Она предназначена для попиксельного выделения 28 классов частей тела и может применяться в задачах human-centric vision, включая анализ людей на изображениях в естественных условиях. Модель рассчитана на обобщение при дефиците размеченных данных или использовании синтетических данных.

Модель построена на архитектуре Vision Transformer и предварительно обучена на 300 миллионах изображений людей с разрешением 1024 × 1024. Она поддерживает инференс высокого разрешения 1K; указанное входное разрешение модели составляет 1024 × 768. Модель содержит около 1,169 млрд параметров, 40 слоёв, 24 attention heads, размерность эмбеддингов 1536, размерность feedforward-слоёв 6144 и patch size 16 × 16. Вычислительная сложность составляет 4,647 TFLOPs. Формат поставки — TorchScript.

К сильным сторонам относятся высокое разрешение обработки, специализация на анализе человеческого тела и хорошая обобщающая способность на данных «из реального мира». Ограничения включают узкую предметную область, высокие вычислительные требования и отсутствие поддержки других модальностей или задач, не связанных с сегментацией изображений людей. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial 4.0, допускающей использование с указанием авторства и запрещающей коммерческое применение.