IV.1Ритейл, электронная коммерция и fashion-tech

FLUX.2-klein-4B Uncensored Text Encoder — модифицированный текстовый энкодер для модели генерации изображений FLUX.2-klein-4B от Black Forest Labs, опубликованный ponpoke. Модель предназначена для преобразования текстовых запросов в представления, используемые компонентом DiT при генерации изображений, включая запросы общего и NSFW-содержания. Заявлена поддержка английского и японского языков. В основе лежит LLM-энкодер на архитектуре Qwen3 с 36 слоями и общим размером около 4 млрд параметров. Разработчик применил математическую abliteration — послойную ортогонализацию векторов отказа в слоях 14–35 с изменением проекций внимания и MLP. Это не дообучение на дополнительных наборах изображений. Доступны версии Safetensors и квантованные форматы GGUF: FP16, Q8_0, Q6_K и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Главная особенность модели — удаление встроенных ограничений безопасности на этапе обработки промпта, благодаря чему она не должна отклонять потенциально экстремальные запросы. При этом заявлено сохранение близкого к исходному поведения на безопасных запросах, однако снятие фильтрации повышает риск генерации вредного или незаконного контента и требует ответственного применения. Модель является текстовым энкодером, поэтому для полной генерации изображений необходим совместимый FLUX.2-klein-4B DiT и подходящее программное окружение, например ComfyUI или Diffusers. Указана лицензия flux-non-commercial-v2.1 с ограничениями некоммерческого использования.

GSFixer — модель для восстановления видео, разработанная для устранения артефактов в новых ракурсах, полученных при рендеринге сцен методом 3D Gaussian Splatting (3DGS). Она использует признаки изображений DINOv2 и геометрические признаки VGGT из эталонных ракурсов, чтобы улучшать семантическую согласованность и пространственную целостность восстановленных кадров. Модель предназначена для обработки видео, созданного из низкокачественных реконструкций 3D-сцен по разреженным наблюдениям. В метаданных Hugging Face указана задача image-to-video; репозиторий использует Diffusers и содержит веса в формате safetensors. Описание не сообщает размер модели, поддерживаемые языки, лицензию и количественные показатели качества. Поэтому условия использования и пригодность для конкретных сцен следует сверять с дополнительной документацией и оценивать на собственных данных.

H3 LoRAs — это набор зеркальных LoRA-адаптеров для движка MiniMax-H3. В представленном репозитории poopooness/H3-Loras размещена неизменённая копия адаптера minimax_h3_turbo_v4_step600_ema.safetensors, первоначально опубликованного larryvrh, для базовой модели MiniMaxAI/MiniMax-H3. Адаптер предназначен для генерации аудиовизуального контента и сценариев text-to-video, включая малое число шагов семплирования. Адаптер содержит 518 тензоров в формате bfloat16, занимает около 744 МБ и использует ранг 64, включая ранг 16 для проекций AdaLN. Он применяется по формуле W_eff = W + lora_B @ lora_A без alpha-коэффициента. По измерениям авторов, на базе int8_convrot с 124 кадрами при 24 кадрах в секунду адаптер позволил сократить число шагов с 50 до 7 и время генерации с 20 минут 40 секунд до 4 минут 24 секунд на H100 при сопоставимом качестве. Дополнительная стоимость одного шага составляет около 7%. Это не самостоятельная модель: для работы требуется совместимая база MiniMax-H3 и специализированная интеграция движка. Ключевое ограничение — веса используют именование ComfyUI и не загружаются напрямую через PEFT add_adapter(); необходима трансляция через модуль ai-engines-h3. Указанная версия оптимизирована для быстрого семплирования, тогда как другая версия upstream описывается как более подходящая для тяжёлого движения, но в данном репозитории не представлена. Лицензия — Apache-2.0.

HY-Embodied-0.5-X — мультимодальная модель для робототехники, совместно разработанная Tencent Robotics X и HY Vision Team. Это дообученная версия HY-Embodied-0.5: модель семейства HunYuan VLMoT использует архитектуру MoT с 4 млрд параметров, из которых активируются 2 млрд; метаданные репозитория указывают 1,8 млрд параметров. Модель принимает изображения и текст, поддерживает диалог и имеет контекст длиной до 262 144 токенов. Модель предназначена для цикла взаимодействия робота с физической или симулированной средой: понимания сцен и пространственных отношений, разрешения ссылок на объекты, планирования многошаговых задач, предсказания действий и оценки рисков. Среди сценариев — бытовые и настольные манипуляции, планирование задач и оценка поведения в симуляции. В README заявлены результаты верхнего уровня на десяти бенчмарках, включая первое место среди моделей для периферийных устройств на семи из них. Репозиторий содержит веса Safetensors и использует Transformers; README указывает поддержку Linux, Python 3.12 и CUDA 12.6. Лицензия обозначена как other, поэтому конкретные права использования следует проверять по условиям репозитория. Практические ограничения: модель ориентирована на embodied-сценарии, а конкретные мультиязычные языки и требования к аппаратным ресурсам в предоставленных материалах не перечислены.

KoolCogVideoX-5b — модель генерации видео из текста, дообученная на базе CogVideoX-5B для сценариев дизайна интерьеров. Она предназначена для создания коротких видеосцен помещений по текстовому описанию, например гостиных, спален и кухонь с заданной мебелью, отделкой, освещением и стилем. Модель использует библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Примеры в карточке охватывают современные интерьеры с минималистичной эстетикой и нейтральной цветовой гаммой. Модель унаследована от CogVideoX-5B; размер и длина контекста в предоставленных данных не указаны. Лицензия не приведена в доступных источниках.

LaCarnevali/laura-test — тестовая DreamBooth-модель для генерации изображений по текстовым запросам. Автор сообщает, что обучил её с помощью fast-DreamBooth notebook от TheLastBen; в README также предлагается проверять концепцию через A1111 Colab. Метаданные указывают на Stable Diffusion и формат Diffusers с весами PyTorch и Safetensors. Модель предназначена для генерации изображений по тексту, в частности для проверки обученной концепции. Она опубликована по лицензии CreativeML OpenRAIL-M. README не приводит примеров изображений, описания концепции или подробностей обучения, поэтому назначение и качество результата нельзя оценить точнее.

MiniMax-H3 Turbo LoRA — это адаптер LoRA для модели MiniMax-H3, разработанный на основе работы larryvrh и опубликованный как исправленная копия репозитория Abiray. Адаптер предназначен для генерации видео и интеграции с ComfyUI через библиотеку Diffusers. Он рассчитан на использование с совместимыми pruned, или curve-form, чекпойнтами MiniMax-H3, включая прuned FP8 base Comfy-Org/MiniMax-H3. Адаптер использует 4-шаговый turbo LoRA и содержит 416 тензоров: целевые модули внимания и MLP в каждом из 50 блоков, а также token_refiner; adaln-цели отсутствуют. Исправленная версия удаляет 64 лишних завершающих байта из файла safetensors, благодаря чему он корректно загружается строгими загрузчиками и соответствует pruned FP8-базовой модели. Рекомендуемые автором параметры для ComfyUI: сила LoRA 0.8–1.8, 8–12 шагов и sampler res_multistep. Модель ориентирована на ускоренную генерацию видео, но README не содержит сведений о поддерживаемых языках, модальностях ввода, размере базовой модели, максимальном контексте, качестве, производительности или ограничениях. Использование регулируется MiniMax-H3 Community License Agreement; точные условия следует уточнять по указанной лицензии.

Модель dlepighe1/resume-jd-matcher-mpnet — дообученная версия sentence-transformers/all-mpnet-base-v2 от автора репозитория dlepighe1. Она кодирует резюме и описания вакансий в векторы и предназначена для оценки их семантического соответствия по шкале от 0 до 1. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст длиной до 514 токенов. Обучение проводилось на подобранных парах резюме и вакансий с комбинированной функцией потерь CoSENT и CosineSimilarity; оценка дополнительно калибруется методом Platt scaling. На тесте из 106 пар, не пересекавшихся с обучающими данными, автор сообщает корреляцию Спирмена 0,8163 и MAE 0,127. Модель может помогать сортировать вакансии по соответствию резюме или находить подходящих кандидатов для вакансии. Метки соответствия синтетические и отражают заданную авторами рубрику, а не реальные решения рекрутеров или результаты найма. Тестовая выборка небольшая, а модель не проверялась для автоматизированного принятия решений о найме. Лицензия — Apache-2.0.

joeportnoy/resume-match-ml — модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления текстов резюме. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает косинусным сходством. Модель предназначена для семантического поиска и оценки близости между резюме и описаниями вакансий, а также может применяться для поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT-энкодере с mean pooling; метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. В качестве обучающего набора указаны 4 316 пар предложений с оценками сходства. Англоязычная базовая модель и примеры данных указывают на основную ориентацию на английский язык. Лицензия в предоставленных данных не указана.

zen-voyager-i1-GGUF — набор GGUF-квантизаций базовой модели zenlm/zen-voyager, подготовленный и квантизированный пользователем mradermacher. По метаданным, модель относится к системам text-to-video и video-generation, а также к diffusion- и world-model-подходам. Указан английский язык. Модель предназначена для задач генерации видео и связанных сценариев моделирования визуального мира. README не содержит подробностей о внутренней архитектуре, числе параметров, поддерживаемых модальностях, размере контекста или требованиях к оборудованию, поэтому эти характеристики нельзя достоверно уточнить. Доступны многочисленные варианты GGUF-квантизации размером примерно от 7,4 до 27 ГБ, включая IQ- и Q-схемы; более компактные варианты экономят память, но могут заметно уступать по качеству, тогда как Q4_K_M отмечен как быстрый и рекомендуемый. Сильная сторона модели — широкий выбор уровней квантизации, позволяющий подобрать компромисс между размером, скоростью и качеством, включая варианты с imatrix. Ограничения связаны с тем, что квантизация может снижать качество, особенно у самых компактных файлов, а исходное описание не раскрывает результаты тестирования и практические ограничения генерации. Лицензия базовой модели указана как Apache-2.0.

Z-Image Turbo NSFW v2 — это квантованная GGUF-версия модели для генерации изображений по текстовому описанию. Она создана на основе NSFW-файнтюна tewea/z_image_turbo_bf16_nsfw, который, в свою очередь, основан на Tongyi-MAI/Z-Image-Turbo. Конвертация в GGUF выполнена с помощью инструментов city96/ComfyUI-GGUF. Модель предназначена для text-to-image-сценариев, прежде всего для работы в ComfyUI через узел Unet Loader (GGUF). Квантование Q8_0 уменьшает требования к видеопамяти при сохранении качества, близкого к исходной версии bf16. Размер файла составляет около 6,8 ГБ. Как Turbo-distilled-модель, она рассчитана на генерацию примерно за 8 шагов с низким значением CFG. Для работы требуются соответствующие text encoder и VAE исходной модели Z-Image Turbo. Модель ориентирована на создание контента для взрослых, поэтому не подходит для всех аудиторий и требует соблюдения местного законодательства и условий платформы. Архитектура, точное число параметров, поддерживаемые языки и размер контекста в README не указаны. Модель и её перераспределяемая квантованная версия распространяются по лицензии Apache 2.0.

Fe2x/distilroberta-ai-job-embeddings — англоязычная Sentence Transformer модель, дообученная Fe2x на наборе ai-job-embedding-finetuning для сопоставления запросов о работе с описаниями вакансий. Она основана на sentence-transformers/all-distilroberta-v1 и использует архитектуру RoBERTa с усреднением токенных представлений и нормализацией. Модель преобразует текст в плотные эмбеддинги размерности 768; сходство между ними можно оценивать косинусной метрикой. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и ранжирования вакансий по запросу, поиска близких текстов и выявления соответствий между запросами и описаниями. В README приведены результаты TripletEvaluator на наборах ai-job-validation и ai-job-test; они относятся к указанным оценочным выборкам и сами по себе не гарантируют качество на других данных. Репозиторий распространяется в формате safetensors, лицензия в предоставленных сведениях не указана.

FLUX Uncensored LoRA v2 — адаптер LoRA для базовой модели FLUX.1-dev, разработанный EnhanceAI. Он предназначен для генерации изображений по текстовым описаниям, включая контент для взрослых и другие материалы без исходных контентных ограничений базовой модели. В карточке также указан тег image-to-image, однако приведённый пример использования относится к text-to-image через библиотеку diffusers. Модель представляет собой облегчённые LoRA-веса в файле lora.safetensors, подключаемые к black-forest-labs/FLUX.1-dev. Заявлены улучшенная производительность, более стабильная работа и уменьшенный размер адаптера без потери качества. Для оптимальной работы рекомендуется CUDA-совместимая GPU; в примере используется torch.bfloat16. Дополнительные сведения о размере, контекстном окне, поддерживаемых языках и точных архитектурных параметрах не указаны. Сильная сторона модели — специализированная настройка для создания откровенных изображений и возможность интеграции в экосистему diffusers. Ограничения связаны с зависимостью от FLUX.1-dev и необходимостью подходящего графического оборудования, а также с рисками и юридическими требованиями при генерации материалов для взрослых. Распространение и использование регулируются некоммерческой лицензией FLUX-1-dev Non-Commercial License; коммерческое применение не разрешено.

MiniMax H3 Ref2VA Patch-In HF 1.02 — экспериментальный однофайловый diffusion-чекпойнт для ComfyUI, созданный автором репозитория на основе MiniMaxAI/MiniMax-H3 Ref2VA и INT8 ConvRot-перепаковки Comfy-Org/MiniMax-H3. Модель предназначена для генерации видео с синхронным звуком по текстовому запросу и референсным материалам; основной сценарий применения — контролируемое сравнение с исходным чекпойнтом в workflow Ref2VA/R2V. Веса сохранены в формате safetensors с INT8 ConvRot-представлением. Автор изменил только проекцию входа видеопатчей: три пространственные высокочастотные компоненты усилены на 2%, а общая DC-компонента сохранена. Это эвристическая модификация, а не обученная донастройка или доказанное улучшение качества. Проверка охватывает лишь два seed и один короткий диагностический пример; возможны изменения идентичности, кадрирования, движения и звука. Для работы нужны дополнительные компоненты MiniMax H3, ComfyUI с поддержкой INT8 ConvRot и соответствующий workflow. Модель не является официальным релизом MiniMax; применяются условия лицензии MiniMax H3 Community License Agreement, включая ограничения на распространение и территориальное использование.

Карточка модели Wesley1234/minimax_h3_ref2va_patchin_hf102 на Hugging Face совпадает с карточкой t8star/minimax_h3_ref2va_patchin_hf102, поэтому описание составлено по ней. MiniMax H3 Ref2VA Patch-In HF 1.02 — экспериментальный однофайловый diffusion-чекпойнт для ComfyUI, созданный автором репозитория на основе MiniMaxAI/MiniMax-H3 Ref2VA и INT8 ConvRot-перепаковки Comfy-Org/MiniMax-H3. Модель предназначена для генерации видео с синхронным звуком по текстовому запросу и референсным материалам; основной сценарий применения — контролируемое сравнение с исходным чекпойнтом в workflow Ref2VA/R2V. Веса сохранены в формате safetensors с INT8 ConvRot-представлением. Автор изменил только проекцию входа видеопатчей: три пространственные высокочастотные компоненты усилены на 2%, а общая DC-компонента сохранена. Это эвристическая модификация, а не обученная донастройка или доказанное улучшение качества. Проверка охватывает лишь два seed и один короткий диагностический пример; возможны изменения идентичности, кадрирования, движения и звука. Для работы нужны дополнительные компоненты MiniMax H3, ComfyUI с поддержкой INT8 ConvRot и соответствующий workflow. Модель не является официальным релизом MiniMax; применяются условия лицензии MiniMax H3 Community License Agreement, включая ограничения на распространение и территориальное использование.

Wesley1234/minimax_h3_turbo_4step_10ErosMax_test4_pruned_curveproj1025_T8 — экспериментальная независимая LoRA-адаптация для ускорения MiniMax H3 в ComfyUI. Она предназначена для генерации видео с синхронизированным стереозвуком в задачах семейства FL2VA, а также для text-to-video, text-to-audio и совместной audio-video генерации. Адаптация основана на MiniMax H3 от MiniMaxAI и совместима только с конкретной тонко настроенной моделью 10Eros_Max_h3_fl2va_bf16_test4_pruned.safetensors с указанным в README SHA-256. Это не самостоятельный чекпойнт и не официальная Turbo-модель, а LoRA-файл размером около 758 MiB. В нём сохранены 259 пар A/B-адаптеров и добавлены 51 поправка bias, всего 569 тензоров. Используются BF16-адаптеры и FP32-поправки; целевая архитектура — curve-pruned BF16-чекпойнт с 50 блоками и двумя token-refiner-блоками. Рекомендуется ровно 4 шага генерации — это единственный локально проверенный режим. Сильная сторона модели — адаптация ускоряющей четырёхшаговой LoRA к уменьшенному восьмимерному представлению временных кривых без непосредственного объединения с основным чекпойнтом. Главные ограничения — экспериментальный статус, зависимость от точного базового файла и отсутствие гарантии совместимости с другими pruned-чекпойнтами. Преобразование не обучалось заново, а выполнено на основе существующей legacy Standard four-step Turbo LoRA, поэтому качество и стабильность требуют самостоятельной проверки. Использование регулируется MiniMax H3 Community License Agreement, включая ограничения по территориям, условия распространения, коммерческого использования, производных моделей и обязательное сохранение LICENSE и NOTICE. Права на распространение зависимого 10Eros-чекпойнта необходимо проверять отдельно.

Модель разработана National Taiwan University и дообучена на основе BAAI/bge-small-zh-v1.5 методом Supervised SimCSE для сопоставления вакансий и кандидатов. Это компактная плотная BERT-модель с 27,6 млн параметров, предназначенная для оценки семантического сходства текстов на китайском языке; максимальная длина контекста — 512 токенов. Модель принимает текст и подходит для сравнения описаний вакансий с профилями и резюме кандидатов. Доступна в формате safetensors. Сведения о лицензии и конкретном наборе данных для дообучения в предоставленных материалах отсутствуют.

johko разработал RT-DETRv2 r18vd, дообученную модель обнаружения объектов для контроля качества печатных листов. Она обрабатывает изображение целого листа с камеры сверху и находит отдельные карточки заказов, а также дефекты печати: смазы, царапины, ошибки печати, пропущенные элементы, смещение цветовых слоёв и перекос карточек. Модель предназначена для сценариев контроля качества печати этикеток и вывесок. Она принимает изображения размером 1024×768 и выдаёт ограничивающие рамки в формате COCO с координатами в пикселях. В README приведены результаты независимой оценки на 30 синтетических валидационных листах: mAP@[.5:.95] 0,7815 и mAP@50 0,8654. Обучение проведено полностью на процедурно сгенерированных данных. Изображения похожи по компоновке на съёмку реального листа, но могут отличаться по характеристикам камеры; для реального производства рекомендуется дообучение на размеченных снимках. Оценки уверенности обычно низкие, поэтому для отбора обнаружений рекомендуется учитывать их ранжирование и рассмотреть порог около 0,05 или выбор top-K. Модель распространяется по лицензии Apache-2.0.

Модель minsolimbu/smart-job-search-model — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанный для семантического сопоставления резюме и вакансий. Она кодирует текст предложений и абзацев в плотные векторы размерностью 384 и использует косинусное сходство для оценки близости. Модель построена на архитектуре BERT с усредняющим pooling и нормализацией; в метаданных указано 25,9 млн параметров и контекст до 512 токенов, тогда как README сообщает максимальную длину последовательности 256 токенов. Модель подходит для поиска вакансий по резюме, ранжирования подходящих предложений и оценки семантического сходства текстов. В README приведена оценка Spearman 0,7778 на наборе resume-job-validation. Она принимает только текст и выдаёт векторы для последующего поиска или сравнения. Язык обучения и поддерживаемые языки явно не указаны; базовая модель ориентирована на английский язык. Лицензия в предоставленных данных не указана.

xFutureTechx/2025_Loras — набор моделей LoRA для генерации изображений по текстовому описанию, опубликованный пользователем или организацией xFutureTechx. В метаданных указаны совместимость с библиотекой Diffusers и тематическая ориентированность на anime-генерацию. Набор связан с базовыми моделями AstraliteHeart/pony-diffusion-v6, OnomaAIResearch/Illustrious-xl-early-release-v0, Laxhar/noobai-XL-1.1 и stabilityai/stable-diffusion-xl-base-1.0, а также с экосистемой Stable Diffusion, SDXL, Pony и IllustriousXL. LoRA использует метод low-rank adaptation, однако назначение отдельных адаптеров, их размеры, рекомендуемые веса, триггерные слова, поддерживаемые разрешения и требования к аппаратному обеспечению в README не указаны. Язык метаданных модели обозначен как английский. Сильная сторона набора — потенциальная применимость к нескольким популярным базовым моделям и сценариям стилизованной генерации изображений, особенно в anime-направлении. Ограничения связаны с отсутствием подробной документации, примеров, инструкций по запуску и описания конкретных эффектов адаптеров, поэтому совместимость и качество результата необходимо проверять отдельно для каждого компонента. Лицензия указана как CreativeML Open RAIL-M.

HapePrime — модель безусловной генерации изображений на основе LightWeight GAN, созданная Алексеем Коршуком. Она предназначена для создания изображений коллекции Hape Prime без текстового запроса; обучающие данные связаны с набором huggingnft/hapeprime. Формат модели — PyTorch. Лицензия — MIT. Подробности о применении и ограничениях автор направляет смотреть в репозиторий проекта.

rockerBOO/ltx2.3-10eros-nvfp4 — квантованная версия LTX2.3-10Eros v1.5, созданная rockerBOO на основе модели TenStrip/LTX2.3-10Eros. Исходная модель представляет собой fine-tune и layer-scaled merge на базе SulphurAI/Sulphur-2-base, которая, в свою очередь, основана на Lightricks/LTX-2.3. Модель предназначена для генерации видео из изображений и настроена на генерацию откровенного движения и анатомии; такой контент подходит не для любой аудитории. Для расширения разнообразия движений рекомендуется использовать гибридную DMD/distill LoRA. Модель использует архитектуру LTX-2.3 со смешанной аудио-видеомодальностью и включает transformer, video VAE и audio VAE. Веса сохранены в одном файле SafeTensors размером около 22 ГБ и сжаты методом NVFP4 — блочным квантованием FP4 E2M1. Часть блоков transformer сохранена в более высокой точности, а VAE и vocoder исключены из квантования. Для инференса требуется видеокарта Blackwell с SM не ниже 10.0/12.0, например RTX 50-й серии, B100 или B200; загрузка предусмотрена через ComfyUI либо другой совместимый загрузчик формата Comfy-quant. Главное преимущество версии — существенное уменьшение размера по сравнению с исходным bf16-файлом на 46 ГБ при сохранении совместимости с архитектурой LTX-2.3. Ограничения включают зависимость от нового поколения GPU, отсутствие информации о размере контекста, поддерживаемых языках и точных характеристиках качества, а также специализированную направленность на откровенную генерацию. Модель распространяется по LTX-2 Community License Agreement с дополнительными условиями TenStrip: разрешены только входные данные с вымышленными или нереальными персонажами; использование реальных людей, знаменитостей, публичных фигур и идентифицируемых лиц запрещено. Дополнительно пользователь принимает риски использования модели и отказ от гарантий.

NBK ATS Semantic Model v1 English — англоязычная модель Sentence Transformers, разработанная NBK и дообученная на базе jinaai/jina-embeddings-v2-small-en для подбора кандидатов в системах ATS. Она преобразует резюме и описания вакансий в эмбеддинги, чтобы оценивать их семантическое сходство и сопоставлять навыки и требования. Модель рассчитана на полные профессиональные документы, поддерживает контекст до 8 192 токенов и доступна в форматах Safetensors и ONNX для серверного и браузерного запуска. В карточке указано 32,4 млн параметров и лицензия Apache-2.0. Обучение проводилось на 5 099 парах резюме и вакансий, с нормализацией профессиональных навыков по таксономии ESCO. Разработчик приводит результаты проверки на 64 примерах из восьми профессиональных областей и рекомендует использовать оценки как поддержку скрининга, а не как единственное основание для найма. Модель оптимизирована только для английского языка и профессионального сопоставления; очень длинные документы могут превышать контекст, а данные рынка труда могут отражать культурные и демографические смещения.

Om-Shandilya/resume-matcher-bert — англоязычная модель на архитектуре BERT семейства MiniLM, разработанная для семантического сопоставления резюме и вакансий. Это дообученная версия sentence-transformers/all-MiniLM-L6-v2 с 25,9 млн параметров; она принимает текст и формирует эмбеддинги для сравнения смысловой близости. Максимальная длина контекста — 512 токенов. Модель подходит соискателям для поиска наиболее релевантных вакансий по резюме, а рекрутерам — для ранжирования резюме по описанию вакансии. В репозитории также содержится готовый FAISS-индекс эмбеддингов описаний вакансий для быстрого поиска. Семантическое сравнение позволяет учитывать смысл текста, а не только совпадение ключевых слов. Модель опубликована под лицензией Apache-2.0. Она предназначена для англоязычных текстов; качество сопоставления за пределами этого языка и для документов, превышающих контекстное окно, не подтверждено.

SCAIL-Preview-GGUF — квантизированная версия модели SCAIL-Preview в формате GGUF, опубликованная VantageWithAI на основе оригинальной модели zai-org/SCAIL-Preview. Проект разработан авторами Wenhao Yan, Sheng Ye, Zhuoyi Yang и соавторами и представлен в работе «SCAIL: Towards Studio-Grade Character Animation via In-Context Learning of 3D-Consistent Pose Representations». Модель предназначена для генерации видео из изображений и студийной анимации персонажей. SCAIL ориентирована на высококачественную анимацию персонажей в сложных сценариях: при значительных вариациях движений, для стилизованных персонажей и во взаимодействиях нескольких персонажей. Подход использует обучение в контексте и 3D-согласованные представления поз, что направлено на повышение стабильности и достоверности движений. В README указана Preview-версия объёмом 14B параметров с поддержкой разрешения 512p. Формат GGUF предназначен для совместимого локального запуска, однако конкретные требования к инференсу, поддерживаемые языки, размер контекста и точная схема входных данных не указаны. Репозиторий содержит только веса модели; для инференса и извлечения поз требуются официальные проекты SCAIL-Official и SCAIL-Pose. К ограничениям относятся статус Preview, разрешение 512p и отсутствие заявленной поддержки истории, которая указана в планах для будущих официальных версий 1.3B и 14B с разрешением 720p. Модель распространяется по лицензии MIT.

Это диффузионная модель eva891022 для безусловной генерации изображений милых бабочек. Она предназначена для создания изображений без текстового запроса; в карточке показан запуск через DDPMPipeline библиотеки Diffusers. Модель опубликована в форматах Diffusers и safetensors и распространяется по лицензии MIT. Размер модели, число параметров и длина контекста в предоставленных данных не указаны.

Alpacadabraz — модель Lightweight GAN для безусловной генерации изображений из коллекции NFT. Её создал Aleksey Korshuk; для обучения использован набор данных huggingnft/alpacadabraz. Модель предназначена для генерации изображений без текстового запроса. В репозитории указаны веса PyTorch и лицензия MIT. Подробности об использовании, качестве и ограничениях автор предлагает смотреть в связанном проекте.

google/ddpm-ema-bedroom-256 — модель диффузионной генерации изображений на основе Denoising Diffusion Probabilistic Models (DDPM), опубликованная Google. Она предназначена для безусловного создания изображений спален размером 256×256 пикселей: генерация не требует текстового запроса или другого условия. Модель распространяется в формате Diffusers и использует PyTorch; для запуска подходят дискретные планировщики шума, включая DDPM, DDIM и PNDM. Карточка ссылается на работу Джонатана Хо, Аджая Джейна и Питера Аббила о диффузионных вероятностных моделях. Модель ориентирована на синтез изображений интерьеров спален и может применяться для создания примеров или экспериментов с диффузионной генерацией. Лицензия — Apache-2.0. Модель генерирует изображения без входного текста. Её специализация ограничена сценами спален, поэтому она не предназначена для универсальной генерации изображений или следования текстовым инструкциям.

Zohar/distilgpt2-finetuned-restaurant-reviews — языковая модель GPT-2, дообученная на подмножестве набора отзывов о ресторанах Yelp. Она предназначена для генерации текста в ресторанной тематике, например для создания черновиков отзывов или примеров подобных текстов. В README приведено значение loss 3.4668 на оценочной выборке; подробности методики оценки не описаны. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате PyTorch и имеет контекст до 1024 токенов. Лицензия — Apache-2.0. Карточка не сообщает о поддерживаемых языках и конкретных ограничениях применения; обучение на англоязычных отзывах Yelp указывает на тематическую специализацию, но само по себе не подтверждает заявленную поддержку языка.

hafsa000/interior-design — модель для преобразования изображений в режиме image-to-image, опубликованная пользователем hafsa000 на Hugging Face. Она реализована на базе Diffusers и совместима с StableDiffusionImg2ImgPipeline, поэтому принимает исходное изображение и генерирует его изменённую версию с сохранением части визуальной структуры. По названию репозитория модель ориентирована на сценарии дизайна интерьера: визуализацию вариантов оформления помещений, замену стиля или отделки и создание концептуальных изображений комнат на основе исходных фотографий. Данные о размере модели, контекстном окне, языковой поддержке, обучении, качестве генерации и разработчике в карточке отсутствуют, поэтому эти характеристики не указываются. Модель распространяется по лицензии MIT. Для работы требуется экосистема Diffusers и пайплайн StableDiffusionImg2ImgPipeline; конкретные параметры запуска и рекомендуемые значения strength, guidance scale или разрешения в карточке не приведены.