IV.1Ритейл, электронная коммерция и fashion-tech

Intern-Decision-2B — мультимодальная модель структурированного принятия решений, созданная дообучением Qwen/Qwen3.5-2B. Она принимает общее описание состояния, схему с именованными вопросами и вариантами ответов, а также необязательные изображения; за один проход модели выдаёт для каждого поля распределение вероятностей и типизированный ответ в JSON. Архитектура — плотная Qwen3.5ForConditionalGeneration с 2 млрд параметров; для работы используется Transformers и формат весов safetensors. Модель предназначена для пакетного выбора среди заданных вариантов, оценки по категориям и бинарных решений. В README описан masked-next-token метод: модель оценивает допустимые символы вариантов, а затем применяет к вероятностям отдельную калибровку. Можно передать от 1 до 16 вопросов, до 62 вариантов на вопрос и до 8 изображений; максимальная длина входа по умолчанию — 8192 токена, при превышении запрос отклоняется без усечения. Лицензия — Apache-2.0.

Karlo v1 alpha — модель генерации изображений по тексту от Kakao Brain на основе архитектуры unCLIP от OpenAI. Она также поддерживает создание вариаций изображения. Модель состоит из prior, декодера и модуля суперразрешения; для генерации использует текстовый энкодер CLIP ViT-L/14. Модуль суперразрешения увеличивает изображение с 64 до 256 пикселей за семь шагов, применяя дополнительный шаг для восстановления высокочастотных деталей. Компоненты обучены с нуля на 115 млн пар изображений и текстов. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; лицензия — CreativeML Open RAIL-M. Карточка приводит результаты оценки на CC3M и MS-COCO, но не описывает языковой охват запросов или ограничения на содержание изображений.

LibreOMDetTurbot — зеркало весов детектора объектов OMDet-Turbo с архитектурой Swin-Tiny, подготовленное LibreYOLO для уровня LibreOpenVocab. Репозиторий сохраняет снимок файлов Hugging Face Transformers для загрузки через обёртку LibreYOLO; согласно карточке, параметры модели не изменялись. Базовая модель — omlab/omdet-turbo-swin-tiny-hf. Модель предназначена для обнаружения объектов на изображениях в реальном времени по текстовым запросам и поддерживает открытый словарь категорий: пользователь может задавать классы, например person, dog или car, без отдельного обучения на каждой категории. Весы опубликованы под лицензией Apache 2.0. Для загрузки в карточке показана обёртка LibreYOLO; отдельные сведения о контексте не применимы к детектору изображений.

Paranioar/NEO1_0-9B-SFT — версия NEO1_0-9B после контролируемой донастройки (SFT), созданная в рамках проекта NEO. Это плотная нативная vision-language-модель, разработанная с нуля для объединения визуального восприятия и языковых возможностей в общей архитектуре, без отдельных подключаемых модулей зрения и языка. Модель содержит 9 млрд параметров без учёта эмбеддингов и имеет 42 слоя: 6 слоёв Pre-Buffer и 36 слоёв языковой части. В архитектуре используются Native-Attn, Native-RoPE и групповое внимание запросов (32 головы Q и 8 KV). Модель предназначена для диалогового взаимодействия с изображениями и генерации текстовых ответов на визуальные запросы. В README описана цель проекта — развивать нативные мультимодальные примитивы; конкретные показатели качества для этой SFT-версии не приведены. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Метаданные указывают интерфейс чата и вызова инструментов; поддерживаемые языки, максимальный контекст и отдельные результаты оценки в предоставленных сведениях не описаны.

molbal/Qwen-Image-2.1-GGUF — GGUF-версия модели Qwen Image 2.1, разработанной командой Qwen и адаптированной molbal для использования в ComfyUI. Базовая модель представляет собой diffusion transformer для генерации изображений по текстовому описанию и редактирования изображений с поддержкой референсных изображений через ComfyUI. Модель принимает текстовый prompt и, опционально, исходное изображение для редактирования или визуального обусловливания. Результатом является изображение в формате RGBA, включая поддержку прозрачности. Для текстового кодирования используется Qwen3-VL 8B. Доступны варианты GGML-квантизации Q4_0 и Q8, а также вариант Q8_CR с нативным INT8 ConvRot; Q4_CR обозначен как находящийся в разработке. Модель предназначена для запуска через узлы GGUF Loader из пакета comfyui-gguf-reboot и требует размещения совместимых компонентов Qwen Image 2.1, текстового энкодера Qwen3-VL 8B и VAE в каталогах ComfyUI. К сильным сторонам относятся поддержка генерации и редактирования изображений, референсных изображений, прозрачности и нескольких уровней квантизации. В README не указаны поддерживаемые языки, размер контекста, точные требования к памяти и производительность, поэтому эти характеристики нельзя определить по имеющимся данным. Лицензия указана как qwen-research; подробные условия приведены в лицензии Qwen Image 2.1.

Qwen-Image-2.1-Heretic-mlx-4bit — производная от Qwen/Qwen-Image-2.1 модель генерации и редактирования изображений, подготовленная для запуска на компьютерах Apple Silicon через MLX. В ней используется текстовый энкодер Heretic; веса имеют точность 4 бита и занимают около 9,6 ГБ на диске. Модель предназначена для создания изображений по текстовому описанию и редактирования изображений с несколькими референсами. Поддерживаются прозрачный вывод в формате RGBA и ускорение Metal на Apple Silicon; для дополнительного ускорения можно использовать Viggle Turbo LoRA. В карточке заявлена работа с английским и китайским языками. Указанная лицензия — other, поэтому условия использования следует уточнить в репозитории модели.

Qwen-Image-2.1-Heretic-mlx-bf16 — версия модели Qwen-Image-2.1, подготовленная для запуска через MLX на компьютерах Apple Silicon. В репозитории указаны точность bfloat16 и размер около 29,3 ГБ; для ускорения используется Metal. Текстовый энкодер заменён на Heretic-версию pottokao/Qwen-Image-2.1-Text-Encoder-Heretic. Модель предназначена для генерации изображений по текстовым описаниям и редактирования изображений с несколькими референсами. Она также поддерживает создание изображений с альфа-каналом и прозрачным фоном. В README упомянута возможность ускорения с помощью Viggle Turbo LoRA. Базовая модель Qwen-Image-2.1 поддерживает генерацию и редактирование изображений; метаданные указывают английский и китайский языки. В карточке указана лицензия other; конкретные условия использования в предоставленных данных не раскрыты. Для запуска требуется библиотека mflux и совместимое оборудование Apple Silicon. Полная точность bfloat16 требует около 29,3 ГБ места на диске.

SDXL InstructPix2Pix — модель редактирования изображений по текстовым инструкциям, созданная на основе Stable Diffusion XL с помощью дообучения по методике InstructPix2Pix. Она предназначена для преобразования загруженного изображения по запросу: например, изменения погоды, художественного стиля или возраста человека. Обучение выполнено на разрешении 768×768 в течение 15 000 шагов на наборе timbrooks/instructpix2pix-clip-filtered. Модель распространяется в формате Diffusers и Safetensors и использует базовую модель stabilityai/stable-diffusion-xl-base-1.0. Для работы требуются изображение и текстовая инструкция; результатом служит отредактированное изображение. Лицензия — OpenRAIL++.

Solari-GGUF — версия в формате GGUF модели Solari от Cubex11, предназначенная для анализа изображений и ответов на вопросы о них. Solari — мультимодальная модель зрения и языка на 500 млн параметров, дообученная методом QLoRA с DPO на 72 тысячах пар предпочтений из RLAIF-V для снижения галлюцинаций на реальных изображениях. В основе лежит SmolVLM2-500M-Video-Instruct. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы; её можно запускать через llama.cpp, Ollama и LM Studio. В опубликованных тестах полная версия Solari превзошла базовую модель в семи из восьми бенчмарков, включая POPE; результаты GGUF-версии могут немного отличаться из-за преобразования формата. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

Карточка модели jiangjiangjiangjiang11/stable-diffusion-2-inpainting на Hugging Face совпадает с карточкой sd2-community/stable-diffusion-2-inpainting, поэтому описание составлено по ней. 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.

Карточка модели Zlhugface1/stable-diffusion-2-inpainting на Hugging Face совпадает с карточкой sd2-community/stable-diffusion-2-inpainting, поэтому описание составлено по ней. 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.

TeleStyleV2-Qwen-Image-Edit-2511-bf16 — готовый к запуску слитый чекпойнт Tele-AI для переноса стиля изображения с сохранением его содержания. Он построен на Qwen/Qwen-Image-Edit-2511 и объединяет адаптеры TeleStyleV2 для переноса стиля и QIE-2511-Lightning для ускоренного вывода за 4 шага. Модель принимает изображение содержания и изображение-образец стиля, переносит стиль образца, стараясь сохранить содержание исходного изображения; также поддерживает редактирование по текстовой инструкции с одним входным изображением. Репозиторий использует Diffusers и формат safetensors; базовые компоненты включают трансформер Qwen-Image-Edit-2511 и неизменённые VAE, текстовый энкодер Qwen2.5-VL-7B, процессор, токенизатор и планировщик. Для инференса в bf16 на Apple Silicon README указывает около 60 ГБ памяти. Лицензия — Apache-2.0.

Карточка модели Aitrepreneur/text-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.

Trendyol разработала эту диалоговую авторегрессионную языковую модель на базе Mistral-7B. Версия DPO обучена на 11 тысячах наборов предпочтений «запрос — выбранный ответ — отклонённый ответ» с применением LoRA; модель предназначена для генерации текста и общения в формате чата. Она принимает текст и выдаёт текст, поддерживает турецкий и английский языки. Размер модели — 7,2 млрд параметров, длина контекста — 32 768 токенов. Модель подходит для диалоговых приложений и генерации ответов на инструкции. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Разработчики отмечают, что модель может выдавать неточную информацию, хуже справляться со сленгом и языками помимо английского и турецкого, а также генерировать токсичный или предвзятый текст; для важных сценариев нужны проверка результатов и надзор человека.

kaixkhazaki/turkish-sentiment — модель классификации тональности турецкого текста, разработанная дообучением BERTurk dbmdz/bert-base-turkish-cased. Она использует архитектуру BertForSequenceClassification, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель предназначена для анализа турецких публикаций в социальных сетях, отзывов о товарах и других текстов. В README приведены результаты оценки: accuracy 0,9688 и macro F1 0,9454; эти показатели относятся к указанному оценочному набору. Модель обучена на наборе winvoker/turkish-sentiment-analysis-dataset, содержащем 440 679 обучающих и 48 965 валидационных примеров. Распространяется по лицензии MIT.

UniPic2-SD3.5M-Kontext-GRPO-2B — постобученная методом GRPO модель Skywork на базе UniPic2-SD3.5M-Kontext-2B. Она предназначена для генерации изображений по текстовому запросу и редактирования изображений; особое внимание уделено улучшенному отображению текста внутри изображений. Модель описана как быстрая и рассчитанная на запуск на одной потребительской видеокарте с 16 ГБ памяти. По тегам карточки модель относится к мультимодальным авторегрессионным моделям, объединяющим понимание изображений, редактирование и генерацию. Репозиторий содержит веса в формате safetensors, библиотека — Transformers; лицензия — MIT. README не сообщает поддерживаемые естественные языки и конкретные ограничения качества.

Модель deepsweet/Z-Image-Turbo-6B-MLX-Q4 — версия Tongyi-MAI/Z-Image-Turbo, преобразованная в формат MLX с помощью MFLUX v0.17.5. Она предназначена для генерации изображений по текстовым описаниям; метаданные также отмечают поддержку редактирования изображений. Модель рассчитана на работу через библиотеку MFLUX и распространяется в формате safetensors. Базовая Z-Image-Turbo — дистиллированная модель Alibaba для быстрой генерации изображений, в том числе с английским и китайским текстом на изображениях. Репозиторий указывает лицензию Apache-2.0. Данные карточки не описывают отдельные ограничения этой версии.

senaro/atlas-v19-gemma4-12b — дообученная модель senaro на архитектуре Gemma 4 Unified с плотной структурой. Она предназначена для диалоговой работы с текстом и изображениями: принимает текстовые запросы и изображения, а отвечает текстом. Модель можно применять для описания изображений и ответов на вопросы по их содержимому. Модель дообучена на senaro/atlas-trmonly-gemma4-12b; в карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. Карточка и метаданные не сообщают размер модели, длину контекста, обучающие данные или результаты оценки качества.

Cambrian-13B — мультимодальная большая языковая модель с архитектурой CambrianLlamaForCausalLM, разработанная в рамках проекта Cambrian. Модель обучена в июне 2024 года и ориентирована на сценарии с визуальным вводом. Для обучения использовались 2,5 млн примеров Cambrian Alignment Data и 7 млн примеров Cambrian Curated Instruction Tuning Data. Модель содержит 12,9 млрд параметров, принимает текст и изображения и генерирует текст; заявленный контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества и подробностей о поддерживаемых языках.

EasyRef — мультимодальная модель, разработанная авторами проекта EasyRef, для переноса согласованных визуальных признаков из нескольких референсных изображений в генерацию изображений. Она предназначена для сценариев, где нужно сохранить идентичность персонажа или другие общие элементы группы изображений при создании новых изображений; заявлен zero-shot режим. В демонстрации используется связка с SDXL. Модель имеет архитектуру Qwen2-VL и около 1,5 млрд параметров. Она принимает текст и изображения, а результат генерации — изображение. Для лучшей согласованности рекомендуется передавать более двух референсов, особенно квадратные фотографии лица, где лицо занимает большую часть кадра; совместная подача изображений и непустого текстового запроса также улучшает результаты. Понижение параметра scale увеличивает разнообразие, но снижает согласованность. Модель распространяется по лицензии Apache-2.0.

Emuru — условная генеративная модель для создания изображений по тексту и референсному изображению стиля, представленная на CVPR 2025. Архитектура объединяет текстовый декодер на базе T5ForConditionalGeneration и VAE AutoencoderKL: модель учитывает изображение-референс, описание стиля и текст с содержанием будущего изображения, а затем генерирует изображение, объединяющее эти условия. Модель предназначена для стилизованной генерации изображений, редактирования изображений по текстовым описаниям и прототипирования дизайна. В карточке также указаны исследовательские и учебные демонстрации генеративного моделирования на основе T5. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Карточка модели NikolaSigmoid/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.2-Klein-4B-4bit — 4-битная версия модели семейства FLUX.2 [klein], разработанной Black Forest Labs и представленной в репозитории mlx-community. Это компактный rectified flow transformer с 4 млрд параметров для генерации изображений по текстовому описанию и редактирования изображений, в том числе с несколькими референсами. Архитектура объединяет генерацию и редактирование в одной модели. Модель рассчитана на быстрый инференс, локальную разработку, развертывание на периферийных устройствах и производственное применение; авторы указывают возможность запуска на потребительском оборудовании. Для работы с текстом заявлен английский язык. Репозиторий распространяется по лицензии Apache 2.0. Преимущества — компактный размер и поддержка генерации и редактирования; фактическая скорость и качество зависят от оборудования и сценария использования.

HunyuanDiT-Diffusers-Distilled — дистиллированная модель генерации изображений по текстовому описанию от команды Tencent Hunyuan, опубликованная в формате 🤗 Diffusers. Она основана на архитектуре Diffusion Transformer и поддерживает генерацию изображения за 25 шагов. Модель предназначена для создания изображений по коротким и длинным текстовым запросам, включая запросы с китайскими элементами. Модель принимает текст и выдаёт изображения. В README отмечены возможности понимания китайских элементов и длинных запросов; метаданные указывают английский язык. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и сопроводительными материалами репозитория.

LibreMoondream2 — копия весов Moondream 2, опубликованная LibreYOLO для использования в уровне LibreVLM. Репозиторий зеркалирует снимок vikhyatk/moondream2; README указывает, что обученные параметры не менялись. Это компактная мультимодальная модель семейства Moondream для анализа изображений, включая обнаружение объектов и ответы на вопросы по визуальному содержимому. Модель принимает изображения вместе с текстовыми запросами и выдаёт текстовые ответы, в том числе результаты обнаружения объектов. В примере использования задаются целевые классы, например человек и каска, после чего выполняется предсказание для изображения. Она основана на vikhyatk/moondream2 и распространяется в формате safetensors. Лицензия — Apache 2.0.

Oryx-1.5-7B — мультимодальная модель THUdyh на 7,1 млрд параметров, дообученная на данных Oryx-SFT-Data на основе Qwen2.5-7B-Instruct и визуального энкодера Oryx-ViT. Она принимает изображения и видео произвольного пространственного размера и временной длины и формирует текстовые ответы; контекст составляет 32 768 токенов. Модель рассчитана на анализ визуальных материалов и диалог по их содержимому, поддерживает английский и китайский языки. Модель опубликована в формате safetensors под лицензией Apache-2.0. В карточке также указаны интерфейсы чата и вызова инструментов. README описывает обучение на смеси 1,2 млн примеров изображений и видео.

Qwen-Image-2.1-Heretic-mlx-8bit — 8-битная версия Qwen-Image-2.1 для запуска на компьютерах Apple Silicon через MLX и библиотеку mflux. Репозиторий включает текстовый энкодер Heretic; размер файлов составляет около 16,6 ГБ. Модель предназначена для генерации изображений по текстовому запросу и редактирования изображений с несколькими референсами. Поддерживает создание изображений с прозрачностью RGBA и может использоваться с опциональным ускорителем Viggle Turbo LoRA. По описанию автора, версия сохраняет более 95% деталей исходной модели при меньших требованиях к диску и памяти. Базовая модель — Qwen/Qwen-Image-2.1. В метаданных указана лицензия other; конкретные условия следует сверить с файлами лицензии репозитория и базовой модели.

Карточка модели perpetual3x/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.

Карточка модели Woffee/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.

SenseNova-U1.5-8B-MoT-8step-8bit — вариант модели SenseNova от SenseTime, подготовленный сообществом mlx-community для Apple Silicon и MLX. В основе лежит SenseNova-U1.5-8B-MoT: мультимодальная архитектура NEO-unify Mixture-of-Transformers, объединяющая генерацию изображений по тексту, редактирование изображений и ответы на вопросы об изображениях. Модель использует генерацию в пространстве пикселей на основе rectified flow без VAE; заявлено 8 млрд параметров в названии модели. Артефакт включает дистиллированный 8-шаговый LoRA, объединённый с потоком генерации, и 8-битную квантизацию с группами по 64 значения. Для запуска требуется runtime sensenova-u1-swift на MLX-Swift. README приводит результаты на M5 Max: генерация изображения 1024×1024 за 3,8 секунды и 2048×2048 за 19,5 секунды. Модель предназначена для генерации и инструкционного редактирования изображений, а также визуальных вопросов и ответов; режим рассуждения доступен только базовым вариантам. Лицензия — Apache-2.0. Характеристики скорости относятся к указанной конфигурации M5 Max, а для запуска необходим совместимый MLX runtime; README не приводит оценок качества на независимых наборах данных.