I.8Изображения и компьютерное зрение

InternViT-300M-448px — визуальная foundation-модель и backbone для извлечения признаков изображений, разработанная OpenGVLab. Модель содержит около 402,7 млн параметров по метаданным и использует архитектуру InternVisionModel семейства InternViT. Она обучена дистилляцией из InternViT-6B-448px-V1-5. Модель принимает изображения с динамическим разрешением на основе тайлов 448×448: при обучении использовалось от 1 до 12 тайлов, при тестировании поддерживается от 1 до 40. Предназначена для получения визуальных признаков и может служить backbone для компьютерного зрения; в карточке также отмечены устойчивость, обработка высокого разрешения и возможности OCR. Обучающие данные включают мультиязычные наборы изображений, подписи и OCR-данные на китайском и английском языках. Лицензия — MIT. Авторы отмечают, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения; результаты OCR и качество на конкретных данных могут зависеть от сценария применения.

Карточка модели ccqwe/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 в рамках семейства Eagle компанией NVIDIA трансформерная зрительно-языковая модель на 3 млрд параметров. Она принимает изображение и текстовый запрос, а возвращает текст с метками и структурированными координатами объектов и точек. В архитектуру входят визуальный энкодер MoonViT, языковая модель Qwen2.5-3B-Instruct и MLP-проектор; модель дообучена для визуальной локализации. Модель предназначена для обнаружения объектов, поиска объектов по описанию, локализации элементов интерфейса и текста на изображениях, а также для разметки сцен в робототехнике, автономном вождении и работе с документами. Механизм Parallel Box Decoding предсказывает координаты блоками за один параллельный шаг; авторы заявляют до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Поддерживается исходное разрешение изображений до 2,5K, длина запроса до 24K токенов и генерация до 8192 токенов. Модель ориентирована на разработчиков и исследователей, создающих системы визуального восприятия и мультимодальных агентов. В README выпуск обозначен как предназначенный для исследований и разработок; метаданные указывают лицензию other, поэтому перед использованием следует проверить условия лицензии репозитория. Модель обрабатывает визуальные сцены и формулирует локализацию в виде текстовых меток и координат.

Карточка модели ashpika13/LocateAnything-3B-cascade 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 Akfmsk/LocateAnything-3B-custom 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.

MoonViT-SO-400M — визуальный энкодер компании Moonshot AI для извлечения признаков из изображений. Реализация и веса опубликованы отдельно от moonshotai/Kimi-VL-A3B-Instruct; модель инициализирована из SigLIP-SO-400M и проходила дальнейшее предварительное обучение. Архитектура относится к семейству MoonViT, число параметров по метаданным — 544,9 млн. Модель предназначена для получения представлений изображений, в том числе с сохранением исходного разрешения, и может использоваться как визуальный компонент мультимодальных систем. Прикладной сценарий, явно подтверждённый данными, — извлечение признаков. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия — MIT.

MoonViT-V2 — визуальный энкодер, представленный как нативный vision backbone Kimi K3; репозиторий AI4Industry содержит извлечённые веса из чекпойнта moonshotai/Kimi-K3. Модель предназначена для кодирования изображений и видео в визуальные токены для мультимодальной обработки. Метаданные относят её к задаче извлечения признаков изображений. Архитектура — 27-слойный Vision Transformer примерно на 453 млн параметров с размером скрытого состояния 1024, 12 головами и патчами 14 × 14. Для изображений и видео используется общий путь с пространственным и временным вниманием; сжатие токенов включает pixel shuffle 2 × 2 и временной pooling. README указывает на обработку видео последовательностью кадров, по умолчанию до четырёх кадров. В репозитории сохранены веса vision tower в формате safetensors, без языковой модели и проектора, поэтому это не самостоятельная мультимодальная чат-модель. Модель может служить визуальным энкодером для распознавания текста, анализа интерфейсов и понимания видео. Обучающие данные, согласно README, охватывают подписи, документы, OCR, видео, визуальный код, grounding, SVG, 3D-объекты, веб-страницы, игры и CAD. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория и исходного Kimi K3.

OWLv2-base-patch16 — модель обнаружения объектов с открытым словарём, разработанная авторами работы Scaling Open-Vocabulary Object Detection. Она принимает изображение и один или несколько текстовых запросов, а затем находит соответствующие объекты и возвращает их рамки и оценки. Модель построена на мультимодальной основе CLIP с визуальным энкодером ViT-B/16 и текстовым Transformer-энкодером; для обнаружения к выходам визуального Transformer добавлены лёгкие классификационная и рамочная головы. Модель подходит для поиска объектов по произвольным текстовым описаниям, в том числе для экспериментов с объектами, названия которых не задавались фиксированным набором классов при обучении. Карточка позиционирует её как исследовательскую модель для изучения обобщения, устойчивости и ограничений компьютерного зрения. Обучающие данные включают публичные пары изображение–текст и наборы данных обнаружения объектов, в частности COCO и OpenImages; README отмечает, что значительная часть данных получена из интернет-источников и может хуже представлять группы, менее связанные с интернетом. Лицензия — Apache-2.0.

OWLv2-large-patch14 — модель обнаружения объектов с открытым словарём, разработанная авторами работы «Scaling Open-Vocabulary Object Detection». Она принимает изображение и одну или несколько текстовых подсказок с названиями объектов, после чего находит соответствующие объекты и предсказывает их рамки. Модель построена на мультимодальной основе CLIP с визуальным энкодером ViT-L/14 и текстовым Transformer-энкодером; к визуальным признакам добавлены лёгкие головы классификации и предсказания рамок. Модель подходит для поиска объектов по произвольным текстовым запросам, в том числе для классов, которые не были заданы фиксированным набором меток. Её можно применять для исследовательской оценки обобщения и устойчивости компьютерного зрения, а также для обнаружения объектов на изображениях по описаниям. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Качество зависит от формулировки текстовых запросов и распределения данных; документация отмечает возможные смещения из-за состава обучающих данных, значительная часть которых собрана из интернета. Модель предназначена прежде всего для исследований компьютерного зрения.

PP-OCRv6_small_det_safetensors — компактная модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации текста на изображениях как часть конвейера OCR; для распознавания найденных строк требуется отдельный модуль распознавания. Модель использует backbone LCNetV4 и neck RepLKFPN, содержит 2,48 млн параметров и распространяется в формате safetensors. Семейство PP-OCRv6 рассчитано на работу с 48 языками и разными видами текста, включая рукописный, печатный, повернутый, изогнутый и декоративный; метаданные этой карточки отмечают английский и китайский языки. Лицензия — Apache-2.0. Модель подходит для встраивания обнаружения текста в приложения и OCR-конвейеры с ограничениями по размеру. README не приводит отдельные метрики для варианта small_det. Одна модель обнаружения сама по себе не выполняет распознавание текста и не заменяет полный OCR-конвейер.

PS3-4K-C-RADIOv2 — разработанный NVIDIA визуальный энкодер на базе C-RADIOv2 для извлечения признаков из изображений высокого разрешения. Это дообученная модель семейства PS3 с архитектурой Vision Transformer; веса опубликованы в формате safetensors. Модель принимает RGB-изображения и формирует тензор визуальных эмбеддингов для последующего использования в других моделях и приложениях. Модель предназначена для анализа изображений размером до 3840 × 3840 пикселей. Она обрабатывает изображение на нескольких масштабах и может выбирать участки для детального кодирования по визуальной значимости или по текстовому запросу. Полное представление включает до 88 209 токенов; число высокодетальных участков можно ограничить настройками инференса. Для текстового выбора участков требуется отдельная текстовая модель. PS3-4K-C-RADIOv2 опубликована для исследований и разработок. В README указана лицензия NVIDIA Open Model License, поэтому перед использованием следует учитывать её условия. Модель ориентирована на системы с GPU NVIDIA; README не приводит результаты оценки на тестовых наборах.

Sa2VA-Qwen3-VL-4B-SAM3 — мультимодальная модель ByteDance для диалога и сегментации объектов по текстовому описанию на изображениях и видео. Она построена на Qwen3-VL-4B-Instruct и использует энкодер SAM3 с трекером PVS: модель предсказывает токен [SEG], скрытое состояние которого задаёт декодеру SAM3 условие для формирования маски объекта. Модель предназначена для сегментации по выражению на естественном языке, отслеживания описанного объекта в видео и генерации ответов в диалоге с визуальным заземлением. В README приведены результаты на наборах RefCOCO, RefCOCO+, RefCOCOg, MeViS, ReVOS и Ref-DAVIS17. Репозиторий содержит код SAM3 для заземления; для загрузки README рекомендует bfloat16, поскольку автоматический выбор смешанных типов данных может привести к ошибке. Модель использует архитектуру Sa2VA с Qwen3-VL-4B-Instruct и SAM3, распространяется в формате safetensors и имеет лицензию Apache-2.0. В метаданных указан тег image-text-to-text; поддержка видео для сегментации описана в README. Языки и длина контекста в доступных данных не приведены.

Это веса небольшого визуального энкодера SAM 2 на архитектуре Hiera, опубликованные командой timm. Репозиторий содержит только image encoder HieraDet и предназначен для извлечения признаков из изображений, а не для полного интерактивного сегментирования SAM 2. Модель можно использовать как визуальный бэкбон в системах компьютерного зрения и для получения признаковых представлений изображений. Метаданные указывают библиотеку timm, форматы PyTorch и Safetensors и лицензию Apache-2.0. Сведения о размере модели, контексте и поддерживаемых естественных языках в карточке отсутствуют.

Это предобученные на ImageNet веса архитектуры SE-ResNeXt-101 32×4d для классификации изображений. Репозиторий предоставляет веса энкодера, используемого в библиотеке segmentation-models-pytorch, и ориентирован на разработчиков компьютерного зрения, которым нужна готовая визуальная основа для классификационных или сегментационных систем. Модель принимает изображения и выдаёт результаты классификации. Эти веса также можно использовать как энкодер в моделях сегментации через segmentation-models-pytorch. Карточка не сообщает размер параметров, список классов, метрики качества или поддерживаемые языки. Лицензия указана как other, поэтому условия использования следует уточнить по файлам репозитория.

SPNasNet-100 — сверточная модель классификации изображений из семейства SPNAS, представленная в библиотеке timm и обученная на ImageNet-1k. Она предназначена для отнесения изображений к классам ImageNet, а также может использоваться как компактная базовая сеть для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 4,4 млн параметров, требует около 0,3 GMACs вычислений и рассчитана на входные изображения размером 224 × 224 пикселя. При обучении использовались RMSProp, усреднение весов EMA и аугментации, включая RandomErasing и mixup. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Модель подходит для стандартной классификации изображений и извлечения визуальных признаков при ограниченных вычислительных ресурсах. Она обучена на ImageNet-1k, поэтому качество и применимость в других предметных областях или на классах за пределами этого набора данных могут быть ограничены; описание не приводит метрик качества.

UniPic2-Metaquery-9B — унифицированная мультимодальная модель Skywork на базе Qwen2.5-VL-Instruct и SD3.5-Medium. Она предназначена для понимания изображений, генерации изображений по текстовому запросу и редактирования изображений. Модель объединяет зрительно-языковые возможности и авторегрессионную генерацию; для запуска требуется около 40 ГБ видеопамяти. В README приведены результаты на GenEval, DPG-Bench и GEditBench-EN. Модель принимает текст и изображения, а выдаёт текст и изображения. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Лицензия — MIT.

MCG-NJU/videomae-base — базовая модель VideoMAE, представленная авторами статьи VideoMAE и выпущенная в репозитории MCG-NJU. Это видеоверсия Masked Autoencoder на основе Transformer, близкая по архитектуре к Vision Transformer: видеокадры разбиваются на патчи размером 16×16, а при предобучении модель восстанавливает пиксели замаскированных патчей. Модель содержит 113,2 млн параметров и предобучена без учителя на Kinetics-400 в течение 1600 эпох. Чекпойнт предназначен прежде всего для дообучения на задачах анализа видео. Его представления можно использовать для классификации видео, например обучив классификатор поверх представления токена [CLS]. Также модель умеет восстанавливать пиксели замаскированных частей видео. Она принимает видео и выдаёт предсказания пикселей или представления, полезные для последующих задач; язык как входная характеристика не заявлен. Для практического применения на целевой задаче обычно требуется дообучение на размеченных данных. Карточка не приводит результаты оценки и подробности предобработки. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

OpenGVLab/VideoMAEv2-giant — крупная видеомодель OpenGVLab, представленная в работе VideoMAE V2 и опубликованная в GitHub. Она предварительно обучена 1200 эпох методом самообучения на немаркированном наборе UnlabeledHybrid-1M. Модель предназначена для извлечения признаков из видео. Эти признаки можно использовать в задачах классификации видео и как представление видеоданных для последующих моделей.

Это визуальный энкодер SigLIP 2 на архитектуре ViT-Base с патчами 16×16, предназначенный для библиотеки timm. Он соответствует только изображенческой части мультимодальной модели и обучен на наборе данных WebLI. Модель извлекает признаки изображений; её можно использовать как компонент систем поиска и сопоставления изображений с текстом или для других задач, строящихся на визуальных представлениях. В репозитории указаны веса PyTorch и Safetensors и лицензия Apache-2.0. Карточка не приводит численный размер модели, разрешение входа, набор поддерживаемых языков или параметры контекста; поскольку это только энкодер изображений, текстовый ввод и генерация текста не заявлены.

timm/vit_pe_lang_large_patch14_448.fb — вариант визуального энкодера Perception Encoder Language от Meta, преобразованный для библиотеки timm и содержащий только энкодер изображений. Это большая модель семейства ViT с патчами 14×14 и входным разрешением 448 пикселей; она обучена на контрастивных изображениях и текстах и дополнительно выровнена для языковых задач. В полном мультимодальном конвейере энкодер можно сочетать с языковым декодером, например Llama или Qwen. Модель предназначена для получения визуальных признаков для поиска и других задач понимания изображений; семейство PE Lang особенно хорошо показало себя на OCR и анализе документов, включая ответы на вопросы по документам. Эта карточка содержит только визуальный энкодер: сама модель не генерирует текст и не принимает видео. Веса доступны в форматах PyTorch и safetensors по лицензии Apache 2.0.

Это перенос в формат Hugging Face модели V-JEPA 2.1 ViT-G/16 384 — видеокодировщика и предиктора Meta AI для извлечения представлений видео. Веса взяты из контрольной точки facebookresearch/vjepa2 и не изменены; для совместимости с Transformers объединённые проекции QKV разделены на отдельные матрицы query, key и value. Указанный в метаданных размер — 2,1 млрд параметров; README приводит точный размер 1,90 млрд. Модель использует архитектуру VJEPA21Model с энкодером на 48 слоёв, скрытым размером 1664 и 26 головами внимания, а также предиктором на 24 слоя. Она предназначена для извлечения видео- и многоуровневых признаков, которые можно использовать в последующих задачах анализа и классификации видео. Разрешение 384×384 является штатным, при этом интерполируемые RoPE-позиции позволяют обрабатывать другие, в том числе неквадратные, разрешения. Длинные ролики требуют значительной памяти: стоимость внимания растёт квадратично с числом кадров, и для клипа из 64 кадров README рекомендует малые пакеты и gradient checkpointing. Классификационная голова и внимательный пулер инициализируются заново, поэтому для классификации видео их необходимо обучить. Репозиторий распространяется по лицензии MIT.

V-JEPA 2 — видеомодель, разработанная FAIR при Meta. Она использует архитектуру VJEPA2 и предназначена для представления видео и изображений, классификации видео, поиска похожих видео и работы в качестве видеоэнкодера для визуально-языковых моделей. Для этой версии требуется подавать 64 кадра; изображение можно представить как последовательность повторяющихся кадров. Модель содержит 402,7 млн параметров и доступна в формате Safetensors для библиотеки Transformers. Модель подходит для извлечения представлений из видео и изображений, классификации видеоматериалов и поиска по видео. В карточке заявлены возможности понимания видео на основе масштабного предобучения; отдельные численные результаты для этой версии не приведены. Лицензия — MIT.

Модель corzent/yolo11x_watermark_detection — дообученный детектор объектов на базе fancyfeast/joycaption-watermark-detection, созданный автором репозитория на основе YOLO11x. Она предназначена для обнаружения водяных знаков и логотипов на изображениях; размер входа — 1280 × 1280 пикселей. В README приведены показатели precision 0,896, recall 0,883 и mAP@50 0,900 на использованной автором оценке. Модель подходит для поиска и локализации водяных знаков и логотипов в изображениях и наборах изображений. Использует PyTorch и библиотеку Ultralytics. Репозиторий распространяется по лицензии MIT. Результаты на других данных могут отличаться; README не описывает состав набора данных и условия оценки.

4x_foolhardy_Remacri — модель увеличения разрешения изображений в 4 раза, размещённая LyliaEngine. В README указано, что исходный апскейлер создан FoolhardyVEVO; также приведены ссылки на OpenModelDB и Civitai. Модель предназначена для использования в Stable Diffusion и ComfyUI через каталоги ESRGAN или upscale_models, в том числе для повышения качества изображений во вкладках Hi-Res и Extras. Техническая архитектура, количество параметров, поддерживаемые языки и модальности в README не указаны. Назначение модели — апскейлинг уже созданных изображений, а не генерация изображений по текстовому запросу, несмотря на метаданные репозитория с тегами text-to-image и lora. Условия использования описаны неоднозначно: в метаданных указана лицензия CDLA-Permissive-2.0, тогда как в основном тексте README приведена CC-BY-NC-SA-4.0. Перед использованием необходимо уточнить, какая лицензия имеет приоритет.

AIMv2-3B-patch14-336 — модель компьютерного зрения из семейства AIMv2, разработанного Apple и предварительно обученного с мультимодальной авторегрессионной целевой функцией. Репозиторий содержит vision-архитектуру Aimv2VisionModel примерно с 2,7 млрд параметров и веса в форматах Flax и Safetensors; модель загружается через Transformers и принимает изображения для извлечения признаков. Модель предназначена для получения визуальных признаков, полезных для мультимодального понимания изображений и задач распознавания. В README сообщается о результатах семейства AIMv2 на мультимодальных бенчмарках, обнаружении объектов с открытым словарём и понимании ссылочных выражений; для AIMv2-3B также приведён результат 89,5% на ImageNet с замороженной основой. Эти результаты относятся к семейству и указанной конфигурации оценки, а не гарантируют качество в каждом прикладном сценарии. Лицензия репозитория — apple-amlr. Модель принимает изображения и выдаёт признаки; карточка не описывает генерацию изображений или текстовый интерфейс для общения.

BAGEL — открытая мультимодальная модель ByteDance Seed с архитектурой Mixture-of-Transformer-Experts (MoT). В репозитории размещены веса версии с 7 млрд активных и 14 млрд общих параметров; в качестве основы использована Qwen/Qwen2.5-7B-Instruct. Модель обучалась на чередующихся текстовых, графических и видеоданных и использует отдельные энкодеры для визуальных признаков на уровне пикселей и семантики. BAGEL предназначена для мультимодального понимания и генерации: отвечает на вопросы по изображениям, создаёт изображения по текстовым описаниям, редактирует изображения по инструкциям, а также поддерживает генерацию будущих кадров, многоракурсный синтез и задачи навигации в визуальной среде. В README заявлены результаты, сопоставимые с ведущими открытыми моделями в тестах понимания изображений и генерации, однако эти заявления относятся к оценкам разработчика. Модель принимает текст, изображения и видео, а выдаёт текст и изображения. Карточка не сообщает о поддерживаемых естественных языках и длине контекста. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Для установки и использования разработчик направляет к отдельному репозиторию GitHub.

facebook/convnextv2-nano-22k-224 — свёрточная модель классификации изображений от команды ConvNeXt V2, представленная в работе Woo и соавторов. Модель предварительно обучена с помощью FCMAE и дообучена на ImageNet-22K для изображений размером 224×224. Это чистая свёрточная архитектура ConvNeXt V2 с блоком Global Response Normalization (GRN). Она предназначена для присвоения изображению класса из набора ImageNet и может служить основой для дообученных версий под другие задачи компьютерного зрения. Доступны веса PyTorch, Safetensors и TensorFlow. Модель принимает изображения и выдаёт метки классов. Лицензия — Apache-2.0. В карточке не приведены сравнительные показатели качества; применение для иных классов или задач может потребовать дообучения.

wjndd/flux1-fill-dev-fp8 — перераспределённая версия весов Black Forest Labs FLUX.1-Fill-dev в формате float8 e4m3fn и safetensors, подготовленная для задач заполнения и редактирования областей изображения на потребительских GPU. Репозиторий содержит один файл весов размером около 11 ГБ и использует библиотеку Diffusers. Модель предназначена для редактирования изображения по текстовому описанию: она принимает исходное изображение, маску области для изменения и текстовую инструкцию, а на выходе создаёт изменённое изображение. Это производная версия FLUX.1-Fill-dev; README указывает, что веса не модифицировались, а формат FP8 может облегчить запуск на менее мощных видеокартах. Модель распространяется по лицензии FLUX.1 [dev] Non-Commercial License, поэтому коммерческое использование ограничено условиями этой лицензии. Качество и скорость генерации зависят от оборудования и настроек инференса.

IdolSankaku EVA02-Large Tagger v1 — модель DeepGHS для автоматической разметки изображений. Она предсказывает рейтинги, персонажей и общие теги для фотографий; обучена на датасете изображений реального мира с разметкой, выполненной людьми. Архитектура основана на EVA02-Large и доступна для использования через timm или ONNX, включая пакетную обработку изображений. На валидации для версии 1.0 указаны порог 0,4985 и F1 0,6017. ONNX-модель совместима с кодом для WD tagger v3 и требует onnxruntime версии 1.17.0 или выше. Репозиторий распространяется по лицензии Apache-2.0.

LibreOWLv2b16 — снимок весов OWLv2 base patch-16 ensemble, опубликованный в репозитории LibreYOLO. Параметры модели не изменялись: сохранены веса Google для google/owlv2-base-patch16-ensemble и файлы Hugging Face Transformers, необходимые обёртке LibreYOLO LibreOpenVocab. Модель обнаруживает объекты на изображениях по текстовым запросам. Пользователь может задать названия классов, например «person», «dog» и «car», и получить результаты обнаружения; открытый словарь позволяет искать классы, не заданные фиксированным набором меток. Репозиторий позиционирует её как компонент уровня LibreYOLO LibreOpenVocab. Использование весов распространяется по лицензии Apache 2.0. Для работы требуется обёртка LibreYOLO; README приводит пример вызова, но не сообщает численные оценки качества или ограничения по скорости и разрешению изображения.