IV.1Ритейл, электронная коммерция и fashion-tech

buildborderless подготовил экспериментальную версию FLUX.1 Kontext-dev, объединённую с LoRA-адаптерами ускорения и опубликованную в формате diffusers с весами safetensors. Модель предназначена для генерации изображений по тексту и редактирования существующих изображений по текстовым инструкциям; в метаданных указана поддержка обоих сценариев. Автор описывает генерацию за 6–8 шагов и сообщает о предварительном использовании около 10 ГБ видеопамяти после квантизации NF4. В README рекомендованы планировщик Euler и расписание SGM Uniform, но автор отмечает нестабильные результаты и продолжение экспериментов с весами и планировщиками. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

Indo Sentiment Analysis — модель agufsamudra для бинарной классификации тональности индонезийских текстов. Она дообучена на indobenchmark/indobert-base-p1 — BERT-модели, предварительно обученной для индонезийского языка, — и выдаёт метку «положительная» или «отрицательная». Модель содержит 151,6 млн параметров, принимает текст длиной до 512 токенов и рассчитана на классификацию отзывов и других индонезийских текстов. В карточке указаны результаты оценки на отдельной выборке из 20 000 примеров: точность 95,56%, precision и recall по 96%. Модель не предназначена для определения нейтральной тональности и может ошибаться на неоднозначных текстах или текстах со смешанной тональностью; её также не следует применять к другим языкам без отдельной проверки. Для использования в приложениях с серьёзными последствиями рекомендуется проверять предсказания. Лицензия — Apache-2.0.

Krea 2 Registered Outpaint — адаптер LoRA, опубликованный пользователем yijunwang2 для расширения изображений на больший холст с сохранением исходных пикселей и размещением исходного изображения в заданной области. Модель основана на Krea 2 Raw и предназначена для дистиллированного вывода за 8 шагов с базовой моделью Krea-2-Turbo через библиотеку Diffusers. Адаптер используется для outpainting и редактирования изображений: продолжения сцен вправо, влево, вверх или вниз, изменения квадратного формата на альбомный или портретный, а также согласованного продолжения перспективы, освещения, текстур и повторяющихся элементов. На вход подаются RGB-изображение, целевой холст с размерами, кратными 16, ограничивающий прямоугольник исходного изображения и промпт для полной композиции. Поддерживаются фотореалистичные, акварельные и стилизованные 3D-сцены. Ключевая особенность — rank-32 LoRA с координатным позиционированием токенов исходного изображения относительно целевого холста. Максимальный размер кодирования опорного изображения по большей стороне составляет 384 пикселя; после генерации исходные пиксели восстанавливаются с 32-пиксельным внутренним растушёвыванием границы. Рекомендуемые параметры: 8 шагов, guidance scale 0, LoRA scale 1, отключённое VLM-кодирование и включённый кэш reference K/V. Адаптер требует специального pipeline и не совместим с автоматически создаваемым Diffusers-примером и обычными импортерами LoRA. Лицензия модели — Krea 2 Community License; код pipeline и вспомогательных компонентов распространяется по Apache-2.0.

RockTalk/Lance-3B-MLX — порт модели Lance от ByteDance Research в библиотеку MLX, подготовленный для работы на компьютерах Apple Silicon. Это унифицированная мультимодальная модель примерно на 3 млрд параметров: архитектура сочетает Qwen2.5-VL-3B, параллельные ветви MoE-gen для генерации и VAE Wan 2.2. Маршрутизация Mixture-of-Tokens обрабатывает текстовые и генерационные токены разными ветвями в одном проходе. Модель предназначена для генерации изображений по тексту, редактирования изображений по инструкции и ответов на вопросы об изображениях. README также описывает генерацию видео, но подтверждённая в нём рабочая возможность — генерация одного изображения; метаданные указывают задачу text-to-image. Порт использует формат safetensors и библиотеку MLX, не требует CUDA. Репозиторий содержит веса объёмом около 27 ГБ; приведённые показатели скорости измерены на M4 Studio с 128 ГБ памяти и зависят от разрешения и числа шагов. Модель собрана слиянием bytedance-research/Lance и Qwen/Qwen2.5-VL-3B-Instruct, затем преобразована для MLX. Лицензия — Apache-2.0. Практическое применение ориентировано на Apple Silicon; подтверждений поддержки других платформ в карточке нет.

Latent Diffusion — модель генерации изображений на основе латентной диффузии, опубликованная аккаунтом fusing и описанная в статье «High-Resolution Image Synthesis with Latent Diffusion Models». Модель с архитектурой LDMBert содержит 877,9 млн параметров и использует латентное представление предварительно обученного автоэнкодера для синтеза изображений. Контекст текстового условия — до 77 токенов. Модель предназначена для создания изображений по текстовым описаниям. Примеры в карточке показывают генерацию уличной таблички с надписью и иллюстрации с белкой. Подход латентной диффузии снижает вычислительные затраты по сравнению с диффузией непосредственно в пиксельном пространстве; статья также описывает применение метода для дорисовки, безусловной генерации, синтеза сцен и повышения разрешения. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — MIT. Карточка не уточняет, какие языки текстовых запросов поддерживаются, поэтому примеры на английском не подтверждают поддержку других языков. Генерация выполняется последовательными шагами денойзинга и требует вычислительных ресурсов; качество и следование запросам могут зависеть от формулировки условия.

Mantis-VL/llava_siglip_llama3_8b_pretrain_obelics_min_4096 — мультимодальная модель семейства LLaVA для диалога по изображениям. В метаданных указана архитектура LlavaForConditionalGeneration и форматы весов Safetensors. Карточка называет модель дообученной, но не сообщает базовую модель, датасет или подробности обучения. Модель предназначена для сценариев, где нужно задавать вопросы об изображении и получать текстовый ответ. Метаданные подтверждают поддержку зрения и диалога; сведений о языках, размере контекста и лицензии нет. README не содержит описания качества и ограничений, поэтому их нельзя оценить по доступным данным.

Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

emilianJR/majicMIX_realistic_v6 — версия Stable Diffusion в формате Diffusers. Карточка описывает её как чекпойнт для генерации изображений по текстовому запросу с использованием StableDiffusionPipeline из библиотеки diffusers. Модель предназначена для создания реалистичных изображений по текстовым промптам. В репозитории указаны форматы Diffusers и PyTorch, а метаданные относят модель к англоязычным материалам. Лицензия — CreativeML Open RAIL-M; её условия следует учитывать при использовании и распространении результатов.

Meissonic — модель для генерации изображений по текстовому описанию, разработанная авторами проекта Meissonic. Она использует безавторегрессионное маскированное моделирование изображений на основе Masked Generative Transformer и предназначена для эффективного синтеза изображений высокого разрешения, в том числе на потребительских видеокартах. Модель распространяется в формате Diffusers с весами Safetensors и поддерживает английские текстовые запросы. Лицензия — Apache-2.0. README направляет к внешним материалам проекта за инструкциями по использованию.

Paranioar/NEO1_0-2B-SFT — версия native vision-language модели NEO1_0, прошедшая supervised fine-tuning. Разработчики описывают NEO как плотную монолитную модель, обученную с нуля для объединения визуального восприятия и языковых возможностей в общей системе; модель содержит 2,2 млрд параметров без учета эмбеддингов, 40 слоев и использует GQA с 16 головами Q и 8 головами KV. Архитектура сочетает Native-Attn и Native-RoPE. Модель предназначена для диалоговых сценариев с изображениями: восприятия визуального содержимого и рассуждений по нему с формированием текстового ответа. Метаданные указывают на интерфейс чата и интерфейс вызова инструментов, однако README не приводит конкретных примеров или результатов оценки. Репозиторий содержит веса Safetensors для Transformers. Лицензия — Apache-2.0.

Это BF16-версия в формате GGUF модели nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, опубликованная пользователем DevQuasar. По метаданным, она предназначена для диалоговой работы с текстом и изображениями и поддерживает анализ визуального содержимого. Модель подходит для вопросов по изображениям и текстового диалога с визуальным контекстом. Карточка сообщает о конвертированном формате GGUF, но не приводит дополнительных сведений о точном размере, длине контекста, поддержке аудио и видео или условиях лицензии.

elprofessor67/om-logistics-pod-new-v0 — дообученная мультимодальная модель семейства Qwen3-VL, разработанная elprofessor67 на базе elprofessor67/om-logistics-pod-v8-beta-8b. Модель принимает текст и изображения и предназначена для диалоговых задач формата image-text-to-text, в том числе анализа изображений в запросах на естественном языке. Модель представлена в формате Safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Специализированная область, размер модели и длина контекста в доступных сведениях не приведены.

CGCTG/orientation_resnet-50 — дообученная модель классификации изображений на базе ResNet-50, представленная в Transformers и сохранённая в формате safetensors. Она предназначена для определения ориентации на изображениях. В README приведены результаты на оценочной выборке: loss 0,5106 и accuracy 0,7598; обучение указано на датасете imagefolder. Модель распространяется по лицензии Apache-2.0.

Qwen Image Edit Inscene LoRA — открытая LoRA-модель, разработанная FlyMy.AI для Qwen/Qwen-Image-Edit. Она предназначена для редактирования изображений внутри исходной сцены с сохранением её контекста, пространственных взаимосвязей и логики композиции. Модель подходит для изменения положения объектов, действий персонажей, ракурса камеры и последовательных действий в одной сцене. Это адаптация методом Low-Rank Adaptation, распространяемая в формате SafeTensors и совместимая с библиотекой Hugging Face Diffusers. Она усиливает пространственное понимание, позиционирование объектов, согласованность сцены и управляемое редактирование по текстовому описанию. Модель работает с изображениями и текстовыми промптами; README не указывает размер модели, максимальную длину контекста или полный набор поддерживаемых языков, кроме обозначенного английского. Модель особенно полезна для in-scene editing, где требуется внести целевые изменения без потери общей структуры исходного изображения. Ограничения связаны с зависимостью от базовой модели Qwen/Qwen-Image-Edit и отсутствием в README количественных оценок качества, подробных требований к оборудованию и описания известных проблем. Проект распространяется по лицензии Apache 2.0.

ResNet-34 v1.5 — сверточная нейросеть семейства ResNet, представленная авторами Hugging Face как предобученная модель для классификации изображений. Она обучена на ImageNet-1k и рассчитана на изображения с разрешением 224×224. Архитектура использует остаточные связи и skip connections, которые облегчают обучение глубоких сетей. Модель подходит для определения класса объекта на изображении среди 1 000 классов ImageNet, а также как основа для дообучения под другие задачи классификации изображений. Вариант v1.5 отличается расположением шага изменения разрешения в сверточных блоках; в карточке это отличие описано для ResNet50, поэтому оно не позволяет делать вывод о дополнительном преимуществе именно ResNet-34. Веса доступны в форматах PyTorch, safetensors и TensorFlow. Лицензия — Apache-2.0. Карточка не приводит измерений качества или специальных ограничений применимости.

RunDiffusionFXPhotorealistic_v1 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. В README она представлена как модель для фотореалистичной генерации, описанная автором как достаточно стабильная; карточка также содержит демонстрационные изображения первоначального автора. Модель распространяется в форматах Diffusers, PyTorch и safetensors и предназначена для создания реалистичных изображений по текстовым запросам. Репозиторий помечен как основанный на Stable Diffusion и использует StableDiffusionPipeline. Лицензия указана как other, поэтому конкретные условия использования следует проверять в файлах репозитория.

Seed-X-Instruct-7B — инструкция-адаптированная многоязычная модель перевода от ByteDance-Seed. Это плотная причинная языковая модель на архитектуре Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Модель предназначена для перевода между 28 языками и обучена следовать намерению пользователя в задачах перевода. Модель подходит для перевода текстов в разных областях, включая научно-технические материалы, деловую переписку, электронную коммерцию, биомедицину, финансы, право, литературу и развлечения. Для перевода требуется добавлять в конец запроса языковой тег целевого языка. Авторы сообщают о сравнительных оценках на FLORES-200, WMT-25 и других тестах, но рекомендуют Seed-X-PPO как вариант с более высокой точностью перевода. Модель специализирована на переводе и, по предупреждению авторов, неожиданно может не справляться с другими задачами; для многоходового диалога шаблон чата не предусмотрен. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке репозитория.

nlightcho/stable-diffusion-2-1 — модель генерации и редактирования изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H. Она дообучена на основе Stable Diffusion 2: сначала на 55 тысячах шагов, затем ещё на 155 тысячах шагов с другим параметром фильтрации небезопасного контента. Модель предназначена для создания иллюстраций, художественных изображений и визуальных материалов для дизайна и творческих приложений. Карточка указывает английский как основной язык; модель обучалась преимущественно на англоязычных подписях, поэтому на других языках качество ниже. Лицензия — CreativeML Open RAIL++-M. У модели есть ограничения с фотореализмом, разборчивым текстом внутри изображения, сложными пространственными отношениями и корректной генерацией лиц и людей. Обучающие данные основаны на подмножествах LAION-5B и фильтровались детектором NSFW; возможны смещения и нежелательные результаты.

Карточка модели frankjoshua/stable-diffusion-3.5-medium на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-medium, поэтому описание составлено по ней. 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 v1-5 — модель Robin Rombach и Patrick Esser для генерации и изменения изображений по текстовому описанию. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер CLIP ViT-L/14. Версия v1-5 основана на весах Stable Diffusion v1-2 и дообучена в течение 595 тысяч шагов на разрешении 512×512 с данными LAION Aesthetics v2 5+. Модель подходит для создания иллюстраций, концепт-арта и изображений для дизайнерских процессов. Наиболее эффективно она работает с английскими запросами; в карточке указана поддержка английского языка. Репозиторий распространяет веса в форматах Diffusers, PyTorch и Safetensors по лицензии CreativeML OpenRAIL-M. README описывает повторную загрузку весов с ModelScope и предупреждает, что возможные изменения относительно оригинала неизвестны.

TabFM 1.0.0 — табличная foundation-модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch и использует библиотеку tabfm. Модель работает с числовыми и категориальными столбцами, принимает обучающие примеры как контекст и выдаёт прогноз за один проход без дообучения на конкретном наборе данных и подбора гиперпараметров. Архитектура сочетает внимание между столбцами и строками с 24-блочным причинным ICL-трансформером; в карточке также указана размерность эмбеддингов 256. TabFM предназначена для бинарной и многоклассовой классификации до 10 классов, а также регрессии. Данные можно передавать в виде pandas DataFrame или массивов NumPy. Модель обучалась на синтетических наборах, сгенерированных структурными причинными моделями; оценка на TabArena охватывала 51 набор данных. Лицензия указана как other, а README исключает коммерческое использование. Модель не предназначена для изображений, аудио, видео и текста; качество на конкретных предметных областях и редких распределениях не полностью охарактеризовано.

Trendyol разработала Trendyol-LLM-7b-chat-v0.1 — чат-модель на основе Llama 2 7B с авторегрессионной плотной архитектурой LlamaForCausalLM. Модель содержит 6,7 млрд параметров, принимает текст и генерирует текст; максимальный размер контекста по метаданным — 4096 токенов. Чат-версия дообучена на 180 тысячах наборов инструкций с помощью LoRA. Она предназначена для диалогов и генерации ответов на текстовые запросы на турецком и английском языках. Распространяется в формате safetensors по лицензии Apache-2.0. Модель может выдавать неверную информацию, ошибаться на сленге и языках, отличных от английского и турецкого, а также генерировать предвзятый или вредоносный текст. Разработчик отмечает, что её надёжность в реальных сценариях широко не проверялась; результаты следует проверять, а для публичных приложений применять фильтры и человеческий контроль.

beaunix/Aegis-Art-Atelier-Qwen2.5-VL-7B — дообученная beaunix мультимодальная модель на архитектуре Qwen2.5-VL, созданная на базе unsloth/qwen2.5-vl-7b-instruct. Она принимает изображения и текст и генерирует текстовые ответы, поэтому подходит для диалога и задач визуального анализа. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель поставляется в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL; сведений о специализации дообучения и сравнительных оценках качества нет.

Age-Classification-SigLIP2 — модель классификации изображений, созданная PrithivMLmods дообучением Google SigLIP 2 base patch16 224. Она принимает изображение человека и относит его к одной из пяти возрастных групп: 0–12, 13–20, 21–44, 45–64 или 65 лет и старше. Модель построена на архитектуре SiglipForImageClassification и распространяется в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для оценки возрастного состава изображений, а также для исследовательских и прикладных сценариев, где требуется грубая оценка возрастной группы. Результат является классификацией по широким категориям, а не точным определением возраста. Модель лицензирована по Apache-2.0.

BK-SDM-Tiny-2M — компактная модель для генерации изображений по текстовому описанию, разработанная авторами семейства Block-removed Knowledge-distilled Stable Diffusion (BK-SDM). Она создана на основе Stable Diffusion с архитектурным сжатием U-Net и дистилляционным предварительным обучением; версия 2M обучалась на 2,3 млн пар изображение–текст из LAION-Aesthetics V2 6.25+, что в десять раз больше данных, чем в предыдущем выпуске BK-SDM. Модель запускается через библиотеку Diffusers и предназначена для эффективного синтеза изображений; в карточке приведены примеры генерации с разрешением 512×512. В сравнении на MS-COCO авторы сообщают, что увеличение обучающих данных улучшает визуальные результаты, соответствие изображений запросам и метрики качества. Приведённые численные результаты относятся к BK-SDM-Base-2M, поэтому их нельзя напрямую считать оценкой Tiny-версии. Модель распространяется по лицензии CreativeML OpenRAIL-M; при использовании следует соблюдать рекомендации Stable Diffusion v1.

nyu-visionx/cambrian-phi3-3b — мультимодальная модель семейства Cambrian с архитектурой CambrianPhi3ForCausalLM, разработанная NYU VisionX. Модель предназначена для диалогов и генерации ответов с учётом визуального содержимого. В README указано, что Cambrian — модель с фокусом на зрение; для обучения использованы наборы Cambrian Alignment Data и Cambrian Curated Instruction Tuning Data. Модель содержит 3,7 млрд параметров, поддерживает контекст длиной до 4096 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Метаданные указывают текстовую генерацию и чат; README описывает мультимодальность и визуальную направленность. Поддерживаемые языки и подробные ограничения качества в источниках не перечислены.

FireRed-Image-Edit-1.0-Lightning — это облегчённый дистиллированный LoRA-адаптер для модели FireRed-Image-Edit-1.0, разработанный командой FireRedTeam. Он предназначен для редактирования изображений по текстовым инструкциям в сценариях image-to-image: пользователь передаёт изображение и описание требуемого изменения, после чего модель генерирует отредактированный результат. Адаптер используется через библиотеку Diffusers и базовый пайплайн QwenImageEditPlusPipeline. Ключевая особенность модели — ускоренная генерация с малым числом шагов инференса: в примере README используется 8 шагов и отключён стандартный CFG посредством параметра true_cfg_scale=1.0. Заявлены английский и китайский языки. Архитектура, количество параметров, поддерживаемые модальности помимо редактирования изображений и размер контекста в предоставленных данных не указаны. Модель удобна для быстрых итераций при локальном редактировании изображений, однако требует базовую модель FireRed-Image-Edit-1.0, совместимый пайплайн Diffusers и вычислительную среду с CUDA; в примере применяется тип данных bfloat16. Ограничения качества, перечень поддерживаемых операций и результаты оценки в README не описаны. Лицензия — Apache-2.0.

unsloth/FLUX.1-Kontext-dev-GGUF — GGUF-версии модели FLUX.1 Kontext [dev], разработанной Black Forest Labs и преобразованной с использованием инструментов ComfyUI-GGUF и llama.cpp. Это модель на 12 миллиардов параметров с архитектурой rectified flow transformer, предназначенная прежде всего для редактирования изображений по текстовым инструкциям. Модель поддерживает изменение существующих изображений, а также сохранение и использование в качестве референсов персонажей, объектов и стиля без дополнительного дообучения. Она рассчитана на последовательное уточнение результата с минимальным визуальным дрейфом и использует guidance distillation для повышения эффективности. Поддерживается работа через ComfyUI-GGUF и Diffusers; файлы модели предназначены для размещения в каталоге ComfyUI/models/unet. В карточке указано, что заявлен английский язык; сведения о размере контекста и других языках отсутствуют. К сильным сторонам относятся редактирование изображений по инструкциям, согласованность между несколькими правками и открытые веса для исследований и творческих рабочих процессов. Ограничения, требования к аппаратному обеспечению и подробные характеристики GGUF-квантизаций в README не уточняются. Модель распространяется по лицензии FLUX.1 dev Non-Commercial License; при этом результаты разрешено использовать в личных, научных и коммерческих целях в соответствии с условиями этой лицензии.

Flux.1 Lite 8B — модель генерации изображений по тексту, разработанная Freepik на основе FLUX.1-dev от Black Forest Labs. Это трансформер с 8 млрд параметров, дистиллированный из базовой модели. По заявлению разработчика, он использует на 7 ГБ меньше оперативной памяти и работает на 23% быстрее исходной модели при точности bfloat16. Модель предназначена для создания изображений по текстовым описаниям. Для актуальной версии README рекомендует guidance_scale от 2,0 до 5,0 и от 20 до 32 шагов генерации; обучение охватывает более широкий диапазон этих настроек и использует более разнообразные данные и длинные промпты. Доступны файлы в формате safetensors и workflow для ComfyUI. Репозиторий распространяется по лицензии с обозначением other; конкретные условия следует сверить с лицензией модели и условиями FLUX.1-dev. Указанные разработчиком ускорение и снижение потребления памяти не сопровождаются описанием методики измерения.

unsloth/FLUX.2-dev-GGUF — GGUF-квантизированная версия модели FLUX.2 [dev], разработанной Black Forest Labs и подготовленной Unsloth с использованием методологии Unsloth Dynamic 2.0. Это 32-миллиардная модель на основе rectified flow transformer, предназначенная для генерации, редактирования и комбинирования изображений по текстовым инструкциям. Модель поддерживает сценарии text-to-image, редактирование по одному или нескольким референсам, а также сохранение персонажей, объектов и стиля без дополнительного дообучения. Она ориентирована на создание изображений высокого качества, художественные и исследовательские рабочие процессы и может использоваться через reference implementation, ComfyUI и Diffusers. В README указана поддержка английского языка; конкретный размер контекста и полный перечень поддерживаемых модальностей не приведены. GGUF-квантизация и повышение точности отдельных важных слоёв направлены на более эффективный запуск при сохранении качества. Ограничения включают необходимость совместимого программного окружения и существенные вычислительные требования, связанные с размером модели; точные требования зависят от выбранной квантизации и конфигурации. Модель распространяется по лицензии FLUX [dev] Non-Commercial License, также применяются Acceptable Use Policy и условия Black Forest Labs; перед использованием необходимо ознакомиться с полным текстом лицензии.