IV.1Ритейл, электронная коммерция и fashion-tech

DALL·E mini — модель генерации изображений по текстовому описанию, созданная как упрощённая открытая попытка воспроизвести OpenAI DALL·E. Она объединяет энкодер на основе BART, преобразующий токены текста в последовательность кодов изображения, и декодер на основе VQGAN, который превращает эти коды в пиксели. Модель содержит 252,8 млн параметров, построена на Flax/JAX и распространяется в формате Flax; для работы декодера требуется отдельная модель flax-community/vqgan_f16_16384. Модель предназначена для создания изображений по текстовым запросам. По сравнению с OpenAI DALL·E качество результатов ниже, зато модель проще и может обучаться и запускаться на менее мощном оборудовании. В карточке описаны англоязычные запросы и контекст до 1024 токенов. Лицензия в предоставленных данных не указана.

DART (Detect Anything in Real Time) — набор дистиллированных облегчённых backbone-моделей для системы обнаружения объектов с открытым словарём, описанной Mehmet Kerem Turkcan. Они заменяют 439-миллионный backbone ViT-H/14 в SAM3 более компактными вариантами; обучаемый FPN-адаптер проецирует признаки нового backbone в пространство признаков ViT-H, а энкодер-декодер SAM3 остаётся замороженным. В набор входят варианты с прореженным ViT-H и backbone RepViT, TinyViT и EfficientViT; число параметров backbone составляет примерно от 5,3 млн до 220 млн для облегчённых вариантов, а исходный учитель имеет 439 млн параметров. Модель предназначена для обнаружения объектов по текстовым запросам и классам без обучения детектора на разметке обнаружения. В README приведены результаты на COCO val2017 и скорости для нескольких чисел классов; показатели зависят от backbone и конфигурации запуска. Для работы требуются PyTorch, timm и контрольная точка SAM3; для TensorRT-развёртывания нужен TensorRT. Репозиторий использует лицензию other, условия которой README не поясняет.

decider-4b — модель принятия решений на основе языковой модели, разработанная Mapika как открытая реализация класса System One. Она принимает состояние и типизированные вопросы с заданными вариантами ответа и за один проход вычисляет распределение вероятностей по вариантам; свободный текст не генерирует. Модель предназначена для вызова из программных систем, например для классификации состояний и выбора действия в играх или браузерных сценариях. В репозитории размещена версия v2.1: плотная текстовая архитектура Qwen3.5-4B с 3,4 млрд параметров по метаданным и контекстом до 262 144 токенов. Веса сохранены в safetensors; модель дообучена в два этапа, включая LoRA, впоследствии объединённую с весами. Базовая модель — Qwen/Qwen3.5-4B-Base. Основной язык — английский; в обучающих данных также присутствовали небольшие многоязычные выборки. Модель показывает результаты на задачах принятия решений, но её оценки уверенности на сложных многошаговых примерах могут быть завышены. В README отмечены ошибки на отдельных тестах и отставание от более крупной версии на некоторых наборах. Для калибровки по типам ответов требуется decider-ai версии 1.4.0 или новее. Лицензия — Apache-2.0.

Direct3D-S2 — модель генерации 3D-объектов по изображениям, разработанная авторами проекта Direct3D-S2. Она предназначена для преобразования изображения в 3D-сетку и поддерживает сценарии интерактивной генерации через веб-демо. В основе модели — Diffusion Transformer (DiT) с механизмом Spatial Sparse Attention (SSA), оптимизированным для разреженных объёмных данных, и вариационный автоэнкодер (VAE) с единым разреженным представлением на этапах входа, латентного пространства и выхода. В README заявлены ускорение вычислений и обучение на разрешении 1024³ с использованием восьми GPU. Модель опубликована с лицензией MIT. README не приводит сведения о поддерживаемых языках или качестве результата на конкретных типах изображений.

dm_nfnet_f5.dm_in1k — модель семейства NFNet для классификации изображений, обученная авторами работ о Normalization-Free Networks на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Архитектура построена по мотивам ResNet с предварительной активацией, но без слоёв нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит около 377,2 млн параметров; рекомендуемый размер изображения при тестировании — 544 × 544 пикселя. Репозиторий предоставляет веса PyTorch и Safetensors. Модель предназначена для распознавания объектов и других классов ImageNet-1k, а также для получения визуальных признаков и эмбеддингов. Лицензия Apache-2.0 разрешает использование и распространение с соблюдением её условий. Высокая вычислительная стоимость и специализация на классификации ImageNet-1k могут ограничивать применение в системах с малым бюджетом ресурсов или на других наборах классов без дополнительной адаптации.

timm/edgenext_base.usi_in1k — модель EdgeNeXt для классификации изображений и извлечения визуальных признаков. Её обучили авторы работ об архитектуре EdgeNeXt и методе USI на наборе ImageNet-1k с использованием дистилляции. Модель содержит 18,5 млн параметров и рассчитана на мобильные сценарии компьютерного зрения. Размер входного изображения при обучении — 256 × 256 пикселей, при тестировании — 320 × 320. Помимо классификации, её можно использовать как backbone для извлечения карт признаков и эмбеддингов изображений. Весовые файлы доступны в форматах PyTorch и Safetensors; библиотека модели — timm. Лицензия — MIT. README не приводит оценки качества или перечень поддерживаемых классов за пределами обучения на ImageNet-1k.

EfficientViT B3 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработали авторы работы EfficientViT; модель обучена на ImageNet-1k и распространяется в репозитории timm в форматах PyTorch и Safetensors. Модель содержит около 48,6 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 4,0 GMACs на обработку изображения. Её можно применять для присвоения изображению класса из набора ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Лицензия — Apache-2.0. Качество и набор классов классификации связаны с обучением на ImageNet-1k; README не описывает специализированную адаптацию под другие предметные области.

EfficientViT-M1 — модель классификации изображений и извлечения визуальных признаков из семейства EfficientViT, разработанного авторами статьи из MSRA. Модель обучена на ImageNet-1k и рассчитана на изображения размером 224 × 224 пикселя. Она содержит около 3 млн параметров и требует примерно 0,2 GMAC на изображение. Модель можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов в компьютерном зрении. Компактный размер и низкие вычислительные затраты подходят для сценариев, где важны скорость и эффективность. Репозиторий предоставляет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — MIT. Модель обучалась на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных. В карточке не приведены сведения о метриках качества или поддержке входных размеров, отличных от 224 × 224.

esevovnet57b.ra4e3600r256in1k — модель классификации изображений семейства VoVNet-v2, обученная Ross Wightman в библиотеке timm на ImageNet-1k с использованием рецепта RA4, вдохновлённого MobileNetV4. Она подходит для классификации изображений и может служить визуальным backbone для извлечения карт признаков и эмбеддингов. Модель содержит 38,6 млн параметров и требует изображений размером 256 × 256 при обучении и 320 × 320 при тестировании. Репозиторий предоставляет веса PyTorch в формате safetensors под лицензией Apache-2.0. Карточка не сообщает об ограничениях качества или поддержке конкретных классов вне обучения на ImageNet-1k.

Face Parsing — модель семантической сегментации изображений, разработанная Jonathan Dinu и дообученная на CelebAMask-HQ от nvidia/mit-b5 с использованием архитектуры SegFormer. Она предназначена для разбора лица на области и подходит для обработки портретных изображений, в том числе в веб-приложениях; для веб-инференса доступна версия ONNX. Модель принимает изображение и выдаёт карту сегментации с метками областей лица. В карточке указана библиотека Transformers и лицензия для некоммерческих исследований и образовательных целей. Обучение на изображениях знаменитостей может приводить к смещению и ограниченной репрезентативности результатов.

DFloat11/FLUX.1-Fill-dev-DF11 — это сжатая версия модели FLUX.1-Fill-dev, разработанной Black Forest Labs, с применением формата DFloat11 от команды LeanModels. Модель предназначена для генерации и редактирования изображений по текстовому описанию, включая заполнение или замену областей изображения с использованием исходного изображения и маски. Она относится к задачам text-to-image и image inpainting. Сжатие выполняется без потери точности: веса кодируются с помощью Huffman coding для экспонент BFloat16 и аппаратно-ориентированной распаковки непосредственно на GPU. Заявлено снижение потребления памяти GPU примерно на 30% при побитово идентичных результатах относительно исходной модели BFloat16. В README приведён пример с разрешением 1632×1232, 50 шагами генерации и максимальной длиной последовательности 512, однако общие ограничения архитектуры и полный набор поддерживаемых языков не указаны. Для работы требуются CUDA-совместимая GPU, PyTorch, пакет dfloat11 с соответствующей версией CUDA и diffusers. Подход ориентирован на запуск в условиях ограниченной видеопамяти и не требует CPU-декомпрессии или передачи распакованных весов между CPU и GPU, но предполагает наличие совместимого CUDA-окружения. Лицензия модели в представленном README не указана.

Карточка модели yuvraj108c/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.

InvokeAI/FLUX.1-Krea-dev-GGUF — это GGUF-версия модели FLUX.1 Krea [dev], разработанная Black Forest Labs совместно с Krea. Модель предназначена для генерации изображений по текстовым описаниям и может использоваться как замена в Invoke. В качестве базовой модели указана FLUX.1-dev. Модель представляет собой rectified flow transformer с 12 млрд параметров. Она ориентирована на высокое качество изображений, особенно в эстетической фотографии, и поддерживает конкурентное следование текстовым запросам. Благодаря guidance distillation она рассчитана на более эффективный вывод. Модель принимает текстовые описания и генерирует изображения; другие модальности и максимальный размер контекста в README не указаны. Ограничения включают вероятные ошибки в соответствии изображения запросу, зависимость результата от стиля формулировки промпта и склонность статистической модели воспроизводить существующие социальные предубеждения. Модель не предназначена для предоставления достоверной фактической информации. Весовые параметры доступны для исследований и разработки, однако модель распространяется по лицензии FLUX.1 dev Non-Commercial License: коммерческое использование ограничено, а применение должно соответствовать установленным запретам на незаконный, вредоносный, оскорбительный и иной запрещённый контент. Для развёртывания предусмотрено использование фильтров или ручной проверки.

Omnico/Flux.1_Schnell-Schnell_diff_loras — адаптер LoRA для генерации изображений на базе Flux.1 Schnell. В карточке модель представлена как совместимая с Diffusers и предназначенная для задач text-to-image. Автор или организация-разработчик отдельно не указаны; модель опубликована в пространстве Omnico. Адаптер можно использовать для создания изображений по текстовым описаниям в различных визуальных направлениях, включая фотореализм, кинематографические сцены, художественную живопись, моду, фантастические сюжеты и предметные композиции. Примеры также содержат контент для взрослых, поэтому область применения следует оценивать с учётом требований платформы и политики безопасности. Технические сведения о размере адаптера, точной архитектуре LoRA, поддерживаемых языках, максимальном контексте и рекомендуемых параметрах генерации не приведены. Лицензия и условия коммерческого использования в карточке не указаны, поэтому перед применением необходимо дополнительно проверить ограничения исходной модели Flux.1 Schnell и самого адаптера.

XLabs-AI/flux-ip-adapter-v2 — адаптер IP-Adapter для модели FLUX.1-dev, разработанной Black Forest Labs. Он предназначен для генерации и преобразования изображений с использованием входного изображения как визуального условия, чтобы влиять на содержание и стиль результата. Модель поддерживает сценарии image-to-image и может применяться через официальный репозиторий XLabs-AI или пользовательские узлы для ComfyUI. Адаптер обучался с сохранением соотношения сторон на разрешении 512×512 в течение 150 тысяч шагов и на разрешении 1024×1024 в течение 350 тысяч шагов. Для работы в ComfyUI требуются совместимые узлы x-flux-comfyui и модель визуального энкодера CLIP-L на базе OpenAI CLIP ViT-L/14. Выпущенная версия v2 предназначена для непосредственного использования в ComfyUI. В README указаны английский язык и обучающие наборы CaptionEmporium/coyo-hd-11m-llavanext и CortexLM/midjourney-v6; сведения о размере параметров, точном устройстве архитектуры и длине контекста не приведены. К сильным сторонам относятся управление генерацией на основе референсных изображений, поддержка рабочих процессов FLUX.1-dev и интеграция с ComfyUI. Модель находится в статусе beta: качество результата не гарантируется с первой попытки, а для улучшения генераций может потребоваться многократный подбор силы воздействия IP-Adapter. В начале README указана лицензия Apache-2.0, однако далее уточняется, что веса распространяются на условиях некоммерческой лицензии FLUX.1-dev; перед использованием следует руководствоваться условиями лицензии базовой модели.

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.

Ideogram 4 FP8 — открытая модель генерации изображений по тексту от Ideogram, обученная с нуля. Это модель на основе flow matching и одно-поточного Diffusion Transformer с 34 слоями; для кодирования текста используется Qwen3-VL-8B-Instruct. Версия в этом репозитории содержит веса FP8, а семейство насчитывает 9,3 млрд параметров. Модель предназначена для создания иллюстраций и дизайн-материалов по описанию. Структурированные JSON-промпты позволяют задавать композицию, стиль, освещение, палитру и расположение элементов через координаты ограничивающих рамок. Среди заявленных особенностей — точная генерация текста внутри изображений и поддержка разрешений от 256 до 2048 пикселей с разными пропорциями сторон. Модель особенно подходит для плакатов, логотипов, баннеров и других изображений с надписями или заданной композицией. README заявляет поддержку многоязычного рендеринга текста, но не перечисляет конкретные языки. Для FP8-варианта указана поддержка оборудования «All», при этом таблица отмечает отсутствие поддержки Diffusers. Лицензия — Ideogram 4 Non-Commercial; для фильтрации промптов и результатов README описывает использование Hive.

byteshape/Krea-2-Turbo-GGUF — квантованная версия модели генерации изображений Krea-2-Turbo, подготовленная ByteShape с использованием ShapeLearn. Это diffusion transformer для преобразования текстовых описаний в изображения, предназначенный для локального запуска в ComfyUI через расширение ComfyUI-GGUF. Модель поддерживает генерацию изображений высокого качества и рассчитана на ускоренный inference в режиме step distillation: достаточно 8 шагов без classifier-free guidance. Доступны пять GGUF-вариантов размером от 6,26 до 14,31 ГБ и с плотностью от 3,91 до 8,93 бит на вес. Квантование использует смешанную точность и в первую очередь снижает требования к VRAM, но само по себе почти не ускоряет генерацию. Для работы дополнительно требуются текстовый энкодер и VAE. Рекомендуемое разрешение — 2048×2048, при 1024×1024 изображения также генерируются, но могут быть менее детализированными. На RTX 5090 генерация изображения 1024×1024 занимает около 5,9 секунды в 8 шагов при размещении модели на GPU. Сильные стороны модели — высокое качество при малом числе шагов, несколько вариантов квантования для подбора под доступную видеопамять и совместимость с широким спектром платформ благодаря формату GGUF. Ограничения включают необходимость использовать специальные параметры: 8 шагов, sampler euler, scheduler simple, отключённое guidance и flow-matching настройки; стандартные параметры SDXL или Qwen-Image приводят к плохим результатам. Лицензия указана как krea-2-community-license; подробные условия доступны по ссылке разработчика.

tsolful/Krea2_Turbo_Raw_INT8 — это INT8-квантизированная версия модели Krea 2 Turbo, разработанной Krea. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на использование в экосистеме Diffusers и ComfyUI. Квантизация ConvRot снижает точность представления весов до INT8 и ориентирована на более эффективный запуск модели. Модель совместима с INT8 Fast для ComfyUI, а также с новой нативной реализацией INT8 и узлом Load Diffusion Model; согласно README, нативная загрузка может работать быстрее. В предоставленных данных не указаны точный размер модели, архитектура, поддерживаемые языки, размер контекста и другие характеристики качества. Модель распространяется по Krea 2 Community License Agreement; условия лицензии доступны по указанной в карточке ссылке.

LeViT-384 — модель компьютерного зрения семейства LeViT, представленная в библиотеке timm и обученная авторами работы на ImageNet-1k с дистилляцией. Она использует свёрточный вариант архитектуры с nn.Conv2d и nn.BatchNorm2d и предназначена для классификации изображений и извлечения признаков. Модель обрабатывает изображения размером 224 × 224 пикселя. В карточке указаны 39,1 млн параметров и вычислительная сложность 2,4 GMACs; для ImageNet-1k приведены результаты 82,596% top-1 и 96,012% top-5. Веса доступны в форматах PyTorch и Safetensors, библиотека для работы — timm. Лицензия — Apache-2.0. Модель обучена для ImageNet-1k, поэтому её качество на изображениях из других предметных областей может отличаться; для прикладного использования может потребоваться дообучение или проверка на целевых данных.

Llama-movielens-mpnet — модель эмбеддингов на базе MPNet, опубликованная beeformer. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для контентной фильтрации в рекомендательных системах и использования описаний объектов как дополнительной информации при рекомендациях для новых пользователей или объектов. Модель дообучена на MovieLens-20M; тексты описаний элементов для датасета были созданы с помощью meta-llama/Meta-Llama-3.1-8B-Instruct. Архитектура основана на sentence-transformers/all-mpnet-base-v2, число параметров — 136,7 млн, максимальная длина обработки при дообучении была сокращена до 384 токенов. Карточка указывает английский язык, библиотеку Sentence Transformers и лицензию Llama 3.1. Результаты оценки в карточке не приведены; авторы представляют модель как демонстрацию возможностей beeFormer и указывают исследовательское назначение.

MobileNet V2 — модель классификации изображений, основанная на архитектуре MobileNetV2 с инвертированными остаточными блоками и линейными bottleneck-слоями. Карточка указывает, что модель предварительно обучена на ImageNet-1k для изображений размером 224×224 и преобразована из чекпойнта PyTorch Vision в формат LiteRT/TFLite. В модели 3 504 872 параметра; точность исходного чекпойнта на ImageNet-1k составляет 72,154% top-1 и 90,822% top-5. Модель предназначена для определения классов объектов на изображениях и развёртывания в приложениях и на мобильных устройствах. В репозитории есть полноточный TFLite-файл, динамически квантованный вариант с весами INT8 и активациями FP32, а также артефакт, скомпилированный для Google Tensor G5. Для полноточного файла указана поддержка CPU и GPU; для статически квантованного INT8-варианта — CPU и NPU Qualcomm или MediaTek, но не GPU. Лицензия исходной модели в карточке не установлена, поэтому условия использования следует проверить отдельно перед применением. Качество и применимость зависят от сходства изображений с ImageNet-1k и от используемого варианта файла и устройства.

NatVis-Natural-Vision-v27-SDXL — модель для генерации изображений по текстовому описанию, разработанная пользователем ndimensional. Она распространяется через Hugging Face и основана на экосистеме Stable Diffusion XL с использованием библиотеки Diffusers. Модель предназначена для создания реалистичных и фотореалистичных изображений в различных сценариях, включая общие задачи генерации, научную фантастику, 3D-визуализацию, а также контент с рейтингами SFW и NSFW. В карточке указано, что она поддерживает английский язык. Архитектура, количество параметров, размер контекста и точный набор поддерживаемых модальностей не раскрыты; по назначению это текстово-изображенческая модель. Сильной стороной модели является специализация на реалистичной и фотореалистичной визуальной генерации с широким тематическим охватом. Ограничения связаны с отсутствием подробных сведений о качестве, производительности, требованиях к оборудованию и рекомендуемых параметрах использования. Модель распространяется по лицензии CreativeML Open RAIL-M; условия лицензии следует учитывать, особенно при создании и распространении потенциально чувствительного контента.

photographer Alpha7 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Примеры в карточке показывают фотореалистичные портреты и сцены с людьми, в том числе фотографии в эстетике 1980-х и 1990-х годов, интерьерные и уличные сцены, а также детализированные изображения с заданной одеждой, позами и выражением лица. Модель предназначена для создания художественных и стилизованных изображений по англоязычным промптам. Репозиторий использует формат Diffusers и файлы Safetensors; теги указывают на семейство Stable Diffusion. Лицензия — CreativeML Open RAIL-M. Карточка не сообщает точную базовую модель, число параметров или длину контекста.

Proteus v0.6 — модель генерации изображений по текстовым запросам, созданная автором репозитория dataautogpt3 как переработка предыдущих версий Proteus. Она дообучена на базе stabilityai/stable-diffusion-xl-base-1.0 и ориентирована на фотореалистичные изображения. Автор описывает метод Multi-Perspective Fusion: несколько LoRA-модулей и полноразмерных чекпойнтов, обученных на одном наборе данных, объединяются в общую систему. Это предварительная версия с фокусом на фотореализм, а не универсальная модель изображений. В README рекомендованы разрешение 1024×1024, CFG Scale 7 и 25–50 шагов генерации; для запуска предлагается библиотека diffusers. Модель не предназначена для иллюстраций и аниме, а автор не заявляет о качестве уровня state of the art. Лицензия в предоставленных данных не указана.

timm/pvt_v2_b0.in1k — модель классификации изображений на основе PVT-v2 (Pyramid Vision Transformer), обученная авторами статьи на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 3,7 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 0,6 GMAC. Она предназначена для классификации изображений общего назначения и может служить основой визуальных конвейеров, которым нужны признаки или эмбеддинги. Модель распространяется в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0. Карточка не описывает отдельные ограничения качества или специальные области применения.

AventIQ-AI подготовила модель Pythia-410m для анализа тональности отзывов. Это плотная модель семейства GPT-NeoX с примерно 454,2 млн параметров и контекстом до 2048 токенов. Модель дообучена на положительных и отрицательных отзывах IMDb и представлена в формате safetensors; в README также заявлена оптимизация float16 для уменьшения расхода памяти и ускорения вывода. Модель предназначена для классификации текста по тональности, например отзывов о товарах и фильмах. В README приведены метрики на задаче анализа тональности: accuracy и F1 — 0,56, precision — 0,68, recall — 0,56, поэтому качество может быть ограниченным. Разработчик отмечает, что результаты могут хуже переноситься на тематики за пределами обучающих данных; количественные метрики относятся к описанному эксперименту. Лицензия в предоставленных данных не указана.

Qwen-Image-2512-6bit-MLX — 6-битная квантованная версия модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для запуска на Apple Silicon. Репозиторий использует MLX и библиотеку mflux; для генерации изображений по текстовому запросу указана команда mflux-generate-qwen. Модель предназначена для создания изображений по текстовым описаниям. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализированные природные сцены и отрисовку текста. Вариант использует 6-битное представление весов; в README для него указан объём 29 ГБ. Модель распространяется по лицензии Apache-2.0. Она рассчитана на Apple Silicon и соответствующий стек MLX/mflux; переносимость на другие аппаратные платформы в карточке не заявлена.

Это 8-битная версия Qwen-Image, подготовленная сообществом mlx-community для запуска на компьютерах Apple Silicon. Модель основана на Qwen/Qwen-Image, использует диффузионную архитектуру и предназначена для генерации изображений по текстовым запросам. Репозиторий адаптирован для MLX и распространяется в формате safetensors; размер файлов составляет около 34 ГБ. Модель подходит для создания иллюстраций и фотореалистичных изображений по описанию. Для запуска автор README рекомендует Mac на Apple Silicon с примерно 40 ГБ объединённой памяти; указанная скорость составляет около 8,5 секунды на шаг на компьютерах серии M. Лицензия — Apache-2.0. Карточка не уточняет языковую поддержку и ограничения качества генерации.

flymy-ai/qwen-image-realism-lora — это LoRA-адаптер для модели Qwen-Image, разработанный командой FlyMy.AI. Он предназначен для генерации изображений по текстовым описаниям с более реалистичной визуальной подачей, включая портреты, пейзажи, городские сцены, спортивное движение и корпоративные фотографии. Для активации адаптера в промпте требуется слово «realism». Модель совместима с библиотекой Diffusers и может использоваться через ComfyUI. Адаптер улучшает детализацию лиц и текстур кожи, передачу цветов, естественность освещения и теней в пейзажах, а также разнообразие представления различных этнических особенностей. В README не указаны размер адаптера, точная архитектура базовой модели, максимальный контекст, полный набор поддерживаемых языков или точные требования к оборудованию. Примеры показывают генерацию изображений размером 1024×1024 с 50 шагами инференса. Модель распространяется по лицензии Apache-2.0. Для работы требуется базовая модель Qwen/Qwen-Image и загрузка LoRA-весов; поэтому адаптер сам по себе не является самостоятельной моделью генерации изображений. Качество и применимость зависят от базовой модели, промпта и параметров инференса.