IV.1Ритейл, электронная коммерция и fashion-tech

lucataco/flux-dev-controlnet-qr-code — модель ControlNet, разработанная lucataco на базе генеративной модели black-forest-labs/FLUX.1-dev и предназначенная для использования с библиотекой Diffusers. Она добавляет к FLUX.1-dev новый тип управляющего conditioning, связанный с QR-кодами, поэтому предназначена для управляемой генерации изображений по текстовому описанию с сохранением или учётом структуры QR-кода. Модель относится к семейству text-to-image и использует диффузионную архитектуру FLUX.1-dev с дополнительными весами ControlNet. README не содержит сведений о размере модели, поддерживаемых языках, максимальном контексте, конкретных данных обучения, качестве распознавания QR-кодов или ограничениях и смещениях. Указано, что веса доступны для inference, однако готовый пример запуска отсутствует. Условия лицензирования определяются лицензией базовой модели FLUX.1-dev; в карточке указано, что необходимо соблюдать её положения.

Leilab/gender_class — классификатор изображений на базе Vision Transformer (ViT), автоматически созданный с помощью HuggingPics. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. По названию репозитория она предназначена для классификации изображений по гендеру. Карточка не описывает набор меток, обучающие данные, точность или рекомендуемые сценарии применения, поэтому надёжность таких выводов для отдельных людей оценить нельзя. Лицензия в предоставленных данных не указана.

gajesh/LTX-2.3-mlx-fp16 — конвертированная и оптимизированная для MLX версия модели LTX-2.3 от Lightricks, подготовленная для запуска на компьютерах Apple Silicon. Это диффузионный трансформер для совместной генерации видео и аудио по текстовому описанию. Основной трансформер содержит 22 млрд параметров и 48 слоёв; в комплект входят текстовый энкодер Gemma 3 12B, видеодекодер VAE и апсемплер. Веса сохранены в safetensors с точностью float16 и занимают около 66 ГБ; для работы README указывает минимум 64 ГБ оперативной памяти на Apple Silicon Mac. Модель предназначена для создания коротких видеороликов по текстовым запросам. В README приведены замеры генерации видео длительностью до пяти секунд и описаны варианты разрешения и числа кадров; также заявлена более быстрая работа и меньшее потребление памяти по сравнению с PyTorch MPS на проверенной конфигурации M4 Max. Репозиторий содержит конверсию исходного чекпойнта Lightricks/LTX-2.3, а не отдельную разработку архитектуры. Лицензия указана как other, поэтому условия использования следует проверять в карточке исходной модели и репозитория.

InstantX/MiniMax-H3-Turbo-Lora-Diffusers — это адаптер LoRA для базовой модели MiniMaxAI/MiniMax-H3, преобразованный в формат Diffusers/PEFT. Он предназначен для генерации видео с синхронизированным стереозвуком по текстовому описанию и позволяет сократить вычисления примерно до 4 проверок модели вместо обычных 20. Репозиторий поддерживает pipeline Diffusers и содержит веса LoRA в формате safetensors. Адаптер работает с видеомоделью MiniMax-H3 и совместно создаёт видео и аудио. Рекомендуются не-EMA-веса ckpt500, обычно обеспечивающие наиболее резкую детализацию; EMA-вариант может давать более сглаженное изображение, но на ранней стадии обучения способен проявлять ghosting и размытие движения. Для адаптера используются ранги 64 для attention и MLP и 16 для AdaLN. В типичном примере генерируется видео размером 1344×768, длительностью около 5,17 секунды при 24 кадрах в секунду. Модель является ранним прототипом: веса недообучены и не предназначены для production-качества, хотя при четырёх шагах могут превосходить базовую модель по резкости и синхронизации звука. Требуются Diffusers из ветки main, PEFT, формат базовых весов MiniMax-H3 для Diffusers и непрореженная версия DiT; прореженные варианты с другой структурой временного conditioning несовместимы. Для корректной работы аудио и видео нужны раздельные расписания sampling. Лицензия — Apache-2.0.

tarn59/pixel_art_style_lora_z_image_turbo — LoRA-адаптер для генерации изображений в стиле пиксель-арт на базе модели Tongyi-MAI/Z-Image-Turbo. Адаптер предназначен для сценариев text-to-image, где требуется стилизовать результат под пиксельную графику; в карточке модели приведены примеры интеграции с Diffusers и несколько демонстрационных изображений. Для активации стиля рекомендуется использовать триггерную фразу «Pixel art style.» в текстовом запросе. Архитектура адаптера, его размер, поддерживаемые языки, точное число параметров и максимальная длина контекста не указаны. Модель ориентирована на генерацию изображений, однако характеристики базовой модели и требования к аппаратному обеспечению в карточке не раскрыты. Основное преимущество адаптера — специализированная стилизация под пиксель-арт при использовании совместимой базовой модели Z-Image-Turbo. Ограничения связаны с зависимостью от этой базовой модели и отсутствием подробных сведений о качестве, диапазоне поддерживаемых сцен и рекомендуемых параметрах генерации. Модель распространяется по лицензии Apache-2.0.

Recon2Reason Reasoning 4B — мультимодальная модель зрения и языка, разработанная BAAI и дообученная на базе Qwen/Qwen3-VL-4B-Instruct. Она предназначена для пространственных рассуждений по изображениям помещений и сцен, связанных с embodied AI: оценки метрических расстояний, относительных положений, конфигураций объектов и пространственных отношений. Модель использует архитектуру Qwen3VLForConditionalGeneration и содержит около 4,44 млрд параметров. Принимает одно или несколько изображений и текстовые запросы, выдаёт текстовые ответы; работает через стандартный интерфейс Transformers и не требует пользовательского кода модели. Веса представлены в BF16 в формате Safetensors. Для воспроизведения бенчмарков README рекомендует жадное декодирование. Модель показала сильные результаты на бенчмарках метрических и качественных пространственных рассуждений, однако README не приводит численных результатов. Лицензия — Apache-2.0. Это только reasoning-модель; расширение с retrieval-augmented реконструкцией сцен выпущено отдельно.

SoL-Refiner-LTX-2.5-H3-int8-convrot — перепакованная и квантованная версия SoL-Refiner для обработки черновых видео MiniMax-H3. Модель повышает разрешение видео до 1080p: кодирует входные кадры, увеличивает латентное представление вдвое и уточняет его за один проход трансформера, после чего декодирует результат в видео. В описании указаны трансформер и текстовый энкодер Gemma 4 12B с линейными слоями int8 ConvRot, а также видеокодек LTX-2.5; часть компонентов оставлена в bf16. Модель предназначена для одношагового улучшения и апскейлинга черновиков MiniMax-H3 с частотой 24 кадра в секунду. Она выдаёт только видео, без аудио. Репозиторий содержит веса в формате safetensors и подготовлен для загрузчика image-server LTX-2.5 ltx_core. Исходный репозиторий не объявляет лицензию; автор README указывает на применимость LTX-2.x Community License от Lightricks и рекомендует проверить её перед коммерческим использованием.

Jack04810 разработал spac_4B_spacialpe_0.08 — плотную авторегрессионную модель Qwen3ForCausalLM размером 3,8 млрд параметров, дообученную на Qwen3-4B для понимания и генерации 3D-сеток в конвейере SPAC с Spatial-PE. Обучение продолжало чекпойнт output_40k_cont2ep ещё четыре эпохи на 40 тысячах парных примеров: 20 тысяч преобразований последовательности токенов сетки в текстовое описание и 20 тысяч преобразований описания формы в последовательность токенов сетки. Модель принимает текст и токены 3D-сетки, а выдаёт текстовые описания или последовательности токенов сетки. Для запуска требуется обёртка инференса SPAC с spatial_pe_scale 0.08 и таблицей слияния из Jack04810/spac-qwen3-4b-spatial-pe-8ep. Контекст — 40 960 токенов. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с файлами репозитория.

SpatialStack-Qwen3.5-4B — мультимодальная модель для пространственных рассуждений по изображениям, разработанная проектом SpatialStack и представленная как работа для CVPR 2026. Она дообучена на основе Qwen/Qwen3.5-4B и расширяет её параллельным геометрическим потоком VGGT-1B. Механизм layered geometry-language fusion проецирует геометрические признаки слоёв энкодера 11, 17 и 23 в слои декодера 0, 1 и 2, чтобы объединять локальную структуру и пространственный контекст с языковыми признаками. Модель предназначена для понимания изображений и 3D-пространственных задач; в README приведены результаты на VSI-Bench и CV-Bench. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Для работы требуется отдельный геометрический энкодер VGGT-1B вместе с мультимодальной базовой моделью. Модель оптимизирована для бенчмарков пространственного рассуждения, а не для общего мультимодального диалога; её не проверяли для задач, критичных к безопасности, робототехники и принятия решений в реальном мире.

swin-age-classifier — классификатор изображений на архитектуре Swin, обученный предсказывать возраст по фотографиям. Модель разработана ibombonato на основе набора данных Ai Crowd Blitz XIII — Age Prediction; обучение длилось 80 эпох, а проект создан с помощью HuggingPics. Модель принимает изображение и выдаёт категорию или оценку возраста. Она предназначена для экспериментов с прогнозированием возраста по изображениям. Доступны веса в формате PyTorch. Сведения о лицензии и точности модели в карточке не приведены.

The Dark Night — модель генерации изображений по тексту, созданная Yntec и основанная на Luma 0.98. Это объединение Cryptids LoRA и SXZ DigitalUnitsCreationKit с последующими слияниями Elldreth’s Retro Mix и AgarthaChadStyle: они улучшают связность изображений и проработку глаз. Модель рассчитана на создание персонажей, животных, фэнтезийных сцен, игровых ассетов, иконок и стилизованных иллюстраций; автор отмечает, что исходную версию было трудно задавать промптами. Для пейзажей и предметов автор рекомендует вариант Beta, который уступает основной версии в изображении персонажей и животных. Модель использует архитектуру Stable Diffusion 1.5 и распространяется в формате Diffusers с весами Safetensors. В README приведены примеры промптов для портретов, милых персонажей и животных, а также игровых фэнтезийных ландшафтов. Репозиторий предоставляет производную модель, а не отдельную базовую архитектуру. Лицензия — CreativeML OpenRAIL-M.

UI-Genie-Agent-3B — мультимодальная модель HanXiao1999 для автоматизации интерфейсов мобильных устройств. Она построена на Qwen2.5-VL-3B-Instruct и дообучена методом supervised fine-tuning на размеченных и синтетических траекториях взаимодействия с Android-приложениями. Модель принимает изображение экрана и текстовую инструкцию, анализирует интерфейс и выдаёт действия агента, например нажатие, прокрутку или ввод текста; поддерживается также режим Set-of-Mark. Модель предназначена для выполнения низкоуровневых действий и многошаговых задач в мобильных приложениях. В README приведены результаты на AndroidControl и AndroidLab, где качество зависит от типа сценария и бенчмарка. Число параметров — 3,1 млрд, базовый контекст — до 128 000 токенов; репозиторий использует формат safetensors и библиотеку Transformers. В метаданных указан интерфейс вызова инструментов, однако для практического управления устройством требуется агентная обвязка, умеющая исполнять предсказанные действия. Лицензия в предоставленных данных не указана.

memset0/vsqa-test-1.3b — экспериментальная производная модель для генерации видео по текстовому запросу. Она основана на диффузионной Wan2.1-T2V-1.3B-Diffusers и включает обученный трансформер с замороженными компонентами исходного конвейера. В карточке описан экспорт шага 1000; обучение проводилось на роликах длиной 61 кадр и разрешением 448 × 896. Модель использует attention VSA_QAT_TRAIN_C128 с обученными компрессионными вентилями, а также QAT для NVFP4 Q/K/P/V attention и линейных слоёв W4A4. Веса Safetensors хранятся как веса с плавающей точкой, а не как упакованная FP4-модель для развёртывания. Применялась дистилляция DMD2 с четырёхшаговой схемой и CFG 1. Для инференса требуется совместимая реализация FastVideo VSQA с поддержкой указанного backend внимания, компрессионных вентилей и контракта линейного QAT. Совместимость со стандартным Diffusers не заявлена. Лицензия — Apache-2.0.

Xiaomi-Robotics-U0-FlashAR — авторегрессионная мультимодальная модель Xiaomi Robotics для генерации изображений и синтеза сцен с роботизированными наблюдениями. Она использует архитектуру UNIS с плотной моделью на 30,4 млрд параметров и инициализирована на основе EMU3.5. Общий дискретный визуальный токенизатор и единая цель предсказания следующего токена позволяют обрабатывать текстовые и визуальные последовательности в общей токеновой системе. Модель принимает текстовые запросы и изображения с инструкциями, а также условия и наблюдения сцены; генерирует изображения, многовидовые RGB-сцены и, согласно описанию семейства, видео с роботизированным сценарием. Публичные веса FlashAR поддерживают генерацию сцен, перенос сцены, генерацию изображений по тексту и редактирование изображения по инструкции. FlashAR группирует визуальные токены при декодировании и поддерживает пакетный вывод через vLLM; заявлены контекст 32 768 токенов и ускорение генерации изображений высокого разрешения. Видео-чекпойнт в README обозначен как ожидающий выпуска, поэтому генерацию видео этими весами считать доступной нельзя. Модель предназначена для генерации и преобразования изображений и для создания роботизированных многовидовых сцен. Репозиторий предоставляет код вывода и демо. Лицензия — Apache-2.0. В README приведено заявленное авторами время вывода для конкретной конфигурации H20; фактическая скорость и требования к оборудованию зависят от используемого движка и конфигурации.

Модель AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b8000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом режиме. Обучение проводилось на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b8000_s0, связанном с финансовыми вопросами и ответами. Модель принимает текст и генерирует текст. Контекст составляет 4096 токенов; репозиторий содержит веса в формате safetensors, библиотека — Transformers. Базовая модель англоязычная, но README не описывает языковой охват производной модели. Лицензия указана как other; конкретные условия использования из доступных сведений определить нельзя.

EmObserver — мультимодальная модель для анализа эмоций на изображениях, созданная на основе Qwen3-VL-8B-Thinking. Её обучили в четыре этапа: с учителем, с подкреплением GRPO, методом on-policy self-distillation и с дополнительным вознаграждением за согласованность с оценками LLM. Модель принимает одно или несколько изображений и вопрос на естественном языке, а затем выдаёт рассуждение и краткий ответ. Она предназначена для понимания визуальных эмоций, оценки утверждений об эмоциях, классификации эмоций и анализа отдельных изображений или их пар. В README приведены результаты на бенчмарках, включая точность 86,23% на MVEI; результаты могут меняться при других настройках среды и генерации. Модель ориентирована на исследовательскую работу и разработку бенчмарков. Визуальная оценка эмоций субъективна и зависит от культурного и контекстного фона; ответы и объяснения могут быть ошибочными или отражать смещения обучающих данных. Модель не предназначена для диагностики психического здоровья, психологического профилирования, наблюдения или иных решений с высокими ставками. Лицензия — Apache-2.0.

FWKV/FWKV-Image-Hibiscus-LoRA — небольшой LoRA-адаптер для базовой модели FWKV/FWKV-Image, предназначенной для генерации изображений по текстовому описанию. Разработчик адаптера в README явно не указан; обучение выполнено с использованием библиотеки PEFT и набора данных HuggingEnvs/watercolour-reference-pool. Модель ориентирована на добавление к базовой FWKV-Image художественной стилистики акварельной живописи: к подписям при обучении автоматически добавлялись указания «watercolour wash, soft bleed». Это text-to-image-модель, работающая с текстовыми описаниями на английском языке и генерирующая изображения. Обучение проводилось на изображениях, приведённых к размеру 256×256 пикселей, однако максимальный контекст текста, рекомендуемое разрешение генерации и общий размер базовой модели в README не указаны. Адаптер изменяет только отдельные модули cross-attention DiT-компонента через LoRA с параметрами rank 8, alpha 16 и dropout 0,05; текстовый энкодер и VAE оставались замороженными. Сильной стороной является компактный способ адаптации базовой модели под акварельную стилистику без полного дообучения. Ограничения связаны с экспериментальным характером, небольшим специализированным набором данных и риском переобучения из-за 2000 эпох обучения; универсальность, качество на других стилях и устойчивость к различным запросам не заявлены. Лицензия — MIT.

JobBERT-v2 — модель Sentence Transformers от TechWolf, дообученная на базе sentence-transformers/all-mpnet-base-v2 для сопоставления названий должностей и оценки их семантического сходства. Она кодирует названия должностей и описания в плотные векторы размерностью 1024; сходство между ними можно оценивать косинусной мерой. Модель обучена на более чем 5,5 млн пар названий должностей и связанных с ними навыков или требований, имеет длину контекста 514 токенов по метаданным и достигает MAP 0,6457 на тесте TalentCLEF. Модель предназначена для поиска похожих должностей, стандартизации названий и сопоставления вакансий с профилями соискателей, а также для HR-аналитики и управления талантами. Лицензия — MIT. В README для модели указан максимум последовательности 64 токена, поэтому при длинных текстах должностей или описаниях важна обрезка входа; результат оценки TalentCLEF сам по себе не гарантирует качество на других данных и сценариях.

Это набор из четырёх экспериментальных гибридных чекпойнтов MiniMax H3, собранных автором репозитория jfar-z на основе FL2VA с путём кондиционирования по референсному изображению Ref2VA. В выбранных блоках трансформера заменены AdaLN-проекции на варианты из Ref2VA; остальные тензоры сохранены из FL2VA. Чекпойнты представлены в NVFP4 и предназначены для генерации видео по изображению в ComfyUI. Автор сообщает о проверке структуры, тензоров и загрузки, а также об успешной ручной генерации видео для всех четырёх вариантов. Для варианта b25-49 также описан путь Ref2VA с выводом видео и аудио. Это экспериментальные слияния параметров, а не дообученные модели. Они сохраняют таблицу временных шагов FL2VA при переносе проекций Ref2VA; результаты могут отличаться от INT8-версии. NVFP4 рассчитан прежде всего на видеокарты NVIDIA Blackwell, а работа на эмулируемых путях может отличаться. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверять с лицензией исходной модели и репозитория.

MiniMax-H3-Turbo-LoRA — набор адаптеров LoRA для модели MiniMax-H3, опубликованный пользователем vladmandic и предназначенный для работы в задачах генерации видео из текста. Модель интегрируется с библиотекой Diffusers и ориентирована на эксперименты с ускоренными вариантами MiniMax-H3 Turbo, включая использование в интерфейсах и рабочих процессах, совместимых с SD.Next. В репозитории представлены варианты адаптаций и результаты тестирования для нескольких исходных LoRA-источников, включая lightx2v, larryvrh, Silveroxides, Alibaba PAI и TaoMate. README не содержит достоверных сведений о размере модели, точной архитектуре базовой модели, поддерживаемых языках, длине контекста, доступных модальностях помимо текстового ввода и генерируемого видео, а также о конкретных преимуществах каждого адаптера или рекомендуемых параметрах. Лицензия и условия коммерческого использования в README не указаны, поэтому их необходимо уточнять по базовой модели и исходным репозиториям.

Это обученная с нуля реализация архитектуры TMR от Motius для оценки и сопоставления текстовых описаний с движениями человека. Она кодирует текст и последовательности позы, представленные координатами 22 суставов тела SMPL в формате xyz с частотой 30 кадров в секунду, в общее пространство признаков. В артефакт входят текстовый энкодер на базе DistilBERT, энкодеры движения и текста, декодер реконструкции и статистики нормализации обучающей выборки. Контрольная точка обучена на полном наборе HYMotion Data SFT и объединённом наборе MotionHub для движений одного человека; опубликован epoch 248 исправленного обучающего прогона. Модель предназначена для извлечения признаков и оценки соответствия между текстом и движением, в том числе в протоколе T2M leaderboard. Это не официальный чекпойнт TMR. Лицензия — MIT.

SPARC-Qwen3.5-0.8B-VTFT — мультимодальная модель семейства Qwen3.5, разработанная irl-kit для пространственного рассуждения в embodied-сценариях. Это плотная модель с 0,8 млрд параметров, принимающая изображения и текстовые вопросы и выдающая текстовые ответы; в каталоге Hugging Face указаны архитектура Qwen3_5ForConditionalGeneration, библиотека Transformers и формат safetensors. Модель полностью дообучена на данных VQA, созданных из аннотаций SPARC, а также на смесях FSD, RoboPoint и LLaVA-OneVision2. Обучение включало донастройку vision tower и проектора. Модель предназначена для вопросов о пространственных отношениях и расположении объектов на изображении, а также для выдачи координат точек или траекторий в заданном JSON-формате. Для корректной работы README рекомендует применять встроенный chat template и отключать режим reasoning. В локальной оценке это наиболее сильный вариант среди испытанных моделей размером 0,8 млрд параметров; результаты ниже, чем у вариантов на 4 и 9 млрд параметров. Лицензия в предоставленных данных не указана.

ABot-Recon — модель потоковой 3D-реконструкции сцен, разработанная командой AMap CVLab. Она последовательно обрабатывает видеопоследовательности, используя фиксированный локальный контекст из 12 кадров: оценивает геометрию сцены в виде карты точек в координатах текущей камеры и относительное положение между соседними кадрами, затем объединяет локальные предсказания в глобальную реконструкцию. Модель рассчитана на онлайн-обработку очень длинных видео без необходимости хранить всю последовательность в контексте. Основной сценарий — восстановление геометрии сцены и движения камеры по видео. В карточке указана задача image-to-3d; модель также оценивает относительные позы камеры. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README ссылается на исследовательскую статью и код проекта.

Aju360/ats-mpnet — дообученная модель Sentence Transformers на основе sentence-transformers/all-mpnet-base-v2, предназначенная для кодирования предложений и абзацев в плотные векторы и семантического поиска. Архитектура включает MPNet, усредняющий pooling и нормализацию; размерность эмбеддинга — 768. Модель принимает текст и поддерживает последовательности до 514 токенов по метаданным; в README указано ограничение 384 токена. Модель можно применять для поиска подходящих резюме и вакансий, сравнения текстов по смыслу и извлечения кандидатов по запросу. Для оценки сходства используется косинусная близость. В README приведены результаты на ats-val: Spearman 0,8635 и Pearson 0,8944; обучающий набор описан как содержащий 105 примеров. Лицензия в предоставленных данных не указана.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b2000_s0 — дообученная модель на основе marin-community/marin-8b-base, разработанная с использованием набора данных capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b2000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Контекст составляет 4096 токенов; модель работает с текстом и распространяется в формате safetensors для Transformers. Обучение на финансовом наборе данных указывает на специализацию для ответов на вопросы по финансовым данным и диалоговых финансовых сценариев. Карточка не приводит результатов оценки, подробностей обучающей выборки или конкретных ограничений, поэтому качество и область надёжного применения по этим данным определить нельзя. Лицензия указана как other; условия использования следует проверять в файлах репозитория.

Модель EmanHassan26/ddpm-celebahq-finetuned-vintage — безусловная диффузионная модель для генерации изображений, доступная в формате Diffusers и использующая веса Safetensors. В README приведён пример запуска через DDPMPipeline: модель создаёт изображение без текстового запроса. Название и карточка указывают на настройку модели для винтажного стиля на CelebA-HQ, однако README не описывает результаты или характеристики обучения. Репозиторий распространяется по лицензии MIT. Размер модели, число параметров и поддерживаемое разрешение изображений не указаны в доступных данных.

AmberJin4526/distilroberta-ai-jobembeddings — модель эмбеддингов предложений на базе Sentence Transformers, дообученная Amber Jin на наборе ai-job-embedding-finetuning от sentence-transformers/all-distilroberta-v1. Она преобразует запросы и описания вакансий в плотные векторы размерности 768, которые сравниваются с помощью косинусного сходства. Модель предназначена прежде всего для семантического поиска и сопоставления запросов соискателей с описаниями вакансий, а также для поиска похожих текстов, кластеризации и классификации. Архитектура включает энкодер RobertaModel с усреднением токенов и нормализацией выходного вектора. README сообщает длину последовательности до 512 токенов; метаданные указывают контекст 514 токенов. Модель обрабатывает текст и рассчитана на англоязычные запросы и описания вакансий. Карточка приводит высокие результаты на собственных наборах проверки, однако это не гарантирует качество на других данных. Лицензия в предоставленных сведениях не указана.

GenderNew_v002 — классификатор изображений, созданный пользователем cledoux42 с помощью HuggingPics. Модель предназначена для отнесения изображений к классам; название указывает на классификацию по гендеру, однако README не сообщает названия классов и точную схему разметки. Модель использует архитектуру Vision Transformer (ViT) для классификации изображений и содержит 113,2 млн параметров. В репозитории указаны веса PyTorch. README описывает её как автоматически созданный классификатор и отсылает к демонстрации HuggingPics в Google Colab. Данных о лицензии и результатах оценки качества нет, поэтому условия повторного использования и точность классификации по доступной карточке определить нельзя.

MohammedDhiyaEddine/job-skill-sentence-transformer-tsdae — модель SentenceTransformer на базе RoBERTa, дообученная на описаниях вакансий и навыков методом Transformer-based and Sequential Denoising AutoEncoder (TSDAE). Этот метод предназначен для обучения представлений текста в условиях нехватки размеченных данных. Модель подходит для получения векторных представлений текстов о навыках и вакансиях, которые можно использовать для поиска и сопоставления похожих описаний. Она содержит 151,8 млн параметров, принимает текстовые входные данные и рассчитана на контекст до 514 токенов. В карточке указан английский язык; лицензия — Apache-2.0. Описание не сообщает результатов оценки качества и конкретных ограничений применимости, поэтому пригодность эмбеддингов для отдельного набора вакансий или навыков следует проверять на целевых данных.

elix3r/LTX-2.5-22b-distilled-GGUF — экспериментальная GGUF-квантизация Q5_K_M дистиллированного аудио-визуального трансформера LTX-2.5 размером 22 млрд параметров. Модель основана на Lightricks/LTX-2.5 и предназначена для генерации видео по текстовому описанию, включая сценарии text-to-video и audio-video в ComfyUI. В репозитории представлен только трансформер объёмом около 16,9 ГБ; для работы требуются совместимый ComfyUI с узлами LTX-2.5 и ComfyUI-GGUF, специальный текстовый encoder Gemma 4 с проекционными головами, а также официальные video/audio VAE. Для двухэтапной генерации может потребоваться пространственный latent upscaler. Поддерживаемые языки, максимальный контекст и точный набор модальностей на уровне пользовательского ввода в README не указаны. Ключевое преимущество — существенно уменьшенный размер по сравнению с полноразмерной моделью благодаря Q5_K_M-квантизации и возможность запуска в проверенной конфигурации с GPU RTX 4070 Ti SUPER 16 ГБ, 32 ГБ оперативной памяти и swap. Это не универсальные минимальные требования, а только протестированная конфигурация. Модель экспериментальная, зависит от конкретных версий ComfyUI и ComfyUI-GGUF и требует значительного дискового пространства и дополнительных компонентов. Использование и распространение регулируются LTX-2.x Community License, включая ограничения, условия перераспределения и правила коммерческого использования.