IV.1Ритейл, электронная коммерция и fashion-tech

Depth Anything Small — компактная версия модели оценки глубины от команды Depth Anything, представленная в статье Lihe Yang и соавторов и опубликованная в этом репозитории в формате Transformers. Модель использует архитектуру DPT с визуальным энкодером DINOv2 и обучена примерно на 62 миллионах изображений. Она принимает изображение и строит карту глубины, поддерживая оценку глубины без дообучения на конкретном наборе данных. Модель подходит для анализа сцен и изображений в компьютерном зрении. В карточке заявлены результаты высокого уровня для относительной и абсолютной оценки глубины, однако отдельные показатели для этой малой версии не приведены. Весовые файлы доступны в формате Safetensors, лицензия — Apache-2.0. Карточка не приводит конкретных ограничений качества или условий эксплуатации помимо описания сценария оценки глубины.

onnx-community/depth-anything-v2-small — версия модели Depth Anything V2 Small с весами в формате ONNX, подготовленная сообществом onnx-community для совместимости с Transformers.js. Исходная модель указана как depth-anything/Depth-Anything-V2-Small; разработчик исходной модели в README явно не назван. Модель предназначена для оценки глубины по одному изображению: на вход подаётся изображение, а на выходе формируется карта глубины, которую можно сохранить и визуализировать. Она подходит для использования в JavaScript-приложениях и веб-сценариях через pipeline Transformers.js, включая обработку локальных изображений или изображений по URL. Известно, что модель относится к семейству Depth Anything V2 и имеет вариант Small, однако точный размер, архитектура, поддерживаемые разрешения, контекст, языки и количественные показатели качества в README не указаны. Ключевое преимущество — формат ONNX и готовая интеграция с Transformers.js; ограничения производительности, точности и область применимости за пределами оценки глубины также не описаны. Модель распространяется по лицензии Apache-2.0.

Duchaiten Real3D NSFW XL — модель генерации изображений по текстовому описанию, опубликованная под идентификатором stablediffusionapi/duchaiten-real3d-nsfw-xl и предназначенная для работы через API ModelsLab. Карточка указывает на конвейер Stable Diffusion XL и формат Diffusers; примеры запросов предлагают создавать фотореалистичные портреты и сцены, задавая положительный и отрицательный промпты, размер изображения и параметры генерации. Модель рассчитана на создание реалистичных изображений, включая контент для взрослой аудитории. В примере API используются изображения 1024×1024, 30 шагов генерации и параметр guidance scale 7.5; это пример настроек, а не гарантированные характеристики качества. Данные карточки не сообщают размер весов, контекстный лимит или поддерживаемые языки промптов. Лицензия — CreativeML Open RAIL-M. Пример API допускает отключение safety checker, поэтому при использовании следует учитывать возможность генерации небезопасного или откровенного контента.

FaceOcc — модель для сегментации видимой поверхности лица на изображении. Она основана на методе FaceOcc, представленном Сяннань Инь и Лимин Чен, и реализации FaceExtraction; эта публикация предоставляет канонические веса модернизированной реализации FaceOcc. Модель использует архитектуру U-Net с энкодером ResNet18, предварительно обученным на ImageNet. На выходе она предсказывает бинарную маску: видимая поверхность лица отмечается единицей, фон и закрывающие лицо области — нулём. Модель предназначена для выделения области лица и последующей обработки, но не для распознавания личности, верификации или определения лицевых ориентиров. Качество зависит от выравнивания изображения, условий съёмки, типа перекрытия, качества изображения и правил разметки. Для воспроизводимого сравнения сохранён порог вероятности 0,5; настройку порога для конкретного применения следует проверять отдельно. Репозиторий распространяется по лицензии MIT.

iGPT-fr-cased-base — модель на архитектуре GPT-2, разработанная Laboratoire de Linguistique Formelle (LLF) для генерации изображений по текстовому описанию на французском языке. Она адаптирует iGPT-fr, предварительно обученную авторегрессионную языковую модель французского языка, для генерации изображений по тексту. Модель предназначена для создания изображений по французским текстовым запросам. Для высококачественного синтеза авторы указывают на использование библиотеки Taming Transformers вместе с Transformers. Обучающий корпус состоял из примерно 10,8 млн пар текста и изображения, собранных в том числе из LAION-5B и WIT. Модель имеет контекстное окно 512 токенов, распространяется в формате PyTorch и доступна по лицензии Apache-2.0. В карточке проект обозначен как находящийся в разработке, поэтому качество и пригодность для практического применения могут быть ограничены.

Krea 2 Raw — базовая версия модели генерации изображений по тексту, разработанная Krea.ai, Inc. и опубликованная Unsloth как зеркало исходного репозитория; веса не изменены. Это диффузионная модель архитектуры Diffusion Transformer с 12 млрд параметров, распространяемая в формате Diffusers и Safetensors. Она принимает текстовые описания на английском языке и создаёт изображения; версия Raw предназначена прежде всего для дообучения и постобучения под собственные задачи и домены, а автор README не рекомендует её для обычного инференса. Модель можно использовать как основу для создания специализированных вариантов, включая обучение LoRA. Лицензия — Krea 2 Community License; использование подчинено её условиям и Acceptable Use Policy, включая требования к фильтрации контента или эквивалентной проверке при развёртывании. Модель может не следовать описанию и создавать нежелательные изображения; она не предназначена для получения фактической информации.

Это форк LTX-Video 0.9.1 от jbilcke-hf, подготовленный для развертывания на Hugging Face Inference Endpoints. Он использует Diffusers и обёртку varnish, чтобы запускать генерацию видео по изображению; README также описывает режим генерации по текстовому запросу. Обёртка рассчитана на управляемый запуск и предоставляет настройки для масштабирования, интерполяции кадров, добавления киноплённого зерна и сжатия. Для развертывания автор рекомендует GPU NVIDIA L40S с 48 ГБ видеопамяти и загрузку всех файлов модели, включая файлы .pth. Одновременная работа текстового и графического режимов увеличивает расход памяти. Репозиторий поддерживает Diffusers и safetensors; лицензия указана как other, конкретные условия следует проверять в исходном репозитории LTX-Video.

Репозиторий smp-hub/mit_b2.imagenet содержит предварительно обученные на ImageNet веса энкодера mit_b2 для библиотеки segmentation-models-pytorch. Их используют для классификации изображений и как основу энкодера в моделях сегментации, собираемых с помощью этой библиотеки. Веса доступны в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

Репозиторий содержит предобученные на ImageNet веса энкодера mit_b4 для библиотеки segmentation-models-pytorch. Их можно использовать как основу при создании моделей сегментации изображений в этой библиотеке; карточка также классифицирует модель для image-classification. Веса опубликованы в формате safetensors. Модель предназначена для задач компьютерного зрения, связанных с классификацией изображений и использованием энкодера в сегментационных моделях. Лицензия указана как other, без уточнения условий в предоставленных данных.

Open Niji Remix — модель генерации изображений по текстовому описанию, созданная автором Yntec путём слияния моделей OpenNiji и OpenNiji-V2. Она предназначена для создания стилизованных изображений, в том числе иллюстраций и арта в эстетике Nijijourney; примеры запросов охватывают чиби-персонажей, рекламную живопись и сочетание стилизованной и фотореалистичной подачи. Модель доступна в формате Diffusers с весами PyTorch/Safetensors и работает через StableDiffusionPipeline. В README указано, что в неё встроен VAE MoistMixV2VAE. Лицензия — CreativeML OpenRAIL-M.

Карточка модели Kuki193321/sd-nsfw на Hugging Face совпадает с карточкой Kernel/sd-nsfw, поэтому описание составлено по ней. Kernel/sd-nsfw — модель генерации изображений по тексту на основе Stable Diffusion v1.5, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; исходный чекпойнт Stable Diffusion v1.2 был дообучен на 595 тысячах шагов при разрешении 512×512 на наборе laion-aesthetics v2 5+. Модель принимает текстовые запросы на английском языке и создаёт изображения; репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для генерации фотореалистичных изображений и художественных материалов по описанию, а также для исследований генеративных моделей. Название и метка «not-for-all-audiences» указывают на ориентацию на NSFW-контент. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование. Модель не гарантирует фотореализм, плохо передаёт текст внутри изображений и сложные пространственные композиции, может ошибаться при генерации лиц и людей. Английские запросы работают лучше других языков; возможны смещения и запоминание изображений из обучающих данных. Для практического применения авторы рекомендуют использовать Safety Checker.

Simple Diffusion XS (sdxs-2b alpha version) — компактная экспериментальная модель преобразования текста в изображения от AiArtLab. В основе заявлены CosmosTransformer3D примерно на 2 млрд параметров и Qwen3.5 на 0,8 млрд параметров; модель использует VAE Qwen с конфигурацией 16ch8x и распространяется в формате Diffusers с весами Safetensors. Модель предназначена для генерации изображений по текстовым запросам, включая иллюстрации, аниме и фотографии. Обучение проводилось на небольшом наборе данных; использовались подписи Danbooru и короткие или средние естественно-языковые описания длиной до 250 токенов. Заявленное разрешение по умолчанию — 768×1152, обучение охватывало разрешения от 576 до 1152 пикселей с шагом 64. В README также упомянуты доработка запросов и незатренированные конвейеры img2img и text-to-video. Это альфа-версия с предварительными весами и ограниченным обучающим набором, поэтому качество и универсальность могут быть неравномерными; возможности img2img и генерации видео не следует считать обученными функциями. Лицензия указана как other, без конкретных условий в предоставленных данных.

Карточка модели MingHai666/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.

1038lab/segformer_face — модель семантической сегментации изображений на архитектуре SegFormer, опубликованная организацией 1038lab на Hugging Face. По названию репозитория она предназначена для сегментации лиц на изображениях. В карточке указаны 84,6 млн параметров и формат Safetensors; класс архитектуры — SegformerForSemanticSegmentation. Модель принимает изображения и выдаёт пиксельную сегментацию. Карточка не содержит описания обучающих данных, поддерживаемых классов сегментации или лицензии; эти сведения нельзя надёжно подтвердить по доступным данным.

TIPO-200M-ft2 — языковая модель семейства LLaMA от KBlueLeaf, созданная для TIPO (Text to Image with text presampling for Prompt Optimization). Она дополняет и уточняет пользовательские запросы перед передачей в генератор изображений, помогая получать более проработанные промпты для text-to-image систем. Модель имеет плотную архитектуру LLaMAForCausalLM и около 177,9 млн параметров. Она принимает текст и генерирует текст; в карточке указаны английский язык и контекст 2048 токенов. README описывает обучение на данных Danbooru2023 и Coyo-HD-11M, а метаданные также перечисляют наборы подписей к изображениям LAION Conceptual Captions и GBC10M. Для работы автор рекомендует расширение z-tipo-extension, совместимое со Stable Diffusion WebUI, Forge и ComfyUI. TIPO предназначена для автоматического расширения коротких или неполных промптов, особенно в сценариях генерации изображений по тегам и подписям. В README приведены сравнительные результаты тестирования исходной TIPO-200M, но они не подтверждают отдельно качество версии ft2. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

WAI-NSFW-Illustrious-SDXL — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi. Метаданные указывают на использование StableDiffusionXLPipeline и форматов Diffusers и safetensors; README предлагает обращаться к модели через API ModelsLab. Модель предназначена для создания изображений по текстовым запросам. По тегам она ориентирована на иллюстративный и реалистичный визуальный контент, в том числе контент для взрослой аудитории. Размер модели, поддерживаемые языки запросов и длина контекста в предоставленных данных не описаны. Лицензия — CreativeML OpenRAIL-M.

SearchingMan/Z-Image-Turbo-student-adapter — адаптер для генерации изображений по тексту на основе Z-Image-Turbo от Tongyi-MAI. Он заменяет исходный текстовый энкодер Qwen3-4B на дистиллированную модель Qwen3-1.7B с лёгким адаптером, который преобразует её скрытые состояния в векторы кондиционирования, совместимые с DiT. Трансформер DiT и VAE базового пайплайна не изменены. Модель предназначена для генерации изображений с меньшими затратами видеопамяти. В измерениях авторов на T4 при разрешении 1024×1024 пиковое потребление памяти снизилось примерно с 21,35 до 16,76 ГБ; качество итоговых изображений при этом отдельно не гарантируется. Для работы требуется форматирование промпта через chat template, а генерация рассчитана на один промпт за раз. Модель распространяется по лицензии Apache-2.0.

MaticFuc/anomalyvfm_radio — модель компьютерного зрения на основе RADIO, подготовленная в рамках AnomalyVFM для обнаружения аномалий без примеров целевого домена. Она предназначена для выявления и локализации необычных областей на изображениях, в том числе в сценариях, где нет обучающих изображений с дефектами. Подход AnomalyVFM адаптирует предобученные визуальные модели с помощью параметрически эффективных низкоранговых адаптеров и взвешенной по уверенности пиксельной функции потерь; карточка сообщает средний image-level AUROC 94,1% на девяти наборах данных. Модель решает задачу сегментации изображений: принимает изображение и предназначена для выдачи локализации аномальных участков. В README указано, что AnomalyVFM представлена на CVPR 2026. Репозиторий содержит веса safetensors. Лицензия и численный размер модели в предоставленных данных не указаны.

Ars-AI разработала Ars-Divina-7.2.4a-0.1a как смешанную модель для генерации изображений по текстовым запросам. В состав смеси вошли Illustrious-XL, NoobAi и Pony Diffusion; модель распространяется в формате Diffusers с весами Safetensors и использует архитектуру Stable Diffusion XL. Модель рассчитана на создание изображений с плоскими цветовыми тонами. В карточке приведены рекомендации по промптам, настройкам сэмплера и размерам изображений, включая варианты около 1024 пикселей. Для использования нужны текстовый запрос и совместимый интерфейс Diffusers. Лицензия — OpenRAIL++. Качество результата зависит от промпта и настроек генерации. Рекомендации README по сэмплеру, числу шагов и CFG служат отправной точкой, а не гарантией результата.

Chanjing-Avatar V2V 5B — модель для создания говорящего аватара, разработанная Chanjing AI и основанная на Wan2.2-TI2V-5B. Она преобразует исходное видео, используя аудиодорожку для анимации лица: сохраняет движения тела, камеры и фона из исходника, а область лица генерирует заново в соответствии с речью. Для работы нужны отдельные веса Wan2.2 и facebook/wav2vec2-base-960h, а также код репозитория Chanjing-Avatar V2V 5B. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Лицензии базовой модели и wav2vec2 необходимо проверять отдельно.

NVIDIA Cosmos Reason 2 — дообученная мультимодальная модель с 32 млрд параметров для физических задач ИИ, робототехники и автономных систем. Она основана на Qwen/Qwen3-VL-32B-Instruct и принимает изображения и текстовые запросы, чтобы рассуждать о пространстве, времени, физике и происходящем в реальном мире. Модель поддерживает диалог, интерфейс вызова инструментов, локализацию объектов с координатами точек и рамок, а также объяснения и метки. Заявлена поддержка контекста до 256 тыс. входных токенов. Модель предназначена для анализа видео, отбора и аннотирования сенсорных данных, а также планирования действий воплощённых агентов, включая роботов и автономные автомобили. NVIDIA указывает, что модель готова к коммерческому использованию; лицензия в метаданных обозначена как other, поэтому перед внедрением следует проверить её условия. Поскольку выводы могут влиять на физические действия роботов, ошибки рассуждений и локализации могут привести к небезопасному поведению.

Xenova/depth-anything-small-hf — модель оценки глубины изображения, разработанная на основе LiheYoung/depth-anything-small-hf и адаптированная командой Xenova для работы с Transformers.js. Модель принимает изображение и строит карту глубины, оценивая относительное расстояние до объектов в его сцене. Модель предназначена для веб-приложений и JavaScript-сценариев, где требуется выполнять оценку глубины через pipeline с задачей depth-estimation. Она поставляется с весами в формате ONNX, совместимыми с Transformers.js, и может использоваться для обработки изображений, визуализации карт глубины и других задач анализа пространственной структуры сцены. В README указано, что пример обработки возвращает числовую карту глубины и одноканальное изображение глубины. Ключевые характеристики архитектуры, количество параметров, поддерживаемые языки и размер контекста в README не указаны; модель работает с визуальными данными и не является текстовой или мультимодальной диалоговой моделью. Сильной стороной является возможность запуска в экосистеме Transformers.js, включая веб-сценарии, однако точность, производительность, область применимости и ограничения оценки глубины подробно не описаны. Лицензия в предоставленных данных не указана. Отдельный репозиторий ONNX-весов обозначен как временное решение до более широкого распространения WebML.

DistilGPT2 Stable Diffusion — модель генерации текста на базе GPT-2, дообученная автором FredZhang7 для создания творческих и связных запросов к моделям преобразования текста в изображение. На вход она принимает произвольный текст и продолжает его в стиле описательных промптов для генерации изображений. Модель дообучена на 2,03 млн промптов из Stable Diffusion Discord, Lexica.art и Krea.ai. По заявлению автора, по сравнению с другими генераторами промптов на GPT-2 она выполняет прямой проход на 50% быстрее и требует на 40% меньше места на диске и оперативной памяти. Это компактная плотная архитектура GPT-2 с контекстом до 1024 токенов; доступны веса PyTorch и Safetensors. Модель подходит для подготовки и расширения промптов для генерации изображений, однако сама изображения не создает. Лицензия — CreativeML OpenRAIL-M.

Intel DPT-Hybrid, также известная как MiDaS 3.0, — модель Dense Prediction Transformer для оценки глубины по одному изображению. Её разработали Intel и Hugging Face на основе работы Ranftl и коллег «Vision Transformers for Dense Prediction» (2021). Модель содержит 113,2 млн параметров и использует гибридную архитектуру ViT с дополнительными блоками для плотного предсказания. Модель предназначена для оценки относительной глубины объектов на изображении без обязательного дообучения и для переноса между наборами данных. Она обучалась на 1,4 млн изображений, собранных из нескольких наборов данных; в README приведены результаты сравнения с MiDaS и DPT-Large на нескольких бенчмарках. Для конкретной прикладной задачи может потребоваться дообучение. Лицензия — Apache 2.0.

Это версия Gemma 4 E2B Instruct, адаптированная для рабочих процессов UX-исследований в Istara и преобразованная в формат MLX F16 для Apple Silicon. Карточка описывает её как сборку исходной модели henrique-simoes/gemma-4-e2b-it-istara-ux-research; метаданные указывают архитектуру Gemma4ForConditionalGeneration, поддержку чата и задачу генерации текста. Модель предназначена для подготовки материалов UX-исследований, например плана исследования для анализа оттока пользователей при онбординге. В README указана совместимость с MLX-загрузчиками, включая runtime в LM Studio; локальный smoke-тест прошёл на Apple Silicon, с пиковым потреблением памяти около 9,4 ГБ в коротком запуске. Это дообученная модель, опубликованная в формате Safetensors под лицензией Gemma. Версия F16 требует совместимой среды MLX и оборудования Apple Silicon; результаты короткого smoke-теста не характеризуют качество на широком наборе UX-задач.

HARDblend — дообученная модель генерации изображений по текстовому описанию, созданная автором theintuitiveye. Она предназначена для создания фотореалистичных портретов, в том числе контента для взрослых. По README, модель обучена примерно на 500 изображениях портретов и объединена с Hassanblend, Aeros, RealisticVision1.2, Delibrate, SxD и f222. Для работы используется Stable Diffusion Pipeline в библиотеке Diffusers; автор рекомендует VAE от Stability AI или версию со встроенным VAE для лучшего результата. Модель распространяется под лицензией CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Это англоязычная модель классификации текста, созданная дообучением distilbert/distilbert-base-uncased. По названию репозитория она предназначена для определения, относится ли текст к еде, однако карточка не описывает метки и примеры данных. Модель построена на архитектуре DistilBERT и рассчитана на входные последовательности длиной до 512 токенов; её можно применять для классификации текстовых записей о продуктах или блюдах. В README приведены результаты оценки: loss 0,0005 и accuracy 1,0, но набор данных и методика оценки не раскрыты, поэтому эти показатели не позволяют судить о качестве на новых данных. Модель распространяется по лицензии Apache-2.0.

LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

btaskel опубликовал GGUF-версию MiaoMiao-Harem v1.4 — модели Stable Diffusion для генерации изображений по текстовым запросам. В метаданных исходная модель указана как jd09876/miaomiao-harem; репозиторий помечен как производный вариант и содержит формат GGUF BF16. Модель предназначена для создания изображений по текстовым описаниям. README приводит опыт автора с вариантами квантования Q4_K_S и Q4_K_M, отмечая компромисс между размером, скоростью и квантованием; эти советы не описывают отдельные характеристики файлов этой версии. Условия лицензии в доступных данных не приведены.

nvidia/mit-b2 — предобученный на ImageNet-1k энкодер SegFormer размера B2, представленный командой Hugging Face. Архитектура сочетает иерархический Transformer-энкодер с лёгкой MLP-головой декодирования в семействе SegFormer; этот репозиторий содержит только энкодер, без декодирующей головы. Метаданные указывают реализации PyTorch и TensorFlow. Модель предназначена для классификации изображений по 1000 классам ImageNet и как основа для дообучения на семантическую сегментацию. Её можно адаптировать к сегментации сцен, например на наборах ADE20K или Cityscapes, добавив и обучив декодирующую голову. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.