IV.1Ритейл, электронная коммерция и fashion-tech

ilintar/trellis2-gguf — набор весов TRELLIS.2, преобразованный в формат GGUF для запуска через trellis.cpp, автономную среду C++/GGML с поддержкой CUDA и Vulkan, а также через Lemonade как медиа-бэкенд GGML. Модель предназначена для преобразования изображения в 3D-объект. Репозиторий содержит компоненты полного конвейера: DINOv3, блоки потока и декодирования разреженной структуры, формы и текстур для разрешений 512 и 1024, а также опциональный BiRefNet для удаления фона. GGUF — формат поставки весов; README указывает исходную модель TRELLIS.2, но не сообщает её идентификатор или точную лицензию, отсылая к лицензии исходной модели.

Карточка модели AMK27/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.

VisionHOPE — семейство предварительно обученных визуальных моделей, разработанное авторами проекта VisionHOPE: Visual Backbones as Self-Modifying Learning Systems. В репозитории размещены контрольные точки размеров T, S и B для классификации изображений ImageNet-1K, обнаружения объектов и сегментации экземпляров на COCO, а также семантической сегментации на ADE20K. Модели предназначены для задач компьютерного зрения и могут использоваться как визуальные основы в соответствующих конвейерах. Репозиторий содержит веса в формате PyTorch; для установки, определения архитектуры и запуска обучения или оценки README отсылает к коду проекта. Лицензия репозитория — MIT.

VisualGLM-6B — мультимодальная диалоговая модель команды THUDM, построенная на ChatGLM-6B. Она принимает изображения и вопросы на китайском или английском языках и формирует текстовые ответы, в том числе для визуального вопросно-ответного общения. Языковая часть основана на ChatGLM-6B и содержит 6,2 млрд параметров; визуальный модуль использует BLIP2-Qformer для связи изображений с языковой моделью. В карточке указано 7,8 млрд параметров для всей модели, тогда как метаданные Hugging Face указывают 8,1 млрд. Для предварительного обучения использовались китайские и английские пары изображение–текст, а для последующего дообучения — данные визуального вопросно-ответного общения. Репозиторий содержит веса в формате PyTorch. Код распространяется по Apache-2.0, а использование весов регулируется отдельной лицензией модели. Модель предназначена для диалога об изображениях на китайском и английском языках; карточка не приводит подробных сведений о точности и ограничениях применения.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-21k, затем дообучили на ImageNet-1k; перенос весов в PyTorch выполнил Росс Уайтман. Модель доступна через библиотеку timm. Модель содержит около 306,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Её можно применять для классификации изображений по категориям ImageNet-1k, а также как визуальный backbone для получения признаков. Веса распространяются по лицензии Apache-2.0. Модель работает с изображениями и выдаёт метки классов либо визуальные признаки. Её большой размер и вычислительная стоимость (44,3 GMACs) могут ограничивать применение на устройствах с небольшими ресурсами; обучение и настройка ориентированы на ImageNet, поэтому качество на других доменах может отличаться.

vit_little_patch16_reg4_gap_256.sbb_in1k — модель классификации изображений на основе Vision Transformer из библиотеки timm. Разработчик обучил её на ImageNet-1k; вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков. Модель содержит 22,5 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно применять как визуальный энкодер для извлечения карт признаков и эмбеддингов изображений. В README описан рецепт обучения с усиленной аугментацией и затуханием скорости обучения по слоям; точные показатели качества именно этой модели не приведены. Доступна под лицензией Apache-2.0.

Это модель Vision Transformer для классификации изображений и использования в качестве визуального backbone. Она разработана в экосистеме timm и обучена на ImageNet-1k по рецепту обучения timm. Архитектура использует патчи 16×16, регистровые токены и глобальное усреднение; модель содержит около 38,9 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель подходит для присвоения изображению класса из набора ImageNet-1k, извлечения признаковых карт и получения эмбеддингов изображений. В карточке приведены результаты сравнения близких вариантов ViT, но отдельные показатели точности именно этой модели не установлены в предоставленных данных. Репозиторий распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

emilianJR/XXMix_9realistic — чекпойнт Stable Diffusion в формате Diffusers, предназначенный для генерации изображений по текстовому запросу. Автор указывает, что модель загружается через StableDiffusionPipeline и демонстрирует примеры реалистичных изображений с детализированной кожей, отражениями и портретами. Модель принимает текстовый промпт и выдаёт изображение. В метаданных указан английский язык и лицензия CreativeML OpenRAIL-M. Размер модели, длина контекста и точная базовая версия Stable Diffusion в доступных сведениях не приведены.

YOLO26-M-pose — модель семейства YOLO26 от Ultralytics для оценки позы человека и обнаружения ключевых точек. Она принимает изображения размером 640 пикселей и предсказывает координаты точек тела; заявленные показатели pose mAP составляют 68,8 для диапазона IoU 50–95 и 89,6 при IoU 50 в режиме end-to-end. Архитектура формирует предсказания напрямую, без этапа подавления немаксимумов (NMS), и предназначена для эффективного развёртывания, в том числе на периферийных и маломощных устройствах. В README также отмечены локализация точек с помощью RLE, оптимизированное декодирование и удаление DFL. Модель подходит для анализа позы в изображениях и систем компьютерного зрения с низкой задержкой. Для обучения YOLO26 используется оптимизатор MuSGD. Репозиторий содержит веса PyTorch; для использования README рекомендует библиотеку Ultralytics. Лицензия — AGPL-3.0.

deepsweet/Z-Image-Turbo-6B-MLX-Q8 — версия модели Tongyi-MAI/Z-Image-Turbo, преобразованная в формат MLX с помощью MFLUX v0.17.5. Она предназначена для генерации изображений по текстовым описаниям и ориентирована на запуск через MFLUX на устройствах Apple с MLX. Базовая модель — дистиллированная модель Alibaba для быстрой генерации изображений; каталог указывает поддержку английского и китайского текста на изображениях. В карточке этой версии не приведены отдельные сведения о размере, контексте или качестве генерации. Репозиторий распространяется по лицензии Apache-2.0. Указанный формат файлов — safetensors; README описывает преобразование в MLX.

Это 4-битная версия Z-Image-Turbo, подготовленная Unsloth для запуска через библиотеку diffusers. В основе — модель Tongyi-MAI/Z-Image-Turbo с архитектурой одно-поточного диффузионного трансформера S3-DiT; в README указано, что исходное семейство Z-Image имеет 6 млрд параметров. Для сохранения качества важные слои повышаются до более высокой точности, а динамическая методика Unsloth направлена на эффективную квантизацию. Модель предназначена для генерации изображений по текстовым запросам. Z-Image-Turbo рассчитана на быстрое создание фотореалистичных изображений, следует инструкциям в промпте и умеет отображать английский и китайский текст на изображениях. README показывает запуск примерно за 9 шагов; сведения о поддержке изображения на входе для этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0. Квантизация уменьшает требования к памяти по сравнению с полной точностью, но для запуска в примере используется CUDA; при нехватке памяти README предлагает выгрузку частей модели на CPU. Заявленные скорости и качество зависят от оборудования и конфигурации.

3DTopia-XL — модель генерации 3D-ассетов, представленная авторами работы «3DTopia-XL: Scaling High-quality 3D Asset Generation via Primitive Diffusion». Она использует Diffusion Transformer (DiT) и представление PrimX для создания PBR-объектов по изображению или текстовому описанию. По заявлению авторов, денойзинг занимает около пяти секунд, а результат рассчитан на использование в графическом конвейере. Модель обучена на подмножестве Objaverse объёмом около 256 тысяч объектов. В репозитории указаны веса PyTorch; лицензия — Apache-2.0. Метаданные Hugging Face классифицируют модель как image-to-3d, хотя README также описывает генерацию по тексту.

Absolute Reality 1.81 — модель генерации изображений по текстовому описанию на основе Stable Diffusion, дообученная Lykon на runwayml/stable-diffusion-v1-5. Она предназначена для создания реалистичных и художественных изображений по запросам на естественном языке; автор рекомендует запускать её через Diffusers. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель ориентирована на запросы на английском языке. Она распространяется по лицензии CreativeML OpenRAIL-M. Сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

ACR-instance-segmentaiton-refinement-v1.0.0 — это пакет развёртывания модели сегментации экземпляров, опубликованный cmes-deepvision. Он основан на чекпойнте эксперимента exp5 refinement-only и преобразован из ONNX в смешанную точность TensorRT FP16; архитектура относится к Deformable DETR с классом OpenVocabMaskPromptMaskDINO. Модель принимает изображение 1280×1280 и маску пикселей, а также использует промпты possible и impossible для уточнения сегментации. Пакет предназначен для уточнения масок объектов и ускоренного инференса на GPU. В фиксированной оценке на 120 изображениях TensorRT-вариант показал F1 0,6711 и ускорение примерно в 6,7 раза относительно PyTorch FP32 в исходном серверном замере; на RTX 5080 и RTX 5070 также наблюдалось ускорение без заметного изменения F1. Для повышения численной устойчивости часть слоёв оставлена в FP32. В репозитории есть ONNX-модель и TensorRT-движки для A100 и RTX 5080; формат safetensors также указан в метаданных. TensorRT-движки зависят от архитектуры GPU и версии TensorRT: для другой конфигурации README рекомендует пересобрать движок из ONNX. Лицензия обозначена как other, поэтому условия использования следует уточнить по карточке модели.

ConvNeXT-Large — сверточная модель компьютерного зрения, опубликованная командой ConvNeXT и представленная в работе «A ConvNet for the 2020s» Лю и соавторов. Модель предварительно обучена на ImageNet-22k, а затем дообучена на ImageNet-1k для классификации изображений при разрешении 224×224 пикселя. Архитектура — чистая ConvNet, дизайн которой модернизирован с опорой на идеи Vision Transformers и Swin Transformer. Модель принимает изображение и предсказывает один из 1000 классов ImageNet-1k; её можно использовать как готовый классификатор или отправную точку для адаптации к другим задачам компьютерного зрения. Доступны веса в форматах PyTorch и TensorFlow. Лицензия Apache-2.0 разрешает использование, изменение и распространение модели с соблюдением её условий. Классификатор ограничен набором из 1000 классов ImageNet-1k и входным разрешением 224×224; для иных категорий или задач потребуется подходящая донастройка.

ConvNeXt V2 Base — сверточная модель компьютерного зрения, разработанная авторами работы ConvNeXt V2 и выпущенная в репозитории Facebook. Она предварительно обучена в рамках FCMAE, а затем дообучена на ImageNet-1K для классификации изображений с разрешением 224×224 пикселя по 1000 классам ImageNet. Архитектура — чистая ConvNet с механизмом fully convolutional masked autoencoder и слоем Global Response Normalization (GRN). Модель предназначена для классификации изображений; её можно использовать как готовый классификатор или отправную точку для адаптации к другим задачам компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель работает с изображениями и выдаёт метки классов и оценки для них. README не описывает дополнительные ограничения качества или сценарии применения.

Это конвертированная в Core ML версия SAM 2 Tiny — модели семейства Segment Anything от FAIR для сегментации изображений и видео по подсказкам. Репозиторий предназначен для использования в демонстрационном приложении SAM2 Studio. Модель принимает визуальные данные и создаёт маски объектов. Веса преобразованы из исходной модели в формат Core ML с точностью float16; метаданные указывают задачу генерации масок. Лицензия — Apache 2.0.

CyberRealistic XL Desire — модель генерации изображений от автора cyberdelia на основе Stable Diffusion XL 1.0. Она создаёт фотореалистичные изображения по текстовым описаниям и рассчитана прежде всего на портреты, модные и редакционные сцены; также подходит для других творческих запросов. Модель заявлена как способная создавать изображения кинематографического качества с небольшими требованиями к точности формулировки запроса. Модель предназначена для творческой генерации изображений, включая портретные и журнальные иллюстрации. Весовые файлы представлены в формате safetensors. Указана лицензия CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.

Deliberate v3 — модель генерации изображений по текстовому описанию, представленная StableDiffusionAPI и доступная через сервис ModelsLab. Карточка показывает её использование через API с параметрами текстового и негативного промптов, размером изображения, числом шагов генерации и guidance scale; также упоминаются настройки улучшения промпта, увеличения разрешения и подключения LoRA или embeddings. Метаданные указывают на pipeline Stable Diffusion и форматы Diffusers и PyTorch. Модель предназначена для создания изображений по промптам, в том числе фотореалистичных портретов и сцен с детализированным освещением и заданной эстетикой. Указанная лицензия — CreativeML OpenRAIL-M. README демонстрирует доступ к генерации через ModelsLab API; параметры и доступность функций зависят от сервиса. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

timm/densenet121.tv_in1k — сверточная модель DenseNet-121 для классификации изображений и извлечения визуальных признаков. Она обучена на ImageNet-1k с исходными весами torchvision и распространяется через библиотеку timm. Модель содержит около 8 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 2,9 GMACs. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальную основу в компьютерном зрении. Лицензия Apache-2.0 допускает использование и распространение с соблюдением её условий. Область распознавания ограничена категориями ImageNet-1k; качество на других наборах данных не подтверждено карточкой.

refiners/dinov2.small.patch_14 — адаптер на основе facebook/dinov2-small для извлечения признаков изображений. Модель использует архитектуру Vision Transformer семейства DINOv2 и распространяется в формате safetensors; библиотека refiners, лицензия Apache-2.0. Модель предназначена для получения визуальных признаков, которые можно использовать в последующих задачах компьютерного зрения, например для обучения классификаторов. В метаданных указана задача image-feature-extraction; дополнительных сценариев и характеристик модели карточка не подтверждает.

BAAI/DreamBooth-AltDiffusion — модель генерации изображений по тексту, полученная дообучением мультиязычной AltDiffusion методом DreamBooth. Она связывает уникальный идентификатор с конкретным персонажем или другим объектом, используя небольшое количество изображений; в карточке приведён пример дообучения на фотографиях Наруто. Модель предназначена для генерации изображений этого объекта по текстовым запросам и демонстрирует вариант персонализированной генерации на базе AltDiffusion. AltDiffusion поддерживает девять языков, включая английский, китайский, испанский, французский, русский, японский, корейский, арабский и итальянский. Репозиторий содержит веса в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M. Карточка не приводит размер модели и длину контекста.

EdgeNeXt XX-Small — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработали авторы статьи EdgeNeXt и обучили на ImageNet-1k. Архитектура сочетает свёрточные и трансформерные компоненты и предназначена для эффективного использования в мобильных системах компьютерного зрения. Модель содержит около 2,3 млн параметров и требует около 0,5 GMACs на изображение. Размер изображений при обучении составлял 256 × 256 пикселей, при проверке — 288 × 288. Помимо предсказания класса, её можно применять как основу для извлечения карт признаков и эмбеддингов изображений. Лицензия — MIT.

Fascinatio-PixartAlpha1024-Finetuned — модель генерации изображений по текстовому описанию, созданная автором artificialguybr путём дообучения PixArt-Alpha. Автор описывает её как универсальную модель, способную создавать реалистичные и художественные изображения людей, автомобилей и разнообразных сюжетов. Обучение заняло около 60 тысяч шагов. Модель предназначена для создания изображений по текстовым запросам в сценариях, где нужны реалистичные или стилизованные иллюстрации. Репозиторий использует Diffusers и формат весов Safetensors. В карточке не указаны размер модели, длина контекста и лицензия, поэтому условия использования по имеющимся сведениям определить нельзя.

Карточка модели exolabs/FLUX.1-Krea-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Krea-dev, поэтому описание составлено по ней. FLUX.1 Krea [dev] — модель генерации изображений по текстовому описанию, совместно разработанная Black Forest Labs и Krea. Это дообученная версия FLUX.1 [dev] на архитектуре rectified flow transformer с 12 млрд параметров; обучение с guidance distillation сделало её эффективнее. Модель ориентирована на высокое качество, особенно эстетической фотографии, и хорошо следует текстовым запросам. Она принимает текст и создаёт изображения; карточка указывает английский язык. Модель подходит для творческих рабочих процессов, подготовки концептов и визуальных материалов, а также научных исследований. Она предназначена для работы в системах, совместимых с FLUX.1 [dev], включая Diffusers и ComfyUI. Модель не предназначена для предоставления фактической информации: результат может не соответствовать запросу, а следование промпту зависит от его формулировки. Генерация может отражать общественные предубеждения. Веса доступны по лицензии FLUX.1 [dev] Non-Commercial License. README описывает допустимое применение результатов, включая личное и коммерческое, но использование самой модели регулируется условиями этой лицензии. Запрещены, в частности, незаконное использование, эксплуатация несовершеннолетних, создание несанкционированной интимной и иной запрещённой информации; при развёртывании требуются фильтры или ручная проверка.

FLUX.1 [schnell] — модель генерации изображений из текстовых описаний, разработанная Black Forest Labs и перепубликованная Unsloth в виде зеркала с неизменёнными весами. Это rectified flow transformer с 12 млрд параметров, распространяемый в форматах Diffusers и Safetensors. Модель предназначена для быстрого создания изображений по текстовым запросам: благодаря дистилляции latent adversarial diffusion она генерирует результат за 1–4 шага. Карточка отмечает высокое качество изображений и хорошее следование запросу, при этом результат зависит от формулировки промпта. Модель не предназначена для выдачи фактических сведений, может не следовать запросу и воспроизводить общественные предубеждения. Лицензия Apache-2.0 разрешает личное, научное и коммерческое использование; также действуют ограничения на недопустимые сценарии, перечисленные в карточке.

Flux-Midjourney-Mix2-LoRA — адаптер LoRA для генерации изображений на базе black-forest-labs/FLUX.1-dev, опубликованный пользователем или организацией strangerzonehf. Модель предназначена для text-to-image генерации и усиливает визуальный стиль, ассоциируемый с Midjourney v6, особенно в реалистичных портретах, модельных и демонстрационных сценах, крупных планах и фотографии предметов. Для активации адаптера в промпт необходимо добавлять триггерное слово «MJ v6». Поддерживаются текстовые запросы на естественном языке; в примерах используются английские промпты. Рекомендуемые размеры изображений — 768×1024 и 1024×1024. Адаптер обучался на 36 изображениях с использованием разметки Florence2 на английском языке; указаны Network Dim 64, Network Alpha 32, 28 эпох и 3660 шагов. Конкретные сведения о размере базовой модели, максимальной длине контекста и других модальностях не приведены. Сильная сторона модели — специализация на реалистичной фотостилистике, портретах, fashion- и street-фотографии, предметной съёмке, выразительном освещении и визуальных эффектах. Ограничениями являются небольшой объём обучающей выборки и зависимость от базовой модели FLUX.1-dev; качество и соответствие стилю могут зависеть от формулировки английского промпта, параметров генерации и выбранного разрешения. Указана лицензия flux-1-dev-non-commercial-license, поэтому использование ограничено её условиями и носит некоммерческий характер.

timm/focalnet_small_srf.ms_in1k — модель классификации изображений семейства FocalNet, опубликованная авторами статьи и доступная через библиотеку timm. Она обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. Модель содержит около 49,9 млн параметров, использует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 8,6 GMACs. Архитектура основана на механизме Focal Modulation. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT. Модель рассчитана на задачи распознавания объектов из классов ImageNet-1k. Ее ограничения связаны с областью обучения и входным разрешением: качество на других предметных областях и разрешениях может отличаться.

FunctionGemma-270M Arabic Tool Use — дообученная модель metga97 на базе google/functiongemma-270m-it, предназначенная для вызова инструментов по запросам на арабском языке. Она принимает диалог и описания инструментов, а когда нужен инструмент, формирует один вызов в нативном формате FunctionGemma со структурированными JSON-аргументами; для остальных запросов отвечает коротким текстом на арабском языке. Модель содержит 257 млн параметров, использует плотную архитектуру Gemma 3 и поддерживает контекст до 32 768 токенов. Обучение и оценка охватывают литературный арабский и диалекты: египетский, заливный, левантийский и магрибский; тестовые сценарии включают финансы, электронную торговлю, госуслуги, здравоохранение, исламские сервисы, путешествия, коммунальные услуги и погоду. В README указаны высокая точность выбора инструмента и аргументов, но точное совпадение всех вызовов ниже единицы; возможен перевод значений параметров на английский. Для корректного использования нужны шаблон чата FunctionGemma с переданными инструментами и левая схема дополнения батча. Модель распространяется по лицензии Apache-2.0.

gernet_s.idstcv_in1k — модель семейства GENet (GPU-Efficient Networks) для классификации изображений, реализованная в библиотеке timm на основе настраиваемой архитектуры BYOBNet. Её обучили авторы статьи на ImageNet-1k; модель содержит около 8,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель присваивает изображению класс из набора категорий ImageNet-1k. Её также можно использовать как визуальную основу для извлечения признаковых карт и эмбеддингов изображений. В карточке указаны вычислительная сложность 0,7 GMACs и объём активаций 2,7 млн. Модель предназначена для задач компьютерного зрения общего назначения. Весы доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.