IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели duckky-green/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 Via-137/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.

calcuis/hy3d-gguf — набор файлов модели Hunyuan3D-2 в формате GGUF, предназначенный для создания 3D-моделей по изображению. Репозиторий разработан пользователем calcuis; базовая модель Tencent Hunyuan3D-2 преобразована для использования в GGUF. Доступны варианты BF16, F16, F32 и квантизации Q2_K, Q3_K_M, Q4_0, Q4_1 и Q4_K_M. Модель рассчитана на генерацию 3D-геометрии по входному изображению в рабочих процессах ComfyUI. README указывает каталоги ComfyUI для файлов GGUF, vision и VAE; создание дополнительных изображений объекта с разных ракурсов описано как необязательный отдельный этап. В метаданных указан английский язык карточки, но это не подтверждает языковые возможности самой модели. Лицензия обозначена как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

Juggernaut XL v8 — дообученная на базе Stable Diffusion XL Base 1.0 модель генерации изображений, созданная KandooAI совместно с RunDiffusion. Это заключительная версия поколения RunDiffusion Photo v1 в линейке Juggernaut SDXL; она рассчитана на создание фотореалистичных и кинематографичных изображений по текстовому запросу. Модель подходит для портретов, архитектурной, природной, автомобильной, интерьерной и предметной фотографии, а также для творческих рабочих процессов, настроенных на эстетику v8. Её визуальный профиль описан как более мягкий по контрасту и освещению по сравнению с последующей v9. Модель использует архитектуру Stable Diffusion XL и доступна для Diffusers и интерфейсов генерации изображений, включая ComfyUI и Automatic1111. Модель поддерживает английские запросы. Карточка рекомендует портретное разрешение 832 × 1216 или альбомное 1216 × 832 и 30–40 шагов генерации. Лицензия CreativeML OpenRAIL-M допускает личное и творческое использование; размещение за платными API-сервисами требует отдельного разрешения RunDiffusion. Для новых проектов авторы рекомендуют более поздние версии Juggernaut.

Карточка модели ModelsLab/krea-2-raw-svdquant-int4_r32 на Hugging Face совпадает с карточкой krea/Krea-2-Raw, поэтому описание составлено по ней. Krea 2 Raw — базовый чекпойнт модели генерации изображений по тексту, разработанный компанией Krea.ai, Inc. Это Diffusion Transformer с 12 млрд параметров, опубликованный в формате открытых весов и предназначенный прежде всего для дообучения и постобработки под собственные задачи и предметные области. Карточка не рекомендует использовать Raw для обычного инференса; один из описанных сценариев — обучение LoRA на Raw с последующим применением на Krea 2 Turbo. Модель принимает текстовые описания и генерирует изображения. Она рассчитана на творческие и коммерческие рабочие процессы: создание изображений, разработку концепций, исследование дизайна и интеграцию в приложения. Основной язык в карточке и метаданных — английский. Указанная лицензия — Krea 2 Community License; для развёртываний требуются фильтрация контента или эквивалентные процедуры проверки согласно лицензии и политике допустимого использования. Модель может не следовать запросу точно и выдавать нежелательные результаты; качество следования зависит от языка, стиля, конкретности и формулировки запроса. Она не предназначена для получения фактической информации. Карточка также отмечает, что проверка безопасности не охватывает все возможные сценарии.

RudySen/Krea2-realism-V2 — это LoRA-модель для генерации изображений по текстовому описанию, разработанная пользователем RudySen и предназначенная для использования поверх базовой модели krea/Krea-2-Turbo. Модель совместима с экосистемой Diffusers и рассчитана на применение в готовых рабочих процессах для Krea-2-Turbo, включая сценарии, где требуется более реалистичная визуальная подача. Основной акцент сделан на улучшении текстур, освещения, композиции, лиц, кожи и естественности выражений. Модель поддерживает различные стили и особенно хорошо работает с естественными описаниями сцен длиной примерно 4–5 предложений. Она также совместима с другими character LoRA. Для активации не требуется специальное ключевое слово: в карточке указано значение none. Рекомендуемый автором вес LoRA составляет 1,5–2,0, хотя при удачном запросе возможно использование веса 1,0. Модель может применяться и для создания NSFW-контента, однако из-за использования большого количества обычных качественных фотографий соответствующая подача описывается как более сдержанная. Ограничения включают зависимость результата от качества и подробности текстового запроса, а также отсутствие в карточке сведений о размере, архитектуре базовой модели, поддерживаемых языках и длине контекста. Распространяется по лицензии MIT.

Krea-2-Turbo Humming — это квантизированная версия модели Krea-2-Turbo, подготовленная ByteShape с использованием ShapeLearn и оптимизированных Humming-ядер для запуска через vLLM-Omni. Модель предназначена для генерации изображений по текстовому описанию. В комплект входят текстовый энкодер, VAE, scheduler и tokenizer, поэтому отдельная загрузка компонентов не требуется. Модель является step-distilled и генерирует изображение за 8 шагов без classifier-free guidance. Доступны пять вариантов размером от 6,14 до 14,30 ГБ, с точностью от 3,83 до 8,92 bits per weight; полный пакет вместе с оболочкой занимает от 15,5 до 23,7 ГБ. На NVIDIA RTX 5090 генерация изображения 1024×1024 занимает около 4 секунд. Квантизация в первую очередь снижает требования к VRAM, а ускорение обеспечивается backend и Humming-ядрами. Основные ограничения связаны с экспериментальным статусом и требованиями к окружению: поддерживаются только Linux, NVIDIA GPU с архитектурой SM75 или новее, а рекомендуемый стек включает vLLM 0.26.0, vLLM-Omni 0.26.0 и плагин vllm-omni-humming 0.3.0. Лицензия указана как Krea 2 Community License; условия доступны по ссылке https://www.krea.ai/krea-2-licensing.

LayerD BiRefNet Matting Module — модуль маттинга от CyberAgent для фреймворка LayerD, предназначенного для декомпозиции графических изображений на слои. Репозиторий содержит веса модели и код архитектуры на основе BiRefNet; модель рекомендуется использовать как часть оригинального проекта LayerD. В метаданных указаны архитектура BiRefNet, библиотека Transformers и формат весов safetensors. Модель предназначена для выделения объектов и получения маттинга в графическом дизайне, чтобы включать результат в процесс разложения изображения на слои. Она принимает изображения и выполняет задачу сегментации изображений. Карточка не сообщает размер модели и длину контекста; эти характеристики для обработки изображений здесь не применимы. Репозиторий распространяется по лицензии Apache-2.0.

latent-consistency/lcm-lora-sdxl — адаптер LoRA на основе метода Latent Consistency Model (LCM), разработанного Simian Luo, Yiqin Tan, Suraj Patil, Daniel Gu и другими авторами. Он предназначен для ускорения генерации изображений моделью Stable Diffusion XL base 1.0 за счёт уменьшения числа шагов диффузии до 2–8. Адаптер применяется в задачах text-to-image и inpainting, а также может комбинироваться с другими LoRA-адаптерами и использоваться вместе с ControlNet. Модель содержит 197 млн параметров и работает через библиотеку Hugging Face Diffusers; требуется планировщик LCMScheduler. Для базовой генерации рекомендуется отключить guidance_scale или использовать значение от 1,0 до 2,0. Поддерживаются сценарии генерации по текстовому описанию, дорисовки изображений по маске и стилизации с дополнительными адаптерами. Ключевое преимущество — существенно более быстрая генерация по сравнению с многошаговой диффузией, при сохранении совместимости с экосистемой SDXL и возможностью объединения адаптеров. Ограничения включают необходимость использования совместимой базовой модели Stable Diffusion XL, Diffusers версии 0.23.0 или новее и дополнительных пакетов peft, accelerate и transformers. В README указана лицензия openrail++.

Danrisi/Lenovo_FluxKlein9b_base — модель для генерации изображений по текстовому описанию, опубликованная пользователем или организацией Danrisi. Она основана на black-forest-labs/FLUX.2-klein-base-9B и предназначена для использования с библиотекой Diffusers. Метаданные также указывают на формат LoRA и специализацию на реалистичной генерации изображений. Модель поддерживает английский язык в текстовых запросах. Архитектура, точный размер адаптера, поддерживаемые модальности и максимальная длина контекста отдельно не описаны; о параметрах базовой модели в карточке приведено недостаточно сведений. Основное предполагаемое применение — создание реалистичных изображений из текстовых промптов с использованием экосистемы FLUX и Diffusers. Модель распространяется по лицензии Apache-2.0.

digiplay/majicMIX_realistic_v4 — модель Stable Diffusion для генерации реалистичных изображений по текстовым запросам. Репозиторий представлен в форматах Diffusers, PyTorch и Safetensors. Карточка содержит пример изображения, созданного через API Hugging Face, но не описывает обучение, точную архитектуру или рекомендуемые сценарии. Метаданные указывают задачу text-to-image; лицензия обозначена как other, поэтому условия использования следует сверить с файлами и сведениями в репозитории.

maxvit_nano_rw_256.sw_in1k — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработал Ross Wightman и обучил в библиотеке timm на ImageNet-1k. Модель содержит около 15,5 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Архитектура MaxViT сочетает блоки MBConv с двумя видами внимания: оконным и сеточным. Модель подходит для определения объектов и сцен на изображениях, а также для получения карт признаков и эмбеддингов, которые можно использовать в других системах компьютерного зрения. Для работы с весами предусмотрены форматы PyTorch и safetensors. Модель выпущена под лицензией Apache-2.0. Её точность и применимость зависят от соответствия входных изображений обучающим данным ImageNet-1k; карточка описывает классификацию общего назначения, а не специализированные предметные области.

Wherebot101 выпустил MetaView-ComfyUI — одиночный чекпойнт для ComfyUI, предназначенный для синтеза новых ракурсов по одной фотографии. Модель основана на Qwen/Qwen-Image-Edit и дополнена компонентами MetaView для учёта геометрии и параметров камеры; также в неё слита LoRA Qwen-Image-Edit-Lightning для генерации за 8 шагов при CFG 1.0. Веса представлены в формате safetensors и квантизованы в FP8 для быстрого вывода с меньшими требованиями к видеопамяти. На вход подаются изображение и параметры движения камеры — yaw, pitch и радиус, а на выходе получается изображение сцены с нового ракурса. Для работы требуются специальные узлы Enviral Design и сопутствующие текстовый энкодер, VAE и 3D-признаки DA3; стандартного загрузчика ComfyUI недостаточно. README сообщает о небольшом типичном относительном отклонении весов после квантизации, но не приводит независимой оценки качества. Лицензия — Apache-2.0.

Midjourney-mini — модель генерации изображений по текстовому описанию, опубликованная пользователем openskyml и доступная в формате Diffusers на PyTorch. Она предназначена для создания изображений по запросам, в том числе реалистичных; в README также заявлены простота использования и бесплатный доступ. Метаданные указывают поддержку английского, русского, немецкого и французского языков, а лицензионные метаданные — MIT. README называет модель уменьшенной версией платной Midjourney, но не приводит сведений о её архитектуре, размере или длине контекста.

Это модель классификации изображений на архитектуре MLP-Mixer, опубликованная авторами статьи «MLP-Mixer: An All-MLP Architecture for Vision» и доступная через библиотеку timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k; содержит около 59,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель можно использовать как для предсказания классов изображений, так и как основу для извлечения признаков и эмбеддингов. Модель предназначена для задач компьютерного зрения общего назначения, включая классификацию изображений и получение визуальных признаков для последующей обработки. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не указывает особых ограничений, кроме ориентации на входные изображения размером 224 × 224.

MobileNet V2 — сверточная модель классификации изображений, разработанная авторами статьи MobileNetV2 и предварительно обученная на ImageNet-1k. Версия 1.0_224 использует множитель глубины 1,0 и рассчитана на входные изображения размером 224 × 224 пикселя; архитектура включает инвертированные остаточные блоки и линейные узкие места. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Компактность, низкая задержка и низкое энергопотребление делают её подходящей для мобильных устройств и других систем с ограниченными ресурсами. MobileNet также можно использовать как основу для дообучения на задачах обнаружения объектов, построения эмбеддингов и сегментации. Репозиторий содержит веса PyTorch и Safetensors. В карточке указана лицензия other, поэтому точные условия использования следует проверять в файлах лицензии репозитория. Модель обучалась на ImageNet-1k и рассчитана на изображения с разрешением 224 × 224; её классификация ограничена набором из 1000 классов ImageNet.

MR-IQA — модель для оценки качества изображений без эталонного изображения, представленная автором RobinY99. Она использует margin learning, объединяющее регрессию и ранжирование, и принимает изображение вместе с текстовым запросом через архитектуру Qwen3-VL. Модель предназначена для выдачи одной числовой оценки качества в диапазоне от 1 до 5. В карточке приведена проверка на отложенной части KONIQ: лучший результат достигнут на третьей эпохе, а выпущенный чекпойнт соответствует десятой эпохе. Репозиторий содержит веса Safetensors и предназначен для запуска через Transformers. Лицензия — MIT. Валидация охватывает только описанный срез данных, поэтому её результаты сами по себе не гарантируют качество на других наборах изображений или сценариях.

NextStep-1.1 — модель семейства NextStep, разработанная StepFun для генерации изображений по текстовым запросам. В карточке Hugging Face для неё указан тег text-to-image; каталог также отмечает text-generation, чат и интерфейс вызова инструментов. Это плотная 14-миллиардная модель на архитектуре LlamaForCausalLM, использующая библиотеку Transformers. Заявленная длина контекста — 131 072 токена. По словам разработчиков, версия 1.1 получила дополнительное обучение и постобучение с Flow-based reinforcement learning. Цель этих изменений — повысить качество и стабильность генерации изображений, улучшить текстуры и сократить число визуальных артефактов. Модель предназначена для создания изображений по описаниям; сведений о поддерживаемых естественных языках в карточке нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит количественных оценок качества и подробных ограничений на область применения; фактическое качество может зависеть от запроса и условий запуска.

Nitro-1-SD — модель генерации изображений по текстовым описаниям, разработанная AMD. Это модель на основе UNet с архитектурой Stable Diffusion 2.1, дообученная методом дистилляции на 1 млн запросов из DiffusionDB с использованием AMD Instinct GPU. Она создаёт изображение за один шаг, что заметно сокращает вычисления и время генерации по сравнению с базовой Stable Diffusion 2.1; в приведённом сравнении CLIP score ниже на 2,5%, а FID выше на 2,2%. Модель совместима с конвейером Diffusers. Распространяется по лицензии Apache-2.0.

PixArt-900M-1024-ft-v0.6 — полноранговая дообученная модель генерации изображений по текстовому описанию, основанная на ptx0/pixart-900m-1024-ft-large. Для генерации используется конвейер PixArtSigmaPipeline; файлы представлены в формате Diffusers и Safetensors. Текстовый энкодер не обучался, поэтому для инференса можно использовать энкодер базовой модели. Модель предназначена для создания изображений по текстовым запросам. В карточке приведены примеры валидации при разрешении 1024×1024, а также 1344×768 и 916×1152; модель обучалась на изображениях с разрешением около одного мегапикселя и случайным квадратным кадрированием. Обучение включало 100 000 шагов в течение семи эпох. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит специальных оценок качества или подробных ограничений; результаты генерации зависят от формулировки запроса и настроек инференса.

PixelGen — модель HelpingAI для генерации изображений по текстовым описаниям. Она предназначена для творческих и практических сценариев, где нужно преобразовать текстовый запрос в визуальное изображение. В метаданных указана архитектура StableDiffusionXLPipeline и форматы Diffusers, PyTorch и safetensors; размер модели в README указан как 3,47 млрд параметров. Модель принимает текст и выдаёт изображения. Карточка описывает генерацию как средство для создания визуально привлекательных изображений с подробностями, но не приводит количественных оценок качества или конкретных ограничений. Лицензия обозначена как other, поэтому её условия следует уточнить в репозитории модели перед использованием.

RADIO-B — модель извлечения признаков изображений, разработанная NVIDIA Research. Она кодирует изображение в два представления: сводный вектор, описывающий общий смысл изображения, и пространственные признаки для локализованного содержимого. Эти представления подходят для дальнейшего использования в задачах компьютерного зрения, включая семантическую сегментацию, а также для передачи визуальных признаков в LLM. Модель принимает изображения и выдаёт тензоры признаков. В карточке показана загрузка через Transformers и обработка RGB-изображений с помощью CLIPImageProcessor. Репозиторий распространяет веса в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии в репозитории.

Yolo26 — семейство моделей обнаружения объектов, разработанное Ultralytics и экспортированное Software Mansion в программы ExecuTorch формата .pte для библиотеки React Native ExecuTorch. Модели предназначены для запуска непосредственно на мобильных устройствах и других поддерживаемых устройствах в приложениях компьютерного зрения, которым требуется находить объекты на изображениях. README не указывает поддерживаемые классы объектов и языки, поскольку модель работает с визуальными данными, а не с текстом. Доступны варианты размеров n, s, m, l и x, а также входных разрешений 384, 512 и 640. Для backend Core ML опубликованы версии с точностью fp16, для XNNPACK — с точностью fp32. Файлы подготовлены для ExecuTorch v1.4.1 и могут использоваться через task pipeline в React Native ExecuTorch либо в собственном runtime ExecuTorch. Сильной стороной является готовность к on-device inference и наличие нескольких вариантов, позволяющих выбирать компромисс между размером модели и вычислительными требованиями. Ограничения включают зависимость от совместимости с ExecuTorch v1.4.1: более старые версии runtime могут не загрузить модели; backend MLX экспортирован, но не опубликован. Репозиторий распространяется по лицензии AGPL-3.0.

Realistic Vision v1.3 — модель генерации изображений по текстовому описанию, представленная в репозитории Yntec. Это версия размером 768×768 из серии Realistic Vision; в карточке её характеризуют как наиболее творческую в серии и отмечают, что она допускает композиции, где объект может находиться за пределами кадра. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Модель предназначена для создания реалистичных и полуреалистичных изображений по текстовым запросам: портретов, рекламных и винтажных постеров, фотографических сцен и детализированных иллюстраций. Примеры в карточке охватывают как фотореалистичные сюжеты, так и стилизованную живопись. Лицензия — CreativeML OpenRAIL-M.

Realistic Vision v4.0 — модель Stable Diffusion для генерации реалистичных изображений по текстовому запросу, опубликованная stablediffusionapi. Карточка показывает использование через API ModelsLab и пример генерации портретного изображения с настройками размера, числа шагов и guidance scale. Модель предназначена для создания фотореалистичных изображений, в том числе портретов с заданным освещением, внешностью и окружением. В репозитории представлены веса в форматах Diffusers/PyTorch и Safetensors; указана лицензия CreativeML OpenRAIL-M. Пример API предусматривает положительный и отрицательный запросы, а также параметры для дополнительных функций вроде апскейлинга и LoRA. README не описывает архитектурные детали, объём параметров, контекст или подтверждённую языковую поддержку. Результаты зависят от запроса и настроек генерации; пример указывает на возможность нежелательных анатомических артефактов и содержит переключатель safety checker. Условия использования определяются лицензией CreativeML OpenRAIL-M.

Realistic Vision V6.0 B1 noVAE — бета-версия модели генерации изображений от автора SG161222, ориентированная на реализм и фотореализм. Она создаёт изображения по текстовым запросам и рассчитана на портреты, изображения по пояс и в полный рост; в карточке приведены рекомендуемые разрешения вплоть до 1152×1152 и параметры генерации с разными сэмплерами и Hires.Fix. Это неполная версия V6.0, выпуск которой планировался поэтапно. Для версии V6.0 автор рекомендует подключать VAE, чтобы повысить качество и уменьшить артефакты; несмотря на название noVAE, в README не утверждается, что VAE не нужен для этой версии. На крупных разрешениях возможны искажения и дублирование объектов, а некоторые позы могут генерироваться некорректно. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Realistic Vision V6.0 B1 VAE — бета-версия модели генерации изображений, основанной на Stable Diffusion и распространяемой автором Realistic Vision. Она предназначена для создания реалистичных и фотореалистичных изображений по текстовым запросам, включая портреты и изображения в полный рост. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; для версии 6.0 автор рекомендует использовать VAE для повышения качества и уменьшения артефактов. Модель поддерживает генерацию в разрешениях до 1152×1152 в зависимости от композиции. В README отмечены улучшения при создании женских персонажей и анатомии, а также сохраняющиеся дублирования, деформации и другие артефакты; отдельные позы на высоком разрешении могут обрабатываться некорректно. Это не полная версия V6.0, а одна из постепенно выпускаемых бета-версий. Лицензия — CreativeML Open RAIL-M.

RealVisXL V1.0 — модель генерации изображений по текстовому описанию, ориентированная на фотореалистичный результат. В карточке автор указывает, что модель доступна через Diffusers; метаданные описывают формат Diffusers с весами Safetensors и лицензию OpenRAIL++. Модель предназначена для создания реалистичных изображений по запросу, в том числе изображений для взрослых. Автор отмечает, что эта версия всё ещё находится в обучении и может давать артефакты или слабые результаты в отдельных случаях. README рекомендует 15–30 шагов сэмплирования и приводит настройки для увеличения разрешения.

Карточка модели a1471328262/RealVisXL_V5.0 на Hugging Face совпадает с карточкой SG161222/RealVisXL_V5.0, поэтому описание составлено по ней. RealVisXL V5.0 — модель генерации изображений по текстовому описанию от автора SG161222, ориентированная на фотореализм. Она может создавать изображения по промптам, в том числе обычного и откровенного содержания. В метаданных указаны пайплайн StableDiffusionXLPipeline и форматы Diffusers и Safetensors. Для генерации автор рекомендует сэмплеры DPM++ SDE Karras или DPM++ 2M Karras с указанным числом шагов, а для увеличения разрешения — Hires Fix с низкой силой шумоподавления. Среди ограничений отмечены возможные ошибки анатомии и лиц, включая кисти и симметрию черт. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.

Карточка модели psych6tic66/RealVisXL_V5.0 на Hugging Face совпадает с карточкой SG161222/RealVisXL_V5.0, поэтому описание составлено по ней. RealVisXL V5.0 — модель генерации изображений по текстовому описанию от автора SG161222, ориентированная на фотореализм. Она может создавать изображения по промптам, в том числе обычного и откровенного содержания. В метаданных указаны пайплайн StableDiffusionXLPipeline и форматы Diffusers и Safetensors. Для генерации автор рекомендует сэмплеры DPM++ SDE Karras или DPM++ 2M Karras с указанным числом шагов, а для увеличения разрешения — Hires Fix с низкой силой шумоподавления. Среди ограничений отмечены возможные ошибки анатомии и лиц, включая кисти и симметрию черт. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.