I.8Изображения и компьютерное зрение

timm/resnet50_clip.yfcc15m — модель CLIP с визуальным энкодером на основе ResNet-50, обученная на наборе изображений и подписей YFCC-15M. Она разработана для использования через OpenCLIP и timm: в OpenCLIP модель называется RN50-quickgelu, а в timm — resnet50_clip.yfcc15m. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по текстовым меткам без дополнительного обучения: пользователь задаёт варианты классов, а модель оценивает соответствие изображения каждому варианту. Модель принимает изображения и текстовые описания и выдаёт оценки сходства, которые можно использовать для выбора наиболее подходящего текстового класса. Репозиторий содержит веса в форматах PyTorch и safetensors; библиотека для работы — OpenCLIP. Лицензия MIT.

zeromodels представляет конверсию SigLIP Base Patch16 512 в формате Keras 3 для классификации изображений по текстовым описаниям без дополнительного обучения на заданных классах. Модель использует архитектуру двойного энкодера для изображений и текста и обучалась с попарной sigmoid-функцией потерь. Веса основаны на google/siglip-base-patch16-512; одна реализация поддерживает TensorFlow, PyTorch и JAX. Модель принимает изображения и текстовые запросы-промпты, сопоставляет их и позволяет выбирать подходящие описания для изображения. Это подходит для классификации по пользовательскому набору категорий и поиска соответствий между изображениями и текстом. Размер изображения и токенизатор следует согласовывать с вариантом модели через совместимый процессор. Лицензия — Apache 2.0.

Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese — китайская модель семейства Taiyi-CLIP, разработанная командой Fengshenbang. Это мультимодальная модель сопоставления изображений и текста с визуальным энкодером ViT-L-14 и текстовым энкодером на основе chinese-roberta-wwm; в репозитории указано около 129,5 млн параметров. Модель обучали на 123 млн пар изображение–текст из наборов Noah-Wukong и Zero, заморозив визуальный энкодер и дообучая текстовый. Текстовый контекст — до 512 токенов. Модель предназначена для получения совместимых признаковых представлений изображений и китайских текстов, в том числе для классификации без специального обучения и поиска изображений по текстовому запросу. В README приведены результаты zero-shot классификации ImageNet1k-CN и поиска текста по изображению на Flickr30k-CNA, COCO-CN и wukong50k. Метаданные указывают задачу feature-extraction; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

TIPS B/14 (v1) — контрастивная модель «текст—изображение» семейства TIPS, представленная в карточке как оригинальный релиз, преобразованный из официальных чекпойнтов. Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без отдельного обучения на этих классах. Модель объединяет визуальный энкодер ViT-B/14 с 12 слоями и текстовый трансформер с 12 слоями. Визуальная часть содержит 86 млн параметров, текстовая — 110 млн; размер эмбеддинга — 768. Штатное разрешение изображений — 448 пикселей, поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Для текста используется токенизатор SentencePiece с ограничением в 64 токена. Пространственно насыщенные признаки изображений выравниваются с текстовыми эмбеддингами; веса доступны в формате safetensors, библиотека для работы — Transformers. Модель подходит для поиска изображений по описаниям, сравнения изображения с вариантами текста и zero-shot классификации. Лицензия — Apache-2.0. В README не заявлена поддержка конкретных естественных языков; текстовый энкодер ограничен 64 токенами. Для изображений требуется вход в диапазоне [0, 1] без нормализации ImageNet.

zeromodels/tipsv2-g14 — это преобразованная для библиотеки zeromodels версия TIPSv2 g/14 от Google DeepMind, модели для сопоставления изображений и текста. Она использует двухэнкодерную архитектуру CLIP/SigLIP: визуальный энкодер на основе ViT в стиле DINOv2 с register-токенами и двунаправленный текстовый энкодер, обученные контрастивной функцией потерь с масштабированием температуры. Модель предназначена для классификации изображений по текстовым меткам без дообучения: пользователь передаёт изображение и набор описаний классов, а модель оценивает их соответствие. В репозитории доступна загрузка полной модели и обоих энкодеров; конверсия на Keras 3 работает с TensorFlow, PyTorch и JAX. Обработка изображения масштабирует пиксели в диапазон [0, 1], разрешение входа — 448 пикселей. Модель принимает изображения и текстовые метки и выдаёт оценки соответствия для классификации. Репозиторий содержит конверсию весов google/tipsv2-g14, а не отдельное дообучение; лицензия — Apache-2.0, совпадает с лицензией исходного чекпойнта. Поддерживаемые языки и ограничения качества в доступных сведениях не описаны.

Это модель CLIP с визуальным энкодером Vision Transformer (ViT-B/32), обученная на наборе данных LAION-400M. Она доступна для использования через open_clip и timm; вариант open_clip называется ViT-B-32-quickgelu. Модель сопоставляет изображения и текстовые описания, поэтому подходит для классификации изображений по текстовым меткам без дополнительного обучения и поиска изображений по смысловым запросам. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

Модель timm/vit_large_patch14_clip_224.laion400m_e31 — модель CLIP с архитектурой Vision Transformer, разработанная для использования через open_clip и timm. В OpenCLIP она обозначена как ViT-L-14; при обучении использовался датасет LAION-400M. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: пользователь задаёт варианты классов словами, а модель сопоставляет их с изображением без отдельного дообучения на этих классах. Она принимает изображения и текстовые описания и формирует оценки сходства для выбора подходящего описания. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — MIT.

Это квантованные версии модели Phr00t/Qwen-Image-Edit-Rapid-AIO, подготовленные leowu0511 на основе версии v11. В README указано, что с версии v11.4 для квантования используются файлы GGUF; метаданные репозитория при этом отмечают формат safetensors. Модель предназначена для редактирования и преобразования изображений по текстовым инструкциям. Модель принимает изображение и текстовое описание желаемых изменений и выдаёт изображение. Она основана на Qwen-Image-Edit-Rapid-AIO; сведений о точном размере, поддерживаемых языках, контексте или лицензии в предоставленных данных нет.

rafacost/DreamOmni2-7.6B-GGUF — это квантованная модель в формате GGUF, представляющая прямую конвертацию DreamOmni2-7.6B, разработанной xiabs. Конверсию выполнил rafacost. Модель относится к классу image-to-image и основана на DreamOmni2, предназначенной для мультимодального редактирования и генерации изображений по инструкциям. Модель рассчитана на сценарии генерации и редактирования изображений с использованием мультимодальных инструкций. Для запуска предусмотрена интеграция с ComfyUI через пользовательские узлы проекта DreamOmni2-GGUF; файлы модели размещаются в каталоге ComfyUI/models/unet, а LoRA — в ComfyUI/models/loras. Квантование в формате GGUF может снизить требования к ресурсам по сравнению с исходной моделью, однако конкретный тип квантования и системные требования в README не указаны. В доступных данных не указаны точная архитектура, размер контекста, поддерживаемые языки, перечень модальностей и количественные результаты оценки. Лицензия указана как Apache-2.0, при этом для конвертированной модели сохраняются исходные условия лицензирования и ограничения использования базовой модели.

DreamShaper 8 Inpainting — модель генерации и редактирования изображений семейства Stable Diffusion, опубликованная Lykon. Она дообучена на runwayml/stable-diffusion-inpainting и предназначена для заполнения маскированных областей изображения по текстовому запросу, например для замены или добавления объектов и изменения фрагментов сцены. Модель распространяется в формате Diffusers с весами Safetensors и рассчитана на работу через StableDiffusionInpaintPipeline. Версия 8 сочетает художественные стили, включая аниме и фотореалистичные изображения, но, по словам автора, уступает специализированным моделям в каждом из этих направлений; результат зависит от навыка составления запросов. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

eva02_large_patch14_clip_336.merged2b — веса модели EVA-02 CLIP, опубликованные timm для использования с OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах: она сопоставляет изображение и варианты текста, а затем оценивает их сходство. По названию репозитория модель использует визуальный энкодер EVA-02 с патчами 14×14 и входным разрешением 336 пикселей, объединённый с текстовым энкодером CLIP. Метаданные указывают задачу zero-shot image classification и форматы PyTorch и safetensors. Лицензия — MIT.

chs20/FARE4-ViT-B-32-laion2B-s34B-b79K — CLIP-модель с архитектурой ViT-B/32, дообученная методом FARE для повышения устойчивости к состязательным возмущениям. Базовая модель — laion/CLIP-ViT-B-32-laion2B-s34B-b79K; дообучение проводилось на ImageNet с ограничением L∞ и радиусом 4/255. Модель предназначена для сравнения изображений по перцептивному сходству и классификации изображений по текстовым описаниям без дополнительного обучения. В README приведены результаты на задаче перцептивного сходства NIGHTS: 91,1 на чистых данных, 71,8 при возмущениях L∞ с ε=4/255 и 70,6 при L2 с ε=3. Репозиторий использует библиотеку open_clip и содержит веса PyTorch и safetensors. Лицензия — MIT. Модель обрабатывает изображения и текстовые метки, формируя оценки соответствия; документация не сообщает о поддержке конкретных естественных языков.

DFloat11/FLUX.1-Kontext-dev-DF11 — это квантованная без потерь версия модели black-forest-labs/FLUX.1-Kontext-dev, подготовленная проектом DFloat11, связанным с LeanModels. Модель предназначена для генерации изображений по текстовым запросам и сценариев редактирования изображений с учётом исходного изображения, например добавления объектов или изменения его содержимого. В README указана поддержка pipeline FluxKontextPipeline и генерации изображений размером 1024×1024. Модель использует сжатие весов BFloat16 методом Huffman coding для экспонентных битов и CUDA-ядро для распаковки весов во время инференса. Размер уменьшен с 23,80 до 16,33 ГБ, а пиковое потребление GPU-памяти при генерации изображения 1024×1024 — с 24,86 до 18,12 ГБ. Заявлены побитово идентичные результаты относительно исходной модели и возможность запуска на одной видеокарте с 24 ГБ памяти, однако на A100 время генерации увеличивается примерно с 72 до 83 секунд. Для работы требуются CUDA-совместимая GPU, PyTorch, пакет dfloat11 и версия diffusers из основной ветки. Лицензия в README не указана.

FLUX.2-klein-9B-Nunchaku — это квантизированная версия модели FLUX.2 [klein] 9B, разработанной Black Forest Labs. Репозиторий квантизированных весов поддерживается tonera и основан на исходной модели black-forest-labs/FLUX.2-klein-9B. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений с использованием нескольких референсов; в экосистеме Diffusers она относится к задачам image-to-image и text-to-image. Модель содержит квантизированный Transformer в форматах fp4 или int4 с применением SVDQuant и Nunchaku, а также комплект Diffusers с VAE и текстовым энкодером. Размер базовой модели — 9B параметров. В README не указаны точные сведения о поддерживаемых языках, максимальном размере контекста и полном наборе модальностей. Квантизация существенно снижает требования к видеопамяти и ускоряет инференс: на RTX 5090 в тестах для конфигурации с квантизированными Transformer и текстовым энкодером пиковое потребление составляло около 7,52 ГБ при редактировании и 6,42 ГБ при генерации 1024×1024, а скорость была примерно в 3 раза выше базовой модели при использовании model CPU offload. Сильные стороны модели — поддержка генерации и редактирования изображений, уменьшенное потребление VRAM и высокая скорость инференса. Ограничения связаны с зависимостью от совместимых сборок Nunchaku, Diffusers, CUDA и оборудования; для FLUX.2 Klein в README рекомендуется community-сборка vitoom-nunchaku, поскольку официальная поддержка в upstream Nunchaku ещё не объединена. Качество квантизации характеризуется средним PSNR 17,56, SSIM 0,735 и LPIPS 0,212, поэтому возможны отличия от полноточной версии. Лицензия указана как other; конкретные условия необходимо уточнять в официальной карточке базовой модели Black Forest Labs.

HiDream-O1-Image-BF16 — конверсия модели HiDream-O1-Image в формате bfloat16, опубликованная drbaph для запуска в ComfyUI. Исходная модель разработана HiDream-ai и основана на Pixel-level Unified Transformer (UiT): она работает с пикселями, текстом и условиями задачи в общем токеновом пространстве, без внешнего VAE и раздельных текстовых энкодеров. Модель содержит 9 млрд параметров и использует библиотеку Diffusers. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображений по инструкциям, персонализации объекта по нескольким референсам и создания раскадровок. Она поддерживает генерацию с нативным разрешением до 2048 × 2048, длинные текстовые запросы и многоязычный рендеринг текста; в карточке указаны английский и китайский языки. Конверсия BF16 ориентирована на баланс точности и эффективности памяти и рассчитана на 50 шагов инференса. Для комфортной работы в полном разрешении рекомендуется GPU с 20–24 ГБ видеопамяти; заявленный диапазон потребления VRAM составляет примерно 17–20 ГБ. Для запуска требуется ComfyUI и совместимый пользовательский узел. Модель и конверсия распространяются по лицензии MIT.

Krea 2 Registered Outpaint — адаптер LoRA, опубликованный пользователем yijunwang2 для расширения изображений на больший холст с сохранением исходных пикселей и размещением исходного изображения в заданной области. Модель основана на Krea 2 Raw и предназначена для дистиллированного вывода за 8 шагов с базовой моделью Krea-2-Turbo через библиотеку Diffusers. Адаптер используется для outpainting и редактирования изображений: продолжения сцен вправо, влево, вверх или вниз, изменения квадратного формата на альбомный или портретный, а также согласованного продолжения перспективы, освещения, текстур и повторяющихся элементов. На вход подаются RGB-изображение, целевой холст с размерами, кратными 16, ограничивающий прямоугольник исходного изображения и промпт для полной композиции. Поддерживаются фотореалистичные, акварельные и стилизованные 3D-сцены. Ключевая особенность — rank-32 LoRA с координатным позиционированием токенов исходного изображения относительно целевого холста. Максимальный размер кодирования опорного изображения по большей стороне составляет 384 пикселя; после генерации исходные пиксели восстанавливаются с 32-пиксельным внутренним растушёвыванием границы. Рекомендуемые параметры: 8 шагов, guidance scale 0, LoRA scale 1, отключённое VLM-кодирование и включённый кэш reference K/V. Адаптер требует специального pipeline и не совместим с автоматически создаваемым Diffusers-примером и обычными импортерами LoRA. Лицензия модели — Krea 2 Community License; код pipeline и вспомогательных компонентов распространяется по Apache-2.0.

Lance-3B-bf16 — порт для MLX на Apple Silicon мультимодальной модели Lance от ByteDance Intelligent Creation Lab. Это дообученный чекпойнт Lance_3B для задач с изображениями: он генерирует изображения по тексту, редактирует изображения по инструкции и отвечает на вопросы об их содержимом. Модель использует архитектуру Qwen2.5-VL с двумя экспертными башнями Mixture-of-Transformer-Experts, визуальным энкодером Qwen2.5-VL ViT и встроенным VAE Wan2.2; веса представлены в формате bf16. README указывает около 6,19 млрд параметров LLM и дополнительные компоненты для обработки изображений, тогда как метаданные каталога приводят 3,1 млрд параметров. Контекст составляет до 128 000 токенов по метаданным. Модель рассчитана на запуск через MLX на компьютерах Apple Silicon. Она поддерживает текстовые и визуальные входы, генерацию и редактирование изображений, а также текстовые ответы на вопросы об изображениях. Наиболее надёжно работают английский и китайский языки; для других языков README отмечает ограничения, связанные с обучающим распределением Qwen2.5-VL. Указана лицензия Apache-2.0. README описывает модель как готовую к применению для задач с изображениями, но отмечает отсутствие API для потоковой обработки и пакетного запуска; генерация выполняется по одному изображению и одному запросу.

LLaDA-Image-Turbo-FP8 — открытая модель семейства LLaDA-Image, разработанная командой InclusionAI. Это FP8-версия ускоренной модели LLaDA-Image-Turbo для генерации и редактирования изображений на основе текста и эталонных изображений. Модель содержит около 6 млрд параметров и построена как унифицированная диффузионная модель, в которой и основной backbone, и DiT используют диффузионный подход. Turbo-вариант получен с помощью дистилляции Twin-DMD и рассчитан на быструю генерацию за 2–4 шага сэмплирования. Поддерживаются text-to-image, VQ-обусловленная генерация, редактирование изображений по инструкциям с сохранением содержимого, а также рендеринг текста на китайском и английском языках. К сильным сторонам относятся единая архитектура для генерации и редактирования, реалистичная передача деталей, естественное освещение, согласованные композиции и быстрое выполнение инференса. README не содержит сведений о точном размере контекста, требованиях к оборудованию или отдельных ограничениях качества FP8-версии. Модель распространяется по лицензии Apache-2.0.

Это конвертированная версия Qwen/Qwen-Image-Edit-2509 для загрузки через Diffusers и Nunchaku Lite. Она предназначена для редактирования изображений по текстовым инструкциям с помощью модели Qwen Image Edit; в исходном чекпойнте объединена Lightning LoRA на четыре шага генерации. Трансформер упакован с квантизацией Nunchaku Lite SVDQ NVFP4 ранга 32, а текстовый энкодер — в 4-битном формате BitsAndBytes NF4 с вычислениями в bfloat16. В README приведён замер генерации за четыре шага на изображении 1248×832: в среднем 6,06 секунды и пиковое выделение 21,54 ГиБ видеопамяти на использованной конфигурации; это результат конкретного бенчмарка, а не гарантия для другого оборудования. Для работы нужны Diffusers и совместимая среда Nunchaku Lite. Лицензия в предоставленных данных не указана.

Карточка модели linyuanbin/Qwen-Image-Edit-Rapid-AIO-V19 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19, поэтому описание составлено по ней. prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19 — преобразованные для Diffusers веса модели редактирования изображений на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера, извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V19 и предназначенные для ускоренного инференса Qwen Image Edit за четыре шага.

Карточка модели perpetual3x/Qwen-Image-Edit-Rapid-AIO-V19 на Hugging Face совпадает с карточкой prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19, поэтому описание составлено по ней. prithivMLmods/Qwen-Image-Edit-Rapid-AIO-V19 — преобразованные для Diffusers веса модели редактирования изображений на основе Phr00t/Qwen-Image-Edit-Rapid-AIO. Репозиторий содержит веса трансформера, извлечённые из Phr00t/Qwen-Image-Edit-Rapid-AIO-NSFW-V19 и предназначенные для ускоренного инференса Qwen Image Edit за четыре шага.

RealEdit — модель преобразования изображений, связанная с проектом REALEDIT, посвящённым изучению пользовательских правок изображений на Reddit. Она предназначена для редактирования исходного изображения по текстовой инструкции и запускается через Diffusers или исходный конвейер InstructPix2Pix. В метаданных указаны задачи image-to-image и text-to-image, формат Diffusers/PyTorch и лицензия CC. Карточка описывает дообученный чекпойнт для InstructPix2Pix, однако базовая модель, архитектура, число параметров, контекст и поддерживаемые языки в доступных сведениях не раскрыты. Модель применима к редактированию отдельных изображений по запросу; качество и диапазон надёжно поддерживаемых преобразований зависят от обучающих данных и формулировки инструкции. Лицензия указана как CC без уточнения конкретной версии.

BleachNick/SD3_UltraEdit_w_mask — модель редактирования изображений на основе Stable Diffusion 3, обученная на наборе UltraEdit. Она предназначена для изменения изображения по текстовому запросу: поддерживает редактирование с маской и свободное редактирование без заданной маски. В метаданных указана реализация для Diffusers через StableDiffusion3InstructPix2PixPipeline; веса представлены в формате safetensors. Модель подходит для локального редактирования изображений по инструкции, включая изменение выбранной области с помощью маски. README не раскрывает подробности архитектуры, параметры обучения и требования к лицензии; метаданные обозначают лицензию как other. Практическое использование зависит от совместимости с указанной в карточке модифицированной версией Diffusers.

zeromodels/siglip2_base_p16_512 — конверсия модели Google SigLIP 2 Base Patch16 512 в реализацию на Keras 3 для библиотеки zeromodels. Модель сопоставляет изображения с текстовыми описаниями и поддерживает классификацию по текстовым меткам без специального обучения на целевом наборе классов: при инференсе ей передают изображения и текстовые подсказки. Размер входного изображения — 512 пикселей; мультиязычный токенизатор основан на словаре Gemma. Реализация работает с TensorFlow, PyTorch и JAX. SigLIP 2 использует sigmoid loss и предварительное обучение с подписями к изображениям, самодистилляцией и masked prediction, что улучшает семантическое понимание и плотные визуальные признаки. Модель подходит для zero-shot классификации и сопоставления изображения с текстом. Основана на google/siglip2-base-patch16-512; распространяется по лицензии Apache 2.0.

zeromodels/siglip_base_p16_256 — конверсия SigLIP от Google в формате Keras 3, подготовленная для zeromodels. Это двухэнкодерная модель зрения и текста, обученная сопоставлять изображения с текстовыми описаниями с помощью попарной сигмоидной функции потерь. Она предназначена для классификации изображений без примеров: при выводе модель получает изображения и текстовые подсказки и оценивает их соответствие. Реализация работает с TensorFlow, Torch и JAX; базовая модель — google/siglip-base-patch16-256. Лицензия — Apache 2.0.

Это Canny ControlNet от Stability AI для Stable Diffusion 3.5 Large. Модель принимает текстовое описание и изображение с картой контуров Canny, чтобы генерировать изображение, согласованное с заданной композицией. Её можно использовать с официальным репозиторием SD 3.5 или через Diffusers; предварительную обработку изображения для получения карты контуров нужно выполнить отдельно. Модель предназначена для управляемой генерации изображений, когда важно следовать контурам исходного изображения. В README рекомендовано начинать с силы ControlNet 0,8; выборка Euler и 50–60 шагов могут улучшить результат. Модель не обучена создавать фактически достоверные изображения людей или событий. Данные обучения включали синтетические и отфильтрованные общедоступные материалы. Репозиторий использует формат safetensors и распространяется по Stability Community License; коммерческое лицензирование регулируется условиями Stability AI. Использование должно соответствовать Acceptable Use Policy.

TeleStyleV2-Qwen-Image-Edit-2511-bf16 — готовый к запуску слитый чекпойнт Tele-AI для переноса стиля изображения с сохранением его содержания. Он построен на Qwen/Qwen-Image-Edit-2511 и объединяет адаптеры TeleStyleV2 для переноса стиля и QIE-2511-Lightning для ускоренного вывода за 4 шага. Модель принимает изображение содержания и изображение-образец стиля, переносит стиль образца, стараясь сохранить содержание исходного изображения; также поддерживает редактирование по текстовой инструкции с одним входным изображением. Репозиторий использует Diffusers и формат safetensors; базовые компоненты включают трансформер Qwen-Image-Edit-2511 и неизменённые VAE, текстовый энкодер Qwen2.5-VL-7B, процессор, токенизатор и планировщик. Для инференса в bf16 на Apple Silicon README указывает около 60 ГБ памяти. Лицензия — Apache-2.0.

UForm uform3-image-text-english-large — компактная мультимодальная модель unum-cloud для сопоставления изображений и английского текста в общем векторном пространстве. Она предназначена для извлечения признаков, поиска изображений по текстовому запросу и классификации изображений без дополнительного обучения. Модель включает 12-слойный текстовый энкодер BERT с контекстом до 64 токенов и визуальный энкодер ViT-L/14 для изображений 224 × 224 пикселя; шесть слоёв энкодеров общие. Она формирует эмбеддинги размерностью 64, 256, 512 или 768. Доступны форматы PyTorch, ONNX и CoreML, а лицензия — Apache-2.0. В README приведены результаты zero-shot классификации ImageNet: 51,8% Top-1 и 75,6% Top-5, а также поиска по тексту на Flickr и MS-COCO. Модель рассчитана на английский язык и короткие текстовые запросы; многоязычные сценарии и входной текст длиннее 64 токенов не описаны.

ViSigLIP-OT — мультимодальная модель для поиска соответствий между изображениями и текстом на вьетнамском языке, разработанная как вариант семейства ViCLIP-OT. Это двухэнкодерная модель на 221 млн параметров: текстовый энкодер основан на Vietnamese-SBERT, а визуальный — на DINOv3 ViT-B/16. Для выравнивания представлений изображений и текста используется обучение в стиле SigLIP вместе с функцией потерь Similarity-Graph Regularized Optimal Transport (SIGROT). Модель принимает изображения размером 224 × 224 пикселя и текст длиной до 256 токенов, а выдаёт совместимые векторные представления. Модель предназначена для поиска изображений по вьетнамским текстовым запросам и поиска текстов по изображениям, семантического поиска между модальностями и извлечения признаков для последующих задач компьютерного зрения. В README заявлены высокие результаты на тестах поиска изображение–текст и обобщение zero-shot. Репозиторий распространяется под лицензией GPL-3.0.

VisME — мультимодальная модель эмбеддингов, представленная авторами исследования CVPR 2026 «Illuminating Visual Identity in Universal Multimodal Embeddings». Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и создаёт плотные представления изображений, текста и пар «изображение–текст» для поиска и сопоставления. Веса содержат 3,1 млрд параметров; модель использует архитектуру Qwen2.5-VL и доступна в формате Safetensors. Заявлена длина контекста 128 000 токенов. Модель ориентирована на мультимодальный поиск и задачи, связанные с визуальной идентичностью: распознавание, повторная идентификация объектов и поиск по визуальным признакам. Обучение объединяет MMEB-v1 с общими задачами классификации, визуальных вопросов и ответов, поиска и локализации, а также MVEB с задачами идентификации. README сообщает о конкурентных результатах на этих бенчмарках, но код оценки ещё не опубликован. Лицензия Apache-2.0.