IV.1Ритейл, электронная коммерция и fashion-tech

MUG-V 10B — модель генерации видео по изображению, разработанная командой Shopee Multimodal Understanding and Generation. Репозиторий MUG-V-inference содержит веса и конвейер вывода для коммерческой версии, ориентированной на электронную торговлю. Генератор построен на диффузионном трансформере MUG-DiT примерно с 10 млрд параметров и обучен с использованием flow matching. Он принимает исходное изображение и создает ролик длительностью 3–5 секунд с разрешением до 720p; поддерживаются соотношения сторон 16:9, 4:3, 1:1, 3:4 и 9:16. В архитектуре используются VideoVAE для пространственно-временного сжатия и текстовые эмбеддинги для обусловливания генерации. Модель предназначена для создания коротких товарных и рекламных роликов по референсному изображению. Для инференса README указывает NVIDIA GPU с объемом видеопамяти не менее 24 ГБ и CUDA 12.1. Указана лицензия Apache-2.0. Представленные веса относятся к версии для электронной торговли; версия для общего домена в карточке обозначена как планируемая.

PrestoAI Qwen3-Embedding-0.6B Arabic E-commerce Search — это плотная модель для поиска товаров по запросам на арабском языке, созданная дообучением Qwen/Qwen3-Embedding-0.6B. Модель кодирует поисковый запрос и карточки товаров в векторы, чтобы подходящие товары находились ближе к запросу в векторном пространстве. Обучение выполнено контрастивным методом с LoRA на данных арабской электронной коммерции; адаптер объединён с базовой моделью, поэтому отдельная загрузка PEFT не требуется. Модель рассчитана на асимметричный поиск: к запросам применяется заданная инструкционная подсказка, а описания товаров кодируются без неё. Архитектура Qwen3, размер около 507,6 млн параметров, контекст до 32 768 токенов; основное применение — семантический поиск и извлечение товаров по смыслу запроса. Карточка сообщает об улучшении метрик относительно базовой модели на одинаковом тестовом подмножестве. Это ранний чекпойнт на шаге 500 из запланированных 1500. Результаты измерены на подмножестве бенчмарка с меньшим числом отвлекающих товаров, поэтому абсолютные показатели могут быть оптимистичными; применение к другим языкам и областям не проверено. Лицензия — Apache-2.0.

Abhishek0219 разработал дообученную модель на основе Qwen/Qwen3-4B-Instruct-2507 для оценки релевантности товара поисковому запросу. Она относит пару «запрос — товар» к одному из четырёх классов: точное соответствие (E), заменитель (S), дополнение (C) или нерелевантный результат (I), и выдаёт метку одной буквой. Модель предназначена для ранжирования результатов товарного поиска и фильтрации неподходящих товаров; в карточке приведён результат micro-F1 0,642 на тестовой части ESCI из 5 000 примеров. Это плотная авторегрессионная модель семейства Qwen3 примерно на 3,7 млрд параметров с контекстом до 262 144 токенов. Она дообучена методом QLoRA на 12 000 сбалансированных пар из Amazon Shopping Queries Dataset (ESCI, KDD Cup 2022), после чего адаптер объединён с весами bf16. Указан английский язык. Для подачи запросов предназначен чатовый интерфейс; метку и её уверенность можно считывать по логарифмическим вероятностям первого токена. Модель опубликована в формате safetensors под лицензией Apache-2.0. Результат на ESCI не гарантирует аналогичное качество на других каталогах и типах запросов; карточка не приводит оценки для других языков или доменов.

Это версия модели Qwen-Image-Edit-2511, подготовленная swordKoala: к базовым весам Qwen добавлена и объединена с ними Lightning LoRA от lightx2v для генерации результата за 8 шагов. Модель построена на архитектуре MMDiT и предназначена для редактирования изображений по текстовым инструкциям, включая виртуальную примерку одежды и другие сценарии image-to-image. Модель поставляется как готовый diffusers-пайплайн QwenImageEditPlusPipeline в формате BF16. README рекомендует 8 шагов инференса и разрешение 1024 пикселя; объединённые веса упрощают запуск в системах обслуживания, которые не поддерживают отдельные LoRA. Репозиторий распространяется по лицензии Apache-2.0.

RexReranker Base — англоязычный нейронный реранкер товаров для электронной коммерции от автора thebajajra. Модель оценивает релевантность пары из поискового запроса и описания товара, выдавая вероятность от 0 до 1. Она основана на RexBERT-base и использует архитектуру ModernBERT с классификационной головой; размер — 149 млн параметров, максимальный контекст — 7 999 токенов. Модель предназначена для переклассификации результатов товарного поиска: она помогает поднимать выше товары, лучше соответствующие запросу. Работает как CrossEncoder в библиотеке Sentence Transformers; вход включает запрос, название и описание товара. Доступна в формате safetensors, лицензия — Apache-2.0. Карточка заявляет оценку релевантности, но не приводит сравнительных метрик или подробностей об ограничениях качества.

RexReranker Large — англоязычная модель-реранкер для электронной торговли, разработанная на основе RexBERT-large. Она оценивает релевантность пары «поисковый запрос — карточка товара» и возвращает вероятность от 0 до 1. Модель совместима с Sentence Transformers CrossEncoder и использует mean pooling по токенам. Модель предназначена для повторного ранжирования результатов товарного поиска на маркетплейсах и в интернет-магазинах. На вход подаются запрос и сведения о товаре, включая название и описание; базовый энкодер ModernBERT имеет контекст до 7 999 токенов. Модель содержит 394,7 млн параметров и дообучена на датасете Amazebay-Relevance. Модель распространяется по лицензии Apache-2.0. Она ориентирована на англоязычные запросы и товары; качество на других языках по имеющимся данным не подтверждено. Выходная оценка релевантности является вероятностным скалярным результатом и сама по себе не гарантирует качество ранжирования для конкретного каталога.

Карточка модели gj12138/segformer_b2_clothes на Hugging Face совпадает с карточкой mattmdjaga/segformer_b2_clothes, поэтому описание составлено по ней. SegFormer B2 от автора mattmdjaga — модель семантической сегментации изображений, дообученная на датасете ATR для распознавания элементов одежды и частей человека. Она размечает изображение по 18 классам: среди них фон, головной убор, волосы, очки, верхняя одежда, юбка, брюки, платье, обувь, лицо, конечности, сумка и шарф. Модель предназначена для выделения одежды и частей тела на изображениях людей. Её можно применять для анализа образа, виртуальных примерок и разметки изображений для последующей обработки. В README приведены метрики оценки: средняя точность 0,80 и средний IoU 0,69; качество различается между классами. Модель принимает изображения и выдаёт карту сегментации. Доступны веса в форматах PyTorch, safetensors и ONNX. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

SegFormer-B3-Fashion — модель семантической сегментации изображений, разработанная на основе nvidia/mit-b3 и дообученная автором репозитория на наборе sayeed99/fashion_segmentation. Она предназначена для выделения одежды и модных аксессуаров на изображении с присвоением пикселям классов из 47 категорий, включая типы одежды, обувь, сумки и детали вроде рукавов, воротника и молнии. Модель использует архитектуру SegFormer и распространяется в форматах PyTorch и safetensors. Модель подходит для анализа предметов одежды на фотографиях, разметки изображений для каталогов и исследования сегментации в fashion-сценариях. Обучение проводилось на исходных размерах изображений без изменения размера. Карточка указывает лицензию «other», но не приводит её конкретных условий. Оценки качества, поддерживаемые языки или ограничения по размеру входного изображения в карточке не описаны.

TimesFM 3.0 — предварительно обученная модель прогнозирования временных рядов, разработанная Google Research. Этот репозиторий содержит официальные веса и конфигурации для PyTorch. Модель построена на архитектуре Stacked Mixing Transformer с Variate Attention и CPM Iterative RevIN. В ней 20 слоёв трансформера, размерность модели 1280 и 16 голов внимания. Длина входного контекста составляет 32, длина патча горизонта прогноза — 64; модель также поддерживает прогнозирование квантилей, медиана находится по индексу 4. При обучении использовались наборы GiftEvalPretrain, Wikipedia Pageviews, Google Trends, а также синтетические и дополненные данные. Модель предназначена для прогнозирования временных рядов и может применяться к задачам оценки будущих значений последовательностей на основе их истории. Метаданные указывают тег задачи time-series-forecasting, формат весов — safetensors. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории.

Карточка модели urbanoanido/timesfm-3.0-pytorch на Hugging Face совпадает с карточкой google/timesfm-3.0-pytorch, поэтому описание составлено по ней. TimesFM 3.0 — предварительно обученная модель прогнозирования временных рядов, разработанная Google Research. Этот репозиторий содержит официальные веса и конфигурации для PyTorch. Модель построена на архитектуре Stacked Mixing Transformer с Variate Attention и CPM Iterative RevIN. В ней 20 слоёв трансформера, размерность модели 1280 и 16 голов внимания. Длина входного контекста составляет 32, длина патча горизонта прогноза — 64; модель также поддерживает прогнозирование квантилей, медиана находится по индексу 4. При обучении использовались наборы GiftEvalPretrain, Wikipedia Pageviews, Google Trends, а также синтетические и дополненные данные. Модель предназначена для прогнозирования временных рядов и может применяться к задачам оценки будущих значений последовательностей на основе их истории. Метаданные указывают тег задачи time-series-forecasting, формат весов — safetensors. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории.

UniWorld-V1 — модель семейства UniVA, разработанная командой LanguageBind для унифицированного визуального понимания, генерации и редактирования изображений. Она объединяет обработку инструкций и визуальных признаков и поддерживает сценарии преобразования изображения в изображение; в README также описаны генерация изображений по тексту и более 20 задач компьютерного зрения. Модель имеет плотную архитектуру UnivaQwen2p5VLForConditionalGeneration, содержит 7,1 млрд параметров и использует веса Safetensors. Для неё заявлено контекстное окно 128 000 токенов. Модель подходит для редактирования изображений по инструкциям, переноса стиля, восстановления изображений, извлечения объектов и виртуальной примерки, а также для преобразований с картами контуров, глубины, позы, эскизов и сегментации. Разработчики сообщают о высоком качестве на ImgEdit-Bench при обучении на 2,7 млн примеров. Для запуска описаны зависимости от отдельных компонентов FLUX и SigLIP. Карточка не указывает поддерживаемые естественные языки. Лицензия — MIT.

Это модель извлечения визуальных признаков из семейства CLIP, распространяемая проектом timm. Репозиторий содержит только веса энкодера изображений для архитектуры ViT-Large с патчами 14×14 и входным разрешением 224 пикселя; обозначение DFN2B-S39B относится к варианту весов. Модель предназначена для преобразования изображений в векторные представления, которые можно использовать для сравнения изображений и построения систем поиска по визуальному содержимому. Она принимает изображения и выдаёт признаки; текстового энкодера в этом репозитории нет, поэтому для сопоставления изображений с текстом потребуется совместимая текстовая модель CLIP. Лицензия репозитория — Apple ASCL.

keremberke/yolov8n-shoe-classification — модель классификации изображений обуви на базе YOLOv8, опубликованная пользователем keremberke и работающая с библиотекой Ultralytics. Она относит изображение к одному из трёх классов брендов: adidas, converse или nike. Модель предназначена для распознавания этих брендов на изображениях обуви. В репозитории указаны веса PyTorch и датасет keremberke/shoe-classification. Лицензия и сведения о размере модели в предоставленных данных отсутствуют.

keremberke/yolov8s-shoe-classification — модель классификации изображений обуви на основе YOLOv8s, опубликованная пользователем keremberke и предназначенная для определения бренда обуви по изображению. Она поддерживает три класса: adidas, converse и nike. Модель использует библиотеку Ultralytics и представлена в формате PyTorch. Модель подходит для автоматической сортировки фотографий обуви и распознавания этих трёх брендов в каталогах или пользовательских изображениях. Данных о размере модели, контекстной длине и лицензии в предоставленных источниках нет.

Yug — модель временных рядов с 271,8 млн параметров, разработанная Birla AI Labs для вероятностного прогнозирования с нулевым дообучением. Она принимает исторический контекст и горизонт прогноза и формирует прогнозное распределение, представленное квантилями; одна архитектура поддерживает как одномерные ряды, так и прогнозирование с использованием ковариат. Архитектура включает 12 слоёв декодера и имеет размерность модели 960. Модель предназначена для прогнозирования ранее не встречавшихся временных рядов без настройки под конкретную задачу или ряд. Её можно применять к рядам с ковариатами и получать вероятностные оценки неопределённости прогноза. В обучении использовались подмножества Chronos Datasets и GIFT-Eval Pretrain, а также синтетические данные, обозначенные разработчиком как проприетарные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

LiYuan/amazon-query-product-ranking — модель на базе DistilBERT, дообученная на данных поисковых запросов и товаров Amazon для оценки релевантности пары «запрос — описание товара». Она предназначена для классификации релевантности и переупорядочивания результатов поиска в интернет-магазинах. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт оценку класса; контекст ограничен 512 токенами. В README приведены результаты на тестовой выборке: accuracy 0,6617 и loss 0,8244. Модель без учёта регистра и ориентирована на англоязычные запросы и каталог Amazon. Лицензия — Apache-2.0.

anchovy/autogluon-chronos-t5-small — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. Она преобразует числовой временной ряд в последовательность токенов с помощью масштабирования и квантования, а затем авторегрессионно генерирует будущие значения. Несколько сэмплированных траекторий позволяют получить вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Она обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. В репозитории указаны формат safetensors, лицензия Apache-2.0 и размер 24,1 млн параметров; метаданные задают контекст 512 токенов. В README для варианта T5-small указано 46 млн параметров, что расходится с метаданными репозитория.

Это англоязычный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, дообученный для поиска документов по коротким запросам. Модель разработана в рамках исследования bag-of-documents retrieval и обучена с функцией MultipleNegativesRankingLoss примерно на 1,9 млн пар «запрос — документ», полученных из каталога Amazon ESCI. Модель кодирует текстовые запросы и документы в плотные векторы размерности 384 и предназначена для семантического поиска и сравнения сходства по косинусной близости. Архитектура включает энкодер BERT, mean pooling и нормализацию; метаданные указывают 25,9 млн параметров и контекст до 512 токенов. В README заявлен максимальный размер последовательности 256 токенов, поэтому для практического использования следует учитывать это более низкое значение. Модель подходит для поиска товаров по коротким запросам, ранжирования документов и построения retrieval-компонента. Обучающие данные относятся к товарам Amazon, поэтому качество на других тематиках может отличаться; модель не генерирует ответы и выдаёт векторы. Лицензия — Apache-2.0.

BEAT (Behavioral Encoder for Action Trajectories) — трансформерная модель для преобразования последовательностей пользовательских событий в плотные эмбеддинги размерности 768. Автор карточки представляет её как основу для анализа поведения пользователей; модель учитывает типы событий и временные интервалы между ними. Архитектура BEATModel содержит 12 слоёв и 12 голов внимания, всего 113,6 млн параметров. Модель предварительно обучена на наборе REES46 с данными об электронной коммерции: более 20 млн событий от 50 000 пользователей. В README описаны задачи прогнозирования оттока, сегментации пользователей и выбора следующего действия; эмбеддинги можно использовать как признаки или дообучать с предсказательной головой. Входом служат последовательности поведенческих событий, выходом — векторы признаков. Лицензия — Apache-2.0.

Мультиязычная модель nlptown на архитектуре BERT, дообученная на отзывах о товарах для анализа тональности. Она относит отзыв к одной из пяти оценок — от одной до пяти звёзд — и предназначена для классификации отзывов на английском, нидерландском, немецком, французском, итальянском и испанском языках. Модель содержит 194,6 млн параметров, принимает текст длиной до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax. Модель подходит для автоматической оценки отзывов в каталогах товаров, мониторинга клиентской обратной связи и дальнейшего дообучения для близких задач анализа тональности. В README приведены результаты проверки на отложенных отзывах: точное совпадение числа звёзд составляет 57–67% для трёх указанных языков, а прогноз с расхождением не более одной звезды — 93–95%. Лицензия — MIT. Карточка рекомендует посетить сайт NLP Town за обновлённой версией с заявленным снижением ошибки на 40%.

htdht/bge_m3_finetuned — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная автором репозитория htdht. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024 для семантического поиска и извлечения документов по запросу. Архитектура включает XLM-RoBERTa, CLS-пулинг и нормализацию; сходство векторов можно оценивать косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель обучалась на парах запрос–положительный документ с MultipleNegativesRankingLoss и рассчитана на текстовый поиск. Примеры обучающих данных и запросов в карточке преимущественно на вьетнамском языке, в том числе для поиска товарных описаний; результаты приведены для retrieval-оценки. Лицензия в предоставленных данных не указана.

BAAI/BGE-VL-v1.5-zs — мультимодальная модель эмбеддингов для поиска по изображениям и тексту, разработанная командой BAAI в рамках семейства BGE-VL. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf и использует архитектуру LLaVA-NeXT с плотным представлением; для работы применяются Sentence Transformers и веса Safetensors. Модель принимает текст, изображения или их сочетание и формирует эмбеддинги для мультимодального поиска и сравнения сходства. В README указано, что изображения для этой модели следует приводить к размеру 512×512; инструкции в запросе можно использовать для представления входа как поискового запроса, а без них — как кандидата. Модель предназначена для поиска изображений по текстовому описанию, поиска по сочетанию изображения и текстового уточнения, а также для универсального мультимодального извлечения и сопоставления. В README семейство BGE-VL показывает сильные результаты в zero-shot-поиске с составными запросами по изображениям и на бенчмарке MMEB. Указанная лицензия — MIT. Карточка описывает результаты семейства и не приводит отдельные оценки именно этой версии; для корректной работы с изображениями требуется учитывать рекомендованный размер 512×512.

Chronos-Bolt Tiny — предварительно обученная модель прогнозирования временных рядов из семейства Chronos-Bolt, опубликованная AutoGluon. Она предназначена для прогнозов без дополнительного обучения на конкретном наборе данных. Модель построена на архитектуре T5 encoder-decoder: исторический ряд разбивается на патчи, а декодер напрямую формирует вероятностные прогнозы по нескольким будущим шагам и квантилям. В README указан размер 9 млн параметров, а в метаданных Hugging Face — 3,7 млн; эти сведения расходятся. Контекст составляет до 512 наблюдений. Модель рассчитана на быстрый прогноз временных рядов, в том числе с ковариатами, и поддерживает запуск на CPU и GPU. README сообщает о сравнительно высокой скорости и эффективности по памяти относительно исходных Chronos того же размера, а также о результатах zero-shot оценки на 27 наборах данных. Подходит для прикладного прогнозирования, но точность зависит от данных и горизонта прогноза; конкретные ограничения применения не описаны. Лицензия — Apache-2.0.

Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. В README описан подход Chronos: числовой ряд масштабируется и квантуется в последовательность токенов, которую языковая модель обрабатывает авторегрессионно. Модель обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. Модель предназначена для прогнозирования будущих значений по историческим наблюдениям и построения вероятностных прогнозов путём выборки нескольких возможных траекторий. Размер этой версии — 102,2 млн параметров; контекст составляет до 512 токенов. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Временные ряды кодируются как токены для архитектуры T5, поэтому результат относится к числовому прогнозированию, а не к обычной генерации текста. README сообщает, что Chronos-Bolt быстрее и точнее моделей исходного семейства Chronos сопоставимого размера; конкретные ограничения точности и поддерживаемые частоты зависят от данных и сценария применения.

Модель Mateo Rúa для классификации тональности отзывов о покупках в интернет-магазинах на испанском языке. Это дообученная многоязычная DistilBERT-модель для классификации последовательностей; она относит отзыв к одному из трёх классов: отрицательному, нейтральному или положительному. Контекст ограничен 512 токенами, доступны веса в форматах Safetensors и ONNX. Модель предназначена для выявления недовольных покупателей, мониторинга отзывов о товарах и продавцах, построения сводок клиентского опыта и приоритизации обращений для модерации и поддержки. Обучение проведено на 30 тысячах испаноязычных отзывов Amazon с оценками, преобразованными в три класса тональности. На тестовой выборке указаны F1 macro 0,697 и accuracy 0,730. Сильнее всего модель различает положительные и отрицательные отзывы; нейтральный класс распознаётся хуже из-за неоднозначности отзывов и дисбаланса классов. Возможны ошибки на сарказме и иронии, а качество может снижаться для других областей, например ресторанов, услуг и соцсетей. Модель рассчитана только на испанский язык; лицензия — Apache-2.0.

Многоязычная модель для анализа тональности по аспектам (ABSA), разработанная автором репозитория yangheng на основе microsoft/deberta-v3-base и обученная с использованием PyABSA. Она классифицирует тональность текста применительно к заданному аспекту; в связке с PyABSA также может использоваться для извлечения аспектов и классификации их тональности за один проход. Модель построена на архитектуре DeBERTa-v3-base с backbone FAST-LCF-BERT и механизмом Local Context Focus, который помогает учитывать слова и фразы, относящиеся к конкретному аспекту. Это текстовый классификатор с 211,6 млн параметров и контекстом до 512 токенов. В карточке заявлена поддержка английского, арабского, китайского, нидерландского, французского, русского, испанского и турецкого языков. Модель подходит для анализа отзывов, обращений в поддержку, публикаций в социальных сетях и рыночных мнений с разбивкой по аспектам. Компактный encoder позволяет выполнять вывод без LLM и с меньшими вычислительными затратами; заявления карточки о превосходстве качества не подкреплены приведёнными здесь численными результатами. Распространяется по лицензии MIT.

EVA02 Tiny — компактная модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами в семействе timm. Она основана на Vision Transformer с усреднением признаков и обрабатывает изображения размером 336 × 336 пикселей; число параметров — около 5,8 млн. Модель предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, затем дообучена авторами статьи на ImageNet-1k. Модель подходит для распознавания объектов и категорий на изображениях, а также для получения эмбеддингов как визуальных признаков в прикладных системах. Веса репозитория timm представлены в формате PyTorch и safetensors и сохранены в float32. Лицензия — MIT.

EXAONE Forecast for Demand (Synthetic) — модель прогнозирования временных рядов спроса, разработанная LG AI Research. Это выпускаемая в репозитории синтетическая версия модели: общая основа временных рядов предварительно обучена на KernelSynth и остаётся замороженной, а адаптер дообучен только на синтетических данных о спросе. Модель содержит 348 млн параметров: 312 млн в основе и 36 млн в адаптере и маршрутизаторе. Адаптер использует пять низкоранговых ветвей: общую и по одной для гладкого, прерывистого, нестабильного и разреженно-кластерного спроса. Маршрутизатор выбирает их сочетание по восьми характеристикам входного ряда. Модель предназначена для прогнозирования спроса без дополнительного обучения на целевых данных; в отчёте она оценивалась на 22 отложенных наборах и превзошла 36 сравнивавшихся TSFM по указанным метрикам. Для работы требуются PyTorch 2.0 или новее и Python 3.9 или новее; для малых задач подходит CPU, рекомендуется CUDA. Репозиторий содержит веса, а код инференса опубликован отдельно. Лицензия весов указана как other; README сообщает, что синтетическое обучение не наследует лицензии наборов реального спроса, но конкретные условия использования следует сверять с файлом License. Проверка заявленных результатов ограничена описанной оценкой на 22 наборах данных.

FLUX.2-klein-ghost-mannequin — это LoRA-адаптер для модели black-forest-labs/FLUX.2-klein-base-9B, опубликованный пользователем nhathoangfoto. Модель предназначена для text-to-image генерации изображений одежды в стиле ghost mannequin: визуализации изделий с эффектом невидимого манекена, когда одежда выглядит объёмной и парящей, но сам манекен не виден. Основные сценарии применения связаны с коммерческой предметной съёмкой, каталогами одежды, fashion e-commerce и автоматизацией подготовки товарных изображений. Адаптер обучен на 50 парах изображений одежды в течение 6000 шагов и имеет Rank 256, что, согласно описанию, ориентировано на сохранение деталей ткани, цветов и контуров изделий. Для активации рекомендуется использовать триггерное слово 3Dghostmannequin. Поддерживается интеграция через Diffusers и ComfyUI. Для стандартной базовой модели рекомендуются 20–30 шагов генерации, CFG 2.0–4.0 и сила LoRA 0.8–1.0; для distilled или lightning-моделей указаны 4 шага, CFG 1.0 и сила LoRA 0.85–1.0. Сильная сторона модели — специализация на студийной визуализации одежды и создании эффекта трёхмерного невидимого манекена. Ограничение заключается в узкой предметной области: модель оптимизирована прежде всего для apparel и зависит от совместимой базовой FLUX-модели. Данные о поддерживаемых языках, максимальном контексте, количественных бенчмарках и устойчивости на других категориях изображений не указаны. Лицензия — Apache 2.0.

LFM2.5-VL-1.6B-Extract — компактная модель Liquid AI для извлечения заданных пользователем полей из изображений. Пользователь перечисляет нужные поля и их описания в системном запросе в формате YAML, а модель возвращает объект JSON; для полей можно задавать допустимые варианты ответа. Модель предназначена для структурированного анализа изображений в производственных сценариях, например для выявления событий безопасности и автоматической разметки товаров. Архитектура — плотная LFM2-VL для генерации текста по изображению; в README указаны визуальный энкодер SigLIP2 примерно на 400 млн параметров и гибридный свёрточно-внимательный бэкбон. Метаданные связывают модель с дообучением LiquidAI/LFM2.5-VL-1.6B. Модель принимает изображение и текстовую схему, выдаёт текст в виде JSON; указанный язык карточки — английский. README сообщает о высокой точности на внутреннем тесте формата «одно изображение, схема полей, плоский JSON», однако эти результаты не следует переносить на задачи рассуждения по нескольким изображениям или свободные ответы на вопросы. Для запуска требуется Transformers версии 5.1 или новее. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в карточке репозитория.