IV.1Ритейл, электронная коммерция и fashion-tech

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 phan-kim-tu/Hunyuan3D-2mini на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2mini, поэтому описание составлено по ней. Hunyuan3D-2mini — модель Tencent из семейства Hunyuan3D 2.0 для создания 3D-моделей по входному изображению. Репозиторий содержит генератор формы на 0,6 млрд параметров — уменьшенную и более быструю версию генератора на 1,1 млрд параметров. Модель использует архитектуру Hunyuan3D-2 и доступна в форматах PyTorch и Safetensors. Модель предназначена для преобразования изображения в 3D-сетку и подходит для быстрого создания 3D-ассетов по визуальным референсам. README показывает запуск через библиотеку Hunyuan3D-2 и вывод в формате trimesh; для инференса в примере используется CUDA. В метаданных указаны английский и китайский языки, однако основная задача — генерация формы по изображению. Лицензия указана как other; конкретные условия следует уточнять в карточке репозитория Tencent. В README описан генератор формы, поэтому наличие в этом репозитории генерации текстур не подтверждено. Качество результата зависит от входного изображения и параметров генерации.

zimengxiong/hunyuan3d-mlx-shape-large — набор весов для генерации трёхмерной формы по изображению в конвейере Hunyuan3D-Swift / Modelr MLX. Это неизменённый чекпойнт hunyuan3d-dit-v2-0-turbo от Tencent, перепакованный для стабильной загрузки в MLX; вместе с весами поставляется конфигурация DiT и VAE. Модель использует диффузионный трансформер на 1,1 млрд параметров, дистиллированный для согласованной генерации за 8 шагов с embedding для guidance. Веса сохранены в fp16 в формате safetensors. Модель предназначена для преобразования входного изображения в трёхмерную форму, например для создания меша в формате GLB через CLI hy3d. Репозиторий содержит слот large для формы и не описывает генерацию текстур. README указывает лицензию Hugging Face как other, но конкретные условия лицензии в предоставленных данных не раскрыты.

HunyuanDiT-v1.2-Diffusers-Distilled — дистиллированная модель генерации изображений по текстовому описанию, разработанная Tencent Hunyuan и опубликованная в формате Diffusers. Она создаёт изображения по запросам на китайском и английском языках; в карточке отмечены поддержка длинных текстовых запросов и китайских элементов. Модель предназначена для генерации изображений за 25 шагов. В README описана оценка по соответствию изображения запросу, отсутствию артефактов, ясности объектов и эстетике. Репозиторий содержит веса в формате Diffusers и Safetensors; лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Ideogram 4 — открытая модель генерации изображений по тексту от Ideogram, выпущенная в виде конвертации bf16 для Diffusers. Базовая модель обучена с нуля и не является дообучением существующего чекпойнта. Это flow-matching модель на архитектуре Diffusion Transformer с единственным потоком из 34 слоёв; для понимания запросов используется Qwen3-VL-8B-Instruct, признаки которого извлекаются из 13 промежуточных слоёв. Репозиторий содержит веса в формате Diffusers и safetensors. Модель предназначена для создания изображений по запросам с управлением композицией, стилем, освещением, цветовой палитрой и размещением объектов. Поддерживает генерацию текста внутри изображений, включая вывески, логотипы и подписи, а также управление раскладкой через координаты ограничивающих рамок и указание цветов в HEX. Заявлена работа с разрешениями от 256 до 2048 пикселей и разными соотношениями сторон; модель ориентирована на многоязычные запросы и дизайн-сценарии. По заявлению разработчика, модель показывает высокое качество типографики и генерации изображений, однако приведённые в карточке результаты основаны на оценках и бенчмарках, описанных самим разработчиком. Лицензия указана как other; README описывает варианты Ideogram 4 как распространяемые по некоммерческой лицензии, поэтому перед использованием следует проверить условия лицензии именно этой конвертации.

Juggernaut Z — модель text-to-image, разработанная как fine-tune базовой модели Tongyi-MAI/Z-Image. Над моделью работала Team Juggernaut, обучение выполняла KandooAI, а релиз опубликован RunDiffusion. Модель предназначена для генерации презентационно готовых изображений по текстовым описаниям, особенно портретов, кинематографических сцен, концепт-артов, редакционных и fashion-материалов. Ключевые особенности — более выразительное кинематографическое освещение, резкий фокус, улучшенная детализация кожи, анатомии и композиции, а также более сбалансированное представление разных этнических групп. Доступны веса в форматах safetensors с точностями bf16, fp16 и fp8, а также варианты GGUF с разными уровнями квантования; fp8 рассчитан на снижение потребления VRAM. В README не указаны размер модели, максимальное разрешение, длина контекста или полный список поддерживаемых языков; заявлен английский язык. Сильные стороны модели — готовый кинематографический стиль, качественная работа с портретами, освещением, текстурами и структурными деталями. Ограничения включают зависимость результата от настроек и промпта, а также то, что улучшения композиции ещё планируется развивать в будущей версии. Рекомендуемые параметры: CFG 6–9 и 25–45 шагов, значения по умолчанию — CFG 6 и 35 шагов. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование согласно её условиям.

Krea 2 Turbo MLX-Serve mixed-4/8 — независимый неофициальный порт базовой модели Krea-2-Turbo, разработанный ddalcu и предназначенный для нативного запуска на Apple Silicon через mlx-serve. Модель создаёт изображения по текстовому описанию и рассчитана на использование в приложении mlx-serve или через его OpenAI- и Anthropic-совместимый HTTP API. Комплект включает все необходимые компоненты и не требует Python или сборки из нескольких загрузок. В основе лежит 12,9-миллиардная single-stream MMDiT-модель с diffusion и flow-matching, дистиллированная для Turbo-генерации за 8 шагов без guidance. Трансформер представлен в смешанной 4/8-битной квантизации, текстовый энкодер Qwen3-VL-4B-Instruct — в 8-битном формате, а Qwen-Image VAE работает в bf16. Поддерживаются размеры, кратные 16, от 256 до 2048 пикселей; в README язык модели указан как английский. Общий размер комплекта составляет около 15 ГБ и требует Apple Silicon. Сильные стороны модели — единый готовый к запуску комплект, высокая скорость 8-шаговой генерации и близость результатов к исходной MLX- и PyTorch-реализациям. Ограничения включают зависимость от Apple Silicon, крупный объём загрузки и отсутствие встроенной фильтрации контента в mlx-serve; при развёртывании необходимо самостоятельно реализовать разумные меры безопасности и раскрывать факт генерации, если этого требует закон. Модель распространяется по Krea 2 Community License. Коммерческое использование разрешено при годовой выручке менее 1 000 000 долларов США; при превышении этого порога требуется корпоративная лицензия Krea. Производные названия должны начинаться с «Krea», а использование также должно соответствовать Acceptable Use Policy. Компоненты Qwen распространяются по Apache-2.0. Порт не является официальным продуктом Krea и не поддержан компанией.

LISA++ — модель для сегментации объектов на изображениях по запросам и рассуждениям на естественном языке. Она разработана авторами статьи «LISA++: An Improved Baseline for Reasoning Segmentation with Large Language Model» и дообучена на базе liuhaotian/llava-v1.5-7b. Модель насчитывает 6,6 млрд параметров, использует архитектуру LLaVA и принимает изображения вместе с текстовыми инструкциями; базовая модель описана как мультимодальный чат-бот для вопросов об изображениях и выполнения визуальных инструкций. Модель предназначена для сегментации экземпляров объектов и задач, где нужно определить на изображении объект, описанный текстом. Контекст составляет 4096 токенов. В репозитории указаны веса PyTorch и лицензия Apache-2.0. Карточка не сообщает о поддерживаемых языках, поэтому языковой охват не уточняется.

Lucy Edit 1.1 Dev — открытая модель Decart AI для редактирования видео по текстовым инструкциям. Она построена на архитектуре Wan2.2 5B и использует стек VAE с высокой компрессией и DiT; размер модели — около 5 млрд параметров. Модель принимает видео и текстовый запрос, а на выходе создаёт отредактированное видео. Модель предназначена для смены одежды и аксессуаров, замены персонажей и объектов, добавления предметов, а также преобразования фона и стиля сцены. В README заявлены сохранение движения, композиции и идентичности персонажей, а также улучшенное согласование деталей между кадрами. Для более надёжного результата рекомендуются подробные запросы примерно из 20–30 слов; в карточке отмечено, что качество редактирования цвета может быть непостоянным, а радикальная смена стиля иногда меняет идентичность персонажа. Модель распространяется в форматах Diffusers и safetensors. Метаданные указывают лицензию «other», но README не раскрывает её конкретные условия, поэтому коммерческие и иные права использования по имеющимся данным определить нельзя.

onnx-community/mediapipe_selfie_segmentation — модель сегментации изображений в формате ONNX из сообщества onnx-community. Она предназначена для выделения человека на изображении и отделения его от фона, например, для размытия или замены фона в портретах и видеозвонках. В метаданных указана архитектура MobileNetV3 и задача image-segmentation; README описывает использование через Transformers.js. Модель распространяется по лицензии Apache-2.0. Сведений о размере, контексте, языковой поддержке и известных ограничениях в предоставленных материалах нет.

Mistral-Lora-Adapter-CS-Slerp — объединённая модель на основе Mistral-7B-Instruct-v0.2 и Mistral-7B-v0.1+predibase/customer_support, созданная Arcee AI с помощью mergekit методом SLERP. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, предназначенная для генерации текста в диалогах и ответов на инструкции, в том числе на запросы службы поддержки. Модель принимает текст и выдаёт текст; контекст — до 32 768 токенов. Объединение сочетает инструкционную диалоговую модель с вариантом, настроенным для поддержки клиентов. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Языковая поддержка в предоставленных данных не перечислена.

MobileNet V1 — сверточная модель классификации изображений, разработанная авторами статьи «MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications» и предварительно обученная на ImageNet-1k. Эта версия рассчитана на изображения размером 224×224 пикселя и классифицирует их по 1000 классам ImageNet. Модель создана для эффективного распознавания изображений при ограничениях на задержку, размер и энергопотребление, в том числе на мобильных устройствах. Архитектуру можно адаптировать для классификации, обнаружения объектов, построения эмбеддингов и сегментации, однако эта версия предназначена непосредственно для классификации изображений. Модель доступна в формате PyTorch. В репозитории указана лицензия other; конкретные условия использования следует проверять в материалах проекта.

Nawah-VL-25M — компактная мультимодальная модель oddadmix для автоматического создания подписей на современном литературном арабском языке по одному изображению. Она собрана из готовых компонентов: использует замороженную визуальную башню SigLIP2 NaFlex из LiquidAI/LFM2.5-VL-450M, обученный мультимодальный проектор и языковую модель Emhotob-25M-v2. Общий размер — 118 млн параметров; языковая часть содержит 25,3 млн параметров и имеет контекст 2048 токенов. Модель предназначена для генерации краткого описания основного объекта и его цвета. В README приведены результаты оценки на отложенной выборке: chrF++ 27,4, BLEU 8,2 и perplexity 12,2. Обучение проводилось на арабских подписях к изображениям, автоматически полученных в два этапа из английских описаний, поэтому качество эталонных подписей ограничено. Модель слабо распознаёт текст внутри изображений, может выдумывать правдоподобные названия брендов и иногда ошибается в согласовании арабских слов. Лицензия репозитория — CC-BY-NC-4.0; для визуальной башни также действуют лицензионные условия LiquidAI.

Модель nutrition-extractor разработана Open Food Facts в рамках проекта Nutrisight и дообучена на microsoft/layoutlmv3-large на наборе openfoodfacts/nutrient-detection-layout. Она извлекает значения питательных веществ из фотографий таблиц пищевой ценности на упаковках продуктов; на тестовом наборе указаны F1 0,9596, точность 0,9917, полнота 0,9647 и loss 0,0534. Это мультимодальный LayoutLMv3ForTokenClassification на 454,1 млн параметров с контекстом 514 токенов. На вход подаются изображение, OCR-токены и их двумерные координаты; README сообщает, что OCR-данные при обучении получали через Google Cloud Vision. Доступны файлы Safetensors и экспорт ONNX. Модель предназначена для изображений продуктов с таблицей пищевой ценности, поэтому её результаты зависят от качества изображения, OCR и координат токенов. Лицензия — CC BY-NC-SA 4.0.

Карточка модели zxhezexin/openlrm-large-obj-1.0 на Hugging Face совпадает с карточкой zxhezexin/openlrm-small-obj-1.0, поэтому описание составлено по ней. openlrm-small-obj-1.0 — модель проекта OpenLRM, открытой реализации статьи LRM для создания 3D-представления объекта по изображению. Она обучена на данных Objaverse и предназначена для преобразования входного изображения в 3D-объект. Модель имеет 12 слоёв, размерность признаков 768, размерность triplane-представления 32 и разрешение рендеринга 192. В реализации декодер triplane состоит из четырёх слоёв; также не используется техника deferred back-propagation из оригинальной статьи. Это не официальный релиз авторов статьи, поэтому результаты могут отличаться от оригинала. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

timm/pit_s_224.in1k — модель семейства PiT (Pooling-based Vision Transformer) для классификации изображений и извлечения признаков. Она обучена авторами статьи «Rethinking Spatial Dimensions of Vision Transformers» на ImageNet-1k и предназначена для обработки изображений размером 224 × 224 пикселя. Модель содержит 23,5 млн параметров и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и SafeTensors; для работы указана библиотека timm. Модель распространяется по лицензии Apache-2.0.

PotoPhotoRealism_v1 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Карточка содержит демонстрационные изображения исходного автора, но не сообщает разработчика, размер модели, базовый чекпойнт, архитектуру точнее семейства Stable Diffusion, языки или рекомендованные сценарии использования. Модель принимает текстовые запросы и создаёт изображения. Репозиторий содержит файлы в форматах Diffusers, PyTorch и SafeTensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в файлах репозитория.

ProteusV0.5 — модель генерации изображений по текстовому описанию, опубликованная dataautogpt3. Она основана на OpenDalleV1.1 и дообучена на подписях к изображениям; для предпочтений использовались пары изображений, обработанные методом DPO. В состав входит специально обученная CLIP-модель, а веса доступны в формате Diffusers и Safetensors. Модель предназначена для создания фотореалистичных изображений и иллюстраций по промптам. В README отмечены улучшенное понимание запросов, проработка лиц и текстуры кожи, а также поддержка сюрреалистичного, аниме и мультяшного стилей. Для работы рекомендован Clip Skip 2; примеры настроек включают CFG Scale 7, 25–50 шагов и разрешение 1024×1024. Лицензия — Apache-2.0.

Qwen-Image-Edit-2509-Upscale2K — LoRA-адаптер для модели Qwen/Qwen-Image-Edit-2509, разработанный AI Laboratory компании Chongqing Valiant Cat Technology Co., Ltd. Адаптер предназначен для увеличения разрешения изображений с сохранением деталей и масштабирования примерно до 2K; в примере использования предлагается запрос на увеличение до 4K. Модель относится к сценарию image-to-image и рассчитана преимущественно на применение в ComfyUI, а также может загружаться через diffusers. Для работы требуется базовая модель Qwen/Qwen-Image-Edit-2509 и веса LoRA в формате Safetensors. В README приведён пример запуска на GPU с bfloat16, 50 шагами инференса и параметром true_cfg_scale 4.0. Указан английский язык интерфейсных текстовых запросов и рекомендуемая фраза “Upscale this picture to 4K resolution.”; фиксированное ключевое слово не требуется. Сильной стороной адаптера является специализация на повышении чёткости и разрешения изображений, однако точные сведения о размере модели, поддерживаемых разрешениях, архитектуре базовой модели, наборе данных, качестве на разных типах изображений и ограничениях не представлены. Лицензия — Apache-2.0.

starsfriday/Qwen-Image-Edit-2511-Upscale2K — LoRA-адаптер для Qwen/Qwen-Image-Edit-2511, разработанный AI Laboratory компании Chongqing Valiant Cat Technology Co., LTD. Модель предназначена для увеличения разрешения изображений с сохранением исходного содержания и улучшением детализации, ориентировочно до размера 2K; в примерах также заявлено масштабирование до 4K. Это image-to-image-модель для редактирования изображений, рассчитанная прежде всего на использование в ComfyUI и через библиотеку Diffusers. Адаптер подключается к базовой модели Qwen/Qwen-Image-Edit-2511 и распространяется в формате Safetensors. В README приведён рекомендуемый промпт «Upscale this picture to 4K resolution.»; фиксированное ключевое слово не требуется. Для прямого запуска используются QwenImageEditPipeline, CUDA, torch.bfloat16 и 50 шагов инференса. Сведения о точной архитектуре, количестве параметров, поддерживаемых языках и максимальном контексте не указаны. Основное преимущество модели — специализация на высокодетальном увеличении изображений и интеграция с готовым рабочим процессом ComfyUI. Ограничения включают отсутствие подробных данных о качестве, точной целевой разрешающей способности и границах применимости; заявленное увеличение до 4K требует проверки на конкретных изображениях. Модель распространяется по лицензии Apache-2.0.

Realistic Vision V6.0 B1 — модель генерации изображений по текстовому описанию, созданная разработчиком SG161222; репозиторий zbmacro содержит её копию в формате Diffusers. Это бета-версия обновления семейства Realistic Vision, ориентированная на реализм и фотореалистичные изображения, в том числе портреты и изображения людей в полный рост. Модель использует Stable Diffusion Pipeline и принимает текстовый запрос, выдавая изображение. Для версии 6.0 разработчик рекомендует использовать VAE; при больших разрешениях возможны искажения и дублирование объектов, а некоторые позы могут обрабатываться некорректно. В карточке исходной модели указана лицензия CreativeML OpenRAIL-M.

RealVisXL V2.01 — модель генерации изображений по текстовому описанию от SG161222, основанная на Stable Diffusion XL. Она предназначена для создания фотореалистичных изображений; автор отмечает, что модель может создавать как изображения общего характера, так и материалы для взрослой аудитории. Репозиторий содержит веса в формате safetensors для использования с Diffusers. Автор указывает, что на момент публикации модель всё ещё обучалась и могла давать артефакты или слабые результаты в отдельных случаях. В README приведены рекомендуемые параметры генерации и увеличения разрешения. Лицензия — OpenRAIL++.

RegNetX-400MF — свёрточная модель классификации изображений из семейства RegNetX, распространяемая в библиотеке timm. Её авторы предварительно обучили на ImageNet-1k; в репозитории Hugging Face веса доступны в форматах PyTorch и safetensors. Модель содержит около 5,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Небольшой размер и вычислительная стоимость около 0,4 GMAC делают её подходящей для экспериментов и задач компьютерного зрения с ограниченными ресурсами. Лицензия — MIT.

resnet18d.ra4_e3600_r224_in1k — модель классификации изображений на основе архитектуры ResNet, обученная Россом Уайтманом на ImageNet-1k с помощью инструментов timm. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 11,7 млн параметров; обучение проводилось на изображениях размером 224 × 224, а для тестирования указано разрешение 288 × 288. В метаданных репозитория указаны PyTorch и safetensors, библиотека timm и лицензия Apache-2.0. Модель подходит для стандартной классификации изображений и как основа для компьютерного зрения в прикладных системах. Она обучена на ImageNet-1k, поэтому её категории и качество зависят от этого набора данных; README не описывает специализированную предметную область или другие модальности.

ResNetV2-101 A1H — сверточная модель классификации изображений из библиотеки timm, подготовленная Россом Уайтманом. Модель обучена на ImageNet-1k по рецепту A1 из работы «ResNet Strikes Back» и также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. В архитектуре ResNet-V2 с предварительной активацией около 44,5 млн параметров; вычислительная сложность составляет 7,8 GMACs. Рекомендуемый размер изображения — 224 × 224 пикселя. Модель принимает изображение и предсказывает класс из набора ImageNet-1k; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель подходит для классификации изображений общего назначения и получения визуальных признаков для последующих задач. Её обучение ориентировано на классы ImageNet-1k, поэтому качество на других наборах данных и предметных областях может отличаться; для узкоспециализированных задач может потребоваться адаптация.

mnmly/rfdetr-small-mlx-fp32 — конвертированная в формат MLX версия модели RF-DETR Small от Roboflow для обнаружения объектов на изображениях. Она рассчитана на запуск через mlx-swift-rf-detr на устройствах Apple Silicon. Модель использует backbone DINOv2 Windowed Small с размером скрытого представления 256, разрешение обработки 512 пикселей, три слоя декодера и 300 запросов. Она обнаруживает объекты 90 классов COCO и выдаёт рамки и классы объектов. Веса сохранены в формате safetensors с точностью fp32; репозиторий включает конфигурацию и настройки предобработки. Это конверсия исходного чекпойнта PyTorch roboflow/rf-detr, а не дообучение. Репозиторий распространяется по лицензии Apache-2.0. Модель предназначена для инференса через указанную Swift-библиотеку; README не приводит сравнительных оценок качества.

Sequencer2d_s.in1k — модель классификации изображений и извлечения визуальных признаков из семейства Sequencer, разработанная авторами статьи «Sequencer: Deep LSTM for Image Classification» и обученная на ImageNet-1k. Архитектура использует LSTM для обработки изображения; модель содержит 27,7 млн параметров и рассчитана на вход размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Репозиторий предоставляет веса PyTorch и SafeTensors для библиотеки timm. Лицензия — Apache-2.0.

Shuttle 3 Diffusion — модель генерации изображений по текстовому описанию от ShuttleAI, предназначенная для создания детализированных и разнообразных изображений за четыре шага. Она работает через библиотеку Diffusers и доступна в вариантах bfloat16, FP8 и GGUF для разных аппаратных условий. В карточке заявлено улучшенное качество изображений, работа с типографикой и сложными промптами, а также эффективность использования ресурсов; приведено сравнение с Flux Dev, но независимые результаты оценки не указаны. Модель принимает текстовые промпты и выдаёт изображения. Лицензия Apache 2.0 разрешает использование и распространение на её условиях. Поддерживается английский язык; сведения о других языках и длине контекста не приведены.

small-sd — модель генерации изображений по текстовому описанию, опубликованная Segmind. Это дистиллированная дообученная версия SG161222/Realistic_Vision_V4.0, созданная на подмножестве набора recastai/LAION-art-EN-improved-captions и предназначенная для работы с Diffusers. В обучении использовались изображения разрешением 512 пикселей и точность fp16. Модель подходит для создания изображений по текстовым запросам. Веса доступны в форматах Diffusers и PyTorch. Карточка указывает лицензию CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения. В README не приведены сведения о длине контекста и поддержке языков.

Quiho/SoLordZ_Krea2-Turbo — текстово-генеративная модель для создания изображений по текстовым описаниям. Модель опубликована пользователем Quiho и основана на дообучении базовой модели krea/Krea-2-Turbo. Она предназначена для запуска через библиотеку Diffusers. Модель поддерживает текстовые запросы на английском и китайском языках и решает задачу text-to-image. Её можно использовать для создания иллюстраций, концепт-артов, визуальных материалов и других изображений по описанию пользователя. Модель распространяется по лицензии Apache-2.0. В предоставленных данных не приведены сведения о размере модели, архитектурных деталях, длине контекста, специализированных стилях или дополнительных модальностях.