I.8Изображения и компьютерное зрение

LLaDA2.0-Uni-FP8 — версия LLaDA2.0-Uni, подготовленная Inclusion AI, в которой веса MoE-экспертов блочно квантованы до FP8. Квантизация уменьшает объём памяти для загрузки модели примерно на 48% по сравнению с вариантом BF16, при этом README заявляет о сохранении качества результатов. Модель относится к мультимодальному семейству LLaDA2 MoE и поддерживает генерацию изображений по тексту, понимание изображений и редактирование изображений. Заявленный контекст составляет 8192 токена; модель использует Transformers и хранится в формате safetensors. Для загрузки FP8-варианта требуется около 32,5 ГБ памяти GPU; пиковое потребление при инференсе сопоставимо с BF16 и зависит от сценария. Лицензия — Apache-2.0.

MobileViT-XXS — компактная модель классификации изображений из семейства MobileViT, представленная авторами статьи и доступная через библиотеку timm. Модель обучена на ImageNet-1k; в README указаны 1,3 млн параметров, 0,4 GMACs и входной размер изображения 256 × 256 пикселей. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Компактный размер и низкая вычислительная стоимость делают её подходящей для экспериментов и сценариев компьютерного зрения с ограниченными ресурсами. Для применения на изображениях вне ImageNet-1k может потребоваться адаптация. В репозитории доступны веса PyTorch и safetensors. Лицензия в метаданных указана как other; README отсылает к сведениям о лицензии, но конкретные условия в предоставленной карточке не приведены.

QuantFunc/Nunchaku-Qwen-Image-EDIT-2511 — это квантизированная производная модель Qwen-Image-Edit-2511, подготовленная командой QuantFunc для ускоренного редактирования изображений. Модель предназначена для image-to-image задач, включая редактирование по текстовым инструкциям, работу с референсными изображениями и inpainting. Она рассчитана на использование в ComfyUI через плагин QuantFunc и совместима с workflow с 4-шаговой LoRA. Доступны варианты INT4 и FP4 с приоритетом качества, скорости или баланса между ними; параметр low_rank составляет 256, 128 или 32 в зависимости от варианта. Заявлены ускорение инференса в 2–11 раз относительно стандартных BF16/FP16 Python-пайплайнов, нативная реализация на C++/CUDA и отсутствие зависимости от Python-моделей в inference engine. В состав входит текстово-визуальный энкодер Qwen2.5-VL-7B. В метаданных указаны английский и китайский языки, однако размер контекста не приведён. Сильными сторонами модели являются высокая скорость, сниженные требования к вычислениям благодаря квантизации, поддержка современных GPU RTX 20/30/40/50, A100 и других ускорителей, а также возможность выбора между качеством и производительностью. Ограничения включают необходимость использования совместимого плагина QuantFunc и подходящего GPU/CUDA-окружения; сведения о точных требованиях к памяти, качестве на разных типах задач и максимальном разрешении в README отсутствуют. Модель распространяется по лицензии Apache License 2.0 как квантизированная производная базовой модели.

PP-OCRv6 tiny text detection MLX — компактная модель обнаружения текстовых областей из семейства PaddleOCR, подготовленная mikoy92 для запуска на Apple Silicon через MLX и mlx-vlm. Это конверсия модели PaddlePaddle/PP-OCRv6_tiny_det_safetensors; лицензия — Apache-2.0. Модель принимает изображение документа и возвращает координаты рамок с найденными текстовыми областями. Она предназначена для этапа обнаружения текста в лёгких OCR-системах, например при разборе сканов и фотографий документов. Для распознавания содержимого найденных областей потребуется отдельная OCR-модель.

Модель timm/qwen3_vit_306m_enc.qwen3_5_4b — извлечённый из Qwen3.5-4B визуальный энкодер для получения признаков изображений; исходные веса разработаны командой Qwen, а вариант timm представлен как перенос весов в формат библиотеки timm без дополнительного обучения. Энкодер включает зрительный backbone, пространственный мерджер и проекцию в ширину исходной языковой модели. Он содержит около 332,7 млн параметров, поддерживает прямоугольные изображения и рассчитан на входной размер 768 × 768. Модель принимает RGB-изображения и выдаёт пространственные визуальные токены или карты признаков. Она предназначена для извлечения представлений изображений и использования в мультимодальных системах; в репозитории нет весов языковой модели и обученной головы классификации. Размеры изображения должны делиться на 16, а для вариантов с мерджером 2 × 2 — на 32. Используется нормализация RGB со средним и стандартным отклонением 0,5. Лицензия — Apache 2.0.

Это извлечённый из Qwen3-VL-4B-Instruct визуальный энкодер Qwen3 ViT, преобразованный для библиотеки timm. Модель содержит vision backbone, пространственный merger и проекцию признаков в размерность 2560; языковые веса и обученная классификационная голова отсутствуют. В карточке указаны 332,7 млн параметров и базовый размер изображения 768 × 768. Энкодер предназначен для получения признаков и пространственных токенов из изображений, а также промежуточных карт признаков. Он принимает RGB-изображения с размерами, кратными 16; для варианта с merger 2 × 2 размеры должны быть кратны 32. Поддерживаются прямоугольные изображения, позиционные эмбеддинги интерполируются для размера входной сетки. Реализация работает только с изображениями и не включает обработку языка или видео. Это перенос весов в формат timm без дополнительного обучения. Лицензия — Apache 2.0. Энкодер сам по себе не выполняет классификацию: для неё нужна классификационная голова.

Это модель извлечения признаков изображений, содержащая визуальный энкодер Qwen3-VL-8B-Instruct, перенесённый в формат timm. Веса энкодера включают пространственный merger и проекцию к размерности исходной языковой модели; обучающие веса языковой модели и голова классификации в репозиторий не входят. Дополнительного обучения при переносе не проводилось. Модель преобразует RGB-изображения в пространственные признаки и токены, пригодные для дальнейшей обработки. Поддерживаются прямоугольные изображения; размеры каждой стороны должны делиться на 16, а для вариантов с merger 2×2 — на 32. Указанный в карточке типичный размер изображения — 768×768. Модель содержит около 455 млн параметров; доступны промежуточные карты признаков. Энкодер подходит для извлечения визуальных признаков в мультимодальных системах и исследовательских конвейерах компьютерного зрения, но сам по себе не генерирует текст и не выполняет классификацию без добавленной головы. Для нормализации RGB используются среднее и стандартное отклонение 0,5 по каждому каналу. Лицензия — Apache 2.0.

Карточка модели Fargol83/Qwen-Image-Layered на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Layered, поэтому описание составлено по ней. 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.

В репозитории smp-hub/resnet152.imagenet размещены предварительно обученные на ImageNet веса ResNet-152 для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Это сверточная модель классификации изображений; веса представлены в формате safetensors. Их можно использовать как основу для задач компьютерного зрения, в частности при построении моделей сегментации с энкодером ResNet-152. Модель подходит для классификации изображений и как компонент систем семантической сегментации. В карточке указана лицензия other, поэтому перед использованием следует проверить условия лицензии репозитория и исходных весов ImageNet.

lllyasviel/sd-controlnet-canny — модель ControlNet, разработанная Lvmin Zhang и Maneesh Agrawala. Это диффузионная модель условной генерации изображений, предназначенная для работы совместно с Stable Diffusion v1.5. Она принимает текстовое описание на английском языке и дополнительное условие в виде карты границ Canny — монохромного изображения с белыми контурами на чёрном фоне — чтобы управлять структурой создаваемого изображения. Модель подходит для сценариев text-to-image и image-to-image, когда важно сохранить композицию, контуры и общую геометрию исходного изображения, одновременно изменяя его содержание или визуальный стиль по текстовому запросу. ControlNet усиливает управляемость генерации и может применяться в художественных и прикладных задачах обработки изображений. Точный размер модели и длина контекстного окна в README не указаны. Модель распространяется по лицензии CreativeML OpenRAIL M, адаптированной из Open RAIL M; ограничения и условия использования определяются текстом этой лицензии.

tinym/tinynet_b.in1k — компактная модель классификации изображений из семейства TinyNet, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению метки из набора классов ImageNet, а также может использоваться как лёгкая основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 3,7 млн параметров, требует примерно 0,2 GMAC на изображение и рассчитана на вход размером 188 × 188 пикселей. Репозиторий предоставляет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Компактный размер и низкие вычислительные затраты подходят для классификации изображений и извлечения признаков при ограниченных ресурсах. Карточка подтверждает обучение на ImageNet-1k, но не описывает качество на других наборах данных или специализированных предметных областях; для таких сценариев может потребоваться дообучение.

TT-VidT — разработанный KohakuBlueleaf самоконтролируемый видеоэнкодер для выделения движения. Модель сочетает визуальный путь DINOv3 ViT-B/16, обрабатывающий кадры независимо, и компактный временной путь Temporal Transfer, который передаёт информацию между кадрами с помощью motion-токенов. Эту версию предварительно обучили на OpenVid-1M; она содержит 195,5 млн параметров и принимает последовательность из 8 RGB-кадров размером 256 × 256, рассчитанную на частоту 6 кадров в секунду. Основной выход — вектор движения размерности 768 для каждого кадра. Эмбеддинги подходят для классификации видео и могут использоваться как признаки движения в задачах поиска, описания и генерации видео; перечисленные сценарии за пределами классификации представлены авторами как возможные направления применения. В опубликованной оценке замороженный энкодер показал результаты на нескольких наборах данных распознавания действий. Для загрузки используются PyTorch и Transformers. Веса доступны по лицензии Apache-2.0.

Модель timm/vit_pwee_patch16_reg1_gap_256.sbb_in1k — компактная Vision Transformer для классификации изображений и извлечения признаков. Её разработчики обучили её в библиотеке timm на ImageNet-1k; модель содержит 15,3 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Архитектура использует патчи 16 × 16, один register-токен и глобальное усреднение признаков. Модель подходит для присвоения изображениям классов ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. README не приводит метрик качества именно этой модели; применимость к классам и данным вне ImageNet-1k отдельно не описана.

Web-SSL DINO ViT-3B — визуальный трансформер, разработанный авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Модель обучена методом самообучения DINOv2 на 2 млрд веб-изображений из данных MetaCLIP без языковой супервизии. Модель содержит около 3,9 млрд параметров и обрабатывает изображения с разрешением 224×224 пикселя. Её основное назначение — извлечение визуальных признаков для задач компьютерного зрения; в README также сообщается о результатах на традиционных тестах зрения, визуальных вопросах, OCR и понимании диаграмм. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка описывает визуальные возможности, однако не приводит ограничений или оценок качества для отдельных сценариев.

Карточка модели rmaser/aloe-dinov3-base-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

Карточка модели rmaser/aloe-dinov3-large-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

Карточка модели rmaser/aloe-siglip2-so400m-432-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

CamSFT-4B — мультимодальная модель для анализа движений камеры в видео, созданная дообучением Qwen/Qwen3-VL-4B-Instruct методом supervised fine-tuning. Для каждого сегмента видео она формирует структурированный JSON с временными границами, типом и направлением базового движения камеры, скоростью и специальными приёмами съёмки. Модель предназначена для сегментации и описания движений камеры в видеороликах. Для воспроизведения результатов работы требуется использовать рекомендованный в README prompt и настройки обработки видео; точные параметры приведены в репозитории CamDistill. Модель распространяется в формате safetensors по лицензии Apache-2.0.

ControlNet Union SDXL 1.0 — модель, разработанная командой xinsir для управляемой генерации и редактирования изображений на базе Stable Diffusion XL и архитектуры ControlNet. Она предназначена для text-to-image и image-to-image сценариев, в которых нужно задавать структуру, позу, глубину, контуры, линейный рисунок и другие визуальные условия, а также комбинировать несколько условий в одном запросе. В версии ProMax заявлена поддержка более 10 типов управления и пяти расширенных функций редактирования, включая устранение размытия по тайлам, вариативность, тайловое суперразрешение, inpainting и outpainting. Модель использует модифицированную архитектуру оригинального ControlNet с общими параметрами и единым энкодером условий для разных типов входных изображений. По заявлению авторов, она обучалась на более чем 10 миллионах изображений с применением bucket training, многоразмерного обучения, аугментаций и переформулированных описаний. Это позволяет работать с изображениями высокого разрешения и различными соотношениями сторон, поддерживать одновременное использование нескольких условий без заметного увеличения вычислительных затрат и сохранять совместимость с другими SDXL- и LoRA-моделями. Точный размер модели, список поддерживаемых языков, максимальная длина контекста и полный перечень условий в README не указаны. Сильные стороны модели — универсальность, управление композицией и структурой изображения, поддержка объединения нескольких условий, а также применение к задачам детального редактирования и увеличения разрешения. Ограничения связаны с отсутствием в README подробных инструкций по инференсу, точных требований к оборудованию и количественных результатов оценки; заявленные характеристики производительности и качества не подтверждены приведёнными метриками. Модель распространяется по лицензии Apache-2.0.

DeepCaption-VLA-7B — мультимодальная модель prithivMLmods на архитектуре Qwen2.5-VL-7B, объединяющая доработанные варианты Qwen2.5-VL-7B-Instruct. Она предназначена для подробного описания изображений и атрибуции визуальных свойств: модель описывает объекты, сцены и окружение, уделяя внимание признакам и деталям. Репозиторий содержит веса Safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Модель рассчитана на изображения разного соотношения сторон и может формировать как краткие подписи, так и более подробные описания по запросу. Основной язык карточки — английский; автор указывает, что многоязычные подписи можно получать с помощью промптов. Подходит для подготовки подписей к датасетам, визуальной разметки и описания художественных, технических и обычных изображений. В неоднозначных изображениях модель может приписывать свойства, которые нельзя уверенно подтвердить по картинке; результаты зависят от формулировки запроса, а точность может снижаться на синтетических и сильно абстрактных изображениях. Фильтрация откровенного или чувствительного содержимого не является целью модели.

E-RADIO — модель извлечения визуальных признаков, разработанная NVIDIA Research. Она формирует два представления изображения: сводный вектор, похожий по назначению на CLS-токен ViT и описывающий изображение целиком, и пространственные признаки, сохраняющие локальную информацию. Эти представления подходят для построения систем компьютерного зрения, включая семантическую сегментацию, а также для передачи визуальных признаков в языковую модель. Модель доступна через Transformers как `AutoModel`; для загрузки из карточки требуется `trust_remote_code=True`. Репозиторий содержит веса PyTorch в формате safetensors. Условия лицензии в предоставленных данных не описаны.

InternViT-6B-448px-V1-2 — визуальная foundation-модель и backbone для извлечения признаков, разработанная OpenGVLab. Это продолжительно предобученная версия InternViT-6B для использования в системах компьютерного зрения и как визуальный энкодер мультимодальных языковых моделей. Модель принимает изображения размером 448 × 448 пикселей и содержит 45 блоков InternVisionModel; в карточке Hugging Face указано 7,4 млрд параметров, а README сообщает 5,5 млрд параметров после удаления трёх последних блоков. При дообучении использовались данные для описания изображений и OCR, включая наборы с китайским и английским текстом. Это расширяет возможности визуального представления сцен и распознавания текста на изображениях. Авторы отмечают, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения. Репозиторий распространяется по лицензии MIT.

InternViT-6B-448px-V1-5 — визуальная foundation-модель и backbone для извлечения признаков, разработанная OpenGVLab. Это дообученная версия InternViT-6B-448px-V1-2: при дальнейшем предобучении использовались изображения с динамическим разрешением на основе плиток 448×448, от 1 до 12 плиток на изображение. В README указано 5,54 млрд параметров после удаления последних трёх блоков; метаданные репозитория указывают 7,4 млрд параметров. Модель предназначена прежде всего для получения визуальных признаков, в том числе как зрительная часть мультимодальных языковых моделей. Обучение на разнообразных данных изображений и дополнительных OCR-данных усилило устойчивость, распознавание текста на изображениях и работу с высоким разрешением. Для построения MLLM авторы рекомендуют использовать признаки последнего слоя. README отмечает, что серия InternViT V2.5 лучше подходит для построения MLLM, чем для традиционных задач компьютерного зрения. Лицензия — MIT.

LLMDet — детектор объектов с открытым словарём, представленный в версии для Hugging Face. Модель разработана авторами Shenghao Fu и коллегами; работа отмечена как Highlight на CVPR 2025. В карточке указана архитектура Grounding DINO и класс GroundingDinoForObjectDetection. Модель предназначена для обнаружения объектов по текстовым описаниям и поиска объектов на изображениях без заранее фиксированного набора классов. Её можно применять для локализации объектов по запросам на естественном языке и исследовательских экспериментов с open-vocabulary детекцией. В статье обучение описано как использующее надзор со стороны больших языковых моделей. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0. README отсылает за подробностями к GitHub и статье; параметры размера, контекстного окна и поддерживаемые языки в предоставленных данных не приведены.

MLCD-ViT-bigG-patch14-448 — модель зрения на базе Vision Transformer, разработанная DeepGlint AI. Она использует RoPE2D и предназначена для извлечения признаков из изображений; в карточке также описана оценка её визуального представления в составе системы с Qwen2.5-7B на задачах понимания документов и визуальных вопросов. Размер модели — 2,5 млрд параметров; веса опубликованы в формате safetensors, лицензия — MIT. Модель можно применять как визуальную часть мультимодальных систем, в том числе для анализа документов, диаграмм и изображений.

PS3-4K-SigLIP2 — разработанный NVIDIA визуальный энкодер на основе SigLIP2 для извлечения признаков из изображений высокого разрешения. Он принимает RGB-изображения размером до 3780 × 3780 пикселей и возвращает тензор визуальных эмбеддингов для последующей обработки другими моделями. Модель использует Vision Transformer и кодирует изображения на нескольких масштабах — от 378 до 3780 пикселей. Она поддерживает выбор информативных участков изображения по визуальной значимости или текстовому запросу; в полном режиме выход объединяет признаки до 88 209 патч-токенов. Модель рассчитана на исследования и разработку, а NVIDIA указывает оптимизацию для своих GPU-ускорителей. Для практического использования эмбеддингов требуется downstream-модель. В README не приведены условия лицензии, поэтому определить их по доступным материалам нельзя.

Sa2VA-8B — мультимодальная модель ByteDance для диалога с визуальными данными. Она объединяет возможности InternVL2.5-8B и сегментацию на основе SAM2; в карточке семейства для языковой части указана internlm2_5-7b-chat. Модель обрабатывает изображения и видео, отвечает на вопросы о них, понимает визуальные подсказки и выполняет плотную сегментацию объектов с привязкой к содержимому сцены. Модель подходит для визуального поиска и анализа сцен, сегментации объектов по текстовому или визуальному запросу, а также для вопросов и ответов по изображениям и видео. В README заявлены результаты, сопоставимые с Qwen2-VL и InternVL2.5 на бенчмарках вопросов и ответов, и сильные результаты на бенчмарках визуальной привязки и сегментации; конкретные оценки приведены для Sa2VA-8B. Репозиторий содержит веса safetensors, модель использует Transformers и распространяется по лицензии Apache-2.0.

Show-o2-7B — унифицированная мультимодальная модель, разработанная Show Lab Национального университета Сингапура совместно с ByteDance. Она объединяет авторегрессионное предсказание текстовых токенов и flow matching для генерации изображений и видео; визуальные представления строятся в пространстве 3D causal VAE с пространственно-временным слиянием признаков. Модель предназначена для мультимодального понимания и генерации с текстом, изображениями и видео, включая смешанные сценарии. В README указано семейство моделей размером 7B, но отдельные характеристики этого чекпойнта, например длина контекста, не приведены. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0.

TextNet — компактная архитектура компьютерного зрения для извлечения признаков изображения и обнаружения текстовых областей. Модель опубликована пользователями Raghavan, jadechoghari и nielsr; репозиторий использует библиотеку Transformers и хранит веса в формате safetensors. В семействе описаны варианты TextNet-T, TextNet-S и TextNet-B размером 6,8 млн, 8,0 млн и 8,9 млн параметров соответственно; конкретный вариант репозитория czczup/textnet-base в README не уточняется. Модель предназначена для обнаружения текста в естественных сценах и документах, включая разноязычный текст с различной ориентацией. README сообщает о предварительном обучении на IC17-MLT и дообучении на Total-Text, а также о компромиссе между точностью и скоростью на GPU. Это извлекатель визуальных признаков, поэтому сам по себе он не выполняет распознавание текста и не генерирует транскрипцию. Лицензия в предоставленных данных не приведена.

UniAR-RL — мультимодальная авторегрессионная модель ShareLab-SII для понимания и генерации изображений. Этот чекпойнт дообучен методом обучения с подкреплением GRPO поверх UniAR-SFT и улучшает качество генерации и следование инструкциям, включая рендеринг текста на изображениях. Модель объединяет обработку визуальных токенов и текста в одном Transformer. В её составе — Qwen3-8B, визуальный токенизатор на основе BSQ-квантированного SigLIP2-So400M ViT и визуальный декодер SD3.5-Medium DiT. Чекпойнт включает компоненты для понимания и генерации изображений; заявленная задача карточки Hugging Face — image-to-text. Лицензия — Apache-2.0.