IV.1Ритейл, электронная коммерция и fashion-tech

CyberRealistic Classic — модель генерации изображений по тексту, разработанная Cyberdelia на архитектуре Stable Diffusion 1.5. Она предназначена для фотореалистичных портретов и сцен и рассчитана на получение результатов с короткими и простыми запросами. Модель особенно хорошо подходит для изображений людей, моды и кинематографических сцен; поставляется в формате safetensors со встроенным VAE. В README рекомендуются разрешение 512×512 и 25–30 шагов сэмплирования; для увеличения разрешения предлагается Hires.fix. Модель работает с текстовыми запросами и выдаёт изображения. Она ориентирована на реализм, поэтому может хуже справляться с абстрактными и аниме-сюжетами; иногда освещение и кожа выглядят чрезмерно гладкими. README предупреждает, что результаты могут содержать чувствительный контент. Лицензия — CreativeML Open RAIL-M по метаданным Hugging Face; в README указано название CreativeML Open RAIL++-M.

deit3_base_patch16_384.fb_in22k_ft_in1k — модель классификации изображений семейства DeiT-III, опубликованная авторами статьи DeiT III: Revenge of the ViT. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 86,9 млн параметров и принимает изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений по категориям, а также может использоваться как визуальный backbone для извлечения эмбеддингов и построения прикладных систем компьютерного зрения. Она работает с библиотекой timm и доступна в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Качество модели зависит от соответствия входных изображений обучающим данным и классовому набору ImageNet-1k; для других предметных областей может потребоваться адаптация. Карточка не приводит измерений качества и не описывает дополнительные ограничения.

DETR-ResNet101-DC5 — модель обнаружения объектов, разработанная на основе реализации DETR от Facebook Research и подготовленная Qualcomm для устройств на базе чипсетов Qualcomm. Модель обучена на датасете COCO и предназначена для автоматического обнаружения объектов на изображениях, включая сценарии компьютерного зрения на мобильных, встраиваемых и периферийных устройствах. В основе модели используется backbone ResNet101 с конфигурацией DC5. Разрешение входного изображения составляет 480×480 пикселей, размер модели в формате float — около 232 МБ. Модель работает с визуальными входными данными; сведения о поддерживаемых языках и текстовых модальностях неприменимы. Доступны предварительно экспортированные варианты ONNX, QNN_DLC и TFLITE с вычислениями в формате float, оптимизированные для выполнения на NPU Qualcomm. Для ONNX указана совместимость с ONNX Runtime 1.27.1 и QAIRT 2.45, для QNN_DLC и TFLITE — с QAIRT 2.45. Сильными сторонами модели являются готовность к развертыванию на широком спектре устройств Qualcomm, поддержка NPU и возможность экспорта с пользовательскими весами, формами входа, целевым устройством и конфигурацией runtime. Производительность зависит от аппаратной платформы: в приведённых измерениях время инференса составляет примерно от 21,8 до 220,3 мс. К ограничениям относятся значительный размер модели, фиксированное указанное входное разрешение и зависимость скорости и потребления памяти от конкретного чипсета и формата запуска. Модель распространяется по лицензии Apache-2.0.

dla102x.in1k — модель компьютерного зрения семейства DLA (Deep Layer Aggregation), обученная авторами исходной работы на ImageNet-1k и представленная в библиотеке timm. Она предназначена для классификации изображений, а также может использоваться как визуальная backbone-сеть для извлечения карт признаков и эмбеддингов. Модель содержит 26,3 млн параметров, имеет вычислительную сложность 5,9 GMACs и рассчитана на входные изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — BSD 3-Clause.

Карточка модели droplychee/droplycheetttttttest на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

TIGER-Lab/EditReward-MiMo-VL-7B-SFT-2508 — мультимодальная модель на 7 млрд параметров, разработанная TIGER-Lab как модель оценки качества редактирования изображений по инструкциям. Она дообучена на XiaomiMiMo/MiMo-VL-7B-SFT-2508 с использованием EditReward-Data — набора из более чем 200 тысяч вручную размеченных пар предпочтений. Модель предназначена для сравнения результатов редактирования и оценки того, насколько они соответствуют человеческим предпочтениям и заданной инструкции. Модель основана на архитектуре Qwen2.5-VL, работает с изображениями и текстом и поддерживает контекст длиной до 128 000 токенов. В README сообщается о высокой корреляции с человеческими оценками на нескольких бенчмарках, включая GenAI-Bench, AURORA-Bench, ImagenHub и EditReward-Bench. Она подходит для выбора лучшего результата из нескольких вариантов редактирования; README не описывает её как генератор изображений. Распространяется по лицензии Apache-2.0.

EfficientNet-B7 — свёрточная модель компьютерного зрения, разработанная Mingxing Tan и Quoc V. Le и обученная классифицировать изображения на 1000 классов ImageNet-1k. Модель использует предложенный авторами способ масштабирования, который согласованно увеличивает глубину, ширину и разрешение сети; при обучении применялось разрешение 600 × 600 пикселей. Модель предназначена для классификации изображений, в том числе для распознавания объектов на фотографиях. Она принимает изображение и выдаёт оценки классов ImageNet-1k. Архитектура EfficientNet рассчитана на эффективную работу, в том числе на мобильных устройствах. Лицензия — Apache-2.0. Для задач и классов за пределами ImageNet-1k может потребоваться подходящая дообученная версия.

efficientnetv2_rw_m.agc_in1k — модель компьютерного зрения семейства EfficientNetV2, опубликованная командой timm. Она обучена на ImageNet-1k и предназначена для классификации изображений; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Вариант архитектуры и рецепт обучения специфичны для timm. Модель содержит около 53,2 млн параметров. Размер изображения при обучении составлял 320 × 320 пикселей, при оценке — 416 × 416. Для обучения использовались рецепт ResNet Strikes Back C, оптимизатор SGD с Nesterov и адаптивное ограничение градиента AGC, а также косинусное расписание скорости обучения с разогревом. Для загрузки доступны веса PyTorch и Safetensors; библиотека модели — timm. Модель подходит для классификации изображений в сценариях, близких к классам ImageNet-1k, а также для получения признаков и эмбеддингов в качестве компонента компьютерного зрения. README не описывает показатели точности или расширение классов за пределы ImageNet-1k. Лицензия — Apache-2.0.

EpicRealism — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi/epicrealism и доступная через API ModelsLab. Карточка предлагает создавать фотореалистичные изображения, в том числе портреты, с помощью текстового запроса и необязательного негативного запроса. Пример API поддерживает выбор размера изображения, числа шагов генерации, guidance scale, seed, а также параметры улучшения запроса, апскейлинга и подключения LoRA и embeddings. Метаданные указывают на использование Diffusers и PyTorch и лицензию CreativeML OpenRAIL-M. Язык запросов и размер модели в доступных сведениях не определены.

IDEA-CCNL представила Erlangshen-MegatronBert-1.3B-Sentiment — китайскую модель MegatronBERT для классификации тональности текста. Это версия, дообученная на восьми наборах данных для анализа тональности из разных китайских областей, всего на 227 347 примерах. В карточке приведены результаты на нескольких тестах: 98,1 для ASAP-SENT, 97,8 для ASAP-ASPECT и 97 для ChnSentiCorp. Модель содержит 1,7 млрд параметров, принимает текст с контекстом до 512 токенов и выдаёт метки классификации. Она рассчитана на китайский язык и подходит для определения тональности текстов и аспектного анализа мнений. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

FastViT-T12 — модель классификации изображений и извлечения визуальных признаков из семейства FastViT, опубликованная авторами статьи FastViT и обученная на ImageNet-1k. В карточке Hugging Face она представлена в формате PyTorch и Safetensors и предназначена для использования с библиотекой timm. Модель содержит 7,6 млн параметров, требует около 1,4 GMACs на изображение и рассчитана на размер входа 256 × 256 пикселей. Помимо классификации, её можно использовать как backbone для извлечения карт признаков и эмбеддингов изображений. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных представлений для последующих компьютерно-зрительных задач. Указана необходимость соблюдать исходную лицензию; метаданные обозначают лицензию как other, поэтому условия следует сверять с оригинальной лицензией FastViT.

FlexiViT Small — модель классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-1k с помощью JAX, а Ross Wightman перенёс веса в PyTorch; модель распространяется в форматах PyTorch и safetensors. Репозиторий относится к библиотеке timm и использует лицензию Apache-2.0. Модель подходит для классификации изображений по классам ImageNet-1k и получения эмбеддингов изображений как визуального представления. Она содержит 22,1 млн параметров, требует изображения размером 240 × 240 пикселей и имеет вычислительную стоимость 4,9 GMACs. FlexiViT разработана для работы с разными размерами патчей, хотя сведения о настройках такой работы для этого конкретного чекпойнта не приведены.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для работы через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по промптам и может использоваться в творческих, научных и коммерческих проектах. Качество генерации и следование промпту конкурентоспособны с закрытыми моделями, но результат зависит от формулировки запроса и может не совпасть с ним. Модель не предназначена для предоставления фактической информации и может усиливать общественные предубеждения. Лицензия — Apache-2.0; README также перечисляет ограничения на незаконное и вредоносное использование.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, представленная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для запуска через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по текстовым запросам, включая творческие проекты и приложения, которым важны качество результата и следование описанию. Лицензия Apache-2.0 разрешает личное, научное и коммерческое использование. Для производных моделей также перечислены ограничения на незаконное использование, вред несовершеннолетним, создание вредоносной дезинформации и другие виды злоупотребления. Модель не предназначена для предоставления фактической информации. Результат может не соответствовать запросу, а следование промпту зависит от его формулировки; модель также может усиливать общественные предубеждения.

Карточка модели jsyooABCD/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 OsGo/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 PROROK26REG/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 vikram73/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.

FotoPhoto — модель генерации изображений по текстовому описанию, созданная Yntec как смесь Foto Assisted Diffusion и FennPhoto. Она предназначена для создания фотореалистичных фотографий, портретов, пейзажей и сцен, а также цифровых картин и фантазийных иллюстраций. Примеры в карточке показывают широкий диапазон сюжетов и стилей, включая кинематографичные кадры, арт-концепты и изображения еды. Модель использует Stable Diffusion и доступна в формате Diffusers с весами Safetensors. Она принимает текстовые запросы на английском языке и генерирует изображения. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M. Качество и соответствие результата запросу зависят от формулировки промпта; карточка не приводит сведений о размере модели или длине контекста.

Карточка модели HiDream-ai/HiDream-I1-Dev на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

Карточка модели unsloth/HiDream-I1-Dev на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

Карточка модели unsloth/HiDream-I1-Fast на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

facebook/hiera-small-224-hf — модель визуального энкодера Hiera, разработанная Meta и представленная в исследовании Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles. Это компактный иерархический Vision Transformer примерно с 33 млн параметров, дообученный на ImageNet-1K и предназначенный прежде всего для извлечения признаков из изображений. Модель принимает изображение и формирует его векторное представление для последующего использования в компьютерном зрении. Hiera использует иерархическую архитектуру, постепенно уменьшающую пространственное разрешение и меняющую число признаков по слоям. Авторы описывают её как более простую и эффективную альтернативу ряду специализированных визуальных трансформеров; семейство также применяется для классификации изображений и распознавания видео, но данный чекпойнт позиционируется именно как экстрактор признаков. Для работы в Transformers указан формат safetensors. Карточка не сообщает длину контекста, что для этой модели не является типичной характеристикой. Чекпойнт подходит для построения визуальных эмбеддингов и как компонент последующих задач компьютерного зрения. Карточка не приводит подробных ограничений качества или оценки на конкретных сценариях. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Krea-2-Realism-LoRA — адаптер LoRA от gokaygokay для моделей Krea 2, обученный с помощью FAL Krea LoRA Trainer на krea/Krea-2-Raw и предназначенный для запуска на krea/Krea-2-Turbo. Модель специализируется на генерации реалистичных изображений из текста, усиливая естественную, непринуждённую и правдоподобную фотосъёмку повседневных людей, мест и сцен освещения. Она подходит для создания портретов, сюжетных сцен, предметных и lifestyle-изображений по обычным описательным предложениям без обязательных стилевых ключевых слов вроде photorealistic, 8k или DSLR. Указанный язык — английский, модальность — текст-в-изображение; дополнительные сведения о размере, архитектуре базовой модели и максимальном контексте не приведены. Триггерное слово не требуется, а длинные описательные промпты обычно рекомендуются. Для Krea-2-Turbo указаны настройки: 8 шагов генерации, guidance scale 0.0 и масштаб LoRA около 1.0; значение 0.7–0.8 даёт более мягкий эффект. Адаптер хорошо работает при разрешении от 1024 до 1536 пикселей по короткой стороне, примеры созданы в размере 1280×1600. Ограничение модели заключается в зависимости от совместимого пайплайна Krea 2 и базовых моделей Krea; сведения о специализированных оценках качества и поддержке других архитектур не представлены. Распространение регулируется лицензией krea-2-community-license, обозначенной как other.

Krea 2 Turbo — модель генерации изображений по текстовому описанию от Krea.ai, Inc. Это чекпойнт семейства Krea 2 версии 1.0, выпущенный в июне 2026 года. Модель построена на архитектуре Diffusion Transformer и содержит 12 млрд параметров; для запуска доступны веса safetensors и интеграция с Diffusers через Krea2Pipeline. Модель предназначена для создания изображений по запросам на естественном языке, в том числе для разработки концепций, исследования дизайна, визуального производства и интеграции в творческие приложения. Turbo — дообученный и дистиллированный чекпойнт с режимом быстрого вывода; README приводит пример генерации за 8 шагов при CFG 0 и разрешении 2048 × 2048. В карточке заявлена поддержка английского языка. Модель может не следовать запросу и создавать неточные или нежелательные изображения; она не предназначена для выдачи фактической информации. Для самостоятельного развертывания разработчикам следует проводить проверку безопасности и применять фильтры. Условия использования задаются Krea 2 Community License и Acceptable Use Policy; карточка исключает незаконное и вредоносное применение.

LeViT-128S — модель компьютерного зрения для классификации изображений и извлечения признаков. Она реализована в библиотеке timm и обучена авторами статьи LeViT на ImageNet-1k с дистилляцией. Версия fb_dist использует свёрточный режим на слоях nn.Conv2d и nn.BatchNorm2d. Модель содержит около 7,8 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,3 GMAC на изображение. Её можно применять для классификации изображений по классам ImageNet-1k и получения визуальных эмбеддингов для дальнейшей обработки. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Качество модели и список классов ограничены настройкой на ImageNet-1k; README не описывает поддержку других размеров изображений или языковых входов.

LibreSAMlarge — точная копия Segment Anything Model 1 (SAM-1) ViT-Large от Meta Platforms, размещённая организацией LibreYOLO. Веса и конфигурация перенесены без изменений из facebook/sam-vit-large; модель предназначена для сегментации изображений и генерации масок с использованием библиотеки LibreYOLO. Модель принимает изображение и выдаёт маски сегментов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Для загрузки README приводит пример с библиотекой LibreYOLO.

mudler/locate-anything.cpp-gguf — это GGUF-сборка модели NVIDIA LocateAnything-3B, подготовленная командой LocalAI для инференса через locate-anything.cpp — C++/ggml-движок без необходимости использовать Python во время выполнения. Модель предназначена для обнаружения объектов по текстовому описанию с открытым словарём и задач visual grounding, то есть для поиска экземпляров заданных категорий на изображениях и определения их ограничивающих рамок. Она может применяться локально на CPU и GPU; результаты заявлены как совпадающие с официальной реализацией PyTorch, а инференс — как более быстрый. Архитектура включает визуальную башню MoonViT, проектор и языковую модель Qwen2; общий размер базовой модели — 3B параметров. Сборка поддерживает GGUF-варианты f16, q8_0, q6_k, q5_k и q4_k размером примерно от 4,7 до 9,2 ГБ, а полноточный f32-вариант занимает около 15 ГБ. В q8_0 и q6_k ограничивающие рамки заявлены как идентичные f32, тогда как q5_k и q4_k дают небольшое субпиксельное отклонение. README не указывает поддерживаемые языки и максимальную длину контекста. Сильные стороны модели — локальный запуск, поддержка CPU и GPU, отсутствие Python при инференсе, высокая скорость и сохранение точности детекций в рекомендуемой конфигурации q8_0. Ограничения включают значительные требования к дисковому пространству и памяти, зависимость от locate-anything.cpp и компромисс между размером, скоростью и точностью рамок для низкобитных вариантов. Веса распространяются по лицензии NVIDIA, а код репозитория — по лицензии MIT.

Instruction-tuned Stable Diffusion — модель для редактирования изображений по текстовым инструкциям. Она основана на Stable Diffusion v1.5 и дообучена на чекпойнтах InstructPix2Pix; разработчик описывает подход как сочетание создания набора данных с инструкциями и обучения в стиле InstructPix2Pix. Модель принимает изображение и текстовую инструкцию и выполняет низкоуровневые операции преобразования изображения. Карточка указывает использование библиотеки Diffusers и форматов Diffusers и PyTorch. Лицензия — MIT. Модель ориентирована на следование инструкциям при редактировании, однако карточка не приводит оценок качества и конкретных ограничений результатов.

Mage-Flow-Base — базовая модель семейства Mage-Flow для генерации изображений по текстовому описанию. В README разработчиком названа Microsoft; репозиторий модели — arifqai/Mage-Flow-Base. Модель построена на архитектуре NR-MMDiT — мультимодальном диффузионном трансформере примерно на 4 млрд параметров, обученном методом rectified flow в латентном пространстве токенизатора Mage-VAE и предназначенном для работы с изображениями в исходном разрешении. Модель рассчитана на генерацию изображений по текстовым запросам: один чекпойнт поддерживает разрешения от 512 до 2048 пикселей и произвольные пропорции сторон, включая вытянутые форматы. В README также описана генерация сцен, портретов, натюрмортов и изображений с английскими и китайскими надписями. Для редактирования изображений предусмотрена отдельная модель семейства Mage-Flow-Edit, поэтому эту базовую модель следует использовать прежде всего для генерации. К сильным сторонам семейства разработчик относит компактность, качество генерации, эффективность при высоком разрешении и возможность дообучения при ограниченных вычислительных ресурсах. В карточке указаны формат Diffusers с весами safetensors и лицензия MIT. Заявленные показатели производительности относятся к отдельным Turbo-вариантам семейства; README не приводит их как характеристики Base-чекпойнта.