IV.1Ритейл, электронная коммерция и fashion-tech

Многоязычная модель классификации тональности clapAI/roberta-base-multilingual-sentiment, разработанная на базе FacebookAI/xlm-roberta-base и дообученная на датасете clapAI/MultiLingualSentiment. Она определяет тональность текста, например отзывов о товарах и местах, и подходит для анализа пользовательских мнений на разных языках. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она поддерживает более 16 языков, включая английский, русский, китайский, вьетнамский, французский, испанский, португальский, немецкий, итальянский, японский, корейский и арабский; длина контекста — 514 токенов. В README приведена оценка F1 81,8 на тестовой части указанного датасета. Модель принимает текст и выдаёт метки классов тональности. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Оценка в README относится к конкретному тестовому датасету и не гарантирует такие же результаты на других типах текстов или языках.

unography/blip-large-long-cap — модель для автоматического создания подписей к изображениям, опубликованная пользователем unography. Она основана на архитектуре BLIP и использует класс BlipForConditionalGeneration; веса доступны в формате safetensors. Модель предназначена для условной и безусловной генерации описаний изображений. Её можно применять для создания подписей к изображениям в каталогах, медиатеках и наборах данных. В качестве обучающего набора указан unography/laion-14k-GPT4V-LIVIS-Captions. Модель принимает изображение и генерирует текстовое описание; поддерживаемый язык описаний в доступных сведениях не указан. Лицензия — BSD 3-Clause. Карточка не сообщает размер модели, длину контекста и известные ограничения качества.

FlowDIS — модель сегментации изображений, разработанная Picsart AI Research. Она выделяет передний план и может использовать текстовую подсказку, чтобы уточнить, какие объекты следует оставить на переднем плане. Модель предназначена для удаления фона и выделения объектов на изображениях, в том числе когда без подсказки неоднозначно, какой элемент нужно сохранить. В метаданных указаны библиотека flowdis и набор данных DIS5K; веса представлены в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

noamrot/FuseCap_Image_Captioning — модель на архитектуре BLIP для создания семантически насыщенных описаний изображений. Она основана на подходе FuseCap, который использует большие языковые модели для обогащения подписей к изображениям; карточка указывает, что демонстрационная BLIP-модель обучена с использованием FuseCap. Модель предназначена для автоматического описания содержимого изображения, в том числе для получения более содержательных подписей, чем простое перечисление видимых объектов. В репозитории указаны формат PyTorch и лицензия MIT. Подробности об обучении, поддерживаемых языках и ограничениях качества в карточке не приведены.

GIT-large-R-COCO — модель Microsoft для генерации описаний изображений. Это декодерный Transformer семейства GIT (GenerativeImage2Text), который получает визуальные токены изображения от CLIP и текстовые токены; размер модели — 80,1 млн параметров, длина контекста — 1024 токена. Чекпойнт дообучен на COCO; суффикс R означает повторное обучение с удалением части оскорбительных подписей из набора CC12M. Модель предназначена прежде всего для автоматического создания текстовых подписей к изображениям. Архитектура также позволяет задавать вопросы об изображении или получать текстовую метку класса, но эти сценарии не обозначены как основная настройка данного чекпойнта. Карточка описывает обучение на парах изображение—текст и приводит сведения о предварительной обработке изображений; результаты оценки отсылаются к статье. Модель принимает изображения и выдаёт текст на английском языке. Распространяется под лицензией MIT. Как и другие генераторы подписей, может ошибаться в деталях сцены или формулировать неподтверждённые изображением сведения; для результатов оценки следует обратиться к публикации.

IS-Net — модель сегментации изображений семейства U²-Net, опубликованная BritishWerewolf в формате ONNX для использования через библиотеку Transformers. Она генерирует маску объекта на изображении и предназначена для получения точных контуров, в том числе при удалении фона и обработке портретов. README описывает интерактивное уточнение маски, однако способ передачи пользовательских указаний не раскрыт. Модель подходит для отделения объекта от фона и создания масок для дальнейшей обработки изображений. Репозиторий указывает Apache 2.0; в README отмечен вклад rembg и авторов оригинальной IS-Net.

Llama 3.2 90B Vision — мультимодальная модель Meta для анализа изображений и генерации ответов на текстовые запросы о них. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный адаптер зрения с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 90B параметров; она принимает текст и изображения и выдаёт текст, поддерживает контекст длиной до 128 тыс. токенов. Модель предназначена для визуального распознавания и рассуждений, описания изображений, ответов на вопросы по изображениям и диалогов с визуальным содержимым. Также в карточке указаны сценарии DocVQA, поиска соответствий между изображениями и текстом, а также визуального заземления языковых описаний на объекты или области изображения. Для приложений с изображениями и текстом официально поддерживается английский язык; в текстовых задачах поддерживаются также немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель выпущена Meta в сентябре 2024 года и доступна по лицензии Llama 3.2 Community License — специальному соглашению, условия которого следует учитывать при коммерческом и исследовательском применении. Это статическая модель, обученная на офлайн-данных; сведения о дате отсечения знаний — декабрь 2023 года.

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.

unsloth/Qwen-Image-2.1-FP8 — квантованная версия Qwen-Image-2.1, опубликованная Unsloth для запуска через Diffusers. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений; компонент генерации содержит 7 млрд параметров и построен на 32 слоях Single-Stream DiT. В комплект также входит предварительно приведённая к FP8 копия текстового энкодера Qwen3-VL. Модель создаёт обычные и прозрачные изображения RGBA, поддерживает редактирование с помощью референсов (до 10 изображений), круговых пометок, нарисованных аннотаций или масок. Среди заявленных сильных сторон — экономия вычислительных ресурсов благодаря FP8/INT8-квантованию, точная отрисовка текста, проработка текстур и сохранение сходства людей и товаров при редактировании. Карточка указывает лицензию «other», но не приводит её условия; перед использованием следует проверить лицензионные условия базовой модели и репозитория.

roberta-large-multilingual-sentiment — многоязычная модель классификации тональности из коллекции Multilingual-Sentiment, разработанная clapAI. Она дообучена на датасете clapAI/MultiLingualSentiment от FacebookAI/xlm-roberta-base и предназначена для определения тональности текстов, в том числе отзывов о товарах и местах. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. Модель поддерживает 16 языков, включая английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. В README приведены результаты оценки на тестовой части датасета, но указанная там таблица относится к другим моделям коллекции и не позволяет установить результат этой модели. Для запуска нужна библиотека Transformers; лицензия — Apache-2.0.

Image-Captioning-ML/Vit-GPT2-COCO2017Flickr-85k-09 — дообученная модель архитектуры VisionEncoderDecoderModel для создания текстовых описаний изображений. В качестве базовой модели указана NourFakih/Vit-GPT2-COCO2017Flickr-85k-09; веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель принимает изображение и генерирует текстовую подпись. В README приведены результаты оценки: Loss 0,6343, ROUGE-1 38,8156, ROUGE-2 13,6737 и ROUGE-L 34,9479; длина генерации в оценке — около 12 токенов. Данные обучения и сведения о языках в карточке не раскрыты, поэтому назначение для конкретного языка или предметной области не подтверждено.

Это компактная модель Sentence Transformers, дообученная автором swardiantara на базе англоязычной google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128; сходство текстов можно оценивать косинусным сходством, а в README отдельно указано применение для поиска. Модель подходит для семантического поиска и сравнения текстовых фрагментов, в том числе отзывов о товарах. Архитектура включает BertModel с mean pooling. Метаданные указывают 4,4 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов; при использовании следует учитывать это различие. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Модель LinkTransformer от исследователей Harvard предназначена для сопоставления записей и товаров на испанском языке. Это дообученная модель Sentence Transformers на базе hiiamsid/sentence_similarity_spanish_es с архитектурой BERT и 137,1 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина входа — 512 токенов. Модель обучена на данных, полученных при связывании классификаций товаров статистики ООН, чтобы сопоставлять разные описания товаров. Модель подходит для связывания сущностей, кластеризации, удаления дубликатов, объединения классификаций товаров и семантического поиска. Для векторизации использует среднее объединение токенов, обучение проводилось с функцией SupCon loss. Указанный формат весов — safetensors; для работы в описанных сценариях разработчики предлагают пакет LinkTransformer. Лицензия в предоставленных сведениях не указана. Результаты обучения ориентированы на сопоставление товарных описаний и классификаций ООН; качество на других типах текстов не подтверждено. Контекст ограничен 512 токенами.

fal/moondream2-docci-instruct — дообученная модель семейства Moondream для создания подробных описаний изображений. Она разработана на основе Moondream2 и обучена на наборах gokaygokay/random_instruct_docci и, согласно метаданным, google/docci. Модель принимает изображение и текстовый запрос, а в ответ генерирует текст; основное назначение — подробное описание визуальных сцен и объектов. Модель относится к архитектуре Moondream и распространяется в формате safetensors. Карточка указывает на использование Transformers и лицензию Apache-2.0. В README нет количественной оценки качества или описания предельного разрешения и контекста, поэтому эти характеристики здесь не приводятся.

Это модель классификации тональности текста, разработанная автором chawki17 путём дообучения DistilBERT-base-uncased. Она относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Модель предназначена для анализа отзывов о товарах, клиентской обратной связи и публикаций в социальных сетях. Модель принимает текст и выдаёт метку тональности с оценкой уверенности. Она основана на DistilBERT, использует библиотеку Transformers и поддерживает контекст до 512 токенов. По данным README, на валидационной выборке достигнуты accuracy 0,89 и macro F1 0,88; качество зависит от соответствия входных текстов обучающим данным. Модель распространяется по лицензии Apache-2.0.

Карточка модели c44sh/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.

Карточка модели donutking20/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.

Карточка модели felycia/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.

Карточка модели Rzie227535844/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.

Карточка модели Wososo/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.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений. В README указана визуальная генеративная часть размером 7 млрд параметров: она построена на 32 слоях Single-Stream DiT. Модель поддерживает создание обычных и прозрачных изображений в формате RGBA, редактирование прозрачных слоёв и выделение объектов на фотографиях. Модель предназначена для генерации изображений по текстовому описанию и редактирования с опорой до 10 референсных изображений. Для задания локальных изменений можно использовать круги, нарисованные пометки или отдельные маски; также заявлено сохранение внешности людей и товаров. Среди заявленных улучшений — отрисовка текста, текстуры, освещение портретов и детализация. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

LanguaMan/Qwen-Image-2.1-FP8 — квантованная версия Qwen-Image-2.1 для генерации изображений по текстовым запросам. Репозиторий содержит веса в форматах FP8 и INT8, а также предварительно преобразованную в FP8 копию текстового энкодера Qwen3-VL; для запуска указана библиотека diffusers. Базовая модель Qwen-Image-2.1 сочетает генерацию изображений и редактирование: поддерживает прозрачные RGBA-изображения, работу с референсами и локальное редактирование с помощью масок и разметки. Визуальный генератор описан как 7-миллиардная модель с 32 слоями Single-Stream DiT. Карточка демонстрирует создание изображений с текстом, портретами и детализированными текстурами. Указана лицензия other; точные условия следует проверять в лицензии репозитория и базовой модели.

Карточка модели KasugaiSakura/Qwen-Image-2.1-Original 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.

YanoljaNEXT-Rosetta-27B-2511 — языковая модель Yanolja NEXT на архитектуре Gemma 3, дообученная на базе google/gemma-3-27b-pt. Это плотная авторегрессионная модель с 28,3 млрд параметров, использующая компонент Gemma3ForCausalLM; она предназначена для перевода содержимого JSON, YAML и XML с сохранением исходной структуры. Модель работает с 32 языками, включая русский, английский, корейский, китайский и японский, и поддерживает контекст до 131 072 токенов. Модель подходит для локализации каталогов товаров, перевода отзывов об отелях и других структурированных многоязычных данных. В бенчмарке WMT24++ для перевода с английского на корейский указана оценка CHrF++ 37,21. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Лицензия — Gemma. Модель оптимизирована для структурированных данных: на обычном тексте и иных форматах качество может меняться. Иногда она может выдавать некорректную структуру, повторяющийся текст или неточный перевод.

BiRefNet-matting — модель Peng Zheng и соавторов для высококачественного выделения переднего плана на изображениях, в частности людей и объектов с тонкими контурами. Она основана на архитектуре BiRefNet и предназначена для сегментации и маттинга: по изображению создаёт маску переднего плана, которую можно использовать для удаления или замены фона. В карточке указаны обучение на наборах данных для сегментации людей и изображений с разнообразными объектами и результат на тестовом наборе TE-P3M-500-NP. Модель распространяется в формате safetensors и использует библиотеку BiRefNet. Лицензия — MIT. Карточка ссылается на основной репозиторий BiRefNet за инструкциями по использованию; подробности о размере модели и требованиях к запуску здесь не приведены.

thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Модель lxs1/DistilBertForSequenceClassification_6h_768dim — классификатор тональности на основе DistilBERT, дообученный для отнесения текста к положительной или отрицательной категории. В архитектуре 6 голов внимания, размер скрытого представления 768 и промежуточный слой размером 4 × 768; модель принимает последовательности длиной до 512 токенов. Модель предназначена для анализа отзывов, публикаций в социальных сетях и других текстов: например, для оценки реакции на товары и услуги, мониторинга тональности упоминаний бренда и фильтрации контента по тональности. В обучающих данных использовались социальные публикации, отзывы о товарах и фильмах; тексты приводились к нижнему регистру, из них удалялись стоп-слова, имена пользователей и URL. Разработчик предупреждает о возможных смещениях из обучающих данных и о том, что качество на текстах вне обучающего распределения может быть нестабильным. Лицензия в предоставленных данных не указана.

FIBO-Edit — модель редактирования изображений от Bria AI на основе семейства FIBO. Она принимает исходное изображение и структурированные инструкции в формате JSON на основе Visual GenAI Language (VGL), а также может использовать маску для точечного изменения области. Модель рассчитана на управляемые и повторяемые правки: например, изменение освещения, композиции, стиля или отдельных объектов с сохранением остальной сцены. Модель имеет 8 млрд параметров и запускается через библиотеку Diffusers. README описывает обновлённые веса с улучшенной согласованностью идентичности и качеством деталей, а также вариант локальной подготовки JSON-инструкций; в локальном режиме редактирование с маской не поддерживается. Репозиторий доступен для некоммерческого использования по лицензии, указанной в карточке; коммерческое применение предлагается через отдельную лицензию Bria AI.

Карточка модели 5enJie/FireRed-Image-Edit-1.1 на Hugging Face совпадает с карточкой FireRedTeam/FireRed-Image-Edit-1.1, поэтому описание составлено по ней. FireRed-Image-Edit-1.1 — универсальная модель редактирования изображений от FireRedTeam, обновлённая версия FireRed-Image-Edit-1.0. Модель принимает изображение и текстовые инструкции для его изменения; в карточке указана поддержка английского и китайского языков. Для обработки используется библиотека Diffusers, веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для творческого и профессионального редактирования: заявлены сохранение узнаваемости людей и персонажей при сложных изменениях, объединение множества элементов, ретушь портретов и макияжа, работа с типографикой, реставрация старых фотографий и виртуальная примерка. README также сообщает об агентном сценарии обработки нескольких изображений, поддержке обучения LoRA и оптимизациях для ускорения генерации. Заявления о качестве и скорости приведены разработчиком; независимые условия воспроизведения этих результатов в карточке не описаны.

FireRed-Image-Edit-1.1-GGUF — это набор квантованных версий модели FireRed-Image-Edit-1.1, разработанной командой FireRedTeam и опубликованной пользователем VantageWithAI. Модель предназначена для редактирования изображений по текстовым инструкциям и изображениям-референсам, включая перенос идентичности, виртуальную примерку, создание групповых фотографий, работу с портретами и косметикой, а также дизайн обложек, постеров и декоративных текстовых композиций. Модель относится к классу image-to-image и использует библиотеку Diffusers. Она поддерживает мультиизображенческое управление, благодаря чему может одновременно учитывать несколько исходных изображений. Заявлена поддержка английского и китайского языков. Среди ключевых улучшений указаны повышенная стабильность идентичности лица и персонажа, сохранение текстур, более реалистичное редактирование макияжа и улучшенная генерация стилизованной типографики. Доступен ускоренный дистиллированный вариант Lightning с восемью шагами инференса, рассчитанный на снижение задержки при сохранении согласованности с инструкцией. Сильными сторонами являются универсальность, сохранение внешности при редактировании, поддержка нескольких изображений и специализированные сценарии для портретов, макияжа и графического дизайна. Ограничения README не описывает: сведения о размере модели, точной архитектуре, максимальном контексте, требованиях к оборудованию и сравнительных результатах отсутствуют. Модель распространяется по лицензии Apache-2.0.