I.8Изображения и компьютерное зрение

UME-R1-2B — модель семейства Qwen2-VL, представленная в виде плотной архитектуры с 1,5 млрд параметров. По карточке, модель прошла этап обучения с учителем для холодного старта и этап обучения с подкреплением. Она формирует эмбеддинги текста, изображений, нескольких изображений и видео; доступны дискриминативные и генеративные представления. Для генеративных эмбеддингов описан потенциал масштабирования за счёт повторных выборок во время вывода. Контекст составляет 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления представлений; карточка сообщает о преимуществах в оценках относительно дискриминативных эмбеддингов, но не приводит датасеты и численные результаты. Использование предполагает библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

ArmorOCR — модель для распознавания текста на изображениях с привязкой результатов к их расположению, разработанная на базе Qwen3-VL-8B-Instruct. Она предназначена для работы с обычными и состязательными изображениями, где текст может быть искажён или специально скрыт. Модель принимает исходное изображение и формирует текстовый ответ за один проход, без преобразований изображения во время инференса и без помощи внешних инструментов. ArmorOCR использует мультимодальную архитектуру Qwen3-VL и доступна в формате safetensors для библиотеки Transformers. Карточка указывает английский и китайский языки. Модель дообучена на Qwen3-VL-8B-Instruct; базовая модель имеет 8 млрд параметров. Репозиторий распространяется по лицензии Apache-2.0. Описание не содержит результатов оценки качества или подробностей ограничений на конкретных типах изображений.

BAAI/BGE-VL-large — модель мультимодального поиска и сопоставления текста и изображений, разработанная BAAI. Она дообучена на базе OpenAI CLIP ViT-L/14 и создаёт векторные представления текстов, изображений и составных запросов, объединяющих изображение с текстовым описанием. Представления можно сравнивать по сходству для поиска подходящих изображений, в том числе по запросам вида «изменить фон на ночной», заданным вместе с исходным изображением. Модель работает с текстом и изображениями; карточка демонстрирует использование через Sentence Transformers и Transformers с `trust_remote_code=True`. В метаданных указан язык en, однако примеры показывают мультимодальный поиск без утверждения об исключительной поддержке английского. Репозиторий содержит веса safetensors, лицензия — MIT. Размер модели и длина контекста в предоставленных данных не указаны.

Trendyol разработала модель для получения визуальных эмбеддингов изображений товаров в каталоге электронной коммерции. Она предназначена для поиска одинаковых и похожих товаров, объединения дублей и ранжирования товаров по визуальному сходству; эмбеддинги также можно использовать для кластеризации, визуального поиска и рекомендаций по изображениям. В основе лежит ConvNeXt-Base с входным разрешением 224×224 и проекционной головой размерности 512. Модель обучена с функцией потерь ArcFace на изображениях товаров Trendyol; выходные эмбеддинги нормализованы по L2, что позволяет сравнивать их косинусным сходством. Она принимает изображения и возвращает векторы признаков. В метаданных указан базовый чекпойнт timm/convnext_base.fb_in22k_ft_in1k; библиотека — timm. Модель оптимизирована для изображений товаров, поэтому может хуже работать на изображениях из других областей, низкого качества или с сильными искажениями; качество также может различаться между категориями, брендами и стилями. Условия коммерческого использования требуют указания Trendyol как создателя и предварительного уведомления Trendyol. Перераспространение модели или её производных на сторонних платформах требует предварительного письменного согласия; лицензия в метаданных — CC BY-SA 4.0.

en_PP-OCRv3_mobile_rec — компактная модель распознавания текстовых строк из семейства PP-OCRv3_rec, разработанная командой PaddleOCR. Она обучена на основе PP-OCRv3_mobile_rec и предназначена для распознавания английского текста на изображениях. Модель преобразует изображение отдельной текстовой строки в текст. В составе конвейера PP-OCRv3 её можно использовать вместе с обнаружением текста и дополнительными модулями коррекции ориентации и геометрии изображения, чтобы извлекать текст из документов и других изображений. README приводит оценку качества распознавания строк, при которой строка считается ошибочной, если неверен хотя бы один символ или знак пунктуации. Для работы используется библиотека PaddleOCR; лицензия репозитория — Apache-2.0. Модель ориентирована на английский текст, поэтому её не следует считать универсальным многоязычным распознавателем; распознавание строк также предполагает, что области текста уже выделены или обрабатываются отдельной моделью конвейера.

fusion-embedding-2-k3-vision — обученный EximiusLabs проектор для поиска изображений по текстовым запросам. Он использует замороженный визуальный энкодер MoonViT-V2 из moonshotai/Kimi-K3 и переводит его признаки в общее пространство эмбеддингов fusion-embedding-2, совместимое с текстовыми представлениями. Языковая модель Kimi K3 в работе проектора не используется. Визуальная башня содержит около 401 млн параметров, обучаемый проектор — около 3,15 млн. Проектор формирует вектор изображения размерности 2048; модель предназначена для извлечения признаков и поиска изображений по тексту, а также может включать изображения в общий индекс с другими модальностями пространства fusion-embedding-2. В README приведены результаты теста text-to-image retrieval на Flickr30k, но перенос этих результатов на другие наборы данных не гарантирован. Модель обозначена авторами как исследовательское превью. Для запуска нужны веса визуальной башни из moonshotai/Kimi-K3 и проектор из этого репозитория. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

leo009/paligemma-3b-mix-224 — версия мультимодальной модели PaliGemma с открытыми весами, разработанной Google и размещённой пользователем leo009. Модель построена на архитектуре PaliGemma, объединяющей зрительный энкодер SigLIP и языковую модель Gemma; принимает изображение размером 224 × 224 пикселя и текстовые последовательности до 256 токенов, а генерирует текст. В карточке указана настройка на смесь задач переноса, а метаданные обозначают формат safetensors и библиотеку Transformers. Модель предназначена для одношаговых сценариев «изображение и запрос — текстовый ответ»: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображении, обнаружения и сегментации объектов. Лучше подходит как основа для дообучения под конкретную задачу, чем как готовый универсальный помощник; диалог из нескольких ходов не поддерживает. Заявлена поддержка нескольких языков, но конкретный список в предоставленных данных отсутствует. Лицензия — Gemma.

PP-OCRv4_mobile_seal_det — мобильная модель обнаружения текста на печатях из семейства PP-OCRv4, разработанного PaddlePaddle. Она находит области с текстом на изображениях печатей и рассчитана на эффективное развертывание на конечных устройствах. Модель предназначена для использования как модуль в конвейере распознавания текста на печатях; распознавание найденного текста выполняет отдельная модель. В тесте PaddleX Custom Test Dataset, включавшем 500 изображений круглых печатей, модель показала Hmean 96,47%. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Поддержка языков в карточке обозначена тегами en и zh; данных о размере модели и длине контекста нет.

PP-OCRv6_medium_rec — модель распознавания текста из изображений, разработанная PaddlePaddle как часть семейства PaddleOCR. Она предназначена для распознавания строк текста в составе OCR-конвейера: после обнаружения текста на изображении распознаёт его содержимое. Подходит для печатного и рукописного текста, документов и промышленных сцен, включая дисплеи, точечно-матричные символы и маркировку на шинах. Модель содержит 19 млн параметров. В её архитектуре используются лёгкая backbone-сеть LCNetV4, модуль распознавания EncoderWithLightSVTR и декодер с головами CTC и NRTR. Заявлена поддержка 50 языков; в метаданных карточки перечислены английский и китайский. Модель распространяется в формате safetensors и предназначена для использования с PaddleOCR. Лицензия — Apache-2.0. README сообщает о точности распознавания 83,2% для PP-OCRv6_medium, но не приводит методику оценки для этой цифры. Это модель распознавания текста, а не полный OCR-конвейер: для извлечения текста из произвольного изображения могут понадобиться отдельные модули обнаружения текста и предварительной обработки.

Qwen-VL — крупная визуально-языковая модель Alibaba Cloud из семейства Qwen. Она принимает изображения, текст и ограничивающие рамки, а выдаёт текст и рамки; версия в репозитории описана как предварительно обученная модель, при этом карточка также упоминает отдельную диалоговую версию Qwen-VL-Chat. Модель содержит 11,4 млрд параметров, использует плотную архитектуру QWenLMHeadModel, работает с PyTorch и поддерживает контекст до 8192 токенов. Модель предназначена для диалога по изображениям, генерации описаний, визуальных вопросов и ответов, распознавания текста на изображениях, включая документы и диаграммы, а также поиска объектов по текстовому описанию с выдачей рамок. В карточке указаны многоязычные диалоги и многоязычная оценка на китайском и английском языках. Разрешение обработки изображений повышено до 448 пикселей, что помогает решать задачи распознавания текста и визуальных вопросов без разбиения изображения. README сообщает о сильных результатах на нескольких общих визуально-языковых бенчмарках, но они относятся к оценкам разработчика. Модель может ошибаться в распознавании деталей изображения и текста; карточка не описывает ограничения подробнее. Условия лицензии в предоставленных данных не указаны.

Pictograph receipt-detection — модель компьютерного зрения для обнаружения чеков, разработанная и опубликованная Pictograph. Она построена на архитектуре YOLOX-M, принимает изображения размером 640×640 и распространяется в формате ONNX с точностью FP32. Модель предназначена для поиска рамки чека на изображении; в её наборе классов указан только класс receipt. В README заявлены mAP 87,2%, mAP@50 100% и recall 87,5%. Модель можно запускать через Pictograph SDK, ONNX Runtime или размещённые сервисы Pictograph. Репозиторий распространяется по лицензии Apache 2.0.

Модель nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_v1_s1_394s_adjpar6_lr1e5_dec1e4_bs8 — дообученная версия модели распознавания структуры таблиц на базе Table Transformer. Она предназначена для обнаружения объектов на изображениях таблиц, например их структурных элементов. В README указано, что модель дообучена на неизвестном наборе данных, поэтому конкретные типы размечаемых элементов и качество не описаны. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и сохранена в формате safetensors. Для применения к изображениям таблиц подходит как компонент конвейера извлечения структуры документов. Лицензия — MIT.

nlpconnect/vit-gpt2-image-captioning — модель для автоматического создания текстовых описаний изображений. Она разработана на основе VisionEncoderDecoderModel: визуальный энкодер анализирует изображение, а декодер GPT-2 формирует подпись. Репозиторий содержит версию PyTorch модели, первоначально обученной ydshieh во Flax. Модель предназначена для генерации кратких описаний содержимого изображения. Её можно использовать в конвейере Transformers image-to-text для автоматического добавления подписей к изображениям и их текстовой индексации. В карточке не приведены сведения о поддерживаемых естественных языках, размере модели и длине контекста. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает об оценках качества или специальных ограничениях применимости; качество описаний может зависеть от изображения и обучающих данных.

BLIP image-captioning-base — модель описания изображений на основе архитектуры BLIP с визуальным backbone ViT-Base. Она создана авторами BLIP и обучена для генерации подписей к изображениям на датасете COCO. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Модель предназначена для условной и безусловной генерации текстовых подписей к изображениям. Её можно использовать для автоматического составления кратких описаний фотографий и как компонент систем, которым нужно преобразовать визуальное содержимое в текст. Карточка BLIP также описывает семейство как подход для задач понимания изображений и языка, однако этот чекпойнт заявлен именно для image captioning. Возможны ошибки в распознавании деталей сцены и смещения в описаниях; перед применением в значимых сценариях качество и безопасность следует оценить отдельно. Лицензия репозитория — BSD-3-Clause; в карточке также рекомендуется учитывать исследовательский характер выпуска и ограничения модели.

yayayaaa/florence-2-large-ft-moredetailed — дообученная модель на основе microsoft/Florence-2-large-ft для получения более подробных текстовых описаний изображений. Она принимает изображение и генерирует текст; README показывает сценарии обработки одного изображения и пакетной обработки. Модель построена на архитектуре Florence-2 и распространяется в формате safetensors через Transformers. Модель подходит для детального описания изображений и пакетной генерации подписей. README указывает, что на GPU с 24 ГБ видеопамяти можно использовать размер пакета до 28 изображений. Язык карточки — английский; лицензия — MIT. Базовая Florence-2-large-ft также предназначена для обнаружения объектов, OCR и ответов на вопросы по изображению, однако карточка этой производной модели не подтверждает отдельно качество этих задач.

korean_PP-OCRv3_mobile_rec — разработанная командой PaddleOCR мобильная модель распознавания строк текста из изображений, относящаяся к серии PP-OCRv3_rec и обученная на основе PP-OCRv3_mobile_rec для распознавания корейского языка. Она принимает изображение строки и преобразует содержащийся в нём текст в строку символов; модель можно подключить как модуль распознавания в конвейере OCR PaddleOCR для извлечения текста из документов и других изображений. Модель предназначена для распознавания корейского текста, включая пунктуацию. В README указано, что строка считается распознанной неверно, если ошибочен хотя бы один символ, что отражает строгое измерение точности на уровне целой строки. Для использования заявлена лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных источниках.

zeromodels публикует реализацию SigLIP 2 Large Patch16 512 в формате Keras 3 для классификации изображений по текстовым описаниям без дообучения на целевых метках. Модель принимает изображения и текстовые запросы, сопоставляет их и позволяет выбирать наиболее подходящие метки. Реализация работает с TensorFlow, PyTorch и JAX. Модель основана на google/siglip2-large-patch16-512. Семейство SigLIP 2 использует мультиязычный словарь Gemma на 256 тысяч токенов; карточка отмечает поддержку многих языков. Модель пригодится для классификации изображений с пользовательскими категориями и поиска изображений по текстовым запросам. Распространяется по лицензии Apache 2.0.

Это дообученная модель Table Transformer для обнаружения объектов, разработанная на основе nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_semicplx_v1_s1_226s_adjpar6_lr1e6_dec1e5_bs4. В карточке указаны архитектура TableTransformerForObjectDetection, 6,3 млн параметров, формат safetensors и лицензия MIT. Модель предназначена для обнаружения объектов, связанных со структурой таблиц; конкретные классы объектов и обучающие данные не описаны.

Это модель BLIP для автоматического создания подписей к изображениям, основанная на архитектуре BLIP с визуальным энкодером ViT-Base. Разработчики BLIP предложили этот подход для задач понимания и генерации по изображениям; данная версия предварительно обучена на COCO и предназначена для генерации подписей. Модель принимает изображение и выдаёт текстовое описание. Поддерживаются условная генерация по заданному контексту и генерация без него. Репозиторий содержит варианты весов PyTorch и TensorFlow. Лицензия — BSD 3-Clause. Модель может быть полезна для автоматического описания изображений и подготовки подписей для визуального контента. Карточка предупреждает, что точность, безопасность и справедливость не оценивались для всех сценариев; перед внедрением результаты следует проверять, особенно в задачах с существенными последствиями.

unography/blip-large-long-cap — модель для автоматического создания подписей к изображениям, опубликованная пользователем unography. Она основана на архитектуре BLIP и использует класс BlipForConditionalGeneration; веса доступны в формате safetensors. Модель предназначена для условной и безусловной генерации описаний изображений. Её можно применять для создания подписей к изображениям в каталогах, медиатеках и наборах данных. В качестве обучающего набора указан unography/laion-14k-GPT4V-LIVIS-Captions. Модель принимает изображение и генерирует текстовое описание; поддерживаемый язык описаний в доступных сведениях не указан. Лицензия — BSD 3-Clause. Карточка не сообщает размер модели, длину контекста и известные ограничения качества.

NVIDIA DAM-3B-Self-Contained — мультимодальная модель для подробного и локализованного описания изображений и видео. Она разработана NVIDIA совместно с University of California, Berkeley и UCSF, а в качестве базовой модели использует Efficient-Large-Model/VILA1.5-3b. Модель предназначена для задач image-text-to-text и относится к библиотеке describe-anything. DAM поддерживает анализ визуального содержимого с формированием детализированных текстовых описаний. По представленному примеру она может работать с выделенными областями изображения, заданными точками или ограничивающей рамкой; для сегментации используется связка с Segment Anything Model (SAM). Это делает модель подходящей для описания отдельных объектов и локальных частей сцен, а также для сценариев, связанных с визуальным анализом изображений и видео. Заявленный язык модели — английский. Размер модели составляет около 3 миллиардов параметров, однако точная архитектура мультимодального компонента, максимальная длина контекста и подробные характеристики поддержки видео в README не указаны. Для запуска требуется загрузка модели с использованием trust_remote_code и, вероятно, значительные вычислительные ресурсы; пример ориентирован на работу с GPU и использует вычисления в формате float16. Модель распространяется по NVIDIA Non-Commercial License, поэтому её использование ограничено условиями этой лицензии.

EvoQuality — модель оценки качества изображений без эталонного изображения, разработанная ByteDance. Она поддерживает оценку отдельного изображения по шкале от 1 до 5 и попарное сравнение изображений, позволяя ранжировать их по воспринимаемому качеству. Модель основана на плотной мультимодальной архитектуре Qwen2.5-VL-7B с 7,1 млрд параметров и контекстом до 128 000 токенов; принимает изображения и текстовые инструкции, выдаёт текстовые оценки или выбор лучшего изображения. Веса получены полным дообучением Qwen2.5-VL-7B методом GRPO с псевдометками предпочтений, сформированными голосованием самой модели. В описанных zero-shot испытаниях EvoQuality улучшила корреляцию с человеческими оценками относительно базовой модели на нескольких наборах данных и показала перенос на разные искажения и AI-сгенерированные изображения. Модель подходит для исследовательской оценки, ранжирования и фильтрации изображений, а также как вспомогательный сигнал при очистке данных. Оценки отражают субъективное восприятие качества и могут зависеть от домена, формулировки запроса и способа генерации ответа. Самостоятельные псевдометки могут наследовать предпочтения и слепые зоны базовой модели; для медицинских, спутниковых и промышленных изображений возможен сдвиг домена. Не следует использовать результат как единственное основание для решений с высокими последствиями. Лицензия — Apache-2.0.

Sof22/image-caption-large-copy — модель описания изображений на основе BLIP от Salesforce с визуальным энкодером ViT-Large. Она предназначена для генерации подписей к изображениям в условном и безусловном режимах; автор карточки отмечает настройку параметров генерации для увеличения длины ответа. Модель предобучена для описания изображений на датасете COCO и использует архитектуру BlipForConditionalGeneration. Модель принимает изображения и генерирует текстовые описания. В репозитории доступны форматы PyTorch и TensorFlow. Карточка не сообщает о поддерживаемых естественных языках. Лицензия — BSD 3-Clause.

MC-LLaVA-3b — мультимодальная модель семейства LLaVA, опубликованная visheratin. Она принимает изображение вместе с текстовым запросом и генерирует текстовый ответ, например, отвечает на вопросы о содержимом изображения. В карточке приведены результаты на TextVQA, GQA, VQAv2, VizWiz и задачах V*-bench, включая распознавание текста и определение пространственных отношений. Модель загружается через Transformers и AutoProcessor; для обработки изображения процессор поддерживает разбиение на кропы. По README, подход MC-LLaVA отличается от обычного для LLaVA представления изображения последовательностью из фиксированного числа токенов. Репозиторий содержит веса Safetensors, а лицензия указана как MIT. README отдельно просит учитывать условия OpenAI и Google Gemini из-за использования синтетических обучающих данных.

MODA-Fashion-Matryoshka — модель HopitAI для получения векторных представлений изображений модной одежды и аксессуаров. Она предназначена для поиска похожих изображений и построения компактных индексов в fashion-каталогах; по README, на LookBench модель показывает высокое качество поиска Fine R@1 при сокращении размера эмбеддингов. Модель основана на архитектуре ViT-B/16-SigLIP с визуальной и текстовой частями и содержит 203,2 млн параметров. Благодаря Matryoshka Representation Learning первые 64–768 измерений эмбеддинга образуют пригодные для поиска представления: можно выбирать размер вектора под требования к памяти и качеству. Репозиторий использует open_clip и содержит веса в формате safetensors; лицензия — MIT. Модель поддерживает поиск по визуальному сходству и классификацию изображений без дообучения. В README описана обработка изображений; текстовая часть архитектуры указана, но отдельные сценарии текстового поиска не приведены. Заявления о результатах основаны на LookBench и не гарантируют такое же качество на других каталогах.

PP-OCRv4_server_seal_det — серверная модель обнаружения текста на печатях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для поиска областей с текстом на изображениях печатей и используется как модуль конвейера распознавания текста печатей в документах и изображениях. Модель ориентирована на запуск на серверах с достаточными вычислительными ресурсами и заявляет метрику Hmean 98,21% на тестовом наборе PaddleX из 500 изображений круглых печатей. Это показатель обнаружения текста на указанном наборе, а не гарантия качества на других данных. Для получения распознанного текста её используют вместе с модулем распознавания текста; конвейер может также включать анализ разметки документа, классификацию ориентации и выравнивание изображения. Модель распространяется под лицензией Apache-2.0. Она рассчитана на обработку изображений печатей; карточка указывает английский и китайский языки, но не уточняет архитектуру, размер, длину контекста или отдельные ограничения качества.

timm/ViT-B-32-SigLIP2-256 — визуально-языковая модель семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Это контрастивный энкодер изображений и текста, предназначенный прежде всего для классификации изображений по текстовым описаниям без специального дообучения под каждый набор классов. Модель подходит для сопоставления изображения с перечнем текстовых меток или описаний и выбора наиболее подходящих вариантов. Репозиторий использует библиотеку OpenCLIP; веса представлены в форматах PyTorch и Safetensors. Указана лицензия Apache-2.0. Карточка не приводит размер модели, длину контекста или конкретный перечень поддерживаемых языков.

Florence-2-base-Castollux-v0.5 — дообученная модель зрения на базе microsoft/Florence-2-base, созданная PJMixers-Images. Она предназначена для улучшения качества и формата описаний изображений; обучение проводилось примерно на 20 тысячах изображений из PJMixers-Images/Castollux-Dataset. Модель принимает изображения и по текстовому промпту генерирует подробные описания на английском языке. Примеры в карточке показывают описания людей, животных, одежды, фона и освещения; автор сравнивает их с краткими результатами базовой Florence-2-base. Модель использует архитектуру Florence2ForConditionalGeneration и распространяется в формате safetensors. В примерах видны возможные ошибки в деталях: модель неверно прочитала номер на бирке коровы и исказила имя в водяном знаке. Поэтому описания стоит проверять, особенно когда важны мелкие надписи и точные атрибуты. Условия лицензии в предоставленных данных не приведены.

MobileCLIP2-S2-OpenCLIP — веса модели MobileCLIP2-S2, разработанной Apple и адаптированные для использования с OpenCLIP: в репозитории применены стандартные конфигурации OpenCLIP и имена весов. Это двухбашенная модель, которая сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дообучения, а также для оценки сходства между изображением и текстом. Вариант S2 содержит 35,7 млн параметров в визуальной части и 63,4 млн в текстовой; в таблице результатов указана точность zero-shot на ImageNet-1k 77,2%. По данным авторов, S2 быстрее и компактнее сопоставляемой SigLIP ViT-B/16. Модель подходит для мобильных и других сценариев, где важны скорость и размер, например для классификации по пользовательским категориям и поиска изображений по текстовому запросу. Она принимает изображения и текстовые описания и выдаёт оценки соответствия; это не генеративная модель. Карточка не приводит сведения о поддерживаемых языках и длине контекста. Указана лицензия apple-amlr.

PaliGemma 3B FT COCO Caption — дообученная Google модель «зрение—язык», построенная на основе визуальной модели SigLIP и языковой модели Gemma. Вариант предназначен для создания текстовых подписей к изображениям по датасету COCO. Модель принимает изображение и текстовый запрос и генерирует текст; PaliGemma рассчитана на одношаговую обработку, а не на многоходовый диалог. Семейство PaliGemma также поддерживает визуальные вопросы и ответы, чтение текста на изображении, обнаружение и сегментацию объектов, однако этот чекпойнт настроен для подписей к изображениям. Модель лучше работает с чёткими запросами; она может ошибаться в распознавании содержания изображения и генерировать неверные ответы. Лицензия — Gemma.