IV.1Ритейл, электронная коммерция и fashion-tech

EfficientNet-B6 — сверточная модель для классификации изображений, представленная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Она определяет, к какому из 1000 классов ImageNet относится изображение; модель рассчитана на входное разрешение 528×528 пикселей. Архитектура — мобильная и вычислительно эффективная ConvNet. EfficientNet масштабирует глубину, ширину и разрешение сети совместно с помощью единого коэффициента. Модель подходит для классификации изображений общего назначения и может служить основой для специализированных версий, дообученных на других задачах. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Обучение на ImageNet-1k задаёт набор из 1000 классов; качество на других предметных областях или при существенно отличающихся условиях съёмки может быть ниже.

FireRed-Image-Edit-1.1_ComfyUI_Quants — набор квантованных весов FireRedTeam для редактирования изображений по текстовым инструкциям, подготовленный для работы с ComfyUI и библиотекой Diffusers. В репозитории представлены варианты FP8 E4M3FN, scaled FP8 E4M3FN и NVFP4 в формате Safetensors; базовая модель — FireRedTeam/FireRed-Image-Edit-1.1. Модель предназначена для правок изображений с сохранением узнаваемости людей и персонажей, объединения элементов из нескольких изображений, ретуши и макияжа портретов, восстановления старых фотографий и работы с изображениями, содержащими стилизованный текст. README также описывает агентный сценарий обработки нескольких изображений и поддержку пользовательского обучения LoRA базовой модели. Карточка сообщает о поддержке ComfyUI и оптимизированных квантованных вариантов, но не приводит точное число параметров или длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Качество и скорость работы зависят от выбранного варианта квантования и конфигурации оборудования; заявленные результаты производительности в README относятся к описанной там системе и сценарию.

Карточка модели fuliucansheng/FLUX.1-Kontext-dev-diffusers 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.2 [klein] 9B-KV — модель Black Forest Labs для генерации и редактирования изображений. Это оптимизированный вариант FLUX.2 [klein] 9B с кэшированием KV-пар изображений-референсов: они вычисляются на первом шаге денойзинга и повторно используются на следующих. По заявлению разработчика, такой подход ускоряет редактирование с несколькими референсами до 2,5 раза. Модель объединяет генерацию изображений по тексту и редактирование с несколькими изображениями-референсами. Это 9-миллиардная flow-модель с текстовым энкодером Qwen3 на 8 млрд параметров; чекпойнт дистиллирован до четырёх шагов инференса. Она предназначена, в частности, для интерактивного редактирования и создания вариантов на основе тех же референсов. Для работы требуется около 29 ГБ видеопамяти по данным карточки. Модель не предназначена для предоставления фактических сведений; соответствие промпту не гарантировано, а текст внутри изображений может искажаться. Результаты зависят от формулировки запроса, а модель может воспроизводить смещения обучающих данных. Лицензия допускает некоммерческое использование; необходимо соблюдать её условия и правила использования Black Forest Labs.

FLUX.2 [klein] 9B NVFP4 — версия модели генерации и редактирования изображений от Black Forest Labs, представленная в формате NVFP4. В основе лежит rectified flow transformer с 9 млрд параметров. Модель создаёт изображения по текстовому описанию и поддерживает редактирование с несколькими референсными изображениями. Модель предназначена для генерации изображений по запросу и преобразования изображений с учётом текстовых инструкций и референсов. Репозиторий использует формат safetensors и библиотеку Diffusers; для запуска требуется около 29 ГБ видеопамяти, что делает доступными системы уровня NVIDIA RTX 4090 и выше. Модель не предназначена для выдачи фактической информации. Следование запросу зависит от стиля промпта, а результат может не соответствовать описанию; текст внутри изображений может быть искажён. Модель может отражать смещения обучающих данных. Для версии 9B указана некоммерческая лицензия; при использовании необходимо применять фильтры или ручную проверку входов и выходов.

Flux2-Klein-9B-True-V2 — модель генерации изображений по текстовому описанию и их редактирования, опубликованная пользователем Leon1000 и основанная на FLUX.2-klein-9B от Black Forest Labs. Это полноценно дообученная версия Flux2-Klein-9B-True-V1, предназначенная для задач text-to-image и image editing в экосистеме Diffusers с использованием PyTorch. Модель поддерживает английский и китайский языки. Заявлены улучшения реалистичности и проработки текстур, следования промпту, восстановления содержания, адаптации параметров и совместимости с LoRA. Также отмечены более упорядоченная композиция, эстетические улучшения и уменьшение смещения формы и цветовых искажений при редактировании. Для ускорения можно применять Turbo или Distill LoRA, однако это может снизить качество изображения; рекомендуются небольшие значения веса LoRA. Для коррекции цвета и формы после редактирования предлагается использовать ComfyUI-LCS. Размер контекста, точная архитектура, число параметров и дополнительные модальности в README не указаны. Модель распространяется по некоммерческой лицензии FLUX Non-Commercial License от Black Forest Labs, поэтому её использование должно соответствовать условиям этой лицензии.

Карточка модели sumannath/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.

InternVL3-78B-Instruct — мультимодальная чат-модель OpenGVLab, версия SFT семейства InternVL3. Она сочетает визуальный энкодер InternViT и языковую модель в архитектуре ViT-MLP-LLM; в этой версии использована плотная архитектура InternVLChatModel. Модель дообучена на базе OpenGVLab/InternVL3-78B-Pretrained и не проходила этап MPO. Разработчики рекомендуют использовать основную версию InternVL3-78B, если нет особой причины выбирать эту SFT-версию. Модель принимает текст, изображения и видео и формирует текстовые ответы. Она предназначена для диалога по изображениям и видео, визуального восприятия и рассуждений, понимания длинного контекста, анализа промышленных изображений и научных диаграмм, работы с GUI и 3D-сценами, а также использования инструментов. Динамическая обработка изображений разбивает их на фрагменты размером 448×448 пикселей; поддерживаются несколько изображений и видеоданные. Карточка заявляет многоязычную поддержку, но не перечисляет отдельные языки и размер контекстного окна. Модель распространяется в формате safetensors для Transformers. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория Hugging Face.

llava-phi-3-mini — мультимодальная модель семейства LLaVA, разработанная XTuner. Она дообучена на базе microsoft/Phi-3-mini-4k-instruct и использует визуальный энкодер CLIP ViT-Large patch14-336; обучение проводилось на данных ShareGPT4V-PT и InternVL-SFT. Модель содержит 3,7 млрд параметров, использует плотную архитектуру LlavaLlamaForCausalLM и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы в диалоговом формате. Модель предназначена для вопросов и ответов по изображениям, описания визуальных сцен и решения задач визуального понимания. Разрешение визуального энкодера составляет 336 пикселей, а длина контекста — 4096 токенов. Репозиторий представлен в формате safetensors и официальном формате LLaVA. Лицензия в предоставленных данных не указана.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-768-Omni на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Mono-InternVL-2B — мультимодальная модель с настройкой на выполнение инструкций из семейства InternVL, разработанная OpenGVLab. Она построена на InternLM2-Chat-1.8B и объединяет языковую модель с компонентами для работы с изображениями; в репозитории указаны 1,8 млрд активируемых параметров и 3 млрд параметров всего. Модель предназначена для диалога по изображениям и генерации текстовых ответов на инструкции, связанные с визуальным содержимым. Метаданные также отмечают поддержку чата и мультиязычность. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Модель может ошибаться при распознавании мелких деталей и сложных сцен; конкретные ограничения качества в карточке не описаны.

PaliGemma 3B PT 224 — компактная предобученная модель зрения и языка от Google, построенная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретные задачи, а не для готового универсального чат-бота. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения объектов и сегментации. Также возможна настройка для анализа снимков дистанционного зондирования, вопросов по науке, помощи людям с нарушениями зрения и объяснения элементов интерфейса. Поддерживаются несколько языков, но карточка не перечисляет их коды. Это одноходовая модель: она не предназначена для многошагового диалога. Без дообучения на целевой задаче качество может уступать специализированным моделям; ответы могут содержать фактические ошибки, а сложные запросы, нюансы языка и некоторые аспекты рассуждения могут даваться хуже. Репозиторий содержит веса Safetensors и распространяется по лицензии Gemma.

Disty0/Qwen-Image-Edit-2511-SDNQ-uint4-svd-r32 — это 4-битная квантованная версия модели Qwen/Qwen-Image-Edit-2511, подготовленная Disty0 с использованием SDNQ. Модель предназначена для редактирования изображений по текстовым инструкциям, включая сценарии с несколькими входными изображениями и композиционирование объектов или персонажей в заданной сцене. Она работает через QwenImageEditPlusPipeline в библиотеке Diffusers и использует текстовые промпты совместно с изображениями. Ключевая характеристика версии — квантование UINT4 с SVD rank 32, направленное на снижение требований к памяти и вычислительным ресурсам. В README не указаны точный размер модели, исходная архитектура, поддерживаемые языки и максимальная длина контекста. Приведён пример запуска с bfloat16, CPU offload и опциональным INT8 MatMul для GPU AMD, Intel ARC и Nvidia при доступности Triton; фактическая совместимость и качество зависят от оборудования и параметров инференса. Из ограничений следует учитывать возможное влияние агрессивного 4-битного квантования на качество по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

Карточка модели linyuanbin/Qwen-Image-Edit-Rapid-AIO-V19 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19, поэтому описание составлено по ней. prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19 — преобразованные для Diffusers веса модели редактирования изображений на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера, извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V19 и предназначенные для ускоренного инференса Qwen Image Edit за четыре шага.

RealEdit — модель преобразования изображений, связанная с проектом REALEDIT, посвящённым изучению пользовательских правок изображений на Reddit. Она предназначена для редактирования исходного изображения по текстовой инструкции и запускается через Diffusers или исходный конвейер InstructPix2Pix. В метаданных указаны задачи image-to-image и text-to-image, формат Diffusers/PyTorch и лицензия CC. Карточка описывает дообученный чекпойнт для InstructPix2Pix, однако базовая модель, архитектура, число параметров, контекст и поддерживаемые языки в доступных сведениях не раскрыты. Модель применима к редактированию отдельных изображений по запросу; качество и диапазон надёжно поддерживаемых преобразований зависят от обучающих данных и формулировки инструкции. Лицензия указана как CC без уточнения конкретной версии.

Stable Diffusion 2 Inpainting — модель латентной диффузии для редактирования изображений по текстовому запросу и маске. Этот репозиторий является зеркалом устаревшей модели stabilityai/stable-diffusion-2-inpainting; авторы модели — Робин Ромбах и Патрик Эссер, зеркало не связано со Stability AI. Модель создана на основе stable-diffusion-2-base и дополнительно обучена на 200 тысячах шагов. Для задания текста использует фиксированный предварительно обученный энкодер OpenCLIP-ViT/H, а маска и латентное представление изображения служат дополнительными условиями генерации. Модель предназначена для заполнения или изменения выбранных областей изображения, а также творческого дизайна и исследовательской работы с генеративными моделями. Карточка описывает применение через Diffusers; метаданные указывают форматы Diffusers, PyTorch и safetensors. Основной язык запросов — английский: модель обучалась преимущественно на английских подписях, поэтому запросы на других языках могут работать хуже. Лицензия — CreativeML Open RAIL++-M License.

TabPFNMix Classifier — модель AutoGluon для классификации табличных данных. Это табличная фундаментальная модель на основе 12-слойного Transformer с архитектурой encoder-decoder и 37 млн параметров. Она предварительно обучена на синтетических наборах данных, полученных от смеси случайных классификаторов, и использует обучение в контексте, аналогичное TabPFN и TabForestPFN. Модель предназначена для предсказания классов по строкам табличных данных. Для использования автор рекомендует библиотеку AutoGluon. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

this-that-model-1.2 — дообученная модель flock-io для выбора ответа из заданных вариантов по структурированному состоянию и текстовым правилам. Она предназначена для решений, где нужно последовательно применить несколько условий, исключить неподходящие варианты и ранжировать оставшиеся. Модель основана на плотной архитектуре Qwen3.5 с причинным языковым моделированием, содержит 1,7 млрд параметров и поддерживает контекст до 262 144 токенов. Карточка демонстрирует применение к данным в формате вложенных пар ключ–значение и приводит результаты на задачах выбора и калибровки вероятностей; для указанного публичного бенчмарка сообщается точность 0,878 и задержка 31,4 мс на ноутбуке с NVIDIA RTX 5080. Модель ориентирована на типизированные решения за один прямой проход без генерации токенов, что позволяет использовать её для отбора и сравнения кандидатов по правилам, в том числе сформулированным как исключения. В README указаны улучшения при составных решениях и устойчивость к разным формулировкам правил. Лицензия — MIT. Результаты приведены для конкретных бенчмарков и аппаратной конфигурации; карточка не описывает универсальную точность на произвольных данных и не содержит полного примера API использования.

TinyReceiptVQA-StructuredQA-21M — компактная модель визуальных вопросов и ответов по изображениям чеков. Она принимает изображение чека и вопрос, а затем генерирует структурированный ответ; обученный маршрутизатор выбирает один из восьми адаптеров для вопросов о телефоне, адресе, магазине, строках товаров, расчётах по позициям, поиске товара, арифметике или других темах. Модель использует Transformer-декодер с причинным self-attention и cross-attention к мультимодальной памяти; поставляется в формате ONNX для ONNX Runtime, с вариантами FP32 и статической квантизацией W8A8 INT8. Размер входного изображения фиксирован, а длины вопроса, памяти и кэшей динамические. Модель ориентирована на извлечение полей и ответы на вопросы по чекам, включая прямое чтение значений, поиск и арифметические запросы. В README приведены демонстрационные примеры на английском и корейском, но они взяты из синтетической валидационной выборки и не являются полноценным бенчмарком. Поддержка кодировки Unicode не гарантирует распознавание невиденных символов. Лицензия — Apache-2.0.

Versatile Diffusion — мультимодальная диффузионная модель, разработанная Xingqian Xu, Atlas Wang, Eric Zhang, Kai Wang и Humphrey Shi. Её единая многопоточная архитектура объединяет VAE, диффузионную модель и кодировщик контекста для работы с изображениями и текстом. Модель предназначена для генерации изображений по текстовому описанию. В карточке также заявлены генерация вариаций изображения и текста, преобразование изображения в текст и расширенные сценарии редактирования и генерации с совместным управлением текстом и изображением. Репозиторий содержит веса Diffusers/PyTorch; карточка указывает английский язык и набор данных Laion2B-en. Модель распространяется по лицензии MIT. Карточка описывает возможности и примеры использования, но не приводит конкретных ограничений качества или требований к вычислительным ресурсам.

microsoft/cvt-21-384-22k — модель Convolutional Vision Transformer (CvT-21), опубликованная Microsoft. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k для классификации изображений при разрешении 384×384 пикселя. Модель можно использовать, чтобы отнести изображение к одному из 1000 классов ImageNet. Архитектура сочетает свёрточные операции с Vision Transformer; карточка указывает класс CvtForImageClassification. Доступны веса PyTorch и TensorFlow. Модель ориентирована на задачи классификации изображений общего назначения. Лицензия — Apache-2.0.

Uminosachi/deliberate_v3-inpainting — модель для дорисовки и изменения областей изображения по текстовому запросу. README указывает, что это конверсия deliberate_v3-inpainting; репозиторий использует Diffusers и формат safetensors, а задача в метаданных обозначена как text-to-image. Модель рассчитана на сценарии inpainting, где нужно заполнить или заменить часть изображения, сохраняя остальную композицию. Модель распространяется по лицензии CreativeML Open RAIL-M. Сведения о размере, контексте и поддерживаемых языках в предоставленных источниках отсутствуют; для описания доступного сценария указаны только текстовый ввод и генерация изображения.

luodian/Flamingo-Llama2-Chat7B-CC3M — это мультимодальная модель семейства Flamingo, разработанная авторами репозитория на основе Llama 2 Chat 7B и обученная на CC3M. Авторы сообщают, что обучение на четырёх A100 заняло менее пяти часов. Модель предназначена для генерации текстовых описаний изображений, в том числе в режиме zero-shot. Она принимает изображение и текстовый запрос, а результат выдаёт в виде текста. В README отмечено, что качество данных для описания изображений помогает быстрее согласовать визуальную и языковую части модели. В метаданных указаны архитектура Flamingo, формат PyTorch и лицензия MIT. README описывает перспективные способности к captioning, но не приводит количественных оценок качества; результаты могут зависеть от качества входного изображения и запроса.

Flex.2-preview — открытая диффузионная модель генерации изображений по тексту, созданная сообществом и представленная как продолжение Flex.1-alpha. Модель содержит 8 млрд параметров, использует 16-канальное латентное пространство и принимает входной текст длиной до 512 токенов. В метаданных указана библиотека Diffusers и формат safetensors. Модель предназначена для генерации изображений по текстовым запросам, редактирования областей изображения с помощью встроенного inpainting и управления генерацией по позе, контурам или карте глубины. В README заявлен guidance embedder, ускоряющий генерацию вдвое, но сравнительные условия не описаны. Модель доступна для экспериментов и тонкой настройки, поддерживает использование через Diffusers и ComfyUI. Это ранняя preview-версия, выпущенная для сбора отзывов и проверки новых возможностей; качество и слабые стороны автор предлагает оценивать экспериментально. Лицензия Apache 2.0 разрешает свободное использование, включая коммерческие сценарии.

gaianet/FLUX.1-Redux-dev-GGUF — квантованный GGUF-вариант модели FLUX.1-Redux-dev от Black Forest Labs. В репозитории доступны варианты Q4_0, Q4_1, Q5_0, Q5_1 и Q8_0, а также safetensors; квантование выполнено с помощью stable-diffusion.cpp. Модель предназначена для генерации изображений по тексту и, согласно описанию базовой модели, для создания вариаций и рестайлинга изображений по исходному изображению. Для запуска нужны отдельные компоненты T5, CLIP и ae: автор предупреждает, что они не включены в репозиторий. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией базовой модели и файлами репозитория.

FLUX.2 [klein] 9B — компактная модель генерации и редактирования изображений, разработанная Black Forest Labs и представленная в формате mlx-community. Она объединяет text-to-image и image-to-image в единой архитектуре и предназначена для приложений с низкой задержкой, включая интерактивное создание изображений, творческий поиск, интеграцию в пользовательские продукты и редактирование по нескольким референсным изображениям. Модель построена на rectified flow transformer с 9 млрд параметров и использует текстовый эмбеддер Qwen3 с 8 млрд параметров. Она дистиллирована для работы за 4 шага вывода и ориентирована на генерацию менее чем за секунду, при этом заявлены высокое качество, хорошее следование промптам и разнообразие результатов. В карточке указана поддержка английского языка; модель работает с текстовыми описаниями и изображениями, однако размер контекстного окна не указан. Для запуска требуется около 29 ГБ видеопамяти, рекомендуется NVIDIA RTX 4090 или более производительное оборудование. Сильными сторонами являются сочетание генерации и редактирования, поддержка многореференсных сценариев, высокая скорость и возможность использования через Diffusers, ComfyUI и API BFL. Ограничения включают возможные ошибки в следовании запросу и искажения текста на изображениях; модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать предвзятость обучающих данных. Использование регулируется FLUX Non-Commercial License Agreement и Acceptable Use Policy, поэтому модель предназначена для некоммерческого применения; также запрещены незаконные, вредоносные, обманные и некоторые высокорисковые сценарии.

Flux2-Klein-9B-True-V2 — модель генерации изображений по текстовому описанию и редактирования изображений, разработанная на основе FLUX.2-klein-9B и опубликованная пользователем chfm. Это версия V2, полученная полным дообучением модели Flux2-Klein-9B-True-V1. Модель предназначена для text-to-image-синтеза и image editing. По сравнению с V1 заявлены улучшения реалистичности и передачи текстур, следования промптам, восстановления деталей, адаптации параметров и совместимости с LoRA. Также улучшены структурированность и эстетика изображений, а при редактировании — следование инструкциям, а также контроль смещения и цветовых отклонений. Указана поддержка английского и китайского языков. Модель работает с библиотекой Diffusers и фреймворком PyTorch; размер архитектуры — 9B параметров, поскольку она основана на FLUX.2-klein-9B. Для ускорения допускается использование Turbo LoRA или Distill LoRA, однако это может снизить качество изображения; рекомендуются небольшие значения веса LoRA. Для коррекции цвета и формы после редактирования предлагается использовать плагин ComfyUI-LCS. README не содержит точных ограничений по контексту или иных подробностей архитектуры. Использование модели разрешено в соответствии с некоммерческой лицензией FLUX Non-Commercial License компании Black Forest Labs.

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.

HunyuanImage-3.0-Instruct-Distil — дистиллированная версия мультимодальной модели Tencent для генерации и редактирования изображений. Она принимает текстовую инструкцию и исходное изображение, интерпретирует его с учётом контекста и формирует изменённое изображение; карточка рекомендует восемь шагов сэмплирования для более эффективного вывода. Модель построена на авторегрессионной MoE-архитектуре HunyuanImage 3 и объединяет понимание текста и изображений с генерацией. В метаданных указано 3,1 млрд параметров и контекст длиной 22 800 токенов. Модель предназначена для творческого редактирования изображений по текстовым инструкциям и генерации визуальных результатов на основе изображения и запроса. README описывает HunyuanImage-3.0 как систему с сильным следованием промпту, визуальной детализацией и возможностью интерпретировать содержание изображения; эти общие характеристики семейства не сопровождаются отдельными результатами оценки дистиллированного чекпойнта. Для работы требуются значительные вычислительные ресурсы: инструкция по запуску семейства указывает Python 3.12+ и CUDA 12.8. Лицензия обозначена как other; конкретные условия использования следует проверять в файлах репозитория.

InstructCV — модель генерации и редактирования изображений по текстовым инструкциям, представленная проектом alaa-lab. Она основана на Stable Diffusion InstructPix2Pix и предназначена для сценариев, где нужно создать изображение по запросу или изменить предоставленное изображение, следуя инструкции. Модель распространяется в форматах Diffusers и PyTorch; лицензия — MIT. Карточка связывает модель с датасетом InstructCV-Demo-Data и описывает её как instruction-tuned text-to-image diffusion model для широкого круга визуальных задач. Для использования в README приведён стек Diffusers, Accelerate, Safetensors и Transformers. Контекстная длина и поддерживаемые языки в доступных сведениях не определены.