IV.1Ритейл, электронная коммерция и fashion-tech

DA3NESTED-GIANT-LARGE-1.1 — модель визуальной геометрии от команды ByteDance Seed, объединяющая модель Giant для работы с изображениями с разных ракурсов и модель Large для оценки глубины в метрическом масштабе. Она предназначена для восстановления геометрии сцены по изображениям и использует архитектуру Vision Transformer с единой глубинно-лучевой репрезентацией. Размер модели — 1,40 млрд параметров. Модель оценивает относительную и метрическую глубину, позы камер, поддерживает задание позы и сегментацию неба, а также восстановление сцены с помощью 3D Gaussian Splatting. Её можно применять для реконструкции сцен по одному или нескольким изображениям и анализа геометрии окружающей среды. В README заявлено превосходство над Depth Anything 2 в оценке глубины по одному изображению и над VGGT в многовидовой оценке глубины и поз. Модель обучена на открытых академических датасетах. Точность может снижаться на специализированных изображениях и зависеть от качества снимков, освещения и сложности сцены. Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование.

DVLT (Déjà View Looping Transformer) — модель для многовидовой реконструкции 3D по ненастроенным RGB-изображениям или видео. Её разработали NVIDIA, University of Modena and Reggio Emilia, University of Toronto и ETH Zurich. Модель за один проход предсказывает для каждого пикселя глубину и карту лучей, из которых можно получить 3D-точки, а также параметры камер: внутренние и внешние. Число параметров — около 117 млн; архитектура — ViT с общей рекуррентной петлёй и визуальной основой DINOv2 ViT-B. Число шагов уточнения K можно выбирать при инференсе в диапазоне 8–16, меняя соотношение качества и задержки. Модель предназначена для реконструкции сцен, оценки поз камер и ускорения начальной подготовки данных для NeRF и 3D Gaussian Splatting; может использоваться в исследованиях SLAM и навигации. На обучении применялись сцены с 2–18 ракурсами, а поддерживаемое при инференсе число изображений ограничено памятью. Для работы рассчитана на PyTorch и NVIDIA GPU. Лицензия обозначена как other, поэтому условия её использования следует уточнять в репозитории.

FaRL-Base-Patch16-LAIONFace20M-ep64 — преобразованный для библиотеки Transformers чекпойнт FaRL от исследовательской команды FacePerceiver. Это визуально-языковой CLIP-подобный трансформер базового размера с патчами 16×16; версия ep64 обучалась 64 эпохи на LAION Face 20M. Модель предназначена для анализа лиц и как предварительно обученная основа для последующего дообучения на задачах распознавания и сегментации лиц. Репозиторий Hugging Face также предоставляет её для классификации изображений без примеров по текстовым меткам. Модель использует совместное контрастивное обучение изображений и текста, а также masked image modeling. В официальных материалах описаны применения к выравниванию лиц и разбору лиц на области; для использования как FaceCLIP доступны визуальный и текстовый энкодеры. Карточка указывает около 0,1 млрд параметров и лицензию MIT. Качество зависит от домена и последующей настройки; это специализированный лицевой энкодер, поэтому его не следует трактовать как универсальную модель для произвольных изображений или генерации текста.

SpencerCreveling99/fine-tuned-minilm-wine — дообученная модель Sentence Transformers на основе sentence-transformers/all-MiniLM-L6-v2, разработанная Spencer Creveling. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные семантические векторы размерности 384; в README указаны mean pooling, нормализация векторов и косинусная мера сходства. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Модель обучена на 39 988 парах текстов с оценками сходства, связанных с описаниями вина. Она предназначена для семантического поиска и сравнения текстов о вине, поиска перефразировок, кластеризации и использования в классификационных конвейерах. README не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Subhash5/indian-food-classifier — модель компьютерного зрения на архитектуре ViT, дообученная разработчиком на базе google/vit-large-patch16-224 для классификации изображений еды. Она распознаёт 20 категорий, включая индийские блюда, например butter naan, dal makhani, masala dosa и samosa, а также burger и pizza. Модель принимает изображение и предсказывает категорию блюда. Её можно применять для автоматической маркировки фотографий еды и распознавания блюд в приложениях или каталогах. Чекпойнт содержит около 402,7 млн параметров, сохранён в формате safetensors и предназначен для библиотеки Transformers. Лицензия — MIT.

LDM3D-SR — модель повышения разрешения от Intel из семейства LDM3D-VR, описанного в исследовательской работе, принятой на семинар NeurIPS 2023 по диффузионным моделям. Она увеличивает разрешение изображений и связанных с ними карт глубины, восстанавливая RGBD-результат из низкоразрешённого входа. Модель построена на латентной диффузии: использует адаптированный U-Net с 8-канальным входом, латентное представление автоэнкодера LDM3D-4c и текстовый энкодер CLIP для текстового условия. LDM3D-SR предназначена для подготовки высокоразрешённых RGBD-материалов, в частности для разработки VR-сцен. В описанной оценке модель повышала разрешение с 128×128 до 512×512. Для обучения использовались пары изображений высокого и низкого разрешения, подписи и карты глубины; данные происходят из подмножеств LAION Aesthetics 6+ и LAION-400M. Карточка указывает лицензию CreativeML OpenRAIL-M. К модели применимы ограничения и смещения Stable Diffusion при генерации изображений. Карты глубины основаны на разметке, полученной с помощью DPT, поэтому на них распространяются ограничения и смещения DPT. Модель не гарантирует точность глубины для произвольных сцен.

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.

LTX-2.5 Quantized — это набор квантизированных весов базовой модели Lightricks/LTX-2.5, опубликованный пользователем joeygambino. Модель предназначена для генерации видео по текстовому описанию с одновременным созданием изображения и звука за один проход. Основной сценарий использования — запуск LTX-2.5 в ComfyUI на видеокартах с ограниченной видеопамятью, включая карты на 16 ГБ. Базовая модель имеет архитектуру DiT и размер 22B параметров; исходные веса в формате bf16 занимают около 42 ГБ, а текстовый энкодер Gemma 4 12B — ещё около 26,3 ГБ. Репозиторий содержит варианты в форматах GGUF и safetensors с квантованием от 2 до 8 бит, включая смешанные 4- и 8-битные варианты. Для работы используются отдельные текстовый энкодер и видео- и аудио-VAE. Рекомендуемая конфигурация для 16 ГБ включает вариант Q3_K_M или comfy-w4a4, квантизированный Gemma 4 12B и tiled VAE decode. Поддержка рассчитана на ComfyUI; GGUF требует ComfyUI-GGUF, тогда как safetensors можно использовать в штатном ComfyUI 0.32 и новее. Главное преимущество — значительное снижение требований к памяти: отдельные варианты занимают примерно от 7,9 до 22,7 ГБ, что позволяет запускать модель на более доступном оборудовании. К ограничениям относятся возможное ухудшение качества из-за квантования, необходимость отдельного текстового энкодера и VAE, а также то, что для некоторых конфигураций 16 ГБ недостаточно. Лицензия указана как ltx-2.x-community-license; точные условия определяются лицензией Lightricks.

Migas-1.5 — модель компании Synthefy для прогнозирования временных рядов с учетом текстового контекста. Она сочетает замороженный одномерный прогнозист Chronos-2 с текстовыми сводками: сводки кодируются текстовым энкодером, а механизм gated attention объединяет их с представлением временного ряда. Итоговый прогноз формируется с помощью обучаемого смешивания базового и объединенного прогнозов. Модель предназначена прежде всего для финансовых и экономических рядов. Она принимает исторические значения временного ряда и готовые текстовые сводки либо аннотации по шагам, из которых LLM может сформировать сводки с фактическими сведениями и прогнозными сигналами. Поддерживаются сценарии ансамблирования сводок и контрфактического анализа путем изменения прогнозных сигналов. Горизонт прогноза фиксирован на 16 шагов; оценка проводилась на данных по фондовым индексам и макроэкономическим показателям. Модель распространяется под лицензией Apache-2.0.

google/ncsnpp-ffhq-256 — модель генерации изображений безусловным способом на основе NCSN++ и score-based generative modeling через стохастические дифференциальные уравнения (SDE). Архитектура учит временное поле score, а при генерации обращает процесс добавления шума, преобразуя случайный шум в изображение. Модель распространяется в формате Diffusers и PyTorch. Модель предназначена для синтеза изображений лиц из набора FFHQ с разрешением 256×256. Она подходит для экспериментов с безусловной генерацией и изучения SDE-подходов к диффузионным моделям. В README описана общая методика score-based моделирования и приведён пример использования Diffusers, но сведения о конкретных метриках этой модели и её точной конфигурации не приведены. Лицензия — Apache-2.0.

falconsproof v1 — модель Falconsai для выбора и ранжирования вариантов ответа по заданному текстовому состоянию, вопросу и списку из 2–20 вариантов. Она возвращает калиброванную вероятность для каждого варианта и не генерирует текст. Модель построена на DistilBERT с 6 слоями, 768 скрытыми параметрами и 12 головами внимания; содержит около 67,6 млн параметров. Контекст модели — 512 токенов по метаданным, однако в описанных сценариях вход обрезается после 128 токенов. Основное применение — маршрутизация англоязычных обращений в службу поддержки по закрытому набору намерений. Внутри домена Bitext модель показала точность 97,3%, но на незнакомых банковских намерениях качество и калибровка заметно хуже. Для открытых вопросов, генерации текста, длинных документов, многошаговых рассуждений и языков кроме английского модель не предназначена; для важных решений требуется человеческий контроль. Лицензия — Apache-2.0.

SLORA-MAX — модель генерации видео по текстовому описанию, опубликованная Muhammad Taqi. Карточка заявляет совместимость по синтаксису и рабочему процессу с MiniMaxAI/MiniMax-H3 и использование в Diffusers. Модель принимает текстовый запрос, включая необязательное описание нежелательных элементов, и выдаёт видеокадры; в README указан параметр num_frames со значением по умолчанию 100. Автор заявляет высокую детализацию, соответствие видео текстовому запросу и плавность движения. Однако карточка не приводит проверяемых результатов, сведений о размере модели или фактической длине контекста, поэтому эти заявления нельзя оценить по доступным данным. Лицензия — MIT.

Wan14BT2VFusioniX — модель генерации видео по текстовому описанию, созданная vrgamedevgirl84 на основе Wan2.1 T2V 14B. В README указано, что в неё объединены компоненты CausVid, AccVideo, MoviiGen 1.1, MPS Reward LoRA и дополнительные LoRA для улучшения движения, согласованности сцен и детализации. Модель предназначена для генерации видео в рабочих процессах ComfyUI и совместима с Diffusers. Автор заявляет, что модель может работать за 6 шагов, а наиболее качественный результат обычно достигается за 8–10 шагов. README описывает её как замену Wan2.1-T2V-14B и сообщает об ускорении рендеринга, однако результаты зависят от настроек и оборудования. Карточка не приводит сведения о поддерживаемых языках или длине контекста. Метаданные указывают формат safetensors и базовую модель Wan-AI/Wan2.1-T2V-14B. В README перечислены компоненты с лицензиями, ограничивающими коммерческое использование; автор указывает исследовательское и некоммерческое назначение и рекомендует проверять лицензию каждого исходного компонента. Поэтому лицензия Apache-2.0 в метаданных не должна трактоваться как разрешение на коммерческое использование всей сборки.

Модель namhokaist/appgen-qwen25-thinktag-lr5e-7-ep1-continue-sft-amex-mobile-use — продолжение supervised fine-tuning модели luca0621/appgen-qwen25-thinktag-lr5e-7-ep1 на траекториях графического интерфейса, полученных из AMEX. Она построена на Qwen2.5-VL и предназначена для управления мобильным интерфейсом: по визуальному экрану и текстовому контексту выдаёт вызовы инструмента mobile_use с действием и абсолютными пиксельными координатами, например нажатием на элемент. Модель рассчитана на сценарии автоматизации действий в мобильных приложениях. Обучение продолжалось одну эпоху с максимальной длиной последовательности 4096 токенов. Доступна в формате safetensors, лицензия Apache-2.0. Карточка не сообщает о проверке качества и ограничениях применительно к устройствам или приложениям; координаты зависят от конкретного изображения экрана и его разрешения.

Cosmos3-Super-Image2Video-4Step — разработанная NVIDIA модель генерации видео по изображению. Она принимает одно или несколько изображений и необязательный текстовый запрос, а на выходе создаёт видео MP4 с временной согласованностью. Рекомендуемый размер — 832×480 пикселей, длительность по умолчанию — 189 кадров. Модель представляет собой 4-шаговую дистиллированную версию Cosmos3-Super-Image2Video: фиксированное расписание из четырёх шагов не требует classifier-free guidance и сокращает число вычислений диффузионной модели по сравнению с рекомендованной конфигурацией базовой модели. README указывает, что вариант рассчитан на задачи Physical AI, включая робототехнику, автономный транспорт и промышленные среды. Модель на 64 млрд параметров требует узла с несколькими GPU H100/H200 либо одного B200; она не помещается на одну GPU меньшего класса. Модель заявлена как готовая к коммерческому и некоммерческому использованию; в метаданных указана лицензия other, поэтому перед использованием следует проверить условия лицензии на странице репозитория. Карточка сообщает о высокой позиции в открытом бенчмарке генерации видео по изображению, однако результат зависит от условий оценки; остаточные риски вредного или небезопасного содержания сохраняются, особенно в редких случаях и открытой среде.

Модель dima806/face_emotions_image_detection разработана на основе Vision Transformer ViT и предназначена для классификации эмоций по изображению лица. Это дообученная модель google/vit-base-patch16-224-in21k с архитектурой ViTForImageClassification и 113,2 млн параметров. Модель принимает изображение и выдаёт метку класса эмоции. Подходит для распознавания выражений лица на фотографиях и для прототипов систем анализа мимики. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Модель разработана dima806 и предназначена для определения типа комнатного растения по изображению. Это дообученная для классификации изображений модель Vision Transformer ViT-Base с 113,2 млн параметров, основанная на google/vit-base-patch16-224-in21k. В карточке заявлена точность около 90% для распознавания типов комнатных растений. Модель принимает изображение и выдаёт класс растения. Репозиторий содержит веса в формате safetensors. Лицензия Apache-2.0 разрешает использование на её условиях.

LTX-Video-0.9.8-2B-distilled — реализация модели LTX-Video от Lightricks, адаптированная проектом FerrisMind для запуска на Rust с использованием фреймворка HuggingFace Candle. Модель предназначена для генерации видео по текстовому описанию, включая реалистичные сцены, компьютерную графику, пейзажи, городские виды и динамику камеры. Указан английский язык текстовых запросов. Модель имеет версию 0.9.8 и размер 2B; README не раскрывает подробности базовой архитектуры и точный набор поддерживаемых модальностей. Реализация ориентирована на NVIDIA GPU и поддерживает Flash Attention 2, cuDNN, GGUF-квантизацию текстового энкодера T5-XXL, а также тайлинг и нарезку VAE для снижения потребления видеопамяти. В примере генерации видео разрешением 512×768 и длиной 97 кадров требуется примерно 8–12 ГБ VRAM в режиме BF16 или около 8 ГБ с тайлингом VAE; GGUF-квантизация T5-энкодера может дополнительно сэкономить 8–12 ГБ. Сильными сторонами являются отсутствие зависимости от Python, нативная реализация на Rust, оптимизации для NVIDIA GPU и возможность интеграции через CLI или библиотеку. Ограничения включают необходимость Rust и CUDA Toolkit, зависимость производительности от совместимого NVIDIA GPU и отсутствие в README подробностей о качестве, максимальной длительности видео, точных архитектурных компонентах и поддержке других языков или режимов генерации. Лицензия указана как other, без дополнительных условий в README.

Metric Video Depth Anything Small — это порт на MLX модели Video Depth Anything от ByteDance, подготовленный сообществом mlx-community. Модель оценивает метрическую глубину по кадрам монокулярного видео и выдаёт карту глубины для каждого кадра, сохраняя временную согласованность на видео произвольной длины. Веса преобразованы из официального чекпойнта depth-anything/Metric-Video-Depth-Anything-Small. Архитектура сочетает backbone DINOv2, голову DPT и временные модули движения в стиле AnimateDiff. Модель принимает видео в виде последовательности RGB-кадров; входные высота и ширина должны быть кратны 14. Она предсказывает абсолютную глубину в метрах. Веса представлены в fp32; по README, результаты на GPU близки к PyTorch-версии примерно в пределах 1% относительной ошибки, а на CPU — примерно 1e-5. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Veda-Sparse/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview — экспериментальная версия предиктора Veda для MiniMax-H3, разработанная проектом Veda. Это компактный обученный предиктор разреженного внимания для видеодиффузии: он оценивает важность блоков внимания и оставляет около 10% наиболее значимых, сокращая вычисления во время генерации видео и аудио. Предиктор предназначен для ускорения генерации MiniMax-H3 по тексту, а также поддерживает режимы генерации по кадрам или видео и аудио. В README заявлено ускорение вычислений внимания до 6,8 раза и генерации целиком до 3,1 раза при сохранении качества, сопоставимого с полным вниманием; выигрыш может быть выше на длинных роликах. Чекпойнт обучался и оценивался с MiniMax-H3-Turbo-Lora для генерации за 8 шагов, но, согласно карточке, применим и к произвольному числу шагов, и к вариантам MiniMax-H3. Он не изменяет веса базовой модели и может использоваться с LoRA. Для работы требуется базовая MiniMax-H3 и поддерживающая Veda среда, например узел ComfyUI. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

MoGe-3 (VITL) — порт модели MoGe-3 для MLX, опубликованный сообществом mlx-community. Он оценивает геометрию сцены по одному изображению: строит метрическую карту точек, карту глубины, карту нормалей, маску валидных пикселей и параметры камеры. Модель основана на архитектуре MoGe-3 с визуальным энкодером ViT-L; веса fp32 преобразованы из официального чекпойнта model.pt для использования через MLX. Модель предназначена для восстановления структуры сцены на изображениях и может применяться в задачах компьютерного зрения и 3D-реконструкции. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Данных о качестве на разных типах изображений в карточке нет.

MVDream-diffusers — копия репозитория ashawkey/mvdream-sd2.1-diffusers, размещённая для сохранения материалов курса по ML для 3D. Это перенос модели в библиотеку Diffusers для генерации 3D по текстовому описанию. В карточке также указано, что модель не следует использовать для создания или распространения изображений, которые могут вызывать враждебную или отчуждающую среду, причинять тревогу или оскорблять людей, а также закреплять стереотипы. Модель поставляется в формате Diffusers с весами Safetensors и лицензией OpenRAIL. README не уточняет архитектуру, число параметров, поддерживаемые языки и требования к запуску.

Это чекпойнт линейного пробника для семантической сегментации ADE20K на основе CanViT, модели активного компьютерного зрения, разработанной командой CanViT. Пробник обучен на замороженных признаках 64 × 64 canvas базовой модели CanViT-B; его голова включает LayerNorm, dropout, BatchNorm и свёртку 1 × 1. Обучение проводилось по протоколу probing paper на сценах размером 512 px, с десятью последовательными наблюдениями по 128 px и R-IID точками обзора. Модель предназначена для разметки областей изображения классами семантической сегментации ADE20K и для исследования представлений активного зрения на этой задаче. Она принимает изображение и выдаёт карту сегментации. Репозиторий распространяется в формате safetensors, библиотека для работы — canvit-pytorch; лицензия MIT.

Qwen-Image-Edit-2511-Polaroid-Photo — адаптер LoRA, разработанный prithivMLmods для модели Qwen/Qwen-Image-Edit-2511. Он предназначен для обработки изображений в режиме image-to-image и преобразует исходные изображения в фотографии в стиле Polaroid с кинематографичной эстетикой. Модель добавляет мягкое плёночное зерно, лёгкую виньетку, мягкое освещение, белую рамку и эффект рукописной подписи, стремясь сохранить реалистичные текстуры, детали, композицию, цвета, тени и визуальную согласованность исходного изображения. Для активации эффекта рекомендуется использовать специальный триггерный промпт, указанный в README. Адаптер совместим с версиями Qwen-Image-Edit 2509 и 2511 и используется через библиотеку Diffusers. Модель особенно подходит для создания ностальгических, стилизованных и визуально реалистичных Polaroid-фотографий. Её ключевое ограничение — узкая специализация на данном визуальном эффекте и зависимость от базовой модели Qwen-Image-Edit-2511, качества исходного изображения и корректности промпта. Лицензия — Apache-2.0.

cyburn/restore_photo_v4.1-lora — адаптер LoRA для восстановления и колоризации фотографий, разработанный сообществом или автором cyburn. Модель предназначена для обработки старых, повреждённых и выцветших снимков с целью повышения их визуального качества, добавления цвета и получения более фотореалистичного результата при сохранении исходных деталей. Адаптер работает поверх базовой модели black-forest-labs/FLUX.1-Kontext-dev и относится к моделям image-to-image на основе диффузии. Рекомендуемый размер изображения — 800×1200 пикселей, а для оптимального результата советуется использовать FluxGuidance со значением 4. Основные рекомендуемые запросы: «restore and colorize this photo, photorealistic», «restore this photo» и «restore and colorize this photo». Модель совместима с ComfyUI, AUTOMATIC1111, SD.Next, InvokeAI и библиотекой Diffusers; для работы с FLUX.1 рекомендуется видеокарта с объёмом памяти не менее 24 ГБ. Сильной стороной модели является специализация на восстановлении и реалистичной колоризации фотографий, включая сохранение исходных деталей. Ограничения связаны с зависимостью от базовой модели FLUX.1-Kontext-dev, значительными требованиями к ресурсам и тем, что точное качество результата зависит от исходного изображения, параметров генерации и формулировки запроса. Лицензия указана как creativeml-openrail-m.

SpatialBot-3B — мультимодальная модель визуального языка (VLM) для понимания пространственных отношений и рассуждений по изображениям, разработанная на базе Phi-2 и SigLIP. В репозитории размещена объединённая модель; она принимает изображения и текстовые вопросы и формирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, в том числе для анализа карт глубины и выполнения задач высокого уровня на их основе. В README также заявлена эффективность на общих задачах VLM и пространственных бенчмарках, включая SpatialBench. Карточка указывает лицензию CC BY 4.0.

10Eros-Max beta2 NVFP4 — это уменьшенная NVFP4-версия дообученной модели TenStrip/10Eros-Max, опубликованная sakamakismile для работы в ComfyUI. Модель представляет собой эксперимент MiniMax-H3 с переносом характера из LTX-2.3, Wan 2.2 и Krea 2; в карточке указана задача преобразования изображения в видео. Квантование сокращает размер весов с 40,22 ГБ BF16 до 12,53 ГБ NVFP4. Автор сообщает о запуске на одной видеокарте с 16 ГБ памяти и совместимости с существующим рабочим процессом MiniMax-H3 в ComfyUI. Репозиторий содержит веса в формате safetensors; для использования требуется настроить соответствующий H3 workflow и компоненты ComfyUI. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у базовой модели. Описание не приводит сравнительных оценок качества или подробностей о поддерживаемых языках; назначение модели — генерация видео по изображению.

Fatin757/biencoder-v2 — англоязычная модель Sentence Transformers, дообученная автором на базе nomic-ai/modernbert-embed-base для сопоставления текстов о должностях. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает ModernBERT, усреднение токеновых представлений и нормализацию. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска и сравнения текстовых описаний, в том числе для поиска сходных должностей; базовое семейство также поддерживает поиск перефразирований, классификацию и кластеризацию. В README приведён результат cosine accuracy 1.0 на TripletEvaluator, но он не описывает условия и состав оценки, поэтому не гарантирует такое качество на других данных. Лицензия — Apache-2.0.

google/ddpm-ema-celebahq-256 — модель диффузионной генерации изображений на основе Denoising Diffusion Probabilistic Models (DDPM), размещённая Google. Она предназначена для безусловного создания изображений лиц в разрешении 256×256 на наборе CelebA-HQ: модель генерирует изображения без текстового запроса или другого условия. Для запуска предусмотрен Diffusers DDPMPipeline; в README также упоминаются дискретные шумовые планировщики DDIM и PNDM. Репозиторий содержит веса в форматах Diffusers и PyTorch и распространяется по лицензии Apache-2.0. Это специализированная модель генерации лиц, поэтому она не подходит для управления содержанием результата по текстовому описанию; README не приводит оценки качества именно этой версии.

Это LoRA-адаптер для модели black-forest-labs/FLUX.2-dev, разработанный ostris. Он предназначен для генерации изображений по текстовому описанию и для преобразования стиля существующих изображений с использованием характерной манеры французской художницы Берты Моризо. Для активации адаптера рекомендуется использовать триггерную фразу «berthe_morisot style». Модель подходит для стилизации сцен с людьми, предметами и окружением, а также для instruction-based преобразования изображений. Архитектура, точный размер, параметры адаптера, поддерживаемые языки, максимальный контекст и конкретные требования к вычислительным ресурсам в README не указаны. Сильная сторона модели — специализированная передача художественного стиля при сохранении возможности управлять содержанием через текстовые инструкции или исходное изображение. Ограничения связаны с узкой специализацией на стиле Берты Моризо и отсутствием подробных сведений о качестве, допустимых весах адаптера и совместимых настройках. Лицензия в предоставленных данных не указана.