IV.1Ритейл, электронная коммерция и fashion-tech

PMRF — модель для слепого восстановления изображений лиц. В репозитории размещён чекпойнт, обученный для задачи восстановления лица по входному изображению, качество которого заранее неизвестно. Модель предназначена для улучшения повреждённых или низкокачественных изображений лиц. Чекпойнт представлен в формате safetensors и распространяется по лицензии MIT. Подробности об архитектуре, размере модели, поддерживаемых языках и конкретных ограничениях в доступных материалах не приводятся.

Это ControlNet для Stable Diffusion 1.5, созданный автором репозитория metafresh89 и дообученный на датасете QR-кодов. Модель принимает изображение QR-кода как условие и направляет генерацию или преобразование изображения, сохраняя форму QR-кода в художественном результате. Репозиторий содержит веса в форматах safetensors и Diffusers; модель предназначена для использования с совместимой базовой моделью Stable Diffusion 1.5 и библиотекой Diffusers или расширением ControlNet для AUTOMATIC1111. Модель подходит для создания стилизованных изображений с QR-кодом, в том числе рекламных и иллюстративных материалов. Результат зависит от промпта и веса ControlNet: форма кода иногда передаётся неточно, а увеличение веса может ухудшить стиль изображения. Для повышения вероятности сканирования автор рекомендует QR-коды с коррекцией ошибок уровня H и генерацию в разрешении 768 пикселей. Лицензия — OpenRAIL++.

zheng95z/rgb-to-x — модель на основе диффузии, опубликованная пользователем zheng95z на Hugging Face и совместимая с StableDiffusionAOVMatEstPipeline. Она предназначена для преобразования входного RGB-изображения в карты свойств поверхности и освещения (AOV), например albedo, normal, roughness, metallic и irradiance. Пример использования из карточки Hugging Face показывает генерацию изображения по текстовому запросу, а связанные примеры применения передают модели фотографию и запрашивают определённую AOV-карту. Модель распространяется в формате Diffusers с весами Safetensors. В доступных источниках не приведены надёжные сведения о точном размере архитектуры, обучающих данных или поддерживаемых языках. Лицензия в просмотренных сведениях не установлена.

SESAME_minus — открытая мультимодальная модель, обученная дообучением LLaVA на инструкционных данных для привязки изображений и сегментации. Это базовая модель для сегментации по текстовой инструкции, предназначенная для экспериментов с мультимодальными моделями и чат-ботами; целевая аудитория — исследователи и энтузиасты компьютерного зрения, NLP и машинного обучения. Модель содержит 6,6 млрд параметров, построена на архитектуре LLaVA и имеет контекст длиной 4096 токенов. В качестве обучающих данных использовался набор RefCOCO(+/g). Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка описывает модель как исследовательскую основу для сегментации, поэтому её качество в прикладных сценариях следует проверять отдельно.

TencentARC/t2iadapter_depth_sd15v2 — адаптер T2I-Adapter для генерации изображений на основе Stable Diffusion 1.5. Он добавляет к текстовому запросу условие по карте глубины, помогая задавать пространственную структуру и расположение объектов в результате. Разработан авторами работы T2I-Adapter: Learning Adapters to Dig out More Controllable Ability for Text-to-Image Diffusion Models. Модель предназначена для использования вместе с базовой моделью runwayml/stable-diffusion-v1-5 и принимает текстовый запрос и изображение с картой глубины, выдавая сгенерированное изображение. Репозиторий содержит веса PyTorch; лицензия — Apache 2.0. В карточке указан английский язык. Для работы требуется совместимая базовая модель Stable Diffusion 1.5 и карта глубины. Адаптер управляет генерацией через пространственное условие, но сам по себе не заменяет базовую модель.

mychen76/tinyllama-colorist-v2 — экспериментальная дообученная модель TinyLlama, созданная для выдачи шестизначных HEX-кодов цветов в ответ на текстовые запросы о цвете. Например, в карточке приведён запрос «give me a pure brown color» и ответ «#807070». Модель предназначена для простых творческих запросов о названиях и оттенках цветов, а также для работы в условиях ограниченных ресурсов. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 1 млрд параметров и принимает текст, выдавая текст. Контекст составляет 2048 токенов. Для дообучения использован датасет burkelibbey/colors. Модель распространяется под лицензией Apache-2.0.

UI-Venus-1.5-30B-A3B — мультимодальная модель GUI-агента от inclusionAI на архитектуре Qwen3-VL-MoE. Она принимает изображения экранов и текстовые инструкции, чтобы находить элементы интерфейса и выполнять многошаговую навигацию в мобильных приложениях и веб-среде. Модель обучена на данных для понимания графических интерфейсов, а её итоговая версия объединяет специализированные модели для привязки элементов, веба и мобильных задач. В README заявлены высокие результаты на бенчмарках ScreenSpot-Pro, VenusBench-GD, AndroidWorld и WebVoyager, а также навигация в более чем 40 китайских мобильных приложениях. Репозиторий содержит веса Safetensors; для развёртывания README рекомендует vLLM и Transformers. Лицензия — Apache-2.0. Модель предназначена для создания агентов, которые управляют интерфейсом по скриншотам и инструкциям. Хотя в названии указано 30B-A3B, метаданные не содержат числа параметров или длины контекста. Заявления о результатах приведены в README; независимая проверка в предоставленных данных отсутствует.

Карточка модели Onal/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.

Kotajiro разработал Yayoi Mix — модель генерации изображений по текстовому описанию на базе Stable Diffusion. В карточке перечислены BraV6, XXMix_9 и Soda Mix как использованные модели; конкретная базовая версия менялась в обновлениях. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой Diffusers. Модель ориентирована на создание реалистичных изображений девушек по текстовым запросам; в карточке также есть рекомендации по настройкам генерации: 32–45 шагов, DPM++ SDE Karras и CFG 7. Указаны японский и английский языки. Лицензия — CreativeML OpenRAIL-M; автор отдельно запрещает насильственные изображения, сексуальные изображения несовершеннолетних и публикацию изображений, имитирующих конкретных реальных людей без их согласия. Качество зависит от запроса и настроек генерации.

3D-PLOT-LLM-7B — дообученная мультимодальная модель для диалога о трёхмерных объектах, разработанная в рамках работы «3D-PLOT-LLM: Part-Level Object Tokens for 3D Large Language Models». Она расширяет PointLLM на базе Vicuna-v1.5-7B и использует замороженный Point-BERT для кодирования облаков из 8192 точек. Модель делит токены патчей на 16 регионов и добавляет специальные маркеры регионов с модулем их уточнения; добавлено менее миллиона параметров, общий размер модели — 6,6 млрд параметров. Модель принимает описание объекта и его подготовленные данные разбиения на регионы в формате `.pack.npz`. Она умеет определять, какие регионы соответствуют описанию части, описывать заданные регионы и составлять подпись для целого объекта. Контекст — 2048 токенов; карточка указывает английский язык. Модель распространяется в формате PyTorch bf16 и требует окружения PointLLM и файлов разбиения объекта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Agate Preview 001 — компактная модель генерации изображений по тексту, разработанная LogoLabs. Она предназначена для создания иконок, символов и композиций по англоязычным запросам, а также для прототипирования и небольших по вычислительным затратам развёртываний. Модель обучена с нуля и содержит около 260 млн параметров с декодером TAESD или 308,5 млн с SD-VAE; генератор использует архитектуру FCDM-T2 с планирующим трансформером и свёрточной U-Net, а текстовый энкодер Ettin-68M поддерживает контекст до 512 токенов. Выходное разрешение — 256 × 256 пикселей. Доступны веса в форматах Safetensors и ONNX; лицензия кода и весов — MIT. Agate показала 0,550 на GenEval по официальной методике. Она ориентирована на композиционные запросы и генерацию символов при небольшом размере модели. Ограничения включают ненадёжную отрисовку текста, ошибки в подсчёте объектов при количестве больше трёх и обработке отрицаний, низкое разрешение и отсутствие обучения на фотографиях. Модель не поставляется с классификатором безопасности; в описании отмечен риск непреднамеренного изображения обнажённости при запросах о людях.

Hishambarakat/checkpoint — репозиторий моделей генерации изображений по текстовому описанию, опубликованный пользователем Hishambarakat на Hugging Face. Карточка описывает загрузку через Diffusers и указывает совместимость с StableDiffusionXLPipeline. В репозитории собраны многочисленные файлы моделей и компонентов, включая SDXL- и другие чекпойнты; поэтому его нельзя надёжно описать как один конкретный чекпойнт с единым размером или набором характеристик. Модельный репозиторий предназначен для генерации изображений по текстовым промптам. Метаданные указывают задачу text-to-image и форматы Diffusers, PyTorch и safetensors. Карточка не устанавливает единые языковые возможности, контекст или лицензию для всех файлов репозитория; отдельные модели в нём могут иметь собственные условия и характеристики.

QuantStack/ChronoEdit-14B-GGUF — квантованная модель в формате GGUF, являющаяся прямой конвертацией nvidia/ChronoEdit-14B-Diffusers. Модель предназначена для задач image-to-video, то есть генерации или редактирования видео на основе исходного изображения, и может использоваться в ComfyUI через пользовательский узел ComfyUI-GGUF. Известно, что базовая модель имеет размер 14B параметров, однако сведения об архитектуре, поддерживаемых языках, модальностях помимо image-to-video и размере контекстного окна в карточке не приведены. Квантование уменьшает требования к хранению и вычислительным ресурсам по сравнению с исходным представлением, но конкретный метод квантования и его влияние на качество не указаны. Ограничения модели также не описаны. Лицензия указана как Apache-2.0; при использовании квантованной версии сохраняются исходные условия лицензирования и ограничения модели ChronoEdit-14B-Diffusers.

Карточка модели wolf1280/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.

LiheYoung/depth_anything_vits14 — компактная модель оценки глубины по изображению из семейства Depth Anything, созданная авторами исследования «Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data». Она предназначена для получения карты глубины сцены на основе одного изображения и может использоваться в задачах компьютерного зрения, где важна оценка пространственного расположения объектов. В репозитории представлены веса PyTorch; идентификатор указывает на вариант ViT-S/14. Карточка ссылается на проект и демонстрацию Depth Anything, но не приводит подробностей о точном разрешении входа, показателях качества или лицензии. Языковой ввод и вывод не требуются: модель принимает изображение и выдаёт оценку глубины.

FlashVSR — модель для повышения разрешения видео на основе диффузионной генерации, разработанная Junhao Zhuang и соавторами. Она предназначена для потокового восстановления видео низкого разрешения и масштабирования до ультравысоких разрешений. Модель использует одношаговый диффузионный подход и потоковую обработку. Трёхэтапная дистилляция, разреженное внимание с ограничением локальности и компактный условный декодер сокращают вычисления и ускоряют реконструкцию. Авторы сообщают о скорости около 17 кадров в секунду для видео 768 × 1408 на одном GPU A100 и ускорении до 12 раз относительно предыдущих одношаговых диффузионных методов VSR. Для эффективного инференса официальная реализация требует библиотеку Block-Sparse Attention; сторонние реализации без модуля LCSA могут заметно ухудшать качество на высоких разрешениях. Весовые файлы распространяются по лицензии Apache-2.0.

Granddyser/flux-klein-9b-Biglove-Collection — коллекция вариантов модели BigLove Klein, основанной на black-forest-labs/FLUX.2-klein-base-9B. Репозиторий поддерживает Diffusers и ориентирован на генерацию изображений по текстовому описанию, включая использование в ComfyUI и совместимых загрузчиках. Отдельный вариант Krea-Life указан как предоставленный пользователем Brooker. В коллекции представлены версии в форматах BF16, FP8, INT8, NF4, NVFP4, MXFP8 и GGUF, включая полные и сокращённые или прореженные варианты. Размер файлов составляет примерно от 5 до 26 ГБ в зависимости от версии и степени квантования. BF16-варианты ориентированы на более высокое качество, а 4- и 8-битные версии позволяют снизить требования к видеопамяти; GGUF предназначены для совместимых загрузчиков. В README не указаны точные языки, максимальный контекст, дополнительные модальности или результаты сравнительных тестов. Для запуска в Diffusers приведён пример с четырьмя шагами инференса и нулевым guidance scale, однако фактическое качество и требования к ресурсам зависят от выбранного файла и окружения. Модель предназначена для некоммерческого использования согласно FLUX.2-klein-base-9B Non-Commercial License от Black Forest Labs. Репозиторий предоставляется без гарантии поддержки, активного сопровождения и индивидуальной помощи.

image21-pocket-rewriter-2B — текстовая модель на 1,7 млрд параметров, разработанная ysharma на основе Qwen/Qwen3.5-2B. Это полное дообучение без изменений архитектуры, дистиллированное по выходам более крупной модели-переписчика запросов для Qwen-Image-2.1. Модель превращает короткий запрос пользователя в английское описание изображения и соотношение сторон, возвращая результат в компактном JSON с полями rewritten_prompt и wh_ratio. Модель предназначена для подготовки запросов к генерации изображений, в том числе для запросов на других языках: описание выдаётся по-английски, а текст, который должен появиться внутри изображения, сохраняется на исходном языке. Контекст составляет 262 144 токена. По оценке на 300 отложенных примерах модель выдавала допустимый JSON в 100% случаев, однако формат и выбор соотношения сторон не гарантированы. Это узкоспециализированная модель, а не универсальный чат-ассистент; её переписывания короче, чем у модели-учителя, и точность передачи текста на арабском и деванагари ниже, чем для латиницы. Для обучения использовались выходы Qwen-Image-2.1-PE-T2I. Указана исследовательская лицензия Qwen Research License: коммерческое применение требует отдельной лицензии Qwen.

LLaMarketing — языковая модель Marketeam для маркетинговой тематики, полученная продолжением предобучения LLaMA-3-8B на корпусе маркетинговых материалов объёмом более 43 млрд токенов. Это авторегрессионный трансформер с 8 млрд параметров, контекстом 3 тыс. токенов и текстовым вводом и выводом; заявлен английский язык. Модель предназначена для генерации маркетинговых текстов, ответов на вопросы и изучения маркетинговой информации, а также для экспериментов с NLP в маркетинге. Выпущен ранний чекпойнт без дообучения на инструкции. Он может содержать маркетинговые знания, но, по предупреждению разработчика, пока не умеет надёжно и безопасно применять их в профессиональных сценариях; для узких задач рекомендованы дальнейшее SFT или RLHF. Модель не рекомендуется для практического развёртывания. Лицензия — Llama 3 Community License Agreement.

Lotus Depth G v1.0 — модель из официального семейства Lotus, разработанного Jing He и соавторами. Это визуальная фундаментальная модель на основе диффузии для плотного предсказания; данный вариант предназначен для оценки глубины по изображению. Модель рассчитана на получение карты глубины, где каждому участку изображения соответствует оценка расстояния. Её можно использовать в задачах компьютерного зрения, которым нужна пространственная структура сцены. Репозиторий подготовлен для библиотеки Diffusers и содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не содержит сведений о размере, поддерживаемых языках или численном качестве; инструкции по применению вынесены на внешнюю страницу.

Lotus Depth G v2.0 Disparity — модель из официального семейства Lotus, разработанного Jing He, Haodong Li и соавторами. Она оценивает плотную карту глубины по изображению; версия обучена в пространстве диспаритета, то есть обратной глубины, что, по заявлению авторов, улучшает качество и стабильность оценки глубины в видео по сравнению с предыдущей версией. Модель предназначена для сценариев, где требуется восстановить относительную структуру глубины сцены по визуальным данным. Репозиторий использует библиотеку diffusers и формат safetensors. Лицензия — Apache-2.0. README не содержит подробностей о размерах модели, поддерживаемых языках и контексте; они не относятся к основному сценарию оценки глубины.

LTX-2.3 Distilled v1.1 (Diffusers) — неофициальная конверсия весов модели Lightricks/LTX-2.3 в формат Diffusers с обновлёнными весами DiT из дистиллированного чекпойнта версии 1.1. Диффузионная архитектура DiT совместно генерирует видео и синхронизированное аудио; для генерации требуется 8 шагов при CFG = 1. Модель предназначена для создания видео по изображению. Для работы нужны свежая версия Diffusers с поддержкой LTX-2 и соответствующий базовый pipeline. Ширина и высота кадров должны делиться на 32, а число кадров иметь вид 8k + 1; для дистиллированного чекпойнта следует использовать 8 шагов и guidance_scale = 1.0. Это конверсия, а не официальная публикация Lightricks: кроме весов DiT, компоненты pipeline взяты без изменений из Diffusers-конверсии версии 1.0. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в исходном репозитории модели.

MatFuse — модель генерации материалов, представленная в карточке как реализация метода из статьи CVPR 2024. Она создаёт бесшовные PBR-карты материала: diffuse, normal, roughness и specular. Генерацию можно направлять текстовым описанием, эталонным изображением, эскизом-картой контуров и цветовой палитрой; условия можно свободно комбинировать. Модель построена на диффузионной архитектуре с UNet2DConditionModel, MatFuseVQModel с четырьмя энкодерами и VQ-кодбуками и общим декодером, а также DDIMScheduler. Репозиторий использует Diffusers и формат safetensors. Карточка указывает английский язык и лицензию MIT. Параметры разрешения выходных карт и требования к оборудованию в доступных сведениях не описаны.

RORem-mixed GGUF — это квантованная версия UNet-модуля модели RORem для inpainting и удаления объектов на изображениях. Модель разработана авторами проекта RORem; конвертация выполнена для запуска через stable-diffusion.cpp. Она основана на RORem и SDXL Inpainting 0.1 и обучалась на изображениях разрешением 512×512 и 1024×1024. Модель предназначена для восстановления областей изображения по маске, в частности для удаления объектов, текста и звуковых эффектов из манги с сохранением или генерацией подходящего фона, линий и цветов. Она поддерживает сценарии image-to-image и inpainting, но не предназначена для общего text-to-image. Используется формат GGUF с квантованием Q4_K; файл UNet занимает около 1,885 GiB. Репозиторий не содержит полный SDXL-пайплайн: VAE и компоненты CLIP-L и CLIP-G необходимо брать из SDXL Inpainting 0.1. Для работы требуется stable-diffusion.cpp, предпочтительно с CUDA. К сильным сторонам относятся существенно меньшее потребление видеопамяти по сравнению с FP16 и качество, близкое к FP16 в приведённом локальном тесте. Качество зависит от маски, её расширения, контекста кадрирования, разрешения, промпта и seed; на больших масках модель может галлюцинировать текстуры, линии или объекты, а квантованный результат может отличаться от FP16. Исходный проект RORem опубликован под Apache 2.0, SDXL Inpainting 0.1 — под CreativeML Open RAIL++-M; необходимо соблюдать условия обеих лицензий и применимые ограничения.

SeedVR-3B — модель ByteDance из семейства SeedVR для восстановления видео. Она основана на диффузионном трансформере и предназначена для улучшения реальных и сгенерированных ИИ видеозаписей, в том числе при произвольном разрешении. Модель относится к направлению video-to-video и представлена в формате PyTorch. SeedVR разработана для восстановления качества без опоры на предварительно обученный диффузионный prior и без обязательной обработки видео небольшими перекрывающимися фрагментами. Это помогает применять её к видео высокого разрешения и большой длительности. Работа описана в статье, представленной на CVPR 2025. В карточке указана лицензия Apache-2.0. Авторы предупреждают, что опубликованные веса являются прототипом: модель может быть нестабильна при сильных повреждениях и больших движениях, а на видео с лёгкими дефектами иногда чрезмерно усиливает детали и повышает резкость.

SNOFS_LORA — адаптер LoRA для генерации изображений по текстовому описанию. Модель опубликована пользователем NickSh228 и предназначена для использования с базовой моделью wikeeyang/Flux2-Klein-9B-True-V3 в экосистеме Diffusers. В карточке указано, что это text-to-image LoRA, однако сведения о назначении адаптера, стиле или тематике генерируемых изображений, размере, архитектурных параметрах, поддерживаемых языках, максимальном контексте и рекомендуемых настройках отсутствуют. Также не приведены результаты тестирования, примеры требований к промптам или информация о совместимости с конкретными версиями библиотек. Лицензия и условия использования в представленном README не указаны, поэтому их необходимо уточнить на странице модели перед применением или распространением результатов.

UL_bedroom_classification — модель классификации изображений, созданная дообучением Vision Transformer ViT-Base/16 Google с 224-пиксельным входом. Она предназначена для отнесения изображений спален к классам; в карточке указаны датасет imagefolder и точность 0,9578 на оценочной выборке. Репозиторий содержит веса в формате safetensors и насчитывает около 113,2 млн параметров. Модель принимает изображения и выдаёт метки классов. Она распространяется по лицензии Apache-2.0. Карточка не раскрывает состав классов и оценочной выборки, поэтому приведённую точность нельзя автоматически переносить на другие данные.

CBLKG/Z-Image-Lora — это LoRA-адаптер для генерации изображений из текста, разработанный сообществом вокруг проекта nphSi и предназначенный для использования с базовыми моделями Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo. Модель ориентирована на создание образов, похожих на указанных в наборе персонажей или людей, а также на настройку визуального результата в сценариях text-to-image через Diffusers. Адаптер распространяется в формате SafeTensors и подключается к совместимым diffusion-пайплайнам. Для активации требуется использовать полное имя LoRA и специальный trigger-токен вида vrtlxxxx; простые описания вроде «Woman» или «1girl» могут не сработать. Для отдельных вариантов поддерживаются несколько trigger-токенов, а в README также указан дополнительный адаптер ZI Eva Helper для ограниченной коррекции NSFW-возможностей базовой модели. Конкретные размер, архитектура LoRA, число параметров, поддерживаемые языки и максимальный контекст не указаны. Сильной стороной модели является специализация на управляемой генерации узнаваемых образов при работе с Z-Image и Z-Image-Turbo, а также наличие примеров и рекомендаций по параметрам генерации. Ограничения включают зависимость от совместимой базовой модели и точного формата trigger-токенов; универсальность, качество для произвольных объектов и стабильность результатов не гарантируются. Модель распространяется по лицензии Apache-2.0.

Anima Highres Aesthetic Boost — это LoRA-модель для генерации изображений на базе LyliaEngine/anima_baseV10. Она предназначена для text-to-image сценариев в экосистеме Diffusers и улучшает работу базовой модели на высоких разрешениях, одновременно слегка повышая визуальное качество и эстетическую привлекательность результата. Модель обучена на 10 000 высоко оценённых изображений Danbooru с использованием смешанных разрешений 512, 1024 и 1536 пикселей. По заявлению автора, разрешение 1536 работает без существенных проблем, а 2048 пикселей, или около 4 мегапикселей, позволяет получать пригодные результаты без полного разрушения изображения. Для активации рекомендуется использовать значение None; отдельное ключевое слово не требуется. Эстетическое улучшение выражено умеренно, зависит от промпта и не ориентировано на конкретный художественный стиль, поэтому эффект может быть тонким и сохраняет значительное стилистическое разнообразие исходных данных. В README не указаны точный размер LoRA, поддерживаемые языки, дополнительные модальности или числовой предел контекста. Модель распространяется по лицензии CDLA-Permissive-2.0.

Anything_to_Real_Characters_2511 — специализированная LoRA-модель, разработанная WarmBloodAban для Qwen/Qwen-Image-Edit-2511. Она предназначена для преобразования аниме- и стилизованных изображений в реалистичные фотографии персонажей, сохраняя исходную композицию и выражение лица. Модель применяется в сценариях image-to-image и редактирования изображений через библиотеку Diffusers; для активации рекомендуется использовать триггер transform the image to realistic photograph. Модель обучалась в течение 30 900 шагов на наборе из 103 пар высокого качества, всего 206 изображений. По данным разработчика, обновление улучшает стабильность лица, сохранение выражений, реалистичность кожи и фона, а также обработку персонажей разного возраста и пола. Рекомендуемые параметры — CFG Scale 4 и 30 шагов семплирования; оптимально использовать её с версией Qwen Image Edit 2511 в формате bf16. Для коррекции результата предусмотрены дополнительные подсказки, например normal body proportions, half-body shot и zoom out. Модель требует базовой Qwen/Qwen-Image-Edit-2511 и не предназначена для самостоятельного использования без неё; сведения о поддерживаемых языках и максимальном контексте не указаны. Распространяется по лицензии Apache-2.0.