IV.1Ритейл, электронная коммерция и fashion-tech

vantagewithai/LTX2.3-10Eros-1.2-GGUF — версия в формате GGUF модели LTX2.3-10Eros-1.2, основанной на TenStrip/LTX2.3-10Eros. Модель предназначена для генерации видео из изображения в ComfyUI с использованием экосистемы LTX Video. В README также указана зависимость от SulphurAI/Sulphur-2-base и специализированных узлов TenStrip для ComfyUI. Версия 1.2 использует настроенные данные для уменьшения дрейфа лиц и улучшения обработки длинных промптов и режиссуры движения. Дополнительно применены экспериментальные веса Sulphur для более выразительной анимации. Это специализированная модель для image-to-video, способная генерировать развитие сцены, движения объектов, изменения композиции и звуковые элементы при явном описании их в промпте. Модель ориентирована в том числе на контент для взрослых. Ключевые сведения об архитектуре, количестве параметров, точном размере GGUF-квантизации, поддерживаемых языках и максимальной длине контекста в README не указаны. Среди известных ограничений отмечены дрейф лиц, ошибки анатомии, появление субтитров и неожиданные переходы; качество заметно зависит от подробности промпта. Рекомендуется использовать совместимые узлы ComfyUI и осторожно добавлять крупные дистиллированные LoRA, поскольку они могут ухудшить дообученную модель. Лицензия в README не указана.

SidXXD/m-342 — набор весов textual inversion для Stable Diffusion v1.5, опубликованный пользователем SidXXD и предназначенный для генерации изображений по текстовым запросам. Это адаптация базовой модели stable-diffusion-v1-5/stable-diffusion-v1-5, а не самостоятельная полная модель; веса доступны в форматах Diffusers и Safetensors и используются с библиотекой Diffusers. Адаптация рассчитана на текстово-условленную генерацию изображений. Лицензия CreativeML OpenRAIL-M задаёт условия использования модели; для работы требуется базовая Stable Diffusion v1.5. Карточка не описывает специфические ограничения, стиль или предметную область адаптации.

Это GGUF-конверсия модели Wan2.1-Fun-14B-Control, разработанной alibaba-pai и дополнительно подготовленной пользователем city96. Модель предназначена для генерации видео по текстовому описанию и работы с видеогенерационными сценариями. Указанные языки — английский и китайский. Модель имеет размер 14B параметров и распространяется в формате GGUF, что делает её ориентированной на запуск через совместимую инфраструктуру, включая ComfyUI с пользовательским узлом ComfyUI-GGUF. Для работы требуются базовая модельные компоненты, VAE и дополнительные файлы Wan2.1; в данном репозитории они не включены и должны загружаться отдельно. Конкретные архитектурные характеристики, поддерживаемые модальности, размер контекста и варианты квантования в README не указаны. Модель распространяется по лицензии Apache-2.0. Её сильными сторонами являются поддержка видеогенерации и наличие GGUF-конверсии для интеграции с ComfyUI, однако качество, требования к ресурсам и ограничения конкретных вариантов квантования README не описывает.

GenEx World Initializer — конвейер генерации панорам на основе FluxFillPipeline, опубликованный genex-world. Он преобразует одно входное изображение в панораму 360° с помощью обусловленного изображением заполнения областей; необязательное текстовое описание может направлять генерацию. Входное изображение центрируется и обрезается до квадрата, а результат имеет размер 2048 × 1024 в эквиректangularной проекции. Модель дообучена на black-forest-labs/FLUX.1-Fill-dev и предназначена для создания панорамного окружения по одному виду, например для подготовки фона виртуального мира. Конвейер использует фиксированную маску панорамы, Diffusers и формат Safetensors. Лицензия — CC BY 4.0.

Blueflame749/Z-Image-Lora — LoRA-адаптер для генерации изображений по текстовому описанию на базе Tongyi-MAI/Z-Image и Z-Image-Turbo. Модель опубликована в репозитории blueflame749; README содержит ссылки на материалы и сообщество nphSi. Адаптер предназначен для Diffusers и распространяется в формате Safetensors. Основной сценарий использования — добавление в изображения узнаваемых людей и персонажей по специальным триггерным словам. Для активации рекомендуется указывать полное имя LoRA вместе с соответствующим триггером вида vrtlxxxx; универсальные описания вроде «woman» или «1girl» могут не сработать из-за особенностей разметки обучающих данных. Для неоднозначных имён рекомендуется добавлять пол, а при слабых или нежелательных ассоциациях модели — исключать имя и использовать только триггер. README не указывает размер адаптера, архитектурные параметры, поддерживаемые языки, длину контекста или отдельные модальности помимо текстового ввода и генерации изображений. К сильным сторонам относятся совместимость с двумя базовыми моделями Z-Image и специализированная активация большого набора персон и персонажей. Ограничения включают зависимость результата от точного триггера и выбранной базовой модели, а также возможную неоднозначность или цензурирование некоторых имён. Лицензия — Apache-2.0.

TheDenk/cogvideox-5b-controlnet-canny-v1 — модель на основе CogVideoX-5B с ControlNet для управления генерацией или преобразованием видео по карте контуров Canny. Репозиторий содержит веса в формате safetensors; карточка указывает задачу video-to-video и поддержку английского языка. Модель предназначена для сценариев, где нужно направлять видеорезультат структурой контуров, например сохранять очертания объектов и сцены при преобразовании видео. Лицензия — Apache-2.0. README содержит только краткую инструкцию по клонированию репозитория и не раскрывает подробности запуска или настройки.

Lightricks/LTX-2.3-22b-IC-LoRA-HDR — адаптер IC LoRA, обученный поверх видеомодели LTX-2.3-22b компании Lightricks. Модель предназначена для генерации видео с расширенным динамическим диапазоном 16-bit HDR по текстовому или визуальному условию, а также для преобразования видео из 8-bit SDR в 16-bit HDR. Она поддерживает сценарии text-to-video, image-to-video и video-to-video, включая управление генерацией с помощью позиционно согласованных кадров референсного видео и создание аудиовизуального результата в рамках возможностей базовой модели. Ключевая характеристика модели — применение LogC3-преобразования до генерации и обратного преобразования после неё для работы с расширенным динамическим диапазоном. Коэффициент уменьшения разрешения референса равен 1, то есть ожидается референс с разрешением, соответствующим выходному. Размер базовой модели составляет 22 млрд параметров; библиотека diffusers указана как используемая инфраструктура. В README заявлен английский язык, однако сведения о размере контекста, точных разрешениях, длительности видео и поддерживаемых аудиоформатах не приведены. Модель обучалась на закрытом HDR-датасете, поэтому её сильной стороной является специализированная генерация HDR-видео, а ограничениями — зависимость от совместимого рабочего процесса IC LoRA и отсутствие подробных данных о качестве и области применимости. Распространение регулируется лицензией LTX-2-community-license.

kokuma/mazapan — модель Stable Diffusion, дообученная автором kokuma методом DreamBooth на датасете kokuma/figuritas-de-mazapan для создания изображений в тематике фигурок из масапана. Она принимает текстовые запросы с понятием mazapan и может изображать милых животных, предметы или персонажей из этого сладкого материала, в том числе в стиле фотографии. Модель рассчитана на генерацию изображений через Diffusers; в карточке предложены CFG scale от 6 до 8 и несколько вариантов сэмплеров. Лицензия — CreativeML OpenRAIL-M.

PMA-1.0 — компактная плотная причинно-следственная языковая модель, разработанная Patriot Memory и дообученная для поддержки продуктов Patriot Memory и Viper Gaming. Она предназначена для ответов на вопросы о памяти DDR4 и DDR5, профилях XMP 3.0 и EXPO, совместимости и настройке, SSD с интерфейсами PCIe и SATA, накопителях и игровой периферии, а также для помощи при установке и устранении неполадок. Модель содержит около 63,9 млн параметров, построена на архитектуре MiniMind и имеет контекст до 32 768 токенов. Она поддерживает диалоговую генерацию текста на китайском и английском языках. В README также заявлена интеграция вызова функций и инструментов, например для проверки гарантии и поиска характеристик по серийному номеру; фактическое выполнение таких действий требует подключённой серверной системы. Модель выпущена как экспериментальная предварительная версия. Ответы могут содержать ошибки или выдуманные сведения, поэтому характеристики и рекомендации следует проверять. Веса распространяются по лицензии Apache 2.0.

Модель peiyugeorgia/qwen2vl-crochetbench-task-c-finetuned — мультимодальная Qwen2-VL-7B, дообученная методом полного fine-tuning на задании C бенчмарка CrochetBench. Она принимает изображение готового изделия, связанного крючком, и составляет по нему инструкции для вязания в формате опубликованного узора: по рядам или кругам, с общепринятыми сокращениями и без дополнительных комментариев. Модель предназначена для опытных вязальщиц и вязальщиков; её архитектура — Qwen2VLForConditionalGeneration, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Поддержка изображений и диалога унаследована от Qwen2-VL-7B-Instruct; в карточке указан английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Её специализированная задача ограничена созданием схемы вязания крючком по изображению готового изделия. Точность сгенерированных инструкций может зависеть от того, насколько хорошо изображение показывает конструкцию изделия и детали узора.

dx8152/Qwen-Image-Edit-2511-Gaussian-Splash — специализированная LoRA-модель для image-to-image редактирования изображений на базе Qwen/Qwen-Image-Edit-2511. Модель разработана пользователем dx8152 и обучена без написания кода на инфраструктуре ModelScope; для запуска используется библиотека Diffusers. Модель предназначена для работы со сценами Gaussian Splatting: она помогает исправлять перспективу исходного изображения, восстанавливать пустые области и сохранять согласованность сцены при редактировании. В README приведён базовый сценарий с двумя изображениями — сценой и изображением, перспективу которого требуется исправить. Для интеграции упоминается проект ComfyUI GaussianViewer, использующий Sharp от Apple для 3D-поворота изображений. Точные сведения об архитектуре базовой модели, количестве параметров, поддерживаемых языках, размере контекста и официальных ограничениях качества не указаны. По заявлению автора, workflow 2509 лучше воспроизводит перспективные ракурсы, а workflow 2511 обеспечивает лучшую согласованность изображений. Модель распространяется по лицензии Apache-2.0.

Skintelligent Wrinkles — модель классификации изображений, предназначенная для определения наличия морщин на изображении кожи. Она разработана автором imfarzanansari и опубликована на Hugging Face в виде чекпойнта для библиотеки Transformers. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров. Она принимает изображения и выдаёт класс «морщины» или «без морщин». В карточке указаны английский язык и лицензия MIT; языковая характеристика относится к метаданным карточки, сама задача анализа изображений не требует текстового ввода. Чекпойнт может использоваться для автоматической предварительной оценки изображений кожи и прототипирования приложений анализа кожи. Карточка не описывает обучающие данные, точность, условия съёмки или проверку на разных группах людей, поэтому надёжность результатов в таких сценариях не установлена.

ashiqabdulkhader/biriyani-food — модель генерации изображений на основе Stable Diffusion, дообученная автором ashiqabdulkhader методом DreamBooth на изображениях бирьяни. Она создаёт изображения по текстовому описанию; для генерации бирьяни в карточке рекомендуется использовать запрос «a photo of biriyani food». Модель предназначена для иллюстраций еды и тематических визуальных материалов. Репозиторий распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M.

Muapi/game-icon — адаптер LoRA для генерации изображений игровых иконок на базе Stable Diffusion XL 1.0 от Stability AI. Модель предназначена для сценариев text-to-image, связанных с созданием визуальных иконок для игр и других цифровых интерфейсов. Для активации адаптера в запросе рекомендуется использовать обучающее слово «icon». В README также указан пример работы через API MUAPI с параметрами разрешения 1024×1024 и одной генерируемой картинкой. Модель работает с текстовыми промптами и генерирует изображения; сведения о поддерживаемых языках, точном размере адаптера, архитектурных деталях обучения, максимальном контексте и дополнительных модальностях не приведены. К сильным сторонам относятся специализация на игровом иконографическом стиле и совместимость с экосистемой Diffusers и SDXL. Ограничения включают зависимость от базовой модели SDXL 1.0, необходимость подбора промптов и отсутствие в README подробных данных о качестве, разнообразии результатов и ограничениях применения. Лицензия указана как OpenRAIL++.

glassobject-lokr-flux — адаптер LyCORIS типа LoKr для модели генерации изображений FLUX.1-dev, разработанной Black Forest Labs. Адаптер предназначен для создания изображений по текстовому описанию в стиле glassobject, в частности фотографий с преобладающими зелёными и синими акцентами. Он рассчитан на использование с экосистемой Diffusers и базовой моделью FLUX.1-dev. Адаптер обучался в режиме flow matching в течение 5200 шагов на наборе из 894 изображений glassobject с вариантами разрешения 512 и 1024, включая некропнутые и случайно обрезанные квадратные изображения. Для адаптации использовалась конфигурация LoKr, применяемая к модулям Attention и FeedForward; текстовый энкодер не обучался, поэтому при инференсе используется текстовый энкодер базовой модели. В README приведены настройки проверки: 15 шагов, guidance scale 3.0 и разрешение 1024×1024. Модель подходит для стилизации текстовых запросов и генерации SFW-изображений с характерной glassobject-эстетикой. Ограничения связаны с зависимостью от FLUX.1-dev, необходимостью совместимого пайплайна и тем, что адаптер оптимизирован прежде всего под описанный стиль и цветовые акценты. Лицензия указана как other; дополнительные условия использования в README не приведены.

Lucy-2 — экспериментальная модель генерации изображений по тексту, разработанная автором репозитория opencerebral. Это диффузионный трансформер с 112,5 млн параметров, обученный с нуля на разрешении 128×128. Веса трансформера инициализированы случайно; замороженные VAE и текстовый энкодер CLIP взяты из готовых компонентов. Модель работает с английскими текстовыми запросами и создаёт изображения. Модель предназначена для генерации сцен, композиций, пейзажей, интерьеров, еды, транспорта, отдельных животных и крупных портретов. Она может передавать цвет, материалы и освещение, но имеет ограниченную детализацию и слабое понимание сложных запросов. Для вывода требуется отрицательный запрос. Качество ограничено небольшим размером модели, разрешением латентного представления 16×16 и скромным бюджетом обучения. Модель плохо справляется с несколькими объектами, их точным количеством и взаимным расположением, структурированными объектами, текстом на изображениях и именованными сущностями; лица в широких сценах также получаются слабо. Обучающие данные включают CC3M и CelebA; из-за условий использования CelebA модель выпущена только для исследовательского, некоммерческого применения. Фильтрация безопасности выходов не проводилась.

LumiPic — это набор LoRA-адаптеров для преобразования изображений стандартного динамического диапазона (SDR) в HDR-изображения формата EXR с плавающей точкой и расширенным диапазоном яркости. Модель разработана пользователем oumoumad на основе подхода LumiVid, созданного исследовательской командой Lightricks, и адаптирована для одноизображенческой генерации с использованием diffusion transformer. Доступны варианты для Qwen/Qwen-Image-Edit-2511 и FLUX.2-klein-base-4B/9B от Black Forest Labs. Модель предназначена для восстановления и расширения динамического диапазона фотографий и других SDR-изображений, включая естественные и стилизованные изображения. Выпущены семейства LoRA для кодировок ARRI LogC3 и LogC4: LogC4 обеспечивает существенно больший запас по светам и лучше подходит для сцен с прямым солнцем, огнём, бликами и яркими окнами, тогда как LogC3 достаточно для материалов с умеренным динамическим диапазоном. Варианты на базе Qwen считаются более зрелыми и качественными, а FLUX.2-klein-4B отличаются меньшим размером и более высокой скоростью; 9B предлагает большую ёмкость и более нюансированный HDR-результат. Размеры LoRA составляют около 563 МБ для Qwen, 88 МБ для klein-4B и 158 МБ для klein-9B. Поддерживается image-to-image сценарий; языки и текстовая модальность в README не указаны. Для LogC3 заявлен линейный потолок около 55,2, для LogC4 — около 470. Варианты LogC4 имеют статус alpha и пока ограниченно протестированы: результаты могут зависеть от pipeline, sampler, scheduler, точности VAE и среды запуска. Необходимо использовать соответствующий декодер LogC3 или LogC4, иначе абсолютные значения яркости будут неверными. Лицензия модели указана как MIT; для базовых моделей могут действовать отдельные условия, включая gated-доступ к FLUX.2-klein-base-9B.

lustifySDXLNSFW_v20-inpainting — модель генерации и редактирования изображений, опубликованная пользователем TheImposterImposters на Hugging Face. Репозиторий содержит конвейер StableDiffusionXLInpaintPipeline для Diffusers, включая текстовый энкодер CLIP, UNet, VAE и планировщик DEIS. Модель предназначена для изменения областей изображения по текстовому запросу и маске, в том числе для создания контента для взрослых. Карточка репозитория автоматически сгенерирована и не сообщает подробностей о разработчике, обучении, размере контекста или лицензии. Файлы указывают на архитектуру семейства Stable Diffusion XL; отдельных сведений о языках и оценке качества в карточке нет. Модель помечена как содержащая чувствительный контент; применима через библиотеку Diffusers в форматах safetensors и Diffusers.

PVC v3 — модель латентной диффузии, дообученная p1atdev на Waifu Diffusion v1.5 beta 2 на изображениях PVC-фигурок. Она предназначена для генерации изображений по текстовым запросам с тегами Danbooru, особенно изображений аниме-фигурок и коллекционных игрушек. Триггерные слова `pvc`, `figma` и `nendoroid` помогают задавать материал и стили фигурок; для фигурок с шарнирами можно добавить `doll joints`, а для чиби-фигурок — `chibi`. Модель распространяется в форматах Diffusers, PyTorch, SafeTensors и checkpoint, в вариантах fp16 и fp32. В README рекомендованы VAE от Waifu Diffusion и embedding `badquality` в негативном запросе; также приводятся примеры настроек генерации. Карточка указывает лицензию `other`, поэтому конкретные условия использования следует проверять в репозитории. Модель ориентирована на аниме-стиль, а не на реалистичные изображения.

ShapeLLM-7B — мультимодальная модель для понимания 3D-объектов и взаимодействия с ними, представленная авторами работы «ShapeLLM: Universal 3D Object Understanding for Embodied Interaction». Модель построена на архитектуре LLaVA с языковой частью LLaMA и точечным энкодером ReCon++ Large; число параметров — 6,6 млрд, контекст — 2048 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель принимает облака точек и текстовые инструкции и генерирует текстовые ответы. Она предназначена для диалога о 3D-сценах и объектах, zero-shot понимания 3D-объектов, визуального обоснования частей объектов и сценариев embodied interaction. README описывает двухэтапное обучение: выравнивание проектора и последующее дообучение на инструкциях. Указанная в метаданных задача — генерация текста; практические сценарии связаны с 3D-пониманием, но примеры результатов и ограничения качества в карточке не приведены.

VoxelModel v1 — небольшая модель генерации 3D-форм из текста, разработанная Bench Labs. Она создаёт сетку занятости размером 32×32×32; модель содержит около 40,05 млн обученных параметров и использует архитектуру VoxelDiT с 3D-разбиением на патчи и диффузионным методом rectified flow. Текстовое условие поступает из замороженного CLIP ViT-B/32. Модель обучена на описаниях и вокселизированных сетках объектов Objaverse. Модель подходит для быстрого создания грубых объёмных форм по коротким англоязычным описаниям, например мебели, деревьев, грибов, автомобилей и лодок. Она непосредственно генерирует геометрию без VAE и не создаёт цвет или материалы. Разрешения 32³ недостаточно для тонких деталей: мечи и ключи воспроизводятся плохо. README также отмечает переобучение к концу обучения и отсутствие убедительной метрики качества генерации. Лицензия — MIT.

Модель raphamendes00/carros-br-raphael-v2 — дообученный Sentence Transformer на базе raphamendes00/carros-br-raphael-v10, разработанный автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 384 для сравнения текстов по смыслу, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 1 200 парах примеров с OnlineContrastiveLoss; архитектура включает BERT, усреднение токенных представлений и нормализацию векторов. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; при практическом использовании следует учитывать ограничение Sentence Transformers в карточке.

Sakana AI разработала эту модель Continuous Thought Machine (CTM) и обучила её классифицировать изображения ImageNet-1K. Она демонстрирует визуальное рассуждение с помощью нейронной динамики: число итераций вычислений адаптируется к сложности изображения, а модель формирует интерпретируемые паттерны внимания и уточняет предсказание по ходу обработки. Модель предназначена для исследований и экспериментов с классификацией изображений и адаптивными вычислениями. Репозиторий содержит веса в формате safetensors; лицензия — Apache License 2.0. Авторы описывают её как экспериментальный прототип и не рекомендуют для коммерческого применения или критически важных сценариев.

Модель shadow/duckduck-roast_duck-heywhale разработана shadow в рамках DreamBooth Hackathon совместно с HF CN Community и HeyWhale. Это Stable Diffusion, дообученная методом DreamBooth на изображениях жареной утки для генерации изображений по текстовому описанию; для вызова изученного концепта в запросе используется формулировка «a photo of duckduck roast_duck». Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели и длину контекста.

HY-Motion 1.0 — серия моделей Tencent для генерации 3D-движений человека по текстовому описанию. Модели используют Diffusion Transformer (DiT) и Flow Matching и создают скелетные анимации, которые можно включать в рабочие процессы 3D-анимации. Стандартная версия содержит 1,0 млрд параметров; в серии также есть облегчённая версия на 0,46 млрд параметров. Модель предназначена для генерации движений одного человекоподобного персонажа по кратким описаниям действий: например, ходьбы, приседаний или вставания со стула. По README, обучение включало масштабное предварительное обучение на данных движений, дообучение на отобранных 3D-данных и этап обучения с обратной связью и моделями вознаграждения. Для наилучшего результата рекомендуются английские запросы длиной до 60 слов; для других языков предлагается предварительно переформулировать запрос. Модель не предназначена для анимации животных и других нечеловекоподобных существ, нескольких взаимодействующих людей, описаний окружения, ракурса камеры, внешности, одежды или сложных эмоций. Также не поддерживаются бесшовные циклы и анимация на месте. Для стандартной версии README указывает минимальную потребность в 26 ГБ видеопамяти. Лицензия обозначена на Hugging Face как other, поэтому конкретные условия следует сверять с лицензией репозитория.

PMA-1.3-Rosa-256M (Rosa) — компактная языковая модель Patriot Memory для работы на периферийных устройствах. Это плотная авторегрессионная модель семейства PMA3 с примерно 233 млн параметров по метаданным и контекстом 4096 токенов. Карточка описывает 19 слоёв, скрытый размер 1024 и групповое внимание GQA; модель доступна в формате safetensors и предназначена для запуска через Transformers. Rosa рассчитана на диалоговые ответы на английском и традиционном китайском, прежде всего по продуктам Patriot Memory и Viper Gaming: памяти DDR4/DDR5, SSD, накопителям и игровой периферии. Она поддерживает интерфейс вызова инструментов для интеграции с API, например проверки гарантии и поиска характеристик по серийному номеру. Также README упоминает исследовательский вариант генерации SVG. Модель ориентирована на автономную работу на edge-устройствах. В README отмечены аккуратное использование традиционных китайских иероглифов и форматирование видимых шагов рассуждения, однако вычисления могут быть ошибочными и уверенно поданными; генерация на открытые творческие запросы может повторяться, а модель не предназначена для длинных документов. Лицензия — Apache-2.0.

Qwen3.5-9B-OutsideTheBox-SFT — дообученная Elvis Wang на Qwen3.5-9B языковая модель для исследования агентного поведения в текстовой среде WebShop. Она выбирает следующее действие по инструкции о покупке, истории взаимодействия и внешним подсказкам рабочего процесса, включая вводящие в заблуждение подсказки. Обучение проведено на 2 023 задачах и 8 203 примерах ходов из обучающей части WebShop; тестовые задачи WebShop в обучении не использовались. Модель содержит 7,2 млрд параметров, построена на архитектуре Qwen3.5 для причинной генерации текста и имеет контекст до 262 144 токенов. Она рассчитана на эксперименты по использованию внешних инструкций и устойчивости к ошибочным подсказкам; для воспроизведения результатов нужны среда WebShop и соответствующая система взаимодействия. Распространяется по лицензии Apache-2.0.

RenderFormer-V1.1-Large — модель Microsoft для нейронного рендеринга треугольных сеток с глобальным освещением. В репозитории опубликованы веса модели; README отсылает за подробностями и инструкциями к статье и GitHub-проекту. Модель предназначена для преобразования входных изображений в изображения в рамках рендеринга 3D-сцен. Метаданные указывают задачу image-to-image, а опубликованные веса представлены в формате safetensors. Репозиторий распространяется по лицензии MIT. Карточка не сообщает размер модели, поддерживаемые языки или конкретные ограничения качества и применения.

StableMaterials — диффузионная модель генерации фотореалистичных PBR-материалов, разработанная с использованием подхода MatFuse на основе латентной диффузии. Она создаёт тайловые карты материалов разрешением 512×512 по текстовому или графическому запросу: базовый цвет, шероховатость, металлические свойства, высоту и нормали. Модель предназначена для создания материалов в разработке игр, архитектурной визуализации и цифровом контенте. Модель использует VAE для сжатия изображения и латентный диффузионный процесс. Обучение сочетает размеченные и неразмеченные данные, включая материалы из MatSynth и набора Deschaintre et al., а также текстурно-текстовые пары, созданные SDXL. В репозитории представлены базовая и consistency-версии; последняя сокращает число шагов генерации. Для получения тайловых результатов применяется свёртка признаковых карт в U-Net. Модель может испытывать трудности со сложными пространственными описаниями, тонкими узорами и фигурами, а также иногда неверно предсказывает отражательные свойства отдельных материалов. Лицензия — OpenRAIL.

ViT-Beatrix — набор Vision Transformer для классификации изображений, разработанный автором репозитория AbstractPhil. Модели сочетают фрактальное позиционное кодирование на основе Devil’s Staircase с геометрическими признаками симплексов; для инициализации симплексов используется SimplexFactory. В README описаны контрольные точки, обученные на CIFAR-100, включая варианты с размерностью эмбеддинга 512, глубиной 8 слоёв и размером патча 4×4. Модель предназначена для классификации изображений и экспериментов с геометрическими и многошкальными представлениями в Vision Transformer. В обучении используются адаптивное усиление аугментаций и дополнительные функции потерь для выравнивания потоков, иерархической согласованности и многошкальной согласованности. README приводит точность отдельных контрольных точек на CIFAR-100 в диапазоне примерно 0,54–0,58. Репозиторий распространяется под лицензией MIT. Указанные результаты относятся к CIFAR-100 и не подтверждают качество на других наборах данных или при переносе на иные сценарии. В README не приведены сведения о длине контекста или поддержке естественного языка; модель принимает изображения и выдаёт метки классов.