IV.1Ритейл, электронная коммерция и fashion-tech

HunyuanDiT v1.2 — предварительно обученная модель Tencent для генерации изображений по текстовым описаниям, опубликованная в формате Diffusers. Это Diffusion Transformer с поддержкой генерации в нескольких разрешениях; авторы подчёркивают детальное понимание китайских текстовых запросов и показывают сценарии с китайскими элементами и длинными описаниями. Модель предназначена для создания изображений по текстовым промптам. README описывает сравнительную оценку по соответствию запросу, заметности артефактов, чёткости объектов и эстетике, но не приводит здесь численные результаты. Репозиторий содержит веса в форматах Diffusers и safetensors. Метаданные указывают английский язык, тогда как README отдельно заявляет поддержку детального понимания китайского; сведений о других языках нет. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

martintomov/Hyper-FLUX.1-dev-gguf — это модель генерации изображений по текстовому описанию в формате GGUF. Она представляет собой прямую конвертацию black-forest-labs/FLUX.1-dev, объединённую с ByteDance/Hyper-Flux из семейства Hyper-SD. Автором конвертации указан пользователь Hugging Face @city96, а данная публикация размещена martintomov. Модель предназначена для text-to-image сценариев и может использоваться для генерации изображений на основе текстовых промптов. Файлы рассчитаны на работу с пользовательским узлом ComfyUI-GGUF; в README также указано, что их следует размещать в каталоге ComfyUI/models/unet. Архитектура, число параметров, поддерживаемые языки, размер контекста и точные модальности в README не раскрыты. К потенциальным ограничениям относятся зависимость от совместимой конфигурации ComfyUI и отсутствие в предоставленных данных подробных сведений о качестве, производительности и требованиях к оборудованию. Модель распространяется по лицензии flux-1-dev-non-commercial-license; указан тип лицензии other и ссылка на файл LICENSE.md.

Карточка модели Yeahjeheneh/InstantID на Hugging Face совпадает с карточкой InstantX/InstantID, поэтому описание составлено по ней. InstantID — метод генерации изображений с сохранением личности по одному исходному изображению, разработанный командой InstantX. Он предназначен для создания изображений человека с заданным текстовым описанием и сохранением его идентичности, а также для связанных сценариев генерации. Метод не требует дообучения для использования и рассчитан на работу в библиотеке Diffusers с компонентами ControlNet и IP-Adapter. Качество сходства и следование текстовому запросу зависят от настроек силы IdentityNet и Adapter; разработчики также отмечают, что для более реалистичного результата может потребоваться подходящая базовая модель. Репозиторий распространяется по лицензии Apache-2.0.

24aittl/klein-9b-outpaint — объединённый чекпойнт для расширения изображений за их исходные границы (outpainting), созданный на базе FLUX.2 [klein] 9B от Black Forest Labs. Веса LoRA outpaint_lora.safetensors слиты с базовой моделью методом Diffusers fuse_lora() с весом 1.0. Модель предназначена для редактирования изображений с помощью генерации содержимого за пределами исходного кадра. Базовая FLUX.2 [klein] 9B поддерживает генерацию изображений по тексту и редактирование с референсами; этот чекпойнт ориентирован на outpainting. Метаданные указывают поддержку задач text-to-image и image-to-image, однако README не уточняет точные требования к промптам или рабочему процессу расширения. Репозиторий содержит формат Diffusers и файлы safetensors. Для модели указана лицензия other; README уточняет, что применяются некоммерческая лицензия FLUX и требования допустимого использования базовой модели. Число параметров, контекст и поддерживаемые языки в предоставленных данных не описаны.

KBlueLeaf/kohaku-v2.1 — модель генерации изображений по текстовому описанию, опубликованная разработчиком KBlueLeaf на Hugging Face. Репозиторий оформлен как Diffusers StableDiffusionPipeline и содержит компоненты диффузионной модели, включая UNet, текстовый энкодер и VAE. Модель предназначена для создания изображений по текстовым промптам и запускается через Diffusers. Карточка показывает пример генерации изображения и лицензию CC BY-NC-ND 4.0. Специальные сведения о размере архитектуры, поддерживаемых языках промптов и контексте в карточке отсутствуют; пустой README не описывает дополнительные характеристики модели.

LongCat-Image-GGUF — квантованная версия LongCat-Image в формате GGUF, разработанного командой Meituan LongCat. Это двуязычная китайско-английская foundation-модель для генерации изображений по текстовому описанию. Вариант предназначен для локального и более доступного по ресурсам развертывания, в том числе в ComfyUI; файлы для ComfyUI находятся в папке comfy. Модель содержит около 6 миллиардов параметров и ориентирована на эффективное сочетание качества и размера. Ключевые заявленные преимущества — фотореалистичная генерация, высокая точность и стабильность отображения китайских иероглифов, а также широкое покрытие китайского словаря. Поддерживаемые языки — китайский и английский; задача относится к text-to-image. Сведения об архитектуре, размере контекста, конкретных вариантах квантования и поддержке других модальностей в README не указаны. Модель подходит для создания изображений по текстовым промптам, особенно когда важны китайские надписи, двуязычная работа и фотореалистичный результат. Ограничения и результаты независимых оценок подробно не приведены, поэтому требования к оборудованию, скорость работы и качество в конкретных сценариях следует проверять отдельно. Указана лицензия Apache 2.0.

Longcat-Image-Turbo — модель генерации изображений по текстовому описанию, опубликованная пользователем byliutao. Это версия Longcat-Image, дистиллированная методом Continuous-Time Distribution Matching (CDM) для генерации за малое число шагов диффузии; в README приведён пример примерно с четырьмя вычислениями модели (NFE). Репозиторий содержит веса в формате Diffusers и Safetensors, а метаданные указывают библиотеку Diffusers и лицензию MIT. Модель предназначена для быстрого преобразования текстовых запросов в изображения. CDM использует непрерывную оптимизацию и динамическое расписание времени для согласования текстовых условий и распределения изображений. README не приводит сведения о размере модели, поддерживаемых языках, разрешении или ограничениях качества; для запуска предлагается обратиться к репозиторию проекта.

SXZ Luma 0.98 VAE — модель семейства Stable Diffusion в формате Diffusers, опубликованная пользователем Yntec. Репозиторий содержит вариант fp16 без EMA; метаданные указывают задачу генерации изображений по текстовому запросу и файлы в форматах PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым описаниям. Она распространяется по лицензии CreativeML OpenRAIL-M, условия которой регулируют допустимое использование и распространение модели и её результатов. Карточка сообщает о варианте VAE, но не приводит дополнительных сведений о его характеристиках или качестве.

Mann-E Dreams — модель генерации изображений на основе Stable Diffusion XL от стартапа Mann-E из Ирана. По карточке, её разработали основатель Muhammadreza Haghiri и команда из четырёх человек, используя тысячи изображений, созданных Midjourney, для обучения модели создавать качественные изображения. Модель предназначена для генерации изображений по текстовым описаниям. В карточке рекомендованы 6–10 шагов, CFG Scale 2–4 и разрешения 768×768 или 832×832; авторы заявляют о высокой скорости генерации. Для работы подходят LoRA для SDXL 1.0, ControlNet, IP-Adapter и InstantID. В карточке модель названа «mostly uncensored» и протестирована с Automatic1111. Репозиторий распространяется в формате Diffusers и Safetensors по лицензии MIT.

argmaxinc/mlx-stable-diffusion-3.5-large — версия Stable Diffusion 3.5 Large, опубликованная argmaxinc и предназначенная для генерации изображений по текстовым запросам. Модель основана на Stability AI/stable-diffusion-3.5-large и распространяется в формате safetensors для использования с библиотекой DiffusionKit. Модель подходит для создания иллюстраций, концепт-арта и других изображений по текстовому описанию. В карточке указана поддержка английского языка. Исходная Stable Diffusion 3.5 Large использует архитектуру MMDiT; метаданные этой версии не уточняют размер модели или длину контекста. Лицензия обозначена как other, поэтому перед использованием следует проверить её условия на странице модели.

Это 4-битная квантованная версия Stable Diffusion 3.5 Large, подготовленная Argmax для запуска через DiffusionKit MLX. Веса линейных слоёв архитектуры MMDiT квантованы с помощью nn.quantize; модель предназначена для создания изображений по текстовым запросам. Базовая модель разработана Stability AI и поддерживает генерацию изображений по тексту, в том числе для дизайна и художественных проектов. Модель принимает текст и выдаёт изображения. В метаданных указан английский язык. README описывает запуск через библиотеку DiffusionKit в среде Python 3.11. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверять с лицензией базовой модели и репозитория. Квантование снижает точность весов относительно исходной версии; другие ограничения в предоставленных данных не описаны.

MobileViT-XS — компактная модель классификации изображений, разработанная Sachin Mehta и Mohammad Rastegari и впервые опубликованная в репозитории Apple. Архитектура сочетает свёрточные блоки в стиле MobileNetV2 с блоками Transformer, которые обрабатывают глобальные связи между участками изображения. В модели около 2,3 млн параметров; она предобучена на ImageNet-1k с изображениями размером 256×256. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet и подходит для сценариев, где важны небольшой размер и низкая задержка, включая мобильные приложения. Для MobileViT-XS указана точность top-1 74,8% и top-5 92,3% на ImageNet. При использовании следует учитывать требования к подготовке изображения: входные пиксели в порядке BGR, нормализация в диапазон [0, 1], изменение размера и центральное кадрирование. Лицензия — Apple Sample Code License.

Nori-30M — табличная модель Synthefy примерно с 29,2 млн параметров, представленная как вариант семейства Nori. Она предназначена для регрессии по структурированным данным: модель получает несколько размеченных строк в контекст и предсказывает значения для новых строк за один прямой проход, без отдельного обучения или дообучения под каждую задачу. Модель обучена исключительно на синтетических данных и распространяется в формате PyTorch через библиотеку synthefy-nori. В README приведены результаты на 96 регрессионных задачах из наборов TabArena, TALENT и OpenML; по заявлению авторов, вариант 30M превосходит базовый Nori примерно с 6 млн параметров на каждом из этих наборов. Модель рассчитана на таблицы малого и среднего размера. Плотное внимание между строками имеет сложность O(N²), поэтому практический размер контекста ограничен, а на больших таблицах модель уступает лучшим базовым решениям. Лицензия — Apache-2.0.

Openjourney v2 — модель генерации изображений по текстовому описанию, созданная PromptHero и дообученная на более чем 60 тысячах изображений Midjourney. Она основана на Stable Diffusion 1.5 и предназначена для создания изображений в эстетике Midjourney по текстовым запросам; добавлять маркер стиля «mdjrny-v4» для этого не требуется. В карточке указаны обучение в течение 4500 шагов и трёх эпох, а также форматы Diffusers и PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M. README описывает репозиторий как тестирование первой тонко настроенной версии Openjourney, поэтому качество и область применения следует оценивать с учётом этого статуса.

Overall V1 — модель генерации изображений по текстовому описанию от OpenSkyML. Она дообучена методом DreamBooth на базе Stable Diffusion 1.5 и предназначена для создания изображений по текстовым запросам. Модель распространяется в форматах Diffusers, ONNX, PyTorch и Safetensors. В карточке указана Overall License; её условия следует проверить перед использованием.

PhoneLLM Alpha 1 — открытая языковая модель команды Pipecat, предназначенная для телефонных голосовых агентов. Это полноразмерный fine-tune NVIDIA Nemotron 3 Nano 30B-A3B: гибридная архитектура Mamba-Transformer с mixture-of-experts, около 30 млрд параметров и 3,5 млрд активных параметров. Метаданные репозитория указывают 1,9 млрд параметров; опубликованный размер модели в README и метаданных расходится. Модель принимает текст и выдаёт текст, включая ответы диалога и вызовы инструментов; в голосовом сценарии её используют вместе с отдельными системами распознавания речи и синтеза речи. Заявленная длина контекста — 262 144 токена, основной язык карточки — английский. Модель обучена для быстрых многошаговых разговоров и точного вызова инструментов без включённого режима рассуждений. Её предлагают для входящих и исходящих звонков в клиентской поддержке финансовых, медицинских, розничных и гостиничных организаций. Разработчики сообщают о результатах PhoneBench, сопоставимых или превосходящих многие модели для производственных голосовых агентов, но эти сравнительные заявления основаны на их собственном бенчмарке. Репозиторий распространяется по лицензии BSD-2-Clause без коммерческих ограничений.

Pipecat PhoneLLM Alpha 1 NVFP4 — открытая квантизованная версия модели PhoneLLM Alpha 1, разработанная командой Pipecat на основе работ NVIDIA Nemotron. Модель предназначена для низколатентных голосовых агентов и многошаговых диалоговых сценариев; в связке с системами распознавания речи и синтеза речи может использоваться для обслуживания входящих звонков в финансовой сфере, здравоохранении, розничной торговле и гостиничном бизнесе, а также для типовых исходящих звонков. Поддерживаются английский язык, генерация текста, вызов инструментов и function calling. Модель использует гибридную архитектуру Mamba-Transformer с mixture-of-experts: всего около 30 млрд параметров, из которых при обработке активны 3,5 млрд. Веса представлены в формате NVFP4 с размером группы 16; релиз ориентирован на нативное выполнение на GPU NVIDIA Blackwell и протестирован на одном NVIDIA B200. Максимальная длина контекста в конфигурации составляет 65 536 токенов, при этом PhoneBench тестировался на последовательностях до 32 768 токенов. Рекомендуется использовать BF16 для KV-кэша: это почти сохраняет качество исходной BF16-модели, хотя уменьшает доступную ёмкость KV-кэша примерно на 40,2% по сравнению с FP8. Сильные стороны модели — специализация на голосовых агентских задачах, поддержка многоходовых разговоров, инструментов и function calling, открытые веса, низкая ожидаемая стоимость и задержка, а также эффективное NVFP4-выполнение на совместимом оборудовании. Ограничения включают узкую специализацию по сравнению с универсальными LLM, отсутствие в README подтверждения поддержки других языков, зависимость от NVIDIA Blackwell и проверенного стека vLLM, необходимость отключать thinking и задавать temperature=0 для воспроизводимого качества, а также требование trust remote code. Модель распространяется по лицензии BSD 2-Clause; для производного релиза также указаны лицензия и атрибуция NVIDIA Nemotron.

PixArt-900M-DiT v0.1 — экспериментальная модель генерации изображений по текстовому описанию, созданная Tian Ye и Peijie Dong из ROAS/DSA, HKUST-GZ. Это трансформерная модель DiT примерно на 900 млн параметров, дообученная на крупном наборе изображений высокого качества, сопоставленных с предпочтениями людей. Она использует тот же VAE и текстовый энкодер, что и PixArt-Sigma, поэтому для её применения достаточно заменить трансформер в соответствующем конвейере. Модель предназначена для создания изображений по текстовым запросам. В карточке не перечислены поддерживаемые языки запросов и конкретные параметры генерации. Лицензия — Apache-2.0. Автор отмечает экспериментальный статус модели.

Qwen3.5-2B-rk3588 — аппаратно оптимизированный порт мультимодальной модели Qwen3.5-2B, разработанный Q-engineering для работы на NPU Rockchip RK3588 и RK3588S. Модель предназначена для сценариев edge AI и встраиваемых систем, где требуется анализ изображений и генерация текстовых ответов непосредственно на устройстве, например для описания изображений и задач image-text-to-text. Модель использует архитектуру Vision-Language Transformer и состоит из языковой части объёмом 2B параметров и vision encoder. Языковая модель представлена в квантизации W8A8, vision encoder работает в FP16. Поддерживается обработка изображений с разрешением 448 × 448. Для запуска требуются RKNPU2, RKLLM версии 1.3.0, RKNN и OpenCV; заявленная реализация использует runtime RKLLM и RKNN. В тестах на RK3588 указано потребление около 2,9 ГБ RAM и производительность до 11 токенов в секунду, при этом время запуска зависит от холодного или тёплого старта. Сильными сторонами модели являются аппаратное ускорение на совместимых Rockchip-платформах, сочетание визуального и языкового ввода и относительно низкие требования к памяти для мультимодальной модели. Ограничения включают зависимость от конкретного оборудования и программного стека Rockchip, фиксированное указанное разрешение изображений, а также отсутствие в предоставленных данных сведений о поддерживаемых языках, размере контекстного окна и лицензии.

Real-ESRGAN-x4plus — модель суперразрешения изображений, разработанная на основе архитектуры Real-ESRGAN-x4plus и оптимизированная Qualcomm для устройств на базе чипсетов Qualcomm. Исходная реализация основана на проекте Real-ESRGAN. Модель предназначена для увеличения разрешения изображений с минимальной потерей качества и может применяться в сценариях обработки изображений непосредственно на мобильных, периферийных и других устройствах Qualcomm. Модель принимает входные изображения размером 128×128 и выполняет увеличение разрешения в 4 раза. Она содержит 16,7 млн параметров; размер float-версии составляет 63,9 МБ, а квантованной w8a8-версии — 16,7 МБ. Доступны варианты для ONNX, QNN_DLC и TFLITE, с вычислениями в float или w8a8. Поддерживаются экспорт пользовательских конфигураций, включая собственные веса, формы входных данных, целевые устройства и среды выполнения. README не указывает языки или дополнительные модальности; модель работает с изображениями. Сильные стороны модели — более мощная архитектура по сравнению с Real-ESRGAN-general-x4v3, поддержка аппаратного ускорения на NPU и наличие готовых экспортированных файлов для широкого набора устройств Qualcomm. Ограничения включают фиксированный указанный размер входа и зависимость производительности и потребления памяти от конкретного чипсета, runtime и точности. Модель распространяется по лицензии BSD-3-Clause.

softwareweaver/Sdxl-Turbo-Olive-Onnx — модель генерации изображений по текстовому описанию в формате ONNX, оптимизированная с помощью Olive для DirectML. По названию репозитория она основана на SDXL Turbo. Карточка указывает, что модель предназначена для некоммерческого использования; для коммерческого использования требуется лицензия Stability AI. Метаданные связывают её с Diffusers и английским языком. Другие характеристики, включая размер и длину контекста, не приведены.

Solari — компактная мультимодальная модель Cubex11 для понимания изображений и ответов на вопросы о них. Она основана на SmolVLM2-500M-Video-Instruct и дообучена методом QLoRA с Direct Preference Optimization на предпочтениях из датасета RLAIF-V, чтобы уменьшить выдумывание объектов и деталей в описаниях. Модель насчитывает около 500 млн параметров; карточка указывает архитектуру SmolVLM2 с визуальным энкодером ViT, языковым декодером и мультимодальным проектором. Она принимает изображения и текстовые запросы и формирует текстовые ответы на английском языке. Solari предназначена для описания сцен, визуальных вопросов и задач доступности, например для помощи незрячим пользователям. По данным карточки, она улучшила результаты на большинстве приведённых бенчмарков, связанных с галлюцинациями, но стала слабее в точном подсчёте объектов и пространственных отношениях; ёмкость в 500 млн параметров также ограничивает сложные рассуждения. Модель не предназначена для медицинских и иных критически важных решений без дополнительной проверки. Лицензия — Apache-2.0.

Карточка модели AndrewDavidJ/stable-diffusion-2-1 на Hugging Face совпадает с карточкой sd2-community/stable-diffusion-2-1, поэтому описание составлено по ней. Stable Diffusion 2.1 — модель генерации и редактирования изображений по текстовому описанию, разработанная Robin Rombach и Patrick Esser. Этот репозиторий — зеркало устаревшего репозитория Stability AI и не связан с этой организацией. Модель основана на Stable Diffusion 2 и дообучена: сначала на 55 тысячах шагов с параметром punsafe=0,1, затем ещё на 155 тысячах шагов с punsafe=0,98. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Она принимает текстовые запросы на английском языке и создаёт или изменяет изображения; запуск доступен через Diffusers. Лицензия — CreativeML Open RAIL++-M License (OpenRAIL++). Модель может быть полезна для художественной генерации, дизайна и творческих инструментов. Она не обеспечивает идеальный фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Качество запросов на языках, отличных от английского, ниже; модель также наследует смещения обучающих данных LAION и может выдавать вредный, стереотипный или нежелательный контент.

Stable Diffusion 2.1 Base — модель генерации и редактирования изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H; она дообучена на базе Stable Diffusion 2 Base ещё на 220 тысячах шагов. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Модель предназначена для создания иллюстраций, художественных изображений и визуальных материалов для дизайна, а также для творческих и образовательных инструментов. Лучше всего работает с запросами на английском языке. Лицензия CreativeML Open RAIL++-M (OpenRAIL++); карточка описывает модель как предназначенную для исследований и перечисляет ограничения на использование. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные композиции; лица и люди могут получаться некорректно. Результаты для запросов не на английском языке обычно хуже. Обучающие данные содержали изображения для взрослых, насилие и сексуальный контент, частично отфильтрованные детектором NSFW; модель может воспроизводить социальные предубеждения.

Manojb/stable-diffusion-2-base — репозиторий модели Stable Diffusion 2-base, разработанной Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, которая создаёт и изменяет изображения по текстовым запросам; для понимания текста использует предварительно обученный энкодер OpenCLIP-ViT/H. В README описано обучение на разрешениях 256×256 и 512×512 на отфильтрованной подвыборке LAION-5B. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Модель подходит для генерации иллюстраций, художественных изображений и материалов для дизайна, а также для изучения возможностей и ограничений генеративных моделей. Лучше работает с английскими запросами. Она может ошибаться в деталях композиции и лиц, не обеспечивает безупречный фотореализм и плохо создаёт читаемый текст на изображениях; обучение на англоязычных описаниях также ограничивает качество и разнообразие результатов на других языках. Разработчики предупреждают о смещениях обучающих данных и потенциально вредном содержимом. Лицензия CreativeML Open RAIL++-M устанавливает ограничения на использование и распространение.

Карточка модели PeggyWang/stable-diffusion-2-base на Hugging Face совпадает с карточкой Manojb/stable-diffusion-2-base, поэтому описание составлено по ней. Manojb/stable-diffusion-2-base — репозиторий модели Stable Diffusion 2-base, разработанной Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, которая создаёт и изменяет изображения по текстовым запросам; для понимания текста использует предварительно обученный энкодер OpenCLIP-ViT/H. В README описано обучение на разрешениях 256×256 и 512×512 на отфильтрованной подвыборке LAION-5B. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Модель подходит для генерации иллюстраций, художественных изображений и материалов для дизайна, а также для изучения возможностей и ограничений генеративных моделей. Лучше работает с английскими запросами. Она может ошибаться в деталях композиции и лиц, не обеспечивает безупречный фотореализм и плохо создаёт читаемый текст на изображениях; обучение на англоязычных описаниях также ограничивает качество и разнообразие результатов на других языках. Разработчики предупреждают о смещениях обучающих данных и потенциально вредном содержимом. Лицензия CreativeML Open RAIL++-M устанавливает ограничения на использование и распространение.

Карточка модели jdjkdjd/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 ysh0708/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.

SwimV2 — модель компьютерного зрения на архитектуре Swin-Tiny, разработанная путём дообучения microsoft/swin-tiny-patch4-window7-224 на наборе данных в формате imagefolder. Она предназначена для классификации изображений; карточка сообщает значение loss 0,0290 на оценочной выборке, но не описывает состав классов и методику оценки. Модель содержит около 33 млн параметров и распространяется в формате safetensors через библиотеку Transformers. Модель подойдёт для классификации изображений в задачах, соответствующих обучающему набору данных. Базовая Swin-Tiny классифицирует изображения по 1000 классам ImageNet-1k, однако карточка SwimV2 не подтверждает, что для этой версии сохранён тот же набор классов. Лицензия — Apache-2.0.

T2I-Adapter-SDXL Lineart — адаптер Tencent ARC и Hugging Face для генерации изображений с помощью Stable Diffusion XL Base 1.0. Он принимает текстовый запрос и изображение с линейным рисунком, используя линии как дополнительное условие для управления композицией и формами результата. Модель основана на диффузионной архитектуре; размер адаптера составляет около 77–79 млн параметров, а базовая модель SDXL — 2,6 млрд параметров. Адаптер предназначен для преобразования эскизов и линейных изображений в готовые иллюстрации с сохранением их структуры. Для работы требуется совместимый чекпойнт SDXL. Поддерживаемый в карточке язык — английский. Модель распространяется по лицензии Apache 2.0.