IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели mutexre/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 ShaunGves/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++).

URPM v13 — модель для генерации изображений по текстовому описанию, опубликованная под аккаунтом stablediffusionapi и предназначенная для использования через API ModelsLab. В примере карточки указаны реалистичные портреты и детализированные сцены; запрос можно дополнить негативным промптом и параметрами генерации, включая размер изображения, число шагов и guidance scale. Метаданные указывают задачу text-to-image и форматы Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Карточка демонстрирует настройку отключения safety checker; доступные меры безопасности зависят от используемого API и параметров запроса.

V-JEPA 2.1 ViT-L/16 @ 384 — преобразованные веса модели для извлечения плотных пространственно-временных признаков из видео. Репозиторий подготовил Dev-Jahn в формате Hugging Face на основе официального чекпойнта Meta; модель ViT-L/16 дистиллирована из ViT-G. Модель принимает видеоклипы и кодирует их в сетку признаков: патч имеет размер 16 пикселей, временной tubelet охватывает 2 кадра. Для клипа из 64 кадров размером 384 × 384 получается сетка токенов 32 × 24 × 24 с размерностью признаков 1024. Подходит как визуальный энкодер для извлечения признаков видео и последующего пространственно-временного анализа. Веса опубликованы в формате safetensors и доступны на условиях лицензии Apache-2.0. Это порт чекпойнта, а не отдельное дообучение; README не сообщает о поддержке генерации текста или других модальностей.

Карточка модели Sweeney666999/Wan2.1-I2V-14B-480P-l40 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-VACE-14B-Diffusers — модель генерации и редактирования видео из открытого семейства Wan2.1, разработанного Wan-AI. Это вариант VACE на архитектуре diffusion transformer с пространственно-временным VAE; размер 14 млрд параметров следует из идентификатора модели. Репозиторий распространяет веса в формате Diffusers и safetensors. Модель предназначена для создания и редактирования видео с использованием изображений и текстовых подсказок. VACE поддерживает входные данные произвольного разрешения; для оптимального результата рекомендуются размеры в заданном диапазоне, а заявленные основные режимы работы используют разрешения 480p и 720p. Семейство Wan2.1 также описано как способное генерировать визуальный текст на китайском и английском языках. Модель рассчитана на сценарии генеративного видеопроизводства и творческого редактирования. README не приводит отдельных оценок качества для этого конкретного чекпойнта и не уточняет его требования к памяти. Лицензия — Apache-2.0.

DeciDiffusion 2.0 — модель генерации изображений по тексту, разработанная Deci. Это латентная диффузионная модель на 732 млн параметров, построенная на основе архитектуры Stable Diffusion и использующая VAE, текстовый энкодер CLIP и оптимизированный с помощью AutoNAC U-Net-NAS. Модель рассчитана на англоязычные текстовые запросы и генерацию изображений; обучение проводилось на разрешении 512×512. Для запуска автор рекомендует diffusers версии 0.21.4. Оптимизированная архитектура U-Net и настройки обучения позволяют получать изображения с меньшим числом шагов диффузии; в README приводится рекомендация сократить их с 16 до 10. Модель распространяется по лицензии CreativeML Open RAIL++-M. Она не предназначена для достоверного изображения людей или событий: фотореализм ограничен, текст на изображениях часто нечитаем, а сложные композиции и лица могут получаться неточно. Английские запросы поддерживаются лучше, чем запросы на других языках; возможны смещения в сторону западных культурных норм.

fal-collab-models/dreamshaper-xl-1-0 — опубликованный на Hugging Face пайплайн Diffusers для генерации изображений по текстовому описанию. Репозиторий содержит компоненты Stable Diffusion XL, включая два текстовых энкодера, UNet и VAE; пример загрузки использует StableDiffusionXLPipeline. Авторская карточка автоматически создана и не сообщает, кто разработал исходную модель. Модель предназначена для создания изображений по текстовым промптам. В примере Hugging Face показана генерация изображения по англоязычному описанию; сведений о поддерживаемых языках, контексте и лицензии в карточке нет. Репозиторий опубликован в форматах Diffusers и Safetensors.

Карточка модели banmaoycrane/HunyuanVideo-1.5 на Hugging Face совпадает с карточкой tencent/HunyuanVideo-1.5, поэтому описание составлено по ней. 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.

Latte-1 — предварительно обученная модель генерации видео по тексту из проекта Latte, разработанного авторами исследования Latte: Latent Diffusion Transformer for Video Generation. Она построена на латентной диффузии с трансформером и распространяется в формате Diffusers с весами Safetensors. Модель предназначена для создания видео по текстовым запросам; README также сообщает о поддержке генерации изображений по тексту. Latte-1 подходит для экспериментов и приложений, которым нужно создавать визуальные материалы из текстовых описаний. В карточке не приведены размер модели, длина контекста и перечень поддерживаемых естественных языков. Модель распространяется по лицензии Apache-2.0.

Это дообученная плотная языковая модель семейства Llama 3, созданная artificialguybr на базе NousResearch/Meta-Llama-3-8B. Модель содержит 7,5 млрд параметров, принимает текст и предназначена для генерации SQL-запросов по вопросу на естественном языке и контексту со схемой таблиц в формате CREATE TABLE. Она обучена на 78 577 примерах набора b-mc2/sql-create-context, объединяющего WikiSQL и Spider; в карточке указана потеря 0,0201 на оценочной выборке. Контекст модели — 8192 токена. Модель подходит для подготовки запросов к базе данных по известной схеме и поддержки анализа данных. Она опирается на точность переданной схемы, может хуже работать с незнакомыми диалектами, сложными соединениями и подзапросами, а также с неоднозначными вопросами и запросами, требующими внешних знаний. Форматы весов — PyTorch и Safetensors; лицензия в предоставленных данных не указана.

MIX-Pro-V4 — модель генерации изображений по текстовому описанию в формате Diffusers. Репозиторий указывает исходный размер загрузки 4,27 ГБ и вариант fp16. Модель предназначена для создания изображений по текстовым запросам через StableDiffusionPipeline. В карточке не приведены сведения о разработчике, обучающих данных, поддерживаемых языках или длине контекста. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении модели.

Модель leosanjit10/nepali_caption_model_output — дообученная версия Salesforce/blip-image-captioning-base на неизвестном наборе данных. Она принимает изображение и генерирует текстовую подпись; архитектура основана на BLIP и включает визуальный энкодер ViT Base. В README приведено значение loss 2.5699 на оценочном наборе, но состав набора и подробности обучения не раскрыты. Модель опубликована в формате safetensors и распространяется по лицензии BSD-3-Clause.

Open Diffusion V1 (OD-v1) — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Она предназначена для создания изображений по запросам на естественном языке и доступна для использования через Diffusers, Gradio-демо и Docker-демо. В метаданных указаны поддержка английского, французского и русского языков, а также форматы Diffusers, PyTorch и SafeTensors. Модель распространяется по лицензии CreativeML-OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, архитектурные детали или известные ограничения качества; результат генерации зависит от текстового запроса.

RefControl FLUX.2 Klein 9B — это LoRA-адаптер, разработанный thedeoxen для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Он предназначен для генерации и редактирования изображений по двум входным изображениям: карте позы со скелетом или ключевыми точками и референсному изображению персонажа, человека или объекта. Адаптер переносит позу и структуру тела с первой картинки, стараясь сохранить идентичность, внешность, стиль, одежду или характерные детали со второй. Модель ориентирована прежде всего на людей, но поддерживает стилизованных персонажей и некоторые объекты. Она подходит для позирования персонажей в иллюстрациях, комиксах и раскадровках, создания согласованных изображений одного персонажа в разных позах, репозинга и подготовки ключевых кадров для анимации. Для активации рекомендуется использовать фразу «apply pose from image 1 with reference from image 2», а вес LoRA обычно задавать в диапазоне 0,8–1,0. Для извлечения позы в workflow ComfyUI используется DWPose через comfyui_controlnet_aux. Рекомендуемая базовая модель — недистиллированная FLUX.2-klein-base-9B, для которой указаны около 50 шагов генерации и guidance_scale около 4,0. Адаптер также работает с дистиллированной FLUX.2-klein-9B в режиме примерно 4 шагов и guidance_scale около 1,0, однако качество сохранения идентичности и точности позы может быть ниже. Наилучшие результаты ожидаются, когда карта позы имеет близкие к референсу масштаб и пропорции; существенно отличающиеся кадрирование и размеры тела могут ухудшать результат. Лицензия модели — Apache-2.0.

Карточка модели cocktailpeanut/sd35 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-large, поэтому описание составлено по ней. Stable Diffusion 3.5 Large — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она предназначена для создания иллюстраций и других художественных изображений, работы в дизайнерских процессах, творческих и образовательных инструментах, а также исследований генеративных моделей. Модель использует архитектуру Multimodal Diffusion Transformer (MMDiT), три предварительно обученных текстовых энкодера — OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL — и нормализацию QK. В README отмечены улучшения качества изображений, работы с типографикой, понимания сложных запросов и эффективности использования ресурсов. Модель ориентирована на английские запросы; для энкодеров указаны контексты 77 и 256 токенов на разных этапах обучения. Модель распространяется по Stability Community License; для коммерческого использования Stability AI предлагает уточнить условия лицензирования. Она не предназначена для достоверного изображения реальных людей или событий. Защитные меры не гарантируют устранения всего потенциально вредного контента, поэтому разработчикам следует проверять результаты и применять подходящие ограничения.

Sparky-SQL-Llama-3.2-1B — дообученная Нишантом текстовая модель семейства Llama 3.2 для генерации SQL-запросов по запросам на естественном языке. Она основана на unsloth/Llama-3.2-1B, имеет 1,2 млрд параметров и контекст до 131 072 токенов. Модель рассчитана на англоязычные запросы и сценарии, где нужно преобразовать вопрос о данных в запрос SQL. Модель использует архитектуру LlamaForCausalLM и доступна в формате safetensors для Transformers. Обучение проводилось на данных SQL-запросов; в карточке указано, что пустые записи удалялись. Лицензия — Apache 2.0. README не приводит оценок качества или сведений о поддерживаемых диалектах SQL, поэтому корректность запросов для конкретной схемы базы данных следует проверять.

Карточка модели k33pCum/stable-cascade на Hugging Face совпадает с карточкой stabilityai/stable-cascade, поэтому описание составлено по ней. Stable Cascade — модель генерации изображений по текстовому описанию, разработанная Stability AI. Она построена на архитектуре Würstchen и состоит из трёх частей: Stage C создаёт компактные латентные представления по текстовому запросу, а Stage A и Stage B декодируют их в изображение. Сжатие с коэффициентом 42 позволяет работать с латентным представлением 24×24 для изображения 1024×1024, что снижает стоимость обучения и ускоряет генерацию по сравнению с менее сжатыми подходами. Для Stage C доступны варианты на 1 и 3,6 млрд параметров, для Stage B — на 700 млн и 1,5 млрд; Stage A содержит 20 млн параметров. Модель предназначена для генерации изображений в творческих инструментах, дизайне, образовательных приложениях и исследованиях генеративных моделей. В README отмечены возможности расширения через дообучение, LoRA, ControlNet, IP-Adapter и LCM. Автор рекомендует вариант Stage C на 3,6 млрд параметров и крупный вариант Stage B для более детальных результатов. Лицензия в метаданных обозначена как other; README указывает на соблюдение Acceptable Use Policy Stability AI и описывает модель как предназначенную для исследований. К ограничениям относятся возможные дефекты лиц и людей в целом, а также потери при автоэнкодировании. Модель не предназначена для создания достоверных изображений людей или событий; сгенерированный контент может быть вредоносным или отражать смещения.

Карточка модели radames/stable-diffusion-2-1-img2img на Hugging Face совпадает с карточкой Charles-Elena/stable-diffusion-2-1, поэтому описание составлено по ней. Stable Diffusion 2.1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Версия 2.1 дообучена на базе Stable Diffusion 2 дополнительными шагами обучения; карточка описывает вариант с разрешением 768 пикселей. Модель доступна в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, художественных изображений и материалов для дизайна, а также для творческих и образовательных инструментов. Она принимает текстовые запросы, лучше всего понимает английский язык и выдаёт изображения. Лицензия — CreativeML Open RAIL++-M; карточка ограничивает применение исследовательскими целями и описывает недопустимые сценарии использования. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные отношения, а лица и люди могут получаться некорректно. Качество генерации по неанглийским запросам ниже; обучающие данные могут отражать культурные и социальные предубеждения.

Stable Diffusion v1-5 — латентная диффузионная модель генерации и изменения изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий содержит переопубликованные веса модели в форматах Diffusers, PyTorch и safetensors; модель предназначена для использования с библиотекой Diffusers и распространяется по лицензии CreativeML OpenRAIL-M. Чекпойнт основан на весах Stable Diffusion v1-2 и дообучен на 595 тысячах шагов на разрешении 512×512 с использованием LAION-Aesthetics v2 5+; в 10% примеров текстовое условие отключалось для улучшения classifier-free guidance. Модель использует предварительно обученный текстовый энкодер CLIP ViT-L/14 и принимает преимущественно английские текстовые запросы, выдавая изображения. Модель подходит для создания иллюстраций, концептов и изображений для творческих и образовательных инструментов. Она не гарантирует фотореализм, плохо справляется с точным размещением нескольких объектов и отображением читаемого текста; лица могут получаться некорректно, а запросы на других языках работают хуже английских. Обучающие данные содержат материалы для взрослых и социальные предубеждения, а также возможны запоминание дублированных изображений. Для применения рекомендуется использовать Safety Checker из Diffusers.

Карточка модели sd-research/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++).

Supply Chain DistilBERT Risk Classifier — дообученная модель DistilBERT от mathurvarun84 для классификации рисков в цепочках поставок электроники. Она относит входной текст к одному из четырёх классов: LOW, MEDIUM, HIGH или CRITICAL, и подходит для автоматической оценки записей о возможных сбоях поставок. Модель основана на distilbert-base-uncased, принимает текст на английском языке с контекстом до 512 токенов и выдаёт метку класса. Используются веса в формате safetensors. Лицензия — Apache-2.0.

Wan2.1 VACE 1.3B — открытая модель генерации и редактирования видео от Wan-AI, построенная на архитектуре diffusion transformer семейства VACE. Эта версия относится к линейке VACE объёмом 1,3 млрд параметров; в репозитории веса представлены в формате safetensors, лицензия — Apache-2.0. Модель предназначена для создания и преобразования видео, в том числе по визуальным входным данным. Карточка указывает поддержку image-to-video, а README описывает VACE как универсальную систему для создания и редактирования видео с вариантами 1.3B и 14B и разрешениями 480p и 720p. В материалах семейства Wan2.1 также заявлены генерация текста на изображениях на китайском и английском языках и работа с видео и изображениями. README отмечает, что для Wan2.1-T2V-1.3B возможно выполнение на потребительском GPU с 8,19 ГБ видеопамяти и приводит пример генерации пятisekундного 480p ролика примерно за четыре минуты на RTX 4090; эти показатели относятся к T2V-1.3B и не гарантируют аналогичную производительность VACE. Карточка не описывает ограничения качества или безопасности конкретно этой версии.

BindWeave — система генерации видео от ByteDance и исследователей Университета науки и технологий Китая. Она использует архитектуру MLLM-DiT, объединяющую предварительно обученную мультимодальную языковую модель и диффузионный трансформер, чтобы создавать видео с сохранением внешнего вида персонажей и объектов, описанных в запросе. Модель предназначена для генерации видео по изображению и текстовому запросу, в том числе со сценами, где участвуют один или несколько персонажей. MLLM разбирает сложные запросы, связывает упомянутые объекты с их представлениями, а диффузионный трансформер использует эти данные для генерации. В README приведён результат 57,61 балла на OpenS2V-Eval и сравнительные показатели по плавности движения, сходству лиц и другим критериям. Репозиторий предназначен для image-to-video и содержит веса в формате safetensors; для работы используется библиотека diffusers. Модель распространяется по лицензии Apache-2.0. README не приводит размер модели, длину контекста или отдельные языковые ограничения; метаданные указывают английский язык карточки.

BK-SDM-Small-2M — компактная модель генерации изображений по текстовому описанию из семейства BK-SDM, разработанного авторами проекта BK-SDM. Это архитектурно сжатая версия Stable Diffusion с удалёнными блоками U-Net и дистилляцией знаний; версия 2M обучалась на 2,3 млн пар изображение–текст из LAION-Aesthetics V2 6.25+. Модель предназначена для эффективного синтеза изображений по текстовым запросам и работает через библиотеку Diffusers. Увеличение обучающих данных по сравнению с предыдущим выпуском BK-SDM улучшает качество генерации и соответствие изображений запросам. В README приведены результаты оценки семейства на MS-COCO, но показанная строка относится к BK-SDM-Base-2M, поэтому её показатели нельзя напрямую приписывать версии Small. Модель распространяется по лицензии CreativeML Open RAIL-M; для использования следует соблюдать рекомендации Stable Diffusion v1.

Карточка модели poctexttoimage/checking-model-1 на Hugging Face совпадает с карточкой model-hub/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. SDXL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она основана на латентной диффузии и использует два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно запускать отдельно или сочетать с моделью-refiner для завершающих шагов очистки изображения; также описан двухэтапный вариант с повышением разрешения через SDEdit. Модель подходит для создания иллюстраций, художественных работ и визуальных материалов для творческих и образовательных инструментов, а также для исследований генеративных моделей. В README отмечено улучшение пользовательских оценок по сравнению с предыдущими версиями Stable Diffusion. Модель не обеспечивает идеальный фотореализм, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно, а автоэнкодер вносит потери. Генерация достоверных изображений людей и событий указана как использование вне заявленного назначения. Лицензия — CreativeML Open RAIL++-M.

dreamlike-photoreal-2.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания фотореалистичных изображений по промптам; пример в карточке показывает пейзаж с церковью при ярком кинематографическом освещении. Модель доступна в форматах Diffusers, PyTorch и safetensors, а также как файл CKPT. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers; в примере модель загружается с точностью float16 и запускается на CUDA. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели. Карточка не приводит сведений о контексте или поддерживаемых языках, кроме английского в метаданных.

Gemma 3 Text-to-SQL — адаптер LoRA для преобразования вопросов на естественном языке в SQL-запросы. В карточке он описан как дообученный вариант Gemma 3 27B Instruct, предназначенный для работы с запросами, условиями фильтрации, сортировкой, агрегатами и соединениями таблиц; при наличии схемы базы данных модель может использовать её в контексте. README указывает базовую модель lmstudio-community/gemma-3-27b-it-GGUF и адаптер размером около 70 МБ, а метаданные HF связывают репозиторий с google/gemma-3-1b-it и помечают его как GGUF и PEFT. Эти сведения о базе и формате расходятся, поэтому точную конфигурацию следует сверять с файлами репозитория. Модель рассчитана на разработчиков и аналитиков, которым нужно получать SQL по текстовому описанию запроса. README сообщает об обучении на синтетических и отобранных наборах text-to-SQL; метаданные называют gretelai/synthetic_text_to_sql. Лицензия в метаданных — MIT. Английский указан как язык карточки и примеров. Качество зависит от того, насколько полно в запросе передана схема базы данных и насколько знакома модели предметная терминология. Вложенные запросы могут потребовать уточнения промпта, а SQL-синтаксис может зависеть от конкретной СУБД. Сгенерированные запросы следует проверять перед выполнением.

GOLDFish — модель генерации изображений по текстовому описанию, созданная как смесь OLDFIsh от timevisitor и RMHF_2.5D_v2 от TkskKurumi. Она предназначена для создания изображений по запросам пользователя; в метаданных указаны Stable Diffusion и библиотека Diffusers, а файлы представлены в форматах Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M.

HunyuanVideo — разработанная Tencent открытая модель генерации видео по текстовому описанию. Репозиторий содержит определения модели на PyTorch, предварительно обученные веса и код для инференса; также выпущена версия для генерации видео на основе изображения. Модель использует Transformer с полным механизмом внимания и объединённую архитектуру для изображений и видео: сначала текстовые и визуальные токены обрабатываются раздельно, затем совместно. Текстовые запросы кодируются мультимодальной языковой моделью, а генерация выполняется в сжатом пространственно-временном латентном представлении с помощью причинного 3D VAE. В карточке заявлено более 13 млрд параметров. Репозиторий включает веса FP8 для снижения потребления видеопамяти и поддержку инференса на нескольких GPU. Модель предназначена для создания видео с заданными сценой, объектами и движением; авторы отмечают качество изображения, разнообразие движения, соответствие запросу и стабильность генерации. Лицензия в метаданных указана как other, поэтому перед использованием следует ознакомиться с условиями лицензии в репозитории. README не сообщает поддерживаемые языки запросов и длину контекста.