IV.1Ритейл, электронная коммерция и fashion-tech

VERA (Variant Evaluation from Real Analytics) — англоязычная модель NovusEdge для ранжирования коротких вариантов убедительного текста по прогнозируемой кликабельности. Она оценивает уже написанные варианты за один проход энкодера без промпта и генерации; более высокий балл означает предпочтительный вариант. Модель дообучена на DeBERTa-v3-large и использует архитектуру DeBERTa-v2 для классификации последовательностей; в метаданных указаны 533,8 млн параметров и контекст до 512 токенов. Модель предназначена для выбора заголовков и другого короткого текста в сценариях копирайтинга и A/B-тестирования. По README, обучение использовало 47 168 вариантов из 16 129 рандомизированных тестов, а проверка проводилась на отложенных тестах без пересечения тестовых идентификаторов с обучением. Результаты относятся к архиву одного издателя и не гарантируют аналогичную точность или абсолютный рост CTR на другом корпусе. Лицензия — Apache-2.0.

AnyPose — набор LoRA-адаптеров, разработанный lilylilith для Qwen Image Edit 2511 и совместимых вариантов. Модель предназначена для переноса позы человека или персонажа с одного изображения на другого по двум входным изображениям: исходному персонажу и референсу с требуемой позой. Она работает в сценариях редактирования изображений image-to-image и не требует ControlNet или отдельной OpenPose-разметки. Адаптеры рассчитаны на совместное использование с Qwen Image Edit 2511 Lightning LoRA для ускоренного вывода. AnyPose позволяет воспроизводить простые и сложные позы, включая положения с нестандартной геометрией тела, а также стремится сохранять стиль и фон исходного изображения. В комплект входят два LoRA-веса — базовый и вспомогательный; в README рекомендуется устанавливать силу каждого на уровне 0,7 и использовать четырёхшаговый Lightning-режим. Модель может автоматически дорисовывать части тела и изображения, отсутствующие в исходном кадре, однако результат зависит от контекста и формулировки запроса. К ограничениям относятся непредсказуемое изменение фона, перенос персонажа в сцену референсного изображения, появление фрагментов предыдущей сцены и необходимость дополнительных текстовых указаний для скрытой одежды или деталей. Для более согласованных результатов рекомендуется использовать исходное изображение с полностью видимым телом персонажа и окружающей сценой. Лицензия модели — Apache 2.0; отдельные сведения о языках, размере адаптеров и максимальном контексте не указаны.

DDB_Edit — модель на основе подхода Discrete Diffusion Bridges (DDB) для редактирования и генерации изображений. Карточка описывает метод как систему пространственно и временно согласованного переноса и генерации изображений; в метаданных указаны архитектура LLaDA и библиотека Diffusers. Модель предназначена для редактирования изображений по текстовому запросу, структурного преобразования изображений и генерации изображений по тексту. Метод использует смешивание токенов исходного изображения и маски для сохранения пространственной структуры, а также расписание зашумления, согласованное с пошаговым декодированием. В репозитории указаны форматы Diffusers и Safetensors. Лицензия, размер модели, длина контекста и поддерживаемые языки в предоставленных данных не описаны.

rogelioplatt/distilbert-base-multilingual-cased-Sent_Negativo_Esp — дообученная модель Rogelio Platt на базе distilbert-base-multilingual-cased для классификации тональности испанских текстов с определением негативной тональности. Модель использует архитектуру DistilBERT для классификации последовательностей, работает с текстом и принимает контекст длиной до 512 токенов. В README указаны точность 0,9483 и значение loss 0,1577 на оценочном наборе, однако набор данных назван None, а описание обучения и оценки не раскрыто. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет состав классов и ограничения применения, поэтому результаты следует проверять на данных целевого сценария.

Dumpling-Qwen2.5-VL-7B — мультимодальная диалоговая модель на основе huihui-ai/Qwen2.5-VL-7B-Instruct-abliterated, дообученная nbeerbower методом QLoRA ORPO. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает текст и изображения, чтобы вести диалог и отвечать на вопросы по изображениям. Для неё заявлено контекстное окно 128 000 токенов; метаданные указывают английский язык. Модель подходит для анализа изображений в диалоге, визуальных вопросов и ответов, а также задач физического рассуждения и следования инструкциям. В карточке перечислены датасеты для предпочтений, правдивости, помощи, литературы и других сценариев, но отдельные показатели качества не приведены. Базовая модель описана как вариант с удалёнными отказами. Репозиторий содержит веса в формате Safetensors; лицензия в предоставленных данных не указана.

Ernie-Image-Flex V1 — модель синтеза изображений по текстовому описанию, разработанная wikeeyang на основе дообученной Baidu ERNIE-Image. Она предназначена для генерации изображений по промптам на английском и китайском языках, включая портреты, сцены со сложной композицией и изображения с текстовыми надписями. Модель работает в экосистеме Diffusers и PyTorch. По сравнению с ERNIE-Image-Turbo модель снижает выраженность маслянистой стилизации, избыточного шума и желтоватого оттенка, улучшает композицию портретов, лица и устойчивость анатомии в сложных сценах. Для генерации обычно достаточно CFG 1.0 и 16–25 шагов; с Turbo LoRA возможна работа за 8 шагов. Сохраняется хорошая поддержка рендеринга китайского и английского текста, хотя точность немного ниже, чем у оригинальной ERNIE-Image. Доступна 8-битная квантованная версия с иерархической, блочной и смешанной по точности схемой квантования, рассчитанной на близкое к bf16 качество. Модель предоставляется как чистая базовая модель и подходит для дальнейшего дообучения, обучения LoRA и комбинирования с Turbo, Distill, SFW и NSFW LoRA. Архитектура, число параметров, максимальный размер контекста и точные характеристики модальностей в README не указаны. Лицензия — Apache 2.0.

FLUX.1-Fill-dev-OneReward — объединённый чекпойнт для ComfyUI, созданный на основе FLUX.1-Fill-dev и OneReward. OneReward — метод RLHF для визуальных задач, в котором Qwen2.5-VL используется как генеративная модель оценки; результат предназначен для редактирования изображений, включая заполнение и расширение их областей по текстовому описанию. Модель работает с изображениями и текстовыми инструкциями в сценариях inpainting и outpainting. В README заявлено, что она превосходит закрытую FLUX Fill [Pro] в этих задачах; независимые условия сравнения не приведены. Для использования через Diffusers требуется специальный FluxFillCFGPipeline из официального исходного кода. Репозиторий содержит веса safetensors и распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Flux2-Klein-9B-True-V3 — доработанная модель wikeeyang на базе black-forest-labs/FLUX.2-klein-9B для генерации изображений по текстовому описанию. Модель предназначена для text-to-image synthesis, а также для редактирования изображений по инструкциям, точечного регионального редактирования с масками и применения LoRA для задач вроде смены лица, одежды и внешнего вида. Заявлена поддержка английского и китайского языков; модель интегрируется с библиотекой Diffusers и экосистемой ComfyUI на базе PyTorch. Версия V3, по заявлению автора, улучшает эстетику и композицию и устраняет часть проблем версий V1 и V2. Доступны варианты в форматах bf16, int8 и int4_convrot, что позволяет использовать модель на видеокартах с ограниченной памятью; для полной bf16-версии автор указывает возможность запуска примерно с 4–6 ГБ VRAM при использовании block offloading. Также заявляется небольшая потеря качества при квантовании и высокая скорость int8-версии, однако независимые численные оценки, точные требования к памяти, размер контекста и подробности архитектуры в README не приведены. Модель может быть полезна для создания иллюстраций, концепт-арта, генерации персонажей и управляемого редактирования изображений. Ограничения включают зависимость результатов от выбранного формата квантования, аппаратной конфигурации, ComfyUI или другого совместимого загрузчика, а также отсутствие подробных бенчмарков и гарантированных характеристик качества. Несмотря на поле license: apache-2.0 в метаданных, в тексте README указано, что модель следует использовать по некоммерческой лицензии FLUX от black-forest-labs; это условие необходимо учитывать как основное заявленное ограничение использования.

Карточка модели ong365/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.

Gemma4-BLIP3o-Captioner-8B — мультимодальная модель для описания изображений, разработанная prithivMLmods на основе google/gemma-4-E4B-it. Она дообучена примерно на 3 тысячах примеров из набора BLIP3o-Pretrain-Long-Caption, чтобы воспроизводить подход BLIP3o к созданию подробных и насыщенных описаний изображений. Модель предназначена для captioning-сценариев: описания пейзажей, природных сцен, портретов, объектов и других категорий изображений. Она также поддерживает последовательное описание кадров видео, поэтому может применяться для задач, где важен временной порядок визуальных наблюдений. По заявлению автора, шаблон чата содержит встроенную системную инструкцию для детализированных описаний, а режим рассуждений по умолчанию отключён, что ориентировано на низкую задержку. Заявлен английский язык; модель работает с текстом и изображениями. Точный размер контекста и архитектурные параметры в README не указаны, однако доступны версии GGUF с разными уровнями квантования размером примерно от 4,4 до 15,1 ГБ, а также отдельные мультимодальные проекторы. Сильными сторонами модели являются специализация на структурированных, подробных и контекстно насыщенных описаниях, поддержка локального запуска и последовательной обработки кадров видео. Модель экспериментальная и не является универсальной: при использовании для общего диалога или задач instruction following вне области captioning возможны артефакты и ухудшение качества. Распространяется по лицензии Apache-2.0.

CompVis/ldm-text2im-large-256 — модель генерации изображений по текстовому описанию на основе латентной диффузии (LDM), опубликованная командой CompVis. Она использует диффузионный процесс в латентном пространстве предварительно обученного автоэнкодера и механизм cross-attention для связи текста с изображением. Модель предназначена для создания изображений по текстовым запросам; семейство LDM также описано для генерации изображений без условия, семантического синтеза сцен, дорисовки и повышения разрешения. Репозиторий использует Diffusers и PyTorch; указана лицензия Apache-2.0. В названии модели заявлено разрешение 256 пикселей. README отмечает, что генераторы изображений по тексту могут создавать вредоносное содержимое. Конкретные языки запросов, размер модели и длина контекста в предоставленных данных не указаны.

Это дообученный чекпойнт FLUX.2 Klein Base 4B AlphaGRPO, опубликованный пользователем kimi000. Модель предназначена для генерации изображений по текстовым запросам и поставляется как готовый пайплайн Diffusers Flux2KleinPipeline; EMA LoRA уже объединена с трансформером, поэтому для инференса не требуются FAR и PEFT. Чекпойнт обучался в профиле 512 пикселей, 20 шагов генерации и CFG 4 с AlphaGRPO DVReward. В README приведён пример генерации изображения по короткому запросу. Базовая модель Black Forest Labs рассчитана на генерацию и редактирование изображений; для этого чекпойнта прямо подтверждена задача text-to-image. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

OdooClaw Medium 2.6B FT — дообученная плотная языковая модель семейства LFM2 для управления Odoo ERP через вызов инструментов по протоколу MCP. Разработчик — Nicolas Ramos; модель предназначена для локального запуска на устройствах Apple Silicon с MLX и поставляется в формате BF16 без квантизации. Она содержит 2,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает запросы на естественном языке в чате Odoo и выбирает инструменты для поиска и создания записей, а также выполнения других операций в ERP. Карточка приводит результаты тестов на наборах из 1000 сценариев: 94,2% для диалогов, 99,5% для создания и 74,0% для бизнес-задач; это показатели оценки разработчика. Указаны английский и испанский языки. BF16-вариант занимает около 5,4 ГБ и служит полноточной версией для вывода, оценки и дальнейшего дообучения. Лицензия — Apache-2.0.

Мультимодальная модель Qwen2-VL-7B-Instruct-4bit, опубликованная thanhkyanh как дообучение unsloth/qwen2-vl-7b-instruct-unsloth-bnb-4bit. Она предназначена для диалога по изображениям: принимает текстовые запросы и изображения, а в ответ формирует текст. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Карточка сообщает, что обучение проводилось с библиотеками Unsloth и Hugging Face TRL; лицензия — Apache-2.0. Метаданные указывают английский язык. Данных о качестве на конкретных наборах изображений или о дополнительных возможностях, помимо чата и работы с изображениями, карточка не приводит.

Qwen-Image 2.1 GGUF — квантизированная версия диффузионной модели Qwen-Image 2.1, разработанной командой Qwen (Alibaba). Конвертацию весов в формат GGUF и их квантизацию выполнил AlperKTS; модель предназначена для запуска в ComfyUI с расширением ComfyUI-GGUF. Модель поддерживает генерацию изображений по текстовому описанию, редактирование и преобразование изображений, а также сценарии image-to-image. В карточке заявлена поддержка английского и китайского языков. Основные возможности включают качественную визуализацию, рендеринг текста на изображениях и сохранение композиции. Архитектурные параметры, количество параметров и размер контекстного окна не указаны. Доступны варианты Q8_0 размером около 7,2 ГБ с рекомендуемым объёмом видеопамяти от 12 ГБ, Q6_K размером около 5,5 ГБ для 8–12 ГБ видеопамяти и Q5_K_M размером около 4,6 ГБ для 8 ГБ видеопамяти. Квантизация снижает требования к памяти по сравнению с исходной BF16-моделью размером около 14,2 ГБ, однако может сопровождаться компромиссом между экономией ресурсов и точностью. Для работы также требуются отдельные VAE и текстовый энкодер Qwen3-VL. Модель распространяется по лицензии Qwen Research License.

OPPOer/Qwen-Image-Edit-2509-Pruning — экспериментальная обрезанная версия Qwen-Image-Edit, опубликованная OPPOer. В README указано, что из модели удалили 20 слоёв, сохранив веса 40 слоёв; размер составляет 13,6 млрд параметров. Репозиторий распространяет модель в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Модель предназначена для редактирования изображений по текстовым инструкциям. Базовая Qwen-Image-Edit поддерживает точечные правки, перенос стиля и изменение китайского и английского текста на изображении; карточка этой производной модели отмечает задачу image-to-image и языки en и zh. README сообщает, что pruning продолжает итеративно развиваться. Лицензия — Apache-2.0.

SAM3-LiteText-S0 — облегчённый вариант SAM3 для сегментации изображений и видео по текстовым запросам. Модель представлена авторами работы «SAM3-LiteText: An Anatomical Study of the SAM3 Text Encoder for Efficient Vision-Language Segmentation» и заменяет исходный текстовый энкодер SAM3 компактным энкодером на основе MobileCLIP-S0, обученным дистилляцией; визуальный энкодер ViT-H сохранён. Текстовый энкодер содержит 42,54 млн параметров — примерно на 88% меньше, чем энкодер SAM3. Модель предназначена для сегментации объектов по коротким текстовым подсказкам и поддерживает интерфейс prompting SAM3, включая текстовые и рамочные подсказки. В экспериментах авторов качество сегментации сопоставимо с исходным SAM3 при меньшем объёме памяти, занимаемой текстовым энкодером. Для работы используется Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Shift — модель генерации изображений по текстовому описанию, созданная Yntec как слияние Redshift Diffusion, LiberteRedmond и Shiny3D Cartoon. Она основана на Stable Diffusion 1.5 и рассчитана на создание фотореалистичных изображений, стилизованных 3D-рендеров и мультяшных сцен. Примеры в карточке включают архитектуру, автомобили, персонажей и портретные сцены. Модель распространяется в формате Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. Качество и стиль результата зависят от текстового запроса; карточка не описывает отдельные ограничения модели или гарантии качества.

SQLCoder-7B — языковая модель компании Defog для преобразования вопросов на естественном языке в SQL-запросы. Она дообучена на базе Mistral-7B и содержит 7,1 млрд параметров; архитектура — плотная авторегрессионная Mistral, формат весов в репозитории — PyTorch. Модель рассчитана на работу с текстовым описанием схемы базы данных и вопросом пользователя; заявленная длина контекста — 32 768 токенов. В карточке приведены результаты оценки на новых наборах данных и отмечено обучение на более чем 20 000 размеченных вопросов по 10 схемам. Модель подходит для генерации SQL по запросам на английском языке, в том числе для аналитических вопросов с группировкой, сортировкой и датами. Качество зависит от точности и полноты переданной схемы и формулировки вопроса; карточка сообщает, что эта версия устарела и рекомендует более новую SQLCoder-7B-2. Для инференса указана библиотека Transformers; тестирование проводилось на A100 с весами bfloat16, а для запуска на потребительских GPU предлагаются 8- и 4-битные варианты. Лицензия — CC BY-SA 4.0.

Stable Diffusion 3.5 Medium — модель Stability AI для генерации изображений по текстовому описанию. Она использует архитектуру Multimodal Diffusion Transformer MMDiT-X с тремя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В архитектуре применяются QK-нормализация и блоки внимания, рассчитанные на повышение связности изображений и устойчивость генерации при разных разрешениях. Модель предназначена для создания иллюстраций и художественных работ, дизайн-процессов, творческих и образовательных инструментов. Она улучшена для передачи сложных запросов и текста в изображениях; авторы также рекомендуют Skip Layer Guidance для более согласованных структуры и анатомии. В README указана длина контекста энкодеров CLIP в 77 токенов и T5 — 77 или 256 токенов на разных этапах обучения. Модель обучалась на разнообразных данных, включая синтетические и отфильтрованные общедоступные материалы. Она не предназначена для достоверного изображения реальных людей и событий; при длинных запросах свыше 256 токенов T5 на краях изображения могут появляться артефакты. Модель распространяется по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Использование также должно соответствовать Acceptable Use Policy.

Stable Diffusion 3 Medium — модель генерации изображений по текстовому описанию, разработанная Stability AI. Это Multimodal Diffusion Transformer (MMDiT) с тремя предобученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. Репозиторий содержит версию для Diffusers в формате safetensors. Модель предназначена для создания иллюстраций и дизайна, творческих и образовательных инструментов, а также исследований генеративных моделей. Разработчик отмечает улучшения качества изображений, рендеринга текста, понимания сложных запросов и эффективности использования ресурсов. Поддержка image-to-image упоминается в документации Diffusers. Обучение включало синтетические и отфильтрованные общедоступные данные; в README указаны предварительное обучение на 1 млрд изображений и последующая настройка на эстетических изображениях и предпочтениях. Карточка перечисляет английский язык. Модель не предназначена для достоверного изображения реальных людей и событий; возможны токсичные, предвзятые или нежелательные результаты, поэтому для приложений нужны собственные проверки и меры безопасности. Лицензия Stability Non-Commercial Research Community License не разрешает коммерческое использование без отдельной лицензии Stability AI; также требуется соблюдать Acceptable Use Policy.

vorenthos-1.5-thinking — мультимодальная модель класса vision-language, опубликованная vorenthiclabs как экспорт из локальной установки Ollama. Она принимает изображения и текст и предназначена для сценариев, где требуется отвечать на запросы о содержимом изображений. Модель основана на gemma4 и дообучена; архитектура плотная, размер указан как 5,1 млрд параметров. В репозитории размещены квантизированные веса в формате GGUF и шаблон чата, а для запуска рекомендован Ollama. Карточка не описывает отдельные бенчмарки или гарантии качества. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензирования в репозитории.

Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

Chitrarth — мультиязычная модель обработки изображений и текста от Krutrim AI Labs. Она объединяет языковую модель Krutrim-1 с визуальным энкодером SigLIP и двухслойным MLP и предназначена для общего мультимодального общения: ответов на вопросы об изображениях и выполнения задач визуального понимания. Модель рассчитана на хинди, бенгальский, телугу, тамильский, маратхи, гуджарати, каннада, малаялам, одия, ассамский и английский языки. В карточке приведены результаты оценки на мультимодальных бенчмарках, включая BharatBench для индийских языков. Веса представлены в формате safetensors; лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензионными материалами репозитория. Данных о размере модели и длине контекста в предоставленных источниках нет.

heeaiworld/dama-aibrain — дообученная модель heeaiworld на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она использует плотную архитектуру Gemma 4 и предназначена для диалоговой работы с текстом и изображениями: модель принимает текстовые запросы и изображения и формирует текстовые ответы. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой Hugging Face TRL. Репозиторий содержит веса в форматах Safetensors и GGUF F16. Модель распространяется по лицензии Apache-2.0. Метаданные указывают английский язык; сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

DFloat11/FLUX.1-Kontext-dev-DF11 — это квантованная без потерь версия модели black-forest-labs/FLUX.1-Kontext-dev, подготовленная проектом DFloat11, связанным с LeanModels. Модель предназначена для генерации изображений по текстовым запросам и сценариев редактирования изображений с учётом исходного изображения, например добавления объектов или изменения его содержимого. В README указана поддержка pipeline FluxKontextPipeline и генерации изображений размером 1024×1024. Модель использует сжатие весов BFloat16 методом Huffman coding для экспонентных битов и CUDA-ядро для распаковки весов во время инференса. Размер уменьшен с 23,80 до 16,33 ГБ, а пиковое потребление GPU-памяти при генерации изображения 1024×1024 — с 24,86 до 18,12 ГБ. Заявлены побитово идентичные результаты относительно исходной модели и возможность запуска на одной видеокарте с 24 ГБ памяти, однако на A100 время генерации увеличивается примерно с 72 до 83 секунд. Для работы требуются CUDA-совместимая GPU, PyTorch, пакет dfloat11 и версия diffusers из основной ветки. Лицензия в README не указана.

bullerwins/FLUX.1-Kontext-dev-GGUF — это GGUF-версия модели FLUX.1 Kontext [dev], разработанной Black Forest Labs и подготовленной с использованием city96/ComfyUI-GGUF. Модель предназначена для редактирования изображений по текстовым инструкциям и относится к классу image-to-image. Она позволяет изменять существующие изображения, сохраняя персонажей, стиль и объекты без дополнительного дообучения, а также выполнять последовательные правки с минимальным визуальным дрейфом. Модель построена как rectified flow transformer с 12 миллиардами параметров. В README указана поддержка английского языка; модель работает с изображениями и текстовыми инструкциями. Использование guidance distillation повышает эффективность инференса. Вариант доступен для интеграции с ComfyUI и Diffusers, а также может применяться в исследовательских и творческих рабочих процессах. К сильным сторонам относятся сохранение визуальной согласованности при итеративном редактировании, управление изменениями естественным языком и возможность использовать открытые веса для исследований и разработки. Ограничения включают отсутствие в предоставленных данных сведений о размере контекста, требованиях к памяти и производительности, а также то, что модель ориентирована прежде всего на редактирование изображений, а не описана как универсальная text-to-image-система. Лицензия FLUX.1 [dev] Non-Commercial License предусматривает некоммерческое использование; перед применением необходимо учитывать также Acceptable Use Policy.

Manusagents/FLUX.2-dev — это перепакованная версия FLUX.2 [dev] от Black Forest Labs для генерации изображений по тексту и редактирования изображений. Репозиторий использует Diffusers и формат safetensors; из него удалён дублирующий файл весов, чтобы при загрузке не выделялась память для второй копии модели. В README заявлено снижение пикового расхода видеопамяти примерно со 178 до 110 ГБ. Модель предназначена для генерации изображений по текстовым запросам, редактирования по исходному изображению и композиции с несколькими референсами. README также заявляет перенос идентичности персонажей, объектов и стилей без дополнительного обучения, а ускорение генерации связывает с дистилляцией guidance. Метаданные подтверждают задачи text-to-image и image-to-image, но относят image-to-image к основной задаче. В README указана лицензия FLUX.2 [dev] Non-Commercial License: использование ограничено её условиями и не является коммерчески свободным. Описание лицензии в README расходится с утверждением о свободном коммерческом использовании результатов. Также отмечено, что для применения модели требуются фильтры или ручная проверка входов и выходов.

unsloth/FLUX.2-klein-9B-GGUF — GGUF-квантизированная версия модели FLUX.2-klein-9B, разработанной Black Forest Labs и подготовленной Unsloth с использованием методологии Unsloth Dynamic 2.0. Это модель генерации и редактирования изображений на основе rectified flow transformer с 9 млрд параметров, текстовым embedder Qwen3 на 8 млрд параметров и дистилляцией до 4 шагов инференса. Указан английский язык. Модель предназначена для преобразования текста в изображения, image-to-image и редактирования с одной или несколькими референсными изображениями. Она ориентирована на приложения реального времени, творческое исследование идей и сценарии, требующие высокой скорости, следования промпту и разнообразия результатов; заявленное время генерации может составлять менее секунды, а для некоторых конфигураций — менее половины секунды. Для запуска требуется около 29 ГБ VRAM, модель доступна на NVIDIA RTX 4090 и более производительных видеокартах. К сильным сторонам относятся единая компактная архитектура для генерации и редактирования, высокая скорость и заявленное качество при небольшом размере относительно более крупных моделей. Ограничения включают возможные ошибки в следовании промпту и искажения текста на изображениях; модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать смещения из обучающих данных. Модель распространяется по FLUX Non-Commercial License и предназначена для некоммерческого использования; также действуют Acceptable Use Policy и ограничения на незаконный, вредоносный, обманный и высокорисковый контент.

Flux2-Klein-9B-True-V1 — модель генерации изображений из текста, разработанная wikeeyang на основе FLUX.2-klein-9B от Black Forest Labs. Это дообученная версия, ориентированная на text-to-image, редактирование изображений, работу с референсами и inpainting. Заявлена поддержка английского и китайского языков. По данным README, модель имеет размер 9B и предназначена для использования в экосистеме Diffusers и ComfyUI. В сравнении с исходной моделью автор заявляет более чёткую и реалистичную генерацию, более точное редактирование и снижение проблем с потерей деталей, характерных для дистиллированных моделей. Модель совместима с LoRA и допускает гибкую настройку параметров. Рекомендуются CFG 1.0 и 20–30 шагов для генерации, 10–25 шагов для редактирования и inpainting; при использовании turbo LoRA — около 8–12 шагов. В качестве sampler/scheduler рекомендуются euler/simple, но допускаются и другие варианты. Ограничения включают отсутствие указанного размера контекста, сведений о точной архитектуре, разрешении, требованиях к аппаратному обеспечению и результатах независимых оценок. Заявленные преимущества основаны на описании автора и примерах из README. В метаданных указана лицензия Apache-2.0, однако раздел о лицензировании требует использовать модель в соответствии с FLUX Non-Commercial License от Black Forest Labs; перед применением необходимо руководствоваться условиями исходной лицензии.