IV.1Ритейл, электронная коммерция и fashion-tech

Это слитая версия FLUX.2 Klein 9B от Black Forest Labs с дообучением SNOFS v1.4: веса прямого LoKr-чекпойнта встроены в трансформер с фиксированной силой 1.0. Модель предназначена для генерации изображений по текстовому запросу; базовая FLUX.2 Klein также поддерживает редактирование изображений с референсами. Сборка сохранена в формате Diffusers и safetensors. Для запуска требуется версия diffusers из ветки main, поскольку Flux2KleinPipeline ещё не входит в выпущенную версию библиотеки. Базовая модель дистиллирована и рассчитана на генерацию примерно за 8 шагов; guidance_scale игнорируется. Встроенный SNOFS нельзя перенастраивать на отдельный запрос, хотя поверх модели можно подключать обычные LoRA-адаптеры. Лицензия в предоставленных данных не указана.

Модель ibagari/gemma-4-E4B-nisamina-nc-v73-a100-public разработана ibagari как дообученная версия ibagari/gemma-4-E4B-nisamina-nc-v7-a100-public. Это плотная мультимодальная модель семейства Gemma 4 для диалогов и задач image-text-to-text: она принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлен интерфейс вызова инструментов. Для обучения использовались Unsloth и библиотека TRL Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает конкретные сценарии обучения и ограничения качества, поэтому её пригодность для отдельных задач следует оценивать на собственных примерах.

HunyuanDiT от Tencent — предварительно обученная модель генерации изображений по тексту, опубликованная в формате Diffusers для использования с библиотекой Hugging Face Diffusers. Это Diffusion Transformer, рассчитанный на генерацию изображений по описаниям, с поддержкой нескольких разрешений и особым вниманием к тонкому пониманию китайского языка. Модель подходит для создания изображений по коротким и длинным текстовым запросам, в том числе с китайскими элементами. В README упомянуты сравнения по соответствию изображения тексту, чёткости объектов, эстетике и артефактам, но численные результаты в доступной карточке отсутствуют. Метаданные указывают английский язык; README отдельно подчёркивает понимание китайского, поэтому их можно считать поддерживаемыми. Репозиторий содержит веса в формате Diffusers и safetensors. Лицензия указана как other, поэтому условия использования следует сверять с лицензией Tencent для модели.

Это дистиллированная модель Hunyuan-DiT от Tencent, опубликованная в формате Diffusers. Она предназначена для генерации изображений по текстовым запросам и поддерживает создание изображений за 25 шагов. В README отдельно показаны сценарии с китайскими элементами и длинными текстовыми запросами. Модель относится к семейству Diffusion Transformer и использует конвейер HunyuanDiTPipeline. Репозиторий содержит веса в формате safetensors. Карточка указывает лицензию «other», поэтому конкретные условия использования следует сверять с лицензией репозитория.

misri/juggernautXL_juggXIByRundiffusion — модель генерации изображений по текстовому описанию на основе Stable Diffusion XL, опубликованная пользователем misri. Репозиторий содержит веса в формате Safetensors и конфигурацию StableDiffusionXLPipeline для использования через Diffusers; название и источники связывают её с семейством Juggernaut XL от RunDiffusion и KandooAI. Модель предназначена для создания изображений по текстовым запросам, в том числе фотореалистичных изображений и художественных стилей. Карточка RunDiffusion описывает возможности семейства в генерации фотореалистичных сцен, а пример запуска репозитория демонстрирует текстовый запрос и получение изображения. Для этой копии Hugging Face указывает неизвестную лицензию, поэтому условия использования следует уточнять у правообладателя. Размер контекста и число параметров в доступных сведениях не приведены.

Карточка модели arifqai/Mage-Flow-Edit на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow, поэтому описание составлено по ней. 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.

Qwen2.5-ja-zh — дообученная диалоговая языковая модель на архитектуре Qwen2, созданная на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена прежде всего для перевода с японского на китайский: задайте системную инструкцию «翻译为中文» и передайте японский текст. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекст длиной до 32 768 токенов. В карточке указаны японский и китайский языки, формат весов — safetensors. Модель также сохраняет возможности генерации текста и диалога базовой инструктивной модели, однако карточка описывает её главным образом как переводчик с японского на китайский. Сведений о качестве на конкретных жанрах текста или о специализированной обработке терминологии нет. Лицензия в предоставленных данных не указана.

QuantStack/Qwen-Image-Edit-2509-GGUF — это квантованная версия модели Qwen/Qwen-Image-Edit-2509, преобразованная в формат GGUF. В README не указано, что QuantStack является разработчиком исходной модели; модель основана на разработке Qwen. Она предназначена для задач редактирования изображений по текстовым инструкциям и работы в сценариях image-to-image, в частности через ComfyUI с пользовательским узлом ComfyUI-GGUF. Модель использует основной компонент Qwen-Image, текстовый энкодер Qwen2.5-VL-7B или совместимый Qwen2.5-VL-7B-Instruct, отдельный mmproj-компонент и VAE Qwen-Image. Поддерживаются английский и китайский языки. Точный размер квантованной модели, диапазон контекстного окна, полный набор модальностей и другие архитектурные характеристики в README не указаны. Квантование может снизить требования к ресурсам, однако конкретные компромиссы между качеством и производительностью зависят от выбранного варианта квантизации. Для использования требуются ComfyUI, совместимый узел ComfyUI-GGUF, основной файл модели, текстовый энкодер и VAE, размещённые в соответствующих каталогах ComfyUI. Доступны варианты квантизации, включая Q2_K, Q3_K_M, Q3_K_S, Q4_0, Q4_1, Q4_K_S и Q4_K_M. Лицензия — Apache-2.0; для квантованной версии сохраняются исходные лицензионные условия и ограничения использования модели Qwen/Qwen-Image-Edit-2509.

Qwen-Image-Edit-2511-Unblur-Upscale — экспериментальный адаптер LoRA, разработанный prithivMLmods для базовой модели Qwen/Qwen-Image-Edit-2511 от Qwen. Он предназначен для задач преобразования изображений, связанных с устранением размытия и увеличением разрешения, а также для восстановления мелких деталей на низкокачественных или размытых изображениях. Адаптер используется с image-to-image pipeline на базе Diffusers и активируется текстовым запросом «unblur and upscale». Заявленные эффекты включают повышение резкости, восстановление деталей, сохранение естественных текстур, реалистичных цветов и визуальной согласованности освещения и контуров. В карточке указано, что модель ориентирована на английский язык; сведения о размере, точном устройстве базовой архитектуры, максимальном контексте и поддерживаемых модальностях, помимо обработки изображений, не приведены. Модель может быть полезна для улучшения фотографий и других изображений, однако её результаты не гарантированы: адаптер экспериментальный и способен ошибаться. По данным карточки, базовая модель обычно обеспечивает более высокое общее качество, но хуже сохраняет лицевые паттерны при восстановлении частично размытых изображений. Лицензия — Apache-2.0.

OPPOer/Qwen-Image-Edit-Pruning — это экспериментальная обрезанная версия Qwen-Image-Edit, представленная авторами проекта OPPOer. В ней удалено 20 слоёв и сохранены веса 40 слоёв исходной модели; заявленный размер составляет 13,6 млрд параметров. Модель предназначена для редактирования изображений по инструкциям, как и базовая Qwen-Image-Edit, и распространяется в формате Diffusers с весами Safetensors. Модель принимает изображения и текстовые инструкции и выдаёт отредактированные изображения. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. README описывает обрезку слоёв, но не приводит результатов оценки качества или подробностей о скорости; поэтому свойства сохранённой производительности и практические ограничения относительно базовой модели не установлены.

Это англоязычная модель SetFit, разработанная joshuasundance для фильтрации кандидатов аспектов в системе анализа тональности по аспектам (ABSA) отзывов о ноутбуках. Она оценивает пары «кандидат аспекта — предложение» и относит их к классу «аспект» или «не аспект». Модель основана на дообученном энкодере предложений sentence-transformers/all-MiniLM-L6-v2 с классификационной головой LogisticRegression; содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов по метаданным (в README указан предел 256 токенов). Модель предназначена для этапа после выделения возможных фрагментов аспектов, например spaCy, и перед классификацией тональности аспектов. README приводит точность 0,824 на указанной метрике и описывает обучение SetFit с контрастивным дообучением и классификатором на малом количестве примеров. Лицензия в предоставленных данных не указана.

SSD-1B — модель генерации изображений по текстовому описанию, разработанная Segmind. Это диффузионная модель на 1,3 млрд параметров, созданная дистилляцией Stable Diffusion XL: из базовой модели удалили часть слоёв, чтобы сократить размер примерно на 50% и ускорить генерацию до 60% по сравнению с SDXL. В дистилляции использовались знания SDXL, ZavyChromaXL и JuggernautXL; модель обучалась на наборах данных GRIT и очищенных данных Midjourney. Модель предназначена для создания изображений по текстовым промптам в творческих, образовательных и исследовательских сценариях. Работает через библиотеку Diffusers и поддерживает несколько разрешений, включая квадратные и портретные или альбомные форматы вплоть до 1536 пикселей по одной стороне. Основной язык промптов в карточке не указан. Модель может испытывать трудности с фотореалистичными изображениями людей, разборчивым текстом и сложными композициями; результаты могут отражать смещения обучающих данных. Она не подходит для создания точных фактических изображений людей, событий и реального мира. Лицензия — Apache 2.0.

Stable Diffusion v1.5 Inpainting — модель генерации и редактирования изображений на основе латентной диффузии, разработанная Робином Ромбахом и Патриком Эссером. Этот репозиторий является зеркалом устаревшего репозитория RunwayML и не связан с RunwayML. Модель использует фиксированный предварительно обученный текстовый энкодер CLIP ViT-L/14 и доступна через Diffusers; также в README упомянута интеграция с AUTOMATIC1111. Модель предназначена для заполнения или изменения области изображения по маске и текстовому запросу, а также для генерации изображений по тексту. Подходит для художественных и дизайнерских задач, творческих инструментов и исследований генеративных моделей. В карточке заявлен английский язык; обучение проводилось на подмножествах LAION-2B (en). Лицензия — CreativeML OpenRAIL-M. Модель может недостаточно точно передавать фотореализм, текст, сложные пространственные композиции, лица и людей; результаты хуже с запросами не на английском. Автоэнкодер вносит потери, а обучающие данные содержат взрослый материал и могут приводить к запоминанию изображений и усилению культурных смещений. Карточка предупреждает, что для применения без дополнительных мер безопасности модель не подходит.

Stable Diffusion v1-4 — модель генерации и редактирования изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; она дообучена на основе Stable Diffusion v1-2 на 225 тысячах шагов при разрешении 512×512 с использованием LAION-Aesthetics v2 5+. Модель подходит для создания иллюстраций и фотореалистичных изображений по англоязычным описаниям, а также для преобразования изображений по текстовым запросам. Репозиторий содержит веса для Diffusers в форматах PyTorch и safetensors. Лицензия CreativeML OpenRAIL-M задаёт условия использования и ограничения на применение. Модель не гарантирует фотореализм, плохо справляется с точным размещением объектов и генерацией читаемого текста; лица и люди могут выглядеть некорректно. Качество запросов не на английском ниже. В обучающих данных встречается контент для взрослых, а без дополнительных мер безопасности модель может генерировать нежелательные изображения; авторы рекомендуют использовать Safety Checker.

Карточка модели YiLiangRen/stable-diffusion-v1-4 на Hugging Face совпадает с карточкой CompVis/stable-diffusion-v1-4, поэтому описание составлено по ней. Stable Diffusion v1-4 — модель генерации и редактирования изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; она дообучена на основе Stable Diffusion v1-2 на 225 тысячах шагов при разрешении 512×512 с использованием LAION-Aesthetics v2 5+. Модель подходит для создания иллюстраций и фотореалистичных изображений по англоязычным описаниям, а также для преобразования изображений по текстовым запросам. Репозиторий содержит веса для Diffusers в форматах PyTorch и safetensors. Лицензия CreativeML OpenRAIL-M задаёт условия использования и ограничения на применение. Модель не гарантирует фотореализм, плохо справляется с точным размещением объектов и генерацией читаемого текста; лица и люди могут выглядеть некорректно. Качество запросов не на английском ниже. В обучающих данных встречается контент для взрослых, а без дополнительных мер безопасности модель может генерировать нежелательные изображения; авторы рекомендуют использовать Safety Checker.

Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому запросу, разработанная Stability AI и перепубликованная Unsloth без изменений весов. Это модель латентной диффузии с двумя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно использовать самостоятельно или вместе с отдельной моделью-refiner для финального уточнения изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель подходит для создания иллюстраций и концептов, творческих и образовательных инструментов, а также исследований генеративных моделей. Репозиторий содержит варианты для Diffusers, ONNX, OpenVINO и Flax. Лицензия — CreativeML Open RAIL++-M; условия в репозитории Unsloth соответствуют исходной лицензии Stability AI. К ограничениям относятся несовершенный фотореализм, трудности с разборчивым текстом внутри изображения и сложными пространственными композициями. Лица и люди могут получаться некорректно, а автоэнкодер вносит потери; генерация также может усиливать социальные предубеждения. Модель не предназначена для достоверного изображения реальных людей или событий.

Карточка модели YuzuSolutions/tabfm-1.0.0-pytorch на Hugging Face совпадает с карточкой google/tabfm-1.0.0-pytorch, поэтому описание составлено по ней. 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.

misri/zavychromaxl_v100 — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face и основанная на ZavyChromaXL V10.0; исходным автором указан Zavy. Модель распространяется в формате Diffusers и совместима с StableDiffusionXLPipeline, а также представлена как checkpoint на базе SDXL 1.0. Модель предназначена для создания реалистичных изображений по текстовым промптам и может применяться в сценариях text-to-image и image-to-image. Репозиторий содержит компоненты SDXL, включая scheduler, два text encoder, два tokenizer, UNet и VAE; размер файлов репозитория составляет около 13,9 ГБ. Для запуска рекомендуется библиотека Diffusers и вычислительное устройство с поддержкой CUDA или MPS. Для модели указаны рекомендации использовать 20–40 шагов генерации и CFG scale примерно 6–7, однако эти параметры относятся к опубликованным рекомендациям для ZavyChromaXL V10.0. Лицензия репозитория обозначена как unknown, поэтому условия коммерческого и иного использования необходимо проверять отдельно до применения модели.

Causilo — предварительно обученная фундаментальная модель для табличных данных, разработанная Nums AI Inc. Она поддерживает классификацию и регрессию и предоставляет интерфейс, совместимый со scikit-learn; в репозитории есть отдельные веса и конфигурации для классификатора и регрессора. Модель предназначена для применения в задачах машинного обучения на структурированных таблицах. Для работы используются PyTorch и библиотека causilo; веса опубликованы в формате safetensors. В README указаны требования Python 3.10–3.12 и PyTorch 2.13 или новее. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

ChatTS-8B-1103 — диалоговая модель ByteDance Research для понимания и рассуждений о временных рядах. Она построена на Qwen3-8B и дообучена на наборе ChatTS-Training-Dataset; содержит около 7,6 млрд параметров и использует архитектуру Qwen3TSForCausalLM. Модель принимает многомерные временные ряды переменной длины и размерности и поддерживает диалоговый анализ, включая вопросы о числовых значениях и статистических свойствах ряда. Модель предназначена для интерактивного исследования временных данных, поиска закономерностей и ответов на вопросы о пиках и изменениях в ряду. Контекст составляет до 40 960 токенов; заявлены английский и китайский языки. Для запуска используется Transformers, также README упоминает интеграцию с vLLM. Лицензия — Apache-2.0. README расходится в указании базовой модели для дообучения: в нём названы Qwen3-8B и Qwen2.5-14B-Instruct, тогда как метаданные и описание версии указывают на Qwen/Qwen3-8B.

CogView4-6B — модель генерации изображений по текстовому описанию, представленная zai-org и предназначенная для использования через Diffusers. Она дообучена на базе THUDM/glm-4-9b и распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Модель поддерживает запросы на китайском и английском языках. Модель создаёт изображения с шириной и высотой от 512 до 2048 пикселей: размеры должны делиться на 32, а общее число пикселей не должно превышать 2²¹. Для инференса требуется BF16 или FP32; FP16 не поддерживается и может приводить к чёрным изображениям. В README приводятся результаты оценки на бенчмарках генерации изображений и отдельная оценка точности китайского текста на изображениях. Запуск требует значительного объёма памяти: в приведённых замерах для batch size 4 указано 33–35 ГБ без выгрузки модели на CPU, 20 ГБ с ней и 13 ГБ при дополнительном 4-битном текстовом энкодере. Условия лицензии — Apache-2.0.

facebook/convnext-base-224 — сверточная модель компьютерного зрения семейства ConvNeXT, разработанная авторами ConvNeXT и опубликованная в репозитории Hugging Face. Она обучена на ImageNet-1k для классификации изображений с разрешением 224×224 пикселя. ConvNeXT использует чистую сверточную архитектуру, дизайн которой модернизирован с учётом идей Vision Transformers и Swin Transformer. Модель предназначена для присвоения изображению одного из классов ImageNet-1k; веса доступны в форматах PyTorch и TensorFlow. Модель можно применять для классификации изображений общего назначения и использовать как отправную точку для подбора дообученных версий под другие задачи. Лицензия — Apache-2.0. В карточке отмечено, что модельное описание подготовлено Hugging Face, поскольку команда ConvNeXT не предоставила собственную карточку; отдельные ограничения модели не описаны.

facebook/convnextv2-atto-1k-224 — сверточная модель компьютерного зрения семейства ConvNeXt V2, разработанная командой ConvNeXt и опубликованная на Hugging Face. Модель предварительно обучена в рамках FCMAE и дообучена на ImageNet-1K для классификации изображений с разрешением 224×224. Архитектура ConvNeXt V2 использует полностью сверточную схему, masked autoencoder framework FCMAE и слой Global Response Normalization (GRN). Модель предназначена для присвоения изображению одного из 1000 классов ImageNet-1K и может служить основой для дообучения под другие задачи распознавания изображений. Доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0. Модель ориентирована на классификацию изображений ImageNet-1K; качество для других наборов классов и сценариев может требовать отдельной проверки или дообучения.

facebook/deit-base-distilled-patch16-224 — базовая модель DeiT, разработанная командой DeiT и представленная в работе о data-efficient vision transformers и дистилляции через attention. Веса конвертированы из репозитория timm; модель содержит около 113,2 млн параметров и использует архитектуру Vision Transformer с патчами 16×16 и отдельным токеном дистилляции, обучаемым с помощью CNN-учителя. Модель предназначена для классификации изображений на 1 000 классов ImageNet-1k. Она принимает RGB-изображения, подготовленные для разрешения 224×224, и выдаёт оценки классов; при обучении использовалась дистилляция. В README приведены результаты ImageNet для семейства DeiT: для DeiT-base указана точность top-1 81,8% и top-5 95,6%. Модель доступна под лицензией Apache-2.0. Для других задач и наборов классов потребуется подходящая дообученная версия или дополнительная настройка; README отмечает, что более высокое разрешение 384×384 может давать лучшие результаты при fine-tuning.

Это 4-битная квантизированная версия FLUX.2 [dev] от Black Forest Labs, подготовленная INCModel3 с помощью AutoRound и округления к ближайшему значению (RTN). Модель предназначена для генерации изображений по текстовым описаниям; README также сообщает о совместимости экспорта с vLLM-Omni. Квантизация MXFP4 использует групповой размер 32 и, согласно карточке, уменьшает размер модели примерно со 110 до 62 ГБ по сравнению с bf16. В описанной оценке на изображениях 1024×1024 с 28 шагами показатели DrawBench и GenEval близки к bf16-версии. Для запуска в README приведён пример с vLLM-Omni. Лицензия в метаданных обозначена как other; конкретные условия следует проверять на странице модели и базовой модели.

FLUX.2 [klein] 4B — генеративная модель Black Forest Labs с примерно 4 млрд параметров, реализованная как rectified flow transformer. Представленная версия содержит оптимизированные в формате FP8 веса; полный вариант BF16 опубликован отдельно. Модель предназначена для генерации изображений по текстовым описаниям и редактирования изображений с поддержкой нескольких референсных изображений. Основной указанный язык — английский, а заявленные сценарии относятся к text-to-image и image-to-image задачам. К сильным сторонам модели относятся поддержка многореференсного редактирования, открытые веса и возможность запуска примерно на 13 ГБ VRAM, в том числе на NVIDIA RTX 3090 или RTX 4070 и более производительных видеокартах. Модель не предназначена для предоставления фактической информации: текст внутри изображений может быть искажён, результат может не соответствовать запросу, а качество следования инструкциям зависит от стиля формулировки промпта. Как статистическая модель, она также может воспроизводить или усиливать предвзятость обучающих данных. Модель распространяется по лицензии Apache 2.0. Её нельзя использовать для незаконных, вредоносных, обманных или дискриминационных сценариев, создания несогласованных интимных материалов, эксплуатации несовершеннолетних и полностью автоматизированных решений в областях высокого риска, затрагивающих юридические права. Для практического развёртывания рекомендуется применять фильтры для входных и выходных данных, включая проверку NSFW и защищённого контента.

FLUX.2 [klein] 4B Base NVFP4 — Black Forest Labs әзірлеген, 4 млрд параметрлі rectified flow transformer моделінің квантизацияланған нұсқасы. Ол мәтіндік сипаттамалардан кескін жасауға және бірнеше анықтамалық кескінді пайдаланып өңдеуге арналған. Модель мәтін мен кескіндерді қабылдап, кескін шығарады. NVFP4 нұсқасы NVIDIA RTX 3090/4070 және одан жоғары карталарда шамамен 13 ГБ VRAM талап етеді. Метадеректерде ағылшын тілі көрсетілген. Жасалған кескіндегі мәтін бұрмалануы мүмкін, ал нәтижелер промптқа сай келмеуі ықтимал; модель фактілік ақпарат беруге арналмаған. Apache 2.0 лицензиясымен таратылады.

DeepFloyd IF-II-L-v1.0 — каскадная пиксельная диффузионная модель для генерации изображений по текстовому описанию, разработанная DeepFloyd и Stability AI. Это вторая стадия каскада IF: модель с 1,2 млрд параметров использует эмбеддинги замороженного текстового энкодера на основе T5 и UNet с cross-attention, чтобы повышать разрешение изображения с 64×64 до 256×256 пикселей. Репозиторий распространяет модель в форматах Diffusers, PyTorch и Safetensors. Модель подходит для создания иллюстраций и фотореалистичных изображений по текстовым запросам, а также для повышения разрешения результатов первой стадии IF. Она лучше работает с английскими запросами; заявлена ограниченная поддержка других романских языков. В README приведена оценка FID-30K 6,66 на COCO, но модель не гарантирует идеальный фотореализм и не предназначена для достоверного изображения реальных людей или событий. Обучающие данные могут отражать культурные и социальные предубеждения. Для использования требуется принять условия DeepFloyd IF License Agreement; запуск через Diffusers с выгрузкой частей модели на CPU описан как возможный на GPU с 14 ГБ видеопамяти.

LISA-13B-llama2-v1 — мультимодальная модель проекта LISA, разработанного исследовательской группой JIA-Lab под руководством Xin Lai и соавторов. Она построена на основе LLaVA и Llama 2 13B и предназначена для reasoning segmentation: по изображению и сложному текстовому запросу модель определяет целевой объект или область, формирует сегментационную маску и может дать текстовое объяснение результата. Проект поддерживает визуальные вопросы, использование мировых знаний, сложное рассуждение и многошаговый диалог.

Карточка модели Alpha-VLLM/Lumina-mGPT-2.0-Omni на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-2.0, поэтому описание составлено по ней. 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.