I.8Изображения и компьютерное зрение

Florence-2-base-ft — модель компьютерного зрения и понимания изображений от Microsoft, представленная в реализации для библиотеки Transformers. Это дообученная версия Florence-2-base с архитектурой последовательность-в-последовательность и примерно 0,23 млрд параметров. Модель использует текстовые запросы, чтобы переключаться между задачами: описанием изображения, обнаружением объектов, выделением областей, привязкой фраз к объектам и распознаванием текста на изображении. Модель подходит для автоматического описания и анализа изображений, извлечения текста и координат объектов, а также для ответов на визуальные вопросы. В README перечислены оценки на задачах captioning, object detection и визуального вопросно-ответного анализа; модель обучалась на FLD-5B с аннотациями для изображений. Карточка не сообщает поддерживаемые языки текста, поэтому языковую специализацию определить нельзя. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Как и другие модели компьютерного зрения, результаты могут содержать ошибки в описании сцен, распознавании текста и локализации объектов; приведённые в карточке оценки не гарантируют качество на конкретных данных.

Keural Mid — визуальный энкодер MKD Co., Ltd., обученный с нуля для извлечения признаков изображений. Модель содержит 183,6 млн параметров, принимает RGB-изображения размером 384×384 и поддерживает размеры, кратные 16. Она выдаёт глобальный вектор изображения размерности 768 и последовательность из 512 адаптивно выделяемых токенов размерности 768 с уровнями «глобальный», «область» и «деталь». В основе — адаптивное распределение бюджета токенов, иерархическая токенизация понятий и непрерывное позиционное кодирование 2D-RoPE. Модель предназначена для поиска изображений и текста по сходству, кластеризации, извлечения признаков и использования в качестве замороженного визуального энкодера для downstream-моделей. Её также можно применять в исследованиях адаптивной токенизации и позиционного кодирования при переменном разрешении. Она обучена на парах изображение–текст из интернета и выровнена с англоязычным текстом; в README приведены результаты ImageNet и Flickr30K, а также оценка вклада энкодера в двуязычную визуально-языковую модель. На ImageNet её точность zero-shot ниже, чем у упомянутых в README CLIP ViT-B/16 и SigLIP ViT-B/16; авторы связывают это с ограниченным бюджетом обучения. Размещение дискретных токенов не полностью стабилизировалось к последнему чекпойнту. Модель не включает фильтрацию контента и наследует охват и смещения обучающих данных. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

lamhalobotnet50ts_256.a1h_in1k — модель классификации изображений, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она основана на архитектуре ResNet и сочетает блоки Lambda, Halo и BoTNet; конфигурация использует BYOBNet и сокращённое число блоков self-attention для более быстрого обучения. Модель содержит 22,6 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную сложность около 5,0 GMACs. Модель предназначена для отнесения изображений к категориям ImageNet-1k, а также может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. В карточке отмечено, что конфигурация не повторяет настройки какой-либо одной публикации: она опирается на рецепт ResNet Strikes Back A1 с оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с разогревом. Модель принимает изображения и выдаёт текстовые метки классов; языковая поддержка не относится к её назначению. Репозиторий предоставляет веса PyTorch и Safetensors, а лицензия — Apache-2.0. Классификация ориентирована на набор категорий ImageNet-1k, поэтому модель может быть ограничена при работе с классами, отсутствующими в этом наборе; карточка также предупреждает, что архитектура не соответствует точной конфигурации описанных научных работ.

Карточка модели ShaunGves/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Mage-ViT — визуальный энкодер, разработанный Microsoft и размещённый здесь как неизменённое зеркало репозитория microsoft/Mage-ViT. Это предварительно обученный с нуля 24-слойный Vision Transformer с размером скрытого представления 1024 и 16 головами внимания; модель предназначена для извлечения признаков изображений и видео и для использования в мультимодальных системах. Энкодер возвращает признаки отдельных патчей и объединённое представление изображения или видеоклипа. Модель использует принцип разрежения, согласованного с видеокодеком: при обработке видео сохраняет все патчи ключевых I-кадров и наиболее значимые патчи предсказанных P-кадров. Для клипа из 64 кадров README указывает бюджет 4096 токенов и сокращение числа токенов примерно на 75%. Предобучение включало около 100 млн неразмеченных изображений и видео с целью кластерной дискриминации; заявлена поддержка видеокодеков HEVC/H.265 и DCVC-RT через внешний этап выбора патчей. Репозиторий содержит только визуальный энкодер, без совместного обучения Mage-VL с языковой моделью. Согласно метаданным, модель имеет 402,7 млн параметров и распространяется в формате safetensors; README приводит оценку около 316 млн параметров. Лицензия — MIT.

MambaOut Tiny — модель компьютерного зрения для классификации изображений и извлечения признаков. Она опубликована авторами работы «MambaOut: Do We Really Need Mamba for Vision?» и доступна в библиотеке timm; веса предварительно обучены на ImageNet-1k. Модель содержит 26,5 млн параметров, выполняет около 4,5 GMACs и рассчитана на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель подходит для определения категории изображения из набора классов ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0. Качество и область распознавания связаны с ImageNet-1k; карточка не подтверждает специализацию на иных наборах классов или предметных областях. В README приведены метрики для других вариантов семейства MambaOut, поэтому их нельзя считать результатами этой версии Tiny.

maxxvit_rmlp_small_rw_256.sw_in1k — модель классификации изображений из библиотеки timm, разработанная и обученная Россом Уайтманом на ImageNet-1k. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как визуальный backbone для извлечения признаков и получения эмбеддингов. Архитектура MaxxViT сочетает блоки ConvNeXt с механизмами внимания по окнам и сетке; вариант использует MLP Log-CPB для относительного позиционного смещения. Модель содержит 66 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. В README приведены результаты сравнения семейства моделей, но отдельные показатели качества этого варианта не приведены. Модель принимает изображения и выдаёт метки классов и оценки, а извлечение признаков и эмбеддингов доступно как дополнительный сценарий использования. Лицензия репозитория — Apache-2.0. Результаты классификации зависят от предобработки и могут быть менее надёжны для изображений, существенно отличающихся от ImageNet-1k.

OmniGen2 — открытая мультимодальная модель генерации и понимания изображений, представленная проектом OmniGen2. Она объединяет обработку текста и изображений, используя отдельные пути декодирования для этих модальностей и раздельный токенизатор изображений. Модель предназначена для понимания визуального содержимого, создания изображений по текстовому описанию, редактирования изображений по инструкциям и генерации с учетом изображений-примеров. Модель может анализировать изображение и отвечать текстом, создавать изображения по запросу, вносить в них заданные изменения и комбинировать людей, объекты и сцены из входных изображений для генерации нового результата. Для работы предусмотрена интеграция с Diffusers; README также описывает поддержку CPU offload для снижения потребления видеопамяти. Размер модели и длина контекста в предоставленных данных не приведены. В README заявлены конкурентные результаты в понимании изображений и высокое качество генерации и редактирования, но конкретные ограничения качества не перечислены. Результаты редактирования зависят от настроек, в частности от баланса между следованием тексту и сходством с исходным изображением; снижение требований к памяти может замедлить генерацию. Лицензия Apache-2.0.

PP-OCRv5_mobile_det — мобильная модель обнаружения текстовых областей из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текст на изображениях, включая рукописный, вертикальный, повернутый и изогнутый текст, и рассчитана на работу со сложной разметкой, разным размером надписей и трудным фоном. Модель подходит для анализа документов, распознавания текста на номерных знаках и поиска надписей в сценах. В карточке приведены метрики обнаружения для китайского, английского и японского текста, включая рукописные, искажённые и художественные надписи; среднее значение указанных метрик — 0,770. Это детектор текстовых областей: README не описывает распознавание содержания найденного текста. Модель представлена в формате safetensors и предназначена для использования с библиотекой PaddleOCR. Лицензия — Apache-2.0.

PP-OCRv6_tiny_det — компактная модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она использует LCNetV4 в качестве backbone и RepLKFPN в качестве шеи пирамиды признаков; размер модели — 0,43 млн параметров. Это детектор, который находит текст на изображении, включая рукописный, печатный, повёрнутый, изогнутый и художественный текст. Модель предназначена для лёгких OCR-систем и сценариев развертывания на периферийных устройствах; для распознавания найденных символов нужен отдельный модуль распознавания. В карточке заявлена поддержка 48 языков для семейства PP-OCRv6; метаданные репозитория указывают английский и китайский. Веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит отдельные метрики качества для tiny-детектора.

qwen3_vit_416m_merge.qwen3_vl_30b_a3b — визуальный энкодер на основе vision-весов Qwen3-VL-30B-A3B-Instruct, преобразованных в формат timm. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также может служить визуальным backbone для последующего обучения классификатора. Она не содержит языковой модели и готовой обученной классификационной головы. Энкодер включает пространственный merger и проекцию до ширины 2048, затем усреднение признаков и LayerNorm без аффинных параметров. В README указаны 445,7 млн параметров и базовый размер изображения 768 × 768. Поддерживаются прямоугольные изображения; размеры сторон должны делиться на 16, а варианты с merger 2 × 2 требуют делимости на 32. Для классификации на целевом наборе данных необходимо обучить новую линейную голову. Репозиторий содержит safetensors, использует библиотеку timm и распространяется по лицензии Apache 2.0.

Это модель для извлечения визуальных признаков из изображений, подготовленная в формате timm на основе vision-энкодера Qwen3-VL-32B-Instruct. Автор карточки — timm; веса зрения перенесены в нативное представление timm без дополнительного обучения. Модель содержит около 415 млн параметров и предназначена для получения пространственных карт признаков и векторных представлений изображений, в том числе как основы для последующего дообучения классификатора. Энкодер использует MLP-блоки с GELU-tanh, обучаемые абсолютные позиционные представления и двумерный осевой RoPE. Базовый размер изображения — 768 × 768; поддерживаются прямоугольные изображения, размеры сторон должны делиться на 16, а для вариантов с объединением 2 × 2 — на 32. Входные RGB-пиксели нормализуются со средним и стандартным отклонением 0,5 по каналам. Репозиторий не содержит языковой модели, обученной головы классификации или проекторов Qwen3-VL DeepStack. Для классификации необходимо добавить и обучить линейную голову на целевом наборе данных. Модель распространяется по лицензии Apache 2.0.

Qwen-Image-Layered — модель на базе Qwen-Image, предназначенная для разложения изображения на несколько RGBA-слоёв. Каждый слой отделяет отдельные смысловые или структурные элементы, чтобы их можно было независимо редактировать, перемещать, масштабировать, перекрашивать или удалять, сохраняя остальное содержимое изображения. Модель поддерживает разложение на переменное число слоёв и повторное разложение отдельных слоёв. Она предназначена для редактирования изображений с сохранением согласованности между изменениями и может использоваться как этап подготовки изображения к дальнейшей обработке. Карточка указывает поддержку английского и китайского языков; модель распространяется в форматах Diffusers и Safetensors под лицензией Apache-2.0.

Это веса кодировщика изображений HieraDet из семейства SAM 2, опубликованные под идентификатором timm/sam2_hiera_base_plus.fb_r896_2pt1. Репозиторий содержит только image encoder и предназначен для извлечения признаков изображений через библиотеку timm. Модель можно использовать как визуальный экстрактор признаков в системах компьютерного зрения и как компонент более крупных моделей. В метаданных указан формат PyTorch safetensors и лицензия Apache-2.0. В доступной карточке не приведены сведения о размере модели, поддерживаемых языках или ограничениях качества.

caidas/swin2SR-lightweight-x2-64 — компактная модель Swin2SR для увеличения разрешения изображений в 2 раза. Она основана на архитектуре SwinV2 Transformer и предназначена для лёгкого масштабирования изображений. Модель выполняет задачу image-to-image: на вход принимает изображение низкого разрешения и выдаёт его увеличенную версию. Swin2SR разработана авторами Conde et al. и представлена в работе «Swin2SR: SwinV2 Transformer for Compressed Image Super-Resolution and Restoration»; этот вариант впервые опубликован в репозитории caidas. Модель подходит для повышения разрешения изображений, когда требуется двукратное увеличение. В карточке заявлено лёгкое исполнение, однако конкретные показатели качества и вычислительные требования не приведены. Лицензия — Apache-2.0.

UniGenDet — дообученная модель на базе BAGEL-7B-MoT, разработанная авторами из кафедры автоматизации Университета Цинхуа. Она объединяет генерацию изображений по тексту с обнаружением изображений, созданных ИИ, и объяснением результатов детекции в рамках единого цикла обучения. Модель подходит для создания изображений по текстовым запросам и анализа их происхождения. В метаданных указаны английский и китайский языки, формат весов safetensors и лицензия Apache-2.0. Базовая BAGEL-7B-MoT — мультимодальная модель для понимания изображений и видео, генерации изображений и редактирования по текстовым инструкциям.

VideoMAEv2-Huge — большая видеомодель OpenGVLab, предварительно обученная в течение 1200 эпох методом самоконтролируемого обучения на наборе UnlabeledHybrid-1M. Она основана на архитектуре VideoMAE v2 и представлена в работе Wang и соавторов для CVPR 2023. Модель предназначена для извлечения признаков из видео; в каталоге Hugging Face её основная задача указана как классификация видео. Модель принимает видео и выдаёт признаки, пригодные для последующих задач анализа и классификации. В репозитории опубликованы веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

timm/vit_small_patch16_dinov3_qkvb.eupe_lvd1689m — компактный визуальный энкодер EUPE ViT-S, распространяемый в библиотеке timm. Это Vision Transformer с патчами 16×16 и примерно 21,6 млн параметров; он предназначен для извлечения признаков и эмбеддингов изображений, а также может служить основой для классификации и анализа визуальных данных. Модель обучена методом Efficient Universal Perception Encoder на LVD-1689M с использованием прокси-учителя, дистиллированного из нескольких специализированных визуальных энкодеров. При входном размере изображения 256×256 модель выдаёт классовый, регистрационные и патч-токены. В timm по умолчанию применяется усреднённый глобальный пуллинг; для соответствия исходной схеме с классовым токеном следует выбрать global_pool="token". Модель не описана как мультимодальная генеративная система и не принимает текст. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование. Качество и пригодность для конкретной предметной области следует проверять отдельно; в README приведены результаты сравнительных оценок, но не гарантии на целевых данных.

VOLO-D5 — модель классификации изображений семейства Vision Outlooker, опубликованная авторами статьи VOLO и доступная в репозитории timm. Она обучена на ImageNet-1k с разметкой токенов и подходит для классификации изображений и использования в качестве визуальной основы для извлечения признаков. Модель содержит около 296,1 млн параметров, рассчитана на изображения размером 512 × 512 и требует значительных вычислительных ресурсов. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка также описывает получение эмбеддингов изображений, но основная задача модели в каталоге — классификация.

AIMv2 Huge Patch14 224 — модель компьютерного зрения от Apple из семейства AIMv2, предварительно обученного с мультимодальной авторегрессионной целью. Этот вариант содержит 679,5 млн параметров и предназначен для извлечения признаков из изображений; его можно использовать как визуальный энкодер в задачах распознавания и мультимодального понимания. В README заявлены результаты выше OAI CLIP и SigLIP на большинстве тестов мультимодального понимания, а семейство AIMv2 также показывает сильные результаты в обнаружении объектов с открытым словарём и понимании выражений, указывающих на области изображения. Репозиторий содержит веса Flax и safetensors; модель доступна через Transformers. Лицензия — Apple AMLR. Эта карточка описывает вариант AIMv2 Huge Patch14 224; README не приводит отдельные оценки качества именно для него и не уточняет поддерживаемые языки или длину контекста. Модель принимает изображения и выдаёт визуальные признаки, а не готовые текстовые ответы.

AIMv2 Large Patch14 448 — модель компьютерного зрения семейства AIMv2, разработанная Apple и предварительно обученная с мультимодальной авторегрессионной целью. Репозиторий содержит вариант с архитектурой Aimv2VisionModel и 308,3 млн параметров; модель принимает изображения и выдаёт визуальные признаки для последующего анализа или использования в других системах. Модель предназначена для извлечения признаков изображений и задач визуального понимания. В публикации семейства AIMv2 сообщается о результатах выше CLIP и SigLIP на большинстве тестов мультимодального понимания, а также выше DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты. Для этого варианта README показывает загрузку через Transformers с Flax/JAX и PyTorch. Модель распространяется по лицензии Apple AMLR. Указанные результаты относятся к семейству AIMv2 и не гарантируют аналогичное качество именно этого размера модели; в карточке также не приведены подробности о контекстном размере или поддерживаемых естественных языках.

EIDORA предоставляет ONNX-конверсию AlexNet — сверточной нейронной сети, первоначально представленной Крижевским, Суцкевером и Хинтоном. Используется контрольная точка TorchVision AlexNet_Weights.IMAGENET1K_V1, предварительно обученная на ImageNet-1K; это не исходные веса авторов 2012 года. Модель предназначена для извлечения визуальных признаков из изображений и сравнения их сходства, а также для использования в качестве базового метода при сравнении моделей эмбеддингов. На вход подаётся RGB-изображение: короткая сторона масштабируется до 256 пикселей, затем выполняется центральное кадрирование до 224 × 224 пикселей. ONNX-граф включает нормализацию каналов ImageNet. На выходе — L2-нормированный эмбеддинг размерности 4096 из второго полносвязного слоя после ReLU; для сравнения в README рекомендовано косинусное сходство. Лицензия в метаданных — BSD-3-Clause; в README отдельно отмечено, что условия распространения предобученных весов следует учитывать отдельно.

LeVLJEPA-ViT-B-DataComp-200k — визуальный энкодер по методу LeVLJEPA, разработанный авторами этой модели. Это чекпойнт ViT-Base/16 на timm, обученный на DataComp-large в течение 200 000 шагов; в ходе обучения модель обработала около 819 млн примеров. Метод использует предсказание между модальностями и регуляризацию без контрастивных отрицательных примеров. В репозитории также есть текстовый энкодер GPT-2 (12 слоёв, 12 голов, размерность 768), но основное назначение чекпойнта — получение визуальных признаков. Модель извлекает плотные признаки отдельных патчей изображения и объединённое представление изображения. Их можно использовать как замороженную основу для мультимодальных моделей и систем плотного предсказания, в том числе для сегментации и визуально-языковых задач. В README заявлены результаты выше CLIP и SigLIP на нескольких тестах сегментации и устойчивость к замене фона; это утверждения авторов карточки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Карточка модели Ank0X0/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели Bigg-Iron/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели nimo1234/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели sadii0101/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели tunai1111/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели txchmechanicus/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.