IV.1Ритейл, электронная коммерция и fashion-tech

Xenova/segformer-b2-finetuned-ade-512-512 — это версия модели семантической сегментации изображений SegFormer, адаптированная для работы в Transformers.js и содержащая веса в формате ONNX. Модель основана на nvidia/segformer-b2-finetuned-ade-512-512; разработчик исходной модели — NVIDIA, а репозиторий Xenova предоставляет совместимое с Transformers.js представление весов. Модель предназначена для выделения и классификации областей на изображениях, например стен, зданий и других объектов или элементов сцены. Она используется через pipeline image-segmentation в JavaScript и подходит для выполнения сегментации в средах, поддерживающих Transformers.js. В выходных данных для каждого найденного класса возвращаются его метка и маска изображения; в README также указан размер входного изображения 512×512 в идентификаторе модели. Ключевые сведения об архитектуре SegFormer, размере B2, наборе классов ADE и поддерживаемых языках в README не раскрыты. Основные преимущества — формат ONNX и совместимость с Transformers.js, что упрощает применение модели в JavaScript-приложениях. Ограничения и точные показатели качества не указаны. Лицензия в предоставленных данных не приведена.

Модель shresthagarwal-Llama-3.2-1B-Instruct-LineItem-GGUF представляет собой набор GGUF-квантизированных версий instruct-модели shresthagarwal/Llama-3.2-1B-Instruct-LineItem. Исходную модель разработал пользователь или организация с идентификатором shresthagarwal, а квантизацию выполнила команда featherless-ai-quants. Модель относится к категории text-generation и предназначена для генерации текста в сценариях, поддерживаемых исходной instruct-моделью. В набор входят варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размер файлов варьируется примерно от 553,96 МБ до 1,26 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Формат GGUF ориентирован на локальный запуск в совместимом программном обеспечении, однако конкретные требования к оборудованию, максимальный контекст, архитектурные детали, модальности и поддерживаемые языки в README не указаны. Основное преимущество набора — наличие множества уровней квантизации для устройств с разными ресурсами. При этом README не содержит результатов тестирования, оценки качества, описания специализированных возможностей LineItem или ограничений исходной модели. Лицензия также не указана, поэтому условия коммерческого и иного использования следует уточнять в карточке исходной модели и в сопутствующих материалах.

StyleID — разработанный kwanY энкодер изображений на базе CLIP, обученный формировать векторные представления личности, устойчивые к стилизации. Модель предназначена для сравнения изображений людей и поиска совпадений при изменении художественного стиля. Её можно применять для оценки сходства личности, поиска изображений по идентичности, анализа результатов генерации и передачи идентичностных признаков в генеративные модели. Для работы автор README указывает библиотеку Transformers и Pillow. Модель рассчитана на изображения с одним хорошо различимым лицом: автор предупреждает не использовать её для изображений с несколькими лицами или слишком мелкими лицами. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Модель edumunozsala/bertin_base_sentiment_analysis_es — испаноязычный классификатор тональности, созданный Эдуардо Муньосом Салой. Это дообученная для классификации последовательностей модель RoBERTa на базе Bertin base, предобученной на испанской части mC4. Модель содержит около 151,8 млн параметров и принимает текст длиной до 514 токенов. Она предназначена прежде всего для определения тональности испанских отзывов о фильмах; автор отмечает, что её можно применять и к другим отзывам. Обучение проводилось на сбалансированном наборе примерно из 50 тысяч испаноязычных кинорецензий. В описании приведены accuracy 0,899 и F1 0,899. Модель выдаёт метки классификации текста. Она лицензирована по Apache-2.0. Результаты описаны для отзывов о фильмах, поэтому качество на других жанрах и тематиках может отличаться.

CC0_rebuild_attempt — модель генерации изображений по текстовому описанию от Pixel-Dust, основанная на архитектуре Stable Diffusion 1.5. Она создаёт художественные изображения по текстовым запросам; для обучения использовались изображения с лицензией CC0 и другими разрешительными условиями, а подписи к ним формировались разными методами с последующей ручной проверкой. Веса распространяются в форматах Diffusers, PyTorch и Safetensors. Модель подходит для творческих и дизайнерских проектов, учебных материалов и экспериментов с генеративной графикой. Обучающие изображения включали фотографии, иллюстрации и произведения из музейных коллекций; карточка указывает, что обучение ориентировалось на изображения с разрешённым распространением. Репозиторий обозначен лицензией CC0-1.0, однако README просит связаться с авторами перед коммерческим использованием. Среди ограничений — слабая генерация мелкого текста внутри изображений, трудности со сложной композицией и возможная предвзятость к темам и стилям, которые чаще представлены в доступных наборах данных. Качество реалистичных и детализированных изображений может быть нестабильным; модель не гарантирует отсутствие нежелательного контента.

Chanjing-Avatar 14B — модель генерации видео с аудиоуправлением от Cicada AI на базе Wan2.1-T2V-14B. Она создаёт видео говорящего аватара в разрешении 720p по референсному изображению и аудиозаписи, синхронизируя движения лица и губ с речью. Модель добавляет к видеодиффузионной архитектуре Wan2.1 аудиомодули, проекцию входа и LoRA-адаптеры; веса представлены в BF16. Для работы отдельно нужны базовая модель Wan2.1 и аудиокодировщик Wav2Vec. Модель предназначена для создания говорящих аватаров, озвученных портретных видео и другого аудиоуправляемого видео по изображению. Репозиторий распространяется по лицензии Apache-2.0. Качество результата зависит от исходного изображения и аудио; перед использованием изображений и голосов необходимо получить согласие, а синтетические материалы следует явно обозначать.

DeCorruptor-DPM — модель генерации изображений по текстовому описанию, опубликованная под именем Anonymous-12. Карточка связывает её с работой Efficient Diffusion-Driven Corruption Editor for Test-Time Adaptation, но подробности реализации и документация вынесены на GitHub. По метаданным модель использует StableDiffusionPipeline и доступна в форматах Diffusers и Safetensors. Её основная задача — создание изображений по текстовым запросам; дополнительные сценарии применения и поддерживаемые языки в доступных материалах не описаны. Условия лицензии в метаданных и README не приведены.

Это версия DreamShaper-XL-V2-Turbo, подготовленная HelloSun для запуска через OpenVINO на CPU. Она основана на Lykon/dreamshaper-xl-v2-turbo — модели Stable Diffusion XL, дистиллированной для быстрой генерации изображений примерно за 6 шагов. Модель принимает текстовые описания и создаёт изображения; в README показана генерация в разрешении до 1024×1024. Веса преобразованы в формат OpenVINO IR и подвергнуты весовой INT4-квантизации. Размер основных файлов весов составляет около 2,06 ГБ против примерно 6,5 ГБ у исходной FP16-версии. Репозиторий рассчитан на CPU и использует Diffusers с StableDiffusionXLPipeline; тесты автора проведены на сервере с 192 виртуальными CPU. Загрузка и компиляция при первом запуске занимают около 12 секунд. Модель подходит для создания художественных изображений, иллюстраций и визуальных концепций по текстовым запросам. README рекомендует 6 шагов и guidance_scale 2.0: увеличение числа шагов может ухудшить результат. INT4 может давать небольшие отличия от FP16, а скорость на обычном настольном CPU будет ниже опубликованных серверных результатов. Указанная лицензия — OpenRAIL++; следует соблюдать также условия лицензии и политики использования исходной модели.

Xenova/finbert — версия модели ProsusAI/finbert с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Разработчик исходной модели — ProsusAI; данный репозиторий адаптирован для использования в JavaScript-приложениях и веб-среде. Модель предназначена для задач классификации текста. В README приведён сценарий запуска через pipeline Transformers.js с типом text-classification, поэтому её можно применять в приложениях, поддерживающих эту библиотеку. Ключевая особенность — формат ONNX и совместимость с Transformers.js, что упрощает выполнение модели в JavaScript-окружении. Сведения о размере, архитектуре, поддерживаемых языках и модальностях, максимальной длине контекста, лицензии и ограничениях в README не указаны.

Yntec/HyperPhotoGASM — объединённая модель генерации изображений по текстовому запросу на базе Stable Diffusion. Автор сообщает, что модель создана смешиванием DreamPhotoGASM и HyperRealism 1.2: объединение призвано улучшить детализацию глаз и композицию. Репозиторий содержит веса в формате safetensors для использования с библиотекой Diffusers. Модель предназначена для создания фотореалистичных изображений и кинематографических сцен по текстовым описаниям: примеры включают портреты, пары, костюмированные и постановочные сцены. В README приведены запросы на английском языке; сведения о поддержке других языков и длине контекста не приводятся. Лицензия — CreativeML OpenRAIL-M. Примеры и название модели указывают на ориентацию в том числе на чувственные изображения взрослых персонажей; качество и точность следования запросу могут зависеть от формулировки промпта. Подробные ограничения, включая рекомендуемые настройки и известные дефекты, в карточке не описаны.

img2pose — модель компьютерного зрения из проекта py-feat для обнаружения лиц на фотографии и оценки их трёхмерной позы с шестью степенями свободы. Она построена на архитектуре Faster R-CNN и использует сверточную нейронную сеть; отдельная модель детекции лиц не требуется. Модель также проецирует 3D-лицо на плоскость изображения, чтобы определить рамку лица. Модель предназначена для анализа изображений с лицами, включая обнаружение лиц и оценку их положения и ориентации. В метаданных указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. README содержит примечание о лицензировании и происхождении весов: перед распространением предобученных весов следует проверить применимость лицензии и существующие разрешения.

Kitsch-In-Sync v2.0 — модель генерации изображений по текстовому описанию, созданная Xenos. Она предназначена для создания стилизованных изображений по промптам; пример в карточке сочетает рождественскую тематику с отсылками к иллюстраторам Haddon Sundblom и Gil Elvgren. Модель опубликована в форматах Diffusers и safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

alexander1i/lustify-sdxl-inpaint-endpoint — модель генерации и редактирования изображений на основе Stable Diffusion XL, подготовленная для работы с inpainting через библиотеку Diffusers. По README, для загрузки используется чекпойнт andro-flock/LUSTIFY-SDXL-NSFW-checkpoint-v2-0-INPAINTING; метаданные указывают формат Diffusers и веса Safetensors. Модель принимает текстовые запросы и изображения для генерации или изменения изображения по описанию. Модель подходит для заполнения или замены областей изображения и генерации изображений по тексту. README не описывает обучение, размер, контекст или языковую специализацию модели. Указанная лицензия — CreativeML OpenRAIL-M; модель ориентирована на откровенный контент.

digiplay/majicMIX_lux_v3 — модель генерации изображений по текстовому описанию в формате Diffusers, сохранённая в safetensors. Карточка Hugging Face указывает задачу text-to-image и лицензию other. Доступных сведений недостаточно, чтобы описать разработчика, архитектуру, размер, языковую поддержку, контекст, сильные стороны или сценарии применения. README содержит только краткую заглушку «Model info».

Mann-E Art — модель генерации изображений на основе Stable Diffusion XL от компании Mann-E. Она дообучена примерно на тысяче изображений, созданных Midjourney, и фотографиях, собранных командой разработчика, с упором на художественный стиль, близкий к Midjourney. Модель предназначена для создания фотографий, художественных изображений и цифровых картин по текстовому описанию. Она работает через библиотеку Diffusers; с ней совместимы LoRA для SDXL 1.0, ControlNet, IP-Adapter и InstantID. Рекомендуемое разрешение — 768×768, поддерживается генерация до 1024×1024; также хорошо работают некоторые прямоугольные форматы, например 832×1216 и 608×1080. Качество генерации пиксельной графики и векторных иллюстраций ограничено без дополнительных LoRA-адаптеров. Лицензия в доступных сведениях не указана.

MiaoMiao-Harem — модель генерации изображений по текстовому описанию от пользователя Hugging Face jd09876. Репозиторий содержит пайплайн Diffusers StableDiffusionPipeline с компонентами text encoder, tokenizer, UNet, VAE и scheduler; размер модели на карточке указан как 3 млрд параметров. Модель предназначена для создания изображений по текстовым запросам. В карточке приведён пример запуска через Diffusers, но подробности о специализации изображений, поддерживаемых языках и длине контекста не описаны. В репозитории есть файл miaomiaoHarem_v14.safetensors; на странице автора также указана более поздняя версия семейства, но она не позволяет установить происхождение этой конкретной модели. Условия лицензирования и известные ограничения в доступной карточке не указаны.

NeverEnding-Dream — модель для генерации изображений по текстовому описанию, опубликованная пользователем phatho на Hugging Face. Репозиторий использует формат Diffusers и содержит веса PyTorch в формате safetensors; в метаданных указана задача text-to-image и английский язык. README не содержит сведений об архитектуре, размере модели, рекомендуемых сценариях, настройках генерации или происхождении весов. Лицензия указана как other, поэтому конкретные условия использования по доступным данным определить нельзя.

RealCore XL 1.0 — модель генерации изображений на основе Stable Diffusion XL, опубликованная rityak. Это объединённый чекпойнт, созданный из нескольких моделей и LoRA, включая модели для реалистичной и аниме-генерации; исходный рецепт слияния утерян. Модель предназначена для генерации реалистичных изображений и снимков в любительском фото-стиле по текстовым запросам. Автор отмечает высокую детализацию, совместимость с ускорением LCM и возможность использования в ComfyUI. Поддерживается генерация контента для взрослых, поэтому модель подходит и для NSFW-сценариев. Чекпойнт распространяется в формате Safetensors и использует лицензию OpenRAIL++. Карточка не приводит размер модели, длину контекста или список языков запросов; метаданные указывают английский язык карточки. Утерянный рецепт слияния ограничивает воспроизводимость и точное выяснение вклада отдельных компонентов.

SegFormer B4 — модель компьютерного зрения для семантической сегментации изображений, основанная на иерархическом Transformer-энкодере и лёгкой декодирующей голове all-MLP. Модель разработана авторами SegFormer и дообучена на датасете ADE20K для сегментации сцен при разрешении 512×512 пикселей. Модель назначает пиксельные метки объектам и областям на изображении и предназначена для задач семантической сегментации сцен. В репозитории доступны веса PyTorch и TensorFlow. Карточка не приводит оценки качества или подробностей о классах ADE20K; лицензия указана как other, поэтому перед использованием следует проверить условия распространения в репозитории.

TensorVizion/StableDiffusion-1.4-Pruned — модель для генерации изображений по текстовому описанию, созданная с помощью библиотеки оптимизации Pruna. В карточке репозитория указано, что конфигурация сжатия сохранена в файле smash_config.json, однако конкретные применённые методы оптимизации не описаны. Метаданные указывают архитектуру Qwen3ForCausalLM с 14 млрд параметров, а также возможности чата и интерфейс вызова инструментов. Эти сведения не согласуются с названием модели Stable Diffusion 1.4 и задачей генерации изображений, поэтому архитектуру и размер нельзя надёжно связать с назначением этой модели. Лицензия указана как CreativeML Open RAIL-M.

Taiyi-Stable-Diffusion-1B-Chinese-v0.1 — модель генерации изображений по текстовому описанию от команды IDEA-CCNL, созданная на основе Stable Diffusion v1.4. В README она названа первой открытой китайской Stable Diffusion-моделью; также указана поддержка китайских и английских запросов. Модель распространяется в форматах Diffusers и PyTorch. Для адаптации использовали отобранные пары китайских текстов и изображений из наборов Noah-Wukong и Zero: текстовый энкодер Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese обучали один проход, а остальные части Stable Diffusion v1.4 заморозили. Модель предназначена для создания иллюстраций и других изображений по описаниям, в том числе с китайскими культурными сюжетами и стилевыми указаниями. В README версия обозначена как предварительная; лицензия — CreativeML OpenRAIL-M.

Vintedois Diffusion v0.2 — модель генерации изображений по текстовому описанию, созданная независимыми разработчиками Predogl и piEsposito. Она обучена на большом наборе качественных изображений и рассчитана на создание выразительных изображений с короткими запросами, без сложной настройки промпта. Для усиления фирменного стиля можно добавить к запросу токен «estilovintedois»; модель также поддерживает разные соотношения сторон, например 2:3 и 3:2. Модель основана на Stable Diffusion v1.5 и доступна в форматах Diffusers, PyTorch и safetensors. В README приведён пример генерации с 30 шагами и планировщиком Euler Ancestral. Авторы отмечают потенциал DreamBooth-дообучения и генерации детализированных лиц за небольшое число шагов. Модель распространяется по лицензии CreativeML OpenRAIL-M, допускающей коммерческое использование с условиями лицензии; авторы не дают гарантий и предупреждают, что модель не проходила обширную проверку на новые смещения.

google/vivit-b-16x2-kinetics400 — видеоклассификатор на основе ViViT, расширения архитектуры Vision Transformer для обработки видео. Модель содержит 113,2 млн параметров и обучена для классификации действий на наборе Kinetics-400. Она принимает видеокадры и предсказывает класс действия в ролике. Модель предназначена также для дообучения под другие задачи классификации видео. Разработана авторами ViViT; модельная карточка опубликована Hugging Face. Модель распространяется в формате PyTorch по лицензии MIT. Для переноса на другие предметные области может потребоваться дообучение.

Depth Anything V2 Small — модель оценки глубины по изображениям, представленная в Core ML формате Apple. Она создана на основе работы Lihe Yang и соавторов: архитектура DPT использует backbone DINOv2. Модель обучалась на примерно 600 тысячах синтетических изображений с разметкой глубины и 62 миллионах реальных изображений без разметки. Модель предназначена для получения карты глубины из изображения, включая оценку относительной и абсолютной глубины. Репозиторий содержит варианты с 24,8 млн параметров в точности Float32 и Float16; README приводит результаты оценки на изображениях COCO, приведённых к размеру 518×396, и описывает интеграцию в Swift-приложения. Репозиторий распространяется по лицензии Apache-2.0.

onnx-community/depth-anything-v2-base — это версия модели Depth Anything V2 Base с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. В README не указаны отдельные сведения о разработчике, размере архитектуры, языках или поддерживаемых модальностях; известно, что исходной моделью является depth-anything/Depth-Anything-V2-Base. Модель предназначена для оценки глубины по изображениям: она анализирует изображение и формирует карту глубины, которую можно сохранить и визуализировать. Основной сценарий использования — запуск depth estimation в JavaScript-приложениях, в том числе в веб-среде через Transformers.js. ONNX-формат облегчает интеграцию с такими приложениями, однако README не содержит данных о точности, производительности, максимальном разрешении или ограничениях качества. Модель распространяется по лицензии CC BY-NC-4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

DreamLite-Mobile — дистиллированная одноканальная версия DreamLite-base от carlofkl для быстрой генерации изображений по текстовым описаниям на устройстве. Модель использует пайплайн Diffusers и рассчитана на работу примерно за 4–8 шагов при разрешении 1024×1024 без CFG. Для запуска требуются Qwen3VLForConditionalGeneration и Qwen3VLProcessor; README указывает на совместимую версию Transformers 4.57.3. При Transformers версии 5.0 и выше возникают заметные артефакты в виде блочных узоров. Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование.

Emma — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией Emma23123. Модель предназначена для использования с Diffusers и базовой моделью Tongyi-MAI/Z-Image; в карточке указана совместимость с задачами text-to-image. В качестве примера применения приведён текстовый запрос «screen». Известно, что это diffusion LoRA, однако точный размер адаптера, архитектурные параметры, поддерживаемые языки, максимальный контекст и конкретные сильные стороны не указаны. Для работы требуется базовая модель Tongyi-MAI/Z-Image и совместимый пайплайн Diffusers. Лицензия обозначена как «other», а подробные условия, судя по README, вынесены в файл LICENSE; без его содержимого ограничения использования определить нельзя.

Fin-o1-8B — дообученная TheFinAI модель на основе Qwen3-8B для рассуждений по финансовым вопросам, в том числе финансовых вычислений и анализа задач из наборов FinQA, TATQA, DocMath-Eval, Econ-Logic, BizBench-QA и DocFinQA. Модель обучали методами SFT и GRPO на финансовых данных; архитектура — плотная авторегрессионная Qwen3ForCausalLM с 7,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Основной язык карточки — английский; базовая Qwen3-8B многоязычна. Максимальная длина контекста — 40 960 токенов. Лицензия — Apache-2.0. Модель подходит для ответов на финансовые вопросы с пошаговыми вычислениями и для анализа числовых и логических задач из финансовых документов. Карточка описывает специализацию на финансовых рассуждениях, но не приводит результатов оценки и не подтверждает пригодность ответов для принятия реальных инвестиционных или иных финансовых решений.

DFloat11/FLUX.1-schnell-DF11 — это lossless-сжатая версия модели для генерации изображений по текстовому описанию black-forest-labs/FLUX.1-schnell. Модель использует формат DFloat11, разработанный командой LeanModels, и предназначена для инференса через diffusers и FluxPipeline. Ключевая особенность модели — сжатие весов BFloat16 с помощью Huffman-кодирования экспонент и аппаратно-ориентированной распаковки непосредственно на GPU. Сжатые веса занимают примерно 70% исходного размера и снижают потребление памяти GPU приблизительно на 30%, при этом результаты вычислений заявлены как побитово идентичные исходной модели BFloat16. Распаковка выполняется по мере необходимости перед матричными умножениями, без передачи данных на CPU. Модель подходит для генерации изображений в условиях ограниченной GPU-памяти и для сценариев, где важно сохранить точность исходной FLUX.1-schnell. В README приведён пример с четырьмя шагами инференса, guidance_scale 0.0 и максимальной длиной последовательности 256 токенов. Для работы требуются PyTorch, CUDA-совместимая видеокарта и пакет DFloat11 с соответствующим CUDA-ядром. Ограничения включают зависимость от CUDA и специфической инфраструктуры DFloat11; сведения о поддерживаемых языках, точном размере архитектуры и лицензии в README не указаны.

Dark Beast KLEIN 9B Blitz ComfyUI — специализированная доработанная модель семейства Dark Beast на базе FLUX.2 Klein 9B от Black Forest Labs. Автор README заявляет оптимизацию для замены лиц и портретного редактирования: модель должна лучше сохранять сходство с референсом, выражение лица и соответствие освещению. Она предназначена для генерации и редактирования изображений в ComfyUI, включая быстрые сценарии с малым числом шагов; в README рекомендованы 4–5 шагов и CFG=1. В карточке описаны версии и варианты с дообучением, дистилляцией, слиянием и квантизацией, но не уточнено, какие из них включены в данный репозиторий. Метаданные указывают базовую модель black-forest-labs/FLUX.2-klein-9B и связь finetune. Заявленные эффекты и настройки приведены автором README; независимые результаты оценки не представлены. Лицензия в предоставленных данных не указана.