IV.1Ритейл, электронная коммерция и fashion-tech

Мультимодальная чат-модель семейства Llama 3.2 Vision, опубликованная mlx-community. Это конверсия в формат MLX модели huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated; в метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct. Архитектура — плотная MllamaForConditionalGeneration, размер — 11 млрд параметров. Модель принимает текст и изображения и генерирует текстовые ответы в диалоге, в том числе ответы на вопросы по изображениям. Она рассчитана на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Конверсию выполнили с помощью mlx-vlm версии 0.1.4; репозиторий содержит веса в safetensors. Лицензия — Llama 3.2 Community License.

LongCat-Image-Edit-GGUF — квантованная версия модели LongCat-Image-Edit, опубликованная VantageWithAI на основе оригинальной модели Meituan LongCat. Модель предназначена для редактирования изображений по текстовым инструкциям и работает в формате image-to-image с интеграцией через Transformers и ComfyUI. Модель поддерживает двуязычное редактирование на китайском и английском языках. Она рассчитана на глобальное и локальное редактирование, изменение текста на изображении и редактирование с опорой на референсные изображения. Среди заявленных сильных сторон — точное следование инструкциям, сохранение компоновки, текстур, цветовой гаммы и идентичности объектов в неизменяемых областях, включая многошаговые сценарии редактирования, а также высокая эффективность вывода по сравнению с другими открытыми моделями редактирования изображений. README не содержит сведений об архитектуре, количестве параметров, размере контекста, поддерживаемых разрешениях или системных требованиях, поэтому эти характеристики нельзя определить по представленным данным. Модель распространяется по лицензии Apache-2.0; заявленные результаты уровня SOTA приведены авторами и не сопровождаются в карточке подробностями о тестах.

SceneWorks/Mage-Flow-Edit — архивная копия модели Microsoft Mage-Flow-Edit для редактирования изображений по текстовым инструкциям. Репозиторий заявлен как побайтовое зеркало microsoft/Mage-Flow-Edit на зафиксированной версии; веса не переобучались, не квантизировались и не конвертировались. Модель относится к семейству Mage-Flow: в стеке используются 4B-мультимодальный диффузионный трансформер NR-MMDiT с rectified flow, латентный кодировщик-декодер Mage-VAE и текстовый энкодер Qwen3-VL. Модель принимает изображение и текстовую инструкцию и предназначена для семантического редактирования, преобразования внешнего вида, восстановления изображений и генерации вариантов с учётом структуры исходного изображения. Архитектура семейства рассчитана на работу с разрешениями от 512 до 2048 пикселей и разными соотношениями сторон. Карточка описывает семейство как компактный и эффективный стек, но не приводит отдельные результаты или ограничения именно этого варианта Edit. Лицензия — MIT.

Mage-Flow-Edit-Base — базовый вариант модели редактирования изображений из семейства Mage-Flow, разработанного авторами проекта Mage-Flow. Модель использует общий с генератором Mage-Flow стек: латентный токенизатор Mage-VAE и 4-миллиардный мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow. Репозиторий поставляется в формате Diffusers с весами Safetensors. Модель предназначена для редактирования изображения по текстовой инструкции с сохранением исходного изображения как условия. В README описаны семантическое и локальное редактирование содержимого, изменение внешнего вида и сцены, творческие преобразования, восстановление изображений и задачи, требующие сохранения структуры. Семейство рассчитано на работу с изображениями разных разрешений и соотношений сторон; заявлен диапазон от 512 до 2048 пикселей. Карточка не приводит отдельные показатели скорости или качества именно для варианта Base. Лицензия модели — MIT. Для запуска используется библиотека Diffusers; README отмечает требования к CUDA-зависимостям для установки окружения. Указанные в карточке задачи — image-to-image; поддерживаемые языки текстовых инструкций в метаданных не перечислены.

Карточка модели rootlocalghost/Mage-Flow-Edit-Base на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow-Edit-Base, поэтому описание составлено по ней. Mage-Flow-Edit-Base — базовый вариант модели редактирования изображений из семейства Mage-Flow, разработанного авторами проекта Mage-Flow. Модель использует общий с генератором Mage-Flow стек: латентный токенизатор Mage-VAE и 4-миллиардный мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow. Репозиторий поставляется в формате Diffusers с весами Safetensors. Модель предназначена для редактирования изображения по текстовой инструкции с сохранением исходного изображения как условия. В README описаны семантическое и локальное редактирование содержимого, изменение внешнего вида и сцены, творческие преобразования, восстановление изображений и задачи, требующие сохранения структуры. Семейство рассчитано на работу с изображениями разных разрешений и соотношений сторон; заявлен диапазон от 512 до 2048 пикселей. Карточка не приводит отдельные показатели скорости или качества именно для варианта Base. Лицензия модели — MIT. Для запуска используется библиотека Diffusers; README отмечает требования к CUDA-зависимостям для установки окружения. Указанные в карточке задачи — image-to-image; поддерживаемые языки текстовых инструкций в метаданных не перечислены.

Мультимодальная модель Mistral 3, дообученная ryfkn на основе nuresens/ministral-3b-cpt-merged. Она предназначена для диалоговых задач с изображениями и текстом: принимает текстовый запрос вместе с изображением и формирует текстовый ответ. В метаданных указаны архитектура Mistral3ForConditionalGeneration, поддержка vision и интерфейс вызова инструментов; модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. Для обучения использовались Unsloth и библиотека TRL.

OneThinker-8B — мультимодальная модель рассуждений для задач анализа изображений и видео, представленная разработчиками проекта OneThinker. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и построена на архитектуре Qwen3-VL с 8 млрд параметров. Модель объединяет несколько зрительных задач в одной системе: визуальные вопросы и ответы, математические задачи по изображениям, отслеживание объектов и сегментацию видео.

Sanster/PowerPaint-V1-stable-diffusion-inpainting — модель для редактирования изображений методом дорисовки и заполнения областей. Она основана на runwayml/stable-diffusion-inpainting: исходный UNet заменён на UNet из PowerPaint, а в text encoder добавлены обученные токены P_ctxt, P_shape и P_obj. Модель принимает изображение и текстовое описание для генерации содержимого в выбранной области. Она предназначена для сценариев inpainting, например удаления или замены объектов и изменения отдельных частей изображения. Репозиторий содержит веса в формате Diffusers и SafeTensors. В README не указана лицензия, поэтому условия использования по доступным сведениям определить нельзя. Характеристики PowerPaint и базовой модели наследуют ограничения Stable Diffusion для дорисовки изображений; отдельные ограничения этой версии в карточке не описаны.

Это конвертированная в формат Diffusers и оптимизированная версия модели Qwen-Image-Edit-2509 от Qwen. Она предназначена для редактирования изображений по текстовым инструкциям и исходному изображению. В трансформере используется квантизация Nunchaku Lite SVDQ INT4 с группой 64 и рангом 32; текстовый энкодер загружается в 4-битном формате BitsAndBytes NF4. В чекпойнт слита Lightning LoRA для генерации за четыре шага, а конфигурация планировщика рассчитана на режимы Lightning в 4 или 8 шагов. В README приведён замер генерации за четыре шага для изображения 1248×832: средняя задержка составила 12,60 секунды, пиковое выделение памяти CUDA — 21,21 ГиБ. Эти показатели относятся к описанным условиям замера и могут отличаться на другом оборудовании. Модель поставляется как Diffusers-конверсия; сведения о лицензии, поддерживаемых языках и ограничениях использования в предоставленных данных отсутствуют.

Это конвертированная версия Qwen/Qwen-Image-Edit-2509 для загрузки через Diffusers и Nunchaku Lite. Она предназначена для редактирования изображений по текстовым инструкциям с помощью модели Qwen Image Edit; в исходном чекпойнте объединена Lightning LoRA на четыре шага генерации. Трансформер упакован с квантизацией Nunchaku Lite SVDQ NVFP4 ранга 32, а текстовый энкодер — в 4-битном формате BitsAndBytes NF4 с вычислениями в bfloat16. В README приведён замер генерации за четыре шага на изображении 1248×832: в среднем 6,06 секунды и пиковое выделение 21,54 ГиБ видеопамяти на использованной конфигурации; это результат конкретного бенчмарка, а не гарантия для другого оборудования. Для работы нужны Diffusers и совместимая среда Nunchaku Lite. Лицензия в предоставленных данных не указана.

Это конвертированная версия Qwen Image Edit 2509, подготовленная проектом lite-infer для загрузки через Diffusers Nunchaku Lite. Она предназначена для редактирования изображений по текстовому запросу и входному изображению. Трансформер использует квантизацию Nunchaku Lite SVDQ INT4 с группой 64 и рангом 32; текстовый энкодер сохранён в BitsAndBytes 4-bit NF4 с вычислениями в bfloat16. В README указано пиковое выделение 21,20 ГиБ видеопамяти в приведённом тесте генерации с входным изображением 1248×832 и 40 шагами. Лицензия в доступных данных не указана.

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.

alimama-creative/SD3-Controlnet-Inpainting — дообученная модель ControlNet для редактирования изображений по маске, основанная на Stable Diffusion 3 Medium. Она принимает текстовое описание и изображение с областью для заполнения, чтобы генерировать содержимое в замаскированной части и сохранять детали за её пределами. Модель работает с разрешением 1024×1024 и использует 16-канальный VAE SD3; заявлены генерация текста внутри заполняемой области и хорошие результаты для портретов. Модель обучали 20 тысяч шагов на изображениях LAION-2B и внутренних данных, используя Flow Matching и FP16. Она предназначена для inpainting-сценариев через библиотеку Diffusers. Лучше всего работает при разрешении 1024×1024; на других размерах результаты могут быть хуже. Репозиторий распространяется по лицензии с меткой other, конкретные условия лицензии следует проверять отдельно.

TabPFNMix Regressor — регрессионная модель для табличных данных, разработанная AutoGluon. Это табличная foundation-модель на основе 12-слойного Transformer encoder-decoder с 37 млн параметров. Она предварительно обучена на синтетических наборах данных, полученных от смеси случайных регрессоров, и использует обучение в контексте, подобное TabPFN и TabForestPFN. Модель предназначена для предсказания числовых значений по признакам таблицы. Её можно применять для табличной регрессии; README указывает на использование через AutoGluon. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель tanaos/tanaos-emotion-detection-v1 разработана Tanaos с использованием библиотеки Artifex и дообучена на базе microsoft/Multilingual-MiniLM-L12-H384. Это компактная модель BERT для классификации текста: она определяет основную эмоцию в сообщении и относит его к одной из 12 категорий, включая радость, гнев, страх и нейтральный тон. По карточке, модель рассчитана на английский язык; базовая архитектура многоязычная. Размер модели — 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа отзывов, обратной связи клиентов, публикаций в социальных сетях и других текстов, где требуется определить эмоциональный тон. Она может служить лёгкой альтернативой более крупным моделям в мониторинге мнений и анализе настроений. Обучение проводилось на синтетическом наборе из 10 000 высказываний. Лицензия — MIT. Результаты ограничены заранее заданными категориями эмоций, поэтому модель может хуже работать в специализированных областях, где эмоциональные оттенки отличаются от обучающих категорий. Хотя в карточке заявлена многоязычная применимость, указанным языком модели является английский.

Карточка модели hooria-laiba/TI_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.

UniPic2-SD3.5M-Kontext-2B — модель Skywork для генерации изображений по текстовому описанию и редактирования изображений. Она создана на основе SD3.5-Medium с постобучением и предназначена для генеративных задач и сценариев редактирования. В README отмечены конкурентные результаты на тестах GenEval, DPG-Bench и GEditBench-EN, а также возможность работать на одной потребительской видеокарте с 16 ГБ памяти. Репозиторий использует форматы Diffusers и Safetensors и библиотеку Transformers. Лицензия — MIT.

Yi-VL-6B — мультимодальная модель 01.AI для диалогов по изображениям. Она построена на архитектуре LLaVA: использует CLIP ViT-H/14 для кодирования изображения, проекционный модуль на основе двухслойного MLP и языковую модель Yi-6B-Chat. Модель содержит 5,8 млрд параметров, принимает текст и одно изображение и генерирует текст; поддерживает контекст до 4096 токенов и обработку изображений с масштабированием до 448×448 пикселей. Модель предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, извлечения и обобщения визуальной информации. Она поддерживает общение на английском и китайском языках. В README отмечены сильные результаты на мультимодальных бенчмарках MMMU и CMMMU по данным на январь 2024 года. Среди ограничений — возможные галлюцинации и ошибки в описании объектов; за один запрос можно передать только одно изображение. Лицензия — Apache-2.0.

andro-flock/Clarity-Clarity-v3-inpainting — вариант модели Clarity v3 для заполнения и перерисовки заданных областей изображения по текстовому описанию. Модель распространяется в формате Diffusers и использует архитектуру Stable Diffusion с конвейером StableDiffusionInpaintPipeline. Модель предназначена прежде всего для редактирования изображений: пользователь задаёт изображение, маску области для изменения и текстовую подсказку, чтобы заполнить или заменить выделенную часть. В карточке также приведён пример генерации изображения по текстовому запросу, а метаданные каталога отмечают поддержку задач image-to-image и text-to-image. Репозиторий содержит веса в формате safetensors для библиотеки Diffusers. Модель распространяется по лицензии CreativeML OpenRAIL-M. В README заявлено использование только для inpainting; конкретные сведения о размере модели, контексте и поддерживаемых языках не приведены.

FastVLM-0.5B — компактная визуально-языковая модель Apple из семейства FastVLM, представленная в работе «FastVLM: Efficient Vision Encoding for Vision Language Models» на CVPR 2025. Она сочетает гибридный визуальный энкодер FastViTHD с языковой моделью Qwen2 и предназначена для диалога по изображениям и ответов на вопросы о визуальном содержимом. Модель содержит около 494 млн параметров и имеет контекст длиной до 32 768 токенов. FastViTHD сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения. В оценках авторов FastVLM-0.5B показала результаты на Ai2D, ScienceQA и MMMU; README также сообщает о более быстром TTFT по сравнению с LLaVA-OneVision-0.5B. Репозиторий содержит веса safetensors и указывает библиотеку ml-fastvlm. Модель принимает изображения и текстовые запросы, а ответы генерирует текстом. Лицензия — apple-amlr; перед использованием следует проверить её условия, особенно для коммерческих сценариев. Результаты бенчмарков относятся к оценкам авторов и не гарантируют качество на конкретных данных.

Карточка модели myy555/FastVLM-0.5B на Hugging Face совпадает с карточкой apple/FastVLM-0.5B, поэтому описание составлено по ней. FastVLM-0.5B — компактная визуально-языковая модель Apple из семейства FastVLM, представленная в работе «FastVLM: Efficient Vision Encoding for Vision Language Models» на CVPR 2025. Она сочетает гибридный визуальный энкодер FastViTHD с языковой моделью Qwen2 и предназначена для диалога по изображениям и ответов на вопросы о визуальном содержимом. Модель содержит около 494 млн параметров и имеет контекст длиной до 32 768 токенов. FastViTHD сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения. В оценках авторов FastVLM-0.5B показала результаты на Ai2D, ScienceQA и MMMU; README также сообщает о более быстром TTFT по сравнению с LLaVA-OneVision-0.5B. Репозиторий содержит веса safetensors и указывает библиотеку ml-fastvlm. Модель принимает изображения и текстовые запросы, а ответы генерирует текстом. Лицензия — apple-amlr; перед использованием следует проверить её условия, особенно для коммерческих сценариев. Результаты бенчмарков относятся к оценкам авторов и не гарантируют качество на конкретных данных.

Карточка модели fuliucansheng/FLUX.1-Fill-dev-diffusers на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Fill-dev, поэтому описание составлено по ней. 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.

Карточка модели yuvraj108c/FLUX.1-Kontext-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Kontext-dev, поэтому описание составлено по ней. 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.

Карточка модели Ninja2005/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.

Карточка модели kayraharika/HiDream-O1-Image на Hugging Face совпадает с карточкой HiDream-ai/HiDream-O1-Image, поэтому описание составлено по ней. HiDream-O1-Image — модель генерации и редактирования изображений от HiDream, построенная на Pixel-level Unified Transformer (UiT). Она обрабатывает текст и пиксели в общем пространстве токенов, без внешнего VAE и отдельного текстового энкодера. В карточке семейства указана версия на 8 млрд параметров; модель создаёт изображения напрямую с разрешением до 2048 × 2048. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображения по инструкции, персонализации с сохранением заданного персонажа или объекта, управления композицией и создания раскадровок. Встроенный агент рассуждений помогает уточнять требования к композиции и надписям; заявлена поддержка длинного текста и многоязычных надписей на изображениях. Метаданные классифицируют модель как image-text-to-image. В README описаны полная и дистиллированная Dev-версии; результаты и характеристики могут различаться между ними. Для запуска требуется GPU с поддержкой CUDA; авторы отмечают проблему с PyTorch 2.9.x и рекомендуют полную версию для редактирования. Репозиторий модели распространяется по лицензии MIT.

Kenpache разработала англоязычный классификатор товарных описаний по шестизначным кодам Гармонизированной системы (HS6). Это модель text-classification на базе BAAI/bge-m3, дообученная для выбора одного из 6 750 классов; коды HS4 и HS2 выводятся в том же проходе и согласуются с прогнозом HS6. Модель содержит 658,7 млн параметров, работает через Transformers и принимает текст на английском языке. Для неё указан контекст 8 194 токена в метаданных; в README рекомендуется оставить длину входа 1 024 токена. Модель предназначена для предварительной классификации товаров в таможенных декларациях, обогащения каталогов и оценки пошлин, а также для проверки существующих кодов. На полном описании товаров точность top-1 в тесте составила около 72%, тогда как на коротких фрагментах — около 38%; по всему тесту точность HS6 составила 51,7%. Уверенность прогноза и список top-5 можно использовать для маршрутизации сомнительных случаев на ручную проверку. Модель не предсказывает национальные тарифные коды длиннее шести цифр и не заменяет обязательную классификацию компетентным органом. Лицензия — MIT.

JarvisArt-Preview — мультимодальная модель-агент для интеллектуальной ретуши фотографий, разработанная исследователями из Сямэньского университета и других университетов и организаций. Она принимает изображения и инструкции на естественном языке, а также может использовать ограничивающие рамки для задания областей редактирования. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. JarvisArt предназначена для многоэтапного редактирования изображений: от общей коррекции сцены до локальной ретуши отдельных областей. В оригинальной системе агент координирует более 200 инструментов Adobe Lightroom; обучение включало дообучение с цепочками рассуждений и оптимизацию GRPO-R на наборе MMArt. В карточке этого репозитория не указаны условия лицензии, поэтому их нельзя определить по доступным данным.

Kandinsky 2.1 — модель генерации и преобразования изображений, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Этот репозиторий предоставляет модель для image-to-image на базе Diffusers; архитектура Kandinsky 2.1 сочетает unCLIP и latent diffusion, включая трансформерный image prior, диффузионный UNet и декодер MoVQGAN. CLIP используется для кодирования текста и изображений. Модель предназначена для текстово управляемого преобразования изображений, генерации изображений по тексту и интерполяции между изображениями. Для обучения image prior использовались данные LAION Improved Aesthetics с последующим дообучением на LAION HighRes; основная диффузионная модель обучалась на парах текста и изображений LAION HighRes и дополнительно на высококачественных изображениях с описаниями. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии Apache-2.0.

Kandinsky 5.0 I2I Lite SFT — модель редактирования изображений из семейства Kandinsky 5.0, разработанного KandinskyLab. Это дообученная версия предварительно обученной Kandinsky-5.0-I2I-Lite, предназначенная для преобразования и редактирования изображений. Модель содержит 6 млрд параметров и использует латентную диффузию с Flow Matching и генеративный бэкбон Diffusion Transformer (DiT), связанный с текстовыми представлениями через cross-attention. Для кодирования текста применяются Qwen2.5-VL и CLIP, для кодирования и декодирования изображений — Flux VAE. Модель распространяется в формате Diffusers; для работы авторы указывают использовать форк Diffusers, пока поддержка не будет объединена с основной библиотекой. Лицензия — MIT. Карточка называет её вариантом с высоким качеством генерации, но не приводит в доступном тексте количественных оценок или подробных результатов.

ziheng1234/kontext — это публикация весов FLUX.1 Kontext [dev], модели Black Forest Labs для редактирования изображений по текстовым инструкциям. Модель основана на трансформере rectified flow с 12 млрд параметров и использует Diffusers; карточка сообщает о файлах в формате safetensors. Модель принимает изображение и текстовую инструкцию и создаёт изменённую версию изображения. Она предназначена для замены или изменения объектов, а также для сохранения персонажа, стиля и визуальных деталей при последовательных правках без дополнительного дообучения; guidance distillation повышает эффективность генерации. В метаданных указаны задачи image-to-image и text-to-image, но README описывает прежде всего редактирование изображений по инструкции. README указывает на лицензию FLUX.1 [dev] Non-Commercial License: коммерческое использование не разрешено. Для применения также требуются фильтры или ручная проверка согласно условиям лицензии.