IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели aaron1111111/Qwen-Image-Edit-2509 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2509, поэтому описание составлено по ней. Qwen-Image-Edit-2509 — модель редактирования изображений от команды Qwen, выпущенная как сентябрьское обновление Qwen-Image-Edit. Она принимает текстовые инструкции и от одной до трёх входных картинок; поддерживает сочетания изображений людей, товаров и сцен, а также условия ControlNet, включая карты глубины, контуров и ключевых точек. Модель предназначена для редактирования изображений с сохранением важных деталей исходника. Она улучшает сохранение личности человека при смене позы и художественного стиля, помогает сохранять идентичность товара при создании постеров, а также позволяет менять текст на изображении, его шрифт, цвет и материал. Среди сценариев применения — создание мемов и постеров, восстановление старых фотографий и комбинирование нескольких изображений. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. Оптимальные результаты для многокартинного ввода заявлены для одного–трёх изображений; численные характеристики размера модели и длины контекста в предоставленных данных отсутствуют.

gobeldan/RMBG-2.0-GGUF — конвертированное в формат GGUF представление RMBG-2.0 от BRIA AI для локального запуска с vision.cpp на потребительском оборудовании. Модель на архитектуре BiRefNet выполняет дихотомическую сегментацию изображений: выделяет передний план и формирует маску для удаления фона; CLI vision.cpp также поддерживает создание изображения с заменённым или прозрачным фоном. Модель рассчитана на обработку фотографий с людьми, предметами и животными, в том числе сцен с несколькими объектами и неоднородным фоном. В репозитории доступны варианты GGUF F16 и F32. Модель принимает изображение и выдаёт маску сегментации; основной сценарий — удаление фона. Лицензия — CC BY-NC 4.0, допускающая использование с соблюдением условий лицензии, включая ограничения на коммерческое применение.

Это модель Sentence Transformer, разработанная на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообученная на данных Torob. Она преобразует предложения и абзацы в плотные векторы размерности 384; сходство текстов можно оценивать по косинусному сходству. Архитектура включает BERT-трансформер и mean pooling. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога задают контекст 512 токенов. Модель предназначена для семантического сравнения и поиска текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Её многоязычная база поддерживает работу с текстами на разных языках; дообучение на данных Torob специализирует её на сходстве текстов из этого набора данных. Для использования требуются Sentence Transformers или совместимая система инференса. Лицензия в предоставленных данных не указана.

UForm uform3-image-text-multilingual-base — компактная мультимодальная модель Unum Cloud для сопоставления изображений и текста. Она кодирует оба типа входных данных в общее векторное пространство, формируя эмбеддинги размерностью до 256, и подходит для семантического поиска и ранжирования соответствий между изображениями и текстовыми запросами на 21 языке. Модель сочетает текстовый энкодер BERT из 12 слоёв и визуальный энкодер ViT-B/16; четыре слоя общие для обеих частей. Текстовый вход ограничен 50 токенами, изображения обрабатываются с разрешением 224 × 224. Доступны веса в форматах PyTorch, ONNX и CoreML, а также предварительно квантованные варианты и код для инференса. Модель предназначена для извлечения признаков, а не для генерации текста или изображений. Поддерживаются английский, арабский, армянский, китайский, французский, немецкий, иврит, хинди, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, русский, испанский, тайский, турецкий, украинский и вьетнамский языки. В карточке приведены результаты поиска по изображениям на нескольких мультиязычных наборах данных; для MS-COCO отмечено, что обучающая часть набора присутствовала в обучающих данных, поэтому этот результат следует интерпретировать с учётом возможного пересечения. Модель распространяется по лицензии Apache-2.0.

yayayaaa/florence-2-large-ft-moredetailed — дообученная модель на основе microsoft/Florence-2-large-ft для получения более подробных текстовых описаний изображений. Она принимает изображение и генерирует текст; README показывает сценарии обработки одного изображения и пакетной обработки. Модель построена на архитектуре Florence-2 и распространяется в формате safetensors через Transformers. Модель подходит для детального описания изображений и пакетной генерации подписей. README указывает, что на GPU с 24 ГБ видеопамяти можно использовать размер пакета до 28 изображений. Язык карточки — английский; лицензия — MIT. Базовая Florence-2-large-ft также предназначена для обнаружения объектов, OCR и ответов на вопросы по изображению, однако карточка этой производной модели не подтверждает отдельно качество этих задач.

dell-research-harvard/lt-mexicantrade4748 — модель LinkTransformer от исследователей Harvard, основанная на архитектуре BERT и дообученная на hiiamsid/sentence_similarity_spanish_es с функцией потерь SupCon. Она предназначена прежде всего для сопоставления записей: связывания сущностей, кластеризации, дедупликации и агрегирования данных. Также подходит для поиска семантически похожих предложений и абзацев. Модель преобразует текст в плотные векторы размерностью 768 и имеет максимальную длину входной последовательности 512 токенов. Среднее объединение токенных представлений используется для получения вектора предложения. Карточка описывает применение к задачам сопоставления торговых записей и работу с испаноязычной моделью-основой; метаданные указывают 137,1 млн параметров и формат safetensors. Для использования в сценариях LinkTransformer модель интегрируется с пакетом LinkTransformer; её векторные представления можно применять и в задачах sentence-transformers. Ограничение длины контекста — 512 токенов; качество на конкретных наборах данных следует оценивать отдельно. Условия лицензии в предоставленных данных не описаны.

clapAI разработала modernBERT-base-multilingual-sentiment — мультиязычную модель классификации тональности на базе ModernBERT-base, дообученную на наборе данных clapAI/MultiLingualSentiment. Она предназначена для определения тональности текстов, в том числе отзывов о товарах и местах, на 16 языках и более: среди них английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. Модель использует архитектуру ModernBertForSequenceClassification, содержит 149 млн параметров и принимает текст с контекстом до 8192 токенов. В оценке на тестовой части указанного набора данных достигла F1-score 80,16. Для работы требуется Transformers версии 4.48.0.dev0 или новее с поддержкой ModernBERT; FlashAttention может ускорить инференс. Модель распространяется по лицензии Apache-2.0.

knguyennguyen/mpnet_20k — модель Sentence Transformer, дообученная на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для оценки семантического сходства, семантического поиска, поиска перефразировок и кластеризации; также в README упомянута классификация текстов. Веса представлены в формате safetensors, модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов по метаданным; README указывает ограничение в 128 токенов. Обучение описано для набора из 20 108 пар предложений и использует MultipleNegativesRankingLoss с косинусным сходством. Примеры пар сопоставляют пользовательские запросы с описаниями товаров, поэтому модель может быть полезна для семантического поиска по каталогу. Данных о поддерживаемых естественных языках в карточке нет. Лицензия в предоставленных сведениях не указана. Для задач, требующих обработки длинных текстов, учитывайте лимит последовательности 128 токенов из README; качество за пределами сценариев, представленных обучающими парами, отдельно не описано.

Salesforce/blip-image-captioning-large — модель семейства BLIP, разработанная Salesforce Research для описания изображений. Это базовая модель с визуальным энкодером ViT-Large, обученная на наборе COCO; архитектура поддерживает генерацию текста по изображению. Модель предназначена для создания подписей к изображениям в условном и безусловном режимах. Её можно применять для автоматического описания фотографий и визуального наполнения каталогов. Карточка не сообщает о поддержке нескольких языков, поэтому основной сценарий — генерация текстовых описаний без заявленной языковой специализации. Модель опубликована в форматах PyTorch, Safetensors и TensorFlow. Лицензия — BSD-3-Clause. Авторы отмечают, что выпуск предназначен для исследований и не проверен для всех практических сценариев; перед внедрением следует оценить точность, безопасность и справедливость результатов.

Core-Embed-2B — мультимодальная модель эмбеддингов, разработанная Alibaba-NLP на архитектуре Qwen3-VL. Она преобразует текст и изображения в плотные векторы для поиска и сопоставления, уделяя особое внимание композиционным связям между атрибутами и объектами: например, различает изображение с белой тарелкой и чёрным стулом от изображения с обратным сочетанием цветов. Модель содержит 2 млрд параметров и рассчитана на извлечение признаков из текста и изображений. Модель обучена дистилляцией оценок ранжирования: её эмбеддинги учатся сохранять градации соответствия между запросом и кандидатами, включая ошибки атрибутов и объектов. Это помогает выполнять тонкий мультимодальный поиск, сохраняя качество обычного поиска изображений и текстов. Для запуска требуется версия Transformers с поддержкой Qwen3-VL. Модель распространяется по лицензии CC BY 4.0. Карточка описывает семейство и результаты Core-Embed-8B, но не приводит отдельные численные оценки для версии 2B.

FireRed-Image-Edit-1.0 — модель редактирования изображений общего назначения от FireRedTeam. Она построена на базе текстово-графической генеративной модели и предназначена для изменения изображений по текстовым инструкциям, сохраняя визуальную согласованность результата. Модель поддерживает редактирование нескольких изображений, сохранение стиля текста на изображении, восстановление и улучшение старых фотографий, а также виртуальную примерку. В README описана оценка на двуязычных сценариях редактирования на китайском и английском языках; репозиторий использует Diffusers и формат safetensors. Модель распространяется по лицензии Apache-2.0. Авторы предупреждают, что она не оценивалась для всех возможных применений, и запрещают использовать проект для создания незаконного, порнографического, вредоносного или нарушающего права контента.

Florence-2-base-Castollux-v0.5 — дообученная модель зрения на базе microsoft/Florence-2-base, созданная PJMixers-Images. Она предназначена для улучшения качества и формата описаний изображений; обучение проводилось примерно на 20 тысячах изображений из PJMixers-Images/Castollux-Dataset. Модель принимает изображения и по текстовому промпту генерирует подробные описания на английском языке. Примеры в карточке показывают описания людей, животных, одежды, фона и освещения; автор сравнивает их с краткими результатами базовой Florence-2-base. Модель использует архитектуру Florence2ForConditionalGeneration и распространяется в формате safetensors. В примерах видны возможные ошибки в деталях: модель неверно прочитала номер на бирке коровы и исказила имя в водяном знаке. Поэтому описания стоит проверять, особенно когда важны мелкие надписи и точные атрибуты. Условия лицензии в предоставленных данных не приведены.

Solomennikova/labse_funetuned_hoff — дообученная модель Sentence Transformers на базе cointegrated/LaBSE-en-ru. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантического сходства и поиска текстов по смыслу. Также её можно применять для поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT, функцию косинусного сходства и принимает последовательности длиной до 512 токенов. Она обучена на 86 732 парах текстов; примеры в карточке включают короткие русские поисковые запросы и описания товаров. Это позволяет использовать её для семантического поиска по каталогу товаров, хотя карточка не приводит результатов оценки качества. Библиотека модели — Sentence Transformers, веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Moondream-Caption — компактная мультимодальная модель семейства Moondream, разработанная wraps на основе vikhyatk/moondream2 и дообученная для создания описаний изображений. Она принимает изображение и генерирует текстовую подпись с описанием видимых объектов и сцены. Модель рассчитана на автоматическое составление подписей к изображениям, например для их каталогизации или добавления текстовых описаний. В качестве обучающих данных использован набор изображений, созданных с помощью flux1_dev, с проверенными описаниями. Модель работает через библиотеку Transformers; файлы весов представлены в формате safetensors. Результаты могут быть менее точными на изображениях, заметно отличающихся от обучающих данных, а также на сложных или абстрактных сценах. Лицензия — Apache-2.0.

Это компактная модель Sentence Transformers, разработанная на основе google/bert_uncased_L-2_H-128_A-2 и дообученная на парах текстов из набора Amazon Reviews. Она преобразует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Модель использует архитектуру BERT с mean pooling. В метаданных указан контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги; обучение проводилось на 8,2 млн примеров отзывов Amazon. Указанная лицензия в предоставленных данных отсутствует.

yangheng/deberta-v3-large-absa-v1.1 — мультиязычная модель анализа тональности по аспектам (ABSA), разработанная для PyABSA на базе microsoft/deberta-v3-large. Это плотный энкодер DeBERTa-v2 с классификационной головой и механизмом FAST-LCF-BERT, который выделяет контекст, относящийся к заданному аспекту. Модель содержит 533,8 млн параметров и рассчитана на контекст до 512 токенов. Модель определяет тональность конкретных аспектов в тексте, например отдельно оценивает еду и обслуживание в отзыве. Она подходит для анализа отзывов, обращений в поддержку, публикаций в соцсетях и обратной связи о продуктах. Поддерживаются английский, арабский, китайский, нидерландский, французский, русский, испанский и турецкий языки. Модель распространяется по лицензии MIT. Это специализированный классификатор, а не универсальная языковая модель: для анализа нужно передать целевой аспект, а заявленные возможности генерации текста и диалога к ней не относятся. Указанные в README заявления о точности и скорости не сопровождаются здесь численными результатами бенчмарков; фактическая производительность зависит от оборудования и сценария применения.

Модель lxyuan/distilbert-base-multilingual-cased-sentiments-student разработана на основе distilbert-base-multilingual-cased и обучена дистилляцией с учителя MoritzLaurer/mDeBERTa-v3-base-mnli-xnli. Она предназначена для классификации тональности текста на нескольких языках. Архитектура — DistilBertForSequenceClassification; модель принимает текст длиной до 512 токенов и выдаёт метку класса тональности. Поддерживаются английский, арабский, немецкий, испанский, французский, японский, китайский, индонезийский, хинди, итальянский, малайский и португальский языки. Репозиторий содержит форматы PyTorch, SafeTensors и ONNX. Лицензия — Apache-2.0.

Ko033/isnet-general-use-onnx — конвертированная в ONNX версия ISNet общего назначения, разработанная на основе модели Xuebin Qin и соавторов из проекта DIS и упакованная для Transformers.js. Модель предназначена для сегментации изображений и выделения переднего плана, в том числе для удаления фона и создания альфа-маски. На вход подаётся RGB-изображение размером 1024 × 1024; модель выдаёт карту вероятностей сегментации того же разрешения. В репозитории есть варианты fp32, fp16 и динамический int8; вспомогательные выходы исходного графа удалены. Модель работает с изображениями, а сведения о поддержке естественных языков не относятся к её задачам. Лицензия модели — Apache-2.0.

NLLB-SigLIP-MRL — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Модель предназначена для поиска соответствий между изображениями и текстовыми запросами или описаниями на 201 языке Flores-200. Модель формирует эмбеддинги размером 1152, а обучение с Matryoshka Representation Learning позволяет получать также векторы размером 32, 64, 128, 256 и 512. По данным карточки, варианты размером 256 и 512 сохраняют более 90% качества полного представления; модель показывает высокие результаты мультиязычного поиска на наборах XTD10 и Crossmodal-3600. Поддерживается библиотекой OpenCLIP и распространяется в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для сопоставления изображений и текста; генерация изображений или описаний в свободной форме не заявлена.

Qwen-Image-Edit — модель редактирования изображений от команды Qwen, созданная на основе Qwen-Image с 20 млрд параметров. Она сочетает визуальный семантический контроль через Qwen2.5-VL и контроль внешнего вида через VAE-кодировщик, чтобы менять изображение по текстовой инструкции. Модель предназначена для локальных правок отдельных объектов и областей с сохранением остальной сцены, а также для смысловых преобразований: переноса стиля, поворота объектов и создания вариантов персонажей. Она умеет добавлять, удалять и менять текст на изображениях на китайском и английском языках, стараясь сохранить исходные шрифт, размер и стиль. В карточке заявлены высокие результаты на публичных тестах редактирования изображений. Модель принимает изображение и текстовую инструкцию и выдаёт отредактированное изображение. Репозиторий распространяется в форматах Diffusers и safetensors; лицензия — Apache-2.0. Карточка не приводит размер контекста или численность параметров самой редакторской модели.

gokaygokay/sd3-long-captioner — дообученная версия PaliGemma с разрешением изображений 224×224. Модель предназначена для создания подробных текстовых описаний изображений; при дообучении использовались датасеты google/docci и google/imageinwords. Модель принимает изображение и выдаёт текст на английском языке. В метаданных указаны архитектура PaliGemma и библиотека Transformers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

VisME — мультимодальная модель эмбеддингов, разработанная авторами работы Illuminating Visual Identity in Universal Multimodal Embeddings для CVPR 2026. Она дообучена на Qwen/Qwen2.5-VL-7B-Instruct и формирует плотные векторы для изображений, текста и пар «изображение–текст», предназначенные для поиска и сопоставления визуального содержимого. Модель ориентирована на мультимодальный поиск и задачи, связанные с визуальной идентичностью: распознавание объектов или людей по идентичности, повторную идентификацию, поиск по изображению и тексту, а также визуальное заземление. Обучение объединяет MMEB-v1 для общих мультимодальных задач и MVEB для поиска по визуальной идентичности; заявлены конкурентные результаты на MMEB и сильные результаты на MVEB. Архитектура — плотная Qwen2.5-VL, 7,1 млрд параметров, контекст до 128 000 токенов; репозиторий использует safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Авторы указывают, что код оценки и обучения будет опубликован позднее, поэтому воспроизведение заявленных результатов может быть затруднено до его выхода.

Карточка модели wide-video/BEN2-v1.0.0 на Hugging Face совпадает с карточкой PramaLLC/BEN2, поэтому описание составлено по ней. BEN2 (Background Erase Network 2) — модель сегментации переднего плана и удаления фона, разработанная PramaLLC. Она использует конвейер Confidence Guided Matting: сеть-уточнитель обрабатывает пиксели с низкой уверенностью базовой модели, улучшая маски и края объектов. Модель обучена на DIS5k и внутреннем наборе данных из 22 тысяч примеров сегментации. BEN2 предназначена для отделения объектов от фона, в том числе при обработке волос и сложных контуров; README также описывает пакетную обработку изображений и сегментацию видео. Указана поддержка обработки изображений с разрешением до 4K. В репозитории представлены форматы ONNX и safetensors. Открытая базовая модель доступна по лицензии MIT. Полная версия предлагается через веб-демо или API. README не сообщает подробностей о поддерживаемых языках и ограничениях качества.

Карточка модели Bercraft/blip-image-captioning-large на Hugging Face совпадает с карточкой Salesforce/blip-image-captioning-large, поэтому описание составлено по ней. Salesforce/blip-image-captioning-large — модель семейства BLIP, разработанная Salesforce Research для описания изображений. Это базовая модель с визуальным энкодером ViT-Large, обученная на наборе COCO; архитектура поддерживает генерацию текста по изображению. Модель предназначена для создания подписей к изображениям в условном и безусловном режимах. Её можно применять для автоматического описания фотографий и визуального наполнения каталогов. Карточка не сообщает о поддержке нескольких языков, поэтому основной сценарий — генерация текстовых описаний без заявленной языковой специализации. Модель опубликована в форматах PyTorch, Safetensors и TensorFlow. Лицензия — BSD-3-Clause. Авторы отмечают, что выпуск предназначен для исследований и не проверен для всех практических сценариев; перед внедрением следует оценить точность, безопасность и справедливость результатов.

Sof22/image-caption-large-copy — модель описания изображений на основе BLIP от Salesforce с визуальным энкодером ViT-Large. Она предназначена для генерации подписей к изображениям в условном и безусловном режимах; автор карточки отмечает настройку параметров генерации для увеличения длины ответа. Модель предобучена для описания изображений на датасете COCO и использует архитектуру BlipForConditionalGeneration. Модель принимает изображения и генерирует текстовые описания. В репозитории доступны форматы PyTorch и TensorFlow. Карточка не сообщает о поддерживаемых естественных языках. Лицензия — BSD 3-Clause.

LFM2.5-VL-450M-Extract-MLX-bf16 — конвертированная в формат MLX версия компактной мультимодальной модели Liquid AI LFM2.5-VL-450M-Extract для устройств Apple Silicon. Она принимает изображения и описание полей, которые нужно извлечь, и возвращает значения в строгом формате JSON; поддерживаются определения полей через YAML и ограничения на допустимые значения. В языковой части около 350 млн параметров, также используется визуальный энкодер SigLIP2 примерно на 100 млн параметров. Модель работает в точности bfloat16 через MLX и mlx-vlm; заявленный расход объединённой памяти при инференсе — около 900 МБ. Модель предназначена для извлечения структурированных сведений из изображений, например характеристик видимых объектов или поверхностей. Карточка указывает английский язык. Репозиторий основан на LiquidAI/LFM2.5-VL-450M-Extract; в метаданных лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензией базовой модели и репозитория.

clapAI/modernBERT-large-multilingual-sentiment — мультиязычная модель классификации тональности, разработанная на базе ModernBERT-large и дообученная командой clapAI на наборе clapAI/MultiLingualSentiment. Она предназначена для определения тональности текста, в том числе отзывов о товарах и местах, на языках из набора обучения. Модель использует плотный двунаправленный энкодер ModernBERT с архитектурой ModernBertForSequenceClassification и содержит около 395 млн параметров. Максимальная длина контекста — 8192 токена. В README для неё указан F1-score 81,4 на тестовой выборке MultiLingualSentiment; результат зависит от языка и данных конкретного применения. Модель поддерживает 16 языков, включая английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. Для работы требуется библиотека Transformers с поддержкой ModernBERT; README рекомендует FlashAttention для ускорения вывода. Распространяется по лицензии Apache-2.0.

Это модель Sentence Transformers, дообученная iambestfeed на базе вьетнамского энкодера vinai/phobert-base-v2 на наборе Vietnamese-Ecommerce-Alpaca. RoBERTa-модель содержит 162,4 млн параметров и преобразует предложения и абзацы во векторы размерности 768; для сравнения близости используется косинусное сходство. Максимальная длина последовательности — 258 токенов по метаданным; README указывает 256 токенов. Модель предназначена прежде всего для оценки семантического сходства вьетнамских текстов и может применяться для семантического поиска, поиска перефразирований, кластеризации и классификации текста. Обучение на 69 292 парах anchor-positive из датасета Vietnamese-Ecommerce-Alpaca ориентирует её на соответствующий материал, в том числе вопросы и ответы об электронной торговле. Это энкодер для получения векторных представлений, а не модель для генерации ответов. Лицензия в предоставленных данных не указана.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений, представленная командой Qwen. Компонент визуальной генерации содержит 7 млрд параметров и построен на 32 слоях одно-поточного DiT. Модель поддерживает обычные и прозрачные изображения RGBA, а также редактирование с использованием до 10 референсных изображений, масок и локальных пометок. Модель предназначена для создания изображений по текстовым запросам, редактирования отдельных областей, извлечения объектов из фотографий и сохранения внешности людей или товаров при работе с референсами. Среди заявленных улучшений — смешанное внимание с разной гранулярностью, повторное использование prefix KV cache, более точная типографика, освещение портретов и детализация текстур. Репозиторий содержит веса в формате Safetensors для Diffusers. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты. Карточка заявляет высокую эффективность инференса, но не приводит независимых оценок качества или требований к оборудованию.

Карточка модели Supbatomic/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.