IV.1Ритейл, электронная коммерция и fashion-tech

nateraw/food — модель компьютерного зрения, дообученная nateraw на базе google/vit-base-patch16-224-in21k для классификации изображений еды. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров. Модель предназначена для распознавания категорий блюд на фотографиях; при оценке на тестовой выборке Food-101 достигла точности 89,13% и значения loss 0,4501. Модель принимает изображения и выдаёт метку класса. Её можно применять для автоматической сортировки фотографий еды и определения блюда по снимку. Доступны веса PyTorch; лицензия — Apache-2.0. Карточка не описывает ограничения и условия, при которых получена оценка, поэтому результат может отличаться на изображениях вне оценочной выборки.

Bartek7630/FoodExtract-Vision-SmolVLM2-500M-fine-tune-v1-VIDEO — модель Hugging Face, дообученная на базе HuggingFaceTB/SmolVLM2-500M-Video-Instruct с использованием TRL. Это компактная мультимодальная модель для диалоговых задач с изображениями и видео; каталог указывает поддержку обработки изображения с выдачей текста. Название и карточка связывают дообучение с извлечением информации о еде, однако README не описывает конкретные поля или формат извлечения. Модель распространяется в формате safetensors; лицензия, языки и ограничения в предоставленных данных не указаны.

PhilflowIO разработала эту разговорную Gemma 3 12B как дообученную версию google/gemma-3-12b-it для немецких текстов сайтов и маркетинговых материалов. Модель генерирует текст и предназначена прежде всего для подавления шаблонных рекламных фраз из заданного списка; автор рекомендует использовать её вместе со специальным системным промптом. В опубликованном сравнении на 36 тестовых запросах сочетание модели с промптом дало меньше совпадений с обучающим бан-листом, чем базовая модель с тем же промптом. Этот показатель измеряет подавление выбранных фраз, а не общее качество текста. В тех же тестах отмечены ухудшение структуры предложений, ошибки грамматики и непоследовательное обращение du/Sie; слепые оценки не выбрали её тексты лучшими. Поэтому модель подходит для создания черновиков с последующей редактурой человеком, но не для выпуска готового текста без проверки. Это плотная модель семейства Gemma 3 с 12 млрд параметров и поддержкой чата; базовая Gemma 3 также поддерживает понимание изображений, но README описывает эту донастройку для генерации немецкого текста. Для корректной загрузки автор требует transformers==4.56.2: с transformers 5.x параметры checkpoint не сопоставляются, и модель может выдавать бессвязный текст. Использование регулируется условиями Gemma и политикой запрещённого использования Google.

Lorin — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией AmericanoLatte. Модель предназначена для использования с базовой моделью krea/Krea-2-Turbo в сценариях text-to-image, включая создание портретных изображений и других визуальных материалов по промптам. Для активации адаптера в промпт необходимо добавлять триггерное слово «Lorin». В README указано, что это обычная LoRA для Diffusers; сведения о размере адаптера, точной архитектуре, параметрах масштабирования, поддерживаемых языках и ограничениях контекста не предоставлены. Пример применения демонстрирует запрос «Portrait photo». Модель удобна для добавления характерного визуального эффекта или стиля Lorin к возможностям Krea-2-Turbo без замены базовой модели. При этом качество и область применения зависят от базовой модели, настроек LoRA и корректного использования триггерного слова. Модель распространяется по лицензии MIT.

Lucky Strike — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec и представленная в формате Diffusers с весами Safetensors. В карточке приведён пример промпта для создания детализированной живописной сцены с девушкой, цветами и фруктами; теги связывают модель со Stable Diffusion. Модель предназначена для создания иллюстраций по текстовым промптам. Указана лицензия CreativeML OpenRAIL-M. В README не приведены сведения о размере модели, длине контекста или конкретных ограничениях использования.

LUSTIFY-v2.0 — модель генерации изображений по текстовому описанию, созданная автором coyotte на основе SDXL 1.0. Это дообученный и объединённый чекпойнт в формате Diffusers с весами safetensors. Версия 2.0 объединяет первую версию с NatVis, а затем дополнительно обучена на новых изображениях; автор сообщает о 26 535 дополнительных шагах обучения. Модель рассчитана на фотореалистичную генерацию изображений по естественным языковым промптам и тегам Danbooru. Она создаёт как откровенный контент, так и изображения без откровенного содержания, включая объекты, животных и фэнтезийных существ. Автор отмечает улучшенное следование промптам и разнообразие стилей в версии 2.0. По словам автора, для сложных откровенных сцен результат стал менее стабильным и может потребовать нескольких генераций. На дальних планах могут получаться несовершенные лица и кисти рук; автор рекомендует для таких случаев повышенное разрешение и инструменты доработки. Модель описана как экспериментальная и может вести себя иначе, чем другие чекпойнты SDXL. Условия лицензии в предоставленной карточке не указаны.

thealper2/mt5-small-hashtag-generation — модель последовательного преобразования текста в текст, созданная дообучением google/mt5-small разработчиком репозитория на наборе sm4rtdev/x_dataset_240. Она генерирует переменное количество хештегов для публикации в соцсетях: хештеги в исходном тексте удаляются, а модель выдаёт предсказания в виде текста. Архитектура — mT5, около 157,4 млн параметров; файлы представлены в формате safetensors. В метаданных указана задача text-generation, хотя в README задача описана как генерация хештегов.

PhotoVintageV1.5 — модель генерации изображений на основе Stable Diffusion 1.5, созданная фотографом Jhoan Giraldo из Fotógrafo Medellín и дообученная на его фотографиях с авторскими цветовыми LUT-фильтрами. Она предназначена для создания фотореалистичных изображений людей и предметов в винтажном фотографическом стиле. Модель принимает текстовые запросы и генерирует изображения с характерной эстетикой аналоговой и Polaroid-фотографии: тёплыми лазурными оттенками, засветкой объектива, смещением цветов и зернистостью плёнки. В README рекомендован размер 512×512 пикселей; автор предлагает экспериментировать с настройками генерации и упоминать в запросах камеры и объективы. Репозиторий содержит версию для Diffusers в форматах PyTorch и SafeTensors. Лицензия — Artistic License 2.0. Модель ориентирована на фотостиль, однако карточка не приводит количественных оценок качества или результатов сравнительных тестов.

Sweet-mix_v2.2_flat — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем digiplay на Hugging Face. Карточка показывает пример генерации девушки на пикнике в солнечный день. В репозитории представлены веса safetensors и два варианта VAE, добавленные автором публикации для удобства использования; исходная версия автора модели VAE не включала. Модель предназначена для создания изображений по текстовым запросам. В карточке нет сведений о базовой модели, архитектуре сверх совместимости со Stable Diffusion, размере, контексте, языках запросов или условиях лицензии, поэтому эти характеристики нельзя уточнить. Указана лицензия other.

VPTracker — полно-параметрическая дообученная модель на базе мультимодальной Qwen3.5-2B-Base, созданная для глобального визуально-языкового трекинга с пространственными визуальными подсказками. Модель принимает визуальные данные и текстовые подсказки, чтобы отслеживать объекты в изображениях или видеопоследовательностях. В репозитории опубликован чекпойнт эксперимента 069. Для загрузки предусмотрены Transformers и архитектура Qwen3_5ForConditionalGeneration; README указывает ms-swift как среду обучения и инференса. Лицензия — Apache-2.0. Подробности о поддерживаемых языках, размере контекста и результатах оценки в предоставленных источниках отсутствуют.

Wai NSFW Illustrious v1.3.0 — модель преобразования текста в изображение из семейства Stable Diffusion XL, опубликованная пользователем votepurchase; исходная версия размещена на Civitai. Модель предназначена для генерации реалистичных и фотореалистичных изображений по текстовым описаниям, включая контент для взрослых. Модель работает через Diffusers StableDiffusionXLPipeline и распространяется в формате, совместимом с библиотекой Diffusers. В метаданных указана лицензия CreativeML OpenRAIL-M. Поддерживаемые языки текстовых запросов и размер модели в доступных данных не указаны. Сильными сторонами являются ориентация на реалистичную визуальную генерацию и совместимость с экосистемой Stable Diffusion XL. Результаты зависят от качества промпта, параметров генерации и используемого интерфейса; модель может создавать изображения с отклонениями от запроса и потенциально нежелательным или откровенным содержанием.

Agate Preview 002 — текстово-графическая модель LogoLabs для генерации изображений по англоязычным запросам. Это продолжение обучения Preview 001: та же плотная архитектура Agate, около 260 млн параметров с TAESD и выходное разрешение 256 × 256 пикселей. Модель обучалась на синтетическом наборе FLUX-Reason-6M; лицензия — MIT. Модель предназначена для создания иконок, символов и других небольших изображений по текстовому описанию, а также для прототипирования и компактного развёртывания. По оценкам разработчика, Preview 002 улучшает результаты Preview 001 на GenEval и Qwen-Image-Bench. Текст на изображениях, точный подсчёт объектов свыше четырёх и обработка отрицаний вроде «без» остаются ненадёжными. Обучающие изображения созданы FLUX.1-dev, поэтому модель может наследовать его визуальные особенности и смещения. В модели нет встроенного классификатора безопасности. Разработчик сообщает о генерации наготы взрослых по запросу и иногда без него, поэтому для публичного использования рекомендуется фильтровать результаты. В README также указано, что модель предназначена для исследований, обучения, прототипирования и компактного развёртывания.

Depth Anything 3 Base (DA3-BASE) — компактная модель визуальной геометрии, разработанная командой ByteDance Seed. Она принимает одно или несколько изображений и предсказывает пространственно согласованную геометрию сцены; поддерживает оценку относительной глубины и поз камер, в том числе с учётом заданных поз. Модель содержит 0,12 млрд параметров и построена на обычном Vision Transformer с единой глубинно-лучевой репрезентацией. Модель предназначена для многовидовой оценки глубины и поз, а также для задач визуальной геометрии по изображениям. В README заявлены результаты выше Depth Anything 2 в монокулярной оценке глубины и выше VGGT в многовидовой геометрии и оценке поз. Обучение проводилось только на открытых академических наборах данных. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0.

DA3MONO-LARGE — модель ByteDance Seed Team для оценки относительной глубины по одному изображению. Она предназначена для сценариев компьютерного зрения, где нужно восстановить геометрическую структуру сцены без стереопары или нескольких ракурсов. Модель содержит 0,35 млрд параметров и построена на архитектуре Vision Transformer с обычным трансформерным энкодером и унифицированным представлением глубины и лучей. Она предсказывает глубину напрямую, а также поддерживает сегментацию неба. По данным карточки, модель превосходит Depth Anything 2 в монокулярной оценке глубины; результаты зависят от качества изображения, освещения и сложности сцены. Модель выпущена под лицензией Apache 2.0. Она обучалась на общедоступных академических датасетах, поэтому может хуже работать на изображениях из узкоспециализированных областей.

TahaCakir/enhanced_turkishReviews-generativeAI — дообученная на неизвестном наборе данных генеративная модель на архитектуре GPT-2 Large, разработанная на основе openai-community/gpt2-large. Она предназначена для генерации текста; название репозитория указывает на связь с турецкими отзывами, однако README не уточняет сценарии применения и состав данных. Модель использует TensorFlow и имеет контекст длиной 1024 токена. В README приведены потери на обучении и валидации после 9 эпох, но нет описания оценки качества или практических ограничений. Лицензия — MIT.

FaceAge ClientScan — модель анализа лиц TrungTran для оценки возраста и классификации пола по изображению лица. Она использует дообученный визуальный трансформер DINOv3-ViT-L/16 с 307 млн параметров и двумя выходными головами: CORAL ordinal regression для оценки возраста от 0 до 100 лет и классификатором пола на два класса. Для воспроизведения заявленной точности лицо следует обрезать с пропорциональным отступом 10%; модель принимает кроп размером 224 × 224 пикселя. В бенчмарке LAGENDA 84k автор сообщает MAE 3,555 года и точность классификации пола 97,75%; также приведены результаты на UTK, IMDB и MORPH. Репозиторий содержит веса ONNX и safetensors, а для CPU автор указывает более быструю работу ONNX по сравнению с PyTorch. Модель распространяется по лицензии Apache-2.0. Она предназначена для анализа лиц и может ошибаться в оценках; результат зависит от подготовки кропа и условий данных.

Карточка модели shui674/JoyAI-VL-Interaction-Preview на Hugging Face совпадает с карточкой jdopensource/JoyAI-VL-Interaction-Preview, поэтому описание составлено по ней. JoyAI-VL-Interaction Preview — экспериментальная модель семейства Qwen3-VL, разработанная JD. Это плотная vision-first модель масштаба 8B для непрерывного анализа живого видеопотока: примерно раз в секунду она решает, стоит ли ответить, продолжить наблюдение без ответа или передать сложную подзадачу фоновому агенту и позже учесть его результат. Решение о моменте взаимодействия обучается внутри модели на временно выровненных данных и с помощью RL. Модель предназначена для сценариев, где важно заметить событие в реальном времени, например падение человека или появление объекта в трансляции. README описывает её как стандартную Qwen3-VL VLM, которую можно обслуживать через vLLM; голосовой ввод и вывод, а также делегирование подключаются как внешние компоненты. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Карточка не сообщает длину контекста и подробные показатели качества.

В репозитории smp-hub опубликованы предварительно обученные на ImageNet веса энкодера mit_b5 для библиотеки segmentation-models-pytorch. Их можно использовать как основу для моделей сегментации изображений, собираемых в этой библиотеке; метка image-classification также отражает обучение на ImageNet и предназначение весов для классификационных представлений. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, без дополнительных условий в доступных сведениях. Карточка не сообщает размер модели, контекст обработки или ограничения качества; применимость зависит от выбранной архитектуры и задачи, в которую включён энкодер.

Карточка модели FreeAi1111/PrepGenius на Hugging Face совпадает с карточкой zai-org/CogVideoX-5b, поэтому описание составлено по ней. CogVideoX-5B — открытая модель генерации видео от команды QingYing, представленная организацией zai-org. Она создаёт видеоролики по текстовому описанию и предназначена для генерации сцен, визуальных концепций и коротких демонстрационных клипов. Репозиторий использует конвейер CogVideoXPipeline из библиотеки Diffusers и хранит веса в формате safetensors; модель относится к варианту семейства с 5 млрд параметров. Модель принимает запросы только на английском языке. Запросы на других языках можно предварительно переводить на английский с помощью большой языковой модели. Для снижения потребления видеопамяти README описывает выгрузку частей модели в память CPU, нарезку и тайлинг VAE, а также квантизацию модулей; квантизация может замедлить генерацию. Проверки оптимизаций памяти проводились на NVIDIA A100 и H100, поэтому требования и производительность на других устройствах могут отличаться. Лицензия указана как other, конкретные условия использования следует сверять с лицензией репозитория.

ChrisColeTech/qwen-image-edit-uncensored-GGUF — предварительно объединённая и квантованная сборка модели Qwen-Image-Edit-2511, разработанная ChrisColeTech на базе Qwen/Qwen-Image-Edit-2511 и Phr00t/Qwen-Image-Edit-Rapid-AIO. В веса встроены Turbo-настройка для ускоренной генерации Lightning за 4 шага и NSFW LoRA. Модель предназначена для генерации изображений по текстовому описанию, image-to-image и редактирования изображений, включая преимущественно контент для взрослых. В README отмечено, что для незаконного контента действуют ограничения. Архитектура включает Transformer в формате GGUF размером около 11,7 ГБ, текстовый энкодер Qwen2.5-VL-7B-Instruct в формате GGUF размером около 4,43 ГБ, mmproj размером около 1,35 ГБ и VAE размером около 254 МБ. Рекомендуемое разрешение — 1024×1024, минимальное — 512×512; поддерживается от 4 до 16 шагов, а для Turbo-варианта рекомендуется 4 шага и CFG 1.0. Для работы требуется обновлённый GGUF Loader в ComfyUI. Сильная сторона модели — высокая скорость генерации, особенно в текстово-изображенческих сценариях, при этом базовые возможности редактирования сохраняются. Согласно README, редактирование не является её сильной стороной, а NSFW-редактирование требует дополнительной настройки. Языки, максимальная длина контекста и точные условия лицензирования не указаны; в карточке лицензия обозначена как unknown.

lerobot/resnet10 — модель ResNet-10, преобразованная из JAX в PyTorch в рамках переноса кода статьи HIL-SERL в LeRobot. Архитектура включает четыре стадии с базовыми блоками; модель содержит около 4,9 млн параметров, принимает RGB-изображения размером 128×128 и формирует эмбеддинг размером 64. В метаданных основная задача указана как классификация изображений. Модель предназначена для компактного визуального представления изображений, в том числе в задачах робототехники. При конверсии сохранены исходные веса и архитектура; формат весов в репозитории — safetensors. Лицензия — Apache-2.0. Карточка не описывает метки классов, точность классификации или результаты оценки, поэтому пригодность для конкретного набора классов требует проверки.

TIPO-500M — языковая модель семейства LLaMA, разработанная KBlueLeaf для подготовки и расширения запросов к генераторам изображений. Она анализирует короткий или неполный промпт и дополняет его текстом, который можно передать модели text-to-image; предполагаемый сценарий использования — этап предварительной обработки промпта в Stable Diffusion WebUI, Forge или ComfyUI через расширение z-tipo-extension. В репозитории указаны архитектура LLaMA и около 467 млн параметров по метаданным. Модель обучалась на данных с описаниями изображений и тегами, включая Danbooru2023 и Coyo-HD; среди датасетов в метаданных также указаны Conceptual Captions и GBC10M. Карточка сообщает контекст 1024 токена для TIPO-500M, тогда как метаданные каталога указывают native context 2048 токенов. Основной язык карточки — английский; отдельной информации о многоязычном обучении нет. TIPO предназначена для генерации текста промптов, а не самих изображений. Приведённые в README сравнительные оценки относятся к TIPO-200M, поэтому их нельзя напрямую считать оценкой версии 500M. Лицензия в метаданных обозначена как other; конкретные условия использования следует проверять в репозитории модели.

VST-3B-RL — визуально-языковая модель rayruiyang, описанная в работе Visual Spatial Tuning. Она предназначена для понимания пространственных отношений и рассуждений по изображениям, нескольким изображениям и видео. Модель основана на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и имеет контекст до 128 000 токенов. Модель обучалась поэтапно: сначала с учителем на пространственных данных, затем с подкреплением для развития пространственных рассуждений. Она отвечает на вопросы о количестве и размере объектов, расстояниях, направлениях, планировании маршрутов и порядке приближения. В карточке сообщается о результатах на пространственных бенчмарках и сохранении общих возможностей; это результаты авторов и они не гарантируют качества на произвольных данных. Для работы указаны Transformers и qwen-vl-utils; для загрузки видео авторы рекомендуют поддержку decord. Лицензия — Apache-2.0.

AlphaRoute-0.8B-v1.0 — компактная текстовая модель на основе Qwen3.5-0.8B-Base, дообученная разработчиком NamanAgnih0tri для семантической маршрутизации запросов по намерениям и извлечения структурированных данных. Она принимает запрос пользователя вместе с описаниями категорий и заданной JSON-схемой, после чего формирует решение о маршруте, извлекает параметры и может помечать запрос как не относящийся к заданным категориям. Модель рассчитана на маршрутизацию по категориям, заданным во время запроса, обработку внеобластных обращений и заполнение пользовательских JSON-схем без переобучения при смене категорий или полей. В карточке указаны архитектура Qwen3_5ForCausalLM, 581,4 млн параметров, контекст до 262 144 токенов и веса Safetensors; лицензия — Apache-2.0. README приводит результаты на Banking77, CLINC150 и HWU64, а также отмечает, что версия v1.5 превосходит v1.0 по ряду тестов. Поддерживается английский язык; заявленные результаты и устойчивость зависят от формулировок категорий, схемы и промпта.

BlackList 4.2 PRO — текстовая генеративная модель от Bl4ckSpaces для улучшения коротких описаний визуальных идей и подготовки промптов для Stable Diffusion, Midjourney, Flux и других систем генерации изображений. Она преобразует короткую фразу в более подробный промпт, добавляя описание композиции, ракурса, окружения, освещения, стиля и визуальных деталей. Модель использует плотную архитектуру семейства LLaMA с grouped-query attention и доступна в формате Safetensors. В README указано около 950 млн параметров, тогда как метаданные Hugging Face указывают 854,5 млн; максимальный контекст составляет 256 токенов. Модель предназначена для англоязычных описаний визуального искусства и не генерирует изображения: на выходе — текстовый промпт. Модель ориентирована на специализированную обработку промптов, а не на диалог, фактические ответы или длинные тексты. Она склонна к детализированной кинематографичной эстетике, а стилистические предпочтения отражают обучающие данные. Лицензия — Apache 2.0.

FrancescoMrn/cnn-fkp-deep — сверточная модель глубокого CNN для регрессии 68 лицевых ключевых точек в порядке разметки iBUG 300-W. Она принимает одно канальное серое изображение лица размером 224×224 с пикселями, нормализованными в диапазон [0, 1], и выдаёт 68 пар координат, нормализованных относительно обрезки лица. Модель предназначена для локализации лицевых ориентиров на уже обнаруженных, преимущественно фронтальных лицах: например, для анализа формы лица или подготовки изображений к последующей обработке. На валидационной выборке указана средняя ошибка NME 0,0974; контур челюсти оказался наиболее сложной областью. Обучение проводилось на кадрах YouTube Faces с 68-точечной разметкой, а проверочная выборка разделена по идентичностям людей. Модель распространяется под лицензией MIT. Авторы указывают, что обучающий набор демографически несбалансирован; качество на профильных лицах, при сильных перекрытиях и необычном освещении не проверялось. В README рекомендовано исследовательское и образовательное применение.

Cosmos-Reason2-8B-GGUF — это набор GGUF-квантизаций 8-миллиардной мультимодальной reasoning-модели NVIDIA Cosmos Reason 2, подготовленный apolo13x на основе nvidia/Cosmos-Reason2-8B. Модель предназначена для запуска через llama.cpp и совместимые инструменты, а её исходная архитектура постобучена на Qwen3-VL-8B-Instruct. Модель ориентирована на задачи physical AI и робототехники: пространственно-временное понимание сцен, анализ изображений и видео, обнаружение объектов с локализацией 2D- и 3D-точек и ограничивающих рамок, подготовку данных, видеоаналитику и планирование действий роботов. Поддерживается контекст до 256K входных токенов, заявлен английский язык. Модель работает с текстом и визуальными данными, включая изображения и видео, и учитывает пространственные, временные и базовые физические характеристики окружающей среды. Доступны варианты F16 размером 16 ГБ, Q8_0 размером 8,2 ГБ и Q4_K_M размером 4,7 ГБ; vision encoder сохранён в формате F16 и занимает около 1,1 ГБ. Квантизация уменьшает требования к памяти и упрощает локальный запуск, но варианты с меньшей точностью могут уступать F16 по качеству. Для использования требуется совместимый стек llama.cpp. Модель распространяется по NVIDIA Open Model License; конкретные условия следует уточнять в тексте этой лицензии.

EXAONE Forecast for Finance — фундаментальная модель временных рядов, разработанная LG AI Research для прогнозирования финансовых и других числовых рядов. В репозитории размещены веса модели; архитектура основана на T5 и реализована на PyTorch. В метаданных указано 176,2 млн параметров, а README описывает конфигурацию из 202 млн параметров, 12 блоков энкодера и скрытого размера 1024. Модель выполняет вероятностное прогнозирование без дообучения на конкретном наборе данных. Она использует причинную одномерную свёртку для смешивания временной информации и MLP для смешивания каналов, избегая self-attention; заявленная сложность растёт линейно с длиной последовательности и числом каналов. Модель рассчитана на числовые временные ряды, принимает историю длиной до 512 точек, поддерживает пропуски и обучалась на синтетических финансовых данных с характеристиками вроде кластеризации волатильности и смены режимов. В тестах на финансовом бенчмарке FinVerse модель заняла первое место по трём наборам метрик, однако результаты за пределами финансовой области пока не представлены. Дообучение и ансамблирование не оценивались, а текущий чекпойнт рассматривает каждый ряд как отдельный канал. Прогнозы не являются финансовой рекомендацией. Лицензия указана как other; код инференса распространяется отдельно и под другой лицензией.

lengocquangLAB/fine-tuned-jobtitle-embed — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует названия должностей и другие предложения или абзацы в плотные векторы размерностью 384; близость текстов оценивается косинусным сходством. Архитектура основана на BERT с усреднением токенных представлений. README указывает максимальную длину 128 токенов, а метаданные — контекст до 512 токенов. Модель обучена на 33 684 парах текстов с оценками сходства и особенно подходит для сопоставления названий должностей, поиска похожих формулировок, поиска по смыслу, кластеризации и классификации текстов. Базовая модель многоязычная, но языки конкретной обучающей выборки в карточке явно не перечислены; приведённые примеры названий должностей включают вьетнамский и английский. Для использования доступны веса в формате safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

FLUX.2-klein-4B-LiteRT — это on-device-версия модели FLUX.2 [klein] 4B, разработанной Black Forest Labs и конвертированной в формат LiteRT CompiledModel. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений непосредственно на мобильных устройствах, включая телефоны с GPU без выделенной видеопамяти. Распространяется под лицензией Apache-2.0. Пайплайн включает текстовый энкодер Qwen3-4B, rectified-flow Diffusion Transformer и VAE. Графы выполнены с целочисленной int8-квантизацией и разделены на чанки, которые загружаются поочерёдно; пиковый объём памяти составляет около 912 МБ вместо примерно 6,2 ГБ для полного набора графов. Для генерации используются 4 шага семплирования без classifier-free guidance, что уменьшает вычислительную нагрузку. Поддерживаются изображения размером 256×256; контекст включает до 512 текстовых токенов, а при редактировании используется расширенная последовательность токенов. Сильные стороны модели — работа полностью на устройстве, поддержка свободно вводимых промптов, нативное редактирование изображений, компактное размещение графов в памяти и близкое соответствие результатам fp32-пайплайна diffusers. В качестве ограничений указаны высокая продолжительность вычислений на мобильном GPU: генерация 256×256 занимает около 306 секунд, редактирование — примерно 328–369 секунд на Pixel 8a. Модель ориентирована на среду LiteRT и требует размещения токенизатора и таблицы эмбеддингов; заявленные характеристики и результаты измерены для конкретной мобильной платформы.