IV.1Ритейл, электронная коммерция и fashion-tech

Felldude/QWEN_2.1_HDR_VAE — дообученный VAE-автоэнкодер для Qwen-Image-2.1, предназначенный для реконструкции изображений с поддержкой RGBA и HDR-ориентированной обработки. Он рассчитан на использование в конвейерах генерации и редактирования изображений, где нужны более широкий цветовой объём, выраженные детали и повышенная энергия градиентов. Модель основана на VAE Qwen-Image-2.1 с размерностью латентного пространства 64 и пространственным сжатием 16×. Принимает и выдаёт RGBA-тензоры с формой [B, 4, 1, H, W]; для латентов используются собственные latents_mean и latents_std. Обучение и оценка проводились на разрешениях около 512–1024 пикселей, размеры по пространственным осям должны делиться на 16. По сравнению с базовым VAE модель усиливает цветовой объём, плотность границ и градиенты, намеренно допуская отклонение от исходного изображения по насыщенности и резкости. Она не подходит для архивной реконструкции или сценариев, где важна попиксельная точность; поведение на необычных альфа-масках проверено ограниченно, а высокие разрешения требуют много памяти. Лицензия указана как other, конкретные условия в карточке не раскрыты.

RynnBrain-2B — модель Alibaba DAMO Academy для понимания сцен с точки зрения наблюдателя и поддержки робототехнических систем. Это дообученная версия Qwen3-VL-2B-Instruct с архитектурой Qwen3-VL и 2 млрд параметров; модель принимает изображения и текст и формирует текстовые ответы. Карточка описывает задачи пространственного понимания, ответов на вопросы о сценах, подсчёта объектов, распознавания текста и понимания видео. Модель предназначена для привязки языковых описаний к физическому пространству и времени, локализации объектов и целевых областей, а также предсказания траекторий. Её можно применять для анализа видео от первого лица, восприятия сцены роботом и подготовки пространственных сведений для последующего планирования. Карточка также описывает планирование для семейства RynnBrain, но не подтверждает, что все такие возможности относятся именно к версии 2B. Модель поддерживает английский и китайский языки, распространяется в формате Safetensors и доступна по лицензии Apache-2.0. Для запуска в README указан Transformers 4.57.1. Описанные возможности относятся к восприятию и текстовым ответам; карточка не подтверждает непосредственное управление роботом или генерацию действий. Результаты локализации и планирования следует проверять в конкретном робототехническом сценарии.

Nashhz/SBERT_KFOLD_Job_Descriptions_to_Skills — это дообученный на базе sentence-transformers/all-MiniLM-L6-v2 энкодер Sentence Transformers для сопоставления описаний вакансий с навыками. Он преобразует предложения и абзацы в плотные векторы размерности 384; архитектура включает BERT, усреднение токенов и нормализацию. Метаданные указывают 25,9 млн параметров, библиотеку sentence-transformers и максимальный контекст 512 токенов; в карточке модели указана длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе для подбора навыков к описаниям вакансий, поиска похожих формулировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство. Обучающий набор содержит 8 117 пар предложений с оценками сходства. Модель принимает текст и выдаёт эмбеддинги, а не готовый перечень навыков; для получения навыков потребуется отдельная процедура поиска или сопоставления. Англоязычная база указывает на преимущественную поддержку английского, а карточка не подтверждает качество на других языках. Лицензия в предоставленных данных не указана.

VEFX-Reward-32B — мультимодальная модель оценки качества редактирования видео, разработанная Visko Platform на базе Qwen3-VL-32B-Instruct. Она оценивает, насколько результат текстовой инструкции по монтажу соответствует заданию, сохраняет качество изображения и временную согласованность, а также изменяет только нужные области без побочных эффектов. Для каждого измерения модель выдаёт оценку по шкале от 1 до 4: следование инструкции (IF), качество рендеринга (RQ) и исключительность изменений (EE). Модель содержит 32 млрд параметров и использует архитектуру Qwen3-VL. Она предназначена для оценки отредактированных видео по текстовой инструкции; для запуска в bfloat16 требуется около 65 ГБ видеопамяти, а авторы проверяли её на NVIDIA H100 с 80 ГБ. Лицензия — Apache-2.0.

Это набор LoRA-адаптеров Alibaba PAI для семейства видеогенераторов Wan2.1-Fun. Адаптеры обучены методом Reward Backpropagation, чтобы улучшать соответствие создаваемых видео человеческим предпочтениям, оцениваемым моделями HPS v2.1 и MPS. В набор входят варианты для базовых моделей Wan2.1-Fun-1.3B-InP и Wan2.1-Fun-14B-InP; веса опубликованы в формате safetensors под лицензией Apache-2.0. Адаптеры подключаются к соответствующей базовой модели при генерации видео по текстовому запросу. Карточка указывает поддержку английского и китайского языков, но не уточняет длину контекста. Это именно дополнение к базовым моделям: отдельно адаптеры видео не генерируют. При обучении оптимизация награды может продолжаться и после того, как визуальное качество перестаёт расти; адаптер способен использовать артефакты в фоне как обходной путь для повышения оценки. Используемые модели предпочтений для изображений не оценивают временную динамику и согласованность видео и могут снижать динамичность результата.

Wan2.2-Animate-14B-GGUF — это GGUF-конверсия модели Wan2.2-Animate-14B, разработанной Wan-AI. Модель предназначена для задач video-to-video и запускается в экосистеме ComfyUI с использованием пользовательского узла ComfyUI-GGUF от city96. Модель относится к семейству Wan2.2-Animate и имеет размер 14B параметров. В README указаны поддерживаемые языки English и Chinese, а также необходимые компоненты: текстовый энкодер Umt5-xxl и VAE Wan2.1_VAE. Для работы требуются основной GGUF-файл модели, текстовый энкодер и VAE; конкретное значение контекстного окна и точный формат квантования не указаны. Ключевое преимущество этой версии — формат GGUF, предназначенный для использования через ComfyUI-GGUF. Ограничения включают необходимость настройки нескольких компонентов и зависимость от ComfyUI и соответствующего пользовательского узла. Поскольку модель является квантованной конверсией, сохраняются исходные условия лицензирования и ограничения базовой модели. В README указана лицензия Apache-2.0.

CamelliaMix_NSFW_diffusers_v1.1 — модель генерации изображений по текстовому описанию в формате Diffusers. Автор называет её CamelliaMix_NSFW и отмечает, что она может создавать разнообразные эстетичные изображения; в карточке также приведены примеры с VAE и без него, дающие разный визуальный результат. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в форматах PyTorch и safetensors. Указана лицензия other, поэтому конкретные условия использования следует сверять с файлами репозитория. Название модели и тег not-for-all-audiences указывают на ориентацию на контент для взрослых; качество, поддерживаемые языки запросов и дополнительные технические характеристики в карточке не описаны.

CocaCola — модель генерации изображений по тексту на базе Stable Diffusion 1.5, опубликованная Yntec. Она предназначена для создания иллюстраций в стиле рекламных пин-апов Coca-Cola: в примерах показаны ретро- и мультяшные изображения с банками и бутылками напитка, персонажами и праздничными сценами. Для усиления стиля README рекомендует добавлять в запрос имена Gil Elvgren или Haddon Sundblom. Модель представлена в формате Diffusers с весами Safetensors и дообучена на Yntec/Cryptids. README также упоминает слияние художественных моделей и использование LoRA, включая CokeGirls, Cryptids и Kitsch-In-Sync v2, но подробности состава и рецепта не приведены. Лицензия — CreativeML OpenRAIL-M.

DreamX-World-5B-Cam — вариант модели DreamX-World для генерации видео с управлением движением камеры. Разработчики создали его на основе Wan2.2-T2V-5B; архитектура — плотный Transformer семейства TI2V, обученный на диффузионном подходе. В метаданных указано 4 млрд параметров, а в README — около 5 млрд. Модель принимает исходное изображение, текстовое описание сцены и команды движения камеры, после чего генерирует видео с заданной траекторией. Команды позволяют управлять перемещением и поворотом камеры в шести степенях свободы. Заявлены разрешение 704×1280, длительность до 5 секунд при 24 или 16 кадрах в секунду и до 7,5 секунды при 16 кадрах в секунду; поддерживаются реалистичные и стилизованные сцены, включая интерьеры, города, природу и игровые миры. Модель рассчитана на интерактивную симуляцию и управляемую генерацию видеосцен. Для работы авторы указывают Diffusers и набор зависимостей для инференса. Лицензия репозитория — MIT. README не приводит оценок качества или подробных ограничений по типам сцен и командам; размер параметров в README и метаданных различается.

SidXXD/f-5 — набор весов textual inversion для Stable Diffusion v1.5, разработанный пользователем SidXXD и предназначенный для подключения к базовой модели stable-diffusion-v1-5/stable-diffusion-v1-5. Он применяется для генерации изображений по текстовым запросам с использованием изученного текстового представления. Модель распространяется в формате Diffusers и Safetensors по лицензии CreativeML Open RAIL-M. Карточка подтверждает совместимость с Stable Diffusion v1.5, но не описывает конкретную тему изученного представления, примеры применения или его качество. Для работы требуются базовая модель и поддержка textual inversion.

roller777/fastwan-t2v-1.3b-hostmix-gguf — конвертированная в GGUF модель FastWan2.1-T2V-1.3B для генерации видео по текстовым запросам. Она предназначена для запуска в stable-diffusion.cpp в режиме вывода одного кадра, аналогичном text-to-image, за 3 шага диффузии с CFG 1. В README указана смешанная точность: блоки трансформера хранятся в q4_0, а эмбеддеры, выходные слои и нормализации — в f16. Основа — FastVideo/FastWan2.1-T2V-1.3B-Diffusers, описанная в метаданных как дообученная модель Wan2.1 для быстрой генерации видео за три шага диффузии. README связывает FastWan2.1-T2V-1.3B с дистилляцией bidirectional DMD от Wan2.1-T2V-1.3B. Лицензия — Apache-2.0. Модель рассчитана на single-frame inference в stable-diffusion.cpp; использование с другими GGUF-рантаймами, включая ComfyUI-GGUF, не проверено. В README также сказано, что тензоры VSA gate удалены для плотного внимания при одно кадровом выводе.

Fixer — модель NVIDIA для улучшения результатов трёхмерной реконструкции. Это одношаговая диффузионная модель преобразования изображений, которая устраняет артефакты и восстанавливает детали в новых ракурсах, отрендеренных из недостаточно ограниченных областей 3D-представлений. Модель предназначена для разработчиков Physical AI и интеграции в конвейеры реконструкции на основе Neural Radiance Fields (NeRF) и 3D Gaussian Splatting (3DGS). Она принимает RGB-изображение и возвращает исправленное RGB-изображение разрешением 576×1024 пикселя. Fixer поддерживает два режима работы. В offline-режиме она очищает псевдообучающие изображения на этапе реконструкции, после чего улучшения дистиллируются обратно в 3D-представление. В online-режиме модель применяется во время инференса как нейронный улучшатель для удаления остаточных артефактов, связанных с неточной 3D-супервизией и ограничениями реконструкционных моделей. Архитектура представляет собой Linear-attention Diffusion Transformer с Deep Compression Autoencoder; модель основана на Cosmos-Predict-0.6B и содержит около 0,6 млрд параметров. Обучение проводилось преимущественно на данных 3DGS и внутреннем наборе NVIDIA с изображениями и видео автономного вождения. К сильным сторонам относятся одношаговая обработка, совместимость с NeRF и 3DGS, поддержка высокоразмерных изображений и оптимизация для NVIDIA GPU. В README не приведены количественные оценки качества, полный список языков или ограничения по содержанию, поэтому эффективность для конкретных сцен требует отдельного тестирования. Для работы заявлены PyTorch версии 2.0 и выше, Linux и GPU NVIDIA; проверены H100, A100, H20 и L40. Модель доступна для коммерческого и некоммерческого использования по условиям NVIDIA Open Model License Agreement.

son110904/gte-resume-match — дообученная модель Sentence Transformers на базе Alibaba-NLP/gte-multilingual-base, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768 для семантического сравнения и поиска. В архитектуре используются трансформерный энкодер, pooling по CLS-токену и нормализация векторов; близость текстов оценивается косинусным сходством. Модель принимает текст и подходит для сопоставления резюме с вакансиями, поиска похожих описаний и ранжирования текстов по семантической близости. README сообщает о дообучении на парных примерах с оценками сходства и приводит результаты проверки на наборе из 237 примеров: Spearman-корреляция косинусного сходства составляет 0,8549. В карточке Hugging Face указана базовая модель объёмом 305,3 млн параметров и контекстом до 8192 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; для практического использования следует учитывать ограничение Sentence Transformers в карточке модели. Модель обрабатывает текст и выдаёт векторные представления. Метаданные указывают библиотеку sentence-transformers и формат safetensors. Лицензия в предоставленных данных не указана.

ZeyuLing/HFTrainer-StyleGAN2-ADA-FFHQ-1024 — контрольная точка генератора StyleGAN2 для безусловного синтеза изображений лиц FFHQ с разрешением 1024 × 1024. Репозиторий предоставляет собственные средства обучения и инференса HFTrainer; веса опубликованы в формате safetensors. Для работы достаточно пути к контрольной точке или её идентификатора на Hugging Face вместе с входными параметрами задачи. В README описан короткий эксперимент по переносу генератора на изображения бабочек: выполнено 20 шагов обучения генератора и дискриминатора на наборе из 900 обучающих и 100 проверочных изображений. Сходимость и успешная адаптация к новому домену не установлены; демонстрационный результат получен исходной моделью FFHQ, а не дообученной. Лицензия указана как other; активы NVIDIA сохраняют некоммерческие условия использования.

LDM3D-pano — модель генерации панорамных изображений с картами глубины по текстовому запросу, разработанная Intel в рамках семейства LDM3D-VR. Работа описана в статье LDM3D-VR: Latent Diffusion Model for 3D, принятой на воркшоп NeurIPS 2023 по диффузионным моделям. Модель дообучена на базе LDM3D-4c: U-Net основан на Stable Diffusion 1.5, а обучение дополнительно проводилось на панорамных изображениях с картами глубины и подписями. Она предназначена для создания RGBD-панорам, в том числе для сценариев виртуальной реальности. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors; карточка указывает лицензию CreativeML OpenRAIL-M. Качество генерации и глубины оценивалось на панорамных данных с разрешением 512 × 1024. На модель распространяются ограничения и смещения Stable Diffusion; карты глубины наследуют ограничения DPT-large, использовавшейся для получения обучающих целевых данных. Коммерческое применение требует самостоятельной проверки лицензионных условий.

hyunseoki/memrag-basecur — это дообученная на Qwen3.5-4B мультимодальная модель для предсказания следующего действия GUI-агента по текущему снимку экрана. Она принимает изображение интерфейса и текстовый контекст, а её целевой сценарий — выбирать действие для управления графическим интерфейсом; в карточке приведён результат точности действий 0,366 на тесте из 498 примеров AgentNetBench score_pair. Модель создана как базовый вариант в сравнении трёх подходов Trajectory-Memory RAG: используется только текущий снимок экрана. Это версия v1 с одним запуском обучения; подтверждение на трёх запусках ещё не завершено. Для загрузки карточка указывает Transformers и класс Qwen35VLLatentForConditionalGeneration, а также отмечает совместимость со стандартным классом Qwen3.5-VL. Лицензия в предоставленных данных не указана.

google/ncsnpp-ffhq-1024 — модель генерации изображений без текстового условия, опубликованная Google и основанная на подходе score-based generative modeling через стохастические дифференциальные уравнения (SDE). В карточке описана архитектура NCSN++ и высокая точность генерации изображений FFHQ размером 1024 × 1024; модель восстанавливает изображения из шума с помощью обратного SDE и непрерывного планировщика шума в Diffusers. Модель предназначена для синтеза изображений лиц из набора FFHQ и экспериментов с генерацией высокого разрешения. В статье также рассматриваются общие методы score-based генерации, включая восстановление изображений, закрашивание областей и колоризацию, однако карточка не подтверждает поддержку этих сценариев именно данным чекпойнтом. Репозиторий использует PyTorch и Diffusers и распространяется по лицензии Apache-2.0.

OS-Genesis-7B-AC — мультимодальная модель для управления графическим интерфейсом мобильных устройств, разработанная авторами проекта OS-Genesis и дообученная на базе Qwen2-VL-7B-Instruct. Она принимает изображения экрана и текстовые инструкции, а затем формирует текстовый ответ, предназначенный для использования агентом при выполнении действий в интерфейсе. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Модель предназначена для сценариев управления мобильными приложениями и оценки на AndroidControl. Она входит в семейство моделей OS-Genesis AC; проект описывает синтез траекторий действий GUI-агентов для динамических сред, включая AndroidWorld и WebArena. В репозитории указаны формат Safetensors и библиотека Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет формат выходных команд агента и конкретные ограничения качества; её назначение описано для GUI-управления, а не как универсальный помощник.

Boombaaa/PORNHUBAI — это GGUF-конверсия модели Wan2.2-Fun-5B-Control-Camera, разработанной Alibaba PAI. Модель предназначена для задач image-to-video и управления параметрами камеры при генерации видео из изображений. В README указаны поддерживаемые языки English и Chinese, а также базовая модель размером 5B параметров. Для работы используются основной модуль Wan2.2-Fun-5B-Control-Camera в формате GGUF, текстовый энкодер Umt5-xxl и VAE Wan2.2_VAE. Модель ориентирована на запуск в ComfyUI с пользовательским узлом ComfyUI-GGUF. Сведения о максимальной длине контекста, точных поддерживаемых модальностях, требованиях к памяти и производительности не приведены. Ключевое преимущество — квантованный GGUF-формат, который может упростить локальное использование и интеграцию с ComfyUI. Ограничения включают зависимость от дополнительных компонентов, текстового энкодера, VAE и совместимого пользовательского узла; характеристики качества и область применимости конверсии отдельно не описаны. Лицензия — Apache-2.0, при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели.

Карточка модели maawawork/SBERT_KFOLD_Job_Descriptions_to_Skills на Hugging Face совпадает с карточкой Nashhz/SBERT_KFOLD_Job_Descriptions_to_Skills, поэтому описание составлено по ней. Nashhz/SBERT_KFOLD_Job_Descriptions_to_Skills — это дообученный на базе sentence-transformers/all-MiniLM-L6-v2 энкодер Sentence Transformers для сопоставления описаний вакансий с навыками. Он преобразует предложения и абзацы в плотные векторы размерности 384; архитектура включает BERT, усреднение токенов и нормализацию. Метаданные указывают 25,9 млн параметров, библиотеку sentence-transformers и максимальный контекст 512 токенов; в карточке модели указана длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе для подбора навыков к описаниям вакансий, поиска похожих формулировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство. Обучающий набор содержит 8 117 пар предложений с оценками сходства. Модель принимает текст и выдаёт эмбеддинги, а не готовый перечень навыков; для получения навыков потребуется отдельная процедура поиска или сопоставления. Англоязычная база указывает на преимущественную поддержку английского, а карточка не подтверждает качество на других языках. Лицензия в предоставленных данных не указана.

Abiray/SCAIL-2-GGUF — набор GGUF-квантизованных весов модели SCAIL-2, разработанной zai-org и основанной на архитектуре Wan 2.1 14B. Репозиторий предназначен для запуска модели в ComfyUI с уменьшенным потреблением видеопамяти по сравнению с вариантами FP16 и FP8. Модель ориентирована на управляемую анимацию персонажей, перенос движений и преобразование изображения в видео. Она использует специализированный Diffusion Transformer и рассчитана на работу в составе комплексного конвейера ComfyUI. Для полноценного запуска требуются отдельные компоненты: текстовый энкодер UMT5-XXL, LoRA для дистилляции шагов и CFG, SAM 3.1 Multiplex, CLIP Vision и VAE Wan 2.1. Языки, размер контекста и поддерживаемые разрешения в README не указаны. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 9,11 до 18,1 ГБ. Младшие варианты экономят видеопамять, но могут снижать качество и вызывать структурные искажения; Q4_K_M заявлен как сбалансированный базовый вариант, а Q6_K и Q8_0 обеспечивают более высокую точность ценой больших требований к ресурсам. Для использования необходима установка расширения ComfyUI-GGUF и размещение файлов в соответствующих каталогах ComfyUI. Лицензия — MIT.

SeedVR2 Additional Upscale Models — набор дополнительных моделей для SeedVR2, предназначенных для повышения разрешения видео с сохранением временной согласованности кадров. Репозиторий связан с интеграцией SeedVR2 в ComfyUI и поддерживает модели в формате GGUF, включая различные варианты и уровни квантования. Оригинальная модель SeedVR2 разработана ByteDance Seed, интеграцию для ComfyUI создали numz и другие участники, а дополнительные компоненты представлены AInVFX. Модели предназначены для сценариев video-to-video, в частности для апскейлинга и улучшения качества видеоматериалов. SeedVR2 использует диффузионные методы; заявлены поддержка автономной работы и конфигураций с несколькими GPU. В качестве базовых моделей указаны SeedVR2-7B и SeedVR2-3B. Репозиторий содержит дополнительные варианты, поэтому конкретные характеристики отдельных весов, требования к памяти и параметры контекста не уточнены. Сильными сторонами являются ориентация на высококачественное масштабирование видео, временная согласованность и совместимость с ComfyUI, а формат GGUF может предоставлять дополнительные варианты квантования. Ограничения включают зависимость качества и производительности от разрешения входных данных, размера пакета и доступной VRAM; эти параметры рекомендуется проверять экспериментально. Код и веса распространяются по лицензии Apache 2.0.

SoL-Refiner LTX-2.3 MLX BF16 — чекпойнт для увеличения разрешения видео, подготовленный AI2Apps на основе NVIDIA SoL-Refiner / Lightricks LTX-2.3. Он предназначен для реализации AI2Apps на MLX и не рассчитан на загрузку как обычная модель Diffusers. Для стандартного апскейлинга используется фиксированный prompt-контекст; поддержка пользовательских prompts требует дополнительных компонентов текстового энкодера и токенизатора. Из файлов удалены неиспользуемые тензоры аудио и зрения, а байты оставшихся тензоров BF16 сохранены без квантизации; файлы Safetensors переупакованы. В README приведены тесты на одном портретном видео с 9 и 33 кадрами при увеличении с 128 до 256 пикселей: декодированные тензоры совпали с исходным чекпойнтом. Это подтверждает сохранение результата в этих тестах, но не качество на широком наборе видео. Общий объём всех компонентов составляет около 57,04 ГБ; стандартный набор занимает около 28,71 ГБ, а компоненты для пользовательских prompts добавляют около 28,33 ГБ. Указана лицензия other; перед использованием необходимо ознакомиться с исходными условиями лицензии и требованиями атрибуции в META/CHECKPOINT-TERMS.txt и META/NOTICE.md.

SpaceOm — визуально-языковая модель Remyx AI для пространственного рассуждения по изображениям. Она дообучена методом LoRA на базе UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B; архитектура — Qwen2.5-VL, размер — 3,1 млрд параметров. Модель принимает изображение и текстовый запрос, а отвечает текстом на естественном языке. Контекст — до 128 000 токенов. Модель предназначена для вопросов о расположении и свойствах объектов, их количестве, взаимном положении, движении и приблизительных расстояниях; также обучалась на примерах из робототехники и вопросов с выбором ответа. Карточка сообщает об оценках на OmniSpatial и SpatialScore, включая отдельные результаты по отслеживанию объектов и оценке расстояний. SpaceOm обучена на синтетических примерах с рассуждениями, созданных из наборов SpaceThinker, SpaceOm и Robo2VLM-Reasoning. Возможны ошибки в загромождённых сценах и при изменении перспективы камеры; сохраняются мультимодальные смещения базовой модели. Оценки расстояний не заменяют точные измерения датчиками или специализированными системами глубины. Модель не предназначена для критически важных решений. Лицензия в предоставленных данных не указана.

SwiftVR — модель для восстановления видео, представленная авторами работы «SwiftVR: Real-Time One-Step Generative Video Restoration». Она улучшает качество входного видео и рассчитана на потоковую обработку с низкой задержкой: заявлена скорость около 26 кадров/с для 1080p на RTX 5090, 31 кадр/с для QHD и 14 кадров/с для 4K на H100. Архитектура включает генеративный DiT на основе Wan2.2-TI2V-5B, Restoration-aware Autoencoder и маскированное свободное внимание со сдвинутыми окнами; обработка выполняется по частям, без использования будущих кадров. Модель предназначена для повышения разрешения и восстановления видеозаписей, в том числе в потоковом режиме. README также описывает обработку последовательности изображений и сохранение результата в виде PNG. Приведённые скорости зависят от GPU и условий тестирования; для указанных QHD-результатов использовался H100, поэтому их нельзя считать гарантией производительности на других устройствах. Весам указана лицензия other. Некоммерческие исследования, обучение и внутреннее оценивание разрешены; коммерческое использование, производственное развёртывание и клиентские сервисы требуют предварительного письменного разрешения. Исходный код отдельно выпущен под Apache License 2.0, но эта лицензия не распространяется автоматически на веса модели.

Это модуль Dilated ControlNet для Wan2.1, опубликованный TheDenk. Он предназначен для управления генерацией видео по условию canny: карта контуров задаёт структуру кадров, а базовая модель Wan2.1 1.3B формирует видео. Для варианта под Wan 1.3B указаны 8 блоков ControlNet и параметр stride со значением 3; веса представлены в формате safetensors. Модуль рассчитан на сценарии video-to-video с видеоданными и картами контуров. В карточке не приведены сведения о контекстном окне, поддерживаемых языках запросов или результатах оценки качества. Репозиторий распространяется по лицензии Apache-2.0.

Это модуль ControlNet для Wan2.2 A14B, использующий HED-контроль для управления генерацией видео. Разработчик указывает, что модуль основан на том же подходе, что и ControlNet для Wan2.1; веса размещены в формате safetensors. Модель предназначена для преобразования и генерации видео с управлением по HED-карте контуров. Для работы с ней автор рекомендует ComfyUI-WanVideoWrapper и актуальную версию diffusers. Репозиторий распространяется по лицензии Apache-2.0.

archisgore/bge-small-winetone — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработанная для семантического поиска и сравнения текстов о вине. Она использует архитектуру BERT с пулингом по CLS-токену и нормализацией векторов, преобразуя предложения и абзацы в плотные эмбеддинги размерностью 384. Для поиска релевантных описаний можно сравнивать эмбеддинги по косинусному сходству; максимальная длина входа — 512 токенов. Модель обучена на 173 708 парах текстов о винах с функцией потерь MultipleNegativesRankingLoss и настройкой для сопоставления запроса с документом. Это делает её подходящей для поиска похожих винных описаний и подбора текстов по смыслу. Модель принимает текст и выдаёт векторы; основным языком данных и базовой модели является английский. Лицензия в предоставленных источниках не указана.

TheDenk/cogvideox-2b-controlnet-hed-v1 — модель управления генерацией видео на основе CogVideoX и ControlNet. Она предназначена для преобразования видео с управлением по HED-картам контуров и запускается через совместимый с ControlNet pipeline в ComfyUI-CogVideoXWrapper. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Модель ориентирована на сценарии video-to-video с контурным управлением. Метаданные указывают английский язык, однако не уточняют требования к текстовым подсказкам, параметры генерации или качество результата. Пример использования в README не раскрывает этих деталей.

Cosmos-Predict2-14B-Text2Image — диффузионная модель NVIDIA для генерации изображений по текстовому описанию. Она предназначена для создания визуальных сцен и служит компонентом систем генерации миров для разработки Physical AI. Модель построена на архитектуре diffusion transformer: слои self-attention, cross-attention и feedforward обрабатывают представление изображения в латентном пространстве, а текст задаёт условие генерации. На вход подаётся текст короче 300 слов; стандартный результат — цветное изображение JPG размером 1280×704. Для работы модель рассчитана на GPU NVIDIA; проверена точность BF16, а FP16 и FP32 официально не поддерживаются. Модель может создавать изображения с артефактами и неточно передавать трёхмерное пространство, физические законы и взаимодействия объектов. Поэтому её результаты могут быть ненадёжны для сценариев, требующих физически точной симуляции. Модель разработана NVIDIA и предназначена для использования по лицензии NVIDIA Open Model License.