IV.1Ритейл, электронная коммерция и fashion-tech

Chat-UniVi — мультимодальная модель для понимания изображений и видео, описанная авторами в работе «Unified Visual Representation Empowers Large Language Models with Image and Video Understanding». Она использует архитектуру ChatUniViLlamaForCausalLM с 6,6 млрд параметров и принимает текст вместе с визуальными данными. Для представления изображений и видео модель применяет динамические визуальные токены, которые передают пространственные детали изображений и временные связи в видео. Модель обучена совместно на смешанном наборе изображений и видео, поэтому подходит для задач с обоими типами входных данных. Chat-UniVi предназначена для вопросов и ответов и других текстовых задач на основе визуального содержания. Контекст составляет 4096 токенов; формат весов — PyTorch. Лицензия указана как llama2. Карточка сообщает о высокой результативности в экспериментах, но не приводит численных оценок, поддерживаемых языков или подробностей ограничений.

timm/coat_mini.in1k — модель классификации изображений семейства CoaT (Co-Scale Conv-Attentional Transformer), обученная авторами статьи на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone и извлечения признаков. Модель содержит 10,3 млн параметров, выполняет 6,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k и получения эмбеддингов изображений для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. В карточке не описаны ограничения качества или дополнительные обучающие данные за пределами ImageNet-1k.

ConvNeXt-V2 Femto FCMAE — компактная сверточная модель представления изображений из библиотеки timm. Она предварительно обучена на ImageNet-1k методом FCMAE, который восстанавливает маскированные области изображения. У модели около 4,8 млн параметров, вычислительная сложность — 0,8 GMAC, стандартный размер входного изображения — 224 × 224 пикселя. Модель предназначена для извлечения признаков и эмбеддингов изображений либо для дообучения под задачи классификации. Предварительно обученной классификационной головы нет, поэтому для классификации потребуется добавить и обучить голову; модель также не является готовым универсальным классификатором. Репозиторий распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

DaViT Base — модель классификации изображений и визуальный backbone на архитектуре Dual Attention Vision Transformer, обученная авторами статьи на ImageNet-1k и опубликованная в библиотеке timm. Вариант содержит около 88 млн параметров и рассчитан на изображения размером 224 × 224 пикселя. Модель присваивает изображениям классы ImageNet-1k; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В карточке указана точность Top-1 84,634% и Top-5 97,014% на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги в зависимости от способа использования. Она обучена на ImageNet-1k, поэтому её качество и набор классов ориентированы на эту задачу и могут не подходить для изображений из иных областей без дополнительной адаптации. Лицензия — Apache-2.0.

ChenShawn/DeepEyes-7B — мультимодальная модель для диалога и визуального рассуждения, дообученная авторами DeepEyes на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель принимает изображения и текст и формирует текстовые ответы; в процессе обучения с подкреплением она научилась включать визуальную информацию в цепочку рассуждений и использовать инструменты визуального поиска, например увеличение фрагментов изображения для проверки ответа. Модель предназначена для анализа изображений, визуального заземления объектов, решения математических задач по изображению и снижения галлюцинаций в визуальных ответах. Архитектура — плотная Qwen2.5-VL для генерации текста по текстовым и визуальным входам; размер составляет 7,1 млрд параметров, контекст — до 128 000 токенов. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors под лицензией Apache-2.0. README описывает обучение и заявляет улучшение результатов на задачах с изображениями высокого разрешения, однако не приводит численных оценок качества. Для запуска визуального поиска может требоваться интеграция с соответствующими инструментами; модель сама по себе не выдаёт изображения и её показатели на конкретных прикладных данных следует проверять отдельно.

Это конверсия модели DeiT3 Large от сообщества zeromodels, основанная на timm/deit3_large_patch16_384.fb_in1k. Модель относится к семейству Vision Transformer и предназначена для классификации изображений; её также можно использовать как визуальный backbone для извлечения признаков. Вариант использует патчи размером 16 пикселей и входное разрешение 384 пикселя. Чекпойнт преобразован в формат Keras 3 и запускается с бэкендами TensorFlow, PyTorch или JAX. Классификационная модель выдаёт логиты классов, а режим DeiTModel может возвращать признаки. Лицензия — Apache 2.0. Количество параметров и поддерживаемые естественные языки в предоставленных данных не указаны.

facebook/dinov2-large-imagenet1k-1-layer — модель Vision Transformer большой конфигурации, основанная на методе DINOv2 от команды Meta. Она обучена на изображениях без учителя и предназначена для классификации изображений по 1000 меткам ImageNet-1k. В архитектуре ViT изображение разбивается на фиксированные патчи, которые обрабатывает трансформерный энкодер; модель содержит около 402,7 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель также может служить энкодером для извлечения визуальных признаков и последующего обучения классификатора на размеченных данных. Карточка предупреждает, что в репозитории нет дообученных голов классификации; для прикладных задач может понадобиться отдельная голова или дообученная версия. Лицензия — Apache-2.0.

Это конвертированная в LiteRT модель DINOv2 ViT-S/14, разработанная сообществом LiteRT на основе весов facebookresearch/dinov2. Она извлекает плотные признаки из изображений: для входа RGB размером 448×448 выдаёт 1024 вектора патчей размерности 384, без CLS-токена. Архитектура — визуальный трансформер ViT-S/14 с 12 блоками и 6 головами внимания; веса сохранены в формате TFLite fp16, размер файла — около 45 МБ. Модель предназначена для извлечения признаков на устройстве, в том числе на Android через LiteRT GPU delegate. Плотные токены можно использовать для визуализации семантически похожих областей, поиска изображений или как признаки для последующей обработки. В README приведены результаты работы на Pixel 8a и других устройствах, но скорость зависит от выбранного ускорителя и варианта файла. Вход должен быть представлен как NCHW и нормализован по ImageNet; размер фиксирован, позиционные эмбеддинги рассчитаны на сетку 448×448. Лицензия — Apache-2.0.

dla102x2.in1k — модель классификации изображений на архитектуре DLA (Deep Layer Aggregation), обученная авторами исходной работы на ImageNet-1k. Её также можно использовать как backbone для извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 41,3 млн параметров, имеет вычислительную сложность 9,3 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий использует библиотеку timm и предоставляет веса в форматах PyTorch и Safetensors. Модель предназначена для классификации изображений и извлечения визуальных признаков; сведения о поддержке текстовых или иных модальностей отсутствуют. Лицензия — BSD-3-Clause. Качество и область применения определяются обучением на ImageNet-1k; для специализированных категорий может потребоваться адаптация или дообучение.

dm_nfnet_f3.dm_in1k — модель семейства NFNet для классификации изображений, опубликованная авторами работ о сетях без нормализации и обученная на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура представляет собой сеть, похожую на ResNet с предварительной активацией, но без слоёв нормализации: вместо Batch Normalization применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит около 254,9 млн параметров; размер изображения при обучении — 320×320, при тестировании — 416×416. Репозиторий использует библиотеку timm и содержит веса PyTorch и safetensors. Модель предназначена для распознавания классов ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Карточка не сообщает о поддержке текстовых или иных языковых входов. Лицензия — Apache-2.0.

EfficientFormer L1 — компактная модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Модель разработана для семейства EfficientFormer; веса предварительно обучены с дистилляцией на ImageNet-1k. Репозиторий предоставляет веса в форматах PyTorch и safetensors для библиотеки timm. Модель содержит 12,3 млн параметров, требует около 1,3 GMACs вычислений и рассчитана на изображения размером 224 × 224 пикселя. Она подходит для распознавания объектов и получения признаковых представлений изображений при ограниченных вычислительных ресурсах. Указана лицензия Apache-2.0.

EfficientNet-B1 — сверточная модель классификации изображений из библиотеки timm, представленная разработчиками timm и размещённая на Hugging Face. Версия efficientnet_b1_pruned.in1k получена структурным прореживанием весов методом knapsack pruning с внутренней дистилляцией и обучена для классификации объектов ImageNet-1k. Модель принимает изображения размером 240 × 240 пикселей и предсказывает один из классов ImageNet-1k. Её также можно использовать как сверточную основу для извлечения карт признаков и эмбеддингов изображений. В карточке указаны 6,3 млн параметров и вычислительная сложность около 0,4 GMAC. Модель подходит для компактной классификации изображений и извлечения визуальных признаков. Карточка не описывает многоязыковые возможности, поскольку модель работает с изображениями и выдаёт классовые предсказания. Распространяется по лицензии Apache-2.0.

EfficientViT-M5 — модель классификации изображений и извлечения признаков из семейства EfficientViT, разработанного MSRA. Авторы статьи обучили её на ImageNet-1k; модель также может выступать визуальным backbone и формировать карты признаков и эмбеддинги изображений. Модель содержит 12,5 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную сложность 0,5 GMAC. Она предназначена для классификации изображений и использования в компьютерном зрении, где нужны компактные признаки или эмбеддинги. Для работы с моделью используется библиотека timm, веса доступны в форматах PyTorch и safetensors. Лицензия — MIT. Модель обучена на ImageNet-1k; сведения о специальных ограничениях или оценках качества в карточке не приведены.

FasterNet L — модель компьютерного зрения для классификации изображений и извлечения признаковых представлений. Она разработана авторами статьи «Run, Don't Walk: Chasing Higher FLOPS for Faster Neural Networks» и обучена на ImageNet-1k. Модель доступна через библиотеку timm; в репозитории представлены веса PyTorch и Safetensors, лицензия — Apache-2.0. Модель содержит около 93,5 млн параметров, имеет 15,5 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Помимо предсказания класса изображения, её можно использовать как backbone для извлечения карт признаков и эмбеддингов изображений. Карточка не приводит сведения о дополнительных языковых возможностях.

FlexiViT Base 600ep IN1K — модель классификации изображений и визуальный backbone, обученный авторами статьи на ImageNet-1k с использованием JAX и перенесённый в PyTorch Россом Уайтманом. Модель относится к семейству Vision Transformer и содержит 86,6 млн параметров; указанный размер входного изображения — 240 × 240 пикселей. Модель предназначена для классификации изображений по классам ImageNet-1k и может использоваться как визуальная основа для извлечения признаков и эмбеддингов изображений. FlexiViT обучается с поддержкой разных размеров патчей, что позволяет применять одну модель при различных настройках разбиения изображения на патчи. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

magespace/FLUX.1-schnell-bnb-nf4 — квантованная версия FLUX.1 [schnell], разработанной Black Forest Labs и опубликованной пользователем Mage.Space. Это модель генерации изображений по текстовому описанию, совместимая с Diffusers и FluxPipeline. В репозитории указаны формат Safetensors, NF4-квантование через bitsandbytes и 4-битные веса трансформера; размер модели в метаданных Hugging Face составляет около 6 млрд параметров. Архитектура включает FluxTransformer2DModel с 24 головами внимания, 19 слоями attention и 38 однотактными слоями.

Карточка модели thornmaze/FLUX2-klein-9B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-9B, поэтому описание составлено по ней. FLUX.2 [klein] 9B — модель генерации и редактирования изображений от Black Forest Labs. Это трансформер rectified flow с 9 млрд параметров и текстовым энкодером Qwen3 на 8 млрд параметров; модель дистиллирована до четырёх шагов инференса для быстрой генерации. Она принимает текстовые описания и изображения-референсы, объединяя генерацию по тексту, редактирование одного изображения и работу с несколькими референсами в одной архитектуре. Модель предназначена для быстрого создания изображений, творческого поиска вариантов и интеграции генерации и редактирования в приложения с низкой задержкой. В карточке заявлены высокая скорость и следование промпту, однако фактический результат зависит от формулировки запроса. Модель не предназначена для получения фактической информации, может неверно отображать текст внутри изображения и не всегда точно выполняет запрос. Для локального запуска требуется около 29 ГБ видеопамяти. Лицензия указана как other; README описывает использование как некоммерческое и перечисляет ограничения допустимого применения.

FLUX.2 [klein] 4B Base — генеративная модель Black Forest Labs для создания и редактирования изображений. Она предназначена для генерации изображений по текстовым описаниям, а также для редактирования с использованием нескольких референсных изображений. Модель поддерживает сценарии text-to-image и image-to-image и поставляется в данном репозитории в формате FP8. Модель построена на архитектуре rectified flow transformer и содержит около 4 миллиардов параметров. Она работает с текстовыми и визуальными входными данными; заявленный язык — английский. Размер контекста и другие параметры контекстного окна в карточке не указаны. Версия FP8 требует около 13 ГБ видеопамяти и доступна на видеокартах NVIDIA уровня RTX 3090/4070 и выше. Сильными сторонами модели являются поддержка генерации изображений и многореференсного редактирования при сравнительно умеренных аппаратных требованиях. Ограничения включают возможные ошибки следования запросу, зависимость результата от стиля формулировки промпта и искажения при генерации текста внутри изображений. Модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать смещения из обучающих данных. Модель распространяется по лицензии Apache 2.0. Запрещено использовать её и производные модели для незаконных, вредоносных, мошеннических, дискриминационных или связанных с эксплуатацией несовершеннолетних сценариев, создания несогласованных интимных изображений, причинения вреда через персональные данные и полностью автоматизированного принятия решений в областях высокого риска.

FLUX.2 [klein] 9B Base — генеративная модель Black Forest Labs для создания и редактирования изображений. Она преобразует текстовые описания в изображения и поддерживает редактирование с несколькими референсными изображениями, поэтому предназначена для text-to-image и image-to-image сценариев, включая создание визуального контента и интерактивное редактирование. Модель построена на архитектуре rectified flow transformer и содержит около 9 миллиардов параметров. Данная версия представляет собой FP8-квантованный вариант весов; основная версия доступна в формате BF16. В карточке указаны поддержка английского языка и интеграция с библиотекой Diffusers. Для работы требуется около 29 ГБ VRAM; заявлена доступность на NVIDIA RTX 4090 и более производительных видеокартах. Ограничения включают возможное несоответствие результата запросу, зависимость качества следования промпту от стиля формулировки, искажения или ошибки в отображаемом тексте, а также возможное воспроизведение предвзятостей из обучающих данных. Модель не предназначена для предоставления фактической информации и не должна использоваться для незаконных, вредоносных, обманных или высокорисковых сценариев, включая полностью автоматизированные решения, затрагивающие юридические права. Модель распространяется по лицензии FLUX Non-Commercial License, допускающей некоммерческое использование; применение фильтров или ручной проверки входных и выходных данных является обязательным согласно условиям лицензии.

HardCoReNAS — модель компьютерного зрения для классификации изображений и извлечения признаков. Её обучили авторы работы HardCoRe-NAS на ImageNet-1k с использованием их «зелёного» рецепта обучения. Репозиторий предоставляет веса в форматах PyTorch и safetensors и предназначен для использования с библиотекой timm. Модель содержит около 5,5 млн параметров, выполняет примерно 0,3 GMAC на изображение и рассчитана на вход размером 224 × 224 пикселя. Её можно применять для классификации изображений ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Лицензия репозитория — Apache-2.0.

HGNet-V2 B6 — сверточная модель классификации изображений и извлечения визуальных признаков из семейства High Performance GPU Net. Модель обучена авторами на данных ImageNet-22k с дистилляцией SSLD, затем дообучена на ImageNet-1k. Она содержит около 75,3 млн параметров; указаны вычислительная сложность 16,9 GMAC и размеры изображений 224 × 224 для обучения и 288 × 288 для тестирования. Модель предназначена для отнесения изображений к классам ImageNet, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке приведена точность Top-1 86,36% и Top-5 97,934% при размере изображения 288 пикселей. Поддерживается библиотекой timm; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Языковых входов или текстовых выходов модель не использует.

HiDream-I1-Full — полноразмерная версия открытой модели генерации изображений HiDream-I1, разработанная HiDream.ai. Это генеративная модель с разреженным диффузионным трансформером и 17 млрд параметров; она работает в библиотеке Diffusers и создаёт изображения по текстовым запросам. Модель рассчитана на генерацию в разных стилях, включая фотореализм, мультфильм и художественные изображения, с акцентом на качество и точное следование запросу. Модель подходит для создания иллюстраций, концепт-арта, изображений для творческих проектов и коммерческих материалов. В README заявлены высокие результаты на бенчмарках качества и соответствия запросам. Для запуска требуется Flash Attention; авторы рекомендуют CUDA 12.4. Модель распространяется по лицензии MIT, а README допускает личное, научное и коммерческое использование созданных изображений.

HiDream-I1-Full — модель генерации изображений по текстовому описанию, разработанная HiDream.ai и перепубликованная Unsloth с неизменёнными весами. Это полноразмерная версия семейства HiDream-I1 с 17 млрд параметров; модель использует архитектуру Sparse Diffusion Transformer и запускается через библиотеку Diffusers. Модель предназначена для создания изображений по текстовым запросам в фотореалистичном, мультяшном и художественном стилях. В карточке заявлены высокое качество генерации и точное следование запросам; приведены результаты сравнений на HPS v2.1, GenEval и DPG-Bench. Указан английский язык. Для работы требуются Flash Attention и рекомендуется CUDA 12.4. Репозиторий распространяется по лицензии MIT; README указывает, что условия upstream-лицензии сохранены.

hrnet_w18.ms_aug_in1k — модель классификации изображений на архитектуре HRNet, обученная авторами работы «Deep High-Resolution Representation Learning for Visual Recognition» на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,3 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 4,3 GMACs. Она доступна через библиотеку timm; веса представлены в форматах PyTorch и Safetensors. Модель предназначена для распознавания объектов из классов ImageNet-1k и построения визуальных признаков для последующих задач компьютерного зрения. Лицензия — MIT.

HRNet-W40 — модель классификации изображений и извлечения визуальных признаков, созданная авторами работы «Deep High-Resolution Representation Learning for Visual Recognition» и обученная на ImageNet-1k. Она содержит около 57,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; модель доступна в форматах PyTorch и safetensors и поддерживается библиотекой timm. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Архитектура HRNet поддерживает высокое пространственное разрешение представлений на разных этапах обработки, что полезно как для классификации, так и для использования в качестве визуального backbone в других системах компьютерного зрения. Лицензия — MIT. Модель обучена на ImageNet-1k, поэтому её классы и характеристики отражают этот набор данных; для иных предметных областей может потребоваться адаптация. В карточке не приведены сведения о мультиязычных функциях или обработке текста, аудио и видео.

Hunyuan3D-1.0 — модель Tencent для генерации 3D-объектов по изображению или текстовому запросу. Она использует двухэтапную схему: сначала диффузионная модель создаёт изображения объекта с нескольких ракурсов, затем сеть реконструкции восстанавливает по ним 3D-структуру. Доступны lite- и standard-версии, а также модель реконструкции sparse-view; стандартная версия примерно втрое больше lite-версии по числу параметров. Модель предназначена для быстрого создания 3D-ассетов и поддержки рабочих процессов художников. По README, генерация меша из одного изображения занимает около 10 секунд для lite-версии и 25 секунд для standard на NVIDIA A100. Для текстовой генерации поддерживаются английский и китайский языки. В метаданных указан формат safetensors и библиотека hunyuan3d-2. Лицензия обозначена как other; конкретные условия следует сверить с лицензией репозитория.

Карточка модели CShah2218/Hunyuan3D-2 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2, поэтому описание составлено по ней. Hunyuan3D 2.0 — система генерации 3D-объектов, разработанная Tencent. Репозиторий содержит модели из проекта, описанного в статье Hunyuan3D 2.0: Scaling Diffusion Models for High Resolution Textured 3D Assets Generation. Основной сценарий — создание 3D-геометрии по изображению с последующим синтезом текстур; отдельная модель текстурирования также предназначена для работы с готовыми мешами. Система использует двухэтапный конвейер: Hunyuan3D-DiT строит форму объекта на основе flow-based diffusion transformer, а Hunyuan3D-Paint синтезирует карты текстур с опорой на геометрию. Заявлены генерация высокодетализированных текстурированных объектов и соответствие исходному изображению. Метаданные указывают поддержку английского и китайского языков, но не уточняют их роль в основном image-to-3d сценарии. Для запуска доступны веса в форматах PyTorch и safetensors; README также описывает API, совместимый по стилю с Diffusers, и интерфейс Gradio. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии репозитория. Количество параметров и длина контекста для этой модели не применимы к описанному визуально-3D конвейеру.

Карточка модели Odinx7/Hunyuan3D-2 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2, поэтому описание составлено по ней. Hunyuan3D 2.0 — система генерации 3D-объектов, разработанная Tencent. Репозиторий содержит модели из проекта, описанного в статье Hunyuan3D 2.0: Scaling Diffusion Models for High Resolution Textured 3D Assets Generation. Основной сценарий — создание 3D-геометрии по изображению с последующим синтезом текстур; отдельная модель текстурирования также предназначена для работы с готовыми мешами. Система использует двухэтапный конвейер: Hunyuan3D-DiT строит форму объекта на основе flow-based diffusion transformer, а Hunyuan3D-Paint синтезирует карты текстур с опорой на геометрию. Заявлены генерация высокодетализированных текстурированных объектов и соответствие исходному изображению. Метаданные указывают поддержку английского и китайского языков, но не уточняют их роль в основном image-to-3d сценарии. Для запуска доступны веса в форматах PyTorch и safetensors; README также описывает API, совместимый по стилю с Diffusers, и интерфейс Gradio. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии репозитория. Количество параметров и длина контекста для этой модели не применимы к описанному визуально-3D конвейеру.

Карточка модели phan-kim-tu/Hunyuan3D-2 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2, поэтому описание составлено по ней. Hunyuan3D 2.0 — система генерации 3D-объектов, разработанная Tencent. Репозиторий содержит модели из проекта, описанного в статье Hunyuan3D 2.0: Scaling Diffusion Models for High Resolution Textured 3D Assets Generation. Основной сценарий — создание 3D-геометрии по изображению с последующим синтезом текстур; отдельная модель текстурирования также предназначена для работы с готовыми мешами. Система использует двухэтапный конвейер: Hunyuan3D-DiT строит форму объекта на основе flow-based diffusion transformer, а Hunyuan3D-Paint синтезирует карты текстур с опорой на геометрию. Заявлены генерация высокодетализированных текстурированных объектов и соответствие исходному изображению. Метаданные указывают поддержку английского и китайского языков, но не уточняют их роль в основном image-to-3d сценарии. Для запуска доступны веса в форматах PyTorch и safetensors; README также описывает API, совместимый по стилю с Diffusers, и интерфейс Gradio. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии репозитория. Количество параметров и длина контекста для этой модели не применимы к описанному визуально-3D конвейеру.

Ideogram 4 (nf4) — открытая по весам модель генерации изображений по тексту, разработанная Ideogram AI и обученная с нуля. Версия использует квантизацию NF4 и содержит 9,3 млрд параметров; она предназначена для запуска через Diffusers на CUDA-совместимом оборудовании. Модель подходит для создания иллюстраций, фотографий и дизайнерских материалов по текстовым запросам. Структурированный JSON-интерфейс позволяет задавать расположение элементов через ограничивающие рамки и управлять цветовой палитрой. Среди заявленных сильных сторон — точная отрисовка текста на нескольких языках, понимание запросов и генерация изображений с разрешением до 2K. Веса доступны через gated-репозиторий Hugging Face после принятия условий лицензии Ideogram 4 Non-Commercial; коммерческое использование этой лицензией не разрешено. Для простых текстовых запросов в приведённом CLI предусмотрено расширение промпта через размещённый сервис Ideogram, однако можно использовать и собственный LLM-провайдер.