IV.1Ритейл, электронная коммерция и fashion-tech

Это модель классификации изображений на базе Vision Transformer (ViT), опубликованная nateraw. Она основана на ViT, предварительно обученном Google на ImageNet-21k, и дообучена на CIFAR-10 для классификации изображений с разрешением 224×224 пикселя. Изображение разбивается на патчи 16×16, которые обрабатывает трансформерный энкодер; модель содержит 113,2 млн параметров. Модель предназначена для отнесения изображений к классам CIFAR-10 и может служить отправной точкой для задач классификации изображений. В карточке также описано применение энкодера для извлечения признаков и обучения классификатора на новых размеченных наборах данных. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README отмечает, что классификационная голова из исходного предобучения была обнулена, а предобученный pooler сохранён. Поэтому следует учитывать назначение конкретной головы классификации при использовании чекпойнта на других наборах данных.

Модель dima806/beard_face_image_detection разработана пользователем Hugging Face dima806 для определения наличия бороды на изображении лица. Это классификатор изображений на базе Vision Transformer ViT-Base/16, дообученный на модели google/vit-base-patch16-224-in21k; он содержит около 113,2 млн параметров и доступен в форматах PyTorch и Safetensors. Модель относит изображение к одному из двух классов: Beard или No Beard. В README приведён отчёт с точностью 100% на тестовой выборке из 68 изображений, поровну распределённых между классами; такой небольшой результат не гарантирует аналогичного качества на других данных. Для использования модели нужна лицензия Apache-2.0.

Corporate Memphis — дообученная модель Stable Diffusion, опубликованная jinofcoolnes. Она создаёт изображения по текстовым запросам в стиле корпоративных иллюстраций Memphis; для активации стиля в запросе рекомендуется фраза «Corporate_Memphis digital illustration». Модель использует интерфейс Diffusers StableDiffusionPipeline и распространяется в форматах Diffusers и PyTorch. Модель предназначена для генерации цифровых иллюстраций, например сцен с объектами и цветными формами. Лицензия CreativeML OpenRAIL-M допускает использование с ограничениями, предусмотренными её условиями. Карточка не сообщает размер модели и длину контекста.

Карточка модели lc700x/depth-anything-outdoor-large-hf на Hugging Face совпадает с карточкой LiheYoung/depth-anything-large-hf, поэтому описание составлено по ней. Depth Anything — крупная модель для оценки глубины по изображениям, представленная Lihe Yang и соавторами. Эта версия подготовлена для библиотеки Transformers и использует архитектуру DPT с backbone DINOv2. Модель обучена на примерно 62 миллионах изображений и предназначена для оценки относительной и абсолютной глубины, в том числе в zero-shot сценариях. Она выдаёт карту глубины для входного изображения и может применяться в задачах компьютерного зрения и анализа сцен. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Acly публикует GGUF-конверсию модели Depth Anything V2 Small для оценки глубины по одному изображению. Репозиторий предназначен для лёгкого локального запуска на пользовательском оборудовании через vision.cpp; пример показывает обработку входного изображения и сохранение карты глубины. Модель выполняет монокулярную оценку глубины: по изображению сцены строит плотную карту относительной глубины. В репозитории указаны формат GGUF F16 и базовая модель depth-anything/Depth-Anything-V2-Small-hf. Лицензия — Apache-2.0.

FLUX.1-dev-LoRA-AntiBlur — функциональная LoRA-адаптация базовой модели FLUX.1-dev, разработанная Vadim_Fedenko при поддержке Shakker AI. Модель предназначена для генерации изображений по текстовому описанию и усиления глубины резкости с уменьшением нежелательного размытия. Она подходит для фотореалистичных и художественных сценариев, включая изображения людей, городских сцен, природы и других объектов. LoRA можно применять совместно с дополнительными компонентами, например ControlNet. Модель распространяется в формате Safetensors и используется через библиотеку Diffusers поверх FLUX.1-dev. Специальное trigger word не требуется; для diffusers рекомендован коэффициент LoRA от 1,0 до 1,5. По заявлению авторов, адаптация лишь незначительно влияет на качество исходных изображений при улучшении глубины резкости. В README не указаны точный размер LoRA, поддерживаемые языки, отдельные модальности или максимальная длина контекста. Модель распространяется по лицензии flux-1-dev-non-commercial-license, унаследованной от FLUX.1-dev, и предназначена для некоммерческого использования. Для работы требуется базовая модель FLUX.1-dev и совместимое окружение Diffusers; в качестве примера приведены 24 шага генерации, guidance scale 3,5 и разрешение 768×1024.

Репозиторий fszontagh/gen3d-gguf содержит преобразованные веса моделей для генерации 3D по изображению, а также компонентов компьютерного зрения и сегментации. Автор подготовил их для инференса в C++-рантаймах на базе ggml вместо PyTorch; файлы имеют архитектуру gen3d и могут включать компоненты DINOv2, BiRefNet, ISNet, MoGe и Paint ESRGAN с соответствующими конфигурациями. Это набор весов, а не одна самостоятельная модель: конкретные возможности и исходная модель зависят от выбранной папки и файла. Для части весов доступны исходные safetensors; преобразование описано как приведение формата и точности, обычно к F16 с отдельными тензорами F32. Лицензия указана как other, а условия наследуются от соответствующих upstream-проектов: среди них MIT, Apache-2.0 и лицензия Tencent Hunyuan Community License с ограничениями по территориям и использованию. Перед применением нужно сверить лицензию конкретного набора весов.

vantagewithai/LTX-2-GGUF — это квантованная версия в формате GGUF разделённого чекпойнта LTX-2, разработанного Lightricks. LTX-2 представляет собой диффузионную foundation-модель на архитектуре DiT, предназначенную для совместной генерации синхронизированных видео и аудио в одной модели. Чекпойнт ориентирован на локальный запуск и доступен для интеграции с Diffusers и ComfyUI. Модель поддерживает сценарии text-to-video, image-to-video и video-to-video, а также генерацию и преобразование аудио и комбинированного аудио-визуального контента. В карточке указана принадлежность к семейству LTX-2 с основным чекпойнтом на 19 млрд параметров, однако точный размер и уровень квантования данного GGUF-файла не указаны. В метаданных перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки, тогда как в разделе характеристик основным языком названа английская речь. Требования к длине контекста не указаны. Сильными сторонами модели являются единая генерация аудио и видео, открытые веса, возможность локального использования и поддержка обучения базовой версии и производных LoRA. Для работы разрешение по ширине и высоте должно быть кратно 32, а число кадров — иметь вид 8n+1. Ограничения включают возможное несоответствие результата запросу, зависимость качества следования промпту от его формулировки, потенциальное усиление общественных предубеждений и генерацию неподходящего контента; аудио без речи может иметь более низкое качество. Использование регулируется LTX-2 Community License Agreement.

MIDNIGHT Illustrious — модель генерации изображений по текстовым запросам, созданная MidnightRunner на основе семейства Illustrious XL и SDXL. Она рассчитана на фотореалистичные, выразительные изображения с высокой детализацией, глубиной резкости и объёмным освещением; в карточке особо отмечены редакционная и журналистская фотография, постановочные и художественные сцены. Модель принимает текстовые промпты и выдаёт изображения. Её можно использовать в ComfyUI, Automatic1111 и других инструментах на базе Diffusers. В README приведены рекомендации по сэмплерам и настройкам генерации, включая 20–30 шагов, CFG 4 и Clip Skip 1. Модель ориентирована на английские промпты. Как и другие генераторы изображений, она может ошибаться в деталях и анатомии; автор рекомендует отрицательные промпты для снижения таких дефектов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

giacomoarienti/nsfw-classifier — модель классификации изображений, разработанная Giacomo Arienti для выявления откровенного и сексуально suggestive контента на пользовательских изображениях. Её можно встроить в загрузку изображений на форумах, в социальных сетях, магазинах и приложениях для обмена контентом, чтобы помечать материалы для модерации. Модель основана на Vision Transformer ViT-Base с архитектурой ViTForImageClassification, дообученном на наборе данных deepghs/nsfw_detect. Веса доступны в формате Safetensors; размер модели — около 113,2 млн параметров. Она принимает изображения и выдаёт результат классификации. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий без соблюдения её условий. Описание автора сосредоточено на порнографии, hentai и сексуально откровенных изображениях; более широкий охват, например выявление насилия или других категорий вредного контента, заявлен только для отдельной платной версии. Поэтому не следует считать эту модель универсальным фильтром безопасности или полагаться на неё как на единственное средство модерации.

Это LoRA-модель pulid-sdxl-i.6, разработчик которой в представленных данных не указан. Модель предназначена для генерации изображений по текстовому описанию и совместима с базовой моделью stabilityai/stable-diffusion-xl-base-1.0. В README приведены примеры генерации изображений женщин по запросу beautiful-women с негативным запросом ugly. Известно, что модель распространяется в формате Safetensors и предназначена для использования в экосистеме Diffusers. Архитектурные детали, размер, поддерживаемые языки, максимальный контекст, модальности помимо text-to-image, сильные стороны и ограничения не указаны. Информация о лицензии также отсутствует, поэтому условия использования по представленным данным определить нельзя.

Карточка модели Junoffical/segformer-b0-finetuned-ade-512-512 на Hugging Face совпадает с карточкой nvidia/segformer-b0-finetuned-ade-512-512, поэтому описание составлено по ней. SegFormer B0 — модель семантической сегментации изображений, разработанная командой NVIDIA и дообученная на наборе ADE20K с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; энкодер предварительно обучен на ImageNet-1k, затем модель дообучена для сегментации сцен. Модель назначает пиксели изображениям классам объектов и элементов сцены. Её можно применять для семантической сегментации фотографий и разбора сцен; карточка приводит ADE20K и Cityscapes как ориентиры для таких задач. Вход — изображение, выход — карта сегментации. В метаданных указаны PyTorch, TensorFlow и safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

Карточка модели starry12tree/segformer-b2-finetuned-ade-512-512 на Hugging Face совпадает с карточкой nvidia/segformer-b2-finetuned-ade-512-512, поэтому описание составлено по ней. SegFormer-B2 — модель семантической сегментации изображений, представленная авторами статьи о семействе SegFormer и дообученная на наборе ADE20K. Она присваивает пиксельным областям изображения классы сцен и объектов. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; модель рассчитана на входное разрешение 512×512 пикселей и предназначена для анализа сцен и бенчмарков семантической сегментации. Модель можно применять для разметки объектов и элементов окружения на фотографиях и других изображениях. В карточке указана лицензия other, поэтому условия использования следует сверить с лицензией и материалами репозитория. Карточка рекомендует использовать эту модель для семантической сегментации и отмечает, что для других задач доступны отдельные дообученные версии.

facebook/timesformer-base-finetuned-ssv2 — видеомодель семейства TimeSformer, опубликованная командой Facebook и дообученная для классификации видео на датасете Something-Something v2. Она относит видео к одной из 174 категорий действий и подходит для распознавания действий в коротких видеороликах. Архитектура — TimesformerForVideoClassification; модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Модель принимает видео и выдаёт метку класса. Карточка не приводит сведений о языковой поддержке или длине контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Agate Preview 003 — компактная модель LogoLabs для генерации изображений по англоязычным текстовым запросам. Она создаёт квадратные изображения размером 512 × 512 и поддерживает 256 × 256; модель содержит 261 млн параметров с декодером TAESD. Доступны запуск в Python, интеграция с ComfyUI и браузерная демонстрация на WebGPU. Модель развивает Agate Preview 001: сеть, рассчитанная на 256 пикселей, расширена для работы в двух разрешениях и дообучена с перцептивными функциями потерь. Она предназначена, в частности, для генерации логотипов, символов и иконок, а также для прототипирования изображений по текстовым описаниям. В тесте Qwen-Image-Bench модель получила 32,6 балла; README отмечает, что текст на изображениях, подсчёт объектов свыше четырёх и привязка цветов к объектам остаются ненадёжными. Модель обучена на синтетическом наборе FLUX-Reason-6M, и её внешний вид и смещения могут наследовать особенности изображений FLUX.1-dev. README сообщает, что встроенного классификатора безопасности нет; в тестировании обнаруживалась нагота взрослых и при обычных запросах, поэтому для публичного использования рекомендуется добавить фильтрацию результатов. Лицензия — MIT.

facebook/dpt-dinov2-small-nyu — модель оценки глубины по изображению на архитектуре DPT с визуальным энкодером DINOv2. Она предназначена для экспериментов и прикладных сценариев, где нужно получить карту глубины сцены из фотографии; в карточке модель представлена как пример сочетания DPT с DINOv2 для оценки глубины. Модель разработана Facebook и распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит размер модели, длину контекста или поддерживаемые естественные языки. Модель принимает изображения и выдаёт оценку глубины; для её использования доступны Transformers и PyTorch. Качество оценивания может зависеть от содержимого и характеристик входного изображения.

milyiyo/flat-design-icons — модель Stable Diffusion, созданная milyiyo методом DreamBooth с помощью fast-DreamBooth notebook TheLastBen. Она предназначена для генерации изображений в плоском дизайне иконок по текстовым описаниям. Модель распространяется в формате Diffusers/PyTorch и лицензирована CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. Доступны примеры изображений и инструкции по запуску через A1111 или Diffusers; качество и ограничения генерации зависят от исходной Stable Diffusion и текста запроса.

kotraj-qwen3.5-2B — разработанная автором карточки донастройка Qwen3.5-2B для многошагового использования инструментов на корейском языке. Это плотная авторегрессионная модель с 1,7 млрд параметров; она принимает текстовые диалоги, формирует ответы и вызовы инструментов в собственном XML-формате Qwen3.5. Для продолжения диалога результаты инструментов передаются сообщениями роли tool. Модель рассчитана на агентские сценарии с одиночными и последовательными вызовами, включая календарь, покупки и путешествия; автор сообщает об улучшении на корейском kotraj-bench при сохранении результата базовой модели на английском BFCL v3. Поддерживается контекст до 262 144 токенов, лицензия Apache-2.0. В README указано, что модель обучена методом LoRA SFT с последующим слиянием адаптера с базовыми весами. Автор рекомендует явно задавать eos_token_id и отключать режим thinking, поскольку обучающие данные не содержали цепочек рассуждений. Среди ограничений — повышенная склонность вызывать инструменты даже тогда, когда это не нужно, непостоянство результатов между запусками и проверка лишь на трёх предметных областях; перенос на незнакомые схемы инструментов не оценивался. Приведённые оценки получены в одном запуске обучения.

Never Ending Dream 768 — вариант модели генерации изображений Never Ending Dream с разрешением 768×768, опубликованный Yntec и предназначенный для использования через API инференса. Модель принимает текстовый запрос и создаёт изображение; в примере показан художественный промпт с персонажем и стилизацией под журнальную рекламу и живопись. В метаданных указаны библиотека Diffusers, форматы Diffusers и Safetensors, а также лицензия с обозначением other. README не сообщает базовую модель, число параметров, ограничения по контексту или конкретные условия лицензии. По доступному примеру модель ориентирована на художественную генерацию изображений; иных специализированных сценариев карточка не описывает.

Yntec/NovelAI — модель генерации изображений по текстовому описанию для библиотеки Diffusers. Карточка показывает пример запроса для создания мультяшной иллюстрации в стиле чиби; метаданные указывают задачу text-to-image и форматы Diffusers, PyTorch и safetensors. Автор README приводит фразу об исследовательском назначении как шутку. Архитектура, размер модели, поддерживаемые языки и условия лицензии в доступных сведениях не раскрыты. Лицензия в метаданных обозначена как other; перед использованием следует проверить условия на странице модели.

OmniSVG1.1_4B — мультимодальная модель генерации SVG от команды OmniSVG, созданная на основе Qwen2.5-VL-3B-Instruct и дообученная для создания векторной графики. Она генерирует SVG по текстовому описанию и преобразует изображение в SVG; заявленный диапазон результатов включает простые значки и сложные иллюстрации, в том числе персонажей аниме. Модель использует архитектуру Qwen2.5-VL, содержит 3,2 млрд параметров и имеет контекст длиной до 128 000 токенов. Модель предназначена для создания масштабируемой векторной графики по текстовым и визуальным условиям. В README приведены сценарии генерации SVG по тексту и по изображению, а также указаны требования для инференса: около 16 ГБ видеопамяти; рекомендуемая среда проверена с CUDA 12.1. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит отдельной оценки качества или подробного перечня ограничений генерации.

derenrich/private_detector_hf — порт модели Bumble в библиотеку Transformers и формат Hugging Face. По метаданным это модель классификации изображений с архитектурой PrivateDetectorForImageClassification; веса представлены в формате PyTorch. Карточка не описывает назначение классов, обучающие данные или конкретные сценарии применения, поэтому модель можно охарактеризовать только как средство классификации изображений. Модель распространяется по лицензии Apache-2.0.

TianNimaNoobAIXLvpred1_0_eqb7_26042026 — дообученная модель на базе StarkEater/NoobAIXLvpred10EQB7 для генерации изображений по текстовому запросу. Модель предназначена для прямой генерации в разрешении 1536 пикселей; специальное триггерное слово не обязательно, но автор рекомендует при необходимости добавлять `tiannima123`. Модель распространяется в формате safetensors и рассчитана на использование с библиотекой diffusers. Карточка не описывает конкретный стиль, предметную область или дополнительные возможности. Условия лицензии в предоставленных данных не указаны.

MCG-NJU/videomae-huge-finetuned-kinetics — модель VideoMAE, опубликованная MCG-NJU и дообученная для классификации видео на наборе Kinetics-400. Она принимает видео и относит их к одной из 400 категорий действий; подходит для классификации видеоклипов и извлечения признаков для последующих задач компьютерного зрения. Архитектура VideoMAE основана на Vision Transformer и расширяет подход Masked Autoencoder для видео: ролик представляется последовательностью патчей размером 16×16, а классификация выполняется с использованием представления токена CLS. Модель содержит около 838,9 млн параметров. Для Kinetics-400 указаны top-1 точность 86,6% и top-5 точность 97,1%. Модель предназначена для распознавания действий по видео; сведения о поддерживаемых естественных языках не относятся к её основной задаче. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Карточка модели Rohithkum/videomae-large на Hugging Face совпадает с карточкой MCG-NJU/videomae-large, поэтому описание составлено по ней. VideoMAE Large — видеомодель с 402,7 млн параметров, разработанная командой MCG-NJU и представленная в исследовании о masked autoencoder для самообучения на видео. Она предварительно обучена без учителя на Kinetics-400 в течение 1600 эпох. Архитектура основана на Vision Transformer: видео разбивается на патчи размером 16×16, а декодер предсказывает значения пикселей скрытых патчей. Модель предназначена прежде всего для дообучения на прикладных задачах и извлечения признаков из размеченных видео, например для обучения классификатора поверх представления токена CLS. В исходном виде она также может предсказывать пиксели замаскированных видеофрагментов. Карточка не приводит результатов оценки и подробностей предобработки. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

VideoRefer-VideoLLaMA3-7B — видеоязыковая модель команды DAMO-NLP-SG для пространственно-временного понимания объектов в видео. Она предназначена для диалога о видеороликах и ответов на вопросы о том, где и когда появляются объекты и как они перемещаются. Модель объединяет визуальный энкодер VL3-SigLIP-NaViT с языковым декодером Qwen2.5-7B-Instruct и содержит 7,1 млрд параметров. Она принимает видео вместе с текстовым запросом и генерирует текстовый ответ; нативный контекст — 32 768 токенов. В README указано, что версия выпущена в июне 2025 года в рамках проекта VideoRefer Suite, принятого на CVPR 2025. Модель доступна по лицензии Apache-2.0. Описание подтверждает специализацию на пространственно-временном понимании объектов; подробные сведения о точности и ограничениях на типы или длительность видео не приведены.

VST-7B-SFT — мультимодальная модель Ray Ruiyang и соавторов из семейства Qwen2.5-VL, дообученная методом supervised fine-tuning в рамках Visual Spatial Tuning. Она предназначена для понимания изображений и пространственных рассуждений: например, подсчёта объектов, оценки расстояний и размеров, определения направлений и планирования маршрутов. По данным карточки, модель содержит 7,1 млрд параметров, принимает изображения и текст и выдаёт текст; поддерживает контекст до 128 000 токенов. Авторы сообщают о результатах на пространственных бенчмарках и сохранении общих возможностей VLM. Модель распространяется под лицензией Apache-2.0.

BigLust_v17 — модель-адаптер LoRA для генерации изображений по текстовому описанию, опубликованная пользователем letom06200. В карточке она классифицирована как text-to-image и предназначена для использования в экосистеме Diffusers. README также содержит пример виджета с текстовым вводом и изображением-результатом. Сведения об архитектуре базовой модели, размере адаптера, поддерживаемых языках, контекстном окне, точных сценариях применения и качестве генерации отсутствуют. Базовая модель не указана, поэтому совместимость и требования к запуску определить нельзя. Лицензия в карточке не указана; условия использования следует уточнять отдельно у автора или в файлах репозитория.

CounterfeitXL — модель генерации изображений по текстовому описанию в формате Diffusers, предназначенная для Stable Diffusion XL. Карточка связывает её с Civitai и перечисляет три варианта негативных эмбеддингов: Standard, Realistic и Anime like. Модель подходит для создания изображений по промптам с использованием негативных эмбеддингов, чтобы задавать нежелательные признаки результата. Репозиторий распространяется в формате Safetensors; лицензия — CreativeML OpenRAIL-M. Сведения о разработчике, архитектуре сверх совместимости с Stable Diffusion XL, размере, языках и ограничениях качества в карточке не приведены.

DA3-LARGE-1.1 — модель компьютерного зрения семейства Depth Anything 3, разработанная командой ByteDance Seed. Она предназначена для оценки относительной глубины по одному или нескольким изображениям, а также для оценки позы камеры и работы с заданными условиями на позу. Модель описана как vision transformer с унифицированным представлением depth-ray и содержит около 0,35 млрд параметров. Модель подходит для восстановления геометрии сцены по изображениям, включая многовидовую оценку глубины и позы камеры. В README заявлено, что она превосходит Depth Anything 2 в монокулярной оценке глубины, а также VGGT в многовидовой оценке глубины и позы; количественные результаты приведены в статье. Модель обучалась на открытых академических датасетах. Лицензия — Apache 2.0. Качество может снижаться на специализированных изображениях и зависеть от качества снимков, освещения и сложности сцены.