IV.1Ритейл, электронная коммерция и fashion-tech

zeromodels/efficientformer_l7_snap_dist_in1k — конверсия модели EfficientFormer L7, разработанной авторами EfficientFormer и представленной в timm, в формат Keras 3. Модель предназначена для классификации изображений и может использоваться как четырёхэтапный визуальный backbone для извлечения признаков. EfficientFormer перестраивает архитектуру vision transformer для высокой скорости на мобильных устройствах; реализация Keras работает с TensorFlow, Torch и JAX. Классификатор выдаёт логиты классов, а режим backbone — визуальные признаки, в том числе многоуровневые этапы. Модель предварительно обучена на ImageNet-1k. Репозиторий распространяется по лицензии Apache-2.0.

esevovnet39b.ra_in1k — модель классификации изображений и извлечения признаков семейства VoVNet-v2, обученная Ross Wightman в библиотеке timm на ImageNet-1k с рецептом RandAugment. Она предназначена для распознавания объектов на изображениях, получения карт признаков и построения эмбеддингов изображений. Модель содержит 24,6 млн параметров; указанная вычислительная сложность составляет 7,1 GMACs. Размер изображений при обучении — 224×224, при тестировании — 288×288. Модель опубликована в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0. Она подходит как готовый классификатор ImageNet-1k и как визуальный backbone для последующих задач компьютерного зрения. Карточка не приводит результатов оценки за пределами ImageNet-1k.

FastViT MA36 Apple Distilled — модель классификации изображений семейства FastViT, представленная в библиотеке timm. Авторы FastViT обучили её на ImageNet-1k с дистилляцией; в карточке также указана возможность использовать модель как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 44,1 млн параметров, требует изображение размером 256 × 256 пикселей и имеет вычислительную сложность 7,8 GMACs. Её можно применять для классификации изображений и получения признаковых представлений для дальнейших задач компьютерного зрения. В репозитории доступны веса PyTorch в формате safetensors. Лицензия указана как other; README просит соблюдать исходную лицензию FastViT.

FastViT MA36 — модель классификации изображений и извлечения визуальных признаков из семейства FastViT, разработанная авторами статьи FastViT. Чекпойнт обучен на ImageNet-1k и предназначен для отнесения изображений к классам, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 44,1 млн параметров, имеет 7,8 GMACs и рассчитана на изображения размером 256 × 256 пикселей. FastViT сочетает элементы свёрточных сетей и Vision Transformer и использует структурную репараметризацию. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия указана как other; README просит соблюдать исходную лицензию, поэтому перед использованием следует проверить её условия.

rockerBOO/flux.1-dev-SRPO — версия FLUX.1 Dev, дообученная Tencent методом Semantic Relative Preference Optimization (SRPO) на датасете HPD с HPSv2. Модель предназначена для создания изображений по текстовым запросам, с акцентом на реалистичность и эстетическое качество. SRPO использует текстовые сигналы предпочтений, которые можно корректировать с помощью позитивных и негативных дополнений к промпту. В основе лежит диффузионная архитектура FLUX.1 Dev. В репозитории доступны веса safetensors; лицензия указана как other. Карточка не приводит отдельные сведения о поддерживаемых языках или длине контекста.

OlafCC/flux1-schnell.safetensors — репозиторий с весами модели FLUX.1 [schnell], разработанной Black Forest Labs и размещённой пользователем OlafCC на Hugging Face. Это модель text-to-image для генерации изображений по текстовым описаниям. Модель представляет собой rectified flow transformer размером 12 млрд параметров с гибридной архитектурой мультимодальных и параллельных diffusion-transformer блоков. Благодаря latent adversarial diffusion distillation она рассчитана на быстрое создание изображений обычно за 1–4 шага; файл весов имеет размер около 23,8 ГБ и используется через Diffusers или совместимые локальные инструменты. Поддерживаемая модальность — текстовый запрос на входе и изображение на выходе. Оригинальная модель FLUX.1 [schnell] выпущена под лицензией Apache 2.0, допускающей личное, научное и коммерческое использование с соблюдением условий лицензии. Модель не предназначена для предоставления фактической информации, может не точно следовать запросу и усиливать общественные предубеждения; качество результата зависит от формулировки промпта.

Карточка модели jinnailli/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

Карточка модели Kuau/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

Карточка модели sanrenti/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

FLUX.2 [klein] 4B — компактная модель генерации и редактирования изображений, разработанная Black Forest Labs и опубликованная здесь Unsloth как зеркало с неизменёнными весами. Это трансформер rectified flow с 4 млрд параметров, объединяющий генерацию по текстовому описанию и редактирование изображений, в том числе по нескольким референсам, в одной архитектуре. Модель предназначена для интерактивных сценариев, локальной разработки, развёртывания на периферийных устройствах и производственных систем, где важны скорость и задержка. В README заявлены генерация менее чем за секунду и работа примерно на 13 ГБ видеопамяти; доступны Diffusers и ComfyUI. Метаданные указывают английский язык. Лицензия — Apache 2.0, допускающая коммерческое использование. Модель не предназначена для предоставления фактической информации. Следование запросу зависит от формулировки, результат может не соответствовать описанию, а текст внутри изображения может искажаться. Как и другие статистические модели, она может воспроизводить или усиливать смещения из обучающих данных; README также перечисляет ограничения на отдельные виды использования.

FLUX.2 [klein] 4B NVFP4 — модель генерации и редактирования изображений от Black Forest Labs. Это 4-миллиардная rectified flow transformer, сжатая до формата NVFP4; репозиторий содержит эту версию весов, а полновесная модель выпущена отдельно. Модель создаёт изображения по текстовому описанию и поддерживает редактирование с несколькими референсными изображениями. Модель предназначена для генерации изображений по промптам и преобразования изображений с учётом текстовых инструкций и нескольких визуальных образцов. Карточка указывает английский язык; текст, встроенный в изображения, может отображаться неточно. Для запуска требуется около 13 ГБ видеопамяти, например на NVIDIA RTX 3090 или RTX 4070 и выше. Модель может не следовать запросу, а результат зависит от формулировки промпта. Она не предназначена для получения фактической информации и может отражать предвзятости обучающих данных. Лицензия — Apache 2.0; карточка также описывает ограничения на отдельные виды использования.

Карточка модели imranevankhan/FLUX.2-klein-4b-nvfp4 на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4b-nvfp4, поэтому описание составлено по ней. FLUX.2 [klein] 4B NVFP4 — модель генерации и редактирования изображений от Black Forest Labs. Это 4-миллиардная rectified flow transformer, сжатая до формата NVFP4; репозиторий содержит эту версию весов, а полновесная модель выпущена отдельно. Модель создаёт изображения по текстовому описанию и поддерживает редактирование с несколькими референсными изображениями. Модель предназначена для генерации изображений по промптам и преобразования изображений с учётом текстовых инструкций и нескольких визуальных образцов. Карточка указывает английский язык; текст, встроенный в изображения, может отображаться неточно. Для запуска требуется около 13 ГБ видеопамяти, например на NVIDIA RTX 3090 или RTX 4070 и выше. Модель может не следовать запросу, а результат зависит от формулировки промпта. Она не предназначена для получения фактической информации и может отражать предвзятости обучающих данных. Лицензия — Apache 2.0; карточка также описывает ограничения на отдельные виды использования.

FLUX.2 [klein] 9B — модель генерации и редактирования изображений от Black Forest Labs, переопубликованная Unsloth без изменений исходных весов. Это 9-миллиардная rectified flow transformer-модель с текстовым энкодером Qwen3 на 8 млрд параметров; дистилляция позволяет выполнять генерацию за четыре шага. Модель принимает текстовые описания и изображения-референсы, поддерживая генерацию изображений по тексту, редактирование одного изображения и работу с несколькими референсами. Она рассчитана на быстрые интерактивные сценарии, творческий перебор идей и интеграцию в приложения; доступна через Diffusers и ComfyUI. Карточка заявляет высокое качество при низкой задержке, однако фактическое соответствие промптам зависит от формулировки, а текст внутри изображений может искажаться. Модель не предназначена для получения фактических ответов и может воспроизводить смещения обучающих данных. Для работы требуется около 29 ГБ видеопамяти. Лицензия upstream — для некоммерческого использования; README указывает, что её условия сохранены в репозитории.

FLUX.2 [klein] 4B Base — модель Black Forest Labs для генерации и редактирования изображений. Это трансформер rectified flow с 4 млрд параметров: он создаёт изображения по текстовым описаниям и поддерживает редактирование по нескольким референсным изображениям. Модель работает через Diffusers и рассчитана на запуск на потребительском оборудовании; в README указано требование около 13 ГБ видеопамяти. Это полновесная недистиллированная базовая модель, предназначенная для дообучения, обучения LoRA, исследований и создания пользовательских конвейеров. По сравнению с дистиллированными версиями она даёт больше гибкости и разнообразия результатов, но ориентирована на контроль и настройку, а не на максимальную скорость. Модель не предназначена для предоставления фактической информации; следование промпту зависит от его формулировки, а текст внутри изображения может искажаться. Лицензия Apache 2.0 допускает коммерческое использование при соблюдении её условий.

FLUX.2 [klein] 9B Base NVFP4 — разработанная Black Forest Labs модель генерации и редактирования изображений. Это 9-миллиардная rectified flow transformer; данный репозиторий содержит её квантизированную версию NVFP4. Модель принимает текстовые описания и изображения-образцы, включая несколько референсов для редактирования, и выдаёт изображения. Карточка указывает английский язык; модель рассчитана на запуск примерно с 29 ГБ видеопамяти, включая NVIDIA RTX 4090 и более мощные устройства. Модель подходит для генерации изображений по описанию и преобразования изображений с опорой на текстовые инструкции и референсы. Следование запросу зависит от стиля формулировки, а сгенерированный текст на изображениях может быть искажён. Модель не предназначена для получения фактической информации и может не соответствовать запросу или воспроизводить смещения из обучающих данных. Для NVFP4-весов указан формат safetensors; модель распространяется по некоммерческой лицензии FLUX для 9B-моделей, а не по Apache 2.0.

Guccimam/gemma-4-e2b-v1 — дообученная модель семейства Gemma 4, разработанная Guccimam на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель для диалогов, принимающая текст и изображения и формирующая текстовые ответы; карточка указывает задачу image-text-to-text и поддержку зрения. Модель подходит для вопросов по изображениям и диалоговых сценариев с визуальным контекстом. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит сведений о размере модели, длине контекста или конкретном наборе обучающих данных.

HEQ-M1.2 — дообученная Hothaifa мультимодальная модель на архитектуре Gemma 4, основанная на unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Она предназначена для диалоговых сценариев с изображениями и текстом, включая ответы на вопросы по изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает изображения и текст и генерирует текст; в метаданных также указана поддержка интерфейса вызова инструментов. Язык карточки — английский. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Данных о размере параметров и длине контекста в предоставленных сведениях нет.

HoVLE-HD — монолитная визуально-языковая модель, представленная OpenGVLab, с 2,6 млрд параметров. Она построена на базе internlm2-chat-1_8b и объединяет модуль целостных эмбеддингов с языковой моделью: модуль кодирует изображения и текст в общем пространстве представлений, после чего языковая модель обрабатывает их совместно. Репозиторий использует архитектуру InternVLChat и формат safetensors; для запуска предусмотрена библиотека Transformers. Модель принимает изображения и текст и генерирует текстовые ответы. Версия HD рассчитана на работу с изображениями высокого разрешения и показывает сильные результаты, в частности, в визуальных вопросно-ответных задачах. Её можно применять для ответов на вопросы об изображениях и других сценариев диалога с визуальным контекстом. README описывает обучение в два этапа: дистилляция визуальных и текстовых представлений, затем авторегрессионное выравнивание модальностей. В карточке указана поддержка многоязычного режима, но конкретные языки и длина контекста не приведены. Модель может генерировать предвзятые, дискриминационные или иные вредоносные ответы. Лицензия — MIT.

Human-LLaVA — мультимодальная модель семейства LLaVA, разработанная командой OpenFace-CQUPT для понимания изображений, связанных с людьми. Модель дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и принимает изображения вместе с текстовыми вопросами, выдавая текстовые ответы и описания. Модель предназначена для визуальных вопросов и ответов о людях, включая анализ лиц, тела и изображения целиком. В README заявлены специализированное обучение на данных HumanCaption и высокие результаты на связанных с людьми задачах; это утверждения авторов, без приведённых в карточке подробных численных результатов. Репозиторий использует Transformers и формат safetensors. Лицензия указана как Llama 3.

Ideogram 4 FP8 — вариант открытых весов модели генерации изображений по тексту, разработанный Ideogram. Это модель, обученная с нуля, а не дообучение существующего чекпойнта. Она использует flow matching и одно-поточную архитектуру Diffusion Transformer с 34 слоями; в текстовом энкодере применяется Qwen3-VL-8B-Instruct, признаки которого извлекаются из 13 промежуточных слоёв. Модель предназначена для создания изображений по текстовым описаниям, особенно для графического дизайна и задач, где важны надписи внутри изображения. Структурированные JSON-подсказки позволяют задавать композицию, стиль, освещение, палитру и расположение элементов через координаты ограничивающих рамок. Поддерживаются разрешения от 256 до 2048 пикселей, кратные 16, и соотношения сторон до 6:1. Заявлена поддержка многоязычного рендеринга текста. Вариант fp8 содержит 9,3 млрд параметров и использует квантизацию FP8; модель поставляется в форматах Diffusers и safetensors. В README для этого варианта указана лицензия Ideogram 4 Non-Commercial, а метаданные Hugging Face обозначают лицензию как other. README сообщает, что Diffusers не поддерживает этот вариант напрямую. Для фильтрации запросов и результатов в описанном процессе используется Hive.

Ideogram 4 NF4 — открытая модель генерации изображений по тексту от Ideogram AI, обученная с нуля, а не полученная дообучением другой модели. Это вариант с 9,3 млрд параметров и квантизацией NF4, рассчитанный на запуск через Diffusers на CUDA; веса доступны после принятия условий доступа на Hugging Face. Модель предназначена для генерации изображений по текстовым запросам, особенно для графического дизайна, макетов и изображений с надписями. Она поддерживает структурированные JSON-запросы, управление расположением элементов через ограничивающие рамки и настройку цветовой палитры; заявлены многоязычный рендеринг текста и генерация изображений с разрешением до 2K. В README приводятся результаты сравнений на задачах дизайна и рендеринга текста, однако это оценки разработчика и сторонних бенчмарков, а не гарантия качества для каждого запроса. Для запуска нужны совместимое CUDA-оборудование, код инференса Ideogram 4 и аутентификация для загрузки gated-весов. Лицензия Ideogram 4 Non-Commercial ограничивает коммерческое использование; для полного набора условий следует принять лицензию на странице модели.

Карточка модели Evolutech85/IMAGIX на Hugging Face совпадает с карточкой Viggle/Qwen-Image-2.1-viggle-turbo, поэтому описание составлено по ней. Qwen-Image-2.1-viggle-turbo — LoRA-адаптер, обученный Viggle на основе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсных изображений. Версия v0.2.1 использует адаптер ранга 256 в формате bf16 и рассчитана на 6 проходов трансформера без classifier-free guidance; также доступен вариант ранга 128. По заявлению разработчика, генерация примерно в пять раз быстрее базовой модели с 40 шагами, при этом качество на большинстве проверенных примеров сопоставимо. Адаптер рассчитан на работу поверх базового трансформера Qwen-Image-2.1 через Diffusers; в репозитории также приведены workflows для ComfyUI. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. Ограничения заметнее при рендеринге мелкого плотного текста и сложном редактировании, включая композицию по нескольким референсам, замену лиц, сохранение идентичности и инструкции с множеством ограничений; в этих случаях базовая модель может справляться лучше. Для ComfyUI автор предупреждает о возможных шероховатостях интеграции.

Juggernaut X Hyper — модель KandooAI и RunDiffusion для генерации изображений по текстовым запросам. Она основана на Stable Diffusion XL Base 1.0 и представляет собой скоростной вариант Juggernaut X v10, дистиллированный с использованием Hyper-SD для генерации за несколько шагов. Модель предназначена для пакетной генерации, быстрой проверки вариантов промпта и демонстраций в реальном времени, где важна низкая задержка. Модель рассчитана на фотореалистичный стиль, понимает запросы на естественном языке и в виде тегов, а также умеет отображать короткие надписи и классифицировать тип кадра, например портрет или план в полный рост. В README рекомендуются 4–8 шагов генерации, sampler DPM++ SDE или TCD и CFG 1.0–2.0. По сравнению со стандартной Juggernaut X v10 она ориентирована на скорость и меньшее потребление видеопамяти, но может уступать ей в максимальной детализации. Модель распространяется в форматах Diffusers и Safetensors под лицензией CreativeML OpenRAIL-M. README указывает, что для размещения за платным API требуется отдельное разрешение; личное и творческое использование разрешено на условиях лицензии.

Карточка модели karlsencoin/Juggernaut-XL-v9 на Hugging Face совпадает с карточкой RunDiffusion/Juggernaut-XL-v9, поэтому описание составлено по ней. Juggernaut XL v9 — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на основе Stable Diffusion XL Base 1.0. Это дообученный чекпойнт SDXL с интеграцией RunDiffusion Photo v2, ориентированный на фотореалистичные изображения. Репозиторий содержит веса в формате Diffusers и отдельный файл safetensors. Модель предназначена для создания фотографических изображений по текстовым запросам: портретов, архитектуры, автомобилей, дикой природы, еды, интерьеров и пейзажей. Карточка рекомендует разрешение 832 × 1216 или 1216 × 832, сэмплер DPM++ 2M Karras и 30–40 шагов; заявлена работа на видеокарте с 8 ГБ VRAM. Модель совместима с инструментарием SDXL, включая ControlNet, IP-Adapter и LoRA, и может использоваться через Diffusers и популярные интерфейсы генерации изображений. Карточка описывает улучшения детализации кожи и микротекстур, контроля освещения и контраста, а также стабильности результатов в разных фотографических сюжетах. Модель принимает текстовые запросы и генерирует изображения; в метаданных указан английский язык. Использование для личных и творческих задач разрешено по лицензии CreativeML Open RAIL-M. Размещение за платными API требует отдельного разрешения на коммерческое лицензирование.

frankjoshua/juggernautXL_version6Rundiffusion — модель генерации изображений по текстовому описанию из семейства Juggernaut XL, опубликованная пользователем frankjoshua на Hugging Face. Репозиторий содержит веса Safetensors для StableDiffusionXLPipeline и предназначен для запуска, например, через Diffusers. Модель принимает текстовый запрос и генерирует изображение. Карточка Hugging Face указывает размер 3 млрд параметров; подробной карточки с описанием обучения, рекомендуемыми сценариями, языками и лицензией у репозитория нет. Это производная версия семейства Juggernaut XL, связанного с RunDiffusion; базовую модель по доступным данным надёжно установить нельзя. Лицензионные условия в доступных сведениях не подтверждены.

Kolors-IP-Adapter-Plus — веса IP-Adapter-Plus и код вывода для генерации изображений на основе базовой модели Kolors. Модель использует OpenAI CLIP-336 как кодировщик изображения, чтобы лучше сохранять детали референса; авторы также сообщают об обучении на более разнообразных парных данных. Модель предназначена для генерации изображения по текстовому запросу с опорой на референсное изображение: она помогает сохранить его визуальные особенности и согласовать результат с текстом. В оценке авторов система показала наивысшую общую удовлетворённость среди сравнивавшихся вариантов; оценивание проводилось экспертами на наборе из более чем 200 референсов и запросов. Для работы требуются базовая модель Kolors и библиотека Diffusers; веса распространяются по лицензии Apache-2.0. В описании приведены результаты оценки, но нет количественных сведений о размере модели или длине контекста. Качество сохранения референса и следования тексту зависит от входного изображения и запроса; результаты сравнения получены при конкретных условиях, включая использование китайских запросов для Kolors-IP-Adapter-Plus.

Krea-2-Turbo — текстово-графическая диффузионная модель Krea.ai, Inc., опубликованная Unsloth как зеркало с неизменёнными весами, доступное без ограничения Hub. Это контрольная точка Krea 2 Turbo версии 1.0: дообученный и дистиллированный вариант базовой Krea 2 Raw с архитектурой Diffusion Transformer и 12 млрд параметров. Модель создаёт изображения по описаниям на естественном языке и предназначена для генерации визуальных концепций, исследования дизайна, производства изображений и интеграции в приложения и творческие инструменты. В примере запуска для быстрого режима указаны 8 шагов, CFG 0 и размер изображения 2048 × 2048 пикселей. Метаданные указывают английский язык карточки; README не подтверждает качество работы на других языках. Модель не предназначена для получения фактических сведений. Она может не следовать запросу и выдавать нежелательные результаты; качество зависит от стиля, точности и формулировки промпта. Для использования действуют условия Krea 2 Community License и Acceptable Use Policy: разработчики должны применять фильтрацию контента или эквивалентную проверку.

LeViT Conv 128 — модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная авторами библиотеки timm. Она основана на архитектуре LeViT и обучена на ImageNet-1k с дистилляцией от авторов оригинальной работы. Модель содержит около 9,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,4 GMAC на изображение. Репозиторий содержит веса PyTorch и safetensors. Модель подходит для присвоения изображению метки из набора классов ImageNet-1k, получения эмбеддингов изображений и извлечения карт признаков. Лицензия — Apache-2.0. Карточка не описывает поддержку иных наборов классов или языков; качество классификации вне ImageNet-1k зависит от данных и сценария применения.

Liberte Redmond — модель генерации изображений из текста для библиотеки Diffusers. В карточке показаны примеры фотореалистичных изображений, аниме, иллюстраций и художественных сцен; модель позиционируется как универсальная для создания изображений по текстовым запросам. Модель предназначена для генерации портретов, персонажей, пейзажей, предметов и сюжетных сцен в разных визуальных стилях. В README приведены примеры запросов с подробными описаниями объектов, композиции, освещения и художественного оформления. Репозиторий использует форматы Diffusers и safetensors и относится к семейству Stable Diffusion. Лицензия — CreativeML OpenRAIL-M; её условия регулируют допустимое использование и распространение модели.

LibreOVDEIMm — обнаружитель объектов с открытым словарём из линейки LibreYOLO, основанный на OV-DEIM-M. Он находит объекты на изображении по текстовым описаниям классов, включая произвольные названия и фразы вроде «человек», «красный рюкзак» или «погрузчик», которые передаются при запуске. Модель включает детектор примерно на 20 млн параметров с бэкбоном ViT-tinyplus, дистиллированным из DEIMv2, и текстовый энкодер MobileCLIP-B(LT) для кодирования запросов. Артефакт создан на основе весов OV-DEIM от wleilei и текстового энкодера apple/MobileCLIP-B-LT-OpenCLIP. По README, параметры обучения детектора не менялись: выполнены преобразование ключей и упаковка компонентов. Исходный детектор обучен на Objects365v1 и GoldG; для исходной реализации сообщается скорость 109 кадров/с на T4 с TensorRT при размере входа 640, а порт LibreYOLO воспроизводит результат 45,9 AP на COCO val2017 для версии L. Эти показатели относятся к указанным конфигурациям и не гарантируют такую же скорость или качество в других условиях. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.