IV.1Ритейл, электронная коммерция и fashion-tech

cyberagent/ldm-vq-f16-rgba — специализированный VQ-токенизатор изображений RGBA от CyberAgent. Он преобразует изображения с альфа-каналом в дискретные латентные коды и восстанавливает их; такие коды можно использовать в последующих задачах, включая дополнение графического дизайна. Модель основана на токенизаторе изображений из Latent Diffusion Model, изменённом для работы с четырьмя входными и выходными каналами вместо трёх. Модель предназначена для сценариев, где требуется компактное дискретное представление RGBA-графики для дальнейшей обработки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Описание не приводит конкретные показатели сжатия или качества восстановления.

One-to-All Animation — модель для анимации персонажей и переноса позы на изображения, представленная авторами проекта One-to-All Animation. Она переносит движения на персонажа с одного референсного изображения и предназначена для генерации видео с гибким управлением движением, в том числе при произвольном расположении пары «референс — поза». Доступен чекпойнт размером 1,3 млрд параметров. Модель принимает изображение и создаёт видео; репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Diffusers. В README заявлена поддержка более длинных видео и случаев вне обучающего распределения. Лицензия — Apache-2.0.

Phantom_Wan_14B_FusionX-GGUF — это квантованная версия модели Wan14BT2VFusioniX_Phantom, разработанной vrgamedevgirl84 и преобразованной в формат GGUF пользователем lym00. Модель предназначена для задач image-to-video, то есть генерации видео на основе изображений, и рассчитана на использование в ComfyUI через пользовательский узел ComfyUI-GGUF. Модель относится к семейству Wan и имеет размер 14B параметров, что указано в её идентификаторе. Она поставляется в формате GGUF; конкретный тип квантования в README не указан. Для работы требуются отдельные текстовый энкодер umt5-xxl-encoder и VAE Wan2_1_VAE_bf16. В метаданных заявлен английский язык, однако сведения о поддерживаемых языках, размере контекста, точной архитектуре и технических ограничениях отсутствуют. К сильным сторонам модели относятся совместимость с GGUF и возможность запуска в экосистеме ComfyUI с использованием квантованных файлов, что может снизить требования к памяти по сравнению с исходной FP16-версией. Ограничения связаны с необходимостью устанавливать дополнительные компоненты и отсутствием подробных данных о производительности, качестве генерации, аппаратных требованиях и конкретных вариантах квантования. Указана лицензия Apache-2.0, при этом README отдельно отмечает, что применяются исходные лицензии и ограничения базовых моделей.

QIE-2511-MP-AnyLight — это LoRA-адаптер для Qwen/Qwen-Image-Edit-2511, разработанный lilylilith. Модель предназначена для переноса освещения с отдельного изображения на исходное изображение, что позволяет точнее управлять направлением, характером и сложностью световой схемы при редактировании изображений. Адаптер рассчитан на сценарии, где исходное изображение предварительно обработано LoRA Material Preview style, а второе изображение представляет собой рендер сцены из Blender с моделью персонажа, созданной с помощью Trellis2 или Hunyuan 3D. Рекомендуемый запрос: «Apply the lighting from image 2 to image 1». Модель ориентирована преимущественно на композиции в стиле pin-up; использование изображений в других стилях в README не поддерживается. Для повышения качества рекомендуется сила LoRA 1, разрешение 1080p и 8-шаговая Lightning LoRA, хотя заявлена совместимость с Lightx2v 4-Step Lighting LoRA. Для работы требуются Qwen Image Edit 2511, изображение Material Preview и Blender-рендер с близким положением камеры; точное совпадение ракурса не обязательно, но улучшает результат. Ключевое ограничение — зависимость от специальной подготовки входных изображений и ориентация на определённый визуальный стиль и тип композиций. Модель распространяется по лицензии Apache-2.0.

fernandotonon/QtMeshEditor-models — репозиторий наборов моделей, используемых в функциях AI-авторинга QtMeshEditor и QtMesh Cloud. Это не единый чекпойнт: приложение загружает отдельные модели при первом использовании, после чего они работают локально. В репозитории есть модели ONNX и GGUF для генерации 3D по изображению, создания PBR-карт и увеличения текстур, удаления фона, предсказания скелета и весов скиннинга, анимации между ключевыми кадрами, генерации движений по текстовым ключевым словам, сегментации мешей и подписывания изображений. Набор сочетает конвертированные модели сторонних разработчиков, включая TripoSR, TripoSG, UniRig, SkinTokens/TokenRig, Real-ESRGAN, U²-Net и SmolVLM-500M-Instruct, с моделями, обученными авторами репозитория для интерполяции анимации, генерации движения и сегментации мешей. Заявлены отдельные характеристики: текстово-двигательная модель v8.0 имеет 21,7 млн параметров и отображает ключевое слово на клип для 22 суставов из словаря на 30 действий; сегментатор сообщает точность 94,7% на собственной оценке по истинным меткам рига. Набор предназначен для локальных функций авторинга 3D-контента. Точные форматы входов и выходов зависят от конкретной модели; заявлены текстовые, графические и 3D-сценарии. Лицензия общая для репозитория указана как other, а лицензии компонентов различаются: среди них CC0-1.0, MIT, BSD-3-Clause, Apache-2.0 и CC-BY-4.0; условия конкретной модели следует проверять в её отдельной карточке.

merve/rf-detr-mobile-ui — модель обнаружения объектов на изображениях, дообученная автором merve на наборе merve/mobile-ui-design на основе Roboflow/rf-detr-medium. Она предназначена для анализа макетов мобильных интерфейсов: находит и локализует элементы, относящиеся к группам, изображениям, прямоугольникам и тексту. Модель построена на архитектуре RF-DETR и опубликована в формате Safetensors для библиотеки Transformers. В README приведены результаты оценки: mAP 0,3221 и mAP@50 0,4676; качество зависит от размера и категории элементов. Модель доступна по лицензии Apache-2.0. Карточка не описывает языковую обработку или иные сценарии использования, поэтому область применения следует считать специализированной на обнаружении элементов мобильного UI.

SpatialGen-1.0 — модель Manycore Research для генерации 3D-сцен помещений по заданной 3D-семантической компоновке. Она использует многовидовую мультимодальную диффузионную архитектуру и может учитывать референсное изображение либо текстовое описание сцены. Репозиторий предоставляет inference-код; в README также указано, что инструкции по обучению и полный набор данных пока не выпущены. Модель дообучена на базе stabilityai/stable-diffusion-2-1 и распространяется в форматах Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели и длине контекста.

TaoMate-H3 3-Step LoRA — это адаптер LoRA для базовой модели MiniMax H3 (FL2VA), разработанный Alibaba TaoLive AIGC Team и преобразованный в формат, совместимый с ComfyUI. Адаптер предназначен для генерации видео по тексту и изображению, а также синхронизированного аудио-видео контента средствами MiniMax H3. Он рассчитан на дистиллированную генерацию за 3 шага и не является самостоятельной моделью: для работы требуется базовая MiniMax H3 FL2VA. Модель поставляется в формате Safetensors с типом данных bfloat16, имеет ранг LoRA 128 и alpha 128, включает 208 патчей и занимает около 1,24 ГБ. Поддерживаются стандартные узлы LoraLoader и LoraLoaderModelOnly в ComfyUI, а также Pixaroma H3 nodes и ComfyUI-H3. Рекомендуются 3 шага генерации, CFG 1.0, сила LoRA 1.0, сэмплер Euler и планировщик simple или linear FlowMatch. Главные преимущества — экономия VRAM и дискового пространства по сравнению с исходными весами и специализированная быстрая генерация за три шага. Ограничения включают зависимость от совместимой базовой модели и ComfyUI-окружения; использование CFG выше 1.0 не рекомендуется. Языки и размер базовой модели в README не указаны. Распространение осуществляется по MiniMax H3 Community License Agreement.

Это веса textual inversion для Stable Diffusion 1.4, опубликованные пользователем abhipsabasu. Они добавляют к базовой модели возможность создавать изображения по текстовым запросам с использованием изученного текстового токена. Модель рассчитана на генерацию изображений через Diffusers и требует базовые веса CompVis/stable-diffusion-v1-4. Репозиторий содержит файлы в форматах Diffusers и safetensors и распространяется по лицензии CreativeML OpenRAIL-M. Карточка не описывает обученный токен, примеры его использования или известные ограничения, поэтому конкретную тематику и качество генерируемых изображений определить нельзя.

Viggle-Animate — модель для замены персонажа в видеоролике по одному отредактированному кадру из этого же ролика. Она создана @cocktailpeanut на основе MiniMaxAI/MiniMax-H3; README уточняет, что это полное дообучение 33,1-миллиардного трансформера ref2va с дистилляцией DMD до трёх прямых проходов. Для работы нужны исходное видео и кадр с вручную перерисованным персонажем: модель переносит изменение на весь клип, сохраняя движение, камеру и тайминг, без текстового промпта и отдельного оценщика позы или сегментатора. Репозиторий содержит веса трансформера и LoRA; для инференса также нужна базовая модель. Модель рассчитана на монтаж видео с заменой персонажа, в том числе в сценах с быстрым движением. Сложные сцены с несколькими персонажами, тесным взаимодействием и монтажными склейками остаются трудными. Результат ограничен содержимым отредактированного кадра и позой исходного видео; модель не проверяет личность или согласие людей. Лицензия в метаданных обозначена как other; перед использованием следует проверить условия соглашения проекта.

Это набор LoRA-адаптеров rzgar для моделей ByteDance Bernini-R и vanilla Wan 2.2, предназначенный для image-to-video (I2V) генерации. Адаптеры настроены на работу с видеовыходами Bernini-R FP8, NVFP4 и объединённой версией Bernini-R N4W. Набор ориентирован на сценарии, где требуется повысить выразительность движения, ритм анимации и анатомическую точность изображения. В состав входят усилители движения для режимов высокого и низкого шума, а также отдельные усилители внешнего вида мужской и женской анатомии. Основные адаптеры используют целевое обнуление FFN- и attention-компонентов. Для Bernini-R рекомендуется начинать с силы LoRA 1.0, а для vanilla Wan 2.2 обычно подходит диапазон 0.9–1.2; для объединённых моделей может быть достаточно 0.5. В README также рекомендован текстовый энкодер NSFW UMT5 XXL V2. Модель ориентирована на генерацию видео из изображений и лучше всего подходит для явных текстовых описаний требуемых действий и движения. Разработчик не указал размер адаптеров, поддерживаемые языки, длину контекста и другие архитектурные параметры. Набор имеет специализированное NSFW-направление, поэтому его применимость зависит от политики конкретного окружения и используемых входных данных. Лицензия — Apache-2.0.

Wan2.2-Fun-A14B-Control-Camera — веса управления камерой для видеомодели Wan2.2-Fun, разработанные командой Alibaba PAI. Это дообученная на базе Wan-AI/Wan2.2-I2V-A14B модель для генерации видео с управлением движением камеры. В README указана поддержка нескольких разрешений: 512, 768 и 1024, обучение на 81 кадре при 16 кадрах в секунду и многоязычных запросов. Базовая модель Wan2.2-I2V-A14B предназначена для создания видео по исходному изображению. Модель подходит для создания роликов с заданным движением камеры и текстовым описанием сцены, например для управляемых кинематографических проходов и планирования движения виртуальной камеры. Репозиторий использует safetensors и библиотеку VideoX-Fun. Для запуска требуются значительные вычислительные ресурсы и около 60 ГБ свободного места; в README описаны режимы выгрузки модели в CPU и режим с float8-квантизацией, который может снизить качество. Лицензия — Apache 2.0.

AD-Copilot — мультимодальная модель на базе Qwen2.5-VL-7B-Instruct, дообученная для обнаружения аномалий по сравнению изображений. Разработчики добавили визуальный энкодер ADCopilotCompareVisualEncoder: он сопоставляет эталонное и проверяемое изображения с помощью двунаправленного cross-attention и передаёт в языковую модель 100 токенов сравнения на пару изображений. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена прежде всего для промышленного визуального контроля: она анализирует пару изображений, чтобы выявить и описать отличия или дефекты. В README заявлен результат 78,74% на бенчмарке OmniDiff, однако подробности оценки в карточке ограничены. Модель принимает изображения и текстовые инструкции, выдаёт текст; в метаданных указан английский язык. Лицензия — Apache-2.0.

ControlNet v1.1 MLSD — модель управления генерацией изображений, разработанная Lvmin Zhang и Maneesh Agrawala. Она предназначена для использования совместно с диффузионными моделями Stable Diffusion, прежде всего Stable Diffusion v1.5, чтобы задавать структуру создаваемого изображения на основе дополнительных условий. Данная версия принимает MLSD-изображения — карты структурных линий, подходящие, в частности, для контроля геометрии и перспективы архитектурных сцен, и работает в сценариях text-to-image и image-to-image. Модель представляет собой ControlNet, подключаемый к предварительно обученной diffusion-модели; размер параметров и максимальная длина контекста в README не указаны. Основной язык текстовых запросов — английский, модальность — изображения и текстовые промпты. Сильная сторона модели — более точное сохранение заданной композиции и линейной структуры по сравнению с генерацией только по тексту, однако для подготовки управляющего изображения требуются внешние инструменты, например MLSDdetector, а наилучшая совместимость заявлена со Stable Diffusion v1.5. Модель распространяется по лицензии CreativeML OpenRAIL M.

FoundationPose — разработанная NVIDIA модель на основе трансформера для оценки позы и отслеживания объектов в 6 степенях свободы. Она предназначена для робототехники и компьютерного зрения: модель может работать с новым объектом без дообучения, если предоставлена его CAD-модель. На вход подаются RGB- и глубинное изображения, ограничивающая рамка объекта в первом кадре, CAD-модель OBJ и параметры калибровки камеры. Архитектура включает общую CNN-основу с остаточными блоками и два компонента: сеть уточнения позы и сеть оценки гипотез с многоголовым механизмом внимания. Выход содержит оценки переноса, вращения и оценку позы, а также изображение с 3D-рамкой и осями. Модель обучалась на синтетических данных для объектов из Objaverse и Google Scanned Objects. Для развёртывания предоставлена версия ONNX, предназначенная для TensorRT и TAO Triton Apps на оборудовании NVIDIA; README указывает совместимость с Linux и несколькими поколениями GPU и Jetson. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в материалах NVIDIA. Модель может ошибаться в оценке трёхмерных рамок и поз объектов.

Lyra 2.0 — разработанная NVIDIA система для генерации исследуемых 3D-миров по одному изображению. Она состоит из двух этапов: сначала создаёт длинную видеопоследовательность с геометрически согласованными ракурсами, затем восстанавливает из неё явное 3D-представление сцены. Для сохранения пространственной согласованности система использует геометрию кадров для поиска релевантных прошлых ракурсов и соответствий, а генеративную модель — для синтеза внешнего вида. Обучение на собственных ухудшенных результатах помогает снижать временной дрейф. Модель основана на WAN-14B и использует архитектуру Transformer; заявленный размер — 14 млрд параметров. На вход подаются изображение и параметры камеры; в карточке рекомендуется изображение 480×832 и 81 кадр параметров камеры. Результат — набор 3D Gaussian-примитивов, который можно сохранять, например, в формате PLY и использовать для рендеринга сцены. Система предназначена для исследовательской разработки методов 3D-моделирования миров и поддерживает интерактивное исследование и рендеринг сцен. В README указана готовность для внутреннего научного исследования и разработки. Для запуска описана интеграция с WAN-2.1 и аппаратная поддержка NVIDIA Ampere, Hopper и Blackwell под Linux; на практике требуется подходящая GPU-инфраструктура. Использование ограничено внутренней научно-исследовательской лицензией NVIDIA; перед внедрением авторы рекомендуют проверку на данных конкретного сценария.

MapAnything — обученная сквозным образом модель на основе трансформера для восстановления метрической 3D-геометрии сцен по изображениям. Одна модель поддерживает несколько сценариев реконструкции, включая многокадровую структуру из движения (SfM), стереореконструкцию по нескольким ракурсам, оценку метрической глубины по одному изображению, регистрацию и дополнение карты глубины. Модель предназначена для задач компьютерного зрения и 3D-реконструкции, где требуется получить геометрическое представление сцены из одного или нескольких изображений. Репозиторий содержит веса в формате safetensors; вариант распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование. Подробности запуска вынесены в GitHub-репозиторий проекта.

MiniMax-H3 Turbo LoRA — это адаптация LoRA для базовой модели Comfy-Org/MiniMax-H3, разработанная Larryvrh. Она предназначена для генерации видео с синхронизированным стереозвуком и поддерживает сценарии text-to-video и image-to-video в ComfyUI. Ключевая особенность — генерация за 4–8 шагов сэмплирования вместо примерно 20 у стандартного процесса, что может ускорить сэмплирование примерно в пять раз. Рекомендуется использовать checkpoint v4 step600 EMA: он лучше работает со статичными сценами, небольшим движением и мелкими деталями. Веса имеют формат bf16 и размер около 744 МБ; адаптация применяется как низкоранговое обновление параметров. LoRA совместима с различными вариантами базовой MiniMax-H3, включая полные и pruned/quantized варианты. Оптимальное значение strength — 1.0, scheduler — simple. При 6–8 шагах качество обычно выше, чем при минимальных 4 шагах, однако увеличение количества шагов свыше 8 может приводить к чрезмерной резкости и артефактам. В версии v4 при 4 шагах и быстром интенсивном движении возможны смазывание и trailing ghosting; аудио и поведение при быстром движении также указаны как продолжающие улучшаться. Для таких условий может подойти более старая версия v1. Для работы необходимы базовая MiniMax-H3, VAE и text encoder, а также ComfyUI или совместимая самостоятельная обвязка. Модель распространяется по лицензии Apache-2.0.

mystic-h3-v4 — это LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией B4100 и предназначенный для использования с diffusion-моделями в экосистеме Diffusers. Адаптер создан на базе Ericx67/SexGod_H3 и подключается к совместимому генеративному пайплайну для получения изображений; в качестве trigger word указано значение «none». Сценарии применения и специфический визуальный стиль в README подробно не описаны. Известно, что модель относится к семейству text-to-image LoRA и распространяется в формате, совместимом с Diffusers. Размер адаптера, архитектура базовой модели, поддерживаемые языки, максимальный контекст и точные модальности не указаны. README содержит пример результата, но не предоставляет количественных оценок качества или рекомендаций по параметрам генерации. Лицензия и условия использования в README не указаны, поэтому их необходимо уточнить в репозитории или у правообладателя. Из-за отсутствия сведений о лицензии, обучающих данных, ограничениях и рекомендуемых настройках перед коммерческим или публичным использованием требуется дополнительная проверка.

One-to-All-14b — модель для анимации персонажей и переноса поз на изображения, представленная в проекте One-to-All Animation. Она преобразует одиночное изображение-референс в видео с движением по заданному образцу и предназначена для работы с референсами и позами, которые могут иметь произвольное пространственное расположение. Авторы заявляют поддержку гибкого управления движением и генерации более длинных видео, а также примеров вне обучающего домена. Модель относится к семейству One-to-All Animation; в репозитории указана версия 14B, а библиотека Hugging Face — Diffusers. Веса опубликованы в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены сведения о длине контекста, поддерживаемых языках или подробных ограничениях качества; результаты для конкретных типов персонажей и движений следует оценивать на целевых данных.

Jack04810/output_14b_phase2_8k — дообученная модель Qwen3-14B, разработанная для понимания и генерации 3D-сеток. Это полное дообучение второй фазы на базе Jack04810/output_14b_phase1_full; в метаданных базовой моделью указана Qwen/Qwen3-14B. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 14,2 млрд параметров и имеет контекстное окно 40 960 токенов. Модель обучалась на парах данных для двух направлений: описание сетки по последовательности mesh-токенов и генерация последовательности mesh-токенов по текстовому описанию формы. Для инференса требуются шаблон чата qwen3_nothink и обёртка SPAC Spatial-PE с параметрами, указанными в README. Репозиторий содержит веса safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять на странице модели.

VSQA preview 14B — промежуточный чекпойнт студенческой модели генерации видео по тексту, созданный в рамках проекта VSQA на основе Wan2.1-T2V-14B. Веса экспортированы в формате Diffusers и safetensors; архитектура и размер базовой модели — диффузионный трансформер Wan2.1, 14 млрд параметров. Модель обучалась для генерации 77 кадров размером 1280×768 за три шага денойзинга с разреженным видео-вниманием VSA и NVFP4 QAT для слоёв внимания и линейных слоёв. Это чекпойнт на 100-м шаге из запланированных 1000 шагов DMD-дистилляции; качество не оценивалось, а последующие чекпойнты могут заменить его. Для воспроизведения обученных вычислений нужны FastVideo VSA/QAT kernels: запуск с обычными плотными BF16-слоями — другая конфигурация, которая не тестировалась. Лицензия — Apache-2.0, унаследованная от базовой модели.

Wan2.1_T2V_14B_FusionX-GGUF — квантизированная GGUF-версия текстово-видеомодели Wan14BT2VFusioniX. Базовую модель разработал пользователь vrgamedevgirl84, а конвертацию в GGUF выполнил lym00 с использованием скриптов city96 из проекта ComfyUI-GGUF. По идентификатору модели она относится к классу 14B и предназначена для преобразования текстовых описаний в видео. Модель ориентирована на запуск в ComfyUI через пользовательский узел ComfyUI-GGUF. Для работы требуются отдельные текстовый энкодер umt5-xxl-encoder и VAE Wan2_1_VAE_bf16. В метаданных указан английский язык; сведения о точном размере контекста, поддерживаемых форматах видео и других архитектурных параметрах отсутствуют. Ключевая особенность модели — представление в формате GGUF с квантизацией, что может упростить использование по сравнению с исходной FP16-версией, однако конкретный тип квантизации и влияние на качество в README не указаны. Ограничения включают необходимость установки ComfyUI, совместимого узла, текстового энкодера и VAE, а также отсутствие подробных данных о производительности и системных требованиях. Указана лицензия Apache-2.0, но README отдельно отмечает, что также действуют исходные лицензии и ограничения базовых моделей.

realrebelai/Wan-Animate-2_GGUFs — набор GGUF-квантизаций модели Wan2.2-Animate-2-14B, разработанной Wan-AI и преобразованной для работы в ComfyUI. Модель предназначена для анимации персонажей: она принимает эталонное изображение и управляющее видео, после чего переносит мимику и движения непосредственно на персонажа без промежуточного скелета или отдельного экстрактора движений. Для наилучшего переноса начальная поза на эталонном изображении должна примерно соответствовать начальной позе в управляющем видео. Это диффузионная image-to-video модель на 14 млрд параметров. Репозиторий содержит варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, Q3_K_M и Q2_K размером примерно от 5,9 до 17,4 ГБ. Вариант Q4_K_M обозначен как рекомендуемый благодаря соотношению качества и размера; меньшие варианты требуют меньше видеопамяти, но сильнее теряют детализацию. Квантизации рассчитаны на видеокарты с 8–12 ГБ памяти вместо примерно 30 ГБ для полной версии bf16. README не указывает поддерживаемые языки и размер контекста. Для запуска требуется свежая версия ComfyUI с поддержкой Wan-Animate-2, ComfyUI-GGUF, специальный загрузчик Rebels W3A8 Loader, текстовый энкодер, VAE и CLIP Vision. Необходимо явно установить тип модели animate2; стандартный GGUF-загрузчик может тихо интерпретировать модель как обычную Wan 2.1 I2V и проигнорировать управляющее видео. GGUF заменяет только диффузионную модель, поэтому вспомогательные файлы поставляются отдельно. Лицензия — Apache-2.0; при этом сохраняются исходные условия и ограничения базовой модели.

Dark Beast — LoRA-адаптер для генерации изображений на основе модели black-forest-labs/FLUX.2-klein-base-9B. Модель предназначена для задач text-to-image в среде Diffusers; однако в карточке не указано, какой именно визуальный стиль или содержание она добавляет к базовой модели. Поле instance_prompt не заполнено, поэтому сведения о рекомендуемом запросе для активации адаптера отсутствуют. Известно, что адаптер относится к семейству diffusion LoRA и работает с базовой моделью FLUX.2-klein-base-9B. Данные о размере адаптера, поддерживаемых языках, максимальном контексте, дополнительных модальностях, качестве, сильных сторонах и ограничениях отсутствуют. Модель распространяется по лицензии CC BY-NC-ND 4.0, которая предусматривает обязательное указание авторства и ограничения на коммерческое использование и создание производных работ.

Модель YoliGuadir/detector-frutas-yolo11 — детектор объектов на базе YOLO11, дообученный для поиска шести видов фруктов на реальных изображениях: яблок, бананов, винограда, луло, апельсинов и клубники. Проект создан в рамках курса по компьютерному зрению с глубоким обучением; исходный датасет из 777 изображений размечен вручную ограничивающими рамками. Модель предназначена для обнаружения фруктов и определения их положения на изображении. Для лучшего чекпойнта указаны precision 0,694, recall 0,640 и mAP50 0,684 на тестовой выборке. Репозиторий также содержит модель в формате ONNX; в карточке указана библиотека Ultralytics. Лицензия — AGPL-3.0. Качество распознавания винограда ниже: модель может путать гроздь с отдельными ягодами. Также возможна путаница между яблоками и клубникой по цвету, а результаты на изображениях, заметно отличающихся от обучающих, могут быть нестабильными.

Модель ivandrian11/fruit-classifier — дообученный Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя, основанный на google/vit-base-patch16-224-in21k. Она классифицирует изображения фруктов; в метаданных указан датасет VinayHajare/Fruits-30. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. На оценочном наборе в README указаны accuracy 0,9578 и loss 0,1607. Модель подходит для распознавания классов фруктов на изображениях, например, в сортировке или учебных проектах компьютерного зрения. Результаты могут отличаться на изображениях, классах и условиях съёмки, не представленных в обучающих данных. Лицензия — Apache-2.0.

SOAP (Style-Omniscient Animatable Portraits) — модель из одноимённой научной работы для создания анимируемых 3D-портретов по изображению. Репозиторий содержит веса для Diffusers с конвейером MVDiffusionImagePipeline и форматом SafeTensors. Модель предназначена для преобразования изображения в 3D-представление портрета, которое можно анимировать. В карточке не приведены сведения о размере модели, поддерживаемых языках или дополнительных сценариях использования. Репозиторий опубликован по лицензии MIT.

LTX-2.3-22b-IC-LoRA-Decompression — адаптер IC-LoRA, разработанный Lightricks на базе видеомодели LTX-2.3-22B. Модель предназначена для обработки видео методом video-to-video: она принимает низкобитрейтное или сильно сжатое исходное видео и восстанавливает качество, удаляя макроблоки, цветовые искажения, ringing-артефакты и полосатость. При этом она стремится сохранять идентичность объектов, кадрирование, геометрию сцены, количество кадров, FPS, разрешение и соотношение сторон. Модель использует латентное представление сжатого референсного видео как управляющий сигнал и дополнительно требует текстовое описание сцены и желаемого результата. Специальная предварительная или последующая обработка не нужна; референс кодируется напрямую через VAE с коэффициентом масштабирования 1. Поддерживаются входные видеоформаты MP4, MOV, MKV, WebM и AVI. Наилучшие результаты ожидаются при параметрах 960×544×121 кадров и 24 FPS; в обучении также использовалась портретная ориентация 544×960. Это специализированная модель удаления артефактов сжатия, а не универсальный инструмент реставрации. Она не предназначена для устранения расфокусировки, смаза движения, шума или зернистости, суперразрешения, увеличения масштаба и колоризации; на данных, значительно отличающихся от обучающей выборки, качество может снижаться. Модель распространяется по лицензии ltx-2-community-license; для доступа требуется согласие с условиями gated-доступа.

Muapi/ltx-2.3-transformation — это LoRA-адаптер для генерации видео из текста, созданный для базовой модели Lightricks/LTX-Video версии LTXV 2.3. Модель опубликована в пространстве Muapi; конкретные сведения о разработчике адаптера в README не указаны. Адаптер предназначен для сценариев text-to-video и подключается к пайплайну Diffusers через параметр lora_model. В примере использования задаются текстовый промпт, сила воздействия LoRA, разрешение 768×512 и длина ролика 97 кадров. Название transformation указывает на специализацию, связанную с преобразованием, однако точный набор поддерживаемых эффектов и требования к промптам не описаны. Сведения о размере адаптера, контекстном окне, языках, дополнительных модальностях и обучающих словах отсутствуют. К преимуществам относятся совместимость с LTXV 2.3 и возможность управлять интенсивностью адаптации через параметр lora_strength. Ограничения модели и сравнительные результаты качества в README не приведены, поэтому область применения и качество генерации следует оценивать на собственных примерах. Для использования через указанный API требуется ключ MUAPI. Лицензия модели — openrail++.