IV.1Ритейл, электронная коммерция и fashion-tech

Stable Diffusion 3.5 Medium — модель генерации изображений по тексту от Stability AI на архитектуре Multimodal Diffusion Transformer MMDiT-X. Она использует три предварительно обученных текстовых энкодера: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В README описаны механизмы QK-нормализации и блоки внимания, рассчитанные на повышение устойчивости обучения и согласованности изображений. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель предназначена для создания иллюстраций, дизайна, творческих и образовательных инструментов, а также исследований генеративных моделей. Обучение на смешанных разрешениях поддерживает генерацию с разными размерами и соотношениями сторон; среди заявленных сильных сторон — качество изображений, типографика и понимание сложных запросов. Модель не предназначена для достоверного изображения реальных людей и событий. В README указаны контекстные пределы текстовых энкодеров: 77 токенов для CLIP и 77/256 для T5 на разных этапах обучения. При превышении 256 токенов T5 у изображений могут появляться артефакты по краям. Модель выпущена по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Для применения следует соблюдать Acceptable Use Policy и предусматривать собственные меры безопасности.

Trendyol LLM v1.8 — чат-модель компании Trendyol для генерации текста и ответов на инструкции. Это авторегрессионная плотная трансформерная модель семейства Mistral на 7,2 млрд параметров, дообученная с помощью LoRA на наборах инструкций. Модель принимает текст и генерирует текст; метаданные указывают контекст до 32 768 токенов, а в описании обучения указана максимальная длина последовательности 1 024 токена. Модель предназначена для диалоговых сценариев и генерации ответов на текстовые запросы. В первую очередь она рассчитана на турецкий и английский языки. Ответы могут содержать ошибки и предвзятость, а качество в реальных сценариях не проверено в широком масштабе; для пользовательских приложений рекомендуется проверка результатов человеком и фильтрация нежелательного содержимого. Лицензия — Apache-2.0.

Карточка модели wan-community/Wan2.1-I2V-14B-480P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

Wan2.1 I2V-14B-720P — модель генерации видео из изображения из семейства Wan2.1, разработанного командой Wan-AI. Она принимает изображение и текстовый запрос и создаёт видео с разрешением до 720p; для выбора соотношения сторон используется формат исходного изображения. Модель построена на архитектуре diffusion transformer и использует пространственно-временной причинный 3D VAE Wan-VAE. Модель предназначена для анимации изображений, создания видеоклипов по референсному кадру и подготовки визуальных материалов для творческих и производственных сценариев. В README заявлена поддержка генерации китайского и английского текста внутри видео. Репозиторий содержит веса в формате Diffusers и safetensors; для запуска предусмотрена интеграция с Diffusers и режимы много-GPU-инференса. Указанная лицензия — Apache-2.0. Это крупная модель на 14 млрд параметров для генерации видео высокого разрешения. Для инференса требуется значительный объём вычислительных ресурсов; README описывает выгрузку модели и распределённый запуск, но не приводит точного минимального требования к памяти для этой версии. Заявления о качестве основаны на оценках разработчиков.

BiDi-eng-pol — двунаправленная модель машинного перевода из коллекции BiDi, разработанной в рамках исследовательского проекта лаборатории Machine Learning Research для Allegro.com при сотрудничестве с laniqo.com. Это энкодер-декодерный трансформер MarianMT на 133,4 млн параметров, обученный для перевода на уровне предложений; базовая конфигурация — transformer-big. Модель переводит между английским и польским в обоих направлениях: целевой язык задаётся специальным токеном. Для токенизации используется SentencePiece со словарём 32 тыс. токенов. Модель рассчитана на перевод отдельных предложений между английским и польским; в README описана как часть коллекции многоязычных славянских MT-моделей. Метаданные указывают контекст до 1024 токенов. Модель обучалась на корпусах машинного перевода и оценивалась на Flores200 с метрикой COMET-DA. Качество и возможные смещения следует проверять для конкретного предметного домена: авторы предупреждают о возможных гендерных галлюцинациях при переводе с английского на славянские языки. Лицензия — CC BY 4.0.

linhtrann21/ft_paligemma_25k — дообученная модель семейства PaliGemma, созданная на основе linhtrann21/ft_paligemma_20k. Она предназначена для задач image-text-to-text: принимает изображение и текстовый запрос и формирует текстовый ответ. В метаданных указаны архитектура PaliGemmaForConditionalGeneration, библиотека Transformers и формат весов safetensors. Карточка не описывает обучающие данные, конкретную предметную область, языки или результаты оценки, поэтому назначение дообучения и качество ответов уточнить нельзя. Указана лицензия gemma; применяйте модель согласно её условиям.

Lynx-GGUF — квантованная в формате GGUF версия модели Lynx, разработанная авторами Shen Sang, Tiancheng Zhi, Tianpei Gu, Jing Liu и Linjie Luo и опубликованная Vantage with AI. Модель предназначена для персонализированной генерации видео из одного входного изображения с сохранением идентичности изображённого объекта или человека. В основе Lynx лежит архитектура Diffusion Transformer (DiT), дополненная лёгкими ID-adapter для сохранения идентичности и Ref-adapter для улучшения пространственных деталей. В репозитории представлены варианты Full Ref Model с полным набором функций и максимальным качеством, а также IP Lite Model с меньшим числом параметров, ориентированный на более эффективную генерацию видео с частотой 24 кадра в секунду и длиной 121 кадр. Модель основана на Wan2.1-T2V-14B; сведения о поддерживаемых языках, точном размере квантованных файлов и размере контекста не указаны. К сильным сторонам относятся высокоточная персонализация видео, сохранение идентичности по одному изображению и усиление пространственных деталей. Вариант IP Lite обеспечивает более эффективное выполнение задач за счёт уменьшенного числа параметров, однако может уступать полной версии по качеству и функциональности. Модель ориентирована на сценарии image-to-video и не предназначена для задач, для которых в README не указана поддержка других модальностей. Распространяется по лицензии Apache License 2.0.

Qwen-Edit-2509-Multiple-angles — это LoRA-адаптер для модели Qwen/Qwen-Image-Edit-2509, разработанный пользователем dx8152 и обученный на ModelScope. Адаптер предназначен для редактирования изображений по текстовым инструкциям и управления ракурсом виртуальной камеры при сохранении содержания исходного изображения. Он подключается к базовой модели через библиотеку Diffusers и может использоваться в сценариях image-to-image, включая перемещение камеры вперёд, влево, вправо и вниз, поворот влево или вправо, переход к виду сверху, широкоугольному плану или крупному плану. Для работы не требуются триггерные слова. README рекомендует совместное использование этого адаптера с LoRA Qwen-Image-Lightning, однако конкретные сведения об архитектуре базовой модели, размере адаптера, поддерживаемых языках и максимальном контексте не указаны. Заявлена улучшенная согласованность после повторной загрузки версии с большим числом итераций обучения, но также упоминается возможная нестабильность согласованности. Модель предназначена для управляемого редактирования изображений, однако её результаты могут зависеть от исходного изображения, формулировки запроса и настроек инференса. Лицензия указана как Apache-2.0. README не содержит подробностей о коммерческих ограничениях, точных требованиях к оборудованию или качестве работы в отдельных языках и предметных областях.

Sana 1600M 1024px — модель генерации и редактирования изображений по текстовому описанию, разработанная NVIDIA. Она использует архитектуру Linear Diffusion Transformer, текстовый энкодер Gemma2-2B-IT и сжатие латентных признаков DC-AE; размер модели — около 1,65 млрд параметров. Модель рассчитана на изображения базового разрешения 1024 пикселя с разными соотношениями сторон. Семейство Sana также поддерживает генерацию изображений высокого разрешения, вплоть до 4096 × 4096, и заявлено как достаточно быстрое для запуска на GPU ноутбука. Модель подходит для создания иллюстраций и концептов по промптам, творческих и образовательных инструментов, а также исследований генеративных моделей. Карточка указывает английский и китайский языки. Лицензия — Apache 2.0; также действуют условия использования Gemma 2 и политика запрещённого использования Google. Модель не предназначена для достоверного изображения реальных людей и событий. Фотореализм несовершенен, сложный читаемый текст и анатомические детали, например пальцы, могут генерироваться неправильно; латентное автокодирование приводит к потере информации.

Карточка модели zlaa/SD3.5-medium на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-medium, поэтому описание составлено по ней. Stable Diffusion 3.5 Medium — модель Stability AI для генерации изображений по текстовому описанию. Она использует архитектуру Multimodal Diffusion Transformer MMDiT-X с тремя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В архитектуре применяются QK-нормализация и блоки внимания, рассчитанные на повышение связности изображений и устойчивость генерации при разных разрешениях. Модель предназначена для создания иллюстраций и художественных работ, дизайн-процессов, творческих и образовательных инструментов. Она улучшена для передачи сложных запросов и текста в изображениях; авторы также рекомендуют Skip Layer Guidance для более согласованных структуры и анатомии. В README указана длина контекста энкодеров CLIP в 77 токенов и T5 — 77 или 256 токенов на разных этапах обучения. Модель обучалась на разнообразных данных, включая синтетические и отфильтрованные общедоступные материалы. Она не предназначена для достоверного изображения реальных людей и событий; при длинных запросах свыше 256 токенов T5 на краях изображения могут появляться артефакты. Модель распространяется по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Использование также должно соответствовать Acceptable Use Policy.

Это перезагрузка Stable Diffusion 3.5 Large от Stability AI, опубликованная adamo1139 без ограничения доступа gated-модели. Модель типа MMDiT преобразует текстовые запросы в изображения; в архитектуре используются три фиксированных предварительно обученных текстовых энкодера — OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL — и нормализация QK. Репозиторий содержит веса в формате Diffusers и Safetensors. Модель предназначена для создания иллюстраций и дизайн-материалов, творческих и образовательных инструментов, а также исследований генеративных моделей. В README отмечены улучшения качества изображений, работы с типографикой, понимания сложных запросов и эффективности использования ресурсов. Она не предназначена для достоверного изображения реальных людей и событий; меры безопасности не исключают генерацию вредоносного контента, поэтому для приложений нужны собственные проверки и ограничения. Указана лицензия Stability Community License; коммерческое использование требует проверки её условий и, согласно README, может потребовать отдельного коммерческого лицензирования у Stability AI. Метаданные и README не подтверждают отдельного дообучения или изменения весов оригинальной модели: автор описывает репозиторий как перезагрузку без gating.

Stable Diffusion 3 Medium — модель генерации изображений по текстовому описанию, разработанная Stability AI и повторно размещённая в репозитории v2ray. Это мультимодальный диффузионный трансформер MMDiT с тремя предобученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-xxl. Репозиторий содержит веса в формате Diffusers и Safetensors. Модель предназначена для создания иллюстраций и других изображений по текстовым запросам, включая творческие и дизайнерские сценарии, а также образовательные инструменты и исследования генеративных моделей. В карточке заявлены улучшения качества изображения, обработки типографики, понимания сложных запросов и эффективности использования ресурсов. Модель не предназначена для создания фактически достоверных изображений людей или событий; генерация может быть предвзятой, токсичной или иным образом нежелательной, поэтому для приложений нужны собственные меры модерации. Англоязычные оценки безопасности не охватывают все возможные риски. Лицензия — Stability Non-Commercial Research Community License; коммерческое использование требует подходящей коммерческой лицензии Stability AI.

Stable Diffusion v1-5 — латентная диффузионная модель для создания и редактирования изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий содержит повторно загруженные веса в форматах Diffusers, PyTorch и safetensors; для работы поддерживается библиотека Diffusers. Модель основана на Stable Diffusion v1-2 и дообучена в течение 595 тысяч шагов на разрешении 512×512 с использованием набора LAION Aesthetics v2 5+ и отключением текстового условия в 10% случаев для улучшения classifier-free guidance. В текстовом тракте используется предварительно обученный CLIP ViT-L/14. Лицензия — CreativeML OpenRAIL-M. Модель подходит для создания изображений по англоязычным описаниям, художественных работ и материалов для дизайна, а также для творческих и образовательных инструментов. Она также может редактировать изображения по текстовым запросам. Модель не гарантирует фотореализм, плохо воспроизводит читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Она обучалась преимущественно на английских описаниях и хуже справляется с другими языками; в обучающих данных присутствует контент для взрослых, поэтому для прикладного использования предусмотрена проверка Safety Checker в Diffusers. Возможны предвзятость и запоминание дублированных изображений из обучающих данных.

Карточка модели jyoung105/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели Slugger101/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Video-As-Prompt (VAP) — модель ByteDance для генерации видео, которая использует референсное видео как семантическую подсказку и анимирует заданное изображение, перенося на него семантику референса. Эта версия основана на Wan2.1 I2V 14B и рассчитана на генерацию видео по изображению с управлением через референсное видео. Модель предназначена для создания видео с нужными действиями и другими семантическими характеристиками, заданными примером: например, можно сохранить исходное изображение, но получить разные варианты движения по разным референсным видео. Авторы отмечают сильные результаты на действиях людей и новых понятиях; при этом из-за ограниченного числа шагов обучения устойчивость ниже на некоторых семантических условиях. Репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0.

Карточка модели wan-world/Wan2.1-I2V-14B-480P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

ControlNet Union SDXL 1.0 — модель, разработанная командой xinsir для управляемой генерации и редактирования изображений на базе Stable Diffusion XL и архитектуры ControlNet. Она предназначена для text-to-image и image-to-image сценариев, в которых нужно задавать структуру, позу, глубину, контуры, линейный рисунок и другие визуальные условия, а также комбинировать несколько условий в одном запросе. В версии ProMax заявлена поддержка более 10 типов управления и пяти расширенных функций редактирования, включая устранение размытия по тайлам, вариативность, тайловое суперразрешение, inpainting и outpainting. Модель использует модифицированную архитектуру оригинального ControlNet с общими параметрами и единым энкодером условий для разных типов входных изображений. По заявлению авторов, она обучалась на более чем 10 миллионах изображений с применением bucket training, многоразмерного обучения, аугментаций и переформулированных описаний. Это позволяет работать с изображениями высокого разрешения и различными соотношениями сторон, поддерживать одновременное использование нескольких условий без заметного увеличения вычислительных затрат и сохранять совместимость с другими SDXL- и LoRA-моделями. Точный размер модели, список поддерживаемых языков, максимальная длина контекста и полный перечень условий в README не указаны. Сильные стороны модели — универсальность, управление композицией и структурой изображения, поддержка объединения нескольких условий, а также применение к задачам детального редактирования и увеличения разрешения. Ограничения связаны с отсутствием в README подробных инструкций по инференсу, точных требований к оборудованию и количественных результатов оценки; заявленные характеристики производительности и качества не подтверждены приведёнными метриками. Модель распространяется по лицензии Apache-2.0.

misri/epicrealismXL_v7FinalDestination — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face. Репозиторий содержит веса в формате Diffusers и Safetensors; модель использует конвейер StableDiffusionXLPipeline и предназначена для создания изображений по промптам. Для запуска Hugging Face показывает пример с Diffusers и генерацией изображения по текстовому запросу. По названию и внешней карточке epiCRealism XL модель ориентирована на реалистичную визуальную эстетику. Репозиторий не сообщает размер параметров, длину контекста или список поддерживаемых языков. Лицензия в метаданных указана как unknown, поэтому условия использования следует уточнить у правообладателя.

HunyuanVideo-1.5 — модель генерации видео от Tencent с 8,3 млрд параметров. Она использует архитектуру Diffusion Transformer (DiT), 3D causal VAE и механизм Selective and Sliding Tile Attention (SSTA), который снижает вычислительные затраты при работе с длинными видеопоследовательностями. Модель поддерживает генерацию видео по текстовому описанию и по изображению, а также разные длительности и разрешения; сеть суперразрешения повышает результат до 1080p. Модель предназначена для создания роликов с согласованным движением, следованием инструкциям и визуально проработанными сценами. README описывает двуязычное понимание английского и китайского, а также поэтапное обучение и оптимизацию вывода. Для запуска доступны веса в формате safetensors и интеграция с Diffusers; заявленная скорость измерялась на восьми GPU H800, поэтому она не гарантирует аналогичную производительность на потребительском оборудовании. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория перед применением или распространением модели.

rupeshs/hyper-sd-sdxl-1-step — модель генерации изображений по текстовому описанию на основе Hyper-SD для SDXL; репозиторий опубликовал пользователь rupeshs, а исходную технологию Hyper-SD разработала команда ByteDance. Это чекпойнт UNet, дистиллированный из Stable Diffusion XL Base 1.0 для генерации изображения за один шаг. Он предназначен для быстрого преобразования текстового промпта в изображение и используется в пайплайне Diffusers StableDiffusionXLPipeline. Репозиторий содержит веса Diffusers в формате safetensors и имеет лицензию openrail++. Одношаговый режим ориентирован на скорость; карточка также указывает размер около 3 млрд параметров. Модель генерирует изображения по тексту; отдельный язык или длина контекста для неё не заявлены.

Модель Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b — дообученная Barth371 мультимодальная модель семейства Qwen2.5-VL для обработки изображений и текста. Она предназначена для диалога с визуальным вводом: принимает текстовые запросы и изображения, а в ответ генерирует текст. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 71,5 млрд параметров. Максимальная длина контекста — 128 000 токенов; репозиторий содержит веса safetensors. Базовая модель — unsloth/qwen2.5-vl-72b-instruct-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, поэтому подтверждённые сценарии ограничиваются общим диалогом по изображениям и тексту. В метаданных указан английский язык; другие языки отдельно не заявлены. Конкретные ограничения качества и безопасности не приведены.

ratlinghitman/qwen3vl-2b-receipt-extraction — дообученная с помощью LoRA модель Qwen3-VL-2B-Instruct для извлечения данных из фотографий и сканов розничных чеков. Модель принимает изображение чека и запрос, затем формирует JSON с позициями меню, промежуточной и итоговой суммами; значения передаются как строки, переписанные с чека. Модель основана на Qwen3-VL-2B-Instruct с архитектурой Qwen3-VL и обучена на датасете CORD-v2. Адаптер LoRA применён к языковой части модели, а зрительная часть оставлена замороженной. На тестовой выборке из 100 чеков автор сообщает field F1 0,8857 и корректность JSON 0,99; структура JSON при этом может быть менее надёжной, чем у более крупной версии на 4B параметров. Модель предназначена для автоматизации учёта расходов и конвейеров обработки чеков, а также для исследований понимания документов. Обучение охватывает индонезийские чеки из сферы розничной торговли и ресторанов, поэтому точность на других языках и макетах может снижаться. Она не обучалась для счетов-фактур, рукописей или изображений других типов; суммы и позиции не проверяются арифметически, поэтому результат требует проверки человеком. Лицензия — Apache-2.0.

RefControl Pose LoRA — FLUX.2-klein-4B — это адаптер LoRA, разработанный xocialize для базовой модели black-forest-labs/FLUX.2-klein-base-4B. Он предназначен для генерации изображения персонажа в новой позе по двум входным изображениям: OpenPose-совместимому скелету с целевой позой и референсному изображению, задающему личность и внешний вид объекта. Для работы используется edit-путь FLUX.2-klein; модель не является отдельным ControlNet, а представляет собой низкоранговый адаптер DiT. Требуется триггерное слово refcontrol и текстовая инструкция «apply pose from image 1 with reference from image 2». Порядок изображений критичен: изображение 1 — скелет, изображение 2 — референс. Адаптер имеет ранг 32, содержит около 88 МБ и 160 тензоров, нацелен на 60 double-блоков и 40 single-блоков архитектуры flux2_klein_4b; заявлена загрузка в форматах bf16 и int4. Поддерживается image-to-image генерация, а базовая модель рассчитана на визуальные данные; отдельные языковые характеристики и максимальный контекст в README не указаны. Модель обучалась на примерно 1800 тройках «скелет, референс, результат», охватывающих около 110 идентичностей и 25 типов активности. Она особенно подходит для переноса позы персонажа, включая стилизованных персонажей, но качество зависит от корректного COCO-18 OpenPose-скелета и чистоты референса: сложный фон может переноситься в результат. Лицензия Apache-2.0; исходные материалы из Wikimedia Commons и Pexels не распространяются вместе с весами и требуют соблюдения условий их лицензий и атрибуции.

Stable Diffusion 2 — модель генерации изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий является зеркалом устаревшей модели Stability AI и не связан с этой организацией. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H; она продолжает обучение Stable Diffusion 2 Base, в том числе на изображениях 768×768. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, концептов и изображений для творческих и образовательных инструментов. Она лучше работает с английскими запросами; качество генерации зависит от формулировки и не гарантирует точного следования сложным пространственным отношениям. Ограничения включают слабую генерацию читаемого текста, несовершенную фотореалистичность и возможные ошибки в изображении лиц и людей. Обучающие данные содержали отфильтрованные материалы LAION-5B, а модель может воспроизводить социальные и культурные предубеждения. Лицензия — CreativeML Open RAIL++-M License.

Stable Diffusion 3 Medium — модель Stability AI для генерации изображений по текстовым запросам. Она построена на архитектуре Multimodal Diffusion Transformer (MMDiT) и использует три предварительно обученных текстовых энкодера: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В карточке заявлены улучшенное качество изображений, работа с типографикой и сложными запросами, а также эффективность использования ресурсов. Модель подходит для создания иллюстраций и художественных работ, дизайнерских процессов и творческих или образовательных инструментов. Репозиторий содержит веса в формате safetensors и несколько вариантов комплектации текстовыми энкодерами; для полного набора компонентов требуется больше ресурсов, а варианты без T5-XXL могут давать другие результаты. Модель принимает текстовые запросы и генерирует изображения; в README также упоминается поддержка image-to-image через Diffusers. Модель не предназначена для достоверного изображения реальных людей или событий. Она может создавать предвзятый, токсичный или иной нежелательный контент, поэтому для приложений нужны собственные меры безопасности. Лицензия — Stability Non-Commercial Research Community License; коммерческое использование требует соответствующей коммерческой лицензии Stability AI.

snowkidy/stable-diffusion-xl-base-0.9 — репозиторий с моделью Stable Diffusion XL 0.9, разработанной Stability AI. Это латентная диффузионная модель для создания и редактирования изображений по текстовым запросам; она использует два предобученных текстовых энкодера — OpenCLIP-ViT/G и CLIP-ViT/L — и формат Diffusers с весами PyTorch и Safetensors. В описании SDXL указан двухэтапный процесс: базовая модель создаёт латентное представление изображения, а специализированный модуль повышенного разрешения может его уточнять. Модель подходит для художественной генерации, дизайна и творческих или образовательных инструментов, а также для исследований генеративных моделей, их смещений и ограничений. Карточка указывает исследовательскую лицензию SDXL 0.9. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные отношения; лица и люди могут получаться некорректно, а этап автоэнкодирования вносит потери. Генерация достоверных изображений людей и событий обозначена как использование вне предполагаемых возможностей модели.

Карточка модели ModelsLab/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели zqljj/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

rayzkir/tnved_biencoder — дообученная на базе BAAI/bge-m3 модель Sentence Transformers для поиска соответствий между текстовыми описаниями товаров и кодами ТН ВЭД. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, pooling по CLS-токену и нормализацию. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов, тогда как карточка сообщает максимальную длину последовательности 128 токенов. Модель обучалась на примерах запросов, подходящих описаний и отрицательных вариантов; README приводит результаты поиска на tnved_val, включая cosine_accuracy@1 0,9112 и @5 0,9824. Её можно применять для подбора кандидатов к товарным описаниям и семантического поиска по классификатору ТН ВЭД. При использовании следует учитывать расхождение между указанными длинами контекста и ограниченность приведённой оценки одним набором проверки. Лицензия в предоставленных данных не указана.