IV.1Ритейл, электронная коммерция и fashion-tech

vantagewithai/Z-Image-GGUF — это квантизированная в формате GGUF версия Z-Image, базовой модели семейства Z-Image, разработанного командой Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и распространяется через библиотеку Diffusers. В README указан английский язык. Z-Image представляет собой полноразмерную недистиллированную foundation-модель на основе однопоточного Diffusion Transformer. Она ориентирована на высокое качество, разнообразие генерации, широкий диапазон визуальных стилей и точное следование промптам. Модель подходит для фотореалистичных, кинематографических, аниме- и стилизованных изображений, а также для исследовательских и профессиональных сценариев, включая обучение LoRA, структурное управление через ControlNet и семантическое кондиционирование. Ключевые особенности — поддержка Classifier-Free Guidance, негативных промптов и высокая вариативность композиции, идентичности лиц и освещения между разными seed. Рекомендуются разрешения от 512×512 до 2048×2048 пикселей, guidance scale от 3,0 до 5,0 и 28–50 шагов инференса. По сравнению с Z-Image-Turbo модель медленнее, но обладает большей управляемостью, разнообразием и возможностью дообучения. Размер модели, точная архитектура в параметрах, перечень поддерживаемых языков и конкретные требования к оборудованию в README не указаны. Лицензия — Apache-2.0.

drbaph/Z-Image-Turbo-FP8 — это FP8-квантизированная версия модели Comfy-Org/z_image_turbo, относящейся к проекту Z-Image, разработанному Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и реализована на базе диффузионного трансформера с однопоточной архитектурой (Single-Stream Diffusion Transformer). Размер исходной модели составляет около 6 млрд параметров. Вариант Z-Image-Turbo является дистиллированной версией и рассчитан на эффективный инференс примерно за 8 NFE (Number of Function Evaluations). Заявлены субсекундная задержка на GPU H800, возможность запуска на потребительских устройствах с 16 ГБ видеопамяти, фотореалистичная генерация, хорошее следование инструкциям и поддержка двуязычного рендеринга текста на английском и китайском языках. Данная карточка содержит квантизации FP8_E5M2 и FP8_E4M3FN, которые могут снизить требования к памяти по сравнению с форматом bf16, однако конкретные показатели качества и совместимости зависят от используемого оборудования и программного окружения. Модель подходит для генерации иллюстраций, фотореалистичных сцен и изображений с английскими или китайскими надписями. В README не приведены подробные сведения о максимальном размере контекста, точных ограничениях по разрешению, требованиях к аппаратному обеспечению для каждого формата и возможных потерях качества после квантизации. Указана лицензия Apache-2.0.

AltDiffusion-m9 — многоязычная модель генерации изображений семейства Stable Diffusion, разработанная с использованием AltCLIP-m9 и опубликованная в проекте FlagAI. Она предназначена для преобразования текстовых запросов и изображений в изображения; метаданные Hugging Face указывают задачу image-to-image и формат Diffusers/PyTorch. В README описана поддержка английского, китайского, испанского, французского, русского, японского, корейского, арабского и итальянского языков. Модель обучалась на данных WuDao и LAION. Модель рассчитана на многоязычное выравнивание запросов и сохранение возможностей Stable Diffusion. Лицензия — CreativeML OpenRAIL-M. README не приводит контекстное окно или число параметров; в описании указанные размеры файлов весов не трактуются как размер модели.

PRAli22/AraBert-Arabic-Sentiment-Analysis — модель классификации текста на основе AraBERT, дообученная для анализа тональности на неизвестном наборе данных. Она предназначена для определения тональности арабских текстов; архитектура — BERT для классификации последовательностей, размер — 162,4 млн параметров, максимальный контекст — 512 токенов. На оценочном наборе указаны Macro F1 0,6543 и точность 0,8003. Модель распространяется по лицензии Apache-2.0.

ConvNeXT-Tiny-224 — сверточная модель компьютерного зрения, разработанная авторами ConvNeXT и обученная на ImageNet-1k. Она классифицирует изображения по 1000 классам ImageNet; входное разрешение при обучении — 224×224 пикселя. Архитектура представляет собой чистую ConvNet, дизайн которой основан на ResNet и обновлён с учётом идей Vision Transformer и Swin Transformer. Модель доступна в форматах PyTorch и TensorFlow. Модель подходит для классификации изображений общего назначения и может служить основой для дальнейшей настройки под специализированные задачи. Лицензия — Apache-2.0. Карточка не приводит подробностей о точности и иных количественных ограничениях.

ConvNeXt V2 Huge — свёрточная модель для классификации изображений, разработанная авторами статьи ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders и опубликованная в репозитории Facebook. Модель предварительно обучена с помощью FCMAE и дообучена на ImageNet-1K для распознавания 1000 классов при разрешении изображений 224×224. Архитектура — чистая ConvNet с полносвёрточным masked autoencoder-подходом FCMAE и слоем Global Response Normalization. Модель принимает изображения и выдаёт оценки классов ImageNet-1K; она подходит для классификации объектов на фотографиях и изображениях общего назначения. Доступны веса PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка описывает базовую классификацию ImageNet-1K; для других задач потребуются подходящие дообученные версии.

microsoft/cvt-13 — модель Convolutional Vision Transformer (CvT-13), представленная Microsoft и предварительно обученная на ImageNet-1k для классификации изображений. Она принимает изображение размером 224×224 и предсказывает один из 1000 классов ImageNet. Архитектура CvT сочетает свёрточные операции с Vision Transformer; модель поддерживается в форматах PyTorch, Safetensors и TensorFlow. Модель подходит для распознавания объектов и сцен на изображениях, в том числе как готовый классификатор или основа для последующей адаптации под другие наборы классов. Карточка не приводит отдельные оценки качества и сведения о размере модели. Распространяется по лицензии Apache-2.0.

EfficientNet-B1 — свёрточная модель для классификации изображений, разработанная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Версия B1 использует входное разрешение 240×240 пикселей и относится к семейству мобильных, вычислительно эффективных ConvNet: масштабирование глубины, ширины и разрешения согласуется с помощью составного коэффициента. Модель предназначена для определения одного из 1000 классов ImageNet на изображении. Её можно применять для базовой классификации изображений; для специализированных задач доступны дообученные варианты. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

ERNIE-Image-Turbo — модель генерации изображений по текстовому описанию, разработанная командой ERNIE-Image компании Baidu. Это дистиллированная версия ERNIE-Image на основе одно-поточной архитектуры Diffusion Transformer (DiT), распространяемая в формате Diffusers с весами Safetensors и лицензией Apache 2.0. Модель предназначена для быстрого создания изображений по сложным запросам: она генерирует результат за 8 шагов и рассчитана на сценарии, где важны точное следование инструкции и композиция. Среди заявленных сильных сторон — отрисовка длинного текста, постеры, инфографика, комиксы, раскадровки и многопанельные макеты; также поддерживаются фотореалистичные и стилизованные изображения. Авторы сообщают, что модель может запускаться на потребительских GPU с 24 ГБ видеопамяти. Модель принимает текстовые запросы и выдаёт изображения. В карточке показаны результаты тестов на английском и китайском языках, но другие поддерживаемые языки не перечислены. Качество зависит от запроса и сценария; результаты бенчмарков в README относятся к ERNIE-Image, а не отдельно к Turbo, поэтому их нельзя напрямую считать оценкой этой версии.

Карточка модели OsGo/ERNIE-Image-Turbo на Hugging Face совпадает с карточкой baidu/ERNIE-Image-Turbo, поэтому описание составлено по ней. ERNIE-Image-Turbo — модель генерации изображений по текстовому описанию, разработанная командой ERNIE-Image компании Baidu. Это дистиллированная версия ERNIE-Image на основе одно-поточной архитектуры Diffusion Transformer (DiT), распространяемая в формате Diffusers с весами Safetensors и лицензией Apache 2.0. Модель предназначена для быстрого создания изображений по сложным запросам: она генерирует результат за 8 шагов и рассчитана на сценарии, где важны точное следование инструкции и композиция. Среди заявленных сильных сторон — отрисовка длинного текста, постеры, инфографика, комиксы, раскадровки и многопанельные макеты; также поддерживаются фотореалистичные и стилизованные изображения. Авторы сообщают, что модель может запускаться на потребительских GPU с 24 ГБ видеопамяти. Модель принимает текстовые запросы и выдаёт изображения. В карточке показаны результаты тестов на английском и китайском языках, но другие поддерживаемые языки не перечислены. Качество зависит от запроса и сценария; результаты бенчмарков в README относятся к ERNIE-Image, а не отдельно к Turbo, поэтому их нельзя напрямую считать оценкой этой версии.

Florence-2-base-PromptGen v2.0 — дообученная модель MiaoshouAI на базе PromptGen 1.5 для создания подписей и промптов по изображениям. Она принимает изображение и текстовую инструкцию, а затем выдаёт короткие или подробные описания, теги в стиле Danbooru, структурированные подписи с позициями объектов, анализ композиции либо смешанный вариант описания и тегов. Модель предназначена для подготовки текстовых подсказок к изображениям Flux, включая формирование текста для T5XXL и CLIP_L за один проход через узел Miaoshou Tagger в ComfyUI. В README заявлены быстрая работа и потребление немного более 1 ГБ видеопамяти. Модель основана на архитектуре Florence-2; репозиторий распространяет веса в формате safetensors. Лицензия — MIT. README не приводит оценки качества на тестах; качество зависит от изображения и выбранной инструкции, а описания и теги могут быть неполными или неточными.

FLUX.2 [dev] — модель генерации и редактирования изображений на основе rectified flow transformer с 32 млрд параметров, разработанная Black Forest Labs и перепубликованная Unsloth как зеркало с неизменёнными весами. Она создаёт изображения по текстовым инструкциям, редактирует изображение по тексту и объединяет несколько референсных изображений; для переноса персонажа, объекта или стиля дополнительное дообучение не требуется. Модель предназначена для художественных и исследовательских рабочих процессов, включая создание изображений и редактирование с одним или несколькими референсами. Она использует guidance distillation для повышения эффективности. Репозиторий распространяет веса в форматах Diffusers и safetensors. Лицензия указана как other; README сообщает, что действуют исходные условия FLUX.2 [dev] Non-Commercial License, поэтому коммерческое использование открытых весов не разрешено этой лицензией. README описывает меры снижения рисков и требует применять фильтры для NSFW- и нарушающего права интеллектуальной собственности контента либо ручную проверку. Как и у других генеративных моделей, результаты могут быть ошибочными или нежелательными; перед использованием следует проверять изображения и соблюдать условия лицензии.

FLUX.2-klein-9B-Nunchaku — это квантизированная версия модели FLUX.2 [klein] 9B, разработанной Black Forest Labs. Репозиторий квантизированных весов поддерживается tonera и основан на исходной модели black-forest-labs/FLUX.2-klein-9B. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений с использованием нескольких референсов; в экосистеме Diffusers она относится к задачам image-to-image и text-to-image. Модель содержит квантизированный Transformer в форматах fp4 или int4 с применением SVDQuant и Nunchaku, а также комплект Diffusers с VAE и текстовым энкодером. Размер базовой модели — 9B параметров. В README не указаны точные сведения о поддерживаемых языках, максимальном размере контекста и полном наборе модальностей. Квантизация существенно снижает требования к видеопамяти и ускоряет инференс: на RTX 5090 в тестах для конфигурации с квантизированными Transformer и текстовым энкодером пиковое потребление составляло около 7,52 ГБ при редактировании и 6,42 ГБ при генерации 1024×1024, а скорость была примерно в 3 раза выше базовой модели при использовании model CPU offload. Сильные стороны модели — поддержка генерации и редактирования изображений, уменьшенное потребление VRAM и высокая скорость инференса. Ограничения связаны с зависимостью от совместимых сборок Nunchaku, Diffusers, CUDA и оборудования; для FLUX.2 Klein в README рекомендуется community-сборка vitoom-nunchaku, поскольку официальная поддержка в upstream Nunchaku ещё не объединена. Качество квантизации характеризуется средним PSNR 17,56, SSIM 0,735 и LPIPS 0,212, поэтому возможны отличия от полноточной версии. Лицензия указана как other; конкретные условия необходимо уточнять в официальной карточке базовой модели Black Forest Labs.

eramth/flux-kontext-4bit — вариант FLUX.1-Kontext-dev с NF4-квантизированным трансформером и энкодером T5. Репозиторий предназначен для работы через Diffusers и содержит веса в формате Safetensors. Модель предназначена для создания и редактирования изображений по текстовым запросам, включая изменение существующего изображения. Базовая FLUX.1 Kontext [dev] от Black Forest Labs ориентирована на редактирование изображений по текстовым инструкциям с сохранением согласованности при последовательных изменениях. Для установки README указывает bitsandbytes. В README лицензия не описана, а метаданные указывают лицензию «other», поэтому конкретные условия использования по имеющимся сведениям определить нельзя. В карточке указан тег 8-bit, тогда как README называет NF4-квантизированными трансформер и энкодер T5; точная конфигурация квантизации из этих сведений неоднозначна.

Модель bjoxiah/gemma-4-recipe-ft-model — дообученная в формате FP16 мультимодальная модель семейства Gemma 4 Unified на базе unsloth/gemma-4-12b-it. Разработчик — bjoxiah; обучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалога и обработки изображений с текстовым ответом. Её можно применять для вопросов по изображениям и мультимодального общения. Базовая модель также поддерживает работу с аудио, видео, кодом и инструментами, однако карточка этой версии не подтверждает сохранение всех этих возможностей после дообучения. Репозиторий содержит веса Safetensors в FP16. Лицензия — Apache-2.0. Язык карточки — английский.

Gerchegg/hyphoria_qwen_v1-Diffusers — пакет модели для библиотеки Diffusers, созданный на основе чекпойнта chapel/hyphoria_qwen_v1.0. В сборке используются компоненты Qwen/Qwen-Image: планировщик, текстовый энкодер, токенизатор и VAE, а веса трансформера заменены на пользовательские веса Hyphoria в формате BF16 Safetensors. Модель предназначена для генерации изображений по текстовым описаниям через QwenImagePipeline. Она основана на Qwen-Image, модели генерации и редактирования изображений с акцентом на точное отображение текста и композиции. Репозиторий распространяется под лицензией Apache-2.0.

Intern-Decision-0.8B — мультимодальная модель для структурированных решений, разработанная InternLM и дообученная на Qwen/Qwen3.5-0.8B. Она принимает общее состояние, схему вопросов с вариантами ответа и, при необходимости, изображения, а за один проход вычисляет распределение вероятностей по допустимым вариантам каждого вопроса. Результаты возвращаются как типизированные ответы в формате JSON. Модель предназначена для пакетного выбора между вариантами, выставления оценок и бинарных решений «нет/да». Она обрабатывает от 1 до 16 вопросов, до 62 вариантов на вопрос и до восьми изображений; лимит входа по умолчанию составляет 8192 токена. Для работы требуется сохранять порядок вопросов и вариантов, использовать заданный шаблон чата и запускать модель через Hugging Face Transformers. Для чекпойнта отдельно откалиброваны вероятности решений; калибровка меняет уверенность и ожидаемые оценки, сохраняя выбранный вариант. В README приведены результаты на нескольких бенчмарках, но они не позволяют заключить, что модель подходит для всех сценариев принятия решений. Модель распространяется по лицензии Apache-2.0.

Kandinsky 2.1 — модель генерации изображений по тексту, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Она предназначена для создания изображений по запросам, а также для редактирования и преобразования изображений под текстовым управлением и интерполяции между изображениями. Модель сочетает подходы unCLIP и латентной диффузии: включает трансформерный image prior, диффузионную UNet и декодер MoVQGAN. CLIP-кодировщик преобразует текст и изображения в эмбеддинги; image prior связывает эти пространства, а диффузионная часть формирует изображение. Для обучения использовались данные LAION и дополнительные высококачественные изображения с описаниями. Модель доступна в формате Diffusers и поддерживает работу через библиотеку diffusers. Репозиторий распространяется по лицензии Apache-2.0. Это генеративная модель, поэтому результат зависит от формулировки запроса и может не соответствовать ему точно; описание не приводит отдельных гарантий качества для конкретных сценариев.

Это вариант Kandinsky 2.2 для генерации и редактирования изображений с помощью текстовых подсказок и маски: модель заполняет выбранные области изображения. В README разработчиками указаны Арсений Шахматов, Антон Разжигаев, Александр Николич, Игорь Павлов, Андрей Кузнецов и Денис Димитров. Модель построена на диффузионном подходе unCLIP и latent diffusion. В описанной архитектуре используются CLIP для кодирования текста и изображений, модель-приор на основе трансформера, диффузионный UNet и декодер MoVQGAN. Для дообучения использовались данные LAION HighRes и набор высококачественных изображений с описаниями. Карточка рекомендует применять Diffusers; лицензия — Apache-2.0. Модель подходит для создания изображений по запросу и локального редактирования исходного изображения с маской. При работе с inpainting важно учитывать изменение формата маски в Diffusers: белым обозначается область для заполнения. README описывает Kandinsky 2.1 наряду с Kandinsky 2.2, поэтому приведённые сведения об обучении и оценке могут относиться к семейству, а не исключительно к этому чекпойнту.

Карточка модели kakaobrain/karlo-v1-alpha-image-variations на Hugging Face совпадает с карточкой kakaobrain/karlo-v1-alpha, поэтому описание составлено по ней. 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.

Lance-3B-bf16 — порт для MLX на Apple Silicon мультимодальной модели Lance от ByteDance Intelligent Creation Lab. Это дообученный чекпойнт Lance_3B для задач с изображениями: он генерирует изображения по тексту, редактирует изображения по инструкции и отвечает на вопросы об их содержимом. Модель использует архитектуру Qwen2.5-VL с двумя экспертными башнями Mixture-of-Transformer-Experts, визуальным энкодером Qwen2.5-VL ViT и встроенным VAE Wan2.2; веса представлены в формате bf16. README указывает около 6,19 млрд параметров LLM и дополнительные компоненты для обработки изображений, тогда как метаданные каталога приводят 3,1 млрд параметров. Контекст составляет до 128 000 токенов по метаданным. Модель рассчитана на запуск через MLX на компьютерах Apple Silicon. Она поддерживает текстовые и визуальные входы, генерацию и редактирование изображений, а также текстовые ответы на вопросы об изображениях. Наиболее надёжно работают английский и китайский языки; для других языков README отмечает ограничения, связанные с обучающим распределением Qwen2.5-VL. Указана лицензия Apache-2.0. README описывает модель как готовую к применению для задач с изображениями, но отмечает отсутствие API для потоковой обработки и пакетного запуска; генерация выполняется по одному изображению и одному запросу.

Lumina-Image-2.0 — модель генерации изображений по текстовому описанию, разработанная Alpha-VLLM и без изменений перепубликованная Unsloth. Это flow-based диффузионный трансформер с 2 млрд параметров, доступный в реализации для Hugging Face Diffusers и форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым запросам и может использоваться в генеративных приложениях и для экспериментов с синтезом изображений. Она распространяется по лицензии Apache-2.0; условия upstream сохранены.

Lumina-mGPT 2.0 — авторегрессионная декодерная модель для генерации и редактирования изображений, разработанная Alpha-VLLM и обученная с нуля. Она объединяет генерацию изображений по текстовому описанию, создание пар изображений, генерацию с заданным субъектом и управляемую генерацию, многошаговое редактирование изображений и плотное предсказание. Модель предназначена для сценариев, где нужно создавать изображения по текстовым инструкциям и постепенно менять их в диалоге. Также заявлены задачи генерации с дополнительными условиями и плотного предсказания. В README указано, что доступны реализация и код сэмплирования; веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает размер модели, поддерживаемые языки, длину контекста или подробные ограничения качества; указанные возможности редактирования и генерации описаны без количественных оценок.

Nawah-VL-50M — небольшая визуально-языковая модель oddadmix для генерации подписей к изображениям на литературном арабском языке. Она объединяет замороженную визуальную башню SigLIP2 NaFlex из LiquidAI/LFM2.5-VL-450M, обученный мультимодальный проектор и языковую модель Llama oddadmix/50M-2048-Emhotob. Всего модель содержит около 145 млн параметров; языковая часть — 51,8 млн параметров с контекстом 2048 токенов. Модель принимает одно изображение и генерирует арабское описание его содержимого. Она дообучена на 405 526 парах изображений и подписей из арабской части LAION-COCO-NLLB; заявленные метрики на отложенной выборке — chrF++ 29,0 и BLEU 9,5. Для запуска используется Transformers; чат-шаблона нет, ожидаемый ввод — BOS и один маркер изображения. Модель часто лучше согласует арабские фразы и реже выдумывает детали, чем вариант Nawah-VL-25M, однако плохо читает текст внутри изображений и может уверенно сообщать неверные сведения. Обучающие подписи получены машинным переводом машинных описаний, что ограничивает интерпретацию метрик. Лицензия репозитория — CC BY-NC 4.0; для замороженных весов SigLIP2 также действуют условия лицензии LiquidAI/LFM2.5-VL-450M.

Карточка модели pipizhao/Pandalyst_13B_V1.0 на Hugging Face совпадает с карточкой pipizhao/Pandalyst-7B-V1.1, поэтому описание составлено по ней. Pandalyst-7B-V1.1 — языковая модель для анализа данных с помощью библиотеки pandas, разработанная авторами проекта Pandalyst. Она дообучена на CodeLlama-7b-Python и предназначена для генерации кода и ответов, помогающих работать с таблицами разной структуры и выполнять задачи анализа данных. Версия V1.1 не поддерживает построение графиков. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. В карточке указан английский язык. Авторы сообщают результат 76,1 exec@1 на PandaTest_V1.0, однако это заявление из README, а независимая проверка здесь не представлена. Модель распространяется с лицензией Llama 2.

pzol/qwen3vl-5772-v11 — дообученная pzol мультимодальная модель семейства Qwen3-VL на базе unsloth/Qwen3-VL-8B-Instruct-bnb-4bit. Она предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать текстом; в метаданных также отмечен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, качество на конкретных задачах или ограничения; поддержка английского указана в метаданных.

Карточка модели mario-d-robot/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.

R1-Onevision — мультимодальная модель с 7,1 млрд параметров, разработанная Zhejiang University и дообученная на базе Qwen2.5-VL-7B-Instruct на наборе данных R1-Onevision. Она предназначена для понимания изображений и визуальных рассуждений в диалоговом формате; поддерживает обработку визуальных входов и генерацию текстовых ответов. Архитектура — плотная Qwen2.5-VLForConditionalGeneration, формат весов — safetensors, контекст — до 128 000 токенов. Модель подходит для ответов на вопросы об изображениях и решения задач, требующих визуального анализа и рассуждений. Разработчики также описывают работу над обучением с мультимодальными данными рассуждений, но карточка не приводит результатов бенчмарков. Лицензия — Apache-2.0.

ReasonGen-R1 — авторегрессионная мультимодальная модель для генерации изображений по текстовому описанию, разработанная авторами одноимённого исследования. Она дообучена на базе DeepSeek Janus-Pro-7B с помощью supervised fine-tuning и оптимизации GRPO: перед созданием изображения модель формирует текстовые рассуждения и планирует композицию, расположение объектов и стиль. Модель предназначена для генерации изображений по промптам и демонстрирует результаты на бенчмарках Geneval, DPG и T2I. Использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0.

hyunlord/siglip2-base-patch16-224-ko — модель SigLIP 2, дообученная для улучшения понимания корейского языка при сопоставлении изображений с текстом. Автор сообщает, что обучение основано на дистилляции знаний и использует англо-корейский параллельный набор aihub; оценка проводилась на подписях MS-COCO на английском и корейском языках. Модель принимает изображение и текстовые метки или описания, оценивая соответствие между ними; заявлены задачи классификации изображений без дообучения и поиска совпадений изображение—текст. Архитектура — SiglipModel семейства SigLIP 2, около 375 млн параметров; веса опубликованы в формате safetensors. В сравнении на MS-COCO автор приводит для корейского Recall@1 57,24% при поиске текста по изображению и 36,55% при поиске изображения по тексту; результаты на английском близки к базовой SigLIP 2. Лицензия — MIT. Показатели относятся к описанной оценке и не гарантируют качество на других данных; README не содержит подробных инструкций по использованию или ограничений по контексту.