IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели mage-flow-community/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.

Карточка модели natalie5/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.

Magic-Wan-Image V2 GGUF — квантизированная версия модели Magic-Wan-Image V2.0, опубликованная VantageWithAI на основе Wan2.2-T2V-A14B от Wan-AI; оригинальная модель разработана wikeeyang. Модель предназначена для генерации изображений по текстовому описанию, особенно реалистичных портретов и сцен из реального мира. В README заявлены реалистичная текстура кожи, высокая детализация и поддержка увеличения изображения до 8 мегапикселей с использованием технологии TTP. Модель представлена в формате GGUF и интегрируется с экосистемой Diffusers. Указан английский язык, однако подробности о языковой поддержке, размере контекста, конкретном варианте квантизации и требованиях к оборудованию не приведены. Это чистая базовая модель, поэтому её можно дополнительно комбинировать с LoRA-модулями для изменения стиля и содержания; готовые NSFW- и SFW-варианты в состав модели не входят. Распространяется по лицензии Apache-2.0.

Qwen-Edit-2509-Upscale-LoRA — адаптер LoRA от vafipas663 для базовой модели Qwen/Qwen-Image-Edit-2509. Модель предназначена для повышения качества и восстановления фотографий в сценариях image-to-image, включая работу с изображениями низкого разрешения, шумом, размытием, JPEG-артефактами, пикселизацией, полосатостью цветов и результатами других моделей масштабирования. Для достижения лучшего эффекта рекомендуется использовать промпт с указанием улучшения качества и подробным текстовым описанием сцены. Адаптер обучен на отфильтрованных подмножествах Unsplash-Lite и UltraHR-100K при разрешении 2,4 Мп. Он ориентирован на фотографический стиль и такие объекты, как пейзажи, архитектура, интерьеры, портреты, растения, транспорт, абстрактные фотографии, предметы и еда. Заявлена способность восстанавливать изображения с увеличением до 16 раз, шумом до 50%, Gaussian blur радиусом до 3 пикселей, JPEG-качеством до 5%, motion blur до 64 пикселей, пикселизацией до 16 раз и цветовыми полосами до 3 бит. Модель не обучалась на 2D-изображениях, иллюстрациях, произведениях искусства, тексте, графике и CGI, поэтому для таких материалов её применение может быть ограничено. LoRA A и LoRA B предназначены для последовательного подключения. В README рекомендуется использовать ModelSamplingAuraFlow со значением shift ниже 0,3, а также сэмплеры LCM, Euler Ancestral или Euler; конкретные параметры могут влиять на плавность результата. Проект находится в разработке, доступно несколько промежуточных контрольных точек. Лицензия — GPL-3.0.

Anything2Real — специализированный LoRA-адаптер от lrzjason для базовой модели Qwen/Qwen-Image-Edit-2509. Модель предназначена для преобразования иллюстраций, аниме, мультфильмов, картин и других非фотореалистичных изображений в убедительные фотореалистичные фотографии с сохранением исходной композиции и содержания. Адаптер работает в сценариях image-to-image через библиотеку Diffusers и основан на архитектуре Qwen Edit 2509, описанной как MMDiT-модель редактирования изображений. Рекомендуемый вес LoRA — 0,75–0,9. Для управления результатом предлагается запрос «transform the image to realistic photograph» с подробным описанием содержимого изображения; при этом адаптер может работать и без детализированного промпта. Данные о размере модели, поддерживаемых языках, максимальном контексте и дополнительных модальностях не указаны. Это альфа-версия, находящаяся в активной разработке и обученная на ограниченном наборе данных, поэтому универсальность и стабильность преобразований могут быть ограничены. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-2.1 W4A4 (nvfp4) — вариант модели генерации изображений Qwen-Image-2.1, подготовленный ModelsLab. Трансформер использует 4-битные веса и активации: веса откалиброваны с помощью SVDQuant, скорректированы GPTQ и упакованы для слитого ядра Nunchaku. По данным карточки, файл занимает 4,54 ГБ; текстовый энкодер Qwen3-VL остаётся в bf16, а общий объём резидентной памяти в измерениях составляет около 21,5 ГБ. Модель предназначена для генерации изображений по текстовым запросам; базовая Qwen-Image-2.1 также поддерживает редактирование изображений, но в метаданных этой версии подтверждена задача text-to-image. В измерениях на RTX PRO 6000 Max-Q и RTX 5090 генерация изображения 1024×1024 за 40 шагов занимала около 7,7 секунды. Сравнение на двух текстовых запросах дало близкую к bf16 точность отрисовки текста, однако оценка ограничена небольшим набором примеров. Для запуска требуются GPU NVIDIA поколения Blackwell (sm_120 и новее), PyTorch 2.12.1 и указанная в README сборка Nunchaku; модель не загружается на Ada. Совместимость упакованных весов зависит от версии ядра Nunchaku. Лицензия Qwen Research License разрешает только некоммерческое использование; коммерческое применение требует отдельного разрешения правообладателя.

Ilus-AI/Qwen-Image-2512-FP8 — вариант Qwen-Image-2512, подготовленный сообществом Ilus-AI и представленный в формате Diffusers для генерации изображений по текстовому описанию. Модель использует конвейер QwenImagePipeline; веса Transformer и текстового энкодера квантизированы до FP8 методом weight-only с помощью torchao. Модель предназначена для создания изображений по запросу. В README приведены поддерживаемые размеры 1328×1328, 1664×928 и 928×1664 для квадратного, альбомного и портретного форматов. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализацию природных сцен и отрисовку текста; карточка этой версии не сообщает об отдельной адаптации для конкретного языка или предметной области. Квантизация FP8 снижает точность представления весов по сравнению с исходной моделью, поэтому итоговое качество может отличаться. Для запуска указаны PyTorch, Diffusers, Transformers, torchao и Accelerate. Лицензия — Apache-2.0.

QuantStack/Qwen-Image-Edit-GGUF — это конвертированная в формат GGUF версия модели Qwen/Qwen-Image-Edit. В репозитории указано, что модель предназначена для задач image-to-image, то есть редактирования и преобразования изображений по заданным условиям. Для работы она рассчитана на использование в ComfyUI с пользовательским узлом ComfyUI-GGUF. Комплект включает основную модель Qwen-Image, текстовый энкодер Qwen2.5-VL-7B, мультимодальный проекционный модуль Qwen2.5-VL-7B-Instruct-mmproj-BF16 и VAE Qwen-Image. Указаны английский и китайский языки. Точные сведения об архитектуре исходной модели, размере основного компонента, максимальном контексте, поддерживаемых входных модальностях и количественных характеристиках качества в README отсутствуют. Квантование может снизить требования к ресурсам, однако его влияние на качество здесь не описано. Модель распространяется по лицензии Apache-2.0; при использовании сохраняются исходные условия лицензирования и ограничения Qwen/Qwen-Image-Edit. Для запуска требуются соответствующие компоненты, размещённые в каталогах ComfyUI, а также ComfyUI-GGUF.

SirSahOl/Qwen-Image-mlx-4bit — это 4-битная квантованная версия диффузионной модели Qwen-Image, подготовленная SirSahOl для запуска на Apple Silicon. Веса преобразованы с помощью фреймворка mflux и сохранены в формате safetensors, совместимом с MLX. Модель предназначена для генерации изображений по текстовому описанию в составе pipeline Text-to-Image. Она использует архитектуру Diffusion Transformer (DiT) на базе Qwen/Qwen-Image-2512 с 60 трансформерными блоками и примерно 7 млрд параметров в DiT-backbone; совокупный размер pipeline с текстовым энкодером и VAE составляет около 8,2 млрд параметров. README не указывает поддерживаемые языки, максимальный контекст или набор модальностей помимо текста и изображений. Ключевое преимущество варианта — сниженное потребление памяти и более высокая скорость по сравнению с версиями большей разрядности: заявленный активный объём VRAM составляет около 33,5 ГБ. Ограничениями являются требование совместимого оборудования Apple Silicon, зависимость от mflux и возможное снижение качества по сравнению с 8-битной и 16-битной версиями. Модель распространяется по Tongyi Qianwen License; в метаданных также указано обозначение лицензии other.

Realisian6 — модель генерации изображений по текстовому описанию, опубликованная GraydientPlatformAPI на Hugging Face. В метаданных указаны задача text-to-image, реализация через Diffusers StableDiffusionPipeline, размер около 0,9 млрд параметров и формат safetensors. Модель предназначена для создания изображений по текстовым запросам. Для репозитория указана лицензия OpenRAIL. Карточка модели не была доступна для проверки, поэтому особенности обучающих данных, рекомендуемые настройки, поддерживаемые языки запросов и конкретные ограничения модели подтвердить нельзя.

Scale-RAE — модель генерации изображений по текстовому запросу, разработанная исследовательской группой VISIONx Нью-Йоркского университета. Она объединяет языковую модель Qwen2.5-1.5B, диффузионный трансформер DiT размером 2,4 млрд параметров и декодер SigLIP-2; репозиторий проекта описывает обучение в два этапа, включая дообучение на наборах инструкций. Модель предназначена для создания изображений по текстовым описаниям. Метаданные Hugging Face также указывают текстовую генерацию с архитектурой CambrianQwen, 1,5 млрд параметров и контекстом 32 768 токенов; это не описывает полный размер генеративной системы Scale-RAE. Для вывода текстовый запрос преобразуется в изображение через систему Scale-RAE; исходный репозиторий показывает пример генерации фотографии кота на подоконнике и рекомендует этот вариант модели по умолчанию среди перечисленных конфигураций. Код проекта опубликован под лицензией MIT. Карточка модели автоматически создана и не содержит содержательных сведений об ограничениях, языковой поддержке или лицензии самих весов; качество генерации и поддерживаемые языки по имеющимся источникам конкретно не охарактеризованы.

refiners/sd15.juggernaut.reborn.autoencoder — модель автоэнкодера для экосистемы Stable Diffusion 1.5, опубликованная в библиотеке refiners. Она предназначена для задач преобразования изображений (image-to-image) и может использоваться как компонент пайплайнов генерации или редактирования изображений по текстовым описаниям. В карточке представлены примеры сюрреалистичных сцен, архитектурной фотографии, предметных изображений и фотореалистичных портретов.

rupeshs/SDXL-Lightning-2steps — вариант SDXL-Lightning для генерации изображений по текстовому описанию, размещённый пользователем rupeshs. README указывает, что это двухшаговая версия модели из исходного репозитория SDXL-Lightning; модель распространяется в формате Diffusers с весами Safetensors и предназначена для использования через библиотеку Diffusers. Модель принимает текстовые запросы на английском языке и генерирует изображения за два шага. Репозиторий распространяется по лицензии OpenRAIL++.

SPARK.Chroma_preview — предварительная модель генерации реалистичных изображений по текстовым описаниям, созданная SG161222 как дообучение Chroma1-HD. Базовая модель основана на FLUX.1-schnell и содержит 8,9 млрд параметров. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для работы, в частности, через ComfyUI. Модель ориентирована на фотореалистичную генерацию и предлагает ограниченный набор стилей. Это предварительный выпуск: качество реализма и мелких деталей может быть ниже, чем у Chroma1-HD; возможны ошибки в анатомии и надписях. Для использования указана лицензия Apache 2.0.

Manojb/stable-diffusion-2-1-base — модель генерации изображений по тексту, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер OpenCLIP-ViT/H. Версия 2.1 дообучена на Stable Diffusion 2-base ещё на 220 тысячах шагов; модель распространяется в форматах Diffusers, PyTorch и Safetensors и работает с библиотекой Diffusers. Модель предназначена для создания и изменения изображений по текстовым запросам, в том числе для художественных и дизайнерских задач и творческих инструментов. В первую очередь она рассчитана на английские запросы; качество генерации по запросам на других языках ниже. Лицензия — CreativeML Open RAIL++-M. Модель не гарантирует фотореализм, плохо передаёт читаемый текст и сложные пространственные композиции, а лица и люди могут получаться некорректно. Обучающие данные содержали изображения для взрослых, насилие и сексуальный контент, частично отфильтрованные NSFW-детектором; возможны социальные предубеждения, включая смещение в сторону западных культур. Модель не предназначена для достоверного изображения реальных людей или событий.

Карточка модели tq01963/stable-diffusion-2-1-base на Hugging Face совпадает с карточкой Manojb/stable-diffusion-2-1-base, поэтому описание составлено по ней. Manojb/stable-diffusion-2-1-base — модель генерации изображений по тексту, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер OpenCLIP-ViT/H. Версия 2.1 дообучена на Stable Diffusion 2-base ещё на 220 тысячах шагов; модель распространяется в форматах Diffusers, PyTorch и Safetensors и работает с библиотекой Diffusers. Модель предназначена для создания и изменения изображений по текстовым запросам, в том числе для художественных и дизайнерских задач и творческих инструментов. В первую очередь она рассчитана на английские запросы; качество генерации по запросам на других языках ниже. Лицензия — CreativeML Open RAIL++-M. Модель не гарантирует фотореализм, плохо передаёт читаемый текст и сложные пространственные композиции, а лица и люди могут получаться некорректно. Обучающие данные содержали изображения для взрослых, насилие и сексуальный контент, частично отфильтрованные NSFW-детектором; возможны социальные предубеждения, включая смещение в сторону западных культур. Модель не предназначена для достоверного изображения реальных людей или событий.

Это перезагрузка Stable Diffusion 3.5 Large Turbo от Stability AI в формате Diffusers, заявленная автором как версия без ограничения доступа. Модель семейства MMDiT генерирует изображения по текстовым запросам; в ней применена дистилляция Adversarial Diffusion Distillation (ADD), рассчитанная на качественную генерацию за небольшое число шагов. Архитектура использует три предварительно обученных текстовых энкодера: OpenCLIP-ViT/G, CLIP-ViT/L и T5-xxl; указана длина контекста энкодеров 77 токенов для CLIP и 77/256 для T5 на разных этапах обучения. Модель подходит для создания иллюстраций, художественных изображений и материалов для дизайна, а также для творческих и образовательных инструментов. README отмечает улучшения в качестве изображений, типографике и понимании сложных запросов. Репозиторий содержит веса Diffusers в формате safetensors. Указана лицензия Stability Community License; для коммерческого лицензирования README предлагает обратиться к Stability AI и требует соблюдать Acceptable Use Policy. Модель не предназначена для получения фактически достоверных изображений людей или событий. Защитные меры не гарантируют удаления всего потенциально вредного контента; оценка безопасности проводилась преимущественно на английском языке, поэтому разработчикам следует проверять модель и применять подходящие меры безопасности.

Карточка модели booksforcharlie/stable-diffusion-inpainting на Hugging Face совпадает с карточкой botp/stable-diffusion-v1-5-inpainting, поэтому описание составлено по ней. Stable Diffusion v1.5 Inpainting — латентная диффузионная модель генерации и редактирования изображений, разработанная Робином Ромбахом и Патриком Эссером и опубликованная в формате Diffusers. Она создаёт изображения по текстовому запросу и позволяет перерисовывать выбранные области исходного изображения по маске. Для inpainting к входу UNet добавлены каналы закодированного изображения с маской и самой маски; текст кодируется предварительно обученным CLIP ViT-L/14. Модель основана на весах Stable Diffusion v1.2 и дообучена для inpainting на разрешении 512×512. Модель подходит для творческого редактирования изображений, замены или заполнения областей по описанию, а также экспериментов с генеративными моделями. Основной язык запросов — английский. Качество фотореализма и изображений людей не гарантировано; модель плохо отображает читаемый текст и сложные пространственные отношения, а результаты на неанглийских запросах обычно хуже. Обучающие данные содержат взрослый контент, модель может воспроизводить смещения и запоминать изображения. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование.

Yntec/Stuff — модель генерации изображений по тексту на базе Stable Diffusion, опубликованная Yntec. Она предназначена для создания изображений по коротким запросам, в том числе названиям предметов и еды, а также по развёрнутым описаниям сцен. Репозиторий использует библиотеку Diffusers и формат Safetensors. В карточке приведены примеры генерации портрета красной панды, гамбургера, пиццы и колы с картофелем фри. Модель распространяется по лицензии CreativeML OpenRAIL-M. Данные о размере модели, длине контекста и поддерживаемых языках не приведены.

Карточка модели MertOezberk95/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.

TaiVisionLM-base-v2 — разработанная benchang1110 мультимодальная модель для создания текстовых ответов по изображению и инструкции. Она объединяет визуальный энкодер SigLIP с языковой моделью TinyLlama через визуальный проектор; архитектура напоминает PaliGemma. В модели 1,2 млрд параметров, для работы используется библиотека Transformers. Модель дообучена на 1 млн пар изображений и текстов и предназначена прежде всего для подробного описания изображений на традиционном китайском языке. Она также рассчитана на короткие подписи и простые ответы на визуальные вопросы. В README автор указывает, что дальнейшее обучение для этих задач ещё планировалось. Для загрузки требуется включить trust_remote_code, поскольку архитектура не интегрирована в Transformers нативно. Лицензия в предоставленных данных не указана.

TextFlux — модель на архитектуре Diffusion Transformer (DiT), разработанная для создания реалистичных надписей внутри изображений и сцен. Она дообучена на основе black-forest-labs/FLUX.1-Fill-dev и использует прямое пространственное объединение изображения сцены с визуальными образцами глифов, поэтому для синтеза текста не требуется OCR-энкодер. Модель предназначена для генерации многоязычных надписей, согласованных с контекстом и стилем сцены, в том числе для языков с ограниченными данными. В README заявлены полновесная версия и веса LoRA, а также демо с режимами для готовых входов и пользовательских сцен с масками. Для работы нужны код модели и зависимости на базе PyTorch и Diffusers версии 0.32.1 или новее. Репозиторий распространяется по лицензии CC BY-NC 2.0, которая ограничивает коммерческое использование.

segmind/tiny-sd-mxfinetune — модель генерации изображений по текстовому описанию, созданная Segmind на основе SG161222/Realistic_Vision_V4.0. Модель представляет собой дистиллированную и дообученную версию Stable Diffusion, распространяемую для библиотеки Diffusers в форматах PyTorch и Diffusers. Модель предназначена для создания изображений по текстовым запросам. Обучение проводилось на подмножестве recastai/LAION-art-EN-improved-captions; в карточке также приведены параметры обучения и сравнение скорости с базовыми моделями SD 1.5. В README заявлено ускорение до 80% относительно базовых SD 1.5 на A100 80 ГБ. Лицензия — CreativeML OpenRAIL-M. В описании нет подробных сведений о поддерживаемых языках запросов и систематической оценке качества. Результаты генерации могут отличаться от базовой модели, а качество и скорость зависят от оборудования и настроек инференса.

facebook/convnextv2-nano-22k-384 — свёрточная модель для классификации изображений, разработанная командой Facebook AI. ConvNeXt V2 использует полностью свёрточный masked autoencoder FCMAE и слой Global Response Normalization (GRN); эта версия предварительно обучена с FCMAE и дообучена на ImageNet-22K для изображений размером 384×384. Модель предназначена для распознавания объектов и отнесения изображений к классам ImageNet-22K. Её можно применять как готовый классификатор или использовать как основу для дальнейшей настройки под другие задачи компьютерного зрения. Доступны веса PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Это модель DeiT (Data-efficient Image Transformer) для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на наборе ImageNet-1k; модель распространяется в библиотеке timm в форматах PyTorch и safetensors. Число параметров — 86,6 млн, вычислительная сложность — 17,6 GMACs, входное разрешение — 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях по классам ImageNet-1k, а также как визуальная основа для получения эмбеддингов в задачах компьютерного зрения. Лицензия репозитория — Apache-2.0. Карточка не описывает поддержку иных наборов классов или изображений вне ImageNet-1k.

EfficientNet-B2 — свёрточная модель компьютерного зрения, разработанная Mingxing Tan и Quoc V. Le и обученная для классификации изображений на ImageNet-1k. Она использует составное масштабирование глубины, ширины и разрешения сети; входное разрешение при обучении — 260 × 260 пикселей. Репозиторий содержит веса PyTorch, опубликованные под лицензией Apache-2.0. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Её можно применять как готовый классификатор или использовать как отправную точку для поиска и адаптации версии под другую задачу. Это чистая свёрточная архитектура, ориентированная в том числе на мобильные устройства. Модель принимает изображения и выдаёт текстовые метки классов; карточка не сообщает о специализированной поддержке других наборов классов.

Fluently V4-inpainting — модель генерации и редактирования изображений на основе Stable Diffusion 1.5, опубликованная автором Fluently. Это специальная версия для inpainting, особенно для небольших областей и сложных объектов; карточка также заявляет поддержку outpainting, реалистичных и художественных изображений, аниме и комиксов. Модель рассчитана на использование с Diffusers и форматом safetensors; автор рекомендует запускать её через AUTOMATIC1111 с 20–30 шагами и CFG 5–7. В README автор описывает Fluently как результат объединения нескольких чекпойнтов и LoRA, однако метаданные Hugging Face указывают базовой моделью runwayml/stable-diffusion-inpainting и классифицируют связь как дообучение. Лицензия обозначена как other, поэтому условия использования следует уточнять на странице модели. Заявления автора о качестве анатомии и детализации не сопровождаются количественными оценками.

FLUX.2-dev-bnb-4bit — 4-битная NF4-квантизированная версия модели FLUX.2-dev, разработанной Black Forest Labs. Модель предназначена для генерации и редактирования изображений, включая сценарии image-to-image, и интегрируется с библиотекой Diffusers. В состав входят квантизированные DiT и текстовые энкодеры, тогда как VAE не подвергался квантизации. В карточке указана поддержка английского языка. Квантизация NF4 снижает требования к памяти по сравнению с полноразмерной версией, что может упростить локальный запуск, однако README не содержит точных сведений о размере модели, максимальном контексте, поддерживаемых разрешениях, производительности и ограничениях качества. Модель распространяется по лицензии FLUX [dev] Non-Commercial License; для использования требуется согласие с этой лицензией и Acceptable Use Policy.

FLUX.2 [klein] 9B INT8 — это квантизированный чекпойнт трансформера базовой модели black-forest-labs/FLUX.2-klein-9B, разработанный vistralis на основе модели Black Forest Labs. Модель предназначена для генерации изображений по текстовому описанию, а также для сценариев редактирования изображений и композиции. Она интегрируется с библиотекой Diffusers и содержит только веса трансформера; текстовый энкодер, VAE, токенизатор и scheduler загружаются из базовой модели. Модель имеет около 9 млрд параметров и использует INT8-квантизацию весов и активаций в формате W8A8, выполненную с помощью NVIDIA TensorRT Model Optimizer. Заявлено примерно двукратное сжатие по сравнению с BF16. Основные слои хранятся в INT8 с масштабами float32, а embedder-слои и выходная проекция сохранены в BF16. Квантизация рассчитана на снижение требований к памяти и может быть альтернативой FP8 для оборудования без нативной поддержки FP8. В README не указаны поддерживаемые языки и максимальная длина контекста. По внутренней оценке на 48 промптах INT8 показала CLIP Score 0,6422 против 0,6426 у BF16-базовой модели; LPIPS составил 0,0615, PSNR — 22,34 дБ, FID — 32,27. Эти результаты указывают на близкое соответствие тексту и высокую схожесть с BF16-выводом, однако выборка небольшая и служит лишь ориентиром. Лицензия — flux-non-commercial-license; коммерческое использование, вероятно, ограничено условиями этой лицензии.

XLabs-AI/flux-ip-adapter — это адаптер IP-Adapter для модели FLUX.1-dev, разработанной Black Forest Labs. Адаптер предназначен для генерации изображений по текстовому описанию с использованием референсных изображений, чтобы влиять на визуальное содержание и стиль результата. Модель можно применять через официальный репозиторий XLabs-AI/x-flux или пользовательские узлы для ComfyUI. Адаптер обучался на разрешении 512×512 в течение 50 000 шагов и на разрешении 1024×1024 в течение 25 000 шагов; заявлена поддержка обоих разрешений. Для работы требуется CLIP-L из OpenAI ViT-L/14, а также базовая модель FLUX.1-dev. В репозитории выпущена версия v1, доступная для непосредственного использования в ComfyUI; при этом модель обозначена как находящаяся в стадии бета-тестирования, поэтому качество результата может быть нестабильным и иногда требует нескольких попыток или настройки параметров. Лицензия указана как flux-1-dev-non-commercial-license, то есть веса распространяются на условиях некоммерческой лицензии FLUX.1-dev. Язык в метаданных обозначен как английский. Новее этой версии заявлен выпуск XLabs-AI/flux-ip-adapter-v2.