I.8Изображения и компьютерное зрение

PE-Core-B-16 — модель семейства Perception Encoder, разработанного Meta для понимания изображений и видео. Этот репозиторий содержит версию исходных весов, преобразованную для OpenCLIP; модель использует совместно обученные визуальный и текстовый энкодеры для сопоставления изображений и текста. Модель предназначена для классификации изображений по текстовым меткам без дополнительного обучения, а также для извлечения признаков и поиска по изображениям и текстовым запросам. Визуальный ViT-B/16 содержит около 90 млн параметров, обрабатывает изображения с разрешением 224 пикселя и использует attention pooling; текстовая башня имеет 310 млн параметров и контекст 32 токена. Общий размер проекции CLIP — 1024. В карточке отмечены результаты на задачах классификации и поиска изображений и видео. Модель доступна в форматах PyTorch и safetensors через библиотеку OpenCLIP. Лицензия — Apache-2.0. Она предназначена для извлечения визуально-текстовых признаков и оценки соответствия изображения текстовым описаниям; текстовый контекст ограничен 32 токенами, а входное разрешение — 224 пикселями.

Карточка модели facebook/PE-Spatial-L14-448 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

Qwen-Image — базовая модель генерации изображений из серии Qwen, представленная разработчиками Qwen. Она предназначена для создания изображений по текстовым запросам и редактирования изображений: поддерживает перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляции с позой человека. Модель также заявлена для задач понимания изображений, включая обнаружение объектов, семантическую сегментацию, оценку глубины и контуров, синтез новых ракурсов и сверхразрешение. Среди сильных сторон авторы отмечают точное отображение текста и сохранение композиции, особенно для китайского языка; заявлена также поддержка английского и разнообразных визуальных стилей. Репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Veritone/siglip2-base-patch16-256-vision — отдельная копия визуальной башни SigLIP 2 Base, разработанной Google и размещённой Veritone. Она кодирует изображения и видеокадры в общее пространство эмбеддингов; текстовая башня для сопоставления находится в отдельном репозитории Veritone/siglip2-base-patch16-256-text. Модель предназначена для классификации изображений по текстовым меткам без дообучения, поиска по изображениям и использования в качестве визуального энкодера для мультимодальных моделей. SigLIP 2 развивает метод предварительного обучения SigLIP и ориентирован на семантическое понимание, локализацию и получение плотных визуальных признаков. Для работы с моделью указаны библиотека Transformers и формат safetensors; обучение проводилось на наборе WebLI. Лицензия — Apache-2.0. README описывает только визуальную башню, поэтому сопоставление изображения с текстом требует соответствующей текстовой башни или другого совместимого текстового энкодера.

Карточка модели m-toman/siglip2-base-patch16-384 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-384, поэтому описание составлено по ней. SigLIP 2 Base — базовая модель семейства SigLIP 2 от Google, предназначенная для сопоставления изображений и текста. Это плотная vision-архитектура; вариант patch16-384 принимает изображения с разрешением 384 пикселя и обучен на датасете WebLI с использованием объединённой схемы предобучения SigLIP и ранее разработанных методов. Модель подходит для классификации изображений по произвольным текстовым меткам без дополнительного обучения, поиска изображений по тексту и текста по изображению, а также как визуальный энкодер для VLM и других компьютерно-зрительных задач. В README отмечены улучшенное семантическое понимание, локализация и извлечение плотных признаков. Модель распространяется под лицензией Apache-2.0. README не приводит численный размер модели или результаты оценки, поэтому их нельзя уточнить по доступным сведениям.

SigLIP 2 Giant — визуальная модель Google на основе семейства SigLIP 2, предназначенная для сопоставления изображений и текста. Её можно использовать для классификации изображений по заданным текстовым меткам без отдельного обучения на этих классах, поиска изображений по текстовому запросу и как визуальный энкодер для мультимодальных моделей и других задач компьютерного зрения. Модель предварительно обучена на наборе данных WebLI с объединённой методикой обучения SigLIP 2, которая улучшает семантическое понимание, локализацию и получение плотных визуальных признаков. Доступна в формате safetensors и рассчитана на использование через Transformers. Карточка не сообщает размер модели и длину контекста. Лицензия — Apache-2.0.

Veritone/siglip2-large-patch16-512-vision — отдельная копия визуальной башни SigLIP 2 Large, разработанной Google. Модель кодирует изображения и видеокадры в общее пространство эмбеддингов; текстовая башня для сопоставления находится в отдельном репозитории Veritone. Разделение позволяет загружать только визуальную часть при индексации. Модель предназначена для классификации изображений по кандидатным текстовым меткам без специального дообучения, поиска по сходству изображений и текста, а также для использования в качестве визуального энкодера. Архитектура — SigLIP, класс SiglipModel; файлы весов представлены в формате safetensors, библиотека — Transformers. В исходной модели SigLIP 2 описано предварительное обучение на наборе WebLI. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели Veritone/siglip2-so400m-patch14-224 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch14-224, поэтому описание составлено по ней. SigLIP 2 So400m — модель визуального энкодера от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для понимания связей между изображениями и текстом. Модель поддерживает классификацию изображений по заданным текстовым меткам без специального дообучения, поиск изображений по текстовому запросу и использование в качестве визуального энкодера для VLM и других задач компьютерного зрения. Модель принимает изображения и текстовые метки или запросы, сопоставляет их семантически и выдаёт оценки соответствия. Вариант So400m использует патчи 14 × 14 и входное разрешение 224 × 224. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий.

SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это плотный визуальный энкодер, обученный на датасете WebLI; вариант So400m использует патчи размером 16 пикселей и входное разрешение 256 пикселей. Модель сопоставляет изображения и текст, поддерживает классификацию изображений по произвольным текстовым меткам без дообучения и поиск изображений по тексту или текста по изображению. Модель подходит для извлечения визуальных признаков и встраивания в мультимодальные языковые модели, а также для задач локализации и получения плотных визуальных представлений. В README не приведены сведения о числе параметров, контекстном окне или языковом охвате. Репозиторий распространяется по лицензии Apache-2.0.

Veritone/siglip2-so400m-patch16-512-vision — облегчённая копия визуальной башни модели Google SigLIP 2 So400m, опубликованная Veritone. Она кодирует изображения и видеокадры в общее пространство эмбеддингов и предназначена прежде всего для отдельной загрузки при индексации, когда текстовая башня не нужна. Модель можно использовать для классификации изображений по произвольным текстовым меткам, поиска изображений по тексту и как визуальный энкодер для мультимодальных моделей. Архитектура — SigLIP, класс SiglipModel; размер So400m, входное разрешение — 512 пикселей. Обучение SigLIP 2 проводилось на наборе WebLI. Репозиторий содержит веса SafeTensors и опубликован под лицензией Apache-2.0. Отдельная текстовая башня доступна в Veritone/siglip2-so400m-patch16-512-text.

SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это плотный визуально-языковой энкодер класса Siglip2Model, обученный на наборе WebLI; веса доступны в формате safetensors по лицензии Apache-2.0. Модель предназначена для классификации изображений по заданным текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для мультимодальных языковых моделей и других задач компьютерного зрения. Архитектура использует патчи 16×16 с обработкой NaFlex; размер модели и длина контекста в предоставленных данных не указаны.

TIPS g/14 (v1) — контрастивная модель «изображение–текст» семейства TIPS, представленная в карточке как конверсия официальных чекпойнтов. В её состав входят визуальный энкодер ViT-g/14 на 1,1 млрд параметров и текстовый трансформерный энкодер на 389 млн параметров; размерность эмбеддингов — 1664. Модель принимает изображения и текст, сопоставляет их в общем пространстве признаков и подходит для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах. Визуальный энкодер имеет 40 слоёв, патчи размером 14 пикселей и два CLS-токена; текстовый — 12 слоёв. Штатное разрешение изображений составляет 448 пикселей, также поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Для изображений требуется диапазон значений [0, 1] без нормализации ImageNet; текст обрабатывается токенизатором SentencePiece в нижнем регистре, максимум 64 токена. Пространственно насыщенные признаки позволяют использовать модель для сопоставления изображений с текстом и анализа визуальных признаков. Лицензия — Apache-2.0.

TIPSv2-L/14 — контрастивная модель «изображение–текст» семейства TIPSv2, представленная в карточке Google. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по пользовательским классам без отдельного обучения на этих классах. Модель также формирует пространственно насыщенные признаки изображений, которые можно использовать для визуализации и задач сегментации. Модель содержит визуальный энкодер ViT из 24 слоёв и текстовый Transformer-энкодер из 12 слоёв. Визуальная часть имеет 303 млн параметров, текстовая — 184 млн; размерность эмбеддингов составляет 1024. Изображения можно подавать с разным разрешением в диапазоне [0, 1] без нормализации ImageNet. Для текста используется токенизатор SentencePiece с приведением текста к нижнему регистру и ограничением в 64 токена. Модель распространяется под лицензией Apache-2.0. Она выдаёт признаки и оценки сходства для сопоставления изображений и текста; README также упоминает пространственные признаки для сценариев сегментации. В метаданных основной задачей указана zero-shot-классификация изображений. Поддерживаемые языки в предоставленных материалах не перечислены.

TIPSv2 SO400m/14 — контрастивная модель компьютерного зрения и языка из семейства TIPSv2, предназначенная для сопоставления изображений с текстовыми описаниями. Вариант SO400m/14 разработан Google и содержит визуальный энкодер ViT на 412 млн параметров и текстовый энкодер Transformer на 448 млн параметров; размер совместного пространства эмбеддингов — 1152 измерения. Модель подходит для классификации изображений по текстовым меткам без дообучения, извлечения согласованных текстовых и визуальных признаков, а пространственно насыщенные представления могут использоваться в сценариях сегментации. Визуальный и текстовый энкодеры имеют по 27 слоёв; изображения можно подавать с разным разрешением после преобразования значений пикселей в диапазон [0, 1], а текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель принимает изображения и текст и выдаёт эмбеддинги и оценки соответствия. Репозиторий распространяется по лицензии Apache-2.0. Для текстового ввода указана предварительная обработка в нижний регистр и максимум 64 токена; характеристики качества на конкретных наборах данных в карточке не приведены.

Это модель CLIP с визуальным энкодером ViT-B/16, обученная на наборе LAION-400M. Её подготовили для использования в экосистемах open_clip и timm; она сопоставляет изображения и текстовые описания в общем пространстве признаков. Модель предназначена для классификации изображений по текстовым меткам без отдельного обучения на этих классах: пользователь задаёт варианты описаний, а модель оценивает их соответствие изображению. Её также можно применять для получения признаковых представлений изображений и текста в совместимом пайплайне CLIP. Размер входного изображения в названии модели — 224 пикселя; точные параметры контекста текста в доступной карточке не приведены. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Описание карточки не сообщает об ограничениях качества, языковой специализации или подробных режимах применения; результаты могут зависеть от формулировок текстовых меток и состава обучающих данных.

AltCLIP — двуязычная модель сопоставления изображений и текста, разработанная авторами проекта AltCLIP и опубликованная командой FlagAI. Она предназначена для получения совместимых представлений изображений и текстов и классификации изображений по описаниям без отдельного обучения на каждом наборе классов. Модель использует архитектуру AltCLIP и доступна в формате PyTorch. AltCLIP обучали в два этапа: дистилляцией на параллельных текстовых корпусах и двуязычным контрастивным обучением на примерно двух миллионах китайско-английских пар изображение—текст. Она поддерживает китайский и английский языки и может служить компонентом генеративной модели AltDiffusion. Лицензия репозитория — CreativeML OpenRAIL-M.

CLIP ConvNeXt-Base с широким размером эмбеддингов — модель сопоставления изображений и текста, обученная Ross Wightman с помощью OpenCLIP на подмножестве LAION. Вариант с «320» в названии использует разрешение изображения 320×320; визуальный энкодер основан на timm ConvNeXt-Base, текстовый — на текстовом энкодере OpenAI CLIP глубиной 12 слоёв с размерностью эмбеддингов 640. Модель предназначена для классификации изображений по произвольным текстовым меткам без дополнительного обучения, поиска изображений по текстовому запросу и поиска текста по изображению. Её также можно использовать как основу для дообучения задач классификации и для управления генерацией изображений. В карточке для соответствующего варианта указана точность ImageNet zero-shot top-1 71,0%. Модель обучалась на англоязычных данных LAION-Aesthetic; README рекомендует ограничивать текстовые сценарии английским языком. Авторы предостерегают от развёртывания без тщательного тестирования на фиксированной таксономии классов; распознавание лиц и наблюдение исключены из рекомендуемых сценариев. Лицензия репозитория — MIT; карточка рекомендует исследовательское применение и описывает риски неотфильтрованных данных LAION.

EVA-CLIP-8B — разработанная BAAI совместно с THU модель контрастивного сопоставления изображений и текста семейства CLIP. Она преобразует изображения и текст в векторы признаков, которые можно сравнивать для поиска соответствий и классификации без обучения на конкретных классах. Модель содержит 8,1 млрд параметров и распространяется в формате PyTorch; для обучения использовались данные LAION-2B и COYO-700M. Модель предназначена для извлечения визуальных и текстовых признаков, классификации изображений по текстовым описаниям и поиска изображений по запросу или текста по изображению. В README для варианта 8B приведены средние результаты на наборах классификации изображений и видео, а также оценка поиска соответствий; качество может отличаться при использовании весов Hugging Face от опубликованных PyTorch-результатов. Веса доступны по лицензии Apache-2.0. Из-за большого размера модели для загрузки и применения требуются значительные ресурсы; README указывает на возможность загрузки через DeepSpeed ZeRO-3 при ограниченной памяти CPU.

Kandinsky 2.1 Inpaint — модель для создания и редактирования изображений по текстовому описанию, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Этот репозиторий предоставляет вариант Kandinsky 2.1 для текстового inpainting: модель заполняет область изображения, заданную маской, с учётом текстового запроса. Архитектура сочетает image prior на основе трансформера, диффузионную UNet и декодер MoVQGAN. Она использует CLIP-представления текста и изображений и подходы unCLIP и latent diffusion. Модель рассчитана на генерацию и направленное редактирование изображений; в README описано обучение на наборах LAION и дополнительную тонкую настройку на коллекции высококачественных изображений. Доступна через Diffusers и распространяется по лицензии Apache-2.0. Для inpainting требуется изображение и маска. В README указано изменение формата маски: белые пиксели обозначают область, которую нужно заполнить. Карточка не приводит размер модели, максимальное разрешение или языковой охват текстового энкодера.

Lumina-DiMOO — мультимодальная модель на основе дискретной диффузии, разработанная исследователями из Shanghai Innovation Institute, Shanghai AI Laboratory, Shanghai Jiao Tong University и ряда других университетов. Она объединяет генерацию и понимание изображений с текстовой обработкой в общей архитектуре LLaDA. Модель предназначена для создания изображений по текстовым описаниям, редактирования и дополнения изображений, генерации с заданным объектом, а также понимания изображений. В README заявлены генерация изображений высокого разрешения и ускорение семплирования за счёт специального кэширования; для генерации изображений описан режим с 64 шагами, а для понимания — блочная обработка текста. Репозиторий использует форматы Diffusers и Safetensors. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на нескольких бенчмарках, однако конкретные численные показатели в карточке не приведены.

Репозиторий UCSC-VLAA/openvision-vit-large-patch14-224 содержит веса визуального энкодера OpenVision из семейства моделей, описанного в статье «OpenVision: A Fully-Open, Cost-Effective Family of Advanced Vision Encoders for Multimodal Learning». Модель предназначена для извлечения признаков изображений и может использоваться в задачах классификации изображений без дообучения, в том числе для оценки соответствия изображения текстовым меткам.

PE-Core-L-14-336 — версия энкодера Perception Encoder в формате OpenCLIP, разработанного Meta. Это контрастивная модель с визуальной и текстовой башнями, предназначенная для сопоставления изображений и текстовых описаний. Репозиторий содержит вариант L/14 с разрешением изображений 336 пикселей; в семействе модели L и B дистиллированы из основной версии G. Для визуального кодирования используется attention pooling, а L-версия дополнительно имеет class token для глобальной агрегации признаков. Модель подходит для классификации изображений по текстовым меткам без отдельного обучения на этих метках, а также для извлечения признаков и поиска соответствий между изображениями и текстом. В карточке семейства также описаны результаты для видеоклассификации и видеопоиска, однако этот репозиторий размечен для zero-shot классификации изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Число параметров именно этой конфигурации в карточке не приведено.

PE-Core-T-16-384 — модель семейства Perception Encoder, разработанного Meta и представленного как OpenCLIP-совместимая версия исходных весов. Это контрастивный vision-language энкодер с визуальной и текстовой башнями, предназначенный для получения сопоставимых признаков изображений и текста. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения, а также для поиска изображений по тексту и текстов по изображению. Вариант T/16 использует разрешение изображений 384 пикселя; в таблице результатов README для него приведены показатели на наборах ImageNet и ObjectNet, а также на задачах поиска и классификации видео. PE обучен на данных для изображений и текста и дообучен на синтетически выровненных видеоданных. Модель доступна в форматах PyTorch и safetensors и используется через библиотеку open_clip. В метаданных указана лицензия Apache-2.0. Размер текстовой башни и длина её контекста для этого варианта в предоставленных данных не определены.

Карточка модели facebook/PE-Core-T16-384 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

Карточка модели facebook/PE-Spatial-S16-512 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

Карточка модели facebook/PE-Spatial-T16-512 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

PP-OCRv5_server_det — модель обнаружения текстовых областей из семейства PP-OCRv5_det, разработанная командой PaddleOCR. Она предназначена для высокопроизводительного поиска текста на изображениях, включая рукописный, вертикальный, повёрнутый и изогнутый текст, сложные макеты, разный размер надписей и трудный фон. Модель подходит для анализа документов, распознавания текста на номерных знаках и обнаружения текста в сценах; заявлена поддержка упрощённого и традиционного китайского, английского и японского языков. В README приведены оценки по нескольким сценариям обнаружения текста со средним значением 0,827. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не уточняет размер модели и длину контекста. Это детектор текстовых областей, а не средство полного распознавания содержимого текста.

QIE-2511-Object-Remover-v2 — адаптер LoRA, разработанный Prithiv Sakthi для модели Qwen/Qwen-Image-Edit-2511. Это image-to-image-модель для удаления нежелательных объектов с изображений с сохранением окружающей сцены. Она предназначена для редактирования фотографий и других визуальных материалов, когда требуется восстановить области после удаления объекта с учётом контекста, текстур, освещения, теней и перспективы. Модель работает через библиотеку Diffusers и совместима с версиями 2509 и 2511. Для активации поведения удаления объектов используется текстовый запрос «Remove the red highlighted object from the scene.»; в README также рекомендуется обозначать удаляемый объект красной подсветкой или как отмеченную область. Заявлены аккуратное заполнение удалённых областей, сохранение исходного качества и снижение видимых артефактов, искажений краёв и несоответствия стиля. Точные сведения о размере, внутренней архитектуре LoRA, числе параметров, максимальном разрешении и поддерживаемых языках не указаны. При удалении четырёх-пяти и более объектов либо большой выделенной области может потребоваться увеличить число шагов инференса. Модель распространяется по лицензии Apache-2.0.

resnet50x4_clip.openai — модель CLIP с визуальным энкодером ResNet-50x4, распространяемая PyTorch Image Models (timm) в формате OpenCLIP. Она сопоставляет изображения и текстовые описания в общем пространстве признаков; модель предназначена, в частности, для классификации изображений по произвольным текстовым меткам без отдельного обучения на этих метках. Веса содержат 87,2 млн параметров и доступны в формате safetensors с точностью F32. Модель принимает изображения и текстовые запросы, а для классификации оценивает соответствие изображения предложенным описаниям. Её можно применять для поиска изображений по тексту и извлечения совместимых визуальных и текстовых признаков. Для загрузки предусмотрена библиотека OpenCLIP. Указанная лицензия репозитория — MIT; в доступных сведениях не приведены длина контекста или перечень поддерживаемых языков.

SigLIP 2 Base — базовая модель семейства SigLIP 2 от Google, предназначенная для сопоставления изображений и текста. Это плотная vision-архитектура; вариант patch16-384 принимает изображения с разрешением 384 пикселя и обучен на датасете WebLI с использованием объединённой схемы предобучения SigLIP и ранее разработанных методов. Модель подходит для классификации изображений по произвольным текстовым меткам без дополнительного обучения, поиска изображений по тексту и текста по изображению, а также как визуальный энкодер для VLM и других компьютерно-зрительных задач. В README отмечены улучшенное семантическое понимание, локализация и извлечение плотных признаков. Модель распространяется под лицензией Apache-2.0. README не приводит численный размер модели или результаты оценки, поэтому их нельзя уточнить по доступным сведениям.