I.8Изображения и компьютерное зрение

MCG-NJU/videomae-base-short — базовая модель семейства VideoMAE, представленная командой MCG-NJU и предварительно обученная без учителя на Kinetics-400 в течение 800 эпох. Она переносит подход Masked Autoencoder на видео: видеокадры разбиваются на патчи размером 16×16, которые обрабатывает Transformer-энкодер на основе архитектуры Vision Transformer; декодер учится восстанавливать пиксели скрытых патчей. Модель содержит 113,2 млн параметров и доступна в форматах PyTorch и safetensors. Модель формирует представления видео, пригодные для последующих задач, в первую очередь для классификации видео. Её можно дообучить на размеченных видеоданных или использовать как энкодер признаков, добавив классификационный слой к представлению токена CLS. Исходный чекпойнт предварительного обучения также умеет предсказывать пиксели скрытых патчей. Модель предназначена главным образом для адаптации к целевым задачам, а не как готовый специализированный классификатор. В README не приведены результаты оценки и подробности предобработки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

V-JEPA 2.1 ViT-L/16 384 — это преобразованная в формат Hugging Face модель видеоэнкодера и предиктора Meta AI. Репозиторий apiantonio содержит копию исходных весов без изменений и упаковку для Transformers; для совместимости объединённые QKV-проекции разделены на отдельные матрицы query, key и value. В README указан размер 327,7 млн параметров, тогда как метаданные репозитория указывают 402,7 млн параметров. Модель предназначена для извлечения признаков из видео и использования в задачах классификации видео, в том числе с обучаемым отдельно attentive pooler. Она принимает видеоклипы с разрешением 384×384; RoPE допускает другие разрешения и нес квадратные кадры. Доступны иерархические признаки с четырёх уровней энкодера и предиктор для masked prediction. Это преобразование весов Meta AI, а не новое дообучение; лицензия репозитория — MIT. Для длинных клипов вычислительная стоимость внимания быстро растёт с числом кадров: 64 кадра дают 18 432 токена. README рекомендует для таких входов включать gradient checkpointing и использовать небольшие батчи. У трёх из четырёх иерархических нормализаций параметры остались в начальной конфигурации LayerNorm; для промежуточных признаков с обученными affine-параметрами README указывает на ViT-G варианты.

facebook/webssl-dino5b-full2b-224 — визуальная модель семейства DINOv2, разработанная Meta и представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT примерно на 5 млрд параметров, обученный методом самообучения на 2 млрд веб-изображений MetaCLIP без языковой супервизии. Модель принимает изображения с разрешением 224×224 пикселя и извлекает визуальные признаки. Модель предназначена для получения представлений изображений и использования в задачах компьютерного зрения, включая оценку на визуальных бенчмарках. В README также сообщается о результатах на мультимодальных задачах, таких как визуальные вопросы и понимание OCR и диаграмм, однако отдельный интерфейс для этих задач не заявлен. В метаданных указана библиотека Transformers и формат safetensors. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

XCiT Nano 12 P16 — компактная модель классификации изображений семейства Cross-Covariance Image Transformer, опубликованная авторами статьи XCiT и доступная через timm. Модель предварительно обучена на ImageNet-1k с дистилляцией; содержит 3,1 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и получения эмбеддингов изображений. Компактный размер и вычислительная стоимость 1,6 GMAC делают её подходящей для сценариев, где важны экономия ресурсов и обработка изображений фиксированного размера. Лицензия репозитория — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных. README не описывает поддержку иных задач или языковых функций; качество на других наборах данных и при других размерах входа отдельно не подтверждено.

onnx-community/yolov10m — версия весов YOLOv10 в формате ONNX, опубликованная сообществом onnx-community. Модель предназначена для обнаружения объектов на изображениях и может использоваться в приложениях на Transformers.js. YOLOv10 — плотная архитектура детекции объектов, ориентированная на работу в реальном времени. Репозиторий содержит ONNX-веса; лицензия — AGPL-3.0. Данные о размере модели, поддерживаемых классах объектов и языках в карточке не приведены.

EPFL-VILAB/4M-21_B — предобученная мультимодальная модель из семейства 4M, разработанного исследователями EPFL-VILAB. Она использует подход Massively Multimodal Masked Modeling и предназначена для задач компьютерного зрения и работы с разными модальностями в единой модели. Модели 4M поддерживают преобразование между входными и выходными представлениями разных типов, а 4M-21 разработана как модель зрения для десятков задач и модальностей. Модель подходит для мультимодальной генерации и переноса на задачи и модальности, не встречавшиеся при обучении. В репозитории веса в формате safetensors; для загрузки README указывает библиотеку fourm. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. Карточка описывает семейство и возможности 4M, но не сообщает размер именно варианта 4M-21_B, список поддерживаемых модальностей и отдельные ограничения качества.

4M-21_L — модель семейства 4M, разработанная исследователями EPFL-VILAB в рамках работ «4M: Massively Multimodal Masked Modeling» и «4M-21: An Any-to-Any Vision Model for Tens of Tasks and Modalities». Это предобученная мультимодальная модель для задач компьютерного зрения и генерации в формате «любая модальность в любую»: семейство 4M использует токенизацию и маскирование для работы с разными модальностями и задачами. Модель распространяется в формате safetensors и загружается через библиотеку ml-4m. Заявленные сценарии включают широкий спектр задач зрения, перенос на ранее не встречавшиеся задачи и модальности, а также управляемую мультимодальную генерацию. README не раскрывает конкретный перечень поддерживаемых моделью модальностей, языков, размер или длину контекста, поэтому эти характеристики не уточняются. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория.

Карточка модели rmaser/aloe-siglip2-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.

ControlNet v1.1 instruct pix2pix — модель для управляемой генерации и редактирования изображений на основе диффузионных моделей. Она разработана Lvmin Zhang и Maneesh Agrawala, а данный репозиторий содержит конвертацию исходного checkpoint в формат diffusers. Модель предназначена для работы совместно с Stable Diffusion, прежде всего runwayml/stable-diffusion-v1-5. Архитектура ControlNet добавляет к предварительно обученной диффузионной модели дополнительные условия управления. Эта версия обучена для сценариев instruct pix2pix, то есть редактирования исходного изображения по текстовой инструкции: например, изменения внешнего вида или добавления объектов. Заявлены текстовая и визуальная модальности, английский язык и тип задачи text-to-image, адаптированный для image-to-image редактирования. Размер модели и максимальная длина контекста в README не указаны. Сильная сторона модели — возможность сохранять и использовать структуру исходного изображения, одновременно управляя результатом текстовым описанием. Checkpoint рекомендуется применять со Stable Diffusion v1-5; совместимость с другими диффузионными моделями возможна, но не гарантируется. Ограничения, показатели качества и требования к вычислительным ресурсам не приведены. Модель распространяется по лицензии CreativeML OpenRAIL M, адаптированной на основе Open RAIL M.

shixuanleong/cv-vlm — модель компьютерного зрения с языковым интерфейсом, опубликованная Shi Xuan Leong на Hugging Face. По метаданным это Florence-2 объёмом около 0,3 млрд параметров, предназначенная для задач, где требуется анализ изображения и текстовый ответ. Поддерживаемые сценарии включают описание изображений, визуальные вопросы и ответы, OCR и сегментацию. Модель принимает изображение и текстовый запрос, а результат формирует в текстовом виде. Репозиторий использует веса PyTorch в формате Safetensors и распространяется по лицензии MIT. Для конкретной версии cv-vlm отдельные языковые характеристики, длина контекста и результаты оценки качества в доступных источниках не подтверждены. Florence-2 следует рассматривать как компактную модель для задач компьютерного зрения; точность зависит от изображения и типа запроса.

DeepCaption-VLA-V2.0-7B — мультимодальная модель на архитектуре Qwen2.5-VL, созданная prithivMLmods объединением DeepCaption-VLA-7B и Qwen2.5-VL-7B-Instruct. Она предназначена для описания изображений и атрибуции визуальных свойств: формирует подробные подписи с характеристиками объектов, сцен и окружения, а по формулировке запроса может выдавать краткие или детальные описания. Модель рассчитана на изображения разных жанров и пропорций, включая художественные, технические, абстрактные и малоконтекстные примеры. Модель содержит 7,1 млрд параметров, принимает изображения и текстовые инструкции и генерирует текст. Заявлена поддержка английского, китайского и тайского языков; контекст составляет до 128 000 токенов. Лицензия — Apache-2.0. В неоднозначных или низкокачественных изображениях модель может приписывать объектам свойства, которые не видны явно; уровень детализации зависит от запроса. Качество может снижаться на синтетических и абстрактных изображениях, а в описаниях чувствительных изображений может появляться явный контент.

Falcon Perception 300M — компактная модель на 0,3 млрд параметров от TII для обнаружения объектов по изображениям и текстовым запросам. Она использует плотный Transformer с ранним объединением визуальных патчей и текстовых токенов: модель строит визуальный контекст и авторегрессионно выдаёт структурированные координаты ограничивающих рамок. По сравнению с полной Falcon Perception эта версия предназначена только для детекции и подходит для сценариев с ограниченными вычислительными ресурсами. Модель принимает изображение и запрос на естественном языке и возвращает ноль или более найденных экземпляров с рамками. Её можно использовать для поиска объектов по свободному описанию, выбора элементов на изображении и обработки сцен с большим числом экземпляров. Лицензия — Apache 2.0. Модель не предназначена для открытого диалога, длинной генерации или многошаговых визуальных вопросов и ответов; маски сегментации она не выдаёт. Возможны ложные срабатывания на сложных отрицательных примерах, а точность локализации снижается при низком разрешении; обнаружение мелкого текста затруднено.

MiaoshouAI Florence-2-base-PromptGen — модель компьютерного зрения на архитектуре Florence-2, дообученная для MiaoshouAI Tagger в ComfyUI. Она анализирует изображения и создаёт подробные подписи и теги в стиле Danbooru, ориентированные на описание промптов, использованных для генерации изображений. Модель обучена на изображениях и очищенных тегах с Civitai и предназначена для разметки изображений и подготовки тегов для обучения моделей генерации изображений. README сообщает об улучшениях точности тегов и способности анализировать изображения с откровенным содержимым. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель принимает изображения и выдаёт текстовые подписи и теги. В README не приведены размер модели и длина контекста.

DFloat11/FLUX.1-Depth-dev-DF11 — это сжатая версия модели black-forest-labs/FLUX.1-Depth-dev, подготовленная с использованием формата DFloat11. Модель предназначена для генерации изображений по текстовому описанию с управлением на основе изображения глубины, то есть для сценариев text-to-image и структурированного редактирования или создания изображений по пространственной композиции исходного изображения. Сжатие выполняется без потери точности: веса BFloat16 кодируются с помощью Huffman coding экспонент и аппаратно-ориентированных алгоритмов распаковки на GPU. Выходы заявлены как побитово идентичные исходной модели, а потребление GPU-памяти снижается примерно на 30%. Веса хранятся в сжатом виде и распаковываются непосредственно перед матричными умножениями, без передачи данных через CPU. Для работы требуются CUDA-совместимый GPU, PyTorch, пакет DFloat11 с поддержкой CUDA и библиотеки diffusers и image_gen_aux. В примере используется DepthPreprocessor на базе LiheYoung/depth-anything-large-hf; заявлены разрешение 1024×1024 и 30 шагов инференса, но это параметры примера, а не обязательные ограничения модели. README не указывает разработчика исходной FLUX.1-Depth-dev, размер модели, полный список поддерживаемых языков и модальностей, максимальную длину контекста или лицензию. Основное преимущество этой версии — существенное сокращение потребления видеопамяти при сохранении результатов исходной BFloat16-модели; ограничением является зависимость от CUDA-совместимого оборудования и специального программного окружения. Условия лицензирования в предоставленных данных не указаны.

mnmly/lingbot-vision-vit-large-mlx — неофициальная конверсия визуального backbone LingBot-Vision ViT-L/16, подготовленная сообществом для запуска на Apple Silicon через MLX и пакет MLXLingBotVision на Swift. Модель использует архитектуру ViT-L/16: размерность эмбеддингов 1024, 24 слоя, 16 голов внимания и патчи размером 16; в README также указаны четыре register-токена, осевое 2D RoPE, LayerScale и fused-QKV attention. Модель предназначена для извлечения признаков изображений и может служить визуальным backbone для задач плотного предсказания. Веса сохранены в формате safetensors с точностью fp32; README сообщает о проверке численного соответствия исходной реализации. Это конверсия весов robbyant/lingbot-vision-vit-large, переупакованных для MLX Swift; лицензия — Apache-2.0. Модель принимает изображения и выдаёт визуальные признаки, а качество для конкретных downstream-задач зависит от последующей обработки.

Карточка модели fushh7/llmdet_swin_large_hf на Hugging Face совпадает с карточкой fushh7/llmdet_swin_tiny_hf, поэтому описание составлено по ней. 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.

MingTok-Vision — визуальный токенизатор семейства MingTok, разработанный inclusionAI для единого представления изображений в задачах визуального понимания и генерации. README описывает непрерывное латентное пространство без векторной квантизации и трёхэтапную архитектуру: кодирование, расширение представления и реконструкцию. Модель предназначена для извлечения визуальных признаков и восстановления изображений с сохранением мелких деталей и общей структуры. Маскированное моделирование и многоуровневое обучение формируют компактное семантически насыщенное представление, которое может поддерживать более быстрое и стабильное авторегрессионное обучение. Репозиторий использует Transformers и формат safetensors; заявлена лицензия Apache-2.0. Карточка не сообщает размер модели или длину контекста.

Это веса только для визуального энкодера MobileNetV5, подготовленные для серии Gemma 3n и опубликованные в библиотеке timm. Модель предназначена для извлечения признаков из изображений; её можно использовать как компонент конвейера компьютерного зрения или мультимодальной системы. В метаданных указаны библиотека timm, форматы PyTorch и safetensors и лицензия Gemma. Карточка не сообщает размер модели, языки или дополнительные сведения об архитектуре и условиях применения.

UCSC-VLAA/openvision-vit-base-patch16-384 — визуальный энкодер OpenVision, разработанный авторами проекта OpenVision и описанный в работе «OpenVision: A Fully-Open, Cost-Effective Family of Advanced Vision Encoders for Multimodal Learning». Модель предназначена для извлечения признаков изображений и использования в мультимодальных системах; каталог также относит её к моделям для классификации изображений по текстовым меткам без дообучения. Репозиторий использует библиотеку open_clip и содержит веса PyTorch. Лицензия — Apache-2.0. В доступных сведениях не приведены размер модели, длина контекста, набор поддерживаемых языков и подробные ограничения качества.

OWLv2 Large Patch14 — модель обнаружения объектов с открытым словарём, разработанная Google. Она принимает изображение и текстовые запросы с названиями объектов и находит соответствующие объекты, возвращая рамки и оценки. Модель подходит для поиска объектов, классы которых не были заданы заранее, и для экспериментов с обобщением и устойчивостью систем компьютерного зрения. В основе — мультимодальный CLIP с визуальным энкодером ViT-L/14 и трансформерным текстовым энкодером; к визуальным признакам добавлены головы классификации и предсказания рамок. Репозиторий содержит веса PyTorch. Модель опубликована в октябре 2023 года и распространяется по лицензии Apache-2.0. Карточка позиционирует модель как исследовательскую разработку. Результаты могут зависеть от формулировок текстовых запросов и смещений обучающих данных; данные изображений и обнаружения охватывают не все группы и сценарии одинаково.

PerceptionDLM — мультимодальная диффузионная языковая модель, разработанная MSALab на основе MSALab/PerceptionDLM-Base. Она предназначена для параллельного описания областей изображения: модель принимает изображение и несколько масок областей и генерирует описание каждой области за один процесс денойзинга. Поддерживается до шести областей на изображение; региональные подсказки и структурированная маска внимания помогают обрабатывать их одновременно. Модель ориентирована на плотное описание сцен и восприятие отдельных регионов, где последовательная генерация может быть медленной. В тестах ParaDLC-Bench авторы сообщают о качестве 62,4% и ускорении до 3,44 раза в сценариях с множеством регионов по сравнению с авторегрессионными подходами. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Qwen2ViT-600M — визуальный энкодер, извлечённый из серии Qwen2-VL и используемый командой EMOVA для обучения мультимодальных моделей. Это плотная vision transformer модель с примерно 600 млн параметров; она предварительно обучена на изображениях с динамическим разрешением и поддерживает разные размеры и соотношения сторон без фиксированного входного размера. В каталоге указана задача feature-extraction, а веса доступны в формате safetensors для библиотеки Transformers. Модель предназначена для извлечения визуальных признаков и использования в качестве vision tower при обучении мультимодальных систем, включая EMOVA. Для применения энкодера в таком конвейере требуется соответствующая обёртка Qwen2VisionTower и конфигурация модели. Лицензия — Apache-2.0. Карточка не сообщает ограничений по качеству или перечня поддерживаемых языков.

Sa2VA-26B — мультимодальная чат-модель ByteDance для понимания изображений и видео. Она сочетает языковую модель с SAM2 и предназначена для ответов на вопросы по визуальному содержимому, понимания визуальных подсказок, локализации объектов и их плотной сегментации на изображениях и в видео. В метаданных указаны архитектура Sa2VAChatModel, плотная структура, формат safetensors и библиотека Transformers; размер версии — 26 млрд параметров. Модель подходит для анализа сцен, диалоговых запросов о содержимом изображений и видео, а также для сегментации объектов по текстовым или визуальным подсказкам. Семейство Sa2VA описано как многоязычное; карточка отмечает сопоставимые с ведущими MLLM результаты на бенчмарках вопросов и ответов и высокие результаты на задачах визуального grounding и сегментации. Репозиторий указывает слияние с OpenGVLab/InternVL2.5-26B. Лицензия — Apache-2.0. Длина контекста и конкретный перечень поддерживаемых языков не приведены в доступных источниках.

ByteDance разработала Sa2VA-Qwen3-VL-4B — мультимодальную чат-модель семейства Sa2VA для понимания изображений и видео. Она отвечает на вопросы по визуальным данным, понимает визуальные подсказки и выполняет плотную сегментацию объектов с привязкой к изображению или видео. Модель объединяет языковую модель с возможностями SAM2 и предназначена для визуального поиска объектов, их сегментации и вопросов по содержимому сцен. В README семейство Sa2VA описано как конкурентоспособное с Qwen2.5-VL и InternVL3 на бенчмарках ответов на вопросы и сильное в задачах grounding и сегментации. Репозиторий использует архитектуру Sa2VAChatModelQwen и формат safetensors; метаданные указывают связь слияния с OpenGVLab/InternVL3-8B. Лицензия — Apache-2.0.

T2I-Adapter-SDXL Depth-Zoe — адаптер, созданный Tencent ARC совместно с Hugging Face для управления генерацией изображений Stable Diffusion XL с помощью карты глубины. Он подаёт информацию о пространственной структуре сцены в базовую модель SDXL, помогая сохранять глубину и взаимное расположение объектов при создании изображения по текстовому запросу. Адаптер содержит около 77–79 млн параметров; базовая модель SDXL — около 2,6 млрд параметров. Для работы требуется совместимый чекпойнт Stable Diffusion XL и карта глубины, подготовленная с помощью Zoe. Модель подходит для генерации и редактирования изображений, когда нужно задать композицию сцены через глубину и описание на английском языке. Она обучалась на высококачественных парах изображение–текст из LAION-Aesthetics V2. Лицензия — Apache 2.0. Качество результата зависит от базовой модели, точности карты глубины и текстового запроса.

UVDoc — модель для геометрической коррекции изображений документов, разработанная командой PaddlePaddle и предназначенная для использования в экосистеме PaddleOCR. Она исправляет искажения документа, включая деформацию, наклон и перспективные преобразования, чтобы повысить точность последующего распознавания текста. Модель работает с изображениями документов и возвращает скорректированное изображение. В карточке указаны языки en и zh, однако архитектура, количество параметров, размер модели и максимальный размер контекста не раскрыты. На тестовом наборе DocUNet модель показала CER 0,179. Её сильная сторона — специализированная коррекция сложных геометрических искажений перед OCR; ограничение заключается в том, что она не является самостоятельной моделью распознавания текста. Для запуска через ONNX Runtime используется PaddleOCR. Модель распространяется по лицензии Apache-2.0.

VBVR-Pro BAGEL — модель ByteDance-Seed/BAGEL-7B-MoT, дообученная командой Video-Reason для редактирования изображений и генерации промежуточных визуальных состояний в задачах визуального рассуждения. На вход она принимает исходное изображение и текстовую инструкцию, а выдаёт отредактированное изображение. Модель обучена для image-настройки VBVR-Bench Pro; в карточке указан шаг обучения 38 000 и архитектура BAGEL Mixture-of-Transformer-Experts с языковой основой Qwen2MoT. Весовой файл содержит полный чекпойнт в BF16, объединённый с замороженными компонентами базовой модели; FLUX autoencoder поставляется отдельно. Модель предназначена для визуальных задач, где ответ формируется через генерацию изображения, в том числе для контролируемых экспериментов по визуальному рассуждению. Для запуска требуются BAGEL, PyTorch, CUDA и GPU с большим объёмом памяти; увеличение разрешения и числа изображений повышает расход памяти и время работы. Лицензия — Apache 2.0. Авторы рекомендуют проверять сгенерированные изображения перед использованием в последующих приложениях.

calcuis подготовил GGUF-версии мультимодальной модели BAGEL-7B-MoT от ByteDance Seed. Репозиторий содержит варианты F16, F32 и нескольких уровней квантования GGUF. Модель предназначена для генерации изображений по тексту, редактирования изображений по инструкциям и распознавания изображений; в карточке она обозначена как any-to-any. Базовая модель BAGEL поддерживает понимание изображений и видео, генерацию изображений и редактирование по текстовым инструкциям. README называет эту сборку экспериментальной мультимодальной моделью. Репозиторий распространяется по лицензии Apache-2.0.

SynLayers/Bbox-caption-8b — модель SynLayers первого этапа системы SynLayers для анализа изображений. По входному изображению она формирует описание всей сцены и предсказывает ограничивающие рамки видимых объектов или слоёв. Модель основана на архитектуре Qwen3-VL и предназначена для запуска через Transformers; репозиторий содержит веса в формате safetensors. Модель подходит для получения подписей к изображениям и локализации объектов или визуальных слоёв рамками. Она выполняет только первый этап: разложение изображения на отдельные прозрачные RGBA-слои требует чекпойнтов Stage 2. Карточка не сообщает размер модели, поддержку конкретных языков, длину контекста или лицензию.

BMD Watermark Detector — bmd_watermark_n — это компактная модель YOLO11n от BitcrushedHeart для обнаружения водяных знаков на изображениях. Модель дообучена на пользовательском наборе изображений с ручной разметкой рамок и предназначена для быстрого пакетного анализа. Она принимает RGB-изображения, автоматически изменяет их размер до 640×640 и предсказывает расположение водяных знаков. Модель подходит для поиска угловых и краевых водяных знаков при очистке наборов изображений и для определения области, которую можно затем удалить кадрированием. Репозиторий содержит веса PyTorch; для запуска README рекомендует Ultralytics и Pillow. Лицензия — AGPL-3.0. Модель ориентирована на скорость, поэтому вариант nano может уступать более крупным вариантам в точности. Она оптимизирована для водяных знаков у краёв изображения; крупные центральные наложения не входят в целевой сценарий. Качество может снижаться для очень мелких или полупрозрачных водяных знаков.