IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели tdvipp/stable-diffusion-v1-5-inpainting на Hugging Face совпадает с карточкой benjamin-paine/stable-diffusion-v1-5-inpainting, поэтому описание составлено по ней. Stable Diffusion v1.5 Inpainting — латентная диффузионная модель генерации и редактирования изображений по текстовым запросам и маске. Репозиторий — повторная публикация весов модели, разработанной Робином Ромбахом и Патриком Эссером; модель основана на Stable Diffusion v1.2 и дообучена для восстановления замаскированных областей изображения. Вариант для inpainting добавляет к входу UNet пять каналов для закодированного изображения с маской и самой маски. Модель использует текстовый энкодер CLIP ViT-L/14 и рассчитана прежде всего на английские запросы. Подходит для заполнения выделенных областей, удаления или замены объектов и творческого редактирования изображений с помощью текстового описания. Модель работает с изображениями разрешения 512×512. Она может ошибаться в деталях, лицах и сложной композиции, плохо воспроизводит читаемый текст, а результаты по неанглийским запросам обычно хуже. Обучающие данные содержали взрослый контент, а модель может усиливать социальные предубеждения и запоминать дубликаты изображений. Лицензия — CreativeML OpenRAIL-M с ограничениями на использование и распространение; условия лицензии следует соблюдать при применении модели.

TBAC-UniImage-3B — модель генерации изображений по тексту и редактирования изображений, разработанная Basic Algorithm Center подразделения Platform and Content Group компании Tencent. Она объединяет модуль понимания Qwen2.5-VL-3B-Instruct и модуль генерации SANA-1600M; представления с разных слоёв Qwen используются как условия генерации. Модель предназначена для создания изображений по текстовым описаниям и редактирования изображений с учётом текста и визуального контекста. В карточке приведены результаты на GenEval и DPG-Bench, а также описан подход к редактированию: изображение кодируется визуальным модулем Qwen, после чего объединённое мультимодальное представление передаётся генератору. Примеры охватывают фотореалистичные сцены, иллюстративные стили и фантастические сюжеты. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Это квантованные версии модели Phr00t/Qwen-Image-Edit-Rapid-AIO, подготовленные leowu0511 на основе версии v11. В README указано, что с версии v11.4 для квантования используются файлы GGUF; метаданные репозитория при этом отмечают формат safetensors. Модель предназначена для редактирования и преобразования изображений по текстовым инструкциям. Модель принимает изображение и текстовое описание желаемых изменений и выдаёт изображение. Она основана на Qwen-Image-Edit-Rapid-AIO; сведений о точном размере, поддерживаемых языках, контексте или лицензии в предоставленных данных нет.

DeepAnalyze-8B — локальная модель для анализа табличных данных, представленная в формате GGUF и дообученная на базе RUC-DataLab/DeepAnalyze-8B. Репозиторий содержит 4-битную квантизацию Q4_K_M для запуска через llama.cpp; модель имеет 8 млрд параметров и контекст 8192 токена. В README также названа архитектура DeepSeek-Coder, но метаданные указывают на базовую модель семейства Qwen3. Модель предназначена для преобразования инструкций на естественном языке в код для анализа данных: очистки таблиц, работы с Pandas, Polars и DuckDB, статистического профилирования и построения графиков. Основной сценарий — локальное использование в Jupyter или IPython вместе с агентным расширением, которое проверяет и выполняет сгенерированный код. README описывает работу с англоязычными инструкциями и табличными данными, однако языки в метаданных не подтверждены. Лицензия — MIT. Модель рассчитана на специализированные задачи анализа данных, а не на универсальный диалог; качество и безопасность выполнения кода зависят также от внешней оболочки и проверок. Указанное в README AST-ограничение относится к агентному расширению, а не гарантируется самими весами модели.

unsloth/ERNIE-Image-Turbo-GGUF — GGUF-квантизированная версия модели ERNIE-Image-Turbo, разработанной командой ERNIE-Image компании Baidu и подготовленной Unsloth. Это модель генерации изображений по текстовому описанию, основанная на семействе одно-поточных Diffusion Transformer (DiT) и оптимизированная для быстрого вывода всего за 8 шагов диффузии. Модель предназначена для создания изображений по сложным инструкциям, включая реалистичные фотографии, дизайн-ориентированные изображения и стилизованные сцены. Она особенно хорошо подходит для постеров, инфографики, комиксов, раскадровок, много-панельных композиций и других задач, где важны корректное размещение объектов, структура изображения и читаемый текст. Заявлены сильные возможности следования многоэлементным инструкциям, рендеринга плотного и длинного текста, а также генерации изображений с заданной композицией. Ключевая особенность этой версии — квантизация в формате GGUF с использованием методологии Unsloth Dynamic 2.0: важные слои переведены в более высокую точность для сохранения качества. По данным README, компактный размер позволяет запускать модель на потребительских GPU с 24 ГБ видеопамяти. Точные параметры модели, поддерживаемые языки и размер контекстного окна не указаны. Поскольку это квантизированная версия, характеристики качества и совместимость могут зависеть от используемого рантайма; в README упоминаются инструменты ComfyUI-GGUF. Модель распространяется по лицензии Apache-2.0.

Карточка модели HelloTestUser/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.

FLUX.1 Kontext [dev] — модель Black Forest Labs, опубликованная Unsloth как зеркало с теми же неизменёнными весами и без ограничения доступа к загрузке на Hugging Face. Это трансформер rectified flow на 12 млрд параметров, обученный с дистилляцией guidance и предназначенный для редактирования изображений по текстовым инструкциям. Модель принимает изображение и текстовое указание на правку. Она поддерживает работу с референсами персонажей, стилей и объектов без дополнительного дообучения и последовательное уточнение результата с небольшим визуальным дрейфом. Метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors; карточка помечает английский язык. Веса не изменены относительно исходной модели Black Forest Labs. Лицензия — FLUX.1 [dev] Non-Commercial License, поэтому коммерческое использование не разрешено; README также требует фильтрации или ручной проверки контента согласно условиям лицензии. Заявленные защитные меры снижают риск некоторых видов злоупотреблений, но не гарантируют их полного предотвращения.

mlx-community/FLUX.2-Klein-4B-3bit — 3-битная квантизированная версия FLUX.2 [klein] 4B от Black Forest Labs, подготовленная сообществом mlx-community. Это компактный rectified flow transformer с 4 млрд параметров для генерации и редактирования изображений. Модель принимает текстовые описания и изображения, включая несколько референсов для редактирования, и выдаёт изображения. Модель предназначена для быстрого создания изображений, локальной разработки, развёртывания на периферийных устройствах и производственных приложений. В README заявлены высокая скорость, возможность работы на потребительских GPU и потребление от 13 ГБ видеопамяти; эти показатели относятся к семейству FLUX.2 [klein] и могут зависеть от оборудования и реализации. Репозиторий распространяется по лицензии Apache 2.0.

mlx-community/InternVL3-8B-3bit — мультимодальная чат-модель семейства InternVL3, преобразованная mlx-community из модели InternVL3-8B в формат MLX с помощью mlx-vlm 0.1.23. Она предназначена для диалога по изображениям и задач визуального понимания; поддерживает ввод текста и изображений с текстовыми ответами. В метаданных также отмечен интерфейс вызова инструментов и мультиязычная поддержка. В карточке указана лицензия other. Метаданные связывают модель с OpenGVLab/InternVL3-1B-Instruct как дообученную модель, хотя README описывает конвертацию из InternVL3-8B; поэтому базовая модель установлена по метаданным, а происхождение конвертированной версии описано отдельно.

InternVL3-8B-hf — реализация мультимодальной модели InternVL3 в формате Hugging Face Transformers, опубликованная OpenGVLab. Это плотная модель класса InternVLForConditionalGeneration с 8 млрд параметров, предназначенная для диалогов и генерации ответов по тексту и визуальным входам. Репозиторий поддерживает пакетный инференс с изображениями и чередующимися изображениями, видео и текстом; возможно также текстовое использование без изображения. Модель подходит для описания изображений и видео, визуальных вопросов и ответов, мультимодального рассуждения, а также сценариев GUI-агентов и анализа промышленных изображений. Семейство InternVL3 заявляет улучшенное по сравнению с InternVL 2.5 мультимодальное восприятие и рассуждение, а также возможности работы с инструментами и 3D-визуальным восприятием. Реализация рассчитана на библиотеку Transformers и поддерживает разные реализации attention, включая SDPA и FlashAttention 2. Это дообученная версия OpenGVLab/InternVL3-8B-Instruct. Карточка связывает семейство с мультиязычными сценариями, но не перечисляет конкретные языки. Лицензия указана как other; точные условия использования следует сверить с лицензией исходного проекта. Числовой размер контекста в доступных данных не приведён.

Карточка модели nuresens/KomdigiITS-3B-PAD-Final на Hugging Face совпадает с карточкой nuresens/ALL_PAD_MERGE_v2, поэтому описание составлено по ней. nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

Krea 2 AnyPaint — функциональный адаптер от yijunwang2 для базовой модели Krea/Krea-2-Turbo. Модель предназначена для редактирования изображений по произвольной маске, включая inpainting, outpainting и комбинированные сценарии расширения холста и изменения содержимого. Адаптер поддерживает маски произвольной формы, несколько раздельных областей редактирования, узкие и изогнутые участки, маски, пересекающие границу исходного изображения, а также сохранение немаскированных областей с помощью согласованных латентных ограничений. Он рассчитан на работу с фотографиями, иллюстрациями, 3D-рендерами, интерьерами, объектами и изображениями людей. В метаданных указаны image-to-image pipeline, библиотека Diffusers и LoRA; сведения о размере модели, поддерживаемых языках, максимальном контексте и отдельных модальностях не приведены. Обычные импортеры LoRA и автоматически сгенерированный пример Diffusers несовместимы с этим функциональным адаптером: для использования требуются поставляемые автором файлы example.py, pipeline.py и anypaint.py либо соответствующая интеграция для ComfyUI. Модель распространяется по лицензии Krea 2 Community License; подробные условия доступны по указанной в README ссылке.

Latensis Sentiment — модель классификации тональности турецкого текста, разработанная командой Latensis и дообученная на базе Latensis RoBERTa Base. Модель использует архитектуру RoBERTa с примерно 211,6 млн параметров и токенизатор Hecemen Unigram 128k; максимальная длина контекста составляет 514 токенов. Модель относит текст к одному из двух классов: отрицательному или положительному. Она предназначена для анализа отзывов, сообщений и других турецкоязычных текстов. В README приведены результаты на двух тестовых наборах: accuracy и macro-F1 0,9027 и 0,9026 на TRSAv1, а также accuracy 0,8534 на Winvoker. Указана лицензия MIT.

Карточка модели Jinstudio/LongCat-Image-Edit-Turbo на Hugging Face совпадает с карточкой meituan-longcat/LongCat-Image-Edit-Turbo, поэтому описание составлено по ней. LongCat-Image-Edit-Turbo — дистиллированная версия модели LongCat-Image-Edit для редактирования изображений. Она предназначена для преобразования входного изображения по текстовому запросу и выполняет генерацию за 8 вызовов модели, что снижает задержку вывода. Модель особенно поддерживает добавление текста на изображение: целевой текст следует заключать в одинарные или двойные кавычки, в том числе в китайском стиле кавычек. В карточке указаны форматы Diffusers и Safetensors и лицензия Apache-2.0.

Mantis — мультимодальная языковая модель TIGER-Lab на базе LLaMA 3, использующая визуальный энкодер SigLIP и архитектуру семейства LLaVA. Она принимает изображения вместе с текстом, в том числе чередующиеся последовательности изображений и текста, и формирует текстовые ответы. Модель предназначена для диалога о визуальном содержимом, особенно для задач с несколькими изображениями: сопоставления, рассуждений, установления связей между объектами и понимания последовательности событий. Также она поддерживает вопросы по одному изображению и показывает результаты, сопоставимые с сильными открытыми моделями в приведённых авторами тестах. Чекпойнт дообучен на наборе TIGER-Lab/Mantis-Instruct; в репозитории указаны веса Safetensors и лицензия Llama 3. Карточка описывает обучение и оценки на английском языке, но не сообщает размер контекстного окна. Модель требует ресурсов для запуска крупной мультимодальной модели; качество может зависеть от типа изображения и формулировки запроса, а заявленные результаты относятся к бенчмаркам авторов.

Mitra-v2 Regressor — табличная фундаментальная модель регрессии от AutoGluon. Это второе поколение Mitra, обученное на синтетических наборах данных, созданных с помощью смеси случайных регрессоров, включая Hybrid SCM prior. Модель использует 12-слойный двумерный Transformer с 76,7 млн параметров и механизмом внимания по строкам и столбцам, рассчитанный на обучение в контексте. Для регрессии она предсказывает распределение по 1 000 целевым бинам, а точечный прогноз вычисляет как среднее этого распределения. Модель предназначена для прогнозирования числовых целевых значений по табличным данным. По сравнению с Mitra-v1 она обучена с контекстом в десять раз длиннее и поддерживает втрое больше признаков; также обновлены оптимизатор и выходная голова. README сообщает о высокой точности на бенчмарках TabArena и TALENT и о возможности получать прогнозные распределения для вероятностной оценки. Для использования требуется AutoGluon и пакет mitra-finetune. Лицензия — Apache-2.0.

AITRADER подготовил конверсию модели Qwen2.5-VL-32B-Instruct-abliterated в формат MLX с точностью FP16. Это плотная мультимодальная модель на 32 млрд параметров для диалога и обработки изображений; базовая модель поддерживает также анализ видео и структурированное извлечение данных. Модель принимает текст и изображения и генерирует текст, включая ответы в диалоге. Указанное родство в метаданных — дообучение Qwen/Qwen2.5-VL-32B-Instruct; README сообщает о конверсии из huihui-ai/Qwen2.5-VL-32B-Instruct-abliterated с помощью mlx-vlm 0.3.11. Контекст составляет 128 000 токенов. Метки «abliterated» и «uncensored» указывают на ослабленные ограничения генерации. Репозиторий распространяется по лицензии Apache-2.0.

Qwen2-VL-2B-Abliterated-Caption-it-i1-GGUF — это квантованная vision-language модель для понимания изображений и генерации текстовых описаний. Базовая модель prithivMLmods/Qwen2-VL-2B-Abliterated-Caption-it разработана prithivMLmods, а GGUF-квантизация выполнена mradermacher. Модель ориентирована на image captioning, visual understanding и задачи image-to-text, включая автоматическое составление описаний изображений. Модель имеет размер 2B параметров, поддерживает работу с изображениями и текстом и заявлена для английского языка. Она обучалась с использованием наборов данных Caption3o-XL-v4, Caption3o-Opt-v3-Tiny, Caption3o-LongCap-v4 и Caption3o-Opt-v3. Доступны варианты GGUF-квантизации с размером примерно от 0,5 до 1,1 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами; варианты различаются балансом скорости, качества и объёма памяти. Для работы с визуальными входными данными могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильными сторонами модели являются компактный размер, поддержка визуального анализа и широкий выбор квантованных вариантов, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S. Ограничения включают ориентацию на английский язык, возможное снижение качества у наиболее агрессивных квантов и отсутствие в предоставленной карточке сведений о размере контекста, точных характеристиках архитектуры и результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

Это 4-битная MLX-квантизация Qwen/Qwen-Image-2.1, подготовленная toxicdog для локального запуска на компьютерах Mac с Apple silicon. Базовая модель объединяет генерацию и редактирование изображений; визуальный генератор содержит 7 млрд параметров и 32 слоя DiT с однопоточной архитектурой, а для кодирования текста используется Qwen3-VL 8B. Модель создаёт изображения по текстовым запросам, редактирует изображения с использованием до 10 референсов, масок и нарисованных пометок, а также поддерживает прозрачный RGBA-вывод и многоязычный текст внутри изображений. Конверсия выполнена в MLX с 4-битным аффинным квантованием линейных весов; VAE сохранён в bf16. Это чекпойнт MLX, он не является готовым чекпойнтом для Diffusers или PyTorch и рассчитан на совместимый пользовательский рантайм. В README указана лицензия исходной модели как other; условия лицензии следует сверить с карточкой базовой модели.

Это 4-битная NF4-квантизованная версия Qwen-Image-Edit-2511, опубликованная seochan99 и предназначенная для редактирования изображений по текстовым инструкциям. Модель работает через библиотеку Diffusers и использует формат BitsAndBytes NF4 с вычислениями в bfloat16; квантизованы text encoder и transformer. По данным карточки, потребление видеопамяти составляет около 17 ГБ против примерно 40 ГБ у исходной версии BF16. Модель поддерживает редактирование одного или нескольких изображений, объединение изображений в общую сцену, перенос стиля и сохранение согласованности персонажей. Карточка сообщает о тестировании на NVIDIA RTX 4090. Лицензия репозитория — Apache-2.0.

Qwen Image Edit Inpainting — LoRA-адаптер для модели Qwen-Image-Edit, разработанный автором Ostris. Модель предназначена для управляемого редактирования изображений методом inpainting: пользователь закрашивает область, которую нужно изменить, чистым зелёным цветом RGB (0, 255, 0), а затем задаёт текстовую инструкцию с описанием содержимого для этой области. Адаптер ориентирован на сценарии локальной замены или добавления объектов и деталей в изображении, включая создание персонажей, аксессуаров и художественных элементов по текстовому описанию. В README приведены примеры с головными уборами, солнцезащитными очками, бородой, рогами и световым мечом. Архитектура, размер, поддерживаемые языки, максимальная длина контекста и точные требования к ресурсам не указаны. Модель относится к задачам генерации и редактирования изображений и использует текстовые инструкции вместе с визуальным входом. Ключевая особенность — специализированный «зелёный экран» для выделения области редактирования; важно использовать именно чистый зелёный цвет RGB (0, 255, 0). Ограничения качества, совместимости и производительности отдельно не описаны. Лицензия — Apache-2.0.

Карточка модели Fargol83/Qwen-Image-Layered на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Layered, поэтому описание составлено по ней. 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.

Uminosachi/realisticVisionV51_v51VAE-inpainting — модель для генерации и дорисовки изображений по текстовому запросу. В README она названа inpainting-моделью и описана как конверсия realisticVisionV51_v51VAE-inpainting. Метаданные указывают на Stable Diffusion Pipeline и форматы Diffusers, PyTorch и Safetensors. Модель предназначена для заполнения или изменения выбранных областей изображения по текстовой инструкции. Также она размечена для генерации изображений по тексту. Репозиторий использует лицензию CreativeML OpenRAIL-M. Подробности об архитектуре, размере, языках и ограничениях качества в предоставленных данных не приводятся.

Stable Diffusion v1.5 Inpainting — латентная диффузионная модель генерации и редактирования изображений по текстовым запросам и маске. Репозиторий — повторная публикация весов модели, разработанной Робином Ромбахом и Патриком Эссером; модель основана на Stable Diffusion v1.2 и дообучена для восстановления замаскированных областей изображения. Вариант для inpainting добавляет к входу UNet пять каналов для закодированного изображения с маской и самой маски. Модель использует текстовый энкодер CLIP ViT-L/14 и рассчитана прежде всего на английские запросы. Подходит для заполнения выделенных областей, удаления или замены объектов и творческого редактирования изображений с помощью текстового описания. Модель работает с изображениями разрешения 512×512. Она может ошибаться в деталях, лицах и сложной композиции, плохо воспроизводит читаемый текст, а результаты по неанглийским запросам обычно хуже. Обучающие данные содержали взрослый контент, а модель может усиливать социальные предубеждения и запоминать дубликаты изображений. Лицензия — CreativeML OpenRAIL-M с ограничениями на использование и распространение; условия лицензии следует соблюдать при применении модели.

Карточка модели ghunkins/stable-diffusion-v1-5-inpainting на Hugging Face совпадает с карточкой benjamin-paine/stable-diffusion-v1-5-inpainting, поэтому описание составлено по ней. Stable Diffusion v1.5 Inpainting — латентная диффузионная модель генерации и редактирования изображений по текстовым запросам и маске. Репозиторий — повторная публикация весов модели, разработанной Робином Ромбахом и Патриком Эссером; модель основана на Stable Diffusion v1.2 и дообучена для восстановления замаскированных областей изображения. Вариант для inpainting добавляет к входу UNet пять каналов для закодированного изображения с маской и самой маски. Модель использует текстовый энкодер CLIP ViT-L/14 и рассчитана прежде всего на английские запросы. Подходит для заполнения выделенных областей, удаления или замены объектов и творческого редактирования изображений с помощью текстового описания. Модель работает с изображениями разрешения 512×512. Она может ошибаться в деталях, лицах и сложной композиции, плохо воспроизводит читаемый текст, а результаты по неанглийским запросам обычно хуже. Обучающие данные содержали взрослый контент, а модель может усиливать социальные предубеждения и запоминать дубликаты изображений. Лицензия — CreativeML OpenRAIL-M с ограничениями на использование и распространение; условия лицензии следует соблюдать при применении модели.

Карточка модели svjack/stable-diffusion-v1-5-inpainting-f16 на Hugging Face совпадает с карточкой benjamin-paine/stable-diffusion-v1-5-inpainting, поэтому описание составлено по ней. Stable Diffusion v1.5 Inpainting — латентная диффузионная модель генерации и редактирования изображений по текстовым запросам и маске. Репозиторий — повторная публикация весов модели, разработанной Робином Ромбахом и Патриком Эссером; модель основана на Stable Diffusion v1.2 и дообучена для восстановления замаскированных областей изображения. Вариант для inpainting добавляет к входу UNet пять каналов для закодированного изображения с маской и самой маски. Модель использует текстовый энкодер CLIP ViT-L/14 и рассчитана прежде всего на английские запросы. Подходит для заполнения выделенных областей, удаления или замены объектов и творческого редактирования изображений с помощью текстового описания. Модель работает с изображениями разрешения 512×512. Она может ошибаться в деталях, лицах и сложной композиции, плохо воспроизводит читаемый текст, а результаты по неанглийским запросам обычно хуже. Обучающие данные содержали взрослый контент, а модель может усиливать социальные предубеждения и запоминать дубликаты изображений. Лицензия — CreativeML OpenRAIL-M с ограничениями на использование и распространение; условия лицензии следует соблюдать при применении модели.

Step1X-Edit-v1p2 — модель редактирования изображений по текстовым инструкциям, выпущенная командой StepFun и также называемая ReasonEdit-S в статье. Она сочетает мультимодальную языковую модель с циклом «обдумывание — редактирование — проверка»: сначала интерпретирует запрос с опорой на знания о мире, затем оценивает результат, исправляет нежелательные изменения и определяет, когда остановиться. Модель предназначена для инструкционного редактирования изображений, включая запросы, требующие понимания абстрактных формулировок. Авторы сообщают об улучшении результатов на KRIS-Bench и GEdit-Bench. Для запуска README приводит проверенную версию Transformers 4.55.0; репозиторий использует Diffusers и формат safetensors. Поддерживаются английский и китайский языки. Лицензия — Apache-2.0.

Clover Image Tiny Inpaint HQ — модель редактирования изображений по маске от neonforestmist. Она предназначена для локального инпейнтинга: получает исходное изображение, маску и текстовый запрос, затем перерисовывает выбранную область, стараясь сохранить остальную часть изображения. Белая область маски задаёт область перерисовки, чёрная — область сохранения. Модель использует денойзер для инпейнтинга Stable Diffusion 1.5 вместе с текстовым энкодером, токенизатором, VAE и планировщиком Clover Image Tiny. Для оценки на 24 отложенных правках InpaintCOCO она показала более высокое соответствие запроса маски и меньшую ошибку целевого изображения, чем предыдущая версия Clover Inpaint; в этой же оценке эталонный Stable Diffusion 1.5 inpainting превзошёл её по обеим метрикам. Модель работает с изображениями и текстом, а для запуска доступна через Diffusers; ресурсы Core ML опубликованы отдельно. Модель подходит для локального редактирования отдельных областей изображений по текстовому запросу. Мелкий текст, кисти рук, лица, точные логотипы и маски меньше разрешения латентного представления могут обрабатываться неудовлетворительно; результат также зависит от исходного изображения, маски и параметров генерации. Лицензия — CreativeML OpenRAIL-M; действуют лицензионные обязательства базовых компонентов Clover Image Tiny и Stable Diffusion 1.5 Inpainting.

CyberRealistic-v3.3-Inpainting — модель генерации изображений, размещённая пользователем dhanushreddy29 на Hugging Face. Она основана на Stable Diffusion и предназначена для работы через Diffusers StableDiffusionPipeline; метаданные классифицируют её как text-to-image и указывают лицензию CreativeML OpenRAIL-M. Модель ориентирована на фотореалистичную генерацию и редактирование изображений методом inpainting, а также на outpainting: пользователь задаёт текстовое описание и может заменять или дорисовывать выбранные области изображения. Внешние описания также указывают на поддержку textual inversion и LoRA. Модель выпущена 19 сентября 2023 года. Доступные материалы не содержат надёжных сведений о числе параметров, длине контекста, точной базовой версии Stable Diffusion или официально заявленном наборе языков; текстовые подсказки зависят от возможностей базовой модели и используемого интерфейса. Для использования применяются Diffusers и совместимое вычислительное окружение. Лицензия — creativeml-openrail-m.

DreamShaper 8 Inpainting — модель генерации и редактирования изображений семейства Stable Diffusion, опубликованная Lykon. Она дообучена на runwayml/stable-diffusion-inpainting и предназначена для заполнения маскированных областей изображения по текстовому запросу, например для замены или добавления объектов и изменения фрагментов сцены. Модель распространяется в формате Diffusers с весами Safetensors и рассчитана на работу через StableDiffusionInpaintPipeline. Версия 8 сочетает художественные стили, включая аниме и фотореалистичные изображения, но, по словам автора, уступает специализированным моделям в каждом из этих направлений; результат зависит от навыка составления запросов. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.