IV.1Ритейл, электронная коммерция и fashion-tech

Qwen-Image — базовая модель генерации изображений из серии Qwen, представленная разработчиками Qwen. Она предназначена для создания изображений по текстовым запросам и редактирования изображений: поддерживает перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляции с позой человека. Модель также заявлена для задач понимания изображений, включая обнаружение объектов, семантическую сегментацию, оценку глубины и контуров, синтез новых ракурсов и сверхразрешение. Среди сильных сторон авторы отмечают точное отображение текста и сохранение композиции, особенно для китайского языка; заявлена также поддержка английского и разнообразных визуальных стилей. Репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

calcuis/qwen-image-edit-plus-gguf — это GGUF-квантизированная версия модели Qwen/Qwen-Image-Edit-2509 для редактирования изображений по текстовым инструкциям. Модель предназначена для image-to-image сценариев: изменения объектов и деталей изображения, добавления элементов, замены или настройки фона, объединения содержимого нескольких изображений и работы с композициями из нескольких входных изображений. В зависимости от режима можно использовать до трёх изображений одновременно. Модель поддерживает текстовые и визуальные входные данные, однако сведения о точном размере основной модели, максимальном текстовом контексте и полном наборе языков в README не указаны. Доступны несколько GGUF-вариантов с разными схемами квантизации, включая IQ3_S, IQ4_NL и MXFP4_MOE, а также экспериментальные lite-варианты и интеграция с safetensors через Nunchaku. Lite LoRA может автоматически применяться для генерации за 4–8 шагов вместо стандартных 40, что сокращает время загрузки и инференса, но экспериментальные режимы могут быть менее стабильными. Модель можно запускать через gguf-connector, gguf-node в ComfyUI или обновлённую версию Diffusers; для работы требуются совместимые текстовые энкодеры, VAE и соответствующее аппаратное обеспечение. README не приводит результаты бенчмарков и не описывает ограничения качества, поэтому стабильность и производительность зависят от выбранного варианта, режима запуска и устройства. Распространение указано по лицензии Apache-2.0.

alwold/stable-diffusion-2-inpainting — репозиторий модели Stable Diffusion 2 для дорисовки и редактирования изображений по текстовому запросу и маске. Разработчики исходной модели — Robin Rombach и Patrick Esser. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер OpenCLIP-ViT/H; веса продолжили обучать от stable-diffusion-2-base ещё 200 тысяч шагов. Репозиторий содержит модель в форматах Diffusers, PyTorch и safetensors. Модель предназначена для заполнения выбранных областей изображения и творческого редактирования с помощью текстового описания. При обработке используются стратегия генерации масок LAMA и латентные представления изображения с замаскированной областью. Основной язык запросов — английский; качество подсказок на других языках ниже. Лицензия — CreativeML Open RAIL++-M. Ограничения исходной карточки Stable Diffusion 2 применимы и здесь: модель может ошибаться в композиционно сложных сценах и изображении людей, не гарантирует фотореализм и не умеет надёжно создавать читаемый текст. Данные обучения включали отфильтрованные подмножества LAION-5B, но модель может воспроизводить смещения и нежелательное содержание; её не следует использовать для фактических изображений людей и событий или вредоносных целей.

UForm-Gen-Chat — компактная мультимодальная модель компании unum-cloud для понимания изображений и общения о них. Она принимает изображение и текстовый запрос, а в ответ генерирует текст; основные задачи — создание подписей к изображениям и визуальные ответы на вопросы. Chat-версия получена дообучением UForm-Gen на мультимодальных инструкциях. В состав базовой модели входят визуальный энкодер UForm Vision Encoder и языковая модель Sheared-LLaMA-1.3B; при обучении использовались MSCOCO, SBU Captions, Visual Genome, VQAv2, GQA и внутренние наборы данных. Модель подходит для описания содержимого изображений, ответов на вопросы о сценах и диалоговых сценариев с визуальным контекстом. В метаданных указаны английский язык и лицензия Apache-2.0. README характеризует модель как небольшую, но не приводит точный общий размер параметров или длину контекста. Качество зависит от изображения и формулировки запроса; модель предназначена для визуальных задач и не подтверждена как универсальная языковая модель.

VIBE (Visual Instruction Based Editor) — модель для редактирования изображений по текстовым инструкциям. Она объединяет диффузионную основу Sana1.5-1.6B с визуальным энкодером Qwen3-VL-2B-Instruct и распространяется как слияние этих моделей. Репозиторий использует Diffusers и формат safetensors; в README указана точность BF16. Модель принимает изображение и текстовую инструкцию, чтобы изменять содержимое изображения, а также поддерживает генерацию изображений по тексту. README заявляет редактирование изображений с разрешением до 2048 пикселей и высокую скорость за счёт механизма linear attention в Sana. Для запуска требуется библиотека vibe. Основной сценарий — выполнение правок вроде добавления объектов или изменения сцены с учётом визуального содержимого исходного изображения. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

vit_large_patch14_clip_224.laion2b_ft_in1k — модель классификации изображений на архитектуре Vision Transformer (ViT), опубликованная проектом timm. Она предварительно обучена с помощью OpenCLIP на парах изображение–текст из LAION-2B, затем дообучена на ImageNet-1k. Модель содержит около 304,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k и как визуальная основа для извлечения признаков и получения эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Ограничение классификатора: его предсказания ориентированы на классы ImageNet-1k, поэтому для иных категорий может потребоваться адаптация.

CapRL-Qwen3VL-4B — мультимодальная модель InternLM для создания подробных описаний изображений. Она основана на архитектуре Qwen3-VL и содержит 4 млрд параметров; работает с изображениями и текстовыми запросами, выдавая текст. Модель обучена в рамках серии CapRL 2.0 с обновлённой схемой подготовки данных, включающей фильтрацию вопросов и ответов и более разнообразный набор изображений. Модель предназначена прежде всего для описания естественных изображений, диаграмм, инфографики и документов. По заявлению разработчиков, она превосходит CapRL-Qwen2.5VL-3B и Qwen2.5VL-72B в задачах описания изображений, формируя структурированные и подробные ответы с меньшим числом галлюцинаций. Карточка приводит английский язык; длина контекста не указана. Репозиторий содержит веса safetensors, модель использует библиотеку Transformers и поддерживает диалоговый интерфейс. Модель распространяется по лицензии Apache-2.0. Ограничения: оценки качества приведены разработчиками и зависят от типа изображения и запроса; даже при заявленном снижении галлюцинаций описания могут содержать ошибки.

FLUX.1 Fill [dev] — модель генерации и редактирования изображений от Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный с дистилляцией guidance. Модель заполняет выбранные области существующего изображения по текстовому описанию, стараясь согласовать результат с запросом и структурой исходного изображения. Модель предназначена для редактирования изображений и творческих рабочих процессов: например, для замены или добавления объектов и восстановления областей изображения по текстовой инструкции. Она принимает изображение и текстовое описание и выдаёт отредактированное изображение. Для запуска предусмотрена поддержка Diffusers через FluxFillPipeline. Качество генерации и следование запросу могут уступать FLUX.1 Fill [pro] и зависят от формулировки запроса. При заполнении сложных текстур возможны линии на границах области, а незатронутые области могут немного менять цвет. Модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Для весов указана лицензия FLUX.1 [dev] Non-Commercial License; README описывает допустимые сценарии использования, но лицензия ограничивает коммерческое применение.

FLUX.1 Kontext [dev] в формате FP8 scaled для Diffusers — модель редактирования изображений, разработанная Black Forest Labs и представляемая в этом репозитории как конверсия базовой модели black-forest-labs/FLUX.1-Kontext-dev. Это трансформер rectified flow с 12 млрд параметров, который изменяет изображение по текстовой инструкции; также поддерживает генерацию изображений по тексту. Модель подходит для изменения объектов, стиля и внешнего вида персонажей с сохранением заданных визуальных ориентиров без дополнительного дообучения. Согласованность между последовательными правками помогает уточнять результат, уменьшая визуальный дрейф. Указаны Diffusers и форматы safetensors; основной язык карточки — английский. Лицензия репозитория обозначена как other; README ссылается на некоммерческую лицензию FLUX.1 [dev] и описывает использование для личных, научных и коммерческих целей, поэтому условия следует сверять с текстом лицензии для конкретного применения.

HyperCLOVAX-SEED-Vision-Instruct-3B — компактная мультимодальная модель NAVER для понимания изображений и видео и генерации текстовых ответов. Она основана на собственной текстовой модели NAVER HyperCLOVAX-SEED-Text-Base-3B и дообучена с помощью SFT и RLHF; архитектура включает LLaVA-подобную языковую часть, визуальный энкодер на основе SigLIP и соединитель C-Abstractor с механизмом AnyRes. В языковой части 3,2 млрд параметров, в визуальной — 0,43 млрд. Модель принимает текст, изображения и видео и выдаёт текст. Она предназначена для визуальных вопросов и ответов, интерпретации диаграмм и графиков, распознавания текста на изображениях без отдельного OCR и понимания видео; также улучшена работа с корейским языком. Контекст составляет 16 тыс. токенов, а обработка видео оптимизирована по числу визуальных токенов. Модель подходит для прикладных сценариев, где важны компактность и визуальный анализ, однако её возможности и качество могут уступать более крупным системам на сложных задачах. Данные обучения собраны до августа 2024 года. В репозитории указана лицензия other; конкретные условия следует проверять в карточке модели NAVER перед использованием.

radames/instruct-pix2pix-img2img — модель редактирования изображений по текстовым инструкциям, основанная на InstructPix2Pix и предназначенная для использования с библиотекой Diffusers. Пользователь передаёт исходное изображение и описывает требуемые изменения, а модель создаёт отредактированное изображение. Модель подходит для преобразования изображений по запросу на естественном языке. В метаданных основная задача указана как image-to-image; классификатор каталога также отмечает text-to-image, однако README описывает именно редактирование существующего изображения. Репозиторий распространяет веса в формате Diffusers, включая safetensors. Лицензия — MIT. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста и конкретные ограничения качества. Для запуска README приводит зависимости diffusers, accelerate, safetensors и transformers.

Kolors-Inpainting — модель генерации и редактирования изображений с заполнением замаскированных областей, разработанная командой Kwai. Веса и код вывода инициализированы из Kolors-Basemodel. Архитектура основана на UNet; для обработки маски к входу добавлены пять каналов: четыре для закодированного изображения с маской и один для самой маски. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для восстановления или замены содержимого выбранной области изображения по текстовому запросу. В README описано обучение с разнообразными масками, включая случайные, прямоугольные, сегментационные и расширенные морфологическими операциями. В приведённой пользовательской оценке на наборе из 200 примеров Kolors-Inpainting получила наивысший общий балл среди сравниваемых моделей; сравнение использовало китайские запросы для Kolors и английские для SDXL-Inpainting. Модель поддерживает китайский и английский языки запросов. Карточка описывает результаты редактирования по маске, однако метаданные Hugging Face классифицируют её как text-to-image. Сравнительная оценка ограничена небольшим набором примеров и разными языками запросов между моделями.

perlious-Savage/layoutlmv3-cord-extraction — модель Perlious-Savage для извлечения полей из изображений чеков. Она основана на LayoutLMv3-base от Microsoft и дообучена на датасете CORD-v2; архитектура LayoutLMv3 объединяет анализ текста, изображения и структуры документа. Модель с 151,8 млн параметров выполняет классификацию токенов и выделяет поля чека, размеченные 59 типами BIO, включая позиции меню, количество, цены, налоги, чаевые и суммы оплаты. Родной контекст — 514 токенов; карточка указывает английский язык. В README приведён entity-level F1 0,948 на тестовой выборке CORD-v2 из 100 документов, однако авторы отмечают, что оценка основана на одном запуске. Модель предназначена для извлечения данных из розничных чеков, а не для проверки KYC или регуляторного соответствия. Редкие категории извлекаются хуже; числа и разбор сумм рассчитаны на индонезийский формат, где точка обозначает разделитель тысяч. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

LLaVA-NeXT 72B — мультимодальная чат-модель семейства LLaVA-NeXT, разработанная авторами проекта LLaVA-NeXT. Она объединяет языковую модель с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям, описания изображений и ответов на вопросы о визуальном содержимом. В карточке этой версии в качестве базовой языковой модели указана meta-llama/Meta-Llama-3-8B-Instruct; название репозитория указывает на вариант с 72B, однако размер в предоставленных метаданных не приведён. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Семейство улучшено за счёт более разнообразных данных и более крупной языковой основы по сравнению с LLaVA-1.6; обучение включало пары изображение–текст, мультимодальные инструкции и данные для визуальных вопросов и ответов. В карточке указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензиями модели и её компонентов.

Jotschi дообучил Mistral-7B-v0.1 для генерации подписей к изображениям на немецком языке в стиле COCO. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и рассчитана на контекст до 32 768 токенов. Для генерации используется текстовый префикс «Bildbeschreibung:».

QIE-2511-Object-Remover-v2 — адаптер LoRA, разработанный Prithiv Sakthi для модели Qwen/Qwen-Image-Edit-2511. Это image-to-image-модель для удаления нежелательных объектов с изображений с сохранением окружающей сцены. Она предназначена для редактирования фотографий и других визуальных материалов, когда требуется восстановить области после удаления объекта с учётом контекста, текстур, освещения, теней и перспективы. Модель работает через библиотеку Diffusers и совместима с версиями 2509 и 2511. Для активации поведения удаления объектов используется текстовый запрос «Remove the red highlighted object from the scene.»; в README также рекомендуется обозначать удаляемый объект красной подсветкой или как отмеченную область. Заявлены аккуратное заполнение удалённых областей, сохранение исходного качества и снижение видимых артефактов, искажений краёв и несоответствия стиля. Точные сведения о размере, внутренней архитектуре LoRA, числе параметров, максимальном разрешении и поддерживаемых языках не указаны. При удалении четырёх-пяти и более объектов либо большой выделенной области может потребоваться увеличить число шагов инференса. Модель распространяется по лицензии Apache-2.0.

Q-ReAlign-Lite-4B — мультимодальная модель для оценки воспринимаемого качества и эстетической привлекательности изображений и видео. Её разработчики дообучили Qwen3.5-VL методом полного SFT; архитектура Qwen3_5ForConditionalGeneration объединяет языковую часть с линейным и полным вниманием и визуальный энкодер типа SigLIP. В модели около 4 млрд параметров согласно размеру в названии; обучение проводилось в bf16. Модель оценивает изображение или видео по шкале из пяти словесных уровней — от excellent до bad — и сводит вероятности этих уровней к числу от 0 до 1, где большее значение означает более высокое качество. Она предназначена для оценки качества изображений, эстетики и видео, отбора и ранжирования медиа, а также формирования сигналов вознаграждения для генеративных конвейеров. Для видео README предлагает передавать последовательность выбранных кадров. В описанных авторами испытаниях на семи наборах данных Lite показала средний SRCC 0,889 против 0,869 у Q-Align. Оценки зависят от распределения оценок обучающих данных и лучше подходят для относительного сравнения; перед объединением с другими шкалами их следует калибровать. Модель не предназначена для модерации безопасности, проверки фактов и личности, медицинской или судебной оценки. Лицензия — Apache-2.0.

Qwen-Image — базовая модель генерации изображений из серии Qwen, разработанная командой Qwen. Она предназначена для создания изображений по текстовым описаниям и редактирования изображений с помощью инструкций. Модель поддерживает разные художественные стили, включая фотореализм, живопись, аниме и минималистичный дизайн. Сильная сторона модели — точное встраивание текста в изображение, особенно китайского, а также работа с композицией и типографикой. Среди описанных сценариев редактирования — перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляция позой человека. README также перечисляет задачи понимания изображения, такие как обнаружение объектов, сегментация и оценка глубины, но основная задача модели в метаданных — генерация изображений по тексту. Модель доступна в форматах Diffusers и Safetensors, использует библиотеку Diffusers и распространяется по лицензии Apache-2.0. В README не приведены количественные характеристики модели и контекстного окна.

airzipm/sentiment-analysis-muril-v2 — классификатор тональности на базе MuRIL, разработанный автором репозитория и дообученный на google/muril-base-cased. Модель относит текст к одному из трёх классов: Negative, Neutral или Positive. Она предназначена для анализа английского, хинди и смешанного хинди-английского текста, включая хинди на деванагари и Hinglish в латинской записи. Это плотная BERT-модель для классификации последовательностей с 264,8 млн параметров и контекстом до 512 токенов. Для обучения использовались датасеты отзывов и публикаций в соцсетях на английском, хинди и Hinglish; автор сообщает тестовую точность 0,86 и macro F1 0,86. Модель распространяется под лицензией MIT. Классификатор подходит для определения тональности отзывов, твитов и другого короткого пользовательского текста. Данных на хинди и Hinglish при обучении было существенно меньше, чем английских; результаты могут быть слабее, а покрытие вариантов написания Hinglish зависит от обучающих примеров. Модель не оценивалась на далёких от отзывов и соцсетей доменах, например на новостных или юридических текстах.

BAGEL-NHR-Edit-V2 — модель ByteDance Seed BAGEL, дообученная авторами репозитория на наборах NHR-Edit и NHR-Edit-part2 для редактирования изображений по текстовым инструкциям. Это мультимодальная модель семейства BAGEL-7B-MoT; адаптация выполнена методом LoRA для слоёв внимания и FFN генерационного эксперта. Базовая BAGEL поддерживает понимание и генерацию изображений, а также работу с видео; эта версия ориентирована на редактирование изображений, включая изменение стиля, добавление и замену объектов, настройку фона и композиции. В README приведены оценки на GEdit-Bench-EN и ImgEdit-Bench, где версия сравнивается с BAGEL-7B-MoT. Модель распространяется в формате safetensors под лицензией Apache-2.0. Для установки и запуска авторы направляют к официальному репозиторию BAGEL.

CapRL-InternVL3.5-8B — мультимодальная модель для описания изображений, разработанная авторами проекта CapRL на основе InternVL3.5-8B от OpenGVLab. Это плотная модель семейства InternVL с 8 млрд параметров, предназначенная прежде всего для генерации развернутых и содержательных подписей к изображениям. Она принимает изображения и текстовые запросы и формирует текстовый ответ; для запуска авторы описывают использование Transformers и совместимого с OpenAI API сервера vLLM. Модель обучена в рамках CapRL — подхода с обучением с подкреплением на проверяемых наградах для открытой задачи описания изображений. В README также отмечены диаграммы, инфографика, документы и природные изображения как сценарии серии CapRL; заявленные сравнительные результаты относятся к CapRL-3B, поэтому их нельзя напрямую считать подтверждением характеристик этой 8B-модели. Модель выпущена под лицензией Apache-2.0. В доступных данных не приведены сведения о длине контекста.

Uminosachi/dreamshaper_8Inpainting — модель для дорисовки и изменения изображений по текстовому описанию. Согласно карточке, это конвертированная версия dreamshaper_8Inpainting, предназначенная для сценариев inpainting: пользователь задаёт область изображения для изменения и описывает желаемый результат текстом. Модель относится к семейству Stable Diffusion и распространяется в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. Данные карточки не уточняют размер модели, поддерживаемые языки, длину контекста и конкретные ограничения качества.

Карточка модели BAAI/Emu3.5 на Hugging Face совпадает с карточкой BAAI/Emu3.5-Image, поэтому описание составлено по ней. Emu3.5-Image — модель генерации изображений от команды Emu3.5 компании BAAI. Она предназначена для создания изображений по текстовым описаниям и по одному или нескольким референсным изображениям, в том числе для редактирования и преобразования изображений. Модель основана на плотной авторегрессионной архитектуре Emu3 и обучена предсказывать последовательности визуальных и текстовых токенов. Веса содержат 30,4 млрд параметров, модель работает с контекстом до 32 768 токенов и принимает визуально-текстовые последовательности. В отличие от общей модели Emu3.5, эта версия специально оптимизирована для одиночной генерации изображений по тексту и референсам. Для генерации доступны разные пропорции сторон и потоковая выдача. В README отмечено, что генерация без ускорения DiDA может занимать несколько минут на изображение. Модель распространяется под лицензией Apache 2.0.

FLUX.2 [dev] — модель Black Forest Labs с 32 млрд параметров на основе трансформера rectified flow. Она генерирует и редактирует изображения по текстовым инструкциям, в том числе с одной или несколькими референсными картинками, позволяя переносить в результат персонажей, объекты и стили без дообучения. Модель поддерживает сценарии text-to-image и image-to-image; в метаданных указаны библиотека Diffusers и форматы Diffusers и Safetensors. Модель обучена с guidance distillation для более эффективной генерации. Разработчик описывает её как открытую по весам модель для исследований и творческих рабочих процессов; README также сообщает о мерах безопасности, входных и выходных фильтрах и примере пиксельного водяного знака. Указанная в карточке лицензия — other; README уточняет, что для открытых весов действует FLUX.2 [dev] Non-Commercial License, а коммерческое использование регулируется отдельными условиями лицензии. Перед развёртыванием необходимо учитывать ограничения лицензии и требования к фильтрации или ручной проверке контента.

Карточка модели eaboouf55/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

LLaDA-Image-Turbo-FP8 — открытая модель семейства LLaDA-Image, разработанная командой InclusionAI. Это FP8-версия ускоренной модели LLaDA-Image-Turbo для генерации и редактирования изображений на основе текста и эталонных изображений. Модель содержит около 6 млрд параметров и построена как унифицированная диффузионная модель, в которой и основной backbone, и DiT используют диффузионный подход. Turbo-вариант получен с помощью дистилляции Twin-DMD и рассчитан на быструю генерацию за 2–4 шага сэмплирования. Поддерживаются text-to-image, VQ-обусловленная генерация, редактирование изображений по инструкциям с сохранением содержимого, а также рендеринг текста на китайском и английском языках. К сильным сторонам относятся единая архитектура для генерации и редактирования, реалистичная передача деталей, естественное освещение, согласованные композиции и быстрое выполнение инференса. README не содержит сведений о точном размере контекста, требованиях к оборудованию или отдельных ограничениях качества FP8-версии. Модель распространяется по лицензии Apache-2.0.

Карточка модели Mage-Fans/Mage-Flow-Edit на Hugging Face совпадает с карточкой servantofares/Mage-Flow-Edit, поэтому описание составлено по ней. 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 — базовый вариант модели Mage-Flow-Edit для редактирования изображений по текстовым инструкциям. Разработчики описывают семейство Mage-Flow как компактную генеративную систему масштаба 4 млрд параметров с архитектурой NR-MMDiT — мультимодальным диффузионным трансформером, обученным методом rectified flow, и общим для семейства латентным токенизатором Mage-VAE. Репозиторий рассчитан на запуск через Diffusers и содержит веса в формате safetensors. Модель принимает исходное изображение и текстовую инструкцию. Она предназначена для семантического изменения содержимого, преобразования внешнего вида, восстановления изображений и редактирования с сохранением структуры. Семейство заявляет поддержку нативных разрешений от 512 до 2048 пикселей и разных соотношений сторон; README также упоминает разнообразие результатов для одного исходного изображения. Карточка не сообщает число параметров именно этого репозитория и не приводит отдельные оценки качества для варианта Base. Лицензия репозитория — MIT. Для работы описан стек Diffusers; README отмечает необходимость CUDA-совместимой среды для установки flash-attn. Заявления о скорости и качестве относятся к семейству и, в частности, к Turbo-вариантам, поэтому их нельзя напрямую переносить на Base.

Карточка модели Jinstudio/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.

Mantis-Idefics2 — мультимодальная модель команды TIGER-Lab, дообученная на наборе Mantis-Instruct на основе HuggingFaceM4/idefics2-8b. Она принимает текст и одно или несколько изображений, включая последовательности с чередованием текста и изображений, и генерирует текстовые ответы. Модель предназначена для диалога об изображениях, особенно для сопоставления нескольких изображений, определения связей между объектами и визуальных рассуждений; также поддерживает задачи по одному изображению. В карточке авторы сообщают о сильных результатах на пяти тестах для сценариев с несколькими изображениями и о конкурентных результатах на тестах для одного изображения. Модель построена на архитектуре Idefics2 и распространяется в формате safetensors по лицензии Apache-2.0. Среди применений — сравнение изображений и понимание временной последовательности визуальных событий. Количественные результаты приведены авторами и сами по себе не гарантируют качество на конкретных пользовательских данных.