IV.1Ритейл, электронная коммерция и fashion-tech

LDM3D — модель генерации RGB-изображений и карт глубины по текстовому запросу, разработанная Intel и описанная в статье, принятой на CVPR 2023. Это дообученная модель латентной диффузии на основе Stable Diffusion; в карточке указано 1,06 млрд параметров. Она формирует RGBD-данные, которые можно использовать, например, для создания интерактивных 360-градусных сцен в DepthFusion. Модель предназначена для генерации изображений и глубины по тексту, а также для прототипирования сцен в играх, развлечениях, архитектуре и дизайне. Обучение проводилось на наборе пар изображений, карт глубины и подписей, составленном из части LAION-400M. В README приведены результаты генерации изображений, сопоставимые со Stable Diffusion аналогичного размера; на оценке глубины LDM3D уступила DPT-Large по указанным метрикам. Модель принимает текст на английском языке и выдаёт изображение вместе с картой глубины. Применяются форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML Open RAIL-M. На качество и предвзятость генерации изображений влияют ограничения Stable Diffusion, а карты глубины наследуют ограничения и смещения DPT, использованной для получения обучающих эталонов.

LLaMA-Mesh — модель на основе Transformer и архитектуры Llama 3.1, разработанная авторами исследования Zhengyi Wang и соавторами. Это версия с 7,5 млрд параметров, дообученная на текстовом представлении 3D-сеток: координаты вершин и определения граней записываются как текст, поэтому модель работает с геометрией в языковом формате. Для генерации использует Transformers и формат safetensors; метаданные указывают контекст до 131 072 токенов, а в README заявлено ограничение до 8 тысяч токенов для входа и выхода. Модель предназначена для создания 3D-сеток по текстовым запросам, совместных ответов с текстом и геометрией, а также интерпретации сеток. Она обучалась методом supervised fine-tuning на подмножестве Objaverse из 30 тысяч объектов с числом граней менее 500. Авторы сообщают о качестве генерации сеток на уровне моделей, обученных с нуля, при сохранении сильных возможностей генерации текста. Для использования действует лицензия Llama 3.1 Community License Agreement; требуется атрибуция «Built with Llama». README описывает строковый текстовый интерфейс, хотя результат может содержать представление 3D-сетки; заявлена совместимость с NVIDIA Ada и Linux.

LTX-2.3-Transition-LORA — адаптер LoRA, разработанный joyfox на базе Lightricks/LTX-2.3. Модель предназначена для генерации видео из текстовых описаний и входных изображений в сценариях, где требуется плавный переход или трансформация между персонажами, внешностями, формами, стилями и окружениями. В карточке приведены примеры превращения человека в другого персонажа, смены локации, перехода от реалистичной к аниме-эстетике и других визуальных трансформаций. Модель используется в составе image-to-video pipeline и совместима с Diffusers. Она рассчитана на англоязычные текстовые запросы; базовая архитектура, размер, максимальная длина контекста, поддерживаемые разрешения, точные требования к входным изображениям и перечень дополнительных модальностей не указаны. Сильная сторона адаптера — специализация на эффектных последовательных переходах и сохранении кинематографического движения камеры, персонажей и атмосферы в описанных сценариях. Ограничения, качество вне подобных сценариев и требования к вычислительным ресурсам в README не описаны. Модель распространяется по лицензии Apache-2.0. Для работы требуется базовая модель Lightricks/LTX-2.3 и совместимый процесс генерации видео.

MapAnything — трансформерная модель, разработанная Meta и предназначенная для восстановления метрической 3D-геометрии сцен по визуальным входным данным. Это версия V1, выпущенная под лицензией Apache 2.0; модель поддерживает задачи реконструкции по нескольким изображениям, multi-view stereo, оценки метрической глубины по одному изображению, регистрации и дополнения карты глубин. Модель выполняет реконструкцию сквозным прямым проходом и предсказывает факторизованную метрическую геометрию сцены. Подходит для построения 3D-сцен и оценки геометрии и положения камер по изображениям. Карточка не сообщает размер модели, длину контекста или полный перечень допустимых типов входа.

mindview-t2i — компактная модель генерации изображений по текстовому описанию, созданная для арт-инсталляции mindview. Она объединяет укороченный текстовый энкодер Ternary Bonsai 1.7B, обученную для этой связки линейную проекцию и диффузионный трансформер Bonsai Image 4B на основе FLUX.2 [klein] 4B. В модели около 4,48 млрд параметров, почти все веса тернарные; файл размером около 980 МБ запускается локально в браузере через WebGPU без сервера. Модель предназначена для создания изображений 512 × 512 по текстовым запросам. Она поддерживает режимы от одного до четырёх шагов: обычно рекомендуется два шага с LoRA SANA-Sprint или четыре без неё. Разработчики описывают сопоставление текстовых представлений с исходным энкодером и приводят измерение косинусного сходства на отложенных запросах, но отмечают, что небольшой набор примеров не является полноценным бенчмарком. Репозиторий распространяется по лицензии Apache-2.0.

Модель cyberagent/opencole-typographylmm-llava-v1.5-7b-lora разработана CyberAgent и представляет собой LLaVA 1.5 на 7 млрд параметров, дообученную с помощью LoRA на наборе OpenCOLE 1.0. Она предназначена для генерации текстовых макетов графического дизайна по изображению и текстовому запросу. Модель принимает изображения и текст, а выдаёт текстовое описание макета. Обучение проводилось на примерно 18 тысячах пар изображение–текст, автоматически извлечённых из OpenCOLE. В карточке указан английский язык. Репозиторий связан с проектом OpenCOLE и статьёй о воспроизводимой автоматической генерации графического дизайна. Для запуска используется библиотека Transformers; веса опубликованы в формате safetensors. Основа — LLaVA 1.5 7B, а лицензия указана как Llama 2 Community License. Карточка не приводит длину контекста или подробные оценки качества.

PhiMarketing — языковая модель для маркетинга, разработанная Marketeam на основе Phi-3-mini-128k-instruct. Это плотный авторегрессионный трансформер с 3,7 млрд параметров, дообученный продолжением предобучения на маркетинговом корпусе объёмом более 43 млрд токенов. Модель принимает и генерирует текст на английском языке; в README указана длина контекста около 3 тысяч токенов, а в метаданных — 4096 токенов. Модель предназначена для исследований применения LLM в маркетинге: генерации маркетинговых текстов, ответов на профильные вопросы и изучения маркетинговой информации. Это ранний базовый чекпойнт без инструкционной настройки. Разработчики рекомендуют адаптировать его для конкретных задач с помощью SFT или RLHF либо использовать контекстное обучение. README предупреждает, что версия пока не адаптирована для безопасного, уместного и профессионально обоснованного применения, и не рекомендует использовать её в реальной практике. Репозиторий распространяется по лицензии Microsoft Public License (MS-PL).

PromptBridge-0.6b-Alpha — специализированная модель retowyss, дообученная на базе Qwen3-0.6B для преобразования промптов в обе стороны при генерации изображений. Она расширяет короткие ключевые слова или описания до подробных промптов, а длинные промпты сжимает до ключевых слов или одного предложения; преобразования можно чередовать, чтобы создавать варианты. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3 и принимает текстовый ввод, выдавая текст. Максимальный контекст составляет 40 960 токенов. В метаданных указан английский язык; обучение проведено на примерно 300 тысячах синтетических пар промптов. Модель обучалась исключительно на описаниях одного взрослого человека или человекоподобного персонажа. Данные включали контент от PG до R; откровенные примеры были удалены, но модель может выдавать чувствительный контент. Она не предназначена для общего диалога, следования произвольным инструкциям или рассуждений; качество для объектов, отличных от человеческих персонажей, не проверялось. Сжатие и расширение могут приводить к промптам длиннее типичных ограничений генераторов изображений. Лицензия — Apache-2.0.

Qwen3 support and order merge — экспериментальная модель на базе Qwen/Qwen3-0.6B, созданная Theoric Labs для узкой адаптации диалогов поддержки. Она генерирует текст и предназначена для классификации обращений по очередям с кодами RUBY (оплата), JADE (вход в аккаунт) и AMBER (доставка), а также для извлечения SKU и количества в JSON. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 507,9 млн параметров и имеет контекст 40 960 токенов. Для диалогового шаблона рекомендуется отключать режим рассуждений; в описанном эксперименте использовалась жадная генерация с лимитом 48 новых токенов. В тесте из карточки модель верно выполнила 48 из 48 примеров для каждого из двух навыков. Это узкий синтетический эксперимент: шаблоны обучения и идентификаторы сущностей не пересекались с оценочными, но фразы намерений повторялись, поэтому результаты не подтверждают широкую языковую обобщающую способность или готовность к реальной поддержке. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

sd3.5-large-gguf — это квантизированная в формате GGUF версия модели Stable Diffusion 3.5 Large, основанная на stable-diffusion-3.5-large от Stability AI. Модель предназначена для генерации изображений по текстовому описанию и интеграции с ComfyUI; в README приведены примеры создания детализированных сцен и персонажей в аниме-стилистике. В состав поставки входят GGUF-модель, текстовые энкодеры и VAE-декодер. Указана поддержка английского языка. Архитектурные детали, точный размер модели, параметры контекста и перечень поддерживаемых модальностей в README не раскрыты. Версии модели, энкодеров и декодера представлены в вариантах FP16 и FP32; по утверждению автора, обновлённые компоненты быстрее загружаются и могут обеспечивать более высокое качество. Для работы требуется разместить компоненты в соответствующих каталогах ComfyUI и использовать gguf-node. Модель подходит для локальной генерации изображений с использованием ComfyUI и может быть удобна на системах, где важны формат GGUF и совместимость с соответствующим узлом. Ограничения включают зависимость от ComfyUI и gguf-node, а также отсутствие в README подробных сведений о производительности, требованиях к оборудованию и качестве по сравнению с исходной моделью. Лицензия указана как Stability AI Community License; конкретные условия следует уточнять в файле LICENSE.

Supervisor-FRPT-Phi-4-reasoning — LoRA-дообученная модель для оценки качества диалогов чат-бота службы поддержки электроники. Разработчик не назван. На вход подаются категория, многоходовый диалог пользователя с ассистентом и найденный справочный документ; модель формирует на корейском языке оценку по трём критериям — соответствие запроса документу, согласованность ответа с документом и полнота ответа — и выдаёт вердикт correct или incorrect с объяснением в JSON. Модель основана на Microsoft Phi-4-reasoning, использует архитектуру Phi-3 и содержит 14,1 млрд параметров. Контекст — до 32 768 токенов; формат весов — safetensors. README сообщает о дообучении LoRA на 3 771 размеченном диалоге и тестировании на 199 диалогах: точность 0,593, Macro-F1 0,574, F1 класса correct 0,484. Лицензия — MIT. Эти тестовые показатели указывают на ограниченную надёжность классификации, поэтому результаты следует проверять, особенно для класса correct.

Модель NiharGupte/swin-tiny-patch4-window7-224-finetuned-student_six_classes — дообученная для классификации изображений версия Swin-Tiny от Microsoft. Она принимает изображения и предсказывает один из шести классов, заданных в наборе imagefolder; названия классов и их предметная область в карточке не раскрыты. Модель содержит около 33 млн параметров, использует архитектуру Swin Transformer и распространяется в формате safetensors по лицензии Apache-2.0. В README указаны результаты на отложенной выборке: accuracy 0,9513 и loss 0,1187. Эти показатели относятся к конкретной оценочной выборке и не гарантируют такое же качество на других изображениях; назначение модели за пределами шести классов набора не описано.

ibm-research/test-ttm-v1 — тестовая модель на архитектуре TinyTimeMixer от IBM Research. В карточке указано, что за официальной моделью TTM следует обратиться к её отдельной карточке; этот репозиторий обозначен как тестовый. Метаданные относят модель к прогнозированию временных рядов и указывают класс TinyTimeMixerForPrediction, около 1 млн параметров и формат safetensors. Модель предназначена для проверки или демонстрации работы с задачей прогнозирования временных рядов. Репозиторий распространяется по лицензии Apache-2.0. README не приводит сведений о поддерживаемых языках, контекстном окне или качестве прогнозов.

Tesslate/WEBGEN-Devstral-24B — модель для генерации веб-страниц, обученная Qingy2004 на базе mistralai/Devstral-Small-2507. Она предназначена для создания HTML, CSS, JavaScript и Tailwind CSS, прежде всего для целевых страниц (landing pages). Модель дообучена методом SFT на пользовательских шаблонах; набор данных для обучения был создан с помощью GPT-OSS-120B. Архитектура — плотная MistralForCausalLM, размер — 23,4 млрд параметров, контекст — до 131 072 токенов. Поддерживается английский язык. Репозиторий содержит веса Safetensors, интерфейс поддерживает чат. Лицензия — Apache 2.0. Модель рассчитана на генерацию кода веб-интерфейса для целевых страниц. README ограничивает её HTML, CSS, JavaScript и Tailwind CSS и рекомендует другие модели серии для React, Python и прочих языков. Оценки качества и дополнительные ограничения в карточке не описаны.

StableNormal — модель из семейства YOSO для генерации карты нормалей по входному изображению. Репозиторий содержит веса StableNormal, разработанной для снижения вариативности диффузионной генерации и получения стабильных и чётких нормалей. Модель рассчитана на сценарии преобразования изображения, где требуется получить карту нормалей для дальнейшей работы с геометрией и освещением сцены. Модель распространяется в формате Diffusers и safetensors, используется через библиотеку diffusers и конвейер YOSONormalsPipeline. Лицензия — Apache-2.0. В предоставленной карточке не описаны требования к разрешению входа, качество на разных типах изображений и подробные инструкции по запуску.

DepthLM — мультимодальная модель Meta, представленная в статье авторов «DepthLM: Metric Depth from Vision Language Models». Это версия на 12 млрд параметров, дообученная на Pixtral с помощью текстового supervised fine-tuning без изменения архитектуры и без специальной головы для плотного предсказания. Модель предназначена для оценки метрической глубины по изображениям в формате взаимодействия с визуально-языковой моделью. Авторы сообщают о точности, сопоставимой с моделями компьютерного зрения на нескольких наборах данных, и рассматривают DepthLM как основу для единой модели, способной решать и другие задачи 3D-понимания. Репозиторий использует Transformers и формат safetensors; карточка указывает английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить с файлами репозитория.

Distill-Any-Depth-Small-hf — модель для оценки глубины по одному изображению, опубликованная пользователем xingyang1. Это чекпойнт семейства Distill-Any-Depth, созданный с помощью дистилляции знаний и совместимый с библиотекой Transformers. Модель выполняет zero-shot оценку глубины: принимает изображение и формирует карту глубины. Модель предназначена для сценариев, где нужно получить оценку пространственной структуры сцены по обычному изображению. В карточке заявлено качество уровня SOTA для моноскопической оценки глубины. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

DUSt3R_ViTLarge_BaseDecoder_512_linear — модель компьютерного зрения для восстановления геометрии 3D-сцены по изображениям. В README указаны асимметричная архитектура AsymmetricCroCo3DStereo, энкодер ViT-L, декодер ViT-B и линейная голова. Модель обучалась на изображениях с разрешениями 512×384, 512×336, 512×288, 512×256 и 512×160. Модель предназначена для задач image-to-3d, связанных с реконструкцией пространственной структуры сцены по визуальным данным. Для работы требуется библиотека dust3r. В репозитории веса сохранены в формате safetensors. README не приводит сведения о лицензии и поддерживаемых языках; метаданные также не содержат таких данных.

SidXXD/f-65 — веса textual inversion для Stable Diffusion v1.5, опубликованные SidXXD. Они подключаются к базовой модели stable-diffusion-v1-5/stable-diffusion-v1-5 и предназначены для генерации изображений по текстовому запросу с использованием обученного текстового представления. Модель работает с текстовыми запросами и выдаёт изображения через библиотеку Diffusers. Репозиторий содержит веса адаптации в формате safetensors и использует лицензию CreativeML OpenRAIL-M. Для генерации требуется базовая модель Stable Diffusion v1.5; отдельные примеры изображений упомянуты в карточке, но подробности о теме адаптации и её ограничениях не приведены.

calcuis/hunyuan-gguf — GGUF-квантизированная версия модели HunyuanVideo для генерации видео по текстовому описанию. Репозиторий подготовлен calcuis на основе базовой модели Comfy-Org/HunyuanVideo_repackaged, исходно разработанной Tencent Hunyuan. Модель предназначена для запуска в ComfyUI с использованием готовых workflow и пакета gguf-comfy. Основной файл hunyuan-video-t2v-720p-q4_0.gguf имеет размер около 7,74 ГБ и использует квантизацию Q4_0. Для работы также требуются текстовые энкодеры clip_l и llava_llama3_fp8_scaled, а также VAE hunyuan_video_vae_bf16; их размеры составляют примерно 246 МБ, 9,09 ГБ и 493 МБ соответственно. В карточке указана поддержка английского языка и задача text-to-video. Архитектура, максимальная длина контекста, поддерживаемые разрешения и точные параметры генерации не описаны. К сильным сторонам относятся уменьшенный за счёт квантизации размер основного файла и интеграция с экосистемой ComfyUI, включая готовые примеры workflow. Ограничения — необходимость установки или подготовки нескольких крупных компонентов, зависимость от ComfyUI и GGUF-ноды, а также отсутствие в карточке количественных оценок качества и производительности. Модель распространяется по лицензии tencent-hunyuan-community; в метаданных указано значение license: other.

JANKU Trained + NoobAI + RouWei Illustrious XL v6.9 — модель генерации изображений по текстовому описанию, опубликованная LillyCherry. В README она названа базовой конверсией safetensors в формат diffusers и основана на Illustrious; исходную модель создал janxd. Репозиторий использует StableDiffusionXLPipeline и содержит веса в safetensors. Модель предназначена для создания изображений по текстовым запросам. В README приведены настройки генерации: Euler a, 25–30 шагов и CFG 3–5. Указана лицензия other, поэтому конкретные условия использования зависят от сведений о лицензии в репозитории и исходной модели.

JCTN_LORAxl — это LoRA-адаптер для генерации изображений на основе модели stabilityai/stable-diffusion-xl-base-1.0. Модель разработана автором или организацией, указанной в идентификаторе JCTN, однако дополнительная информация о разработчике в README отсутствует. Адаптер предназначен для text-to-image-сценариев и концептуальной стилизации изображений, в частности для создания изображений упаковок хлопьев и комедийных, абсурдных или провокационных названий продуктов. Модель работает с SDXL и не требует специального trigger word. В README рекомендуется использовать простой текстовый запрос и multiplier в диапазоне 0,9–1,1. Поддерживаемые модальности и язык промптов явно не указаны; по примерам можно заключить, что используются текстовые запросы на английском языке. Размер адаптера, точная архитектура LoRA, максимальная длина контекста и другие технические характеристики не приведены. Сильная сторона модели — специализированная генерация необычных дизайнов коробок хлопьев и рекламных концепций с юмористическим или шокирующим содержанием. Ограничения связаны с узкой специализацией, зависимостью от SDXL base и отсутствием подробных сведений о качестве, производительности и поддерживаемых настройках. Лицензия указана как other, но конкретные условия использования в README не раскрыты.

ltxv-13b-0.9.7-dev-GGUF — это прямое преобразование в формат GGUF версии 13B 0.9.7-dev модели LTX-Video, разработанной Lightricks. Квантизацию выполнил wsbagnsv1. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео; использовать её можно, в частности, в ComfyUI с поддержкой GGUF. Для работы требуются основной diffusion-модель в формате GGUF, текстовый энкодер T5-V1.1-XXL и VAE LTX-Video. В README указан английский язык. Размер модели — 13B параметров, однако сведения о длине контекста, конкретных модальностях ввода и точных характеристиках архитектуры не приведены. Квантизация позволяет использовать модель в более компактном формате, но README не содержит данных о конкретном типе квантизации и её влиянии на качество. Модель не является дообученной версией, поэтому сохраняет ограничения и условия исходной модели LTX-Video. Поддерживаются LoRA при соблюдении особенностей рабочего процесса, тогда как TeaCache на момент публикации может заметно снижать качество. Лицензия обозначена как other; применимые условия указаны в файле LICENSE.md исходного репозитория.

LTX-Video-ICLoRA-pose-13b-0.9.7 — модель управления позой для генерации видео, разработанная Lightricks на основе LTXV_13B_097_DEV, версии LTX-Video 0.9.7-dev. Это адаптер IC LoRA, обученный на специализированных данных и предназначенный для использования с конвейером LTXV (Lightricks Text-to-Video). Модель поддерживает управление генерацией видео с помощью видеоконтекста: во время вывода она использует кадры референсного видео, что позволяет выполнять video-to-video-контроль поверх text-to-video-модели и точнее задавать движения и позы персонажей. Она ориентирована на сценарии генерации видео по текстовому описанию с дополнительным контролем по референсным кадрам, а также совместима с ComfyUI и Diffusers. Ключевые характеристики включают базовую модель LTXV_13B_097_DEV, IC LoRA-обучение и ранг адаптера 24. В README не указаны точные сведения о поддерживаемых языках, размере контекста, разрешении, длительности видео или перечне модальностей помимо текстового и видеоконтроля. Для использования необходим пайплайн LTXV; доступны отдельные веса для ComfyUI и Diffusers. Модель распространяется по лицензии LTXV Open Weights License 0.X, подробные условия которой следует уточнять в соответствующем файле лицензии.

Marigold Normals v0-1 — модель оценки карты нормалей поверхности по одному изображению, разработанная Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler. Это генеративная модель на основе латентной диффузии, дообученная на Stable Diffusion 2; она предназначена для анализа изображений и оценки геометрии сцены без дополнительных входных данных о ней. Модель принимает изображение и выдаёт карту нормалей — трёхмерные единичные векторы в экранном пространстве камеры. При ансамблировании более двух предсказаний также формируется карта неопределённости. Для работы предусмотрена библиотека diffusers; рекомендованы DDIM и 10–50 шагов денойзинга. Можно обрабатывать изображения разных размеров, но для оптимального результата длинную сторону рекомендуется приводить примерно к 768 пикселям. Карточка модели помечает v0-1 как устаревшую и рекомендует перейти на Marigold Normals v1-1. Модель выпущена под лицензией Apache 2.0.

MiniMax H3 Hybrid NVFP4 — это независимая оптимизация сообщества, подготовленная abakanai на основе диффузионной модели MiniMax H3 Ref2VA Pruned. Репозиторий содержит два однофайловых чекпойнта в формате safetensors с гибридной квантизацией NVFP4 и INT8 ConvRot, предназначенных для инференса в ComfyUI на видеокартах NVIDIA Blackwell. Текстовый энкодер и VAE в комплект не входят. Модель предназначена для генерации коротких видео по изображению и текстовому запросу; примеры включают видео со стереозвуком. Вариант на 16,38 GiB сохраняет больше точности, а вариант на 14,03 GiB снижает требования к хранению и offload и быстрее выполняет часть линейных проекций. В испытаниях на RTX 5070 Ti 16 GB генерация 124 кадров при 24 кадрах/с и разрешении 1376 × 768 заняла около 9,5–10 минут, но это единичные замеры. Автор сообщает об ускорении отдельных проекций и отмечает, что полное внимание остаётся узким местом при высоком разрешении; у быстрого варианта ниже численное сходство, особенно в аудиоканале. Качество оценивалось на ограниченном числе примеров, поэтому результаты не являются широкой оценкой качества. Это экспериментальная community-конверсия, неофициальная для MiniMax и ComfyUI; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

camenduru/plushies-pt — модель генерации изображений по тексту на основе Stable Diffusion, обученная автором camenduru на TPU Google Cloud и преобразованная в формат PyTorch для использования с библиотекой Diffusers. В метаданных указаны поддержка английского языка и обучающий набор camenduru/plushies. Модель предназначена для создания изображений плюшевых игрушек по текстовым запросам. Обучение заняло 3 часа 26 минут 44 секунды и включало 18 000 шагов с точностью bf16 и скоростью обучения 1e-6. Репозиторий распространяется по лицензии OpenRAIL. Карточка не сообщает размер модели, длину контекста или подробные сведения о качестве и ограничениях генерации. Результаты зависят от текстового запроса и могут не точно передавать желаемый вид игрушки.

Naznut/Pony_LORAs — адаптер LoRA для генерации изображений на основе текстовых описаний. Модель разработана пользователем Naznut и обучена с использованием Replicate на базе black-forest-labs/FLUX.1-dev. Для активации характерного эффекта при генерации необходимо использовать триггерное слово «owhx». Адаптер предназначен для подключения к FLUX.1-dev через библиотеку Diffusers и может применяться в сценариях text-to-image. Технически это LoRA-адаптер для архитектуры FLUX.1-dev; README не указывает его размер, точную архитектуру базовой модели, поддерживаемые языки сверх метаданных с указанием английского, размер контекста или дополнительные модальности. Для работы требуется базовая модель FLUX.1-dev и совместимый pipeline text-to-image. Лицензия — flux-1-dev-non-commercial-license, то есть использование ограничено условиями некоммерческой лицензии FLUX.1-dev.

Pref-Restore PhaseA Fidelity — контрольная точка этапа SFT для восстановления лиц на изображениях, опубликованная командой разработчиков Pref-Restore. Модель предназначена прежде всего для обучения на её основе на этапе PhaseB с preference-RL; она также содержит веса для инференса. Это чекпойнт с уклоном в верность восстановленного изображения и реалистичность, ценой немного более слабого эстетического качества. Архитектура включает мультимодальную авторегрессионную основу в стиле BLIP-3o-NEXT и декодер диффузии SANA 1.5 с VAE-ветвью для изображений высокого качества; в метаданных указан класс blip3oQwenForCausalLMVAE и 1,9 млрд параметров. README приводит около 3 млрд для основы BLIP-3o-NEXT, что относится к компоненту архитектуры, а не к общему размеру чекпойнта. Модель рассчитана на преобразование изображений, в частности на слепое восстановление лиц. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Qwen 360 Diffusion — модель генерации изображений по тексту, созданная ProGamerGov на базе Qwen Image. Это LoRA ранга 128 для 20-миллиардной архитектуры MMDiT; она обучена создавать панорамные изображения в эквидистантной проекции 360° и также может генерировать обычные изображения. Обучение включало разнообразные панорамы и обычные фотографии для сохранения реалистичности. Репозиторий распространяется в формате safetensors, лицензия — MIT. Модель предназначена для создания панорамных сцен, фотографий, иллюстраций, интерьеров, пейзажей и других изображений, в том числе для VR-сред, skybox и фонов 3D-сцен. Для панорам автор рекомендует соотношение сторон 2:1 и разрешение 2048×1024; подсказки о стиле или художественном медиуме помогают управлять результатом. Языковые теги карточки указывают английский язык. Изображения имеют особенности сферической проекции: края панорамы соединяются, а вертикальные области растягиваются; при просмотре в обычном виде искажение заметнее, чем в 360°-просмотрщике. Обучающие данные чаще показывают зрителя на уровне 90° к направлению силы тяжести, поэтому для иных вертикальных ракурсов может потребоваться поворот изображения. Для подключения LoRA нужна совместимая базовая модель Qwen Image.