IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели Zillis/Qwen-Image на Hugging Face совпадает с карточкой Qwen/Qwen-Image, поэтому описание составлено по ней. 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.

Step1X-Edit-v1p2-preview — предварительная версия модели редактирования изображений от StepFun. Она принимает изображение и инструкцию пользователя, разбирает запрос с помощью мультимодальной языковой модели и формирует токены редактирования, которые преобразуются в изображение сетью на основе DiT. Версия v1p2 добавляет рассуждение при редактировании и reflective correction для более точного выполнения сложных инструкций. Модель предназначена для редактирования изображений по текстовым инструкциям, включая сценарии с несколькими этапами или требованиями. В README приведены результаты сравнений на KRIS-Bench и GEdit-Bench; авторы сообщают об улучшении качества редактирования и следования инструкциям относительно предыдущих версий. Репозиторий использует Diffusers и формат Safetensors, лицензия — Apache-2.0. README называет версию предварительной, а технический отчёт для неё обещан позднее.

Absolute Reality 1.6525 Inpainting — модель Stable Diffusion для редактирования изображений методом inpainting, разработанная Lykon. Она дообучена на runwayml/stable-diffusion-inpainting и предназначена для изменения или заполнения выбранных областей изображения с помощью текстового описания. Модель доступна в форматах Diffusers и safetensors; для использования указана лицензия CreativeML OpenRAIL-M. Карточка относит модель к художественным и реалистичным изображениям и отмечает поддержку английского языка. Подходит для локального редактирования изображений через Diffusers. Качество результата зависит от исходного изображения, маски и текстового запроса; отдельные ограничения в карточке не описаны.

ERNIE-4.5-VL-28B-A3B-Thinking — мультимодальная модель рассуждений компании Baidu на архитектуре ERNIE-4.5-VL с MoE. Она принимает текст и изображения и предназначена для визуальных вопросов и ответов, многошагового анализа изображений, STEM-задач по фотографиям, анализа диаграмм, визуальной привязки объектов и понимания видео. В README также заявлены вызов инструментов, включая поиск изображений, и режим «Thinking with Images» для изучения мелких деталей изображения с помощью масштабирования. По метаданным размер модели составляет 3,3 млрд параметров, контекст — до 131 072 токенов; README указывает, что при генерации активируются около 3 млрд параметров. Поддерживаемая библиотека — Transformers, веса опубликованы в формате safetensors. Модель ориентирована на английский и китайский языки. Для Transformers в README указана версия не выше 4.57.6. Лицензия — Apache-2.0.

rohanath/flux-kontext-dev — это вариант весов FLUX.1 Kontext [dev], разработанный Black Forest Labs и опубликованный пользователем rohanath на Hugging Face. Модель представляет собой rectified flow transformer с 12 млрд параметров и предназначена для генерации и редактирования изображений по текстовым инструкциям, включая изменения существующего изображения с сохранением персонажей, стиля и объектов. Модель поддерживает сценарии последовательного редактирования с небольшим визуальным дрейфом и использует guidance distillation для повышения эффективности. Входная модальность включает текстовые инструкции и изображения; в метаданных репозитория указан pipeline text-to-image, а библиотечный тег указывает на использование Diffusers и FluxKontextPipeline. Поддерживаемые естественные языки и длина контекста в доступных данных не определены. Оригинальная модель распространяется по лицензии FLUX.1 [dev] Non-Commercial License, поэтому использование самих весов ограничено условиями этой лицензии; коммерческое использование модели требует отдельного разрешения. Репозиторий rohanath не содержит собственной карточки модели, поэтому сведения о конкретных изменениях относительно оригинала отсутствуют.

HunyuanImage-3.0-Instruct — мультимодальная модель генерации и редактирования изображений от Tencent. Она принимает текстовую инструкцию и одно или несколько исходных изображений, интерпретирует их и создаёт изменённое изображение; модель также может развивать краткие запросы, добавляя подходящие детали. Архитектура — авторегрессионная MoE семейства HunyuanImage 3. README описывает базовую версию HunyuanImage-3.0 как модель с 80 млрд параметров и 13 млрд активных на токен, но метаданные этого репозитория указывают 3,1 млрд параметров, поэтому размер именно Instruct-чекпойнта по доступным сведениям неясен. Указанный контекст — 22 800 токенов. Модель предназначена для творческого редактирования изображений по текстовым инструкциям и генерации визуальных результатов с учётом содержимого исходного изображения. README заявляет высокую точность следования запросу, фотореалистичность и детализированность, однако не приводит количественных результатов для конкретных сценариев. README не указывает поддерживаемые языки. Для запуска описаны Python 3.12+ и CUDA 12.8. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверить с лицензией репозитория.

Kandinsky 2.1 Inpaint — модель для создания и редактирования изображений по текстовому описанию, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Этот репозиторий предоставляет вариант Kandinsky 2.1 для текстового inpainting: модель заполняет область изображения, заданную маской, с учётом текстового запроса. Архитектура сочетает image prior на основе трансформера, диффузионную UNet и декодер MoVQGAN. Она использует CLIP-представления текста и изображений и подходы unCLIP и latent diffusion. Модель рассчитана на генерацию и направленное редактирование изображений; в README описано обучение на наборах LAION и дополнительную тонкую настройку на коллекции высококачественных изображений. Доступна через Diffusers и распространяется по лицензии Apache-2.0. Для inpainting требуется изображение и маска. В README указано изменение формата маски: белые пиксели обозначают область, которую нужно заполнить. Карточка не приводит размер модели, максимальное разрешение или языковой охват текстового энкодера.

LongCat-Image-Edit-Turbo-GGUF — квантованная версия модели LongCat-Image-Edit-Turbo, разработанной командой Meituan LongCat и адаптированной для использования в ComfyUI. Это модель image-to-image для редактирования изображений по текстовым инструкциям. Модель предназначена для глобального и локального редактирования, изменения текста на изображении, а также редактирования с использованием референсных изображений. Она ориентирована на точное следование инструкциям, сохранение компоновки, текстур, цветовой гаммы и идентичности объектов в неизменяемых областях, включая многошаговое редактирование. Дистиллированная версия выполняет инференс примерно за 8 NFE (Number of Function Evaluations), что обеспечивает низкую задержку. В README указаны поддерживаемые языки English и Chinese, библиотека Transformers и формат GGUF. Сведения о размере модели, конкретной архитектуре и максимальном контексте не приведены. Модель предназначена для генерации и редактирования изображений, поэтому её ограничения включают зависимость качества от исходного изображения и точности инструкции; количественные результаты приведены только в общем виде, без конкретных метрик. Распространяется по лицензии Apache-2.0.

OpenCaption-4B-VL-SFT-v1.0-i1-GGUF — это мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная на базе prithivMLmods/OpenCaption-4B-VL-SFT-v1.0 и представленная в GGUF-квантизованном формате пользователем mradermacher. Модель дообучена методом supervised fine-tuning и предназначена для обработки изображений и генерации текста на их основе. Основные сценарии применения — создание подписей к изображениям, включая детализированное и мелкозернистое описание визуального содержимого, а также visual question answering, то есть ответы на вопросы об изображениях. В обучении использовались наборы OpenCaption-FineGrained, SuperFlickr-30K-LARGE-Remastered, OpenCaption-UHD и OpenCaption-Unified-10K. В карточке указана поддержка английского языка. Модель относится к классу conditional-generation и vision-language систем; сведения о максимальном контексте, точной архитектуре, поддержке дополнительных языков и характеристиках визуального энкодера не приведены. GGUF-представление доступно в нескольких вариантах квантизации с различным размером, скоростью и качеством. Более компактные варианты требуют меньше ресурсов, но могут заметно терять в качестве; в README рекомендованы некоторые варианты среднего размера, включая i1-Q4_K_M, как компромисс между скоростью и качеством. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Лицензия модели указана как Apache-2.0.

PaliGemma — компактная модель «зрение—язык» на 3 млрд параметров, основанная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текст, а в ответ генерирует текст; в README описаны входные изображения 224 × 224 и последовательности текста длиной до 128 токенов. Модель представлена в формате safetensors и предназначена прежде всего для дообучения под конкретные задачи, а не для диалога. После настройки под задачу PaliGemma подходит для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. README также приводит примеры специализированных сценариев: вопросы по снимкам дистанционного зондирования, помощь незрячим пользователям в понимании изображений и анализ элементов интерфейса. Упомянута поддержка нескольких языков, но конкретные языки для этой модели не перечислены. Модель может ошибаться в фактических ответах и испытывать трудности со сложными открытыми запросами, нюансами языка и здравым смыслом. Качество без дообучения под конкретную задачу может уступать специализированным моделям; PaliGemma рассчитана на один раунд ввода изображения и текста. Указана лицензия Gemma.

PaliGemma 2 28B PT 224 — разработанная Google базовая модель компьютерного зрения и языка на основе компонентов SigLIP и Gemma 2. Она принимает изображение с текстовым запросом и генерирует текст; веса рассчитаны на изображения 224×224 и последовательности до 128 текстовых токенов на входе и выходе. Модель доступна в формате bfloat16 для дообучения и предназначена прежде всего как основа для настройки под конкретные задачи. После дообучения её можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — анализ снимков дистанционного зондирования, ответы на визуальные вопросы для незрячих пользователей, научные вопросы и объяснение функций элементов интерфейса. Поддерживаются несколько языков, но карточка не перечисляет их поимённо. Модель рассчитана на один раунд взаимодействия с изображением и текстом, а не на многоходовый диалог. Без настройки под задачу её результаты могут уступать моделям общего назначения; возможны фактические ошибки, слабое понимание сложных или неоднозначных инструкций и предвзятые ответы. Лицензия — Gemma; при использовании необходимо соблюдать условия Gemma и её политику запрещённых применений.

Qwen3-VL-8B-Abliterated-Caption-it-GGUF — мультимодальная модель для понимания изображений и генерации текста, разработанная prithivMLmods. Она является GGUF-версией дообученной модели Qwen3-VL-8B-Abliterated-Caption-it, созданной на основе Qwen3-VL-8B-Instruct и адаптированной для подробного, менее ограниченного описания изображений. Модель предназначена прежде всего для image captioning и image-to-text задач: формирования детализированных описаний изображений, включая сцены со сложным, чувствительным или неоднозначным содержанием. Указана поддержка языков English, Chinese и Thai, а также различных соотношений сторон и разрешений изображений. Модель относится к классу VLM и использует архитектуру Qwen3-VL с 8B параметров; для обработки изображений требуется совместимый mmproj-файл. Распространяется в многочисленных GGUF-квантизациях от IQ1 и Q2_K до Q8_0, а также в формате F16 размером 16,4 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. README не содержит результатов бенчмарков, точного размера контекста или подробностей аппаратных требований, поэтому производительность и пригодность для конкретных сценариев следует проверять отдельно. Модель и файлы распространяются по лицензии Apache-2.0.

Qwen-Image-2.1-MLX-4bit — 4-битная квантованная версия модели Qwen-Image-2.1, подготовленная MindCraft Studio для работы на компьютерах Mac с Apple Silicon через MLX. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений по инструкциям на естественном языке; при редактировании поддерживает от одного до десяти референсных изображений. Модель понимает запросы на английском и китайском языках и умеет создавать изображения с прозрачностью RGBA. Квантованные веса занимают около 11,6 ГБ; README указывает поддержку чипов Apple Silicon M1–M5. Лицензия — Qwen Research License Agreement, как у исходной модели.

Это конвертированная версия модели редактирования изображений Qwen/Qwen-Image-Edit-2509, подготовленная lite-infer для загрузки через Diffusers Nunchaku Lite. Трансформер использует квантизацию Nunchaku Lite SVDQ NVFP4 с рангом 32; текстовый энкодер сжат BitsAndBytes до 4-битного NF4 с вычислениями в bfloat16. В исходный чекпойнт уже объединена Lightning LoRA для генерации за 8 шагов. Модель предназначена для редактирования изображения по текстовому запросу. В README приведён замер для 8 шагов на входе 1248×832: средняя задержка составила 10,24 секунды, пиковое выделение видеопамяти — 21,57 ГиБ; результаты относятся к указанной конфигурации и оборудованию замера. README не сообщает поддерживаемые языки и лицензию, поэтому эти характеристики здесь не уточняются.

Карточка модели thornmaze/qwen-image-edit-rapid-aio-v23 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V23, поэтому описание составлено по ней. Это ускоренная версия Qwen Image Edit, подготовленная prithivMLmods на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера в формате safetensors, совместимые с Diffusers и извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V23. Модель предназначена для редактирования изображений по текстовым инструкциям за четыре шага инференса. Модель принимает изображение и текстовую инструкцию и выдаёт отредактированное изображение. В метаданных указан английский язык; лицензия — Apache 2.0. Слово NSFW в названии исходной модели указывает на возможность работы с контентом для взрослых, но карточка не уточняет ограничения или гарантии качества.

Qwen-Image-Layered — модель на базе Qwen-Image, предназначенная для разложения изображения на несколько RGBA-слоёв. Каждый слой отделяет отдельные смысловые или структурные элементы, чтобы их можно было независимо редактировать, перемещать, масштабировать, перекрашивать или удалять, сохраняя остальное содержимое изображения. Модель поддерживает разложение на переменное число слоёв и повторное разложение отдельных слоёв. Она предназначена для редактирования изображений с сохранением согласованности между изменениями и может использоваться как этап подготовки изображения к дальнейшей обработке. Карточка указывает поддержку английского и китайского языков; модель распространяется в форматах Diffusers и Safetensors под лицензией Apache-2.0.

Sanster/Realistic_Vision_V1.4-inpainting — модель генерации и редактирования изображений, опубликованная Sanster на Hugging Face на основе Realistic Vision V1.4 от SG161222. Она предназначена для дорисовки или замены области изображения по маске и текстовому запросу. Модель доступна в формате Diffusers и Safetensors и использует StableDiffusionInpaintPipeline; размер — около 0,9 млрд параметров, точность файлов — F16. Модель принимает изображение и текстовый запрос и выдаёт отредактированное изображение. Репозиторий распространяется по лицензии OpenRAIL. Карточка репозитория не приводит оценок качества или подробных сведений об ограничениях; результат зависит от исходного изображения, маски и запроса.

OzzyGT/RealVisXL_V4.0_inpainting — версия модели RealVisXL_V4.0 для заполнения и изменения выбранных областей изображения. Это дообученная модель на базе SG161222/RealVisXL_V4.0, размещённая в формате Diffusers с весами safetensors и точностью fp16. Базовая модель предназначена для фотореалистичной генерации изображений по текстовому описанию; этот вариант использует StableDiffusionXLInpaintPipeline. Модель подходит для редактирования изображений по маске: например, замены или восстановления части сцены с помощью текстовой инструкции. Репозиторий распространяется по лицензии openrail++.

VideoLLaMA3-2B-Image — мультимодальная модель для понимания изображений, основанная на Qwen2.5-1.5B-Instruct и разработанная командой DAMO-NLP-SG. Она принимает текстовые вопросы и визуальный контент и формирует текстовые ответы; карточка представляет её как вариант семейства VideoLLaMA 3 для анализа изображений и видео. Модель содержит 1,5 млрд параметров, использует архитектуру Videollama3Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для ответов на вопросы о содержимом изображений, извлечения сведений из визуальных сцен и мультимодального диалога. В README VideoLLaMA 3 также описана как семейство для понимания видео, однако эта карточка и её основной тег относятся к visual question answering. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Sanster/anything-4.0-inpainting — модель генерации изображений с дорисовкой и заменой содержимого на основе Stable Diffusion, опубликованная Sanster. Она принимает исходное изображение и текстовый запрос, чтобы изменить или заполнить выбранную область; пример в карточке показывает замену кошки собакой. Репозиторий использует Diffusers и формат Safetensors, карточка указывает около 0,9 млрд параметров и лицензию CreativeML OpenRAIL-M. Модель предназначена для редактирования изображений по текстовой подсказке с сохранением контекста исходной сцены. Доступные источники не уточняют её языковую поддержку, длину контекста или особые ограничения качества; результат зависит от входного изображения и формулировки запроса.

Модель ignacio-ave/beto-sentiment-analysis-spanish — модель классификации тональности испаноязычных текстов, дообученная на BETO, испанской версии BERT. Она относит текст к одной из трёх категорий: отрицательной, нейтральной или положительной. Модель реализована как BertForSequenceClassification, содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch через библиотеку Transformers. Модель предназначена для анализа отзывов, публикаций и других коротких текстов на испанском языке, например для оценки общего настроения сообщений или сортировки отзывов по тональности. В README приведена точность 67,59% для трёх классов; F1 составляет 0,68 для отрицательного, 0,58 для нейтрального и 0,76 для положительного класса. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

parlance/dreamlike-diffusion-1.0-inpainting — модель для редактирования изображений с помощью диффузионной генерации. Согласно карточке, она создана смешиванием dreamlike-art/dreamlike-diffusion-1.0 и runwayML/stable-diffusion-v1-5-inpainting и предназначена для заполнения или изменения областей изображения по текстовому описанию. Метаданные указывают задачу image-to-image и поддержку StableDiffusionInpaintPipeline; модель поставляется в форматах Diffusers и PyTorch. Карточка не приводит подробностей о качестве, рекомендуемых настройках или лицензии смешанной модели; в метаданных указана лицензия other. Исходная карточка dreamlike-art/dreamlike-diffusion-1.0 предложена для ознакомления, но её содержание здесь не предоставлено.

FLUX.1 Kontext [dev] — модель компании Black Forest Labs для редактирования изображений по текстовым инструкциям. Это трансформер rectified flow с 12 млрд параметров, доступный через библиотеку Diffusers в формате safetensors. Модель принимает изображение и инструкцию на естественном языке и выдаёт изменённое изображение. Модель поддерживает изменение существующих изображений, использование референсов персонажей, стиля и объектов без дополнительного дообучения, а также последовательное редактирование с сохранением визуальной согласованности. Она обучена с дистилляцией guidance. В карточке указана поддержка английского языка. Модель распространяется по некоммерческой лицензии FLUX.1 [dev]; README допускает личное и научное использование, но коммерческое применение ограничено условиями лицензии. Для развёртывания требуются фильтры или ручная проверка контента.

silveroxides/FLUX.2-dev-fp8_scaled — версия FLUX.2 [dev] от silveroxides, основанная на модели Black Forest Labs. Это FP8 scaled-вариант 32-миллиардной rectified flow transformer, предназначенный для генерации изображений по тексту, редактирования изображений и работы с одним или несколькими референсами. Карточка репозитория отмечает ускорение при использовании указанного workflow и специального загрузчика, в том числе на видеокартах с меньшим объёмом видеопамяти. Модель принимает текстовые инструкции и изображения, выдаёт изображения; заявленный язык карточки — английский. Для запуска автор рекомендует workflow и загрузчик для ComfyUI. Модельная карточка указывает лицензию FLUX Dev Non-Commercial License; коммерческое использование весов ограничено её условиями.

HiDream-O1-Image-BF16 — конверсия модели HiDream-O1-Image в формате bfloat16, опубликованная drbaph для запуска в ComfyUI. Исходная модель разработана HiDream-ai и основана на Pixel-level Unified Transformer (UiT): она работает с пикселями, текстом и условиями задачи в общем токеновом пространстве, без внешнего VAE и раздельных текстовых энкодеров. Модель содержит 9 млрд параметров и использует библиотеку Diffusers. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображений по инструкциям, персонализации объекта по нескольким референсам и создания раскадровок. Она поддерживает генерацию с нативным разрешением до 2048 × 2048, длинные текстовые запросы и многоязычный рендеринг текста; в карточке указаны английский и китайский языки. Конверсия BF16 ориентирована на баланс точности и эффективности памяти и рассчитана на 50 шагов инференса. Для комфортной работы в полном разрешении рекомендуется GPU с 20–24 ГБ видеопамяти; заявленный диапазон потребления VRAM составляет примерно 17–20 ГБ. Для запуска требуется ComfyUI и совместимый пользовательский узел. Модель и конверсия распространяются по лицензии MIT.

Imp-v1.5-4B-Phi3 — компактная мультимодальная языковая модель проекта Imp, построенная на Phi-3 и визуальном энкодере SigLIP. По метаданным модель содержит 3,7 млрд параметров; в README указаны примерно 4 млрд параметров, включая Phi-3 (3,8 млрд) и SigLIP (0,4 млрд). Для обучения использовался смешанный набор данных объёмом 1 млн примеров; метаданные также указывают датасеты LLaVA-Pretrain и LLaVA-Instruct-150K. Модель предназначена для диалога по изображениям и задач визуальных вопросов и ответов. README сообщает об оценке на VQAv2, GQA, ScienceQA, TextVQA, POPE и других мультимодальных бенчмарках. Метаданные указывают контекст 4096 токенов, поддержку чата и формат весов safetensors. Модель принимает текст и изображения и генерирует текст. Модель выпущена под лицензией Apache-2.0. README описывает её как лёгкую модель и приводит результаты бенчмарков, но подробный технический отчёт и код обучения на момент публикации обещаны к выпуску позднее.

InternVL3-2B — мультимодальная диалоговая модель OpenGVLab, дообученная на основе OpenGVLab/InternVL3-2B-Instruct. Она предназначена для ответов на вопросы по изображениям, визуального рассуждения и диалогов, сочетающих текст с изображениями; семейство также поддерживает анализ нескольких изображений и видео. Архитектура следует схеме ViT-MLP-LLM: InternViT-300M-448px-V2_5 соединён через MLP-проектор с языковой частью Qwen2.5-1.5B. Модель принимает текст и изображения и генерирует текст; в карточке Hugging Face для неё указаны задачи image-text-to-text и text-generation. В README заявлены возможности мультимодального восприятия и рассуждения, понимания длинного контекста, работы с инструментами, GUI-сценариями, промышленными изображениями и 3D-визуальным восприятием. Поддержка видео и нескольких изображений описана для архитектуры InternVL3, но конкретные ограничения входного формата и длина контекста для этого репозитория не приведены. Метаданные указывают мультиязычность и лицензию Apache-2.0.

InternVL3-78B-GGUF — мультимодальная большая языковая модель семейства InternVL3, подготовленная Unsloth на основе OpenGVLab/InternVL3-78B. Модель предназначена для обработки текста и изображений, мультимодального восприятия и рассуждений, а также для сценариев с использованием инструментов, GUI-агентами, промышленным анализом изображений и восприятием 3D-сцен. Указанный вариант распространяется в формате GGUF. Архитектура модели следует схеме ViT-MLP-LLM: визуальная часть использует InternViT-6B-448px-V2_5, языковая — Qwen2.5-72B, объединённые через MLP-проектор. Размер модели — 78B параметров. Модель поддерживает мультимодальные входы и заявлена как многоязычная, однако точный перечень языков и размер контекстного окна в README не указаны. Обучение связано с набором данных OpenGVLab/MMPR-v1.2. К сильным сторонам относятся сочетание крупной языковой и визуальной подсистем, развитые возможности мультимодального анализа и рассуждений, а также поддержка специализированных агентных и визуальных задач. Ограничения включают высокие требования к вычислительным ресурсам, характерные для модели такого размера, и отсутствие в README подробных данных о производительности, контекстном окне и языковом покрытии. Лицензия указана как other с названием qwen; приведена ссылка на лицензию Qwen2.5-72B-Instruct.

InternVL3-9B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная mlx-community в формат MLX из models/InternVL3-9B с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; поддерживает мультиязычные сценарии. Метаданные указывают архитектуру InternVLChatModel и чат-возможности. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию MLX, а метаданные классифицируют модель как дообученную на OpenGVLab/InternVL3-1B-Instruct и отмечают вариант 4bit в названии. Эти сведения расходятся с описанием README, которое указывает исходный источник models/InternVL3-9B; точная связь с базовой моделью требует уточнения. В качестве главной задачи выбрано image-text-to-text, соответствующее заявленному мультимодальному назначению.

Kalaido-qwenedit-lora — адаптер LoRA для модели редактирования изображений Qwen-Image-Edit-2511, разработанный FractalAIResearch и обученный с применением reinforcement learning. Адаптер предназначен для image-to-image редактирования по текстовым инструкциям: добавления, удаления и замены объектов, изменения атрибутов и движения, переноса стиля, смены фона, извлечения объектов и выполнения комбинированных правок. Ключевые заявленные преимущества по сравнению с базовой моделью — лучшее сохранение неизменяемых областей изображения и более точное следование инструкциям. Модель реализуется как подключаемый LoRA-адаптер, поставляется в формате Safetensors и используется через библиотеку Diffusers с pipeline QwenImageEditPlusPipeline. В README не указаны число параметров, точная архитектура базовой модели, размер контекста или подробные сведения о поддерживаемых языках; в метаданных указан английский язык. Для работы необходима базовая модель Qwen-Image-Edit-2511 и совместимая версия Diffusers, а также вычислительная среда с CUDA в приведённом примере. Адаптер подходит для локального редактирования изображений, где важны сохранение фона и точное выполнение текстовых указаний. Ограничения включают зависимость от базовой модели и программного стека Diffusers; заявленные улучшения относятся к общему редактированию, а приведённые результаты основаны на бенчмарке ImgEdit. Лицензия — Apache-2.0.