IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели ariefvoltax/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели kaienpjy/TRELLIS-image-large на Hugging Face совпадает с карточкой microsoft/TRELLIS-image-large, поэтому описание составлено по ней. TRELLIS Image Large — модель генерации 3D-объектов по изображению, основанная на проекте TRELLIS. Она принимает изображение как условие и предназначена для создания трёхмерного представления объекта. Модель представлена в исследовательской работе «Structured 3D Latents for Scalable and Versatile 3D Generation». В метаданных указаны библиотека TRELLIS, формат весов Safetensors и лицензия MIT. Карточка описывает вариант TRELLIS с большим размером, но не приводит число параметров, детали архитектуры, сведения о поддерживаемых языках или ограничения качества.

Trillion-LLaVA-7B — мультимодальная модель TrillionLabs для понимания изображений и ответов на вопросы о них. Это дообученная на визуально-языковых инструкциях версия Trillion-7B-preview с архитектурой LlavaLlamaForCausalLM и 7 млрд параметров; файлы модели представлены в формате safetensors. Модель принимает изображение и текстовый запрос, выдаёт текстовый ответ. Контекст составляет 4096 токенов. Модель предназначена для визуальных вопросов и рассуждений по изображениям. В README описано обучение на англоязычных визуально-языковых парах и приведены результаты на английском и корейском тестах; авторы отмечают перенос корейских навыков визуального рассуждения благодаря многоязычной языковой основе Trillion-7B-preview. Модель распространяется по лицензии Apache-2.0. Ограничение модели — визуальные инструкции для обучения были только на английском языке, поэтому качество на других языках может быть ниже. Она также наследует ограничения базовой Trillion-7B-preview.

Uni-MoE 2.0-Image — модель генерации изображений по текстовому описанию из семейства Uni-MoE 2.0, разработанного командой HIT-TMG. Это версия Uni-MoE 2.0-Omni, дообученная на данных визуальной генерации. В метаданных указаны архитектура GrinQwen2VLForConditionalGeneration, 7,1 млрд параметров и контекст до 128 000 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для создания изображений по текстовым запросам. Семейство Uni-MoE 2.0 описано как мультимодальное и ориентированное на понимание, рассуждение и генерацию; для этой версии карточка заявляет специализированное дообучение на визуальной генерации. Метаданные указывают английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

VGG11 — свёрточная модель классификации изображений из семейства VGG, опубликованная в репозитории timm. Веса модели взяты из оригинальной реализации torchvision и обучены на ImageNet-1k. Модель содержит около 132,9 млн параметров, требует изображения размером 224 × 224 пикселя и выполняет классификацию по категориям ImageNet-1k. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Она подходит для распознавания объектов общего назначения и построения визуальных признаков в компьютерном зрении. В репозитории доступны веса PyTorch и safetensors; лицензия — BSD 3-Clause.

Perceiver IO for vision — модель классификации изображений на архитектуре Perceiver, разработанной исследователями DeepMind и представленной в работе Jaegle и соавторов. Модель предварительно обучена на ImageNet: 14 млн изображений и 1000 классов. Она обрабатывает исходные пиксели изображения и использует фиксированные двумерные позиционные Fourier embeddings; для классификации выдаёт оценки по классам. Архитектура выполняет self-attention над компактным набором латентных векторов, а входные данные связывает с ним через cross-attention. Это позволяет не привязывать стоимость self-attention к размеру входа. В описанном сценарии изображения обрезаются по центру, масштабируются до 224×224 и нормализуются по RGB-каналам. На ImageNet-1k модель достигла точности top-1 79,0%. Её можно использовать для классификации и извлечения признаков для последующих задач с размеченными изображениями. Модель распространяется по лицензии Apache-2.0. Результаты и назначение указаны для классификации изображений; для другого набора классов потребуется адаптация классификационного декодера и обучение на целевых данных.

akhooli/xlm-r-large-arabic-sent — модель классификации тональности арабских отзывов, созданная дообучением XLM-RoBERTa-Large. Она относит текст к одному из трёх классов: смешанная тональность, отрицательная или положительная. Модель принимает текст и выдаёт метку класса; размер составляет 658,7 млн параметров, максимальная длина контекста — 514 токенов. Основной сценарий — определение тональности арабских отзывов. В карточке также заявлена возможность классификации текстов на других языках в режиме zero-shot, включая смешанные арабско-английские тексты. Модель опубликована в формате PyTorch под лицензией MIT. Класс «смешанная тональность» основан на отзывах с оценкой 3 из 5 и может путаться с положительным и отрицательным классами. Заявленная классификация на других языках не сопровождается подробной оценкой качества.

Это веса визуального энкодера AIM-v2, опубликованные Apple и совместимые с библиотекой timm. Модель предназначена для извлечения признаковых представлений из изображений; основной сценарий — получать визуальные признаки для последующей обработки другими моделями или системами компьютерного зрения. В репозитории указаны варианты весов PyTorch и safetensors. Карточка не сообщает сведения о размере модели, разрешении входа, обучающих данных или измеренных качествах. Лицензия — apple-ascl.

AuraFlow v0.2 — открытая модель генерации изображений по текстовому описанию, разработанная fal. Это flow-based модель, обученная с большими вычислительными затратами по сравнению с AuraFlow-v0.1. Авторы сообщают о результатах уровня state of the art на бенчмарке GenEval. Модель предназначена для создания изображений по текстовым запросам. В README указано, что версия находится в бета-стадии и продолжает развиваться; авторы приглашают сообщество оставлять отзывы. Репозиторий использует формат Diffusers и веса safetensors. Лицензия — Apache-2.0.

Chroma1-HD — базовая модель для генерации изображений по текстовому описанию, разработанная Lodestones. Это модель с 8,9 млрд параметров на основе FLUX.1-schnell с изменённым слоем кодирования временного шага и маскированием токенов заполнения T5. Она обучена на отобранном наборе из 5 млн примеров, собранных из пула в 20 млн изображений и включающем художественные, фотографические и нишевые стили. Модель предназначена для генерации изображений, а также как основа для дообучения под конкретные стили, концепции и персонажей. Её можно применять через diffusers и ComfyUI; для ComfyUI требуются текстовый кодировщик T5 XXL и VAE FLUX. В README также описан вариант с квантованным инференсом через gemlite. Модель выпущена по лицензии Apache 2.0. Она не настроена с помощью специального фильтра безопасности и может воспроизводить предубеждения обучающих данных, а также создавать вредоносный, откровенный или оскорбительный контент. Подробный технический отчёт, согласно карточке, ещё готовится.

ConvNeXT Base — сверточная модель компьютерного зрения, разработанная авторами статьи «A ConvNet for the 2020s» и опубликованная в репозитории Facebook. Архитектура модернизирует ResNet, используя идеи Vision Transformer и Swin Transformer. Модель предобучена на ImageNet-22k, затем дообучена на ImageNet-1k для классификации изображений с разрешением 384×384. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet и может служить основой для специализированных версий. Для работы с весами доступны форматы PyTorch и TensorFlow. Лицензия — Apache-2.0. Карточка описывает применение для классификации изображений; других задач или языковых возможностей не заявлено.

ConvNeXt Nano — свёрточная модель классификации изображений, обученная Россом Уайтманом с использованием библиотеки timm на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом. Модель содержит около 22,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к категориям ImageNet-12k. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений в компьютерном зрении. Контрольные веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Это относительно компактный вариант семейства ConvNeXt с указанной в карточке вычислительной сложностью 2,5 GMACs. Классы обучения относятся к ImageNet-12k, поэтому результаты на задачах или наборах данных с другими категориями могут требовать дополнительной настройки; мультиязычная поддержка к модели не относится.

ConvNeXt-V2 Huge FCMAE — модель извлечения признаков изображений из семейства ConvNeXt-V2, опубликованная timm. Она предварительно обучена на ImageNet-1k методом FCMAE — полностью сверточного masked autoencoder — и предназначена для извлечения признаков и карт признаков либо для дообучения под классификацию. У модели 657,5 млн параметров; исходный размер изображения — 224 × 224 пикселя. Предобученная классификационная голова отсутствует, поэтому модель не предназначена для готовой классификации без дообучения или добавления головы. Репозиторий распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и запрещающей коммерческое применение.

Crystal Clear XLv1 — модель генерации изображений по текстовому описанию, доступная через API ModelsLab и опубликованная в репозитории stablediffusionapi. Метаданные указывают на StableDiffusionXLPipeline и форматы Diffusers и PyTorch; карточка позиционирует модель для создания ультрареалистичных изображений. В API можно задавать основной и негативный промпты, размер изображения, число шагов генерации и guidance scale, а также включать улучшение промпта и дополнительные опции обработки. Модель подходит для генерации реалистичных портретов и других изображений по текстовым запросам с управлением нежелательными деталями через негативный промпт. Примеры в карточке используют англоязычные промпты, но подтверждения поддержки других языков нет. Репозиторий распространяется по лицензии CreativeML Open RAIL-M; для практического использования также описан доступ через API ModelsLab.

CyberIllustrious CyberRealistic v6.0 — модель генерации изображений по текстовым запросам, созданная Cyberdelia. Она объединяет CyberIllustrious и Illustrious-xl-early-release-v0 и предназначена для реалистичных и фотореалистичных изображений. Модель распространяется в форматах Diffusers и Safetensors и работает через StableDiffusionXLPipeline. Карточка и метаданные указывают на английский язык и поддержку генерации изображений по тексту. Лицензия обозначена как other; конкретные условия использования следует сверять с лицензией репозитория.

facebook/deit-small-patch16-224 — компактная модель Data-efficient Image Transformer (DeiT), разработанная авторами статьи Touvron et al.; веса конвертированы из репозитория timm. Это ViT-энкодер с примерно 28,3 млн параметров, обученный и дообученный на ImageNet-1k для классификации изображений на 1000 классов. Модель разбивает изображение на патчи 16×16, обрабатывает их трансформерными слоями и использует токен CLS для классификации. Модель предназначена для классификации изображений и извлечения визуальных признаков, которые можно использовать в последующих задачах с размеченными данными. Она принимает изображения RGB, обычно после изменения размера и центрального кадрирования до 224×224 пикселей, и выдаёт оценки классов. На ImageNet-1k указана точность top-1 79,9% и top-5 95,0%. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow; лицензия — Apache-2.0. Модель ориентирована на ImageNet-подобную классификацию, поэтому качество на других предметных областях может потребовать дообучения.

dla60xc.in1k — модель классификации изображений на основе архитектуры DLA (Deep Layer Aggregation), обученная авторами архитектуры на ImageNet-1k. Её можно использовать для присвоения изображению класса, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 1,3 млн параметров, требует около 0,6 GMACs вычислений и рассчитана на входные изображения размером 224 × 224 пикселя. Она доступна в форматах PyTorch и Safetensors и предназначена для работы с библиотекой timm. Лицензия — BSD 3-Clause. Модель подходит как компактная основа для классификации и извлечения визуальных признаков. Она обучена на ImageNet-1k, поэтому её классы и качество могут не соответствовать специализированным предметным областям; сведения о языковой поддержке неприменимы к модели обработки изображений.

DreamPhotoGASM — модель генерации изображений по текстовому описанию, созданная Yntec на основе дообученной модели Yntec/epiCPhotoGasm. Она предназначена для создания фотореалистичных и художественных изображений, в том числе портретов, сцен с людьми, одежды и кинематографических сюжетов. Примеры в карточке показывают работу с подробными промптами и такими характеристиками, как освещение, композиция, стиль и детали изображения. Модель распространяется в формате Diffusers с весами Safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка ориентирует её на генерацию изображений с привлекательными и откровенными образами; качество зависит от формулировки запроса, а примеры не гарантируют стабильный результат для любых сцен.

timm/edgenext_base.in21k_ft_in1k — модель классификации изображений из семейства EdgeNeXt, опубликованная авторами проекта timm. Она предварительно обучена на ImageNet-21k-P (подвыборка winter21), а затем дообучена авторами статьи на ImageNet-1k. Модель также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. EdgeNeXt сочетает свёрточные и Transformer-подобные компоненты и предназначена для задач компьютерного зрения, в том числе мобильных сценариев. В модели около 18,5 млн параметров и 3,8 GMACs; размер изображения при тестировании — 320 × 320 пикселей. Репозиторий содержит веса PyTorch и SafeTensors, библиотека — timm. Лицензия — MIT. Модель классифицирует изображения по категориям ImageNet и может служить основой для извлечения визуальных признаков. Её результаты и область применения связаны с распределением ImageNet; карточка не подтверждает качество на специализированных наборах изображений или других задачах без дополнительной адаптации.

EfficientViT-M2 — модель классификации изображений и визуальный backbone семейства EfficientViT, разработанного MSRA. Авторы статьи обучили её на ImageNet-1k; модель также можно использовать для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 4,2 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную сложность около 0,2 GMAC. Она предназначена для классификации изображений и построения компактных визуальных представлений в компьютерном зрении. Репозиторий использует библиотеку timm и содержит веса PyTorch в формате Safetensors. Лицензия — MIT. Модель обучена на ImageNet-1k, поэтому её качество и применимость к изображениям из других предметных областей могут отличаться; результаты для целевых данных следует проверять отдельно.

krnl/epicrealism-xl-v8kiss-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем или организацией krnl. Модель относится к семейству Stable Diffusion XL и предназначена для работы с библиотекой Diffusers через StableDiffusionXLPipeline. Модель ориентирована на создание реалистичных, фотореалистичных изображений и фотографий по текстовым промптам. Её можно применять для генерации концептов, иллюстраций, фотоподобных сцен и визуальных материалов на основе описаний. Модель распространяется по лицензии creativeml-openrail-m. README указывает на наличие исходной версии на Civitai, но не содержит дополнительных сведений о размере модели, контексте, поддерживаемых языках, специализированных ограничениях или рекомендуемых параметрах генерации.

EpicRealism XL VXVII Crystal Clear Realism SDXL — модель генерации изображений по текстовому описанию, созданная пользователем epinikion. Модель распространяется через Hugging Face и предназначена для работы с библиотекой Diffusers и StableDiffusionXLPipeline. Модель ориентирована на реалистичные и фотореалистичные изображения, включая фотографии, портреты и сцены с лицами и руками. Она принимает текстовые запросы на английском языке и преобразует их в изображения, поддерживая следование содержанию промпта. Модель относится к семейству Stable Diffusion XL; формат весов — SafeTensors. К сильным сторонам относятся фотореалистичная стилистика, генерация лиц и рук, а также ориентированность на соответствие текстовому описанию. Как и другие модели text-to-image, она может создавать визуальные артефакты или неточно интерпретировать сложные промпты. Условия использования определяются лицензией CreativeML OpenRAIL-M.

Fashion Clothing Decade — модель классификации изображений одежды по десятилетию, созданная дообучением Vision Transformer разработчика tonyassi. Она принимает изображение и относит одежду к одному из десяти классов: от 1910-х до 2000-х годов. Модель основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель подходит для определения примерной эпохи одежды на фотографиях, каталогизации винтажных вещей и демонстрационных задач компьютерного зрения. По данным карточки, она обучена на 2500 изображениях, примерно по 250 на класс; указанная точность составляет 0,7505, а loss — 0,8707. Репозиторий использует формат safetensors, лицензия — Apache-2.0.

Карточка модели tripathiarpan20/FLUX.1-schnell на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-schnell, поэтому описание составлено по ней. 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.

Aquiles-ai/FLUX.2-dev — репаковка модели FLUX.2 [dev], разработанной Black Forest Labs: в репозитории удалён дублирующий файл весов flux2-dev.safetensors, чтобы Diffusers не загружал трансформер дважды и расходовал меньше памяти. Это трансформер rectified flow на 32 млрд параметров для генерации изображений по тексту, редактирования изображений по инструкциям и объединения нескольких изображений-референсов. Поддерживает сценарии text-to-image и image-to-image, включая перенос стиля, персонажа или объекта по одному или нескольким референсам без дополнительного дообучения. Модель использует guidance distillation и распространяется в формате Diffusers с весами safetensors; карточка указывает английский язык. README сообщает о снижении потребления памяти примерно со 178 до 110 ГБ после устранения дубликата. Модель предназначена для художников, разработчиков и исследователей, которым нужны генерация и редактирование изображений по текстовым инструкциям. Указанная в README лицензия FLUX.2 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется отдельными условиями. Для применения требуются фильтры или ручная модерация NSFW и контента, нарушающего права интеллектуальной собственности. В README также описаны меры безопасности и пример пиксельной водяной маркировки.

FLUX.2 [klein] 9B — модель генерации и редактирования изображений от Black Forest Labs. Это 9-миллиардная rectified flow transformer-модель с текстовым энкодером Qwen3 на 8 млрд параметров; модель дистиллирована для работы за четыре шага инференса. Она принимает текстовые описания и изображения-референсы, поддерживает генерацию по тексту, редактирование по одному или нескольким референсам и выдаёт изображения. В карточке заявлены быстрое выполнение, хорошее следование запросу и разнообразие результатов; модель предназначена для приложений с интерактивной генерацией и творческого поиска идей. Модель доступна через Diffusers, ComfyUI и API BFL. Для локального запуска указано требование около 29 ГБ видеопамяти, с поддержкой NVIDIA RTX 4090 и выше. Язык карточки и тегов — английский. Лицензия обозначена как other, а README указывает на некоммерческое использование. Модель не предназначена для получения фактических ответов. Следование запросу зависит от формулировки промпта, результат может не соответствовать описанию, а встроенный в изображение текст может быть искажён. Также возможны смещения из обучающих данных.

unsloth/FLUX.2-klein-base-4B-GGUF — GGUF-квантизированная версия модели FLUX.2-klein-base-4B, разработанной Black Forest Labs и опубликованной Unsloth. Это компактная модель генерации и редактирования изображений, предназначенная для локального развёртывания, приложений с низкой задержкой, тонкой настройки, обучения LoRA, исследований и создания пользовательских пайплайнов. Модель представляет собой rectified flow transformer на 4 миллиарда параметров и поддерживает генерацию изображений по текстовому описанию, а также редактирование с использованием нескольких референсных изображений. Это полновесная недистиллированная foundation-модель без дистилляции по числу шагов или guidance, поэтому она обеспечивает большую гибкость и разнообразие результатов, хотя может быть медленнее дистиллированных вариантов. GGUF-формат и методика Unsloth Dynamic 2.0 рассчитаны на эффективную работу на потребительском оборудовании; базовая модель помещается примерно в 13 ГБ VRAM и доступна, в частности, на NVIDIA RTX 3090/4070 и более новых видеокартах. Указан английский язык. К сильным сторонам относятся высокая скорость, хорошее соотношение качества и размера, единая архитектура для генерации и редактирования, открытые веса и пригодность для кастомизации. Ограничения включают возможные ошибки в следовании промптам и искажённый текст на изображениях; модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать смещения из обучающих данных. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование, с дополнительными ограничениями на незаконный, вредоносный, обманный и высокорисковый контент.

Huihui-Qwen3-VL-2B-Instruct-abliterated — дообученная модель huihui-ai на базе Qwen/Qwen3-VL-2B-Instruct. Это мультимодальная плотная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; она принимает текст и изображения и предназначена для диалога и анализа визуального содержимого, включая описание изображений. Текстовую часть модели обработали методом abliteration, чтобы заметно снизить частоту отказов; визуальную часть не меняли. Модель подходит для вопросов об изображениях и других сценариев визуального диалога, где требуется меньше отказов. При этом снижение защитной фильтрации повышает вероятность чувствительных, спорных или неподходящих ответов, поэтому результаты следует проверять. Модель распространяется под лицензией Apache-2.0.

Huihui-Qwen3-VL-8B-Thinking-abliterated — мультимодальная модель Huihui AI на основе Qwen3-VL-8B-Thinking, изменённая методом abliteration. Обработка затронула текстовую часть модели, а визуальная часть не изменялась. Модель принимает текст и изображения и предназначена для диалога, анализа изображений и ответов на вопросы по ним; архитектура — плотная Qwen3-VL, библиотека — Transformers, веса доступны в формате safetensors. В базовой модели используется режим Thinking. По сравнению с исходной моделью у этой версии значительно снижены отказы на текстовой части, в том числе при описании и анализе изображений. Модель распространяется по лицензии Apache-2.0. Сниженная фильтрация безопасности может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты следует проверять.

Карточка модели mrbrz/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.