IV.1Ритейл, электронная коммерция и fashion-tech

GLiNER2.5-multi-Decide — мультиязычная модель классификации Fastino из семейства GLiNER2.5, дообученная на базе fastino/gliner2.5-multi-v1. Она принимает текст и заданный при вызове набор меток, а затем в одном проходе оценивает несколько задач классификации. Размер модели — 287 млн параметров; веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для операционной маршрутизации и принятия решений по тексту: определения намерения, тональности, приоритета, темы, типа документа, команды-получателя, необходимости передать диалог человеку, а также модерации и оценки срочности. Подходит для многоязычного текста; для одной метки возвращает один класс, а для многометочной классификации — метки, прошедшие порог. Заданный набор меток можно менять, в том числе добавлять к ним описания. Для локального использования README рекомендует загрузку через AutoExtractor. Это специализированный классификатор: он не предназначен для рассуждений, объяснений или ответов на открытые вопросы и не генерирует текстовые токены. В README приведён англоязычный бенчмарк, поэтому его результат не следует считать оценкой качества на других языках. Модель опубликована под лицензией Apache-2.0.

Ideogram4 GGUF — это набор квантованных файлов модели для генерации изображений по текстовому описанию. Файлы подготовлены leejet на основе моделей Ideogram4 от Ideogram AI и преобразованы с использованием stable-diffusion.cpp. Модель предназначена для локального запуска через stable-diffusion.cpp и сценариев text-to-image, включая создание изображений с детализированными композициями, заданным стилем и текстовыми надписями внутри изображения. В репозитории представлены файлы в формате GGUF; конкретный размер, архитектура, объём контекста и параметры квантования зависят от выбранного файла. В качестве языков заявлены английский и китайский. Для работы используются дополнительные компоненты, включая языковую модель Qwen3VL-8B-Instruct и VAE, а также поддерживается генерация изображений разрешением 1024×1024 в приведённом примере. Сильными сторонами являются локальный запуск и совместимость с stable-diffusion.cpp, а ограничениями — необходимость совместимых компонентов и отсутствие в README подробных характеристик качества, производительности и требований к оборудованию. Лицензия квантованных файлов следует лицензии исходной модели Ideogram4; её точные условия указаны в LICENSE.md оригинальной модели.

digiplay/K-main_NEO — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка не содержит сведений о разработчике, архитектуре, размере или языках модели. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Diffusers. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория.

MLXBits/Krea-2-mlx-q8 — 8-битная квантованная версия Krea-2-Turbo, подготовленная для локальной генерации изображений по текстовым запросам на компьютерах Apple Silicon. Модель распространяется в формате MLX safetensors и запускается через библиотеку mflux; веса уже квантованы, поэтому повторная квантование при загрузке не требуется. В основе лежит одно-поточная архитектура MMDiT с 28 слоями. Текстовые запросы обрабатывает энкодер Qwen3-VL-4B, а для латентного представления изображений используется VAE Qwen-Image. Turbo-вариант дистиллирован и рассчитан на создание изображений за 8 шагов. Базовая модель описана как 12-миллиардная текстово-графическая модель, работающая с английскими описаниями. Модель предназначена для быстрого локального создания изображений и рассчитана на запуск на Apple Silicon с помощью mflux. Репозиторий указывает лицензию «other», поэтому конкретные условия использования следует сверять с лицензией базовой модели и материалами разработчика.

vladmandic/Krea-2-Turbo-Merge-sdnq-hadamard-uint4 — это опубликованный пользователем vladmandic вариант Krea-2 Turbo для генерации изображений по текстовому описанию. Модель предназначена для работы в экосистеме Diffusers и использует конвейер Krea2Pipeline. В карточке Hugging Face она классифицирована как text-to-image; среди связанных компонентов указаны Krea2Transformer2DModel, Qwen3VLModel, Qwen2Tokenizer и AutoencoderKLQwenImage. Модель имеет около 7 млрд параметров и распространяется в формате Safetensors с оптимизациями SDNQ и Hadamard; в метаданных также указан тег 8-bit. Она подходит для локальной генерации изображений по промптам, включая создание сцен, объектов и стилизованных визуальных концепций. Длина контекста, поддерживаемые естественные языки и лицензия в доступных источниках не указаны.

Карточка модели rootlocalghost/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.

majicMIX_realistic_v7 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Она построена как Stable Diffusion и доступна в формате Diffusers и весах Safetensors; карточка Hugging Face ссылается на версию модели на Civitai. Модель предназначена для создания реалистичных изображений по текстовым промптам. Репозиторий содержит компоненты Stable Diffusion Pipeline, включая текстовый энкодер, U-Net и VAE. Доступны примеры запуска через библиотеку Diffusers. В метаданных лицензия указана как other, без уточнения условий использования в найденной карточке. Языки промптов, размер модели и длина контекста в использованных источниках не подтверждены.

Trelis/Meta-Llama-3-8B-Instruct-function-calling — дообученная модель семейства Llama 3, созданного Meta. Репозиторий содержит плотную авторегрессионную трансформерную модель примерно на 7,5 млрд параметров в формате safetensors; она принимает текст и генерирует текст, а контекст составляет до 8192 токенов. Модель дообучена для диалогов и вызова функций на наборе Trelis/function_calling_v3, поэтому подходит для ассистентов, которым нужно отвечать пользователю и формировать вызовы инструментов. Основной язык карточки — английский. Базовая Llama 3 рассчитана на диалоговые и генеративные задачи; качество работы именно с вызовом функций зависит от формата промпта и сценария интеграции. Указанная в README лицензия Meta Llama 3 допускает коммерческое и исследовательское применение при соблюдении её условий и Acceptable Use Policy; метаданные репозитория обозначают лицензию как Apache-2.0, поэтому условия использования следует сверять с лицензией, фактически приложенной к этой производной модели.

PrometheusV1 — модель генерации изображений по текстовому описанию от автора модели Proteus. Согласно карточке, это полноранговое дообучение Playground v2.5 на более чем 400 тысячах изображений из наборов Proteus. Модель распространяется в формате Diffusers с весами Safetensors по лицензии Apache-2.0. Модель предназначена для создания изображений по текстовым запросам и рассчитана на работу с открытыми инструментами и экосистемой SDXL. В карточке заявлена совместимость с большинством SDXL LoRA и инструментов; для оптимальной работы рекомендован CLIP skip 2. Разработчик также отмечает баланс согласованности и разнообразия результатов и возможные стилевые особенности, унаследованные от обучения.

Qwen3-VL-4B-Instruct-Uncensored-abliterated — мультимодальная модель семейства Qwen3-VL, опубликованная dummy9996. Это доработанная версия Felldude/Qwen3-VL-4B-Instruct-Uncensored, предназначенная для диалогов с изображениями и генерации подписей к ним. Карточка описывает её как «abliterated» вариант: заявлено, что модель не должна отказывать в ответах. Модель принимает текст и изображения и генерирует текст; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. В карточке нет подробностей о качестве, языковом охвате и длине контекста, поэтому их нельзя оценить по имеющимся данным.

BennyDaBall/Qwen-Image-2.1-NVFP4 — независимая NVFP4-квантизованная сборка Qwen Image 2.1, исходную модель и архитектуру которой разработала команда Qwen. Это не новая базовая модель и не официальный релиз Qwen: автор выполнил конвертацию официальных BF16-весов Comfy-Org и подготовил пакет для ComfyUI. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображений по референсу, создания изображений с прозрачным RGBA-фоном и генерации постеров с текстом. В состав входят квантизованные image transformer и языковой энкодер Qwen3-VL 8B, а vision tower, эмбеддинги, выходная голова, критические тензоры image-модели и VAE сохранены в BF16. Полный пакет занимает 12,42 ГБ и рассчитан на использование в ComfyUI с поддержкой Qwen Image 2.1 и native NVFP4; заявленная проверка проводилась на RTX 5090. Поддерживаются рабочие разрешения, включая примеры 1024×1024 и 2048×2048, однако точный размер контекста в README не указан. Ключевое преимущество сборки — существенное уменьшение размера относительно BF16-пакета и ускорение инференса на совместимом оборудовании; для RTX 5090 указано 6,746 секунды медианного времени для запуска 1024×1024 за 40 шагов. К ограничениям относятся необходимость актуальной версии ComfyUI и совместимых NVFP4-ядер, применение runtime-патча для ускоренного текстового кондиционирования, а также возможные отличия результатов от BF16 из-за квантизации. Преобразование не включало калибровку или дообучение, а качество и скорость не гарантируются для всех конфигураций. Лицензия указана как qwen-research-license; модель предназначена для исследовательского и оценочного использования в соответствии с условиями приложенной лицензии.

Карточка модели hariharasudhan/realisticv5 на Hugging Face совпадает с карточкой kp-forks/Realistic_Vision_V5.0_noVAE, поэтому описание составлено по ней. Realistic Vision V5.0 noVAE — модель генерации изображений по тексту из семейства Stable Diffusion, представленная пользователем kp-forks. Репозиторий содержит веса в форматах Diffusers и safetensors; модель предназначена для создания реалистичных изображений по текстовым запросам. В README рекомендуются сэмплеры Euler A или DPM++ 2M Karras и CFG Scale 3,5–7. Для версии 5.0 автор карточки советует подключать VAE, чтобы повысить качество генерации и уменьшить артефакты; также приводятся примеры негативных запросов и настройки увеличения разрешения. Лицензия — CreativeML OpenRAIL-M.

Карточка модели Onlyfake/realistic-vision-v4 на Hugging Face совпадает с карточкой andregn/Realistic_Vision_V6.0-inpainting, поэтому описание составлено по ней. Realistic_Vision_V6.0-inpainting — модель генерации изображений семейства Stable Diffusion, опубликованная пользователем andregn. Она предназначена для создания реалистичных изображений по текстовому описанию; в названии также заявлен режим inpainting. В карточке приведены рекомендуемые отрицательные промпты и настройки генерации: сэмплеры Euler A или DPM++ SDE Karras, CFG Scale 3,5–15, а для увеличения разрешения — Hires.fix с апскейлером 4x-UltraSharp. Модель распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML OpenRAIL-M. README советует исключать артефакты анатомии, лишние конечности и пальцы, низкое качество и нежелательные стили; это указывает на необходимость подбирать промпты и параметры под задачу. В карточке нет подробной оценки качества, описания датасета или условий использования beyond лицензии.

Juggernaut Reborn — модель генерации изображений на основе Stable Diffusion 1.5, представленная командой Refiners. Этот репозиторий содержит дообученную UNet-часть модели в формате safetensors; для работы она входит в конвейер Stable Diffusion и связана с базовой моделью runwayml/stable-diffusion-v1-5 через refiners/sd15.unet. В карточке указаны 0,9 млрд параметров и лицензия juggernaut. Модель предназначена для создания художественных и фотореалистичных изображений по текстовым запросам, а также для сценариев image-to-image, где исходное изображение преобразуется с помощью текстового описания. Примеры в карточке охватывают портреты, архитектуру, пейзажи и сюрреалистические сцены. Репозиторий содержит именно UNet-компонент, поэтому для генерации требуется совместимый конвейер с необходимыми компонентами Stable Diffusion; отдельная карточка не приводит ограничений качества или характеристик контекста.

ariG23498/sd-3.5-merged — объединённая модель для генерации изображений по текстовому описанию на основе Stable Diffusion 3.5 Large и Stable Diffusion 3.5 Large Turbo от Stability AI. Автор карточки сообщает, что объединение нацелено на сочетание детализации Large со скоростью Turbo; для примера указана генерация за 6 шагов против 40 у Large и 4 у Turbo. Модель предназначена для создания изображений по текстовым запросам и доступна в формате Diffusers с весами Safetensors. Карточка указывает английский язык. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверять с лицензиями базовых моделей.

Карточка модели brandow1984/sdxl-turbo на Hugging Face совпадает с карточкой stabilityai/sdxl-turbo, поэтому описание составлено по ней. SDXL-Turbo — генеративная модель Stability AI для быстрого создания изображений по текстовому описанию. Она основана на SDXL 1.0 Base и обучена методом Adversarial Diffusion Distillation для генерации за один или несколько шагов; обычно достаточно одного прохода модели. Поддерживаются рабочие процессы text-to-image и image-to-image, в том числе через Diffusers. Предпочтительный размер изображения — 512×512 пикселей. Модель подходит для творческих инструментов, дизайна, создания иллюстраций и исследования генерации изображений в реальном времени. Она не предназначена для создания достоверных изображений реальных людей или событий. Генерация текста внутри изображения ненадёжна, лица и люди могут получаться некорректно, а фотореализм не гарантирован. Лицензия указана как other; README описывает использование для некоммерческих и исследовательских целей и отсылает за условиями коммерческого применения к отдельным правилам Stability AI.

Stable Diffusion 2.1 Base — модель генерации и редактирования изображений по текстовым запросам, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H. Она дообучена на базе stable-diffusion-2-base дополнительными 220 тысячами шагов; модель распространяется в форматах Diffusers, PyTorch и safetensors. Модель предназначена для создания иллюстраций, художественных изображений и визуальных материалов для дизайна и творческих инструментов. Основной язык запросов — английский; на других языках качество ниже. Лицензия — CreativeML Open RAIL++-M License. Модель может неточно передавать фотореализм, лица и сложные пространственные отношения, а также плохо генерирует читаемый текст. Обучающие данные включали отфильтрованные подмножества LAION-5B, но фильтрация не устраняет полностью риск нежелательного контента; в генерациях могут проявляться социальные и культурные смещения.

Карточка модели lsqingggg/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 v1.5 Inpainting GGUF — модель генерации и редактирования изображений, созданная на основе Stable Diffusion Inpainting от Runway ML; разработчиками исходной модели указаны Robin Rombach и Patrick Esser. Данный репозиторий является зеркалом устаревшего проекта и не аффилирован с RunwayML. GGUF-квантизация подготовлена на базе stable-diffusion.cpp с патчами llama-box и экспериментально поддерживается только gpustack/llama-box версии 0.0.98 и выше. Модель предназначена для генерации фотореалистичных изображений по текстовому описанию и для inpainting — заполнения или замены областей изображения по маске. Это latent diffusion model с текстовым энкодером CLIP ViT-L/14; исходное обучение проводилось при разрешении 512×512 на датасете laion-aesthetics v2 5+. Для inpainting UNet использует пять дополнительных входных каналов: четыре для закодированного изображения под маской и один для самой маски. Указан английский язык. Доступны варианты квантизации FP16, Q8_0, Q4_1 и Q4_0; CLIP ViT-L/14 и VAE во всех вариантах имеют квантизацию FP16. Сильная сторона модели — сочетание текстовой генерации и управляемого редактирования изображений с сохранением немаскированных областей. Ограничения включают экспериментальный статус GGUF-версии, зависимость от llama-box и отсутствие данных о поддерживаемых разрешениях, производительности и качестве для других языков. Модель распространяется по лицензии CreativeML OpenRAIL M.

TabPFN-v2-clf — трансформерная базовая модель для классификации табличных данных, разработанная Prior Labs. Она применяет обучение на основе априорных распределений по данным и предназначена для классификации на небольших табличных наборах без отдельного обучения модели под каждую задачу. В репозитории размещены производственные базовые чекпойнты; файлы с суффиксом finetuned-* являются идентичными псевдонимами соответствующих базовых чекпойнтов. Модель работает с табличными данными и выдаёт результаты классификации. Для использования предусмотрена библиотека tabpfn на базе PyTorch. В карточке указана лицензия Prior Labs License — Apache 2.0 с дополнительным требованием атрибуции. README приводит требования к программной среде и оборудованию, но не сообщает о поддерживаемых естественных языках или конкретном пределе размера входного набора.

WindyTranslate/translate-en-ml — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с английского на малаялам. Это дообученная версия Helsinki-NLP/opus-mt-en-ml: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель использует архитектуру MarianMT, содержит 37,8 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель подходит для перевода коротких английских текстов на малаялам. В скрининговой оценке на 48 предложениях FLORES-200 dev она получила chrF++ 30,72 и BLEU 4,31; этот результат не является полноценным исследовательским бенчмарком. Модель распространяется в формате safetensors и доступна по лицензии Apache-2.0.

vorenthos-glare-2 — мультимодальная vision-language модель, экспортированная из локальной установки Ollama и опубликованная vorenthiclabs. Она принимает изображения и текст и предназначена для диалогового взаимодействия с визуальными данными, например для ответов на вопросы об изображении и его описания. Модель имеет плотную архитектуру примерно на 8,2 млрд параметров и распространяется в формате GGUF с квантизированными весами; для запуска предлагается Ollama. В карточке указана лицензия other, поэтому конкретные условия использования по ней определить нельзя. README не сообщает поддерживаемые языки, длину контекста или конкретные результаты оценки качества.

RyanJames/yolo12l-person-seg — модель сегментации экземпляров людей на основе YOLO12L, опубликованная Ryan James. Она обучена выделять один класс — человека — и предназначена для обнаружения людей и получения масок их силуэтов на изображениях. Доступны контрольные точки Ultralytics/PyTorch и экспорты ONNX FP32; для ONNX указан входной тензор 640×640 и выход предсказаний размером [1, 37, 8400]. В метаданных основным форматом репозитория указан ONNX. Модель подходит для анализа изображений и видеокадров, подсчёта или визуализации присутствующих людей и интеграции компьютерного зрения через Ultralytics или ONNX Runtime. Репозиторий содержит исходный чекпойнт после 100 эпох и расширенное продолжение обучения после 300 эпох. Лицензия — AGPL-3.0. Модель может пропускать небольших, удалённых, частично закрытых, размытых или плохо освещённых людей; возможны ложные срабатывания и неточные границы масок. Обучение на COCO не подтверждает одинаковую точность в разных условиях съёмки и для разных групп людей. Большая модель может требовать GPU для низкой задержки, а статические экспорты FP32 не оптимизированы для мобильных устройств.

albedobase2-xl — модель генерации изображений по текстовому описанию, опубликованная GraydientPlatformAPI на Hugging Face. Карточка модели включена в категорию text-to-image, а метаданные указывают на использование Diffusers и StableDiffusionXLPipeline. Модель предназначена для создания изображений по текстовым запросам. Репозиторий использует формат safetensors и распространяется по лицензии OpenRAIL. Данных о конкретном размере, поддерживаемых языках, длине контекста и специальных сильных сторонах в использованных источниках нет.

AltDiffusion-m9 — модель генерации изображений по тексту, разработанная командой FlagAI на основе Stable Diffusion с мультиязычным текстовым кодировщиком AltCLIP-m9. Она предназначена для создания изображений по запросам на девяти языках: английском, китайском, испанском, французском, русском, японском, корейском, арабском и итальянском. В состав модели входят U-Net на 865 млн параметров, текстовый кодировщик AltCLIP-m9 на 859 млн параметров и автоэнкодер на 83,7 млн параметров; модель распространяется в форматах Diffusers и PyTorch. Модель обучалась на данных WuDao и LAION и рассчитана на многоязычную привязку текстового запроса к изображению, сохраняя основные возможности исходной Stable Diffusion. Лицензия — CreativeML OpenRAIL-M. Результаты могут различаться в зависимости от языка запроса; README также отмечает, что одинаковые запросы на разных языках могут приводить к разным изображениям.

bonsai-image-binary-4B-mlx-1bit — компактная версия модели генерации изображений Prism ML для устройств Apple Silicon. Это диффузионный трансформер MMDiT на архитектуре FLUX.2 Klein 4B примерно с 4 млрд параметров в трансформерном блоке. Веса основных линейных слоёв представлены значениями −1 и +1 с групповым масштабированием FP16; некоторые вспомогательные тензоры сохранены в FP16. Размер трансформера составляет около 0,93 ГБ, а полный набор компонентов для развёртывания — 3,42 ГБ. Модель преобразует текстовые запросы в изображения и предназначена для локальной генерации на Mac, iPhone и iPad, а также для приватных и ресурсоограниченных сценариев. Рекомендуются sampler FlowMatch-Euler на 4 шагах, guidance 1.0 и разрешение 1024×1024; поддерживаются соотношения сторон с размерами, кратными 32. README приводит показатели скорости для iPhone 17 Pro Max и M4 Pro. Лицензия — Apache-2.0. Качество зависит от запроса и рабочего процесса: точность мелкого текста, деталей, количества объектов и строгой композиции требует проверки под конкретную задачу. Бинарная версия не идентична FP16 FLUX.2 Klein 4B; для Apple Silicon используется путь MLX, а для CUDA указана сопутствующая реализация на Gemlite.

Canter — предварительная модель генерации изображений по тексту, созданная независимым разработчиком data-archetype. Модель ориентирована на эффективную генерацию фотографических изображений: природных сцен, людей, предметов и мест. В репозитории есть денойзер на основе flow matching, токенизатор и веса SmolLM2-360M для текстового кондиционирования; для декодирования изображений используется VAE DINAC-AE-D2. Модель содержит 2 млрд параметров и распространяется в формате safetensors, основные веса чекпойнта хранятся в bfloat16. Canter можно использовать для генерации изображений по текстовым описаниям через Python API, веб-интерфейс Gradio или узлы ComfyUI. README называет текущий чекпойнт предварительным выпуском и предупреждает, что модель всё ещё обучается, поведение и чекпойнты могут меняться, а качество генерации пока нестабильно. Веса, архитектура, код и документация распространяются по лицензии ModelGo Attribution-ShareAlike License 2.0 с требованиями атрибуции, раскрытия исходного кода и share-alike; включённая часть SmolLM2 лицензирована Apache 2.0, а VAE — по лицензии его репозитория.

Clark Labs разработала Clark Air — вариант Sana 1.6B для генерации изображений по тексту. Это готовый конвейер Diffusers: трансформерный блок Sana с тернарными весами {-1, 0, +1} упакован в GemLite INT2, текстовый энкодер Gemma-2 сжат до NF4 средствами bitsandbytes, а VAE DC-AE использует bf16. Репозиторий содержит все компоненты и занимает около 3,2 ГБ; также доступен отдельный файл трансформера для подключения к существующему конвейеру Sana. Модель предназначена для создания изображений по текстовым описаниям. Квантование сокращает размер трансформера примерно до 519 МБ вместо около 9 ГБ в fp16, что позволяет экономнее расходовать память GPU. Для запуска требуются NVIDIA CUDA GPU, Diffusers версии 0.38 или новее и зависимости GemLite и bitsandbytes; загрузка пользовательского компонента требует включить trust_remote_code. README описывает англоязычный пример запроса, но не устанавливает полный перечень поддерживаемых языков. Условия лицензии в предоставленных данных не приведены.

Controlnet-Canny-SDXL-1.0 — модель ControlNet для Stable Diffusion XL, разработанная xinsir и дообученная на базе stabilityai/stable-diffusion-xl-base-1.0. Она предназначена для генерации изображений по текстовому описанию с управлением композицией и структурой через карту границ Canny, что подходит для иллюстраций, дизайна, концепт-артов, рекламной и предметной визуализации, а также других задач рисования. Модель работает в связке с пайплайном StableDiffusionXLControlNetPipeline и ориентирована на генерацию изображений высокого разрешения, оптимально около 1024×1024 или других поддерживаемых разрешений. В README указано обучение более чем на 10 миллионах отфильтрованных и снабжённых описаниями изображений с применением аугментации данных, нескольких функций потерь и обучения на разных разрешениях. Поддерживаются текстовая модальность и визуальное условие в виде Canny-карты; конкретный набор языков не указан. Для аниме-примеров рекомендуется использовать базовую модель CounterfeitXL. Сильные стороны модели — управление геометрией и композицией изображения по контурам, генерация детализированных сцен и совместимость с экосистемой Diffusers и SDXL. Ограничения включают зависимость от подходящей базовой модели, качества входной карты границ и текстового запроса; заявленные характеристики превосходства над другими моделями приведены авторами README и не подтверждены независимыми тестами. Модель распространяется по лицензии Apache-2.0.

Flux.1 Lite 8B Alpha — экспериментальная модель генерации изображений по текстовым описаниям, разработанная Freepik на основе FLUX.1-dev от Black Forest Labs. Это трансформерная модель с 8 млрд параметров, дистиллированная из FLUX.1-dev; веса доступны в формате safetensors для Diffusers. По данным разработчика, она использует на 7 ГБ меньше оперативной памяти и работает на 23% быстрее исходной модели при сохранении точности bfloat16. Для генерации рекомендуется guidance_scale 3.5 и 22–30 шагов. Модель предназначена для создания изображений по текстовым запросам и доступна как alpha-версия. README описывает применение в ComfyUI и генераторе Freepik. Языки запросов в предоставленных материалах не перечислены. Веса выпущены по некоммерческой лицензии FLUX.1 [dev] от Black Forest Labs, поэтому коммерческое использование ограничено условиями этой лицензии.