IV.1Ритейл, электронная коммерция и fashion-tech

Ling-3.0-flash-Fin-GGUF — это квантизированная GGUF-версия модели Ling-3.0-flash-Fin, разработанной inclusionAI и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и ориентирована на финансовые исследования, работу с финансовой информацией, создание агентных систем и сценарии с использованием инструментов. Модель имеет 127 млрд параметров, поддерживает только текстовый ввод и, согласно описанию, использует архитектуру mixture-of-experts. Заявлена поддержка длинного контекста, однако его точный размер не указан. Также поддерживается speculative decoding с использованием MTP и применена imatrix-квантизация. Доступны варианты от BF16 до низкобитных Q2–Q8 и IQ-квантизаций; рекомендуемым универсальным вариантом указан Q4_K_M размером 77,80 ГБ. Сильными сторонами являются специализация на финансовых задачах, поддержка агентных сценариев и инструментального использования, а также возможность запуска через совместимые инструменты llama.cpp в различных вариантах квантизации. Ограничения включают высокие требования к памяти даже для сжатых версий, снижение качества при использовании низкобитных вариантов и отсутствие сведений о поддерживаемых языках, точном размере контекста и результатах бенчмарков. Модель распространяется по лицензии MIT.

WT-MM/lingbot-depth-mlx — конвертированные веса LingBot-Depth для запуска через MLX на компьютерах с Apple Silicon. Модель основана на robbyant/lingbot-depth-pretrain-vitl-14-v0.5 и предназначена для оценки глубины по изображениям; конфигурация содержит размеры модели и параметры предобработки. Веса представлены в формате safetensors: энкодер использует bf16, декодер — fp32; позиционные эмбеддинги предварительно вычислены. Модель работает через mlx.core и позволяет использовать backend mlx-native проекта lingbot-depth-viz без установки PyTorch и конвертации исходного чекпойнта. В README указано расхождение AbsRel 0,27–0,48% относительно torch-MPS. Лицензия — MIT.

mlx-community подготовила неофициальную конверсию модели MapAnything в формат MLX с весами float16 для запуска на Apple Silicon. Исходная модель разработана Meta и CMU как прямой трансформер для метрической 3D-реконструкции по одному или нескольким изображениям; в неё также можно передавать калибровку камеры, карты глубины и позы камер. За один проход модель предсказывает для каждого ракурса карту 3D-точек, глубину, направления лучей, позу и внутренние параметры камеры, карту уверенности и маску неоднозначности. В основе — энкодер DINOv2 ViT-g/14 и 16-слойный трансформер для нескольких ракурсов; в репозитории указано около 1,23 млрд параметров. Конверсия рассчитана на выполнение через mlx-vlm и использует смешанную точность: основная часть энкодера и трансформера работает в float16, а геометрические головы — в float32. Модель подходит для восстановления геометрии сцены и получения облака точек по изображениям, в том числе с нескольких камер. README сообщает о близких к PyTorch эталону результатах на проверенных видео с уличными сценами, однако эти измерения не гарантируют такую же точность на других данных. Веса распространяются по лицензии CC BY-NC 4.0, допускающей только некоммерческое использование.

MiniMax-H3-Acc-LoRAs — набор официальных LoRA-адаптеров, разработанных для MiniMax-H3 и предназначенных для ускорения генерации видео с помощью Parallel Decoding Distillation (PDD). В репозитории представлены варианты для FL2VA и Ref2VA; каждый адаптер имеет ранг 64, alpha 64 и сохранён в формате BF16. Для работы требуется базовая модель MiniMax-H3 и соответствующий ей адаптер. Модель рассчитана на генерацию видео по тексту, а варианты FL2VA и Ref2VA поддерживают разные сценарии генерации. README демонстрирует тесты MiniMax-H3-Turbo с 4 и 8 шагами вывода и весом LoRA 1.0; для FL2VA указан режим 768p. Адаптеры загружаются через библиотеку VideoX-Fun и соответствующие скрипты генерации. В метаданных указана лицензия other, поэтому конкретные права использования следует проверять в условиях базовой модели и репозитория.

nativ-community публикует конвертированную в формат MLX модель MoGe-3 ViT-L для оценки монокулярной геометрии по фотографии. Репозиторий содержит 607 тензоров в формате safetensors с точностью float32; модель основана на Ruicheng/moge-3-vitl и предназначена для запуска на Apple Silicon через mlx-vlm. Модель принимает изображение и для него вычисляет карту глубины, нормали поверхности, маску валидных областей и матрицу внутренних параметров камеры. Это подходит для извлечения геометрии сцены из одиночного снимка. Веса распространяются по лицензии MIT. Конверсия меняет формат представления и выполнения модели для MLX; README не описывает отдельное дообучение.

SkyReels-V2-T2V-14B-720P — модель генерации видео по текстовому описанию, разработанная командой Skywork. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательной генерацией кадров. В основе модели лежит плотная архитектура text-to-video с авторегрессионным Diffusion Forcing; репозиторий содержит веса в формате safetensors. В названии указаны размер 14B и разрешение 720P. Модель рассчитана на генерацию видео по текстовым промптам, создание сюжетных роликов и сцен с движением камеры. Авторы описывают обучение с несколькими этапами предобучения, подкреплением и supervised fine-tuning для улучшения визуального качества и динамики движения. README также описывает задачи image-to-video и генерацию с несколькими согласованными объектами для серии SkyReels-V2, но этот репозиторий классифицирован как text-to-video. В README приведены код и инструкции для инференса на одной или нескольких GPU, включая ускорение через xDiT USP. Для использования требуются вычислительные ресурсы с GPU. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Test PatchTST — тестовый чекпойнт архитектуры PatchTST для прогнозирования временных рядов. В карточке указаны 786,4 тыс. параметров и формат весов safetensors. Автор README отсылает к официальной предварительно обученной модели PatchTST, поэтому этот репозиторий следует рассматривать как тестовый, а не как полноценный обученный чекпойнт. Модель распространяется по лицензии Apache-2.0.

katuni4ka/tiny-random-flex.2-preview — небольшая тестовая модель, опубликованная пользователем katuni4ka на Hugging Face. Она предназначена для генерации изображений по текстовому описанию и используется через библиотеку Diffusers с конвейером FluxPipeline. На странице модели приведён пример генерации изображения из текстового промпта, а также указана поддержка формата Safetensors. Модель относится к задаче text-to-image и не предназначена для обработки текста как результата.

TIPO-v2.1-1B-A200M — модель KBlueLeaf для оптимизации текстовых запросов к системам Text-to-Image. Она выполняет текстовое предварительное расширение: превращает короткий пользовательский запрос в более подробное описание перед передачей его диффузионной модели, стремясь повысить информативность, соответствие исходному запросу и сохранить разнообразие результатов. Модель обучена на данных подписей и метаданных изображений, включая Danbooru и наборы COYO, LAION и других источников. Это разреженная decoder-only языковая модель архитектуры KohakUwU MoE, основанной на DeepSeekMoE и реализованной в проекте KohakUwULLM. Она содержит около 990,8 млн параметров, из которых примерно 193,1 млн активируются на токен, а таблица эмбеддингов занимает около 50,3 млн параметров. Архитектура включает 16 слоёв, скрытый размер 768, 12 attention-голов, 2 KV-головы с GQA, QK-нормализацию, 64 маршрутизируемых эксперта с активацией top-8 и один общий эксперт. Контекст увеличен до 4096 токенов; модель работает в чистом fp16 без квантизированных матричных умножений. Версия v2.1 полностью переобучена на исправленном наборе данных и по сравнению с v2 лучше учитывает рейтинг безопасности, качество, количество персонажей и год публикации изображения. Она предназначена прежде всего для генерации и улучшения промптов, включая сценарии с booru-тегами и естественным языком. К ограничениям относятся специализированная направленность на оптимизацию промптов для Text-to-Image, англоязычные обучающие данные и отсутствие в представленных сведениях подтверждения поддержки других языков. Лицензия в README не указана.

geceff/Wan2.2-Custom-Models-GGUF — набор оптимизированных GGUF-квантизаций и специализированных вариантов Wan2.2 для преобразования изображения в видео. Разработчик репозитория — geceff; базовая технология относится к text-to-video synthesis, а заявленный pipeline предназначен для image-to-video. Модель ориентирована на запуск в ComfyUI и средах с ограниченной видеопамятью, прежде всего на NVIDIA Tesla T4, L4 и совместимых GPU. Заявлены языки английский, китайский и тайский. В состав входят варианты Wan2.2 I2V с разделением на high-noise и low-noise компоненты, квантизациями от Q4_K_M до Q8_H, а также отдельные FP8-модели, LoRA, текстовые энкодеры и VAE. Специализированные интегрированные варианты используют SVI для непрерывной генерации видео и веса Consistent Face для сохранения лица и внешности персонажа между кадрами. High-noise варианты предназначены для динамичного движения и разнообразных движений камеры, low-noise — для детализации и уточнения результата. Точные число параметров, размер контекста, поддерживаемые разрешения и длина видео на уровне архитектуры не указаны; для Tesla T4 README рекомендует не превышать 720×480 пикселей и примерно 81–120 кадров. Сильными сторонами являются экономичное использование VRAM, наличие нескольких уровней квантизации, поддержка гибридных рабочих процессов и оптимизация для ComfyUI. Ограничения связаны с существенными требованиями к видеопамяти, риском Out of Memory при использовании крупных FP8-моделей через веб-интерфейс на T4, а также необходимостью подбирать sampling steps, CFG и сочетание high-noise/low-noise вариантов. Репозиторий распространяется по лицензии Apache-2.0.

tolgacangoz/Wan2.2-S2V-14B-Diffusers — конвейер Diffusers, опубликованный пользователем tolgacangoz и основанный на дообученной модели Wan2.2-S2V-14B от Wan-AI. Он предназначен для создания видео по изображению и текстовому запросу; базовая модель Wan-S2V использует аудио для генерации кинематографической анимации персонажа, синхронизированной с речью или пением. Карточка репозитория показывает пример генерации кадров видео из изображения и промпта, а класс конвейера — WanSpeechToVideoPipeline. Модель имеет 14 млрд параметров согласно названию базовой модели и распространяется в формате Diffusers с весами Safetensors. Вариант репозитория лицензирован по Apache-2.0. Официальная карточка базовой модели описывает генерацию речи-в-видео с поддержкой разрешений 480p и 720p. Язык промптов и ограничения по длительности или потребляемым ресурсам в карточке этого репозитория подробно не установлены.

Набор Jak’s Zombie Vector Pack создан для Stable Diffusion и обучен на 124 изображениях в течение 5000 шагов; автор README — Jak_TheAI_Artist. Триггер «zombie_vector» активирует стиль набора. Модель предназначена для генерации векторных изображений зомби по текстовым запросам, например иллюстраций для футболок. Репозиторий использует форматы Diffusers и PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели, контекстном окне и поддерживаемых языках.

ChronoEdit-14B — мультимодальная модель редактирования изображений и моделирования взаимодействий с физическим миром, разработанная NVIDIA. Она использует диффузионный трансформер с временным денойзингом и состоит из этапа рассуждения о траектории видео и этапа контекстного редактирования. Заявленный размер — около 14 млрд параметров; модель работает с изображением и текстовой инструкцией, а выдаёт изображение. В карточке указана интеграция с PyTorch и Diffusers, а также возможность использования Triton Inference Server. Модель предназначена для физически осмысленного редактирования изображения по инструкции и симуляции мира с учётом действий, в том числе сценариев PhysicalAI. В карточке заявлена поддержка английского и китайского языков. Модель ориентирована на системы с GPU NVIDIA; для входных инструкций указан предел около 300 токенов. Лицензия — Apache 2.0; README также предписывает соблюдать NVIDIA Open Model License Agreement.

DA3-GIANT-1.1 — модель ByteDance Seed Team для оценки визуальной геометрии по изображениям. Это флагманская модель серии Any-view с 1,15 млрд параметров: Vision Transformer на основе обычного трансформера и единого представления глубины и лучей (depth-ray). Модель предназначена для оценки относительной глубины, поз камер и 3D Gaussian-представления сцен по нескольким видам; также поддерживает управление оценкой позы. В метаданных Hugging Face основная задача указана как depth-estimation. Модель заявлена как превосходящая Depth Anything 2 в монокулярной оценке глубины и VGGT в многовидовой оценке глубины и поз камер. Обучение проводилось на общедоступных академических наборах данных, поэтому результаты могут быть менее надёжными на специализированных изображениях; качество также зависит от освещения, качества изображений и сложности сцены. Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование.

Depth Anything V2 Metric Indoor Base — модель оценки метрической глубины изображений для внутренних помещений, разработанная авторами Depth Anything V2 и дообученная на синтетическом наборе Hypersim. Она предназначена для получения карты глубины с абсолютными оценками расстояния по изображению комнаты или другого внутреннего пространства; поддерживает сценарии компьютерного зрения, где важна геометрия сцены, а не только относительный порядок глубин. Модель использует архитектуру DPT с backbone DINOv2 и содержит около 97,5 млн параметров. Это версия семейства Depth Anything V2, обученного на синтетических размеченных изображениях и реальных неразмеченных изображениях; данный чекпойнт настроен для метрической оценки глубины в помещениях. Он совместим с библиотекой Transformers и распространяется в формате safetensors. В README не приведены ограничения точности или условия лицензии для этого чекпойнта, поэтому их нельзя уточнить по имеющимся данным. Качество метрических оценок может зависеть от соответствия входной сцены обучающим данным Hypersim; применение ориентировано на интерьеры, а не на уличные сцены.

dima806/fairface_gender_image_detection — модель компьютерного зрения от dima806 для классификации изображений по двум меткам пола: Female и Male. Это дообученная версия Vision Transformer ViT-Base с архитектурой ViTForImageClassification, примерно 113,2 млн параметров; веса сохранены в формате safetensors. Для дообучения использован набор данных nateraw/fairface. Модель предназначена для определения метки пола по изображению и может применяться в экспериментах или системах анализа изображений. В README приведены результаты на 10 000 примерах: точность 93,42%, F1 для класса Female — 0,9285, для Male — 0,9391. Эти показатели относятся к указанной оценке и не гарантируют качество на других данных. Лицензия модели — Apache-2.0. Модель выдаёт один из двух классов и не описывает ограничения применимости или условия оценки помимо приведённого отчёта классификации.

FastVideo-Minimax-FastH3-Preview-v0.2 — предварительная версия модели команды FastVideo для генерации коротких видео с синхронизированным звуком по текстовому запросу. Это четырёхшаговая дистилляция MiniMax-H3, мультимодального диффузионного трансформера с 33 млрд параметров для видео и аудио. Дистилляцию DMD2 обучили на текстовых запросах без использования видеоданных; опубликованные веса трансформера хранятся в формате safetensors и точности bf16, остальные компоненты Diffusers-пайплайна скопированы из базовой модели. Модель рассчитана на генерацию клипов длительностью около пяти секунд: в описанном обучении использовались разрешение 768×1344 и 124 кадра с синхронным звуком. Четырёхшаговая схема сокращает число вычислений трансформера по сравнению с 50-шаговой базовой моделью. Поддерживается плотное внимание по умолчанию и разреженное блочное внимание VSA для дополнительного ускорения. Это незавершённый preview-чекпойнт на 2900-м шаге из запланированных 4000, поэтому качество ниже базовой модели, особенно в деталях движения и звука. Модель обучена для конкретной четырёхшаговой последовательности таймстепов; другие сетки могут ухудшить результат. Она наследует ограничения и условия использования MiniMax-H3; в метаданных указана лицензия other, а точные условия следует сверять с карточкой базовой модели и репозитория.

kweer/food_text_classification — дообученная модель DistilBERT для классификации текстов. По карточке, она обучена на неизвестном наборе данных; назначение и категории классификации не раскрыты. Модель принимает текст и выдаёт метку класса. Архитектура — DistilBertForSequenceClassification, формат весов — safetensors, максимальная длина контекста — 512 токенов. Базовая модель — distilbert/distilbert-base-uncased. В README указаны loss 0,0005 и accuracy 1,0 на оценочном наборе, но без сведений о данных и методике оценки эти показатели не позволяют судить о качестве на новых текстах. Лицензия — Apache-2.0.

Qrzysztof дообучил компактную текстовую модель Google FunctionGemma 270M для распознавания запросов по предоплаченным картам и выбора соответствующего вызова функции. Модель построена на Gemma 3, содержит 257 млн параметров, принимает текст и генерирует текст с вызовами инструментов в протоколе FunctionGemma; контекст — до 32 768 токенов. Она предназначена для чат-агентов, которые оформляют покупку цифровой предоплаченной карты Visa или виртуальной Mastercard, проверяют баланс и показывают историю транзакций. Обучение охватывает многоязычные и многоходовые диалоги, включая опечатки и неформальную речь. В тестировании на отложенной выборке v2 точность выбора инструмента составила 89,5%; качество зависит от языка, а низкоресурсные языки покрыты менее равномерно. Данные обучения синтетические. Модель только формирует вызовы функций и не подключена к платёжной системе или базе карт; аргументы, особенно номера карт, следует проверять на сервере перед выполнением операций. Для использования действует лицензия Gemma.

IconsMI-AppIconsModelforSD — модель text-to-image на базе Stable Diffusion от автора artificialguybr. Она предназначена для создания изображений иконок мобильных приложений в заданной тематике: например, для новостного, музыкального или спортивного приложения. Для активации обученного стиля в запросе следует использовать слово «IconsMi»; автор рекомендует описывать конкретный объект и визуальный стиль, а не полагаться на абстрактные понятия. В репозитории доступны варианты чекпойнта с разным балансом разнообразия и качества: вариант на 2000 шагах автор считает более разнообразным, а на 5500 шагах — более качественным, но менее способным к абстрактной генерации. Модель обучалась в течение 7200 шагов, а файлы представлены в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

Карточка модели 1NC06Nl70/lingbot-world-fast на Hugging Face совпадает с карточкой robbyant/lingbot-world-fast, поэтому описание составлено по ней. LingBot-World-Fast — модель генерации видео из изображения, выпущенная командой Robbyant Team как часть проекта LingBot-World. Она предназначена для создания интерактивных видеосцен на основе входного изображения, текстового промпта и сигналов управления положением камеры. Модель построена на кодовой базе Wan2.2 и распространяется в формате safetensors по лицензии Apache-2.0. Модель генерирует видео в разрешении 480p и 720p. Проект заявляет генерацию со скоростью 16 кадров в секунду и задержкой менее секунды, а также поддержку роликов длительностью до минуты с сохранением контекстной согласованности. Возможные сценарии включают создание контента, игровые среды и обучение роботов. Карточка не приводит размер модели и отдельные измерения качества LingBot-World-Fast; заявленные возможности могут зависеть от оборудования и настроек запуска.

MAI-UI-8B — мультимодальная модель семейства MAI-UI от Tongyi-MAI для управления графическими интерфейсами. Она принимает изображения экранов и текстовые инструкции, а в диалоговом режиме помогает агентам понимать интерфейс, находить элементы и выполнять мобильную навигацию. Модель относится к семейству Qwen3-VL; в метаданных указан класс Qwen3VLForConditionalGeneration и формат safetensors. MAI-UI разработана для GUI-агентов, работающих в реальных сценариях: навигации по мобильным приложениям и привязки действий к элементам интерфейса. Семейство MAI-UI также включает варианты других размеров. В README сообщаются результаты на бенчмарках GUI grounding и мобильной навигации, но отдельные показатели именно версии 8B не приведены. Модель распространяется по лицензии Apache-2.0. Для запуска README описывает использование vLLM не ниже 0.11.0 и Transformers не ниже 4.57.0.

NEXUS-Finance-GGUF — квантизированная GGUF-версия модели NEXUS-Finance, разработанной fableforge-ai в рамках экосистемы FableForge и опубликованной пользователем King3Djbl. Модель представляет собой лёгкого доменного специалиста для финансового анализа и моделирования, включая задачи в области финансов, бухгалтерского учёта, рассуждений и использования инструментов. Предназначена для локального запуска через llama.cpp, Ollama или LM Studio. Заявлен размер базовой модели — 1,5 млрд параметров. Указан английский язык, текстовая модальность и поддержка формата ChatML. Репозиторий содержит варианты от F16 до низкобитных квантизаций, включая Q4_K_M как компромисс между размером и качеством, Q6_K для высокого качества и IQ4_XS для систем с ограниченной оперативной памятью. Размер файлов варьируется от 0,23 до 3,09 ГБ; сведения о размере контекстного окна отсутствуют. По заявленным разработчиками результатам внутреннего тестирования модель набрала 144 из 150 баллов (96%) на 30 заданиях, оценивавших предметные знания, рассуждения и использование инструментов. Эти показатели следует считать заявленными результатами, поскольку независимая методика и полный набор тестов не приведены. Ограничениями являются небольшой размер модели, возможная потеря качества в низкобитных вариантах и отсутствие информации о контекстном окне. Модель распространяется по лицензии Apache-2.0.

Pornai — это конвертированная в GGUF модель на основе alibaba-pai/Wan2.2-Fun-5B-Control-Camera для создания видео по изображению с управлением движением камеры. Репозиторий содержит варианты квантования GGUF от Q2_K до Q5_0; для работы также требуются текстовый энкодер Umt5-xxl и VAE Wan2.2_VAE. Модель предназначена для использования в ComfyUI через пользовательский узел ComfyUI-GGUF. Лицензия — Apache-2.0; при квантовании сохраняются исходные условия лицензирования и ограничения базовой модели.

TSO Foundation Model v17 — исследовательская модель временных рядов, разработанная автором репозитория Sejibeji. Она обучается представлять динамические системы в скрытом пространстве, где их эволюция приближённо линейна, и предназначена для прогнозирования новых временных рядов без дообучения: для переноса выполняется замкнутая подгонка оператора Koopman на замороженном представлении. Архитектура включает вложения Такенса, представления на нескольких масштабах, глубокий энкодер Koopman lift и сверточный классификатор направления времени; размер латентного пространства — 256, скрытого слоя — 768. Предобучение использует самоконтролируемые задачи реконструкции, моделирования динамики Koopman, согласования масштабов и определения направления времени на рядах из энергетики, метеорологии, ЭКГ, финансов, эпидемиологии, экономики, солнечной физики и хаотических систем. README сообщает о нулевом дообучении при переносе и приводит результаты сравнения на 40 рядах, но эти оценки относятся к описанному автором эксперименту. Модель испытывает трудности на рядах со всплесками и почти единичным корнем, а возможности линейного пробника ограничивают качество переноса. Лицензия — MIT.

Карточка модели qqceqqq/VGGT-1B на Hugging Face совпадает с карточкой facebook/VGGT-1B, поэтому описание составлено по ней. VGGT-1B — Visual Geometry Grounded Transformer, разработанный Meta AI Research и University of Oxford, VGG. Это feed-forward нейросеть для восстановления геометрии сцены по одному, нескольким или сотням изображений, которая за секунды предсказывает параметры камер, карты глубины, карты точек и 3D-треки точек. Модель предназначена для задач преобразования изображений в геометрическое представление сцены и работы с многовидовыми данными. В метаданных указаны английский язык и формат весов safetensors. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

Amateur Photography — LoRA-модель для генерации изображений по текстовому описанию, разработанная пользователем или организацией falanaja. Она предназначена для использования в сценариях text-to-image и ориентирована на создание изображений в стилистике любительской фотографии. Модель интегрируется с Diffusers и применяется поверх базовой модели black-forest-labs/FLUX.1-dev. В README не указаны размер, архитектура самой LoRA, поддерживаемые языки, максимальная длина контекста, точный характер стилистических особенностей, ограничения или лицензия. Доступны веса в формате Safetensors; пример использования показывает активацию LoRA с идентификатором amateurphoto-v6-forcu и весом 0.8. Условия использования в предоставленных данных не описаны.

Bad-Anatomy-Realism-Classifier — дообученный Vision Transformer ViT для классификации изображений, разработанный автором angusleung100. Модель оценивает анатомические дефекты в изображениях, созданных ИИ, и отличает реалистичные изображения от выглядящих искусственно по признакам освещения, кожи, волос и фотографического стиля. Её можно использовать для сортировки генераций или для запуска повторной генерации при обнаружении анатомических ошибок. Модель основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и принимает изображения, выдавая метки классов. Она обучалась на 134 изображениях, преимущественно созданных Stable Diffusion 1.5 с чекпойнтом Beautiful Realistic Asians v6; среди примеров было лишь шесть изображений с плохой анатомией, но реалистичной подачей. Автор сообщает точность 64,41% и F1 51,3%, поэтому результаты следует считать ненадёжными для автоматизированных решений. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели kayte0342/chronoedit на Hugging Face совпадает с карточкой eyaler/chronoedit, поэтому описание составлено по ней. ChronoEdit-14B — мультимодальная модель редактирования изображений и моделирования взаимодействий с физическим миром, разработанная NVIDIA. Она использует диффузионный трансформер с временным денойзингом и состоит из этапа рассуждения о траектории видео и этапа контекстного редактирования. Заявленный размер — около 14 млрд параметров; модель работает с изображением и текстовой инструкцией, а выдаёт изображение. В карточке указана интеграция с PyTorch и Diffusers, а также возможность использования Triton Inference Server. Модель предназначена для физически осмысленного редактирования изображения по инструкции и симуляции мира с учётом действий, в том числе сценариев PhysicalAI. В карточке заявлена поддержка английского и китайского языков. Модель ориентирована на системы с GPU NVIDIA; для входных инструкций указан предел около 300 токенов. Лицензия — Apache 2.0; README также предписывает соблюдать NVIDIA Open Model License Agreement.

CroPond-7B — мультимодальная модель зрения и языка, разработанная на основе Qwen2.5-VL-7B-Instruct и дообученная главным образом на наборе CrossPoint-378K. Она предназначена для поиска соответствий между точками на изображениях разных ракурсов: модель принимает изображения и формулировки на естественном языке, чтобы сопоставлять одни и те же объекты или места при изменении точки обзора. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. В карточке заявлено качество уровня state of the art для задач cross-view correspondence, однако конкретные результаты и подробности оценки в README не приведены. Метаданные указывают английский язык. Модель опубликована в формате safetensors под лицензией MIT. Ее основная специализация — визуальное сопоставление между ракурсами; данные не подтверждают пригодность для более широкого набора задач обработки изображений.