IV.1Ритейл, электронная коммерция и fashion-tech

AnalogMadness-realistic-model-v7 — модель для генерации изображений по текстовому описанию, опубликованная пользователем или организацией digiplay на Hugging Face. Модель относится к экосистеме Stable Diffusion и предназначена для использования с библиотекой Diffusers и конвейером StableDiffusionPipeline. Модель подходит для создания реалистичных изображений по текстовым промптам, концепт-артов, иллюстраций и визуальных прототипов. В метаданных указан тип задачи text-to-image, а также форматы и технологии diffusers и safetensors. Дополнительные сведения о размере модели, архитектурных настройках, поддерживаемых языках, длине контекста и точных характеристиках реалистичного стиля в карточке не приведены. Лицензия обозначена как other, поэтому перед использованием необходимо ознакомиться с условиями лицензирования, связанными с моделью и её исходным распространением.

mcmonkey/clipseg-rd64-refined-fp16 — это версия модели CLIPSeg rd64 refined в формате FP16 Safetensors. Модель представляет собой копию CIDAS/clipseg-rd64-refined, подготовленную пользователем mcmonkey для использования в StableSwarmUI. В метаданных Hugging Face она классифицирована для задачи image-segmentation и относится к компьютерному зрению. Модель предназначена для выделения областей на изображениях в сценариях, где требуется сегментация объектов или частей изображения. Формат FP16 уменьшает размер весов и может быть удобен для запуска в средах с ограниченными ресурсами, поддерживающих вычисления половинной точности. README не содержит сведений о числе параметров, длине контекста, поддерживаемых естественных языках или дополнительных модальностях. Модель распространяется по лицензии Apache-2.0. Ограничения и точные характеристики качества, наборов данных и совместимых способов запуска в карточке не описаны; практическая применимость зависит от конкретного изображения и среды выполнения.

ClokCEM (Customer Executive Model) — языковая модель, разработанная для поддержки клиентов. По README, модель обучена с нуля на 21 подборке данных о клиентской поддержке; метаданные указывают 351,1 млн параметров и лицензию Apache-2.0. Это авторегрессионный трансформер с архитектурой GQA, SwiGLU, RMSNorm и RoPE, доступный в формате Safetensors и рассчитанный на контекст до 1 024 токенов. Модель предназначена для генерации ответов в диалогах с клиентами, классификации намерений по 27 категориям и оценки качества ответа. README также описывает модуль, который выдаёт оценку числа шагов рассуждения и уверенности в качестве ответа. Подходит для сценариев автоматизации службы поддержки и обработки многоходовых диалогов. README сообщает о преимущественной ориентации на английский язык и частичной поддержке индийских языков. К ограничениям относятся короткий контекст, неоднозначность классификации пересекающихся намерений и возможность генерации недостоверных сведений; для неанглоязычного применения могут потребоваться дополнительные обучение и проверка. Условия использования — лицензия Apache-2.0.

CoaT Lite Small — модель классификации изображений семейства CoaT (Co-Scale Conv-Attentional Transformer), обученная авторами статьи на ImageNet-1k. Её также можно использовать как основу для извлечения признаков изображений. Модель содержит 19,8 млн параметров, имеет вычислительную сложность 4,0 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в формате PyTorch; лицензия — Apache-2.0. Модель подходит для классификации изображений общего назначения и получения их признаковых представлений. Её обучение на ImageNet-1k задаёт ориентацию на классы этого набора данных; для иных предметных областей может потребоваться дополнительная адаптация.

ConvFormer M36 SAIL IN1K — модель классификации изображений и визуальный backbone семейства ConvFormer, разработанная авторами статьи о MetaFormer и обученная на ImageNet-1k. Модель содержит 57,1 млн параметров; для входных изображений указано разрешение 224 × 224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как готовый классификатор или как визуальный компонент в системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; библиотека для работы с моделью — timm. Лицензия Apache-2.0. Карточка не приводит результатов качества и описания ограничений, поэтому применимость к изображениям вне распределения ImageNet-1k требует отдельной оценки.

convnext_atto.d2_in1k — компактная модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Она основана на архитектуре ConvNeXt, описанной в работе «A ConvNet for the 2020s», и содержит около 3,7 млн параметров. Модель предназначена для присвоения изображениям меток из набора ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов. Размер изображения при обучении составляет 224 × 224 пикселя, при тестировании — 288 × 288. Для запуска доступны веса PyTorch и safetensors; в метаданных указана лицензия Apache-2.0. Компактный размер делает модель подходящей для классификации изображений при ограниченных вычислительных ресурсах и для построения визуальных систем на основе извлечённых признаков. Модель обучена на ImageNet-1k, поэтому её классы и качество за пределами этого набора могут не соответствовать конкретной прикладной задаче; для специализированных категорий может потребоваться дополнительная настройка.

ConvNeXt V2 Large — сверточная модель компьютерного зрения, разработанная авторами работы ConvNeXt V2 и опубликованная в репозитории Hugging Face Facebook. Модель предварительно обучена с помощью FCMAE и дообучена для классификации изображений ImageNet-1K при разрешении 224×224 пикселя; архитектура включает слой Global Response Normalization (GRN). Модель предназначена для отнесения изображений к одному из классов ImageNet-1K и может служить основой для последующей адаптации к другим задачам распознавания изображений. Она принимает изображение и выдаёт оценки классов. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

timm/convnextv2_nano.fcmae — сверточная модель ConvNeXt-V2, разработанная для извлечения признаков из изображений. Она обучена без учителя методом FCMAE на ImageNet-1k и содержит около 15 млн параметров. Модель рассчитана на изображения размером 224 × 224; предобученной классификационной головы у неё нет. Модель можно использовать как визуальный бэкбон для извлечения карт признаков и эмбеддингов, а также дообучать для классификации изображений. В метаданных Hugging Face основная задача указана как image-feature-extraction. Репозиторий предоставляет веса PyTorch и safetensors и использует библиотеку timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. README указывает ImageNet-1k как датасет предобучения; модель предназначена для компьютерного зрения и не обрабатывает текст или другие модальности.

SAM 2.1 BasePlus Core ML — конвертированная версия модели сегментации SAM 2, разработанной FAIR. Модель предназначена для сегментации изображений и видео по пользовательским подсказкам; эта сборка Core ML подходит для демонстрационного приложения SAM2 Studio. Веса сохранены в формате Core ML с точностью float16. Репозиторий распространяется по лицензии Apache 2.0. Модель относится к семейству SAM 2.1 BasePlus.

CyberRealistic V2 — модель генерации изображений по текстовому описанию в формате Stable Diffusion, опубликованная Yntec и предназначенная для использования с Diffusers. Карточка демонстрирует генерацию детализированной сцены по составному промпту; название и примеры указывают на фотореалистичный стиль, хотя пример также смешивает живописные и стилизованные элементы. Модель подходит для создания изображений по текстовым промптам, включая персонажей и сцены с множеством визуальных деталей. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — CreativeML OpenRAIL-M.

EpicRealism XL — модель преобразования текста в изображение, опубликованная stablediffusionapi и предназначенная для генерации фотореалистичных изображений по текстовым запросам. Пример в карточке показывает создание детализированного портрета с настройками размера, числа шагов генерации и guidance scale; также предусмотрены отрицательный запрос и параметры для подключения LoRA и эмбеддингов. Модель распространяется в форматах Diffusers и PyTorch и предназначена для использования через ModelsLab API. В карточке приведена лицензия CreativeML OpenRAIL-M. Пример API позволяет отключить safety checker, поэтому при развёртывании следует учитывать настройки фильтрации контента.

F Lite — диффузионная модель генерации изображений по тексту, разработанная Freepik и Fal. Модель содержит 10 млрд параметров и обучена на внутреннем наборе Freepik примерно из 80 млн изображений, заявленных как безопасные с точки зрения авторских прав и не содержащие контент для взрослых. Репозиторий распространяет модель в форматах Diffusers и Safetensors. Модель предназначена для создания изображений по текстовым запросам. Для получения более качественного результата разработчики рекомендуют использовать подробные запросы и генерировать изображения размером более одного мегапикселя. Модель может создавать визуальные искажения; её возможности понимания текста ограничены, а результаты могут отражать смещения обучающих данных. Лицензия — CreativeML OpenRAIL-M.

FLUX.2 [klein] 4B int8 — компактная версия модели Black Forest Labs для генерации и редактирования изображений. В основе лежит rectified flow transformer на 4 млрд параметров; вариант из этого репозитория оптимизирован для инференса: трансформер квантизирован TorchAO int8, а текстовый энкодер заменён на 4-битную модель unsloth/Qwen3-4B-unsloth-bnb-4bit. Модель работает через Diffusers и предназначена для локального запуска, разработки приложений и развертывания на пользовательских GPU. Модель создаёт изображения по текстовому описанию, редактирует изображения и поддерживает редактирование с несколькими референсами. Карточка заявляет пиковое потребление около 9 ГБ видеопамяти для этой квантизированной версии; для семейства FLUX.2 [klein] также указана возможность запуска на потребительском оборудовании. Лицензия — Apache 2.0. Модель может не следовать запросу точно, качество зависит от стиля промпта, а генерируемые надписи могут быть искажены. Она не предназначена для выдачи фактических ответов и может отражать смещения обучающих данных; результат не следует использовать как достоверный источник информации.

Карточка модели Jinstudio/FLUX.2-klein-base-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-base-4B, поэтому описание составлено по ней. 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] 9B Base — базовая модель генерации и редактирования изображений от Black Forest Labs. Это трансформер rectified flow с 9 млрд параметров, работающий через библиотеку Diffusers. Модель создаёт изображения по текстовым описаниям и поддерживает редактирование с несколькими референсными изображениями. Это недистиллированная модель полной ёмкости, предназначенная для творческих экспериментов, тонкой настройки, обучения LoRA и пользовательских конвейеров генерации и редактирования. По сравнению с дистиллированными вариантами она обеспечивает большее разнообразие результатов и даёт больше контроля, но ориентирована на гибкость, а не на максимальную скорость. Для запуска требуется около 29 ГБ видеопамяти; в карточке заявлена поддержка потребительского оборудования уровня NVIDIA RTX 4090 и выше. Модель может неверно следовать запросу или искажать текст, который изображает; результаты зависят от формулировки промпта. Она не предназначена для получения фактической информации. Указана лицензия other, поэтому конкретные условия использования следует проверять в файле лицензии репозитория. Разработчик описывает меры по снижению рисков генерации незаконного контента и задаёт ограничения на использование модели и её производных.

FLUX.2 [klein] Base 9B — полноразмерная базовая модель генерации и редактирования изображений, разработанная Black Forest Labs и переизданная Unsloth без изменений весов. Это трансформер rectified flow с 9 млрд параметров, предназначенный для создания изображений по текстовым описаниям и редактирования с несколькими референсными изображениями. Модель распространяется для работы с Diffusers и поддерживает текстовые и визуальные входы с генерацией изображения. Базовая версия не подвергалась дистилляции шагов или guidance: она сохраняет гибкость и разнообразие результатов и подходит для творческого исследования, дообучения, обучения LoRA и создания пользовательских конвейеров генерации и редактирования. В карточке заявлена возможность работы на потребительском оборудовании, однако для запуска указано около 29 ГБ видеопамяти, начиная с NVIDIA RTX 4090. Английский указан среди языков карточки. Модель не предназначена для выдачи фактической информации; текст внутри изображений может быть искажён, а соответствие промпту зависит от формулировки и не гарантируется. Возможны смещения из обучающих данных. Лицензия обозначена как other; README отсылает к условиям upstream Black Forest Labs в файлах LICENSE и NOTICE и перечисляет ограничения на использование, включая запрет на незаконное и вредоносное применение.

FocalNet Small LRF — модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная авторами статьи о Focal Modulation Networks и доступная через библиотеку timm. Она предварительно обучена на ImageNet-1k; число параметров — 50,3 млн, вычислительная сложность — 8,7 GMACs. Указанный размер входного изображения — 224 × 224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT.

GroupViT — модель компьютерного зрения и языка, разработанная авторами Jiarui Xu, Shalini De Mello, Sifei Liu, Wonmin Byeon, Thomas Breuel, Jan Kautz и Xiaolong Wang; этот чекпойнт загружен Jiarui Xu. Модель сочетает иерархический Vision Transformer с текстовым энкодером и обучена на парах изображений и подписей с контрастивной целью. В метаданных указан датасет RedCaps. Модель предназначена для сегментации изображений по текстовым категориям без дополнительного дообучения: она группирует области изображения в сегменты произвольной формы и сопоставляет их с заданными текстовыми описаниями. В статье сообщается о результатах zero-shot сегментации на PASCAL VOC 2012 и PASCAL Context. Модель принимает изображения и текстовые категории, а для задачи сегментации выдаёт разметку областей изображения. Данные обучения собраны из общедоступных пар изображений и подписей, в том числе из веб-источников; авторы отмечают смещение охвата в сторону более подключённых к интернету стран и более молодых мужчин. Сведения о лицензии в предоставленных данных отсутствуют.

Halo+BoTNet50ts — модель классификации изображений, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Архитектура основана на ResNet и реализована через BYOBNet с блоками BYOANet, сочетающими свёрточные слои и пространственное внимание. Конфигурация настроена на разумное время обучения и использует меньше блоков self-attention, чем описанные в исходных работах варианты. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она содержит 22,6 млн параметров, рассчитана на изображения размером 256 × 256 и имеет вычислительную сложность 5,0 GMACs. Обучение проведено по рецепту ResNet Strikes Back A1 с оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0.

HaloNet50ts.a1h_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. В основе архитектуры лежит ResNet с блоками HaloNet, реализованными через BYOBNet; конфигурация настроена для умеренного времени обучения и использует меньше блоков self-attention, чем описано в соответствующей статье. Модель содержит 22,7 млн параметров, требует изображение размером 256 × 256 пикселей и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Обучение выполнено по рецепту ResNet Strikes Back A1 с оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с разогревом. Языковой ввод и текстовый вывод не предусмотрены. Модель распространяется по лицензии Apache-2.0. Она обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; карточка также предупреждает, что конфигурация не повторяет в точности настройки конкретной статьи.

Карточка модели kikogghg/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 Yes83882/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 sojashis/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.

facebook/ijepa_vith16_1k — модель I-JEPA, разработанная Meta и дообученная на ImageNet-1k. Она извлекает признаки изображений и предназначена для построения визуальных представлений, которые можно использовать в последующих задачах компьютерного зрения, например классификации изображений. I-JEPA предсказывает представления скрытых частей изображения по другим его частям в латентном пространстве, не восстанавливая пиксели; архитектура включает предсказатель латентных представлений. Размер модели — 838,9 млн параметров, библиотека загрузки — Transformers. Этот чекпойнт рассчитан на извлечение признаков изображений; README также упоминает классификацию как возможное применение метода. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование.

Juggernaut XI v11 — модель KandooAI, созданная в сотрудничестве с RunDiffusion, для генерации изображений по текстовым запросам. Это дообучение Stable Diffusion XL Base 1.0, распространяемое для библиотеки Diffusers в форматах PyTorch и Safetensors. Модель ориентирована на фотореалистичные изображения и фотографии с выразительным освещением и композицией. Она принимает запросы на естественном языке или в виде тегов; среди заявленных улучшений — следование запросу, прорисовка лиц, глаз и рук, различение типов кадра и рендеринг коротких надписей. Рекомендуемое разрешение — 832 × 1216 для портретной ориентации и 1216 × 832 для альбомной. Для локальной загрузки требуется принять условия доступа на Hugging Face и аутентифицироваться. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных материалов согласно её условиям. Заявленные улучшения и качество зависят от запроса и настроек генерации.

ford442/Juggernaut-XI-v11-fp32 — производная модель семейства Stable Diffusion XL для генерации изображений по текстовым запросам. В метаданных указаны библиотека Diffusers и связь дообучения с stabilityai/stable-diffusion-xl-base-1.0; автор README — RunDiffusion. Модель предназначена для создания изображений по описаниям, в том числе в жанрах фотографии, кинематографических сцен, пейзажей, интерьеров, еды, автомобилей, дикой природы и архитектуры. Поддерживаемый язык из метаданных — английский. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на условиях лицензии.

LeViT-256 — сверточная модель компьютерного зрения для классификации изображений, доступная в библиотеке timm. Авторы статьи о LeViT обучили её с дистилляцией на ImageNet-1k. Архитектура сочетает подходы Vision Transformer и сверточных сетей; в этой версии используются nn.Conv2d и nn.BatchNorm2d. Модель содержит около 18,9 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность около 1,1 GMACs. Модель подходит для присвоения изображениям классов ImageNet-1k и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. В карточке для неё указана точность top-1 81,512% и top-5 95,48% на ImageNet-1k. Репозиторий распространяется по лицензии Apache-2.0. Ограничения: сведения о качестве относятся к ImageNet-1k и не гарантируют аналогичной точности на других наборах данных или предметных областях.

Lunar Diffusion 1.26.1 — модель преобразования текстовых запросов в изображения, опубликованная Yntec. Автор карточки называет её своей любимой моделью Lunar от mooncryptowow; репозиторий использует Diffusers и содержит веса в формате safetensors. Модель предназначена для генерации изображений по текстовому описанию. Указана лицензия CreativeML OpenRAIL-M.

MambaOut Base Short RW — модель классификации изображений и извлечения признаков из семейства MambaOut, подготовленная Россом Уайтманом для библиотеки timm. Вариант обучен на ImageNet-1k по рецепту обучения на основе Swin и ConvNeXt; содержит 88,8 млн параметров и рассчитан на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель подходит для отнесения изображений к категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в компьютерном зрении. Репозиторий предоставляет веса PyTorch в формате safetensors; лицензия — Apache-2.0.

MobileNet V1 — сверточная модель компьютерного зрения, разработанная Google и представленная в работе MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. Этот вариант предварительно обучен на ImageNet-1k и классифицирует изображения размером 192×192 по 1000 классам набора ImageNet. Модель рассчитана на быструю классификацию изображений при ограниченных ресурсах и может служить основой для задач обнаружения объектов, построения эмбеддингов и сегментации после соответствующей адаптации. Архитектура MobileNet V1 ориентирована на низкие задержки и энергопотребление, в том числе на мобильных устройствах; она балансирует скорость, размер и точность. Репозиторий содержит веса PyTorch. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория.