IV.1Ритейл, электронная коммерция и fashion-tech

CyberRealistic v3.2 — модель генерации изображений по текстовому описанию, опубликованная под именем stablediffusionapi и предназначенная для использования через API ModelsLab. В карточке приведён пример запроса с положительным и отрицательным промптами; модель ориентирована на фотореалистичные портреты и киберпанк-сцены. Пример показывает настройку размера изображения, числа шагов генерации, guidance scale, seed и дополнительных параметров, включая подключение LoRA и эмбеддингов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Указанная лицензия — CreativeML OpenRAIL-M.

Карточка модели flax-community/dalle-mini на Hugging Face совпадает с карточкой apol/dalle-mini, поэтому описание составлено по ней. DALL·E mini — модель генерации изображений по текстовому описанию, созданная как упрощённая открытая попытка воспроизвести OpenAI DALL·E. Она объединяет энкодер на основе BART, преобразующий токены текста в последовательность кодов изображения, и декодер на основе VQGAN, который превращает эти коды в пиксели. Модель содержит 252,8 млн параметров, построена на Flax/JAX и распространяется в формате Flax; для работы декодера требуется отдельная модель flax-community/vqgan_f16_16384. Модель предназначена для создания изображений по текстовым запросам. По сравнению с OpenAI DALL·E качество результатов ниже, зато модель проще и может обучаться и запускаться на менее мощном оборудовании. В карточке описаны англоязычные запросы и контекст до 1024 токенов. Лицензия в предоставленных данных не указана.

Карточка модели gligen/diffusers-generation-text-box 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.

rafacost/DreamOmni2-7.6B-GGUF — это квантованная модель в формате GGUF, представляющая прямую конвертацию DreamOmni2-7.6B, разработанной xiabs. Конверсию выполнил rafacost. Модель относится к классу image-to-image и основана на DreamOmni2, предназначенной для мультимодального редактирования и генерации изображений по инструкциям. Модель рассчитана на сценарии генерации и редактирования изображений с использованием мультимодальных инструкций. Для запуска предусмотрена интеграция с ComfyUI через пользовательские узлы проекта DreamOmni2-GGUF; файлы модели размещаются в каталоге ComfyUI/models/unet, а LoRA — в ComfyUI/models/loras. Квантование в формате GGUF может снизить требования к ресурсам по сравнению с исходной моделью, однако конкретный тип квантования и системные требования в README не указаны. В доступных данных не указаны точная архитектура, размер контекста, поддерживаемые языки, перечень модальностей и количественные результаты оценки. Лицензия указана как Apache-2.0, при этом для конвертированной модели сохраняются исходные условия лицензирования и ограничения использования базовой модели.

FLUX.1-Fill-dev-GGUF — квантованное представление модели FLUX.1-Fill-dev, разработанной Black Forest Labs и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена для генерации изображений по текстовому описанию и сценариев заполнения или редактирования изображений, связанных с FLUX.1-Fill-dev. Доступны варианты с квантованием Q2_K, Q3_K, Q4_0, Q4_1, Q4_K, Q5_0, Q5_1 и Q8_0 размером примерно от 4,16 до 12,8 ГБ, а также версия F16 в формате Safetensors размером 23,8 ГБ. Отдельно предоставляется компонент VAE ae.safetensors размером 335 МБ. README не содержит сведений об архитектуре, размере исходной модели, поддерживаемых разрешениях, длине контекста или полном наборе модальностей; указан язык en. Ключевое преимущество модели — широкий выбор уровней квантования для подбора компромисса между размером файлов, требованиями к ресурсам и качеством. Ограничение состоит в том, что исходный комплект не включает T5, CLIP и ae, поэтому для запуска могут потребоваться дополнительные компоненты; заявленная интеграция с LlamaEdge-StableDiffusion на момент публикации обозначена как находящаяся в разработке. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть для некоммерческого использования.

Многоязычная модель Sentence Transformer, дообученная командой DISI — University of Bologna на базе BAAI/bge-m3 для сопоставления текстов с терминами классификатора пищевых продуктов FoodEx. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; сходство оценивается косинусной мерой. Архитектура состоит из XLM-RoBERTa и среднего пулинга токенов. Метаданные указывают контекст до 8194 токенов, однако в README задана максимальная длина последовательности 64 токена. Модель подходит для семантического поиска и ранжирования терминов FoodEx по описаниям продуктов, поиска похожих формулировок, кластеризации и классификации текстов. В обучающем наборе 553 000 примеров, а в README приведены высокие показатели cosine_accuracy на задаче поиска, но без полного описания оценки их нельзя напрямую переносить на другие данные. Репозиторий содержит веса safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных сведениях не указана.

Это 4-битная квантизированная и конвертированная в MLX версия Krea-2-Turbo, подготовленная автором MLXBits для локальной генерации изображений по текстовым описаниям на компьютерах Apple Silicon. Модель использует одно-поточный MMDiT-трансформер на 28 слоёв, текстовый энкодер Qwen3-VL-4B и VAE от Qwen-Image. Вариант Turbo дистиллирован для генерации изображения за 8 шагов. Снимок включает компоненты модели и хранится в формате safetensors, разделённом на части; повторная квантизация при запуске не требуется. 4-битный вариант занимает около 7 ГБ и экономит память по сравнению с 8-битной сборкой, но может уступать ей в точности изображения. Модель предназначена для работы через mflux на Apple Silicon. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Lexica Aperture V3.5 Community Edition — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Это бесплатная общественная модель, заявленная как похожая на платную Lexica Aperture V3.5; она распространяется для использования с библиотекой Diffusers и имеет формат весов Safetensors. Модель принимает текстовые запросы на английском, французском и русском языках и создаёт изображения. Она предназначена для генерации иллюстраций и других изображений по текстовому описанию. Размер модели и длина контекста в доступных данных не приводятся. Лицензия — CreativeML OpenRAIL-M.

MiniCPM-Llama3-V-2_5-GGUF — это GGUF-квантизованная версия мультимодальной модели MiniCPM-Llama3-V-2_5, разработанной openbmb и подготовленной к квантизации компанией Second State Inc. Модель предназначена прежде всего для задач visual question answering, то есть для ответов на вопросы по визуальному содержимому, и поддерживает английский и китайский языки. Доступны варианты с квантизацией от 2 до 8 бит, а также версия f16. Размер файлов составляет примерно от 3,18 до 16,1 ГБ. Вариант Q4_K_M позиционируется как сбалансированный по размеру и качеству, а Q5_K_M и Q5_K_S — как варианты с малой потерей качества. Модели квантизованы с использованием llama.cpp b3613. Архитектура исходной модели, число параметров, поддерживаемые модальности помимо визуальных входов и размер контекста в README не указаны. Главное преимущество набора — возможность выбрать компромисс между требованиями к памяти и качеством работы; низкобитные варианты занимают меньше места, но могут существенно терять качество. Для большинства сценариев README не рекомендует Q2_K, Q3 и некоторые legacy-варианты из-за заметной потери качества. Сведения о лицензии и условиях коммерческого использования отсутствуют.

MiniMax H3 — мультимодальная генеративная система компании MiniMax; этот репозиторий содержит её облегчённый вариант. Модель предназначена для создания видео со стереозвуком по тексту и мультимодальным входам: можно задавать изображения, видеоклипы и аудио как исходный материал или ориентир. Вход обрабатывается соответствующими текстовыми и визуальными кодировщиками и аудио-VAE, а H3 Omni Transformer совместно предсказывает видеокадры и аудио. Модель поддерживает ролики длительностью 4–15 секунд, различные соотношения сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет получить версию до 2K. Для сложных свободных мультимодальных запросов описан препроцессор H3-Context-IR, но он не входит в открытую поставку и предоставляется как размещённый сервис/API. В открытом выпуске используется полное внимание, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория.

PhotoMaker V2 — модель TencentARC для создания персонализированных изображений по одной или нескольким фотографиям лица и текстовому запросу. Она генерирует фотографии или стилизованные изображения без отдельного обучения пользователя и может применяться с базовыми моделями на основе SDXL. Модель включает дообученный энкодер OpenCLIP-ViT-H-14 со слоями объединения признаков и LoRA-адаптер ранга 64 для слоёв внимания UNet. Для работы с изображением лица и текстом используется библиотека Diffusers. В метаданных указаны английский язык и лицензия Apache-2.0. PhotoMaker V2 подходит для персонализированных портретов, фото и художественных изображений с заданным текстовым описанием. Среди известных ограничений — более слабая персонализация азиатских мужских лиц и трудности с точной отрисовкой рук; генерация изображений также может усиливать социальные предубеждения.

PIGReward — модель оценки пользовательских предпочтений для генерации изображений по текстовому описанию. Она основана на Qwen2-VL-7B-Instruct и предназначена для сравнения двух изображений с учётом запроса и контекста визуальных предпочтений пользователя. Модель выдаёт оценки по отдельным критериям, объяснение и выбор предпочтительного изображения. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и принимает текст вместе с изображениями. Размер контекста — 32 768 токенов. Она подходит для персонализированного ранжирования результатов text-to-image генерации; лицензия — Apache-2.0.

calcuis/pixart — это квантованная в формате GGUF версия модели PixArt-α/PixArt-Σ для генерации изображений по текстовому описанию. Модель основана на PixArt-alpha/PixArt-XL-2-1024-MS и предназначена для работы в ComfyUI с использованием gguf-node. Разработчик репозитория — calcuis; исходные модели связаны с проектом PixArt-alpha. Модель поддерживает сценарий text-to-image и рассчитана прежде всего на генерацию изображений размером 1024×1024 или 512×512. Для кодирования текста используется T5 XXL, поэтому модель может работать с короткими описаниями и предложениями, а не только с набором тегов. В представленном README указан английский язык. В комплекте предусмотрены квантованные компоненты: diffusion-модель размером около 1 ГБ, текстовый энкодер около 2,9 ГБ и VAE около 83,7 МБ. К сильным сторонам относятся относительно небольшой размер квантованных файлов, хорошее качество изображений и поддержка подробных текстовых запросов. Ограничения включают необходимость использования совместимого gguf-node и актуальной версии этого пакета, а также необходимость подбирать разрешение в соответствии с моделью. Контекстное окно, точные параметры архитектуры и требования к аппаратным ресурсам в README не указаны. Лицензия — OpenRAIL++.

Qwen-Image-2.1 mflux q4 — это конверсия модели Qwen/Qwen-Image-2.1, подготовленная mlx-community для запуска на компьютерах Apple с Apple silicon. Трансформер и текстовый энкодер Qwen3-VL хранятся в 4-битном формате MLX affine, а VAE использует компоновку Qwen Image 2.1 для mflux. Модель предназначена для генерации изображений по текстовому описанию; исходная модель также поддерживает редактирование изображений. Пакет создан из upstream-версии 790c926 с помощью mflux 0.20.0 и MLX 0.32.2. Размер пакета — около 8,9 ГБ. По результатам проверки на Mac Studio пиковое использование памяти составило 4,68 ГиБ при генерации 512×512 за 40 шагов и 5,14 ГиБ при генерации 1024×1024 за 4 шага. Для загрузки требуется изменённый загрузчик Rapid-MLX: стандартный mflux 0.20.0 не загружает этот пакет с квантизированным текстовым энкодером. Конверсия и исходная модель распространяются по лицензии Apache-2.0.

SirSahOl/Qwen-Image-mlx-16bit — преобразованный набор 16-битных весов диффузионной модели Qwen-Image для запуска через mflux на устройствах Apple Silicon. В основе — 60-блочная архитектура Diffusion Transformer Qwen/Qwen-Image-2512; общий размер конвейера с текстовым энкодером и VAE составляет около 8,2 млрд параметров. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации изображений по текстовым описаниям. 16-битная версия служит вариантом с полной точностью весов; для неё заявлено потребление около 72,6 ГБ памяти. Для использования требуется совместимая среда Apple Silicon и библиотека mflux. Лицензия — Tongyi Qianwen License.

Карточка модели amirsehaa72/Realistic_Vision_V4.0_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V4.0_noVAE, поэтому описание составлено по ней. Realistic Vision V4.0 noVAE — модель генерации изображений по текстовому описанию от автора SG161222. Она предназначена для создания реалистичных изображений; в карточке приведены рекомендуемые параметры генерации и негативные промпты, помогающие уменьшить анатомические дефекты и нежелательные стили. Метаданные указывают на использование StableDiffusionPipeline и форматы Diffusers и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. README рекомендует использовать сэмплеры Euler A или DPM++ SDE Karras и указывает диапазон CFG Scale 3,5–15; также приведены настройки для увеличения разрешения. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

Это репозиторий весов Sana 1600M в формате BF16 для генерации изображений по тексту через Diffusers; в названии также указана связка с ControlNet. Sana — семейство моделей, представленное разработчиками исходного проекта Sana. Карточка описывает систему генерации изображений высокого разрешения, а метаданные относят репозиторий к задаче text-to-image. Модель предназначена для создания изображений по текстовым запросам, включая изображения высокого разрешения. В README заявлены качество, соответствие изображения запросу, высокая скорость и возможность запуска на GPU ноутбука. Лицензия репозитория — MIT. В доступных материалах нет подтверждённых сведений о контекстном окне, поддерживаемых языках, точном назначении ControlNet-варианта или его требованиях к ресурсам.

SDXL-Turbo — модель генерации изображений по текстовому описанию, разработанная Stability AI. Репозиторий unsloth/sdxl-turbo — зеркало исходной модели с неизменёнными весами; Unsloth указывает, что условия лицензии совпадают с upstream. Модель основана на SDXL 1.0 Base и использует дистилляцию Adversarial Diffusion Distillation для генерации за один–четыре шага, включая режим одного прохода для быстрого создания изображений. Модель предназначена для быстрого прототипирования изображений, художественных и дизайнерских задач, а также творческих и образовательных инструментов. Она принимает текстовые запросы и выдаёт изображения; также описано применение для преобразования изображений. Предпочтительный размер генерации — 512×512 пикселей. Ограничения включают нестабильное качество лиц и людей, отсутствие надёжного рендеринга читаемого текста и несовершенный фотореализм. Модель не предназначена для достоверного изображения реальных людей или событий. В README указано, что возможны некоммерческое и коммерческое применение, однако для коммерческого использования предлагается отдельно свериться с условиями Stability AI; в метаданных лицензия обозначена как other.

Segmind-Vega — диффузионная модель генерации изображений по тексту, разработанная Segmind, Yatharth Gupta и Vishnu Jaddipal. Это компактная дистиллированная версия Stable Diffusion XL: по заявлению разработчиков, она примерно на 70% меньше исходной модели и обеспечивает вдвое более быструю генерацию при сохранении качества. Репозиторий предназначен для использования с библиотекой Diffusers и содержит веса в формате safetensors. Модель подходит для создания иллюстраций, концепт-арта и учебных визуальных материалов, а также для быстрых творческих экспериментов. При дистилляции использовались знания SDXL, ZavyChromaXL и JuggernautXL; среди обучающих данных названы GRIT и очищенная подборка изображений Midjourney. Разрешение обучения составляло 1024 пикселя. Модель может испытывать трудности с фотореалистичными изображениями людей, точным текстом внутри изображения и сложными композициями. Она не предназначена для достоверного изображения реальных людей, событий и фактов или задач, требующих высокой точности. Лицензия — Apache 2.0.

Карточка модели kp-forks/SSD-1B на Hugging Face совпадает с карточкой segmind/SSD-1B, поэтому описание составлено по ней. 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 — модель генерации изображений по тексту, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; версия 1.5 основана на весах Stable Diffusion v1.2 и дополнительно обучена на 595 тысячах шагов с разрешением 512×512 на данных LAION-Aesthetics v2 5+. Репозиторий содержит веса в формате Diffusers, PyTorch и Safetensors. Модель предназначена для создания и редактирования изображений по текстовым запросам, например для иллюстраций, дизайна и творческих инструментов. Лучше всего она работает с английскими подсказками. Лицензия CreativeML OpenRAIL-M задаёт ограничения на использование. Модель может ошибаться в деталях и фотореализме, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Результаты по неанглоязычным запросам слабее; обучающие данные содержат материалы для взрослых, а также возможна меморизация дублированных изображений. В карточке рекомендуется использовать Safety Checker из Diffusers и дополнительные меры безопасности для развёртывания.

Stable Diffusion v1-3 — модель латентной диффузии для генерации и изменения изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Она использует предварительно обученный текстовый энкодер CLIP ViT-L/14 и предназначена для творческих, дизайнерских и образовательных инструментов, а также исследований генеративных моделей. Чекпойнт основан на Stable Diffusion v1-2 и дообучен на 195 тысячах шагов при разрешении 512×512 с данными laion-improved-aesthetics; в репозитории представлены веса Diffusers, PyTorch и Safetensors. Модель лучше работает с английскими запросами. Она не всегда создаёт фотореалистичные изображения, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно. Обучающие данные включали взрослый контент, возможны смещения и запоминание изображений, поэтому для прикладного развёртывания важны меры безопасности. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование и распространение модели.

Карточка модели Ja-kir/stable-diffusion-v1-5 на Hugging Face совпадает с карточкой stable-diffusion-v1-5/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с предварительно обученным текстовым энкодером CLIP ViT-L/14. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; модель можно запускать через Diffusers и совместимые интерфейсы, например ComfyUI и AUTOMATIC1111. Модель подходит для создания иллюстраций и концептов, художественных и дизайнерских материалов, а также для изучения генеративных моделей. Она лучше работает с английскими запросами. Модель может ошибаться в фотореализме, композиции, изображении лиц и людей, а также обычно не создаёт разборчивый текст внутри изображений. Обучающие данные содержали взрослый контент, поэтому для безопасного применения важны фильтрация и дополнительные меры защиты; возможны смещения и запоминание дублированных изображений. Лицензия — CreativeML OpenRAIL-M. Карточка ограничивает применение исследованиями и описывает недопустимые сценарии использования, включая создание вредоносных или дискриминационных изображений. Репозиторий является зеркалом устаревшей карточки RunwayML и не связан с RunwayML.

Карточка модели Jinstudio/stable-diffusion-v1-5 на Hugging Face совпадает с карточкой stable-diffusion-v1-5/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с предварительно обученным текстовым энкодером CLIP ViT-L/14. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; модель можно запускать через Diffusers и совместимые интерфейсы, например ComfyUI и AUTOMATIC1111. Модель подходит для создания иллюстраций и концептов, художественных и дизайнерских материалов, а также для изучения генеративных моделей. Она лучше работает с английскими запросами. Модель может ошибаться в фотореализме, композиции, изображении лиц и людей, а также обычно не создаёт разборчивый текст внутри изображений. Обучающие данные содержали взрослый контент, поэтому для безопасного применения важны фильтрация и дополнительные меры защиты; возможны смещения и запоминание дублированных изображений. Лицензия — CreativeML OpenRAIL-M. Карточка ограничивает применение исследованиями и описывает недопустимые сценарии использования, включая создание вредоносных или дискриминационных изображений. Репозиторий является зеркалом устаревшей карточки RunwayML и не связан с RunwayML.

Карточка модели Lank1906/stable-diffusion-v1-5 на Hugging Face совпадает с карточкой stable-diffusion-v1-5/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с предварительно обученным текстовым энкодером CLIP ViT-L/14. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; модель можно запускать через Diffusers и совместимые интерфейсы, например ComfyUI и AUTOMATIC1111. Модель подходит для создания иллюстраций и концептов, художественных и дизайнерских материалов, а также для изучения генеративных моделей. Она лучше работает с английскими запросами. Модель может ошибаться в фотореализме, композиции, изображении лиц и людей, а также обычно не создаёт разборчивый текст внутри изображений. Обучающие данные содержали взрослый контент, поэтому для безопасного применения важны фильтрация и дополнительные меры защиты; возможны смещения и запоминание дублированных изображений. Лицензия — CreativeML OpenRAIL-M. Карточка ограничивает применение исследованиями и описывает недопустимые сценарии использования, включая создание вредоносных или дискриминационных изображений. Репозиторий является зеркалом устаревшей карточки RunwayML и не связан с RunwayML.

Карточка модели yangjiwoong1/stable-diffusion-v1-5 на Hugging Face совпадает с карточкой stable-diffusion-v1-5/stable-diffusion-v1-5, поэтому описание составлено по ней. Stable Diffusion v1.5 — модель генерации и редактирования изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с предварительно обученным текстовым энкодером CLIP ViT-L/14. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; модель можно запускать через Diffusers и совместимые интерфейсы, например ComfyUI и AUTOMATIC1111. Модель подходит для создания иллюстраций и концептов, художественных и дизайнерских материалов, а также для изучения генеративных моделей. Она лучше работает с английскими запросами. Модель может ошибаться в фотореализме, композиции, изображении лиц и людей, а также обычно не создаёт разборчивый текст внутри изображений. Обучающие данные содержали взрослый контент, поэтому для безопасного применения важны фильтрация и дополнительные меры защиты; возможны смещения и запоминание дублированных изображений. Лицензия — CreativeML OpenRAIL-M. Карточка ограничивает применение исследованиями и описывает недопустимые сценарии использования, включая создание вредоносных или дискриминационных изображений. Репозиторий является зеркалом устаревшей карточки RunwayML и не связан с RunwayML.

Switch-Reasoner-8B — разговорная визуально-языковая модель семейства Qwen3-VL, опубликованная пользователем fuyyy74 и доступная в формате safetensors для Transformers. По метаданным она принимает изображения вместе с текстом и формирует текстовые ответы; подходит для диалога по изображениям и задач визуального понимания. В README не приведены сведения о базовой модели, обучающих данных, методе обучения, оценке качества или лицензии, поэтому происхождение и условия использования установить нельзя.

ViViT-B/16x2 — модель семейства Video Vision Transformer, представленная в работе ViViT авторами Arnab и соавторами. Это видеорасширение архитектуры Vision Transformer; модель содержит 113,2 млн параметров и доступна в формате PyTorch. Она предназначена прежде всего для дообучения под задачи классификации видео и подходит как основа для распознавания действий и других категорий видеосцен. Модель принимает видео и выдаёт метки классов. Лицензия — MIT. В карточке указано, что для прикладной задачи модель обычно следует дообучить; подробности архитектуры приведены в научной статье.

frankjoshua/albedobaseXL_v13 — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face. Репозиторий содержит веса в формате Diffusers и Safetensors и предназначен для запуска через StableDiffusionXLPipeline. Модель принимает текстовый запрос и генерирует изображение. Доступные сведения подтверждают задачу text-to-image и совместимость с архитектурой Stable Diffusion XL; подробные характеристики обучения, размер модели, поддерживаемые языки и условия лицензии в карточке, использованной для анализа, не описаны.

CoTyle — модель генерации изображений со стилем, разработанная командой Kolors компании Kuaishou совместно с исследователями университетов Бэйхан и Южно-Китайского педагогического университета. Она предназначена для создания изображений по текстовому запросу и числовому коду стиля: код управляет воспроизводимым визуальным стилем, а текст задаёт содержание сцены. Метод использует дискретный словарь стилевых кодов, диффузионную модель text-to-image и авторегрессионный трансформер для моделирования распределения кодов. Для инференса предусмотрен ускоренный режим piFlow на четыре шага, который может снизить качество изображений; ускоренный режим также используется в Gradio-приложениях. Модель работает через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Лицензия — Apache-2.0.