IV.1Ритейл, электронная коммерция и fashion-tech

Это репак модели ByteDance Bernini-R-1.3B-Diffusers в формате BF16, подготовленный AbstractFramework для локального запуска на Apple Silicon через mlx-gen. Архитектура — BerniniRendererModel; репозиторий сохраняет структуру Diffusers и также совместим с официальным кодом инференса Bernini. Веса модели представлены в safetensors. Модель предназначена для генерации видео по референсному изображению и текстовому запросу: например, чтобы анимировать объект или персонажа с заданной композицией кадра. Репак хранит тензоры в тех же типах данных, которые загрузчик mlx-gen использует при инференсе, и, согласно README, даёт побитно идентичный исходной модели результат при одинаковых настройках и seed. Он уменьшает объём загрузки с примерно 27 до 15,6 ГиБ без изменения выходных данных. Лицензия — Apache-2.0, унаследованная от исходной модели. Для локального запуска через mlx-gen требуется совместимое оборудование Apple Silicon; README также указывает совместимость с официальным кодом инференса Bernini.

vllab разработала ControlNet для Stable Diffusion 1.5, обученный генерировать более реалистичные изображения рук по закодированным ориентирам кисти MediaPipe. Модель использует цветовое кодирование ориентиров ладони, чтобы различать левую и правую руку; веса можно применять самостоятельно или для дорисовки частей изображения. Обучение проводилось на 130 тысячах изображений из набора HaGRID. Модель предназначена для генерации изображений по текстовому запросу с управлением по изображению-условию, например для задания положения и формы рук. Веса опубликованы в формате Diffusers/PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M. Авторы сообщают, что при небольшом числе шагов обучения закодированная версия работала лучше стандартных ориентиров MediaPipe; это наблюдение не является гарантией качества для всех сценариев.

ControlNet v1.1 Shuffle — модель для управляемой генерации изображений на основе диффузионной архитектуры. Она разработана Lvmin Zhang и Maneesh Agrawala и представляет собой конвертацию исходного контрольного чекпойнта в формат diffusers. Модель предназначена для использования совместно с Stable Diffusion, в первую очередь с runwayml/stable-diffusion-v1-5, и добавляет к текстовому запросу дополнительное условие в виде изображения с перемешанным содержимым (shuffle image). Модель ориентирована на сценарии image-to-image и контролируемой генерации изображений: исходное изображение преобразуется внешним инструментом ContentShuffleDetector в управляющее изображение, после чего ControlNet помогает направлять генерацию Stable Diffusion при сохранении заданных визуальных характеристик. В README указано, что модель обучена для Stable Diffusion v1.5; язык — английский. Размер модели, точное число параметров, максимальный контекст и перечень поддерживаемых модальностей не указаны. Сильная сторона модели — дополнительный контроль над результатом генерации посредством условного изображения при сохранении возможностей Stable Diffusion. Она требует совместимого диффузионного пайплайна, внешних зависимостей для подготовки управляющего изображения и рекомендуется к использованию с Stable Diffusion v1.5; совместимость с другими моделями отмечена только экспериментально. Модель распространяется по лицензии CreativeML OpenRAIL M.

DiffusionLight — модель, разработанная авторами Pakkapon Phongthawee, Worameth Chinchuthakun, Nontaphat Sinsunthithet, Amit Raj, Varun Jampani, Pramook Khungurn и Supasorn Suwajanakorn. Она предназначена для оценки освещения по одному изображению: модель генерирует в сцене отражающий хромированный шар, по его отображению восстанавливается карта окружения, а затем формируется HDR-оценка освещения. Модель представляет собой LoRA-адаптацию Stable Diffusion XL Base 1.0 и рассчитана на использование в StableDiffusionXLControlNetInpaintPipeline с ControlNet для управления по карте глубины. Поддерживаются обычная и недоэкспонированная генерации хромированного шара с помощью специальных триггерных фраз. В заявленном рабочем процессе применяются антиалиасинг, итеративный inpainting, интерполяция эмбеддингов и пользовательский метод экспозиционного брекетинга. Входом служит одиночное изображение, а результатом — данные для оценки направления и интенсивности освещения и построения карты окружения. Сильной стороной DiffusionLight является использование предварительно обученной на большом количестве обычных изображений diffusion-модели, что улучшает обобщение на разнообразные реальные сцены по сравнению с подходами, зависящими от ограниченных наборов HDR-панорам. Ограничения включают необходимость дополнительного кода из репозитория проекта для полного процесса оценки освещения, а также то, что базовая diffusion-модель не генерирует HDR напрямую — для этого используется специальный метод экспозиционного брекетинга. Модель распространяется под лицензией MIT.

rizvandwiki/gender-classification — классификатор изображений на базе Vision Transformer (ViT), опубликованный как автоматически созданная модель HuggingPics. Репозиторий содержит веса PyTorch в формате Safetensors; размер модели — 113,2 млн параметров. Модель предназначена для классификации изображений по категориям пола. Её можно применять в сценариях, где нужно автоматически присвоить изображению соответствующую метку. README не описывает набор классов, данные обучения и показатели качества, поэтому точность и границы применимости классификатора оценить по карточке нельзя. Лицензия в предоставленных сведениях не указана.

hair_v02 — классификатор изображений на базе архитектуры Vision Transformer (ViT), опубликованный пользователем londe33 и автоматически созданный с помощью HuggingPics. Модель предназначена для классификации изображений по категориям, на которых её обучили. В репозитории указаны веса в формате safetensors и размер около 113,2 млн параметров. Карточка не сообщает, какие именно категории распознаёт классификатор и на каких данных он обучен. Лицензия в предоставленных сведениях не указана.

Lotus-Depth-D-v2-0-Disparity — модель семейства Lotus, разработанная Jing He и соавторами для плотной оценки глубины по изображениям. Она предсказывает глубину в пространстве disparity, то есть обратной глубины; авторы сообщают о более высокой точности и стабильной оценке глубины на видео по сравнению с предыдущей версией. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для использования через DirectRegressionPipeline. Лицензия — Apache-2.0.

LTX-2.5-22b-IC-LoRA-Pixel-Spatial-Upscaler — адаптер IC-LoRA от Lightricks, обученный поверх базовой видеомодели LTX-2.5-22B. Модель предназначена для генеративного пространственного увеличения видео в сценариях video-to-video: на вход подаётся низкоразрешённый ролик, а на выходе создаётся версия с двукратным увеличением линейного разрешения и синтезированными мелкими деталями. Это reference-conditioned модель с рангом адаптера 32 и точностью BF16. Она использует видео-референс вместе с зашумлёнными латентами и переносит из исходника композицию, движение и идентичность объектов, генерируя текстуры, контуры и микроконтраст. Референс должен иметь ту же сцену, длительность, кадрирование и соотношение сторон, что и целевой результат; рекомендуется использовать чистый ролик без сильной компрессии. Доступен вариант масштабирования 2x. Модель особенно подходит как финальный этап генерации видео: сначала создаётся черновой ролик примерно в разрешении 280p, затем он увеличивается с добавлением правдоподобных деталей. Её сильная сторона — творческое восстановление и дорендеринг высокочастотных деталей, однако результат не является попиксельно точным увеличением. Модель не предназначена для удаления артефактов сжатия, слепого шумоподавления или обработки документальных и иных live-action материалов, где критична фактическая точность исходника. Для большей близости к референсу следует использовать меньше шагов и более низкую guidance, а увеличение этих параметров усиливает творческую генерацию. Для работы требуется базовая модель LTX-2.5-22B и совместимый IC-LoRA workflow, например в ComfyUI. Модель распространяется по лицензии LTX-2-community-license; полные условия указаны в лицензии проекта Lightricks.

unsloth/LTX-2-GGUF — GGUF-квантованная версия аудиовизуальной foundation-модели LTX-2, разработанной Lightricks. Модель основана на архитектуре DiT и предназначена для совместной генерации синхронизированных видео и аудио. Версия подготовлена Unsloth с использованием методологии Dynamic 2.0 GGUF: важные слои переведены в более высокую точность для сохранения качества. Доступны варианты исходной модели LTX-2 размером 19 млрд параметров, однако точный размер данного файла в README не указан. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, text-to-audio, video-to-audio, audio-to-audio, а также комбинированную генерацию аудио и видео по тексту, изображениям и другим мультимодальным входам. Основной язык модели указан как английский; в метаданных репозитория также перечислены немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Предусмотрено локальное использование через ComfyUI, stable-diffusion.cpp, PyTorch и Diffusers. Для работы требуется учитывать технические ограничения: ширина и высота должны быть кратны 32, а число кадров — иметь вид 8n+1. К сильным сторонам относятся объединение генерации аудио и видео в одной модели, поддержка нескольких типов входных данных, открытые веса и возможность локального запуска. Ограничения включают высокие вычислительные требования, зависимость от совместимого программного окружения и отсутствие назначения для предоставления фактической информации. Модель распространяется по лицензии LTX-2 Community License Agreement; условия использования производных моделей также регулируются этой лицензией.

QuantStack/LTXV-13B-0.9.8-dev-GGUF — это квантованная модель в формате GGUF, представляющая прямую конвертацию варианта LTXV-13B-0.9.8-dev из семейства LTX-Video. Исходную модель разработала Lightricks, а квантование выполнил YarvixPA. Это не дообученная версия, поэтому к ней применяются ограничения и условия исходной модели. Модель предназначена для генерации видео по текстовому описанию и преобразования изображений в видео. README указывает английский язык, однако точные сведения о поддерживаемых языках, архитектуре, размере контекста и характеристиках генерируемого видео не приведены. Параметрическая версия обозначена как 13B; для работы также требуются текстовый энкодер T5-V1.1-XXL и соответствующий VAE. Основной сценарий использования — запуск в ComfyUI с поддержкой GGUF, включая актуальную встроенную поддержку или узел ComfyUI-GGUF. Модель совместима с LoRA при соблюдении требований рабочего процесса, но использование torchcompile вместе с LoRA не рекомендуется. Teacache поддерживается ограниченно и может заметно снижать качество, поэтому его советуют отключать. Лицензия указана как other; подробные условия доступны в файле LICENSE.md репозитория.

MarcusLoren разработал и обучил MeshGPT-preview — экспериментальную модель для генерации 3D-сеток по текстовому описанию. Она объединяет автоэнкодер-токенизатор, преобразующий 3D-модели в токены и обратно, и авторегрессионный трансформер на основе GPT-2 Small, который генерирует токены с учётом текстового эмбеддинга. В карточке указаны размеры компонентов: около 50 млн параметров у автоэнкодера и 184 млн у трансформера; размер кодовой книги — 2048. Модель обучена на 4 тысячах 3D-моделей с ограничением до 250 треугольников и примерно 800 текстовых метках. Она предназначена для создания отдельных простых объектов, например стула или стола; сложные объекты модель генерирует ограниченно. README также отмечает проблему с ориентацией граней и приводит скорость генерации от 10 треугольников в секунду на CPU до 110 на RTX 4090. Репозиторий распространяется по лицензии Apache-2.0. Модель создана на основе кода MeshGPT Фила Вана; конкретная исходная модель в метаданных не указана.

MiniMax-H3 Turbo LoRA — адаптация LoRA для базовой модели Comfy-Org/MiniMax-H3. Разработчик самой LoRA в README не указан. Модель предназначена для генерации видео с синхронизированным стереозвуком, поддерживает сценарии text-to-video и image-to-video и рассчитана на использование в ComfyUI, а также через автономный скрипт при наличии компонентов ComfyUI. Ключевая особенность — генерация за 4–8 шагов семплирования вместо обычных примерно 20, что даёт ускорение примерно в пять раз. Рекомендуется checkpoint v4 step600 EMA: он лучше работает со статичными кадрами и небольшим движением, передаёт больше микродеталей и не имеет выраженного эффекта чрезмерной резкости или пластикового вида. При 4 шагах и быстром интенсивном движении возможны размытие и шлейфы; увеличение числа шагов до 6–8 обычно помогает. Более 8 шагов могут приводить к артефактам чрезмерной резкости. Рекомендуемая strength — 1.0, scheduler — simple. Веса имеют формат BF16, размер около 744 МБ и применяются как low-rank update; поддерживаются различные полные и pruned-варианты базовой MiniMax-H3. Модель является предварительной, при этом аудио и поведение при быстром движении ещё совершенствуются. Лицензия — Apache-2.0.

MoWorld 1.0 Checkpoint — контрольная точка MoWorld для генерации видео с управлением движением камеры. Она содержит два экспертных набора весов для этапов с высоким и низким уровнем шума, а также компоненты Wan2.1 VAE и текстовый энкодер UMT5-XXL. Для запуска предусмотрен пользовательский конвейер PyTorch; README описывает авторегрессионную генерацию под управлением камеры и обучение экспертов на 16 NPU с четырёхшаговыми весами. Модель предназначена для создания видео на основе изображения и заданного движения камеры. В метаданных Hugging Face задача указана как image-to-video; карточка помечена как англоязычная. Репозиторий содержит веса в формате safetensors и компоненты PyTorch. README требует Linux, Python 3.10+, PyTorch 2.7.1 и совместимые CANN, torch_npu и TorchAir; приведённый сценарий запуска рассчитан на 16 NPU. В README не указана лицензия, поэтому условия использования по имеющимся сведениям определить нельзя. Для инференса требуется исходный код проекта и совместимое аппаратное и программное окружение; отдельный HTTP API или веб-интерфейс не входят в состав контрольной точки.

Ornamental Santa Diffusion — модель генерации изображений на основе Stable Diffusion, дообученная на изображениях более чем 200 рождественских украшений и сувениров с Санта-Клаусом. Разработчик предлагает добавлять токен «orna santa» в текстовый запрос, чтобы вызвать характерный образ модели. Модель предназначена для создания изображений Санта-Клауса и праздничных иллюстраций по текстовым описаниям. В README также описано объединение с AnythingV3 и Mo Di Diffusion для получения дополнительных стилей; файлы модели доступны в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Модель унаследовала ограничения Stable Diffusion и обучающих изображений; конкретные ограничения в карточке не перечислены.

RynnBrain-4B — мультимодальная модель семейства RynnBrain от Alibaba DAMO Academy для понимания сцен с точки зрения наблюдателя и поддержки робототехнических систем. Это дообученная плотная vision-language-модель на архитектуре Qwen3-VL с примерно 4 млрд параметров; она принимает изображения и текст, а для анализа видео может работать с последовательностями визуальных кадров и выдавать текстовые ответы и пространственные описания. Модель предназначена для embodied QA, распознавания объектов и их отношений, подсчёта, OCR, пространственной локализации и понимания видео. Семейство RynnBrain также включает варианты для рассуждений и планирования, однако README не подтверждает, что все эти возможности входят именно в данный чекпойнт. Модель ориентирована на сцены от первого лица и связывает язык с пространственными и временными характеристиками окружения. Она может применяться для анализа видео, поиска объектов и областей интереса, а также подготовки локализационной информации для последующих робототехнических систем. В метаданных указаны английский и китайский языки. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. README приводит Qwen3-VL-4B-Instruct как базу именно для этого чекпойнта, тогда как метаданные связывают его с Qwen3-VL-8B-Instruct, поэтому точная базовая модель по источникам расходится.

TurboModel — набор моделей и компонентов для приложения Stamp Maker, разработанный для локального преобразования изображения в 3D на Android. Он использует гибридную связку ExecuTorch с Vulkan и ONNX Runtime; приложение загружает файлы комплекта и проверяет их размеры и контрольные суммы SHA-256. Модель предназначена для генерации 3D по изображению непосредственно на устройстве. В метаданных указан формат ONNX. Размер модели, поддерживаемые языки и условия лицензии в доступных сведениях не описаны.

shinonome4649ne/test — модель LoRA для генерации изображений на основе runwayml/stable-diffusion-v1-5. Она предназначена для использования в задачах text-to-image через экосистему Diffusers и позволяет адаптировать базовую Stable Diffusion под определённые визуальные особенности или сценарии генерации. Модель распространяется в формате Safetensors. В README не указаны точный размер адаптера, поддерживаемые языки, максимальный контекст, конкретные визуальные характеристики, результаты тестирования или рекомендуемые параметры генерации. Лицензия также не указана, поэтому условия использования по доступным данным определить нельзя.

UIGEN-T3-4B-Preview — модель Tesslate для генерации пользовательских интерфейсов по текстовым запросам. Она создаёт отдельные компоненты и целые веб-страницы, выдавая HTML и CSS с дизайн-токенами для настройки оформления. По карточке модели, архитектура основана на Qwen3; метаданные указывают 3,7 млрд параметров и дообучение Qwen/Qwen3-4B. Для генерации предусмотрены режимы /think с анализом макета и /no_think для более быстрого вывода. Модель предназначена для прототипирования интерфейсов, страниц и компонентов, например для MVP и библиотек компонентов. README сообщает о контексте в 20 тысяч токенов как рекомендуемом для режима рассуждения; метаданные указывают нативный контекст 40 960 токенов. Поддержка изображений как входных данных не заявлена; изображения в примерах предполагается задавать пользователю или через placehold.co. Лицензия ограничивает использование исследовательскими и некоммерческими целями; для коммерческого применения Tesslate предлагает связаться с ними по поводу пилотной программы. README также отмечает отсутствие поддержки Bootstrap и непостоянное качество адаптивной настройки в зависимости от сложности результата.

QuantStack/Wan2.1_14B_VACE-GGUF — это GGUF-конверсия модели Wan2.1-VACE-14B, разработанной Wan-AI и опубликованной QuantStack. Модель предназначена для генерации видео по текстовому описанию и, судя по указанному workflow, может использоваться в сценариях video-to-video через экосистему ComfyUI. В основе лежит модель размером 14B параметров; точные сведения об архитектуре, поддерживаемых языках, размере контекста и наборе модальностей в README не указаны. Доступны квантизированные варианты вплоть до Q8_0, созданные из базовой FP32-версии. Файлы предназначены для работы с пользовательским узлом ComfyUI-GGUF и размещения в каталоге ComfyUI/models/unet; для работы также требуется совместимый VAE Wan 2.1. К сильным сторонам относятся поддержка GGUF-квантизации, возможность запуска через ComfyUI и применение в задачах генерации и преобразования видео. Ограничения связаны с необходимостью дополнительной настройки ComfyUI, установки совместимых компонентов и возможной потерей качества при использовании квантизированных вариантов. Модель распространяется по лицензии Apache-2.0.

Wan2.1_I2V_14B_FusionX-GGUF — это квантованная версия модели Wan14BT2VFusioniX для преобразования изображений в видео. Базовую модель разработал пользователь vrgamedevgirl84, а GGUF-конвертацию выполнил lym00 с использованием скриптов city96 из проекта ComfyUI-GGUF. Модель предназначена для сценариев image-to-video и может использоваться в ComfyUI через специальный узел ComfyUI-GGUF. Основная модель имеет размер 14B параметров и поставляется в формате GGUF. Для работы также требуются текстовый энкодер umt5-xxl-encoder и VAE Wan2_1_VAE_bf16. В метаданных указан английский язык, однако подробные сведения о поддерживаемых языках, максимальном контексте, архитектурных особенностях и характеристиках генерируемого видео не приведены. Ключевые преимущества модели — поддержка GGUF и интеграция с ComfyUI, что упрощает использование квантованных вариантов в соответствующей среде. Ограничения включают необходимость установки дополнительных компонентов и отсутствие в README данных о требованиях к памяти, производительности, качестве, типах квантования и совместимости с другими инструментами. Модель распространяется по лицензии Apache-2.0, при этом сохраняются исходные лицензии и ограничения базовых моделей.

QuantStack/Wan2.2-Fun-A14B-Control-GGUF — квантованная GGUF-версия модели Wan2.2-Fun-A14B-Control, разработанной Alibaba PAI. Модель предназначена для генерации видео из текста и работы в сценариях text-to-video, а также рассчитана на использование в ComfyUI через пользовательский узел ComfyUI-GGUF. В состав решения входят основная модель Wan2.2-Fun-A14B-Control, текстовый энкодер Umt5-xxl и VAE Wan2.1_VAE. В метаданных указаны английский и китайский языки. README не содержит точных сведений об архитектуре, количестве параметров, поддерживаемых модальностях помимо назначения text-to-video или размере контекстного окна. Квантование может снизить требования к ресурсам, однако его влияние на качество в README не описано; для работы требуются совместимые компоненты ComfyUI и отдельные файлы текстового энкодера и VAE. Модель распространяется по лицензии Apache-2.0. Для квантованной версии сохраняются исходные условия лицензирования и ограничения на использование базовой модели.

guoyww/animatediff-motion-adapter-v1-4 — адаптер движения AnimateDiff для библиотеки Diffusers. Он добавляет обученные на видеоклипах слои MotionAdapter к замороженной модели Stable Diffusion и формирует априорное представление движения, помогая создавать последовательности кадров с согласованным движением из текстового запроса. Для генерации требуется совместимая модель Stable Diffusion, например дообученный вариант для преобразования текста в изображение; адаптер сам по себе не является полной генеративной моделью. В карточке указаны архитектурные компоненты MotionAdapter и UNetMotionModel: модули движения применяются после блоков ResNet и Attention в UNet. Репозиторий содержит веса safetensors и предназначен для использования с Diffusers. Для планировщиков, которые обрезают значения сэмплов, README рекомендует отключить clip_sample, поскольку это может ухудшить результат. Лицензия и точные требования совместимости в предоставленных данных не описаны.

DarkBlueAphrodite-NSFW-HE — модель генерации изображений от Stable Diffusion API, опубликованная через ModelsLab. Она предназначена для создания изображений по текстовому запросу; в примере карточки показан фотореалистичный портрет в киберпанк-стиле. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors и предназначен для запуска через API ModelsLab. Метаданные указывают на использование StableDiffusionXLPipeline. Карточка демонстрирует настройку размера изображения, числа шагов генерации, guidance scale и отрицательного запроса. Модель помечена как NSFW и не предназначена для всех аудиторий; пример API позволяет отключать safety checker. Лицензия — CreativeML OpenRAIL-M. README не описывает конкретные ограничения качества или языков запросов.

DaSiWa MiniMax H3 — модель типа LoRA для генерации изображений по текстовому описанию. Она предназначена для использования с diffusion-моделями и совместима с экосистемой Diffusers. Модель разработана автором или организацией lynaNSFW и обучена на базе lynaNSFW/minimaxH3_Collection. Модель можно применять в сценариях text-to-image, подключая её к базовой diffusion-модели для получения изображений в соответствующем стиле или с характерными особенностями, заложенными при обучении. README не содержит сведений о размере адаптера, архитектуре базовой модели, поддерживаемых языках, контексте, рекомендуемых параметрах генерации и конкретных сильных или слабых сторонах. Лицензия и условия коммерческого или иного использования в предоставленных данных не указаны. Для корректной работы требуется совместимая diffusion-модель и поддержка формата LoRA в используемом программном обеспечении.

deept — модель типа LoRA для генерации изображений по текстовому описанию, опубликованная пользователем daikatana111. Она предназначена для использования в сценариях text-to-image и интеграции с библиотекой Diffusers. README не содержит сведений о базовой модели, разработчике, размере, архитектуре, поддерживаемых языках, максимальном контексте, специализации, качестве результатов или ограничениях. Также не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя. Модель доступна для скачивания через раздел Files & versions репозитория.

Edweibin/flux-dev-nfsw — это LoRA-модель для генерации изображений по текстовому описанию, разработанная на базе black-forest-labs/FLUX.1-dev. Модель обучалась на платформе Replicate с использованием открытых материалов и предназначена для создания реалистичных изображений в стиле популярных моментальных фотографий, включая эстетику Polaroid. Для активации характерного визуального стиля рекомендуется использовать триггерную фразу «polaroid style». Модель поддерживает сценарии text-to-image и распространяется в формате весов Safetensors. Точные сведения о размере LoRA, архитектурных параметрах, поддерживаемых языках, максимальном контексте и дополнительных модальностях в README не указаны. Сильной стороной модели является специализация на реалистичной стилизации изображений под моментальную фотосъёмку. Ограничения, связанные с качеством генерации, набором поддерживаемых сюжетов и особенностями использования, отдельно не описаны; результат зависит от базовой модели FLUX.1-dev и корректного применения триггерной фразы. Модель распространяется по лицензии CC BY-NC 4.0; коммерческое использование не допускается, а для дополнительных элементов требуется указание авторства.

imagepipeline/flux_uncensored_nsfw_v2 — модель для генерации изображений по текстовому описанию, разработанная imagepipeline.io. Она предназначена для создания фотореалистичных изображений и интеграции генерации изображений в приложения и творческие рабочие процессы через API. По метаданным модель относится к pipeline text-to-image и работает с библиотекой Diffusers. Модель создана на базе black-forest-labs/FLUX.1-dev и, судя по тегам, представляет собой LoRA-адаптацию, ориентированную на ультрареалистичный стиль и контент для взрослой аудитории. README не содержит сведений о точном размере адаптера, поддерживаемых языках, максимальной длине контекста, требованиях к оборудованию, конкретных параметрах генерации или лицензии. Поэтому её сильными сторонами можно считать заявленную ориентацию на высокое качество и фотореализм, а ограничениями — отсутствие подробной технической документации и возможные ограничения применимости из-за характера контента. Условия лицензирования в предоставленных данных не указаны.

GirlsLike-Qweni — это LoRA-адаптер для генерации изображений на базе Qwen/Qwen-Image, разработанный пользователем ifmylove2011. Модель предназначена для тестирования генерации персонажей и изображений людей с использованием текстовых подсказок, включая подсказки на китайском языке. Она подключается к базовой text-to-image-модели через библиотеку Diffusers. Адаптер обучен для базовой модели Qwen Image в формате BF16 и поддерживает использование исходной модели в форматах BF16 и FP8. В README указано наличие ускоряющей LoRA на 8 шагов, рекомендуемый вес адаптера 1.0, значение shift 3.0, CFG 1.0 и 10 шагов генерации. Для изображений рекомендуется при необходимости установить тип весов загруженной модели в FP8 E5M2. Данные о размере адаптера, длине контекста, точном наборе языков и поддерживаемых разрешениях не приведены. Сильной стороной модели является специализация на генерации персонажей и возможность ускоренной генерации при использовании совместимой конфигурации. Ограничения включают зависимость от Qwen/Qwen-Image, отсутствие подробных сведений о качестве, универсальности и ограничениях набора обучения, а также отсутствие описания дополнительных модальностей. Модель распространяется по лицензии Apache-2.0.

Карточка модели Fediory/HVI-CIDNet-Generalization на Hugging Face совпадает с карточкой Fediory/HVI-CIDNet-LOLv1-wperc, поэтому описание составлено по ней. Fediory/HVI-CIDNet-LOLv1-wperc — реализация модели HVI-CIDNet из работы «HVI: A New Color Space for Low-light Image Enhancement». Модель предназначена для улучшения изображений, снятых при слабом освещении, и работает в режиме image-to-image. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — MIT. Карточка связывает модель с исследовательской работой, но не указывает размер, архитектурные детали или ограничения качества.

HY-World 2.0 — мультимодальная система для создания и реконструкции исследуемых 3D-миров, разработанная Tencent. Она превращает текстовые запросы или отдельные изображения в навигационные 3D-сцены, а наборы изображений с нескольких ракурсов и видео — в 3D-представления. Система формирует редактируемые меши, облака точек и Gaussian Splats, пригодные для импорта в Blender, Unity, Unreal Engine и Isaac Sim. В состав входят несколько компонентов: HY-Pano 2.0 для генерации панорам, WorldNav для планирования траектории, WorldStereo 2.0 для расширения сцены и WorldMirror 2.0 для реконструкции. WorldMirror за один прямой проход предсказывает глубину, нормали поверхности, параметры камеры, облака точек и атрибуты 3DGS. Для реконструкции заявлена обработка изображений с разрешением от 50 до 500 тысяч пикселей. В карточке указаны английский и китайский языки; размер около 1,2 млрд параметров относится к WorldMirror-2, а не обязательно ко всей системе. HY-World 2.0 предназначена для создания редактируемых игровых и симуляционных сцен, восстановления цифровых двойников по фотографиям и видео, а также интерактивного исследования с навигацией от первого или третьего лица. Репозиторий содержит веса и код, однако лицензия обозначена как other, поэтому условия коммерческого и иного использования следует проверять по лицензионным материалам проекта.