IV.1Ритейл, электронная коммерция и fashion-tech

ConvNeXt-V2 Huge FCMAE — модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная в репозитории timm. Она предварительно обучена методом fully convolutional masked autoencoder (FCMAE) на ImageNet-1k и дообучена для классификации на ImageNet-1k. Архитектура — свёрточная ConvNeXt-V2, размер — около 660,3 млн параметров; в карточке указаны размеры изображений 224 × 224 для обучения и 288 × 288 для оценки. Модель присваивает изображениям классы и может использоваться как основа для извлечения карт признаков и эмбеддингов. В README для варианта с размером изображения 288 указана точность top-1 88,848% и top-5 98,742% на ImageNet-1k. Модель работает с изображениями и выдаёт метки классов либо признаки для дальнейшей обработки. Для запуска доступны веса PyTorch и Safetensors, библиотека из метаданных — timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

SAM 2.1 Large Core ML — конвертированная версия модели SAM 2.1 Large, разработанной FAIR для сегментации изображений и видео по подсказкам. Репозиторий содержит формат Core ML с весами в точности float16 и предназначен для использования, в частности, в демонстрационном приложении SAM2 Studio. Модель принимает визуальные данные и помогает выделять объекты или области по заданным пользователем подсказкам. SAM 2 разработана для сегментации изображений и видео; карточка этой версии описывает её как Core ML-перенос исходной модели. Указана лицензия Apache-2.0.

CPUBone B1 bfrobust — модель компьютерного зрения для классификации изображений и извлечения признаков, разработанная авторами работы CPUBone и опубликованная в формате state-dict для timm. Архитектура сочетает варианты MBConv с групповыми свёртками, уменьшенные свёрточные ядра и механизм внимания LowFormer в двух последних стадиях. Модель содержит около 12,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения эмбеддингов и многошкальных карт признаков. Авторы ориентировали CPUBone на эффективный CPU-инференс, сочетая небольшое число операций с аппаратно-эффективным исполнением; в README приведена точность ImageNet-1k Top-1 78,928% и Top-5 94,188% при разрешении 224 пикселя. Предобработка использует bicubic resize, центрированное кадрирование с crop_pct=0.95 и среднее со стандартным отклонением ImageNet. Зависимость задержки на CPU от оборудования, среды инференса, способа экспорта и размера пакета означает, что приведённые результаты нельзя напрямую считать показателем скорости на любом устройстве. Модель распространяется по лицензии Apache 2.0.

CraftsMan-v1-5 — модель генерации 3D-мешей по изображениям, разработанная командами HKUST, LightIllusions, HKUST(GZ) и Tencent AI Lab. Она предназначена для создания высокодетализированной геометрии по входному изображению; авторы также заявляют интерактивный Geometry Refiner. Доступны чекпойнты и код для инференса и обучения, а также демо на Gradio. Репозиторий содержит веса PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Размер модели, архитектура и длина контекста в предоставленных данных не описаны.

CvT-21 — модель компьютерного зрения семейства Convolutional Vision Transformer, представленная Wu и соавторами и опубликованная в репозитории Microsoft. Она предварительно обучена на ImageNet-1k с разрешением изображений 224×224 и предназначена для классификации изображений по 1000 классам ImageNet. Модель использует архитектуру CvT, сочетающую свёрточные операции с Vision Transformer. Она подходит для распознавания объектов и сцен на изображениях, в том числе для классификации изображений из пользовательских наборов данных по классам ImageNet. Доступны веса PyTorch и TensorFlow. Модель обрабатывает изображения и выдаёт метки классов. Она обучена на ImageNet-1k, поэтому её классы и качество на других предметных областях могут не соответствовать нуждам конкретного применения. Лицензия — Apache-2.0.

DaViT Tiny — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработали авторы статьи DaViT и обучили на ImageNet-1k; модель доступна в библиотеке timm. Архитектура DaViT сочетает механизмы внимания для обработки визуальных признаков. Версия Tiny содержит около 28,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. В опубликованной оценке на ImageNet-1k она показывает точность Top-1 82,676% и Top-5 96,276%. Распространяется по лицензии Apache-2.0.

DeiT-III Small Patch16 224 — модель классификации изображений и извлечения признаков, обученная авторами статьи на ImageNet-1k. Она использует архитектуру Vision Transformer с патчами 16×16 и рассчитана на изображения размером 224×224 пикселя. Модель содержит 22,1 млн параметров и требует около 4,6 GMACs на обработку изображения. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных эмбеддингов как основы для последующих задач компьютерного зрения. Репозиторий использует библиотеку timm; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

DETR-ResNet50-DC5 — модель обнаружения объектов, разработанная на основе реализации DETR от Facebook Research и оптимизированная Qualcomm для устройств с чипами Qualcomm. Модель обучена на наборе данных COCO и предназначена для обнаружения объектов на изображениях, в том числе в мобильных и периферийных приложениях на Android и других устройствах Qualcomm. Архитектура использует ResNet50-DC5 в качестве контрольной точки; входное разрешение составляет 480×480 пикселей, размер модели в формате float — около 160 МБ. Это визуальная модель с поддержкой развертывания через ONNX, QNN_DLC и TFLITE; доступны варианты с плавающей точкой и смешанной квантизацией w8a16. Предварительно экспортированные версии рассчитаны на универсальные конфигурации, а Qualcomm AI Hub Models позволяет задавать собственные веса, размеры входа, целевое устройство и runtime. Сильная сторона модели — готовность к запуску на NPU устройств Qualcomm и наличие оптимизированных артефактов для разных runtime и чипсетов. Производительность зависит от устройства и конфигурации: для ONNX float заявленное время инференса составляет примерно от 18 до 68 мс на перечисленных платформах. Ограничения включают фиксированное входное разрешение по умолчанию, зависимость производительности и потребления памяти от аппаратной платформы и отсутствие в README сведений о точности, поддерживаемых языках и качестве работы вне распределения COCO. Модель распространяется по лицензии Apache-2.0.

EdgeTAM — разработанная Meta (facebookresearch) модель для сегментации объектов по запросу и их отслеживания в видео. Эта копия без изменений перенесена в формат Transformers автором yonigozlan, а репозиторий t3ta создан как зеркало исходного репозитория yonigozlan/EdgeTAM-hf. Модель основана на SAM 2 и рассчитана на выполнение на устройстве; README сообщает о скорости в 22 раза выше SAM 2 и 16 кадрах в секунду на iPhone 15 Pro Max без квантизации. EdgeTAM принимает изображения или кадры видео и может генерировать маски автоматически либо по точкам, ограничивающим рамкам и предыдущим маскам. Для видео она распространяет сегментацию между кадрами и поддерживает отслеживание нескольких объектов, включая потоковую обработку. Модель применима для сегментации изображений и видео, а также для отслеживания объектов в видеопотоке. Репозиторий содержит веса в формате safetensors и совместим с библиотекой Transformers. Лицензия — Apache-2.0. Указанные в README показатели производительности относятся к iPhone 15 Pro Max; иных сведений о качестве или ограничениях модели карточка не приводит.

Emu3-Chat-hf — мультимодальная авторегрессионная модель команды Emu3 из BAAI. Она построена на трансформере и обучена с нуля предсказывать следующий токен в последовательностях, где изображения и текст представлены в дискретном пространстве. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. Модель принимает текстовые запросы и изображения и отвечает связным текстом, поэтому подходит для диалога с визуальным контекстом и вопросов об изображениях. Семейство Emu3 также поддерживает генерацию изображений по тексту и продолжение видео, однако карточка именно этой версии и метаданные не подтверждают эти сценарии для Emu3-Chat-hf. В карточке заявлена поддержка английского языка; размер модели и длина контекста не приведены в доступных данных. Разработчики заявляют о сильных возможностях понимания изображений без использования CLIP или предварительно обученной языковой модели. Для запуска README указывает Transformers версии 4.48.0 или выше и приводит пример генерации на GPU с float16; это требует подходящего аппаратного обеспечения. Заявленные сравнительные результаты приведены без подробностей о методике оценки.

FBNetV3-B RA2 ImageNet-1k — сверточная модель классификации изображений и извлечения визуальных признаков, разработанная для библиотеки timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2 и использует усреднение весов EMA; модель содержит около 8,6 млн параметров и требует примерно 0,4 GMAC на изображение. Размер изображения при обучении составляет 224×224 пикселя, при проверке — 256×256. Модель подходит для классификации объектов на изображениях, извлечения карт признаков и получения визуальных эмбеддингов. Она рассчитана на изображения общего назначения, соответствующие распределению ImageNet-1k; показатели качества для других областей README не приводит. Лицензия — Apache-2.0.

F Lite 7B — диффузионная модель генерации изображений по тексту, разработанная Freepik и Fal. Модель содержит 7 млрд параметров и получена дистилляцией F Lite; по заявлению разработчиков, она обеспечивает сопоставимое с более крупной моделью качество изображений при меньших затратах времени и памяти. Модель предназначена для создания изображений по описательным запросам. Она ориентирована на безопасную для авторских прав генерацию и контент без откровенных материалов. Для лучших результатов рекомендуется использовать подробные промпты и генерировать изображения размером более одного мегапикселя. Репозиторий распространяется в формате Diffusers с весами Safetensors; лицензия — CreativeML Open RAIL-M. Ограничения включают возможные искажения объектов, слабую отрисовку текста внутри изображений и потенциальные социальные и эстетические предубеждения. Короткие запросы и низкое разрешение могут ухудшать результат.

Flow Upscaler — модель для однократного увеличения разрешения изображений в латентном пространстве Flux.2. Репозиторий MinhNH232331M содержит вариант Diffusers, основанный на слиянии TensorForger/FlowUpscaler и black-forest-labs/FLUX.2-klein-4B; разработчик исходной Flow Upscaler в README не назван. Сеть Rectified Flow с UNet и 59 млн параметров создаёт увеличенные латенты за один шаг денойзинга, а пайплайн использует VAE Flux.2, который нужно передать отдельно. Для загрузки пользовательских классов требуется trust_remote_code=True. Модель предназначена для повышения разрешения и восстановления деталей изображения, включая последовательные проходы увеличения. Пайплайн включает коррекцию цветового и тонального дрейфа; параметрами можно выбирать баланс между верностью входу и более резким результатом. Модель принимает изображение и выдаёт изображение, работает с латентным пространством Flux.2; языковая обработка не заявлена. Репозиторий распространяется по лицензии Unlicense.

FLUX.2 [dev] Turbo — дистиллированный LoRA-адаптер для базовой модели FLUX.2 [dev], разработанный fal.ai на основе модели Black Forest Labs. Адаптер предназначен для генерации изображений по текстовому описанию и редактирования изображений в существующих рабочих процессах FLUX.2, включая Diffusers и ComfyUI. Ключевая особенность модели — высококачественная генерация за 8 шагов инференса вместо типичных 50 шагов базовой модели, что, согласно README, примерно в 6 раз ускоряет работу при сохранении или улучшении качества. Адаптер является лёгким компонентом и подключается к FLUX.2 [dev] через LoRA. В документации указаны поддержка английского языка, разрешение примера 1024×1024 и совместимость с text-to-image и image editing, однако точные сведения о размере параметров, максимальном контексте и полном наборе языков не приведены. Модель подходит для быстрых итераций при создании изображений, прототипирования, продуктовых визуализаций и редактирования изображений. Ограничение состоит в том, что это не самостоятельная модель: для работы требуется базовая FLUX.2 [dev], а также рекомендуемые параметры быстрого инференса, включая 8 шагов и специальные значения sigmas. Модель распространяется по лицензии FLUX [dev] Non-Commercial License, то есть её использование ограничено некоммерческими сценариями согласно условиям лицензии базовой модели.

FLUX.2 [klein] 4B Base — модель Black Forest Labs для генерации и редактирования изображений. Это трансформер rectified flow с 4 млрд параметров, объединяющий текстовую генерацию изображений и редактирование по одному или нескольким референсам. Модель рассчитана на быстрый запуск и локальное использование; по данным карточки, ей требуется около 13 ГБ видеопамяти и она работает с библиотекой Diffusers. Это полноразмерная недистиллированная базовая модель, предназначенная для гибкой настройки, обучения LoRA, исследований и пользовательских конвейеров обработки изображений. Она сохраняет больше разнообразия выходов, чем дистиллированные варианты семейства. В карточке указана поддержка английских промптов; заявлена генерация с высокой скоростью, но фактическое соответствие запросу зависит от формулировки промпта. Модель не предназначена для выдачи фактической информации; текст внутри сгенерированных изображений может быть искажён, а результаты могут не соответствовать запросу и отражать смещения обучающих данных. Распространяется по лицензии Apache 2.0, допускающей коммерческое использование с соблюдением условий лицензии и ограничений допустимого применения, описанных в карточке модели.

FLUX.2 [klein] 4B Base — модель Black Forest Labs для генерации и редактирования изображений. Это компактный rectified flow transformer с 4 млрд параметров, который создаёт изображения по текстовым описаниям и поддерживает редактирование с несколькими референсными изображениями. В метаданных указана библиотека Diffusers и тег image-to-image; карточка также отмечает поддержку text-to-image. Модель представляет собой полновесный недистиллированный чекпойнт, рассчитанный на дообучение, обучение LoRA, исследования и пользовательские конвейеры. По данным карточки, для запуска требуется около 13 ГБ видеопамяти; модель ориентирована на локальное использование и настройку. Карточка заявляет лицензию Apache 2.0 и допускает коммерческое применение. Модель не предназначена для предоставления фактической информации. Она может не следовать запросу, а текст внутри изображений может искажаться; результат зависит от формулировки промпта. Также возможны смещения, унаследованные от обучающих данных.

playrobin/furniture-styles — классификатор изображений мебели по стилям. Модель создана с помощью HuggingPics, инструмента для обучения классификаторов изображений на пользовательских категориях. Она предназначена для определения стилевой категории по изображению мебели. Модель построена на архитектуре ViT и содержит 113,2 млн параметров. Репозиторий содержит веса PyTorch в формате Safetensors. Карточка не сообщает список классов, языки, лицензию или ограничения применения.

GPT-OSS-20B-Vision Preview — экспериментальная vision-language модель, созданная Vincent Kaufmann как proof of concept на базе GPT-OSS. Она добавляет анализ изображений к архитектуре GPT-OSS с помощью замороженного энкодера SigLIP-SO400M и метода PseudoDeepStack, объединяющего признаки нескольких уровней энкодера; визуальные токены проецируются двухслойным MLP. Модель дообучена с помощью QLoRA примерно на 2% параметров и принимает изображения размером 384×384, а также текст. По карточке, обучение достигло 22% запланированного объёма; модель распознаёт объекты и сцены и составляет описания изображений. Контекст составляет 131072 токена, основной язык карточки — английский. Модель предназначена для ответов на вопросы об изображениях и их описания в диалоге. Среди ограничений — галлюцинации, слабое распознавание мелкого текста, неточный подсчёт и пространственные оценки; поддерживаются только одиночные изображения без видео, с фиксированным разрешением 384×384. Для полной BF16-модели требуется около 40 ГБ видеопамяти. Лицензия — Apache-2.0.

HRNet-W44 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её обучили авторы работы «Deep High-Resolution Representation Learning for Visual Recognition» на ImageNet-1k; модель доступна в библиотеке timm и опубликована на Hugging Face в форматах PyTorch и Safetensors под лицензией MIT. Модель содержит 67,1 млн параметров, имеет вычислительную сложность 14,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Помимо классификации, её можно применять как основу для извлечения карт признаков и эмбеддингов изображений. Она обрабатывает изображения и выдаёт предсказанные классы либо визуальные признаки. В README не приведены сведения о точности и дополнительных ограничениях; качество зависит от сценария и способа применения.

Huihui-Step3-VL-10B-abliterated — мультимодальная чат-модель Huihui AI на архитектуре StepVLForConditionalGeneration, основанная на StepFun Step3-VL-10B с 10 млрд параметров. Модель принимает изображения и текст и предназначена для ответов на вопросы об изображениях, их описания и визуального анализа; также поддерживает генерацию текста в формате диалога. При abliteration изменена только текстовая часть модели, а обработка изображений оставлена без изменений. По заявлению автора, модель реже отказывается описывать или анализировать изображения, поскольку её защитные механизмы существенно ослаблены. Это может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель распространяется под лицензией Apache-2.0.

Карточка модели qqceqqq/Hunyuan3D-2.1 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2.1, поэтому описание составлено по ней. Hunyuan3D-2.1 — модель Tencent для создания 3D-объектов по входному изображению. Она предназначена для преобразования изображения в трёхмерный объект, например для подготовки ассетов в графике и 3D-производстве. Модель доступна в форматах PyTorch и Safetensors и связана с библиотекой hunyuan3d-2. В карточке Hugging Face указаны поддержка английского и китайского языков и лицензия other. Сведения о конкретных архитектуре, размере модели, контекстном окне и ограничениях качества не приведены.

Карточка модели yasserrajeb/Hunyuan3D-2.1 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2.1, поэтому описание составлено по ней. Hunyuan3D-2.1 — модель Tencent для создания 3D-объектов по входному изображению. Она предназначена для преобразования изображения в трёхмерный объект, например для подготовки ассетов в графике и 3D-производстве. Модель доступна в форматах PyTorch и Safetensors и связана с библиотекой hunyuan3d-2. В карточке Hugging Face указаны поддержка английского и китайского языков и лицензия other. Сведения о конкретных архитектуре, размере модели, контекстном окне и ограничениях качества не приведены.

Карточка модели GDB5115/Hunyuan3D-2.1-3dmodeltool на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2.1, поэтому описание составлено по ней. Hunyuan3D-2.1 — модель Tencent для создания 3D-объектов по входному изображению. Она предназначена для преобразования изображения в трёхмерный объект, например для подготовки ассетов в графике и 3D-производстве. Модель доступна в форматах PyTorch и Safetensors и связана с библиотекой hunyuan3d-2. В карточке Hugging Face указаны поддержка английского и китайского языков и лицензия other. Сведения о конкретных архитектуре, размере модели, контекстном окне и ограничениях качества не приведены.

Карточка модели gradients-io-tournaments/ideogram-4-fp8 на Hugging Face совпадает с карточкой ideogram-ai/ideogram-4-fp8, поэтому описание составлено по ней. 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.

mlx-community/InternVL3-2B-4bit — преобразованная в формат MLX 4-битная версия модели InternVL3-2B. Модель разработана OpenGVLab; этот репозиторий подготовлен сообществом mlx-community с помощью mlx-vlm 0.1.22. Архитектура InternVLChatModel сочетает визуальную часть InternViT и языковую модель Qwen2.5; метаданные указывают связь с OpenGVLab/InternViT-300M-448px-V2_5 и Qwen/Qwen2.5-0.5B. Модель принимает изображения и текст, поддерживает диалоговые сценарии и выдаёт текстовые ответы. Её можно применять для вопросов по изображениям и визуального анализа с текстовым ответом; авторская задача в метаданных — image-text-to-text. Это компактный вариант для устройств Apple с MLX и 4-битным представлением весов. В README нет условий лицензии; метаданные обозначают лицензию как other, поэтому конкретные права использования следует сверить с карточкой оригинальной модели. В карточке сообщества также нет сведений о размере контекста и явного перечня поддерживаемых языков; указана многоязычность.

InternVL3_5-1B-4bit — мультимодальная модель семейства InternVL, опубликованная mlx-community и преобразованная в формат MLX из OpenGVLab/InternVL3_5-1B-HF. Это 4-битная версия модели для диалоговой работы с изображениями и текстом: она принимает текстовые запросы вместе с изображениями и формирует текстовые ответы. В метаданных базовой моделью указана OpenGVLab/InternVL3_5-1B-MPO; карточка описывает преобразование формата, а метаданные — связь finetune с этой базовой моделью. Модель подходит для вопросов по изображениям, их описания и визуального диалога. Указаны мультиязычная поддержка и возможности чата и работы с изображениями. Репозиторий использует формат safetensors 4bit и библиотеку Transformers; README также указывает преобразование с помощью mlx-vlm 0.3.3. Лицензия — Apache-2.0. Поскольку опубликована только 4-битная версия, точность ответов и качество восприятия изображений могут отличаться от исходной модели; карточка рекомендует обращаться к описанию исходной модели за подробностями о возможностях и ограничениях.

Krea 2 Base в формате Diffusers — базовая модель генерации изображений, разработанная Krea и обученная с нуля. Это недистиллированный чекпойнт семейства Krea 2, предназначенный для дообучения, постобучения и обучения LoRA; адаптеры, обученные на Base, можно применять с Krea 2 Turbo. Модель использует латентную диффузию и одном потоке мультимодальный трансформер DiT на 12,9 млрд параметров. Для текстового обусловливания применяется Qwen3-VL-4B-Instruct в режиме обработки только текста, а декодирование выполняет автоэнкодер Qwen-Image. Генерация построена на flow matching; рекомендованы 52 шага и CFG 3,5, разрешение — до 1024 × 1024. Модель ориентирована на эстетическое качество и стилистический контроль; подробные запросы на естественном языке помогают задавать композицию и стиль. Это базовый, недистиллированный чекпойнт, поэтому для генерации ему нужны больше шагов и CFG с негативным запросом. Репозиторий содержит веса в формате Diffusers и safetensors. В карточке указана лицензия «other», поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

Это конверсия чекпойнта Krea 2 Turbo от Krea в формат Diffusers. Модель предназначена для быстрого создания изображений по текстовым описаниям. Это латентная диффузионная модель с однопоточным мультимодальным трансформером DiT на 12,9 млрд параметров; текстовое условие формируется кодировщиком Qwen3-VL-4B-Instruct, а для декодирования латентов используется автоэнкодер Qwen-Image. Turbo — дистиллированная версия для генерации за 8 шагов без classifier-free guidance. Рекомендуются естественно-языковые, в том числе подробные, запросы; поддерживается генерация изображений с текстом по словам, заключённым в кавычки. Указаны разрешения от 1024×1024 до 2048×2048. Модель рассчитана на английские описания согласно карточке базовой модели. Репозиторий содержит веса в форматах Diffusers и safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в исходной лицензии Krea.

LibreSAMhuge — зеркало весов Segment Anything Model 1 (SAM-1) ViT-Huge, опубликованное LibreYOLO. В репозитории без изменений размещены веса и конфигурация Meta Platforms, скопированные побайтно из facebook/sam-vit-huge; файл весов представлен в формате safetensors и используется библиотекой LibreYOLO. Модель предназначена для сегментации изображений и генерации масок объектов в сценариях, где требуется выделить области или объекты на изображении. Это плотная модель архитектуры SAM с классом SamModel и вариантом энкодера ViT-Huge. Репозиторий распространяется по лицензии Apache-2.0.

Mage-Flow-Turbo — четырёхшаговый вариант модели Mage-Flow для генерации изображений по текстовому описанию. В README разработчики представляют семейство как компактную модель масштаба 4 млрд параметров на архитектуре NR-MMDiT, обученную методом rectified flow в латентном пространстве Mage-VAE. Вариант Turbo описан как дистиллированный для генерации за четыре шага; репозиторий распространяется в формате Diffusers с весами Safetensors. Модель предназначена для быстрого преобразования текстовых запросов в изображения, в том числе на разрешениях от 512 до 2048 пикселей и с различными пропорциями сторон. README отмечает следование запросам, проработку деталей и генерацию разборчивого английского и китайского текста. Для редактирования изображений предназначен отдельный вариант Mage-Flow-Edit, а не эта модель. README приводит скорость 0,59 секунды на изображение 1024×1024 на одном A100 и пиковое потребление памяти около 18–20 ГБ. Эти показатели зависят от оборудования и условий запуска. Лицензия модели — MIT.