IV.1Ритейл, электронная коммерция и fashion-tech

SceneWorks/Mage-Flow-Edit-Turbo — архивная копия модели Microsoft Mage-Flow-Edit-Turbo для редактирования изображений по текстовым инструкциям. Репозиторий заявлен как побайтно идентичное зеркало upstream-версии; веса не конвертировались, не квантизировались и не дообучались. Модель относится к семейству Mage-Flow: в нём используется NR-MMDiT — мультимодальный диффузионный трансформер с rectified flow matching, а также текстовый энкодер Qwen3-VL и Mage-VAE. Конкретно вариант Edit-Turbo предназначен для редактирования изображений за несколько шагов генерации. Модель принимает исходное изображение и текстовую инструкцию, а выдаёт отредактированное изображение. Поддерживаются семантическое редактирование, преобразование внешнего вида, восстановление изображений и создание результатов с учётом структуры сцены. Семейство рассчитано на работу с изображениями разных разрешений и пропорций; для Edit-Turbo README указывает четыре шага генерации. Указанная в карточке лицензия — MIT. Для запуска используется библиотека Diffusers.

MAGAer13/mplug-owl-bloomz-7b-multilingual — мультиязычная модель семейства mPLUG-Owl для описания изображений и ответов на вопросы по ним. Карточка показывает, что модель использует архитектуру mPLUG-Owl и распространяется в формате PyTorch; разработчик модели в доступных сведениях не описан. Модель предназначена для сценариев, где нужно получить текстовое описание изображения или извлечь сведения из него с помощью вопросов на естественном языке. В метаданных указана поддержка английского, китайского, французского и японского языков, а также мультиязычность. Лицензия — Apache-2.0. Данные о числе параметров и длине контекста не приведены.

Occamy-35B — модель с открытыми весами, разработанная командой Occamy AI. Она дообучена на базе Qwen3.6-35B-A3B и предназначена для агентных сценариев: принятия решений на длинном горизонте, координации нескольких инструментов, многошаговых бизнес-процессов, Claw-style рабочих процессов, агентного программирования и задач электронной коммерции. Модель относится к семейству text-generation и ориентирована на английский язык. Заявлены поддержка tool use, coding и long-context; для развёртывания рекомендуется контекст до 262 144 токенов, а в тестах SWE-bench Pro использовался контекст 200K. В README не указаны точные сведения о внутренней архитектуре, числе активных параметров, количестве параметров всего и перечне поддерживаемых модальностей, поэтому модель следует рассматривать как текстовую. Ключевая особенность — методика Data RSI (Data Recursive Self-Improvement), при которой результаты выполнения динамически сформированных задач используются для последующей адаптации данных. По представленным оценкам, Occamy-35B особенно сильна в агентных задачах, многоходовом использовании инструментов и программировании, хотя в отдельных бенчмарках уступает более крупным моделям. Для промышленного использования рекомендуются SGLang или vLLM с OpenAI-совместимым API. Лицензия в README не указана.

PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.

wangkanai/qwen2.5-vl-7b-instruct — мультимодальная instruction-tuned модель семейства Qwen 2.5, опубликованная пользователем wangkanai. Она предназначена для анализа изображений и генерации текстовых ответов в сценариях визуального вопросно-ответного взаимодействия, описания изображений, OCR, анализа графиков и диаграмм, а также мультимодального диалога и других задач image-to-text. Модель построена на архитектуре Qwen2.5-VL с vision-language Transformer и ViT-ориентированным визуальным энкодером, содержит около 7 миллиардов параметров и принимает текст и изображения в форматах JPEG, PNG и WebP, возвращая естественный язык. Заявленная длина контекста составляет 4096 токенов с учётом текста и изображения. Доступны варианты FP16 SafeTensors и GGUF, включая квантованные Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. К сильным сторонам относятся сочетание визуального понимания, следование инструкциям и поддержка разнообразных мультимодальных задач. Ограничения включают относительно короткий заявленный контекст, зависимость требований к ресурсам от формата и возможные потери качества при квантовании. Это abliterated-версия с уменьшенными или удалёнными ограничениями на отказы, поэтому её ответы могут быть менее безопасными и требуют дополнительного контроля при использовании. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-ControlNet-Inpainting — модель ControlNet от InstantX для масочного заполнения и расширения изображений на базе Qwen-Image. Она предназначена для редактирования выбранной области с сохранением заданного контекста изображения: замены объектов и фона, изменения текста на изображении и дорисовки за его границами. Контрольная сеть состоит из шести двойных блоков, скопированных из предварительно обученных слоёв трансформера. Модель обучали с нуля 65 тысяч шагов на наборе из 10 миллионов изображений общего назначения и изображений людей; разрешение обучения — 1328 × 1328, точность — bfloat16. Для работы требуется базовая модель Qwen/Qwen-Image и совместимый конвейер Diffusers; также заявлена поддержка ComfyUI версии 0.3.59 или новее. Модель чувствительна к формулировкам запроса: рекомендуется подробно описывать всё изображение, включая редактируемую область и фон, и использовать описательные запросы. Модель распространяется по лицензии Apache-2.0.

Карточка модели sbcBI/sentiment_analysis на Hugging Face совпадает с карточкой sbcBI/sentiment_analysis_model, поэтому описание составлено по ней. sbcBI/sentiment_analysis_model — модель классификации английских текстов по тональности, созданная дообучением bert-base-uncased. В метаданных архитектура указана как DistilBertForSequenceClassification семейства DistilBERT; доступный формат весов — PyTorch, максимальный контекст — 512 токенов. README описывает обучение на размеченном наборе данных, который обозначен в метаданных как Confidential. Модель предназначена для определения тональности текста и уже настроена на эту задачу; автор README не рекомендует использовать её для дальнейшего дообучения под другие задачи. Подходит для классификации англоязычных отзывов, комментариев и коротких сообщений. Лицензия — Apache-2.0.

Step1X-Edit-v1p1-diffusers — модель StepFun AI для редактирования изображений по текстовым инструкциям. Она использует MLLM для интерпретации запроса и генерации токенов редактирования, а затем декодирует их в изображение с помощью сети на основе DiT. Версия v1.1 также поддерживает генерацию изображений по тексту. Модель предназначена для изменения загруженного изображения по запросу и создания изображения по текстовому описанию. В README сообщается об улучшении качества редактирования и следования инструкциям относительно версии v1.0; приведены результаты оценки на GEdit-Bench-EN. Репозиторий использует библиотеку Diffusers и содержит веса в формате safetensors. Лицензия — Apache-2.0.

Mozilla/distilvit — экспериментальная модель для генерации текстовых описаний изображений. Это архитектура vision-encoder-decoder: зрительный энкодер на основе ViT сочетается с текстовым декодером на основе дистиллированного GPT-2. В метаданных базовой моделью указан google/vit-base-patch16-224-in21k; README также сообщает о Distilled GPT-2 в декодере. Модель дообучалась на наборах изображений и подписей COCO 2017 и Flickr30k, а также на изображениях Pexels и наборах DocOrNot и Alt Text Validation. Её основная задача — создавать подписи и альтернативный текст к изображениям. Репозиторий содержит веса PyTorch, Safetensors и ONNX. Модель опубликована по лицензии Apache-2.0. README характеризует модель как находящуюся в разработке, поэтому её качество и надёжность могут быть нестабильными. Метаданные указывают задачу генерации текста по изображению, но не сообщают размер модели, длину контекста или поддерживаемые естественные языки.

HiDream-E1.1 — модель редактирования изображений от HiDream.ai, построенная на базе HiDream-I1-Full. Она предназначена для изменения изображений по инструкциям и для интерактивного редактирования через демонстрационное приложение Gradio. В карточке приведены результаты оценки на наборах EmuEdit и ReasonEdit, охватывающих глобальные и локальные изменения, добавление и удаление объектов, редактирование текста, фона, цвета и стиля. Модель распространяется в форматах Diffusers и safetensors и использует библиотеку Diffusers. Для запуска автор рекомендует установить Flash Attention и последнюю версию Diffusers; в README также указана рекомендация по CUDA 12.4. Лицензия — MIT. Размер модели, длина контекста и список поддерживаемых языков в источниках не приведены.

rajistics/layoutlmv3-finetuned-cord_500 — модель LayoutLMv3, дообученная на наборе cord-layoutlmv3 для классификации токенов в документах. Она объединяет текстовые данные с визуальной структурой страницы и предназначена для извлечения и разметки полей в документах, подобных квитанциям CORD. В README указаны результаты на оценочной выборке: F1 0,9541, точность 0,9610, precision 0,9509 и recall 0,9573. Модель содержит 151,8 млн параметров, принимает текст и изображение документа и выдаёт метки для токенов; нативный контекст — 514 токенов. Опубликована в формате PyTorch и распространяется по лицензии CC BY-NC-SA 4.0, предусматривающей некоммерческое использование и распространение производных работ на тех же условиях. Результаты относятся к оценочной выборке CORD; README не приводит подробностей о классах меток и качестве на других типах документов.

Lucida — дообученная на базе ZhengPeng7/BiRefNet_HR модель BiRefNet для удаления фона и мягкого выделения объектов с сохранением полупрозрачных краёв. Автор модели заявляет об улучшенной обработке замаскированных объектов, стекла и других прозрачных материалов, текста и логотипов, свечений для визуальных эффектов и иллюстраций. Опубликованный выпуск v7 предназначен для общего удаления фона; модель принимает изображения и формирует маску сегментации, пригодную для получения изображения с прозрачностью. В репозитории также есть экспериментальная ветка m35 для печатного дизайна, рассчитанная на работу в конвейере ComfyUI с дополнительными компонентами. В карточке приведены результаты внутреннего теста на 203 изображениях в девяти категориях: Lucida показала сильные результаты на камуфляже, иллюстрациях, логотипах и печатной графике. Это заявление автора, а не независимая оценка. Для стандартного файла требуется загрузка через Transformers с предварительной обработкой Normalize; m35 использует другую схему. Модель распространяется по лицензии MIT, однако некоторые обучающие наборы данных имеют исследовательские ограничения, которые следует учитывать при выборе сценария использования.

Mage-Flow-Edit — модель генерации и редактирования изображений из семейства Mage-Flow, представленная в карточке как модель для редактирования по инструкции. Семейство разработано как компактный стек примерно на 4 млрд параметров: в его основе лежат латентный токенизатор Mage-VAE и общий мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow matching. Репозиторий использует Diffusers и формат safetensors. Модель принимает исходное изображение и текстовую инструкцию, чтобы менять содержимое и внешний вид, преобразовывать сцену, восстанавливать изображение и создавать структурно согласованные варианты. Семейство поддерживает работу с разрешениями от 512 до 2048 пикселей и разными соотношениями сторон. В README описаны базовая, согласованная с предпочтениями и ускоренная четырёхшаговая версии семейства; точный вариант этого репозитория не уточнён. README заявляет компактность и высокую скорость, а для Turbo-варианта приводит время редактирования около 1,02 секунды на изображение 1024×1024 на одном A100. Эти показатели относятся к указанной конфигурации и не гарантируют такую же скорость на другом оборудовании. Модель распространяется по лицензии MIT.

Mage-Flow-Edit-Base — базовая модель для редактирования изображений по текстовым инструкциям, опубликованная Microsoft и зеркально размещённая SceneWorks. Репозиторий содержит неизменённую копию microsoft/Mage-Flow-Edit-Base: веса не переобучались, не квантизировались и не конвертировались. Модель относится к семейству Mage-Flow и использует диффузионный стек с rectified flow: мультимодальный трансформер NR-MMDiT и VAE Mage-VAE; текстовый энкодер основан на Qwen3-VL. Карточка характеризует семейство как компактное, примерно 4B-масштаба, но размер параметров именно этого чекпойнта не указан. Модель принимает изображение и текстовую инструкцию и предназначена для семантического редактирования, преобразования внешнего вида, восстановления изображений и создания вариантов с учётом структуры исходного изображения. Стек семейства рассчитан на работу с изображениями от 512 до 2048 пикселей и разными соотношениями сторон; отдельное значение длины контекста в карточке не приведено. Модель распространяется в формате Diffusers и Safetensors по лицензии MIT. Указанные в карточке семейства показатели скорости относятся к Turbo-варианту и не должны переноситься на эту базовую версию.

Карточка модели natalie5/Mage-Flow-Edit-Turbo на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow-Edit-Turbo, поэтому описание составлено по ней. Mage-Flow-Edit-Turbo — вариант модели Mage-Flow-Edit от команды Mage-Flow, предназначенный для редактирования изображений по текстовым инструкциям. Это компактная модель семейства Mage-Flow с общей для генерации и редактирования архитектурой NR-MMDiT на 4 млрд параметров и латентным токенизатором Mage-VAE; обучение использует rectified flow. Вариант Turbo рассчитан на быстрое редактирование за четыре шага генерации. Модель принимает исходное изображение и текстовую инструкцию. Она подходит для изменения объектов и сцен, преобразования внешнего вида и художественного стиля, восстановления изображений и получения вариантов результата с учётом структуры исходника. Семейство ориентировано на работу с изображениями разного соотношения сторон и разрешением от 512 до 2048 пикселей; для Mage-Flow-Edit-Turbo в README указано время редактирования около 1,02 секунды для изображения 1024×1024 на одной A100. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия — MIT. Для запуска описана установка компонентов CUDA, включая flash-attn; приведённые показатели скорости относятся к указанному оборудованию и не гарантируют такую же задержку в других условиях.

Qwen3-VL-8B-Instruct-Unredacted-MAX-FP8 — мультимодальная vision-language модель, опубликованная prithivMLmods и основанная на Qwen3-VL-8B-Instruct-Unredacted-MAX. Это FP8-сжатая версия с архитектурой на 8 млрд параметров, предназначенная для анализа изображений, генерации подробных подписей и рассуждений по сложному визуальному содержимому. В карточке указана поддержка английского языка, а основная модальность описана как image-text-to-text. Модель рассчитана на расширенное визуальное рассуждение, включая анализ художественных, технических, медицинских, исторических, абстрактных и исследовательских материалов. Возможные сценарии применения включают генерацию описаний для датасетов и метаданных, задачи доступности, архивирование визуальных данных, red-teaming, исследование механизмов отказа и творческое повествование. Она поддерживает динамическое разрешение и различные соотношения сторон изображений. Ключевая особенность — квантование весов и активаций в формате FP8 W8A8 с использованием BF16 и F8_E4M3, что снижает потребление VRAM и может повысить производительность инференса при сохранении возможностей исходной модели. Вариант оптимизирован для Hopper и совместимых GPU, однако для обработки изображений высокого разрешения и длинной генерации всё ещё требуется достаточно VRAM и совместимое аппаратное обеспечение. Abliterated fine-tuning уменьшает встроенные отказы, поэтому модель может генерировать чувствительное или спорное содержимое; результаты требуют ответственного и законного использования. Лицензия — Apache-2.0.

Карточка модели ViktorLin/Qwen-Image-ControlNet-Inpainting на Hugging Face совпадает с карточкой InstantX/Qwen-Image-ControlNet-Inpainting, поэтому описание составлено по ней. Qwen-Image-ControlNet-Inpainting — модель ControlNet от InstantX для масочного заполнения и расширения изображений на базе Qwen-Image. Она предназначена для редактирования выбранной области с сохранением заданного контекста изображения: замены объектов и фона, изменения текста на изображении и дорисовки за его границами. Контрольная сеть состоит из шести двойных блоков, скопированных из предварительно обученных слоёв трансформера. Модель обучали с нуля 65 тысяч шагов на наборе из 10 миллионов изображений общего назначения и изображений людей; разрешение обучения — 1328 × 1328, точность — bfloat16. Для работы требуется базовая модель Qwen/Qwen-Image и совместимый конвейер Diffusers; также заявлена поддержка ComfyUI версии 0.3.59 или новее. Модель чувствительна к формулировкам запроса: рекомендуется подробно описывать всё изображение, включая редактируемую область и фон, и использовать описательные запросы. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-Edit-Causal — версия модели редактирования изображений Qwen-Image-Edit-2511 с блочно-каузальным механизмом внимания. Её назначение — редактировать изображение по текстовому запросу; механизм внимания призван ускорить инференс. Репозиторий представлен в форматах Diffusers и safetensors и использует Apache License 2.0.

unsloth/Qwen-Image-Edit-GGUF — квантизированная в формате GGUF версия модели Qwen-Image-Edit, разработанная Unsloth на базе 20B-модели Qwen-Image от команды Qwen. Модель предназначена для редактирования изображений по текстовым инструкциям и относится к задачам image-to-image. Она поддерживает одновременное управление визуальной семантикой и внешним видом изображения. Модель подходит для добавления, удаления и изменения объектов, локального редактирования с сохранением остальных областей, стилизации, переноса стиля, поворота объектов и создания оригинальных персонажей или визуальных концепций. Она также умеет редактировать текст внутри изображений на китайском и английском языках, сохраняя исходные шрифт, размер и стиль. Для визуального семантического контроля используется Qwen2.5-VL, а для контроля внешнего вида — VAE Encoder. Разработчики заявляют высокие результаты на нескольких публичных бенчмарках редактирования изображений. Сильные стороны модели — сочетание семантического и низкоуровневого редактирования, точная работа с китайским и английским текстом и применение Unsloth Dynamic 2.0 для квантизации с повышенной точностью важных слоёв. Точный размер GGUF-файлов, требования к оборудованию, поддерживаемые разрешения и полный перечень вариантов квантизации в README не указаны. Модель распространяется по лицензии Apache-2.0.

UniPic3-Consistency-Model — модель Skywork для редактирования изображений и композиции нескольких изображений, основанная на Consistency Flow Matching. Она дистиллирована из UniPic-3 и сопоставляет зашумлённые латентные состояния с чистыми изображениями, поддерживая генерацию не более чем за 8 шагов. Модель ориентирована на сохранение структуры и композиции, геометрическое выравнивание и семантическую согласованность, в том числе при взаимодействии человека с объектами. Лицензия — MIT.

Waktaverse-Llama-3-KO-8B-Instruct — корейская диалоговая языковая модель команды Waktaverse AI, дообученная на основе meta-llama/Meta-Llama-3-8B-Instruct. Модель с плотной архитектурой Llama содержит 7,5 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Основные языки — корейский и английский. Для улучшения ответов на корейском разработчики рекомендуют задавать системный промпт на корейском языке. Модель подходит для выполнения инструкций, продолжения текста, суммаризации и ответов на вопросы, в том числе по коммерческим текстам на корейском языке из обучающего набора KoCommercial-Dataset. Для запуска можно использовать Transformers. Лицензия — Llama 3. Как и другие языковые модели, она может воспроизводить смещения из обучающих данных, ошибаться на необычных запросах и неверно понимать культурный контекст. Разработчики не рекомендуют применять её для решений с высокими ставками в медицине, праве и критически важных для безопасности сценариях.

Fanar-2-Oryx-IVU — мультимодальная модель для понимания изображений и видео, разработанная Институтом вычислительных исследований Катара (QCRI) при Университете Хамада бин Халифы (HBKU). Она основана на Qwen2.5-VL-7B-Instruct и дообучена для работы с арабским и английским языками, с приоритетом арабского и учетом культурного контекста. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для визуальных вопросов и ответов, описания изображений, локализации объектов, распознавания арабской каллиграфии, анализа документов и понимания видео. Обучение на 62 млн примеров охватывало культурные материалы 22 арабских стран, арабскую и английскую подписи к изображениям, разметку объектов и текстовые инструкции. Авторы сообщают об улучшении результатов на культурно значимом контенте относительно базовой модели и снижении переключения между языками в арабских ответах. Модель может применяться для документирования культурного наследия, образовательных и музейных сервисов, доступности, модерации контента и описания товаров. Среди ограничений — возможные галлюцинации, ошибки распознавания текста на изображениях, различия в качестве для арабских диалектов и неполное понимание культурных нюансов. Лицензия — Apache-2.0.

microsoft/git-base-textcaps — модель семейства GIT (Generative Image-to-text), разработанная Microsoft и дообученная на наборе TextCaps. Это трансформер-декодер, который обрабатывает токены изображения, полученные из CLIP, и генерирует текстовые токены. Модель содержит 80,1 млн параметров и рассчитана на контекст до 1024 токенов. Основное назначение этой версии — создание подписей к изображениям, в том числе с распознаванием текста, встречающегося на изображении. Семейство GIT также применимо к визуальным вопросам и ответам и классификации изображений через текстовую генерацию, однако эти сценарии не заявлены как специализация данного чекпойнта. В карточке указан английский язык. Модель принимает изображения и текстовый контекст и выдаёт текст. Ограничение: это специализированная версия для TextCaps, поэтому её качество на других задачах и типах изображений может отличаться; подробные результаты оценки приведены в статье. Лицензия — MIT.

InternVL2_5-8B — мультимодальная диалоговая модель серии InternVL 2.5, разработанная командой OpenGVLab. Она сочетает визуальный энкодер InternViT-300M-448px-V2_5 с языковой моделью internlm/internlm2_5-7b-chat в архитектуре ViT-MLP-LLM; компоненты объединены для работы как единой модели. Репозиторий содержит веса в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии MIT. Модель предназначена для диалога по изображениям и видео, анализа нескольких изображений в одном запросе, визуального распознавания текста и ответов на обычные текстовые запросы. Динамическая обработка высокого разрешения разбивает изображения на фрагменты 448×448 пикселей, а видеоданные обрабатываются как последовательность кадров. Карточка характеризует серию как мультиязычную; точный перечень языков и размер контекстного окна для этой версии не приведены. К сильным сторонам относятся работа с изображениями высокого разрешения, несколькими изображениями и видео, а также сохранение возможностей текстового диалога. Обработка изображений и множества видеокадров увеличивает расход токенов и требования к контексту; качество ответов зависит от входных данных и может быть ограничено ошибками визуального восприятия или генерации.

Карточка модели Jinstudio/LongCat-Image-Edit на Hugging Face совпадает с карточкой meituan-longcat/LongCat-Image-Edit, поэтому описание составлено по ней. LongCat-Image-Edit — модель Meituan для редактирования изображений по инструкциям на китайском и английском языках. Она предназначена для глобальных и локальных правок, изменения текста на изображении и редактирования с опорой на референсное изображение. Модель стремится точно следовать инструкциям и сохранять в нетронутых областях композицию, текстуры, цветовую гамму и идентичность объектов. Поддерживает многошаговое редактирование; в карточке также заявлены высокое качество изображений и повышенная эффективность вывода среди открытых моделей для редактирования. Для генерации или изменения текста на изображении целевой текст рекомендуется заключать в кавычки. Модель распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0. В README не приведены размер модели и длина контекста.

Lumina-DiMOO — мультимодальная модель на основе дискретной диффузии, разработанная исследователями из Shanghai Innovation Institute, Shanghai AI Laboratory, Shanghai Jiao Tong University и ряда других университетов. Она объединяет генерацию и понимание изображений с текстовой обработкой в общей архитектуре LLaDA. Модель предназначена для создания изображений по текстовым описаниям, редактирования и дополнения изображений, генерации с заданным объектом, а также понимания изображений. В README заявлены генерация изображений высокого разрешения и ускорение семплирования за счёт специального кэширования; для генерации изображений описан режим с 64 шагами, а для понимания — блочная обработка текста. Репозиторий использует форматы Diffusers и Safetensors. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на нескольких бенчмарках, однако конкретные численные показатели в карточке не приведены.

Карточка модели servantofares/Mage-Flow-Edit-Turbo на Hugging Face совпадает с карточкой Mage-Fans/Mage-Flow-Edit-Turbo, поэтому описание составлено по ней. Mage-Flow-Edit-Turbo — вариант модели Mage-Flow-Edit для редактирования изображений по текстовым инструкциям, разработанный командой Mage-Flow. Это мультимодальный диффузионный трансформер NR-MMDiT с 4 млрд параметров, работающий в латентном пространстве Mage-VAE и обученный методом rectified flow. Версия Turbo использует дистиллированный режим генерации за четыре шага. Модель принимает исходное изображение и текстовую инструкцию. Она предназначена для смыслового и локального редактирования содержимого, преобразования внешнего вида и стиля, изменения сцен и объектов, восстановления изображений и других преобразований с учётом структуры. Семейство рассчитано на работу с изображениями в родном разрешении от 512 до 2048 пикселей и разными соотношениями сторон; в README приведены результаты редактирования на изображениях 1024×1024. Репозиторий распространяется в формате Diffusers с весами Safetensors. Указана лицензия MIT. Для запуска описана установка CUDA-зависимостей, включая flash-attn. README заявляет интерактивную скорость редактирования, но фактическая производительность зависит от оборудования; указанное измерение для Turbo получено на одном A100.

Maya — модель зрения и языка, разработанная сообществом Cohere For AI. Она объединяет архитектуру LLaVA, языковую модель Aya-23 8B и визуальный энкодер SigLIP. Модель содержит 8 млрд параметров, принимает изображения и текст, а длина контекста составляет 8 тысяч токенов. Maya предназначена для многоязычных вопросов и ответов по изображениям, создания подписей, визуальных рассуждений и понимания документов. Она поддерживает английский, китайский, французский, испанский, русский, японский, арабский и хинди; обучение проводилось на наборе из 558 тысяч изображений с многоязычными аннотациями. Разработчики уделяли внимание культурной чувствительности и фильтрации токсичного контента. Качество зависит от языка, задачи и качества изображения; модель может упускать тонкие культурные нюансы и сохранять предубеждения из обучающих данных. Она не предназначена для критически важных решений. Лицензия — Apache 2.0.

DevQuasar/openbmb.MiniCPM-V-4.6-GGUF — это квантованная версия мультимодальной модели openbmb/MiniCPM-V-4.6, опубликованная пользователем или организацией DevQuasar. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов на основе визуального и текстового ввода.

Карточка модели fal/paligemma-3b-mix-224 на Hugging Face совпадает с карточкой google/paligemma-3b-mix-224, поэтому описание составлено по ней. PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.