen2.5-VL-3B. Она предназначена для авторегрессионной генерации SVG по изображению или текстовому описанию. Модель использует иерархическую токенизацию SVG: геометрические атомарные и сегментные токены сокращают длину последовательностей и помогают сохранять структуру и детали в редактируемой векторной графике. Модель поддерживает сценарии преобразования растрового изображения в SVG и создания SVG по текстовому запросу. В README заявлены высокая точность векторизации и результаты выше семи проприетарных моделей на оценке image-to-SVG; это заявления авторов карточки. Контекст модели составляет 128 000 токенов. Карточка помечает английский язык; модель не предназначена для генерации произвольного кода за пределами SVG. Это базовая модель без настройки для следования инструкциям и RLHF-выравнивания, поэтому её пригодность для непосредственного производственного использования ограничена. Не рекомендуется применять её в критически важных сценариях без дополнительных мер предосторожности. Лицензия — MIT.

Illustrious XL v1.0 — модель генерации изображений по тексту от OnomaAI, основанная на архитектуре Stable Diffusion XL и дообученная на Illustrious XL v0.1. Она предназначена для создания детализированных изображений по описаниям на естественном языке, тегам в стиле Danbooru или их сочетанию. Модель поддерживает разрешения от 512×512 до 1536×1536 и совместима с LoRA и модулями ControlNet, обученными для Illustrious v0.1. Модель рассчитана на художников и разработчиков, которым нужна гибкая основа для генерации изображений и дальнейшего дообучения под конкретный стиль или задачу. В README указана лицензия MIT. Карточка описывает высокое нативное разрешение и гибкий ввод промптов, но не приводит независимых оценок качества; совместимость дополнений заявлена для версий, обученных на Illustrious v0.1.

greedjoo/jhr_classic_lora — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией greedjoo. Модель предназначена для использования с базовой моделью black-forest-labs/FLUX.1-dev в сценариях text-to-image и интеграции с экосистемой Diffusers. README не содержит подробностей о визуальном стиле, целевых предметных областях или рекомендуемых параметрах применения. Адаптер распространяется в формате Safetensors. Технические характеристики LoRA, включая размер, архитектуру адаптера, поддерживаемые языки, длину контекста и требования к вычислительным ресурсам, не указаны. Лицензия обозначена как other; её название неизвестно, а условия следует уточнять в файле LICENSE репозитория перед использованием.

maheshsharma18/lowlight-denoise-sr-rrdbnet — модель на архитектуре RRDBNet, разработанная для подавления шума и увеличения разрешения изображений при слабом освещении. Модель дообучена для совместного выполнения этих задач и использует 23 RRDB-блока, 64 канала признаков и 32 канала роста. Она принимает RGB-изображение с вещественными значениями в диапазоне [0, 1] и выдаёт RGB-изображение с разрешением в четыре раза выше по каждой стороне. Модель предназначена для улучшения тёмных и зашумлённых фотографий, когда требуется восстановить детали и увеличить размер изображения за один проход. Веса доступны в формате safetensors, реализация — на PyTorch. Репозиторий распространяется по лицензии MIT.

LTX-2.3 — диффузионная аудиовизуальная модель семейства DiT, разработанная Lightricks для совместной генерации видео и синхронизированного с ним аудио. Карточка описывает обновление LTX-2 с улучшенным качеством изображения и звука и более точным следованием запросам. Репозиторий содержит версии модели dev на 22 млрд параметров, дистиллированную версию на 8 шагов и LoRA для неё; метаданные указывают формат safetensors и библиотеку Diffusers. Модель предназначена для создания видео по изображению и текстовому описанию, а также для локального запуска и дообучения. В карточке указан английский язык. Для размеров кадра требуется кратность 32, а число кадров должно иметь вид 8n+1. Модель может неточно следовать запросу, зависит от стиля промпта и может выдавать предвзятый или нежелательный контент; звук без речи может быть низкого качества. Она не предназначена для получения фактических ответов. Лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензией репозитория.

FenomAI/LTX-2.5-Distilled-GGUF — набор квантизированных GGUF-весов дистиллированного transformer-компонента модели LTX-2.5, разработанной Lightricks. Модель предназначена для локальной генерации видео и синхронизированного аудио по тексту, изображению или видео, включая сценарии text-to-video, image-to-video, video-to-video и audio-to-video. Поддерживаются английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки. Архитектура LTX-2.5 использует DiT и раздельные компоненты: текстовый энкодер Gemma 4 12B, видео- и аудио-VAE. Доступны варианты квантизации от Q3_K_S размером 12,6 ГБ до Q8_0 размером 23,6 ГБ; Q4_K_M указан как рекомендуемый баланс качества и требований к памяти. Дистилляция и квантизация рассчитаны на локальный запуск при ограниченных ресурсах, но требуют совместимого inference-движка, например llama.cpp или ComfyUI с GGUF-узлами, а также загрузки официальных текстовых энкодеров и VAE. Для повышения разрешения и частоты кадров рекомендованы отдельные latent upscaler-модели. Сильные стороны — сохранение высокой визуальной точности, согласованности движения, следования промпту и возможность многоракурсной генерации связанных сцен с сохранением идентичности персонажей, окружения и стиля. Ограничения включают заметный компромисс между размером квантизации и качеством, значительные требования к RAM или VRAM, необходимость дополнительных компонентов и поддержки архитектуры LTX-2.5 DiT. Распространение регулируется лицензией LTX-2 Community License Agreement.

notapalindrome/ltx25-mlx — пакет весов LTX-2.5, подготовленный для запуска на Apple Silicon через MLX. Он предназначен для генерации видео по изображению в приложении LTX Video Generator для macOS или через ltx-2-mlx. Пакет содержит дистиллированный DiT для генерации за 8 шагов, полную dev-версию DiT и LoRA для двухэтапного режима dev-модели. Семейство LTX-2.5 поддерживает работу с аудио и видео; описание базовой модели также указывает на генерацию по тексту, изображениям и видеовходам. Веса основаны на Lightricks/LTX-2.5. README уточняет, что MLX-представление получено конвертацией и повторной сериализацией без переобучения, а LoRA включена в пакет для двухэтапного режима. Модель рассчитана на Apple Silicon и формат safetensors. Указана лицензия LTX-2.x Community License с дополнительными условиями и Acceptable Use Policy; перед использованием следует ознакомиться с ними.

LTX-Video-ICLoRA-detailer-13b-0.9.8 — модель Lightricks для детализации и управляемой генерации видео на базе LTX-Video 0.9.8 Dev. Это IC LoRA-адаптер, обученный на пользовательских данных и предназначенный для работы с пайплайном LTXV (Lightricks Text-to-Video), включая сценарии text-to-video и video-to-video с использованием видеоконтекста. Метод In-Context LoRA позволяет передавать при генерации кадры референсного видео, благодаря чему модель обеспечивает более точный контроль над создаваемым содержимым. Из известных характеристик указаны размер базовой модели 13B, обучение методом IC LoRA и learning rate 0.0002. Доступны варианты весов для ComfyUI и Diffusers; README не содержит сведений о точной архитектуре, поддерживаемых языках, максимальном контексте и конкретных ограничениях качества. Модель распространяется на условиях LTXV Open Weights License 0.X, подробности которой следует проверять в файле лицензии.

MarkupDM — модель CyberAgent для завершения частично оформленных графических макетов. Она генерирует продолжение разметки документа, чтобы дополнить дизайн подходящим текстовым и визуальным содержимым, его расположением и стилем. Модель дообучена на BigCode StarCoderBase 7B и использует архитектуру MarkupDMForCausalLM; карточка указывает Transformers и формат Safetensors. В качестве обучающего набора указан cyberagent/crello. Модель предназначена для автоматизации завершения графического дизайна по частично готовому макету. В метаданных указан конвейер text-generation, а лицензия — Apache-2.0. Контекстное окно и дополнительные языки карточка не описывает.

nvidia/mit-b3 — визуальный энкодер SegFormer размера B3, выпущенный командой NVIDIA. Он дообучен на ImageNet-1k и предназначен прежде всего для использования как основа при дообучении моделей семантической сегментации. В карточке также приведён сценарий классификации изображений по 1000 классам ImageNet; pipeline модели — классификация изображений. Архитектура включает иерархический Transformer-энкодер SegFormer. Репозиторий содержит только предварительно обученный энкодер, без лёгкой MLP-головы декодирования, используемой в полной модели сегментации. В метаданных указаны реализации PyTorch и TensorFlow и набор данных ImageNet-1k. Модель подходит как стартовый чекпойнт для задач компьютерного зрения, включая дообучение сегментации. Для сегментации потребуется добавить и обучить декодирующую голову на целевом наборе данных. Лицензия указана как other; конкретные условия использования следует проверять в материалах репозитория.

OneWorld — чекпойнт для генерации трёхмерных сцен в представлении 3D Gaussian Splatting по изображению и данным о камере; разработчик указан как Sensen02. Модель поддерживает инференс с изображением и параметрами камеры, а также дополнительное текстовое условие. В комплект входят дистиллированный генератор, адаптированный декодер RAE и статистики латентного пространства; Pi3X и Wan2.1-T2V-1.3B загружаются отдельно. Для запуска README направляет к коду инференса SensenGao/OneWorld. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но запрещающей коммерческое использование.

NTQAI/pedestrian_gender_recognition — модель классификации изображений на основе BEiT, разработанная NTQAI и дообученная на microsoft/beit-base-patch16-224-pt22k-ft22k на наборе данных PETA. Она предназначена для определения гендерной категории пешехода по изображению и доступна через Transformers pipeline. В карточке указаны 119,5 млн параметров; веса представлены в форматах PyTorch, safetensors и ONNX. На оценочной выборке модель показала accuracy 0,9107 и loss 0,2170. Лицензия Apache-2.0. Карточка не описывает подробности разметки, состав классов и ограничения применимости, поэтому метрики не гарантируют качество на иных данных.

Penguin-Encoder — дообученный визуальный энкодер Tencent из проекта Penguin-VL, созданного для изучения эффективности компактных визуально-языковых моделей. В отличие от энкодеров, предварительно обученных контрастивным способом, он основан на текстовой модели Qwen3-0.6B: архитектура адаптирована двунаправленным вниманием и 2D-RoPE для представления визуальной информации. Модель содержит около 507,9 млн параметров и рассчитана на извлечение признаков; заявленная длина контекста составляет 40 960 токенов. Энкодер предназначен для получения визуальных представлений в составе систем Penguin-VL и других сценариев, где визуальные признаки должны быть совместимы с языковой моделью. В карточке указана поддержка английского языка, однако отдельные задачи понимания изображений и языковой генерации для этой модели не заявлены. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. README не приводит сравнительных численных результатов для энкодера.

Pi3 (Pi-Cubed) — модель для восстановления визуальной геометрии по набору изображений, опубликованная в репозитории yyfz233/Pi3. Это feed-forward нейросеть с перестановочно-эквивариантной архитектурой: она обрабатывает изображения как неупорядоченный набор и не требует фиксированного опорного кадра. На вход подаётся тензор RGB-изображений; модель возвращает карты локальных 3D-точек, объединённое облако точек, оценки уверенности и матрицы поз камер. Модель предназначена для оценки поз камер, восстановления глубины по одному изображению или видео и построения плотных карт точек. Устойчивость к порядку изображений и масштабируемость набора кадров названы ключевыми свойствами; авторы заявляют высокие результаты на этих задачах. Репозиторий содержит веса в формате safetensors, библиотека — PyTorch. Лицензия — BSD 2-Clause.

hum-ma/SDXL-models-GGUF — это набор квантованных моделей семейства Stable Diffusion XL (SDXL) в формате GGUF, предназначенных для генерации изображений по текстовому описанию. Репозиторий собран пользователем hum-ma и включает CyberRealistic XL v4, Juggernaut v11, RealVisXL 4.0 и 5.0, SDXL 1.0, ZavyChroma 5.0 и 10.0. Исходные модели разработаны разными авторами, включая Stability AI, RunDiffusion, SG161222 и других создателей, указанных в README. Модели предназначены для text-to-image-сценариев и запуска через пользовательские узлы ComfyUI-GGUF. В набор входят варианты квантования Q4_0 и Q5_K_M, а также базовые компоненты CLIP-L, CLIP-G и улучшенный SDXL VAE xlVAEC_c91. Q4_0 обычно обеспечивает хороший баланс качества и размера, тогда как Q5_K_M в некоторых случаях дает результаты, более близкие к исходным моделям F16. Ключевое преимущество набора — возможность использовать несколько популярных SDXL-моделей в компактном квантованном формате, потенциально снижая требования к ресурсам. Ограничения связаны с тем, что квантование может ухудшать согласованность и отличать результат от работы неквантованной модели; варианты, собранные разными версиями llama.cpp, могут давать немного разные результаты. Языки, размер моделей, максимальный контекст и точные системные требования в README не указаны. Лицензия набора и отдельных моделей также не указана, поэтому условия использования необходимо проверять на страницах исходных моделей.

SVOR (Stable Video Object Removal) — модель для удаления выбранных объектов из видео, разработанная авторами работы «From Ideal to Real: Stable Video Object Removal under Imperfect Conditions». Она дообучена на базе Wan-AI/Wan2.1-VACE-1.3B и предназначена для видеоредактирования при реальных дефектах масок, резком движении объектов, тенях и отражениях. Метод объединяет временное объединение масок MUSE, вспомогательную сегментационную ветвь DA-Seg и двухэтапное обучение. По описанию авторов, эти компоненты помогают сохранять стабильность кадров, находить пропущенные масками области и удалять объект вместе с его тенями и отражениями. Для работы нужны видео, маски объектов и веса базовой модели; интерактивный пример использует SAM2 для сегментации и распространения масок. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Для инференса требуется не менее 40 ГБ видеопамяти. Лицензия — Apache-2.0.