IV.1Ритейл, электронная коммерция и fashion-tech

Qwen-Image-Edit-LoRA-Collection — это набор адаптеров LoRA для базовой модели Qwen/Qwen-Image-Edit-2511, предназначенный для задач редактирования и преобразования изображений по принципу image-to-image. Коллекция интегрируется с библиотекой Diffusers и позволяет применять различные дополнительные настройки модели для генерации визуальных результатов. Модель разработана авторами, указанными в карточке как Stranger Zone и Prithiv Sakthi; репозиторий размещён под идентификатором mario-d-robot/Qwen-Image-Edit-LoRA-Collection. Коллекция ориентирована на эксперименты с художественными стилями и другими визуальными сценариями, однако README не содержит подробностей о назначении отдельных адаптеров, поддерживаемых языках, модальностях, размере модели или длине контекста. Ключевая особенность и одновременно ограничение — наличие нескольких checkpoint-файлов LoRA в одном наборе. Поэтому коллекция менее удобна для прямого использования через inference providers; для работы требуется выбрать и подключить нужный адаптер к совместимой базовой модели. Лицензия — Apache-2.0.

SCAIL-2 14B MLX — пакет модели SCAIL-2 от zai-org/SCAIL-2, подготовленный Sawfwair для нативного запуска через Swift/MLX на Apple Silicon в mere.run. Модель предназначена для переноса движений из управляющего видео на изображение персонажа и генерации анимационного видео; базовая модель также поддерживает замену персонажей и сцены с несколькими персонажами. В репозитории указаны трансформер и UMT5 в BF16, OpenCLIP и Wan VAE в FP16, а также отдельные участки весов FP32. Пакет содержит веса в формате safetensors и преобразован без потерь по раскладке и именам тензоров для совместимого рантайма. Лицензия модели — MIT. Для запуска README приводит пример анимации изображения персонажа по управляющему видео с использованием текстового описания и масок.

P1n3/sdg-detector-sft — модель компьютерного зрения на основе Qwen3-VL-4B-Instruct, дообученная методом supervised fine-tuning на обучающей части набора SDG-30K. Она анализирует изображение по запросу и возвращает структурированные описания дефектов с метками типа «artifact» или «misalignment» и ограничивающими рамками в нормализованных координатах [0, 1000]. Модель предназначена для обнаружения и локализации дефектов на изображениях; её обучающий набор содержит около 85 770 пар запросов и ответов после дистилляции рассуждений и добавления вариаций координат. Это плотная мультимодальная модель с архитектурой Qwen3-VL, размером 4 млрд параметров, поддерживающая визуальный диалог. Для запуска используется Transformers, веса опубликованы в формате safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

mnjm/segformer-b0-voc — модель семантической сегментации изображений на архитектуре SegFormer B0, обученная с нуля на наборах VOC 2007 и VOC 2012. Автор карточки указывает, что обучение выполнено с использованием собственного репозитория; модель загружается через Transformers вместе с соответствующим обработчиком изображений. Модель предназначена для классификации пикселей изображения по семантическим классам VOC. Её можно применять в экспериментах и прототипах компьютерного зрения для разметки объектов и областей на изображениях. В README упомянуты результаты оценки, но сами метрики в доступном тексте не приведены. Лицензия в предоставленных данных не указана.

zzz45645615/textual_inversion_out — это адаптационные веса textual inversion для базовой модели генерации изображений stabilityai/stable-diffusion-2. Модель разработана в экосистеме Stable Diffusion и предназначена для использования с библиотекой Diffusers. Она ориентирована на задачи text-to-image и позволяет адаптировать Stable Diffusion 2 к дополнительному визуальному понятию или стилю посредством textual inversion. В README не указаны размер адаптационных весов, используемый специальный токен, обучающие данные, языки текстовых запросов, размер контекста, конкретные сценарии применения или примеры запуска. К сильным сторонам относятся совместимость с Stable Diffusion 2 и поддержка стандартного сценария генерации изображений по текстовому описанию. Ограничения модели не описаны: в README отсутствуют сведения о качестве, области применимости, возможных смещениях и известных проблемах. Лицензия указана как CreativeML Open RAIL-M; условия её применения следует учитывать вместе с лицензией и ограничениями базовой модели.

VerseCrafter — модель генерации видео с геометрическим управлением, разработанная исследователями из Fudan University, Shanghai Innovation Institute, HKU и ARC Lab компании Tencent PCG. Она создаёт реалистичные динамические сцены и позволяет задавать движение камеры и нескольких объектов, а также согласовывать их траектории в общей 4D-системе управления. Модель построена на замороженной Wan2.1-T2V-14B с GeoAdapter, который передаёт геометрические управляющие данные в блоки диффузионной модели. Репозиторий содержит 2,3 млрд параметров; заявлены разрешение 720 × 1280 и генерация роликов длиной 81 кадр. В README описан конвейер подготовки управляющих данных с оценкой глубины, сегментацией, подгонкой 3D Gaussian и настройкой траекторий в Blender. VerseCrafter предназначена для создания видео по изображениям с управляемым движением камеры и объектов, например для постановки динамических сцен и прототипирования виртуальных миров. В метаданных указаны английский язык и лицензия типа other; конкретные условия использования следует сверять с лицензией репозитория. Модель зависит от Wan2.1 и геометрических управляющих данных; для полного конвейера требуются дополнительные этапы подготовки сцены.

calcuis/wan2-gguf — это GGUF-квантизированный набор моделей Wan 2.2, подготовленный автором calcuis на основе Comfy-Org/Wan_2.2_ComfyUI_Repackaged и моделей Wan-AI. Он предназначен для генерации видео по текстовому описанию в ComfyUI; README также указывает поддержку сценариев image-to-video, анимирования и s2v с применением соответствующих компонентов и LoRA. Модель поставляется в вариантах размером 5B и 14B и использует отдельные GGUF-компоненты: диффузионную модель wan, текстовый энкодер umt5xxl и VAE pig. Для 5B и 14B рекомендуются разные версии VAE. Доступна совместимость с 4- и 8-шаговой Lightning LoRA для ускоренной генерации, а также lite LoRA для s2v и animate. Конкретные параметры контекстной длины, поддерживаемых языков, точных модальностей и требований к аппаратным ресурсам в README не указаны. Сильные стороны решения — экономичный квантизированный формат, интеграция с ComfyUI, поддержка нескольких размеров модели и ускоренной генерации. Ограничения связаны с необходимостью устанавливать и правильно сочетать отдельные компоненты, выбирать совместимый VAE и использовать обновлённый узел для полной поддержки квантования. Модель распространяется по лицензии Apache-2.0.

Saulp/Webshop-7B-RL-vllm — экспорт модели Jianwen/Webshop-7B-RL в стандартном формате Transformers. В репозитории восстановлены веса RL-политики из шардов FSDP без численного смешивания весов; Jianwen/Webshop-7B-SFT использовалась только для восполнения конфигурации или файлов токенизатора, если их не было в RL-чекпойнте. Модель основана на плотной архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; для неё указан контекст до 32 768 токенов. Модель предназначена для генерации текста в сценарии WebShop и обучения с подкреплением; карточка также отмечает чат и интерфейс вызова инструментов. Репозиторий содержит веса Safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

Cosmos-Predict2-2B-Video2World — диффузионная модель NVIDIA для генерации видео по текстовому описанию и изображению первого кадра. Она предназначена для создания динамичных сцен и визуальных состояний мира, в том числе как основы для разработки приложений Physical AI. Модель построена на диффузионном трансформере, который выполняет денойзинг в латентном пространстве и использует слои self-attention, cross-attention и feed-forward. В README указаны варианты генерации видео с разрешением 720p или 480p и частотой 16 или 10 кадров в секунду; стандартный вариант выдаёт 720p при 16 кадрах в секунду. Также описан приём видео на вход, однако основное назначение этой версии — предсказывать будущие кадры по тексту и изображению первого кадра. Модель подходит для визуализации сцен и движений, генерации коротких роликов и прототипирования сценариев миров. Для неё отмечены ограничения при генерации длинных видео высокого разрешения: возможны временная несогласованность, нестабильное движение камеры и объектов, неточные взаимодействия и нарушения физических закономерностей. Лицензия — NVIDIA Open Model License; README заявляет возможность коммерческого использования на её условиях.

FlashVSR-v1.1 — модель для повышения разрешения видео, созданная Junhao Zhuang и соавторами. Она предназначена для потоковой сверхразрешающей реконструкции: принимает видео низкого разрешения и восстанавливает детали при увеличении разрешения. Авторы описывают её как диффузионную модель с одноступенчатым потоковым выводом и трёхэтапной дистилляцией; разреженное внимание с ограничением локальности и компактный условный декодер ускоряют обработку. По заявлению авторов, модель достигает примерно 17 кадров/с для видео 768 × 1408 на одной видеокарте A100 и до 12-кратного ускорения относительно прежних одноступенчатых диффузионных моделей VSR. В README сообщается об улучшении стабильности и точности версии 1.1. Для официальной реализации требуется библиотека блочно-разреженного внимания; сторонние реализации без модуля LCSA могут ухудшать качество, особенно на высоких разрешениях. Репозиторий распространяется по лицензии Apache-2.0. Карточка не указывает поддерживаемые естественные языки; модель работает с видео, а не с текстовыми запросами.

GLPN — модель для оценки глубины по одному изображению, дообученная на наборе данных NYUv2. Она предназначена для монокулярной оценки глубины: по RGB-изображению модель предсказывает карту глубины сцены. Архитектура использует SegFormer в качестве основы и лёгкую специализированную голову для оценки глубины; модель описана в работе Kim и соавторов Global-Local Path Networks for Monocular Depth Estimation with Vertical CutDepth. Модель подходит для анализа внутренних сцен, представленных в NYUv2, и для сценариев, где требуется получить оценку относительной или метрической глубины из одного изображения. Она распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Карточка рекомендует искать отдельные версии, дообученные под другие задачи.

HunyuanWorld-Voyager — разработанная Tencent видеодиффузионная модель для генерации видеопоследовательностей с согласованной 3D-структурой сцены по одному изображению. Пользователь задаёт траекторию камеры, а модель создаёт видео, пригодное для исследования сцены с разных ракурсов. Она также может совместно генерировать согласованные видео RGB и глубины для последующей 3D-реконструкции. Модель предназначена для создания исследуемых сцен и получения данных для реконструкции по изображению. В метаданных Hugging Face основная задача указана как image-to-video; теги карточки включают английский и китайский языки. Репозиторий помечен лицензией other, поэтому конкретные условия использования следует сверить с файлами лицензии проекта. README не приводит сведения о размере модели, длине контекста или конкретных ограничениях качества.

uzumix/krea2_nsfw — это адаптер LoRA для генерации изображений по текстовому описанию, предназначенный для использования с библиотекой Diffusers. Модель разработана автором или организацией uzumix и базируется на Krea-2-Turbo от krea. Адаптер предназначен для сценариев text-to-image и, вероятно, применяет дополнительную настройку базовой модели для получения определённого визуального результата. В карточке указаны поддержка LoRA и Diffusers, однако сведения о размере адаптера, архитектуре, требуемых параметрах загрузки, языках запросов, контексте, точном стиле и рекомендуемых настройках генерации отсутствуют. Сильная сторона модели — совместимость с Krea-2-Turbo и экосистемой Diffusers, что позволяет использовать её как дополнение к базовой text-to-image-модели. Ограничения и характерные особенности результата по README определить нельзя. Лицензия и условия использования в карточке не указаны, поэтому их необходимо уточнить перед применением.

LivePortrait — модель для анимации портретов, разработанная командой Kuaishou Technology совместно с исследователями из University of Science and Technology of China и Fudan University. По исходному изображению лица и видео-источнику движения она создаёт анимированный портрет; также поддерживаются редактирование позы и видео-портретов. Репозиторий Hugging Face содержит веса в формате ONNX, а README описывает официальную реализацию метода из одноимённой научной работы. Модель рассчитана на создание коротких анимаций портретов и редактирование видео. Для более стабильного результата авторы рекомендуют квадратный кадр, крупный план головы, минимальные движения плеч и нейтральное фронтальное лицо в первом кадре видео-источника. README не указывает размер модели, длину контекста или языковую поддержку; модель работает с визуальными данными. Лицензия — MIT.

MapAnything — трансформерная модель сквозного обучения от Facebook для восстановления метрической 3D-геометрии сцены. По одной или нескольким входным фотографиям она выполняет задачи реконструкции, включая многовидовую стереореконструкцию, оценку глубины с одной камеры, регистрацию изображений и дополнение карты глубины. Модель объединяет эти сценарии в одном прямом проходе; веса опубликованы в формате Safetensors под лицензией Apache 2.0. Модель предназначена для восстановления 3D-сцен по изображениям и связанных задач компьютерного зрения. Карточка сообщает о поддержке более 12 задач 3D-реконструкции, но не приводит размер модели, длину контекста или дополнительные сведения об архитектуре. README направляет за инструкциями по запуску в репозиторий проекта.

MiniMax-H3-Fun-Controlnet-Union — модель ControlNet-Union для видеогенератора MiniMax-H3, обученная с использованием пайплайна VideoX-Fun. Чекпойнт предназначен для управляемой генерации и преобразования видео по текстовому описанию и управляющему видео, а также для видеоинпейнтинга. Разработчик и владелец модели указаны как alibaba-pai; модель интегрируется с базовым MiniMax-H3. Один чекпойнт поддерживает управляющие сигналы Canny, Depth, HED, MLSD и Pose без переключения отдельных весов. Управляющая ветвь подключается к 5 из 50 transformer-блоков через zero-gated projections; её размер составляет около 6,8 ГБ. Модель поддерживает guidance distillation и работает с guidance_scale 1.0, выполняя один forward pass на шаг. Для инпейнтинга используется расширенный вход control_in_dim=49, включающий latent, masked latent и mask. Генерация следует параметрам управляющего видео: частота кадров фиксирована на 24 fps, длительность ограничена 15 секундами, а число кадров подстраивается под формат 17*n+5. Сохраняется соотношение сторон исходного видео при ограничении разрешения; высота и ширина должны быть кратны 32. Для большей стабильности рекомендуется подробно описывать сцену, объект и камеру в prompt. Ограничениями являются зависимость от базовой модели MiniMax-H3 и инфраструктуры VideoX-Fun, а также требования к формату управляющего видео и значительный размер чекпойнта. Лицензия обозначена как minimax-h3-community-license-agreement; также приведена ссылка на файл LICENSE.

PIXLRelight — модель прямого нейронного рендеринга для управляемого физическими параметрами изменения освещения на фотографии. В README она описана как трансформерная модель, разработанная для проекта PIXLRelight; репозиторий содержит обученные веса в формате safetensors и конфигурацию для PyTorch. Число параметров и длина контекста для этой задачи не применимы. На вход модель получает исходную фотографию и целевое освещение, заданное RGB-изображением или проходами рендеринга Blender Cycles. Она выдаёт версию исходного изображения с новым освещением, сохраняя мелкие детали; обработка заявлена менее чем за десятую долю секунды на изображение. Модель предназначена для быстрого relighting с управлением освещением в стиле PBR, включая интерьерные сцены. PIXLRelight обучена на интерьерных сценах и работает с исходным разрешением изображения. Она не создаёт отсутствующее в исходнике содержимое, поэтому новые жёсткие тени и блики, зависящие от изменения видимой геометрии поверхности, могут передаваться неточно. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

perpetual3x/Qwen-Image-Western-European-American-Female-NSFW-LoRA-v1 — экспериментальная фотореалистичная LoRA-адаптация для базовой модели Qwen/Qwen-Image-2512, предназначенная для генерации изображений по текстовому описанию через библиотеку Diffusers. Она ориентирована на визуальное представление явно взрослых женщин Западной Европы и США в городских, сельских, прибрежных, горных, домашних и художественных сценах. Модель обучена на 8 417 изображениях и не требует обязательного триггерного слова. Она рассчитана на разнообразие взрослых возрастов, телосложений, черт лица и естественных текстур кожи, а также на фотореалистичный, документальный, художественный, цветной плёночный и монохромный стили. В README также заявлены 2 000 повторно используемых промптов для проверки разнообразия и региональных контекстов. Указаны языки английский, французский и испанский; модальность — текст-в-изображение. LoRA сильна в передаче внешности, атмосферы, человеческого присутствия и узнаваемых западноевропейских или американских окружений, но не является специализированной моделью коррекции анатомии. В сложных позах возможны ошибки интимной анатомии, рук, стоп и суставов; для таких сценариев автор рекомендует умеренное сочетание со специализированной анатомической LoRA или настройку промпта и seed. Лицензия указана как иная, с названием qwen-image-western-european-american-female-nsfw-lora-v1-non-commercial; использование ограничено некоммерческими условиями согласно опубликованной лицензии.

cstr распространяет модель SCUNet в формате GGUF для удаления шума с цветных изображений. Это конверсия модели cszn/SCUNet, разработанной для задачи цветного шумоподавления; архитектура Swin-Conv-UNet объединяет U-Net, оконное внимание Swin Transformer и остаточные свёрточные блоки. Модель содержит 18 млн параметров, файл весов F32 занимает 69 МБ. Она обучена на наборе SIDD с реальными шумами; в README указано совпадение результатов с исходной реализацией Python по всем стадиям кодировщика и декодировщика. Модель принимает зашумлённое цветное изображение и выдаёт очищенное изображение. GGUF — единственное заявленное изменение относительно исходных весов: обучение, дообучение и изменение возможностей не выполнялись. Репозиторий распространяется по лицензии Apache-2.0, как и исходная модель.

SkyReels-A1 — модель генерации видео по изображению, разработанная командой Skywork для анимации портретов. Она переносит мимику и движения из входного видеоклипа на заданный портрет: выражения лица извлекаются в виде ориентированных на мимику ключевых точек, которые подаются в условную модель генерации видео на основе DiT; для кодирования ключевых точек используется механизм управления позой в архитектуре VAE. Репозиторий содержит веса в формате Diffusers, также указаны ONNX и safetensors. Лицензия — Apache-2.0. Карточка описывает перенос выражений из видео на портретное изображение. В новостях также упоминается аудиоуправляемая анимация портретов, но приведённое описание не подтверждает, что эти веса принимают аудио. Размер модели, длина контекста и поддерживаемые языки в предоставленных данных не описаны.

Test3 — LoRA-адаптер для генерации изображений по текстовым описаниям, обученный через Replicate на базе FLUX.1 [dev] от Black Forest Labs. Для активации характерного стиля или объекта в запросе используется триггерное слово Nymphotic. Модель предназначена для создания изображений по текстовым промптам с использованием библиотеки Diffusers: адаптер подключают к базовой FLUX.1 [dev] и запускают генерацию. Базовая модель содержит 12 миллиардов параметров; размер самого адаптера в предоставленных данных не указан. Репозиторий распространяет веса в формате Safetensors для PyTorch/Diffusers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели. Качество и область применимости зависят от базовой модели и промпта; карточка не описывает дополнительные ограничения или результаты оценки.

Это адаптация textual inversion для Stable Diffusion 1.5, опубликованная пользователем abhipsabasu. Она добавляет к базовой модели runwayml/stable-diffusion-v1-5 обученные веса, предназначенные для генерации изображений по текстовому запросу с использованием изученного текстового понятия. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель рассчитана на текстовый ввод и выдаёт изображения; для работы требуется базовая модель Stable Diffusion 1.5 и совместимый Diffusers-пайплайн. Примеры изображений упомянуты в карточке, но подробная инструкция запуска и сведения о качестве или ограничениях не приведены. Лицензия — CreativeML OpenRAIL-M.

TrackWan 1.3B I2V — модель преобразования изображения в видео с управлением движением по разреженным траекториям точек, разработанная на базе Wan2.1 1.3B. Она принимает исходное изображение, текстовое условие и траектории пикселей с видимостью по кадрам, а затем генерирует видео, согласованное с заданным движением. Репозиторий содержит самодостаточный конвейер Diffusers с трансформером, VAE, текстовым энкодером T5, энкодером изображений CLIP, токенизатором и планировщиком. Архитектура — DiT Wan2.1 на 1,3 млрд параметров с 30 слоями и шириной скрытого представления 1536, дополненная WanTrack head для кодирования траекторий. Чекпойнт — финальный шаг 600 второго этапа дообучения на объединённом синтетическом наборе траекторий; заявленный режим генерации — 480×832, 121 кадр при 24 кадрах в секунду. Модель предназначена для исследовательских и прикладных экспериментов по управляемой генерации движения в видео. Лицензия — Apache-2.0. README не сообщает о поддерживаемых языках текста.

VOID Netflix HLWQ Q5 — версия модели Netflix VOID, сжатая методом квантования весов Hadamard-Lloyd Weight Quantization до 5 бит с упаковкой битов. Она предназначена для удаления объектов из видео с сохранением физических взаимодействий и временной согласованности сцены. Модель основана на 5-миллиардном 3D-трансформере CogVideoX и использует двухэтапный конвейер: базовое заполнение удалённых областей и уточнение с оптическим потоком. На вход подаются видео, маска quadmask и текстовый запрос; заявленное разрешение — 384×672, до 197 кадров. По данным карточки, сжатие уменьшает общий объём с 42 до 13 ГБ; при этом веса Pass 1, Pass 2 и текстового энкодера также квантованы. Для запуска указаны Diffusers и GPU с 24 ГБ видеопамяти после деквантизации PQ5 либо A100 с 40 ГБ как рекомендуемая конфигурация. Репозиторий распространяется по лицензии Apache-2.0. Карточка сообщает метрику cosine similarity 0,9986, но не приводит подробностей протокола её измерения.

QuantStack/Wan2.2-Fun-5B-Control-Camera-GGUF — это квантованная версия модели Wan2.2-Fun-5B-Control-Camera, разработанной Alibaba PAI и преобразованной в формат GGUF. Модель предназначена для задач image-to-video, то есть генерации или управления видео на основе изображений, однако README не уточняет поддерживаемые режимы управления и дополнительные сценарии применения. Заявлены языки English и Chinese. Модель имеет размер 5B параметров согласно идентификатору и распространяется как GGUF для использования в ComfyUI. Для работы требуются отдельные компоненты: текстовый энкодер Umt5-xxl и Wan2.2_VAE, размещаемые в соответствующих каталогах ComfyUI. Поддерживается использование через пользовательскую ноду ComfyUI-GGUF. Сильными сторонами являются совместимость с экосистемой ComfyUI и более экономичный квантованный формат, но README не содержит сведений о конкретном типе квантования, требованиях к памяти, максимальном контексте, разрешении, производительности и качестве. Лицензия — Apache-2.0; при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели. README не указывает дополнительных ограничений или подробностей о коммерческом применении.

NO8D/BodyControl — это набор Slider-LoRA для управления физическими характеристиками персонажей при генерации изображений по текстовому описанию. Модель разработана независимым автором и предназначена для использования с базовой моделью black-forest-labs/FLUX.2-klein-9B в экосистеме Diffusers. Адаптеры позволяют изменять такие параметры и особенности внешности, как кожа и её тон, объём груди, талия, ягодицы, вес, возраст, рост, мускулатура, татуировки, загрязнённость и влажность. README также указывает, что функции изменения веса, возраста и роста доступны только сторонникам автора. Модель ориентирована на создание уникальных изображений персонажей и более точную настройку их телосложения и внешнего вида. Данные о размере, архитектуре самого LoRA-адаптера, поддерживаемых языках, максимальном контексте и количественных характеристиках качества не приведены. Модель может быть полезна для управляемой генерации персонажей, однако README не содержит подробностей о рекомендуемых весах адаптера, формате подключения и ограничениях совместимости, поэтому практические параметры использования потребуют самостоятельного подбора. Указана лицензия flux-1-dev-non-commercial-license, то есть применение ограничено условиями некоммерческой лицензии; полный текст условий находится в файле LICENSE.

Intel/dpt-beit-base-384 — модель DPT (Dense Prediction Transformer) для оценки глубины по одному изображению. Она использует BEiT в качестве основы и добавляет к нему neck и head для предсказания глубины. Модель обучена на 1,4 миллиона изображений и представлена в статье Ranftl и соавторов «Vision Transformers for Dense Prediction» (2021); README опубликован командой Hugging Face. Модель предназначена для монокулярной оценки глубины, в том числе zero-shot применения к изображению. Её можно использовать в компьютерном зрении для получения карты глубины сцены по одному кадру. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Felldude представил FLUX.2 UltraHD RAW VAE — вариационный автоэнкодер для экосистемы FLUX.2, настроенный на перцептивное улучшение изображений. Он усиливает микроконтраст и чёткость границ, восстанавливает текстуры и обогащает цветовые градиенты с HDR-подобной передачей тонов. Совместим с FLUX.2, FLUX.2 Klein 9B и 4B, а также Ernie; поддерживает FP16, BF16 и FP32 и предназначен для работы через diffusers. Модель ориентирована на визуально выразительный рендеринг и улучшение деталей при реконструкции латентов. В сравнении с базовым VAE FLUX она показала на тесте из 150 изображений увеличение Gradient Energy на 56% и числа уникальных цветов на 4,9%, сохраняя близкие показатели контраста и яркости. Одновременно LPIPS вырос с 0,0073 до 0,0303, поэтому модель уступает базовому VAE по точности перцептивной реконструкции и подходит тем, кто предпочитает усиленную резкость и фактуру пиксельной точности. Лицензия обозначена как other; конкретные условия следует проверять в репозитории.

GemMarketing — языковая модель Marketeam для маркетинговой тематики, созданная на основе Gemma 2B методом непрерывного предобучения на маркетинговом корпусе объёмом более 43 млрд токенов. Это плотный авторегрессионный трансформер с архитектурой decoder-only; в метаданных указано 2,5 млрд параметров и контекст 8192 токена. Модель принимает и генерирует текст на английском языке. Модель предназначена для исследований и экспериментов с генерацией маркетингового текста, ответами на вопросы и изучением маркетинговых тем. Карточка описывает ранний чекпойнт без дообучения на инструкции: он ещё не адаптирован для надёжных, безопасных и практически применимых ответов. Авторы не рекомендуют применять его в реальных рабочих сценариях; для конкретных задач советуют дополнительное SFT или RLHF либо обучение в контексте. Лицензия — Gemma.

GPT-2 Arabic Sentence Generator — авторская модель генерации предложений на арабском языке, предназначенная прежде всего для создания текстов отзывов. В карточке указано обучение на наборе арабских книжных отзывов LABR; архитектура — GPT-2 с языковой моделью GPT2LMHeadModel, контекст — до 1024 токенов. Модель подходит для генерации отдельных предложений и черновиков отзывов о книгах на арабском языке. Она опубликована в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия в предоставленных данных не указана.