IV.1Ритейл, электронная коммерция и fashion-tech

InternVL3-78B — разработанная OpenGVLab мультимодальная большая языковая модель семейства InternVL3 для диалога и задач на стыке зрения и языка. Она принимает текст, изображения и видео, а также поддерживает работу с несколькими изображениями в одном запросе. Архитектура следует схеме ViT-MLP-LLM: визуальный энкодер InternViT соединён через MLP-проектор с языковой моделью; для изображений используются динамическое разбиение на фрагменты 448×448 и кодирование визуальных позиций V2PE. Вариант содержит 78 млрд параметров. Модель предназначена для ответов на вопросы по изображениям и видео, визуального рассуждения, анализа диаграмм и промышленных изображений, понимания 3D-сцен, работы с графическими интерфейсами и использования инструментов. Она также выполняет текстовые задачи и поддерживает многоязычный диалог. Карточка сообщает об улучшенных мультимодальном восприятии и рассуждении относительно InternVL 2.5, но не приводит здесь конкретных численных оценок. Репозиторий использует Transformers и формат safetensors; для эксплуатации модели такого размера требуются значительные вычислительные ресурсы. Лицензия указана как other, поэтому перед использованием нужно проверить условия в репозитории модели.

ISNet-ONNX — модель сегментации изображений в формате ONNX, опубликованная сообществом onnx-community. Она предназначена для выделения объектов на изображениях и может применяться для удаления фона. Репозиторий ориентирован на запуск через Transformers.js. Модель использует архитектуру ISNet и поставляется в формате ONNX. В карточке указана лицензия AGPL-3.0. Сведения о точности, поддерживаемых языках, ограничениях по типам изображений и требованиях к ресурсам не приведены.

Nucleus-Image — базовая модель генерации изображений по текстовому описанию, представленная командой NucleusAI. Это диффузионный трансформер с разреженной архитектурой MoE: 32 слоя, 17 млрд параметров суммарно и около 2 млрд активных параметров на проход. В большинстве блоков используются 64 маршрутизируемых эксперта и один общий эксперт; модель применяет маршрутизацию Expert-Choice и совместное внимание к представлениям изображения и текста. Модель предназначена для создания изображений по запросу, включая портреты, фантастические и природные сцены, иллюстрации, предметную съёмку, архитектуру, еду и изображения с текстом. Поддерживает разные соотношения сторон и обучалась с постепенным повышением разрешения до 1024 пикселей. Для работы используется библиотека diffusers; доступны веса в формате safetensors. README описывает её как базовую модель без дополнительной настройки предпочтений. Лицензия — Apache-2.0. Заявленные в карточке результаты получены на предобученной модели при генерации 1024×1024 за 50 шагов с CFG 8.0. Эти показатели приведены разработчиками и не гарантируют качество на каждом запросе. Модель требует вычислительных ресурсов для диффузионной генерации; активная доля параметров снижает нагрузку относительно плотной модели, но не делает её малоресурсной.

PaliGemma 2 28B mix 448 — разработанная Google мультимодальная модель зрения и языка на основе SigLIP и языковой модели Gemma 2. Она принимает изображения и текст, а в ответ генерирует текст; вариант 448 предназначен для обработки изображений с разрешением 448 пикселей. Модель поддерживает несколько языков, однако карточка не перечисляет их коды. Модель рассчитана прежде всего на дообучение для задач взаимодействия с изображениями: создания кратких и подробных описаний, ответов на вопросы по изображению, распознавания текста, поиска объектов с координатами и сегментации. Её также можно адаптировать для анализа коротких видео и специализированных сценариев, например вопросов по снимкам дистанционного зондирования или описания элементов интерфейса. Лицензия — Gemma; перед использованием следует учитывать условия лицензии и политику запрещённого использования Gemma. PaliGemma 2 ориентирована на ясные запросы и специализированное дообучение, а не на роль универсального чат-бота: модель не рассчитана на многоходовой диалог, а её результаты без адаптации могут уступать моделям общего назначения. Она может ошибаться в фактах и сложных рассуждениях, а также воспроизводить предвзятость из обучающих данных.

Google PaliGemma 2 3B FT DOCCI 448 — мультимодальная модель на основе Gemma 2 и визуального энкодера SigLIP, дообученная на датасете DOCCI для изображений размером 448×448. Она принимает изображение и текстовый запрос и генерирует текст; семейство PaliGemma 2 поддерживает несколько языков. Репозиторий содержит веса в формате bfloat16 и использует библиотеку Transformers. Модель предназначена для описания изображений и других задач «изображение — текст». Её можно применять для генерации подписей к изображениям и ответов на вопросы о визуальном содержимом. Это однораундовая модель, а не чат-бот с многошаговым диалогом; качество зависит от ясности запроса, и ответы могут содержать фактические ошибки или отражать смещения обучающих данных. Лицензия — Gemma; авторы указывают исследовательское применение весов.

Playground v2.5 – 1024px Aesthetic Model — разработанная Playground диффузионная модель генерации изображений по текстовым описаниям. Это latent diffusion-модель на архитектуре Stable Diffusion XL, использующая два фиксированных предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Модель предназначена для создания эстетически выразительных изображений в разрешении 1024×1024, а также в портретных и альбомных форматах. Модель можно применять для иллюстраций, концепт-арта и других изображений по текстовому запросу. В карточке приведены результаты пользовательских оценок и теста MJHQ-30K, где Playground v2.5 показала более низкий FID, чем Playground v2 и SDXL. Эти результаты описаны разработчиком; карточка не даёт оснований считать их гарантией качества для каждого запроса. Для работы предусмотрена интеграция с Hugging Face Diffusers. Модель распространяется по Playground v2.5 Community License; в метаданных лицензия обозначена как other, поэтому перед использованием следует ознакомиться с условиями лицензии в репозитории.

ovedrive/Qwen-Image-Edit-2509-4bit — 4-битная NF4-квантизованная версия модели Qwen/Qwen-Image-Edit-2509, подготовленная abhishekdujari на базе разработки Qwen. Модель предназначена для редактирования изображений по текстовым инструкциям и работает через pipeline QwenImageEditPlusPipeline библиотеки Diffusers. Поддерживаются сценарии редактирования одного или нескольких изображений, включая изменение людей, товаров, сцен и текста на изображении. Оптимальное число входных изображений — от одного до трёх. Также заявлена нативная поддержка ControlNet, включая карты глубины, контуров и ключевых точек. Ключевая особенность версии — NF4-квантизация с сохранением отдельных слоёв трансформера в полной точности для снижения потери качества. Модель рассчитана на запуск примерно от 20 ГБ VRAM, при этом может работать и на конфигурациях с 16 ГБ с использованием выгрузки частей модели на CPU. По данным README, на RTX 4090 генерация занимает около 78 секунд при 20 шагах и около 40 секунд при 10 шагах; автор сообщает о корректной работе даже при 10 шагах. Указаны языки en и zh, однако размер контекста и подробная архитектура не приведены. Модель подходит для локального инференса при ограниченном объёме видеопамяти и сохраняет основные возможности исходной Qwen-Image-Edit-2509, но квантизация может влиять на качество по сравнению с полной версией. В README не приведены систематические результаты сравнения, поэтому заявленные характеристики производительности следует считать ориентировочными. Модель распространяется по лицензии Apache-2.0.

Карточка модели perpetual3x/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Qwen-Image-Edit-2511-Object-Adder — адаптер LoRA, разработанный prithivMLmods для модели Qwen/Qwen-Image-Edit-2511 от Qwen. Он предназначен для редактирования изображений по принципу image-to-image, в частности для точного добавления заданных объектов в существующие сцены с сохранением фона, освещения, окружающих элементов и исходных визуальных деталей. Модель интегрируется с Diffusers и совместима с версиями 2509 и 2511. Она ориентирована на реалистичное и визуально согласованное добавление объектов, сохраняя текстуры, тени, структуру сцены и естественное восприятие изображения. В README также указана возможность использования совместно с lighting-моделью, настроенной на 4 шага, для получения качественных результатов с высоким разрешением. Поддерживаемая модальность — изображения; заявленный язык — английский, а для активации рекомендуется специальный англоязычный prompt. Модель подходит для бесшовного добавления предметов, элементов дизайна и аксессуаров в фотографии или другие изображения. Ограничения, точный размер, архитектура базовой модели, длина контекста и дополнительные языки в README не указаны. Распространяется по лицензии Apache-2.0.

Qwen-Image-Edit 2509 GGUF — это предварительно объединённая и квантованная сборка модели Qwen-Image-Edit-2509, опубликованная ChrisColeTech. В веса встроены две доработки: Turbo LoRA для генерации примерно за 8 шагов и Multiple-Angles LoRA для создания изображений одного объекта или персонажа с разных ракурсов. Модель предназначена для задач image-to-image и редактирования изображений по текстовым инструкциям, включая сохранение внешнего вида объекта, изменение ракурса, создание фронтального, бокового и заднего видов, а также поддержание согласованности дизайна, освещения и фона. Сборка использует Transformer в формате GGUF с квантованием Q6_K размером около 11,4 ГБ, текстовый энкодер Qwen2.5-VL-7B-Instruct в формате Q4_0 размером около 4,43 ГБ, multimodal projector Qwen2.5-VL-7B-Instruct в формате F16 и VAE qwen_image_vae. Указаны примеры работы с разрешением 1024×1024, 12 шагами, CFG 1.0 и seed 42; для Turbo показан сценарий с 8 шагами. Модальность — изображения и текст; поддерживаемые языки явно не указаны. Сильные стороны модели — ускоренное редактирование, работа с несколькими ракурсами и встроенные доработки без необходимости отдельно подключать LoRA. Ограничения включают значительный объём компонентов и необходимость использовать обновлённый GGUF Loader для ComfyUI; конкретные требования к видеопамяти и гарантии качества для других разрешений или сценариев не указаны. Модель распространяется по лицензии Apache-2.0.

Re3Cap-CLIP-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Её дообучили методом GRPO с наградой по сходству изображения и текста в CLIP и стратегией Re³Cap, которая уточняет подпись с помощью поиска и оценки качества. Модель предназначена для генерации более точных и подробных подписей к изображениям: компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Она принимает изображение и текстовый запрос, а выдаёт текст; архитектура — плотная LLaVA, формат весов — safetensors, контекст — 4096 токенов. Поддерживаемые языки в предоставленных данных не указаны. Лицензия — Llama 2. Количественные оценки качества и дополнительные ограничения в карточке не приведены.

SDMatte — набор моделей для интерактивного выделения альфа-маттингом объектов и тонких деталей на изображениях. Репозиторий 1038lab содержит версии весов SafeTensors для ComfyUI; исходная работа создана командой vivoCameraResearch и основана на дообучении стабильной диффузионной модели Stable Diffusion 2 от Stability AI. Модель принимает изображение и визуальные подсказки пользователя, чтобы получить точную маску прозрачности. Диффузионные априорные знания помогают прорабатывать сложные края, мелкие текстуры и участки с неоднозначной границей; учитываются координатный контекст и прозрачность. В репозитории представлены стандартная версия и SDMatte_plus с улучшенной производительностью. Модель предназначена для интерактивной обработки изображений в рабочих процессах ComfyUI через узел ComfyUI-RMBG. Весы распространяются в формате SafeTensors по лицензии OpenRAIL++.

tf_efficientnet_b7.ra_in1k — сверточная модель EfficientNet-B7 для классификации изображений и извлечения визуальных признаков. Она обучена авторами статьи на ImageNet-1k с аугментацией RandAugment, а затем перенесена из TensorFlow в PyTorch Россом Уайтменом и опубликована в библиотеке timm. Модель содержит около 66,3 млн параметров, рассчитана на изображения размером 600 × 600 пикселей и может использоваться как классификатор, backbone для извлечения карт признаков или источник эмбеддингов изображений. Обучение на ImageNet-1k делает её подходящей для распознавания объектов из набора классов ImageNet и переноса признаков в другие компьютерно-зрительные задачи. Веса доступны в форматах PyTorch и safetensors. Модель принимает изображения и выдаёт классовые оценки либо визуальные признаки; языковой ввод и генерация не предусмотрены. Лицензия — Apache-2.0.

Модель vit_base_patch16_rpn_224.sw_in1k — вариант Vision Transformer из библиотеки timm для классификации изображений и извлечения признаковых представлений. Её обучили на ImageNet-1k; архитектура использует патчи 16 × 16 и блоки с residual post-normalization. Модель содержит около 86,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для распознавания объектов и категорий на изображениях, а также для получения эмбеддингов в качестве признаков для последующих задач компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors. Лицензия Apache-2.0 разрешает использование и распространение с соблюдением её условий.

YanoljaNEXT-Rosetta-4B-2511-GGUF — GGUF-версия языковой модели, разработанной Yanolja NEXT. Это дообученная версия google/gemma-3-4b-pt, использующая только текстовый компонент Gemma3ForCausalLM; модель предназначена для генерации текста и не поддерживает мультимодальные сценарии исходной архитектуры. Модель содержит около 4 млрд параметров и ориентирована прежде всего на перевод структурированных данных в форматах JSON, YAML и XML с сохранением исходной структуры, ключей и разметки. Она подходит для локализации каталогов товаров, отзывов об отелях и другого структурированного контента, а также может выполнять обычный перевод текста. Поддерживаются арабский, болгарский, китайский, чешский, датский, нидерландский, английский, финский, французский, немецкий, греческий, гуджарати, иврит, хинди, венгерский, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, словацкий, испанский, шведский, тагальский, тайский, турецкий, украинский и вьетнамский языки. К сильным сторонам относятся сочетание компактного размера и конкурентного качества перевода, а также наличие множества квантизированных вариантов для запуска на устройствах с разными ресурсами. В тесте WMT24++ для перевода с английского на корейский модель получила CHrF++ 35,64. Она оптимизирована для структурированных данных, поэтому качество и поведение в иных задачах и для языков, не входящих в заявленный набор, могут отличаться; конкретное максимальное окно контекста в README не указано. Для запуска рекомендуется современная версия llama.cpp с поддержкой Gemma 3; также подходят LM Studio, KoboldCPP и text-generation-webui. Указана лицензия Gemma.

Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

win2win/ad-categorizer-model — дообученный разработчиком win2win энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель преобразует предложения и абзацы в плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства; архитектура включает BERT, усреднение токенов и нормализацию. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для поиска семантически похожих текстов, сопоставления описаний, поиска перефразировок и кластеризации. Её можно применять для категоризации объявлений через сравнение с текстами категорий или примерами. Карточка сообщает о дообучении на двух парах предложений, поэтому качество для широкого круга задач может быть ограниченным. Формат весов — safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели 404-Gen/BiRefNet на Hugging Face совпадает с карточкой ZhengPeng7/BiRefNet, поэтому описание составлено по ней. BiRefNet — модель компьютерного зрения для высокоразрешающей дихотомической сегментации изображений, представленная авторами одноимённой научной работы и разработанная исследователями из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Репозиторий содержит веса BiRefNet в формате safetensors и предназначен для запуска инференса через библиотеку birefnet. Модель выделяет основной объект на изображении и формирует маску сегментации. Её можно применять для удаления фона, обнаружения заметных объектов и обнаружения замаскированных объектов. Архитектура указана как BiRefNet; работа посвящена сегментации изображений высокого разрешения. Репозиторий распространяется по лицензии MIT.

ZhengPeng7/BiRefNet_dynamic-matting — модель Peng Zheng и соавторов на архитектуре BiRefNet для маттинга и высокоточной сегментации объектов на изображениях. Репозиторий связан с работой «Bilateral Reference for High-Resolution Dichotomous Image Segmentation» (CAAI AIR 2024). Модель обучена на изображениях произвольной формы размером от 256×256 до 2304×2304 и рассчитана на обработку входов разных размеров. Она предназначена для создания масок и выделения переднего плана, в том числе для удаления фона. В README заявлена устойчивость к различным формам изображений; численные результаты сравнения не приведены. Модель распространяется под лицензией MIT. Для запуска используются веса BiRefNet и код библиотеки birefnet; README отмечает, что версия кода на Hugging Face может отставать от GitHub.

facebook/dinov2-with-registers-large — крупная модель Vision Transformer, обученная методом DINOv2 с дополнительными register-токенами. Репозиторий впервые опубликован авторами DINOv2 with Registers; карточку модели подготовила команда Hugging Face. Модель содержит около 402,7 млн параметров и доступна в формате safetensors под лицензией Apache-2.0. Это предварительно обученный визуальный энкодер без дообученных классификационных голов. Он извлекает признаки и эмбеддинги изображений, которые можно использовать в последующих задачах, например обучая линейный классификатор поверх представления токена CLS. Добавление register-токенов при обучении уменьшает артефакты в картах внимания и улучшает их интерпретируемость. Модель предназначена для извлечения признаков из изображений и построения систем компьютерного зрения на их основе. Карточка не приводит сведений о контекстном окне или поддержке естественных языков; язык ввода не применим к визуальному энкодеру. Для классификации и других прикладных задач обычно требуется отдельная обученная голова или последующий компонент.

EfficientNet-B4 — свёрточная модель компьютерного зрения, разработанная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Она классифицирует изображения по 1000 категориям ImageNet и рассчитана на обработку изображений с разрешением 380×380 пикселей. Архитектура использует составное масштабирование: глубина, ширина и разрешение сети увеличиваются совместно с помощью общего коэффициента. Модель предназначена для классификации изображений общего назначения и может служить основой для поиска вариантов, дообученных под другие задачи. В репозитории представлены веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит сведений о языковой поддержке и конкретных ограничениях качества.

EVA02 Base Patch14 224 MIM IN22K — модель извлечения визуальных признаков из изображений, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя и может использоваться как визуальный backbone для классификации и получения эмбеддингов изображений. Модель построена на Vision Transformer с патчами 14×14, средним pooling, SwiGLU, Rotary Position Embeddings и дополнительным LayerNorm в MLP. Она содержит около 85,8 млн параметров и рассчитана на изображения размером 224×224. Чекпойнт timm сохранён в формате float32; доступны веса PyTorch и SafeTensors. Модель подходит для извлечения признаков и эмбеддингов, а также для построения систем классификации изображений. Карточка не описывает поддержку текстового ввода или генерацию изображений. Лицензия — MIT.

Модель dhansmair/flamingo-mini — модель семейства Flamingo, обученная для создания текстовых описаний изображений. Разработчик карточки указывает обучение на датасете Conceptual Captions 3M; в метаданных архитектура обозначена как FlamingoModel, а формат весов — PyTorch. Модель предназначена для генерации подписи к изображению. Данные подтверждают поддержку английского языка и лицензию Apache-2.0. Размер модели и длина контекста не указаны.

HTML-LM — компактная модель-энкодер Seznam для получения эмбеддингов HTML-страниц. Она построена на ModernBERT, содержит 154,2 млн параметров, имеет скрытый размер 768 и поддерживает контекст до 8192 токенов. Модель обучена с нуля на корпусе из 100 млн HTML-документов, используя маскированное языковое моделирование, предсказание Bag-of-Words и контрастную дистилляцию представлений от Qwen3-Embedding-8B и Seznam SeLLMa 8B. Модель кодирует текстовое содержимое и структуру HTML в векторное представление для последующего применения в лёгких классификаторах и регрессорах. Примеры задач: обнаружение страниц статей и товаров, классификация страниц с откровенным контентом, кластеризация, оценка качества страниц и выявление веб-спама. Для обработки требуется HTMLLMProcessor, который очищает и упрощает DOM перед токенизацией; документация отмечает, что предварительная обработка может быть медленной при высокой нагрузке. Обучающий корпус преимущественно состоял из страниц чешских и англоязычных доменов, поэтому README не подтверждает равную поддержку всех языков. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

InternVL3-14B-Instruct-GGUF — мультимодальная языковая модель в формате GGUF, подготовленная Unsloth на основе OpenGVLab/InternVL3-14B-Instruct. Исходную модель разработала команда OpenGVLab; она построена по схеме ViT-MLP-LLM и сочетает визуальный модуль InternViT-300M-448px-V2_5 с языковой частью Qwen2.5-14B. Это SFT-версия, прошедшая нативное мультимодальное предварительное обучение и supervised fine-tuning, но не прошедшая MPO. Модель предназначена для задач понимания изображений и текста, мультимодального восприятия и рассуждений. Заявленные сценарии включают использование инструментов, создание GUI-агентов, промышленный анализ изображений, восприятие 3D-сцен и другие мультимодальные приложения. В метаданных указана поддержка multilingual, а тип конвейера — image-text-to-text. Конкретный размер контекста в предоставленных данных не указан. К сильным сторонам относятся расширенные возможности мультимодального анализа и рассуждений, а также GGUF-квантизация, удобная для локального запуска при подходящей инфраструктуре. Ограничение версии заключается в отсутствии этапа MPO; авторы рекомендуют при сомнениях использовать базовую версию InternVL3-14B. Модель распространяется по лицензии Apache-2.0, при этом в карточке также указана ссылка на лицензию Qwen.

InternVL3-8B-Instruct-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в GGUF-формате Unsloth. Это SFT-версия InternVL3-8B: она прошла мультимодальное предварительное обучение и дообучение с учителем, но не проходила MPO. Модель предназначена для задач понимания и анализа изображений совместно с текстом, мультимодального рассуждения, работы с инструментами и GUI-агентами, промышленного анализа изображений, а также восприятия 3D-сцен. Она поддерживает многоязычные сценарии, однако конкретный перечень языков и размер контекстного окна в предоставленных данных не указаны. Архитектура построена по схеме ViT-MLP-LLM и включает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий размер модели обозначен как 8B. Сильными сторонами заявлены развитые возможности мультимодального восприятия и рассуждения, а также повышение качества по сравнению с InternVL 2.5. Ограничения включают отсутствие MPO и неизвестные из README характеристики контекстного окна, точности GGUF-квантизации и производительности на конкретном оборудовании. В метаданных указана лицензия Apache 2.0; также присутствует обозначение license_name Qwen и ссылка на лицензию Qwen2.5.

Juggernaut Z Fast — модель генерации изображений по текстовому описанию, разработанная RunDiffusion на базе Tongyi-MAI/Z-Image. Она ориентирована на быстрое и экономичное создание изображений с характерной кинематографичной стилистикой, продуманной композицией и высокой степенью детализации. Модель рассчитана на генерацию за 4 шага и подходит для быстрых превью, концептов, рекламных и продуктовых макетов, портретов, публикаций для социальных сетей, проверки размещения текста и массовых рабочих процессов. Доступны варианты весов в форматах safetensors и GGUF, включая FP16, FP8 и несколько уровней квантования, что позволяет выбирать между качеством, размером модели и требованиями к VRAM. Язык, явно указанный в карточке модели, — английский. Данные о размере модели, максимальном контексте и дополнительных модальностях не предоставлены. Сильными сторонами являются низкая задержка, сниженная вычислительная стоимость и удобство итеративной работы. По сравнению с полной версией Juggernaut Z модель рассчитана на скорость, поэтому для более тщательной высококачественной доработки рекомендуется использовать исходную модель с большим числом шагов. Для работы нужен Fast/Turbo-совместимый workflow для Z-Image; рекомендуется начинать с 4 шагов и стандартного значения CFG. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

wikeeyang/Krea2-Turbo-HD-V1 — модель генерации изображений по текстовому описанию, разработанная как дообученная версия Krea-2-Turbo. Модель предназначена для создания визуальных материалов по промптам, включая портреты, фотографии, художественные изображения, сценические композиции, предметные и рекламные концепты. Модель работает в экосистеме PyTorch и библиотеки Diffusers, относится к задачам text-to-image synthesis и поддерживает английский и китайский языки. В карточке не указаны точная архитектура, количество параметров, максимальный размер контекста и разрешение генерируемых изображений. Примеры демонстрируют работу с фотореалистичными и художественными сценами, деталями одежды, аксессуарами, освещением, композицией и различными визуальными стилями. Сильной стороной модели является широкий диапазон поддерживаемых сюжетов и стилей, включая портретную, предметную, природную и концептуальную съёмку, а также китайскую и восточноазиатскую визуальную эстетику. Ограничения, показатели качества и особенности HD-режима в README не описаны. Модель распространяется по лицензии Krea-2 Community License; подробные условия приведены в файле лицензии Krea.

LLaDA-Image — открытая унифицированная модель генерации и редактирования изображений, разработанная InclusionAI. Это чекпойнт на 6 млрд параметров в формате Diffusers и safetensors; модель использует диффузионный подход и принимает текстовый запрос, а для редактирования — также исходное изображение. Базовая версия предназначена для генерации изображений высокого качества и редактирования по инструкции, а отдельная версия Turbo ускоряет эти сценарии за счёт дистилляции и генерации за 2–4 шага. Модель ориентирована на фотореалистичные сцены, изображения с естественным освещением и деталями, плакаты с читаемым текстом, а также точечные изменения с сохранением содержимого исходного изображения. Поддерживаются английский и китайский языки, включая отрисовку текста на них. Для обычной генерации рекомендовано 50 шагов; Turbo рассчитана на быстрый вывод. Репозиторий предоставляет веса и код инференса на Diffusers, тогда как код обучения на момент карточки не опубликован. Лицензия — Apache-2.0.

Logo-Detection-finetune — модель обнаружения объектов на изображениях, дообученная разработчиком на базе hustvl/yolos-small. Она предназначена для поиска и локализации логотипов на изображениях. Модель построена на архитектуре YOLOS и содержит 28,3 млн параметров; веса представлены в формате safetensors и используются через библиотеку Transformers. Модель можно применять для обнаружения логотипов на фотографиях и других изображениях. Данные не сообщают, на каком наборе данных и каких именно логотипах она обучалась, поэтому полнота распознавания и качество на конкретных изображениях не установлены. Лицензия — Apache-2.0.