II.10Разработка и эксплуатация AI/ML-систем

MobileViT-v2 — модель классификации изображений, обученная авторами статьи на ImageNet-1k. Репозиторий timm/mobilevitv2_175.cvnets_in1k содержит вариант с 14,3 млн параметров и вычислительной сложностью 5,5 GMACs; для классификации указана входная сторона изображения 256 × 256. Модель также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Модель предназначена для отнесения изображений к классам ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Архитектура MobileViT-v2 сочетает подходы мобильных свёрточных сетей и Vision Transformer; веса доступны в форматах PyTorch и Safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией авторов.

TeleQnA quality estimator — бинарный классификатор на базе ModernBERT-base, разработанный для оценки ответов Gemma4-E4B на вопросах из области телекоммуникаций. Для каждой пары «вопрос — ответ модели» он предсказывает, можно ли принять ответ или его следует передать более мощной модели. Это компонент маршрутизации каскада моделей, настроенный под ответы конкретной модели Gemma4-E4B. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и поддерживает контекст до 8192 токенов по метаданным; при обучении использовалась максимальная длина 512 токенов. Она дообучена на 45 000 примерах обучающей части TeleQnA. На тестовой выборке из 1000 вопросов точность составила 0,700, однако полнота класса передачи на более сильную модель — 0,46, поэтому значительную часть ответов, требующих эскалации, классификатор пропускает. Предназначена для англоязычных сценариев TeleQnA. Лицензия — Apache-2.0.

MoonViT-V2 — дообученная зрительная башня MoonViT-V2 с проектором из мультимодальной модели Kimi K3. Репозиторий immanuelpeter упаковывает компоненты обработки изображений Kimi K3 отдельно от полного чекпойнта. Модель содержит 453 млн параметров; архитектура башни включает 27 слоёв, размер скрытого представления 1024, 12 голов внимания и патчи размером 14 пикселей. Сжатие токенов выполняется с помощью pixel shuffle 2×2 и временного пулинга, а проектор преобразует признаки в представление размерности 7168. Модель предназначена для извлечения признаков изображений и получения проектированных визуальных представлений, например, как зрительный компонент мультимодальной системы. Веса башни сохранены в BF16, формат репозитория — safetensors. В README описано воспроизведение визуального тракта Kimi K3 без загрузки полного чекпойнта; авторы кода и исходных весов — AI4Industry и Moonshot AI соответственно. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Muse-Glimmer-30B-DFlash2 — черновая модель DFlash 2 от z-lab для ускорения генерации моделью meta-models/Muse-Glimmer-30B. Это не самостоятельная языковая модель: она работает внутри сервера спекулятивного декодирования, предлагает блоки токенов, а целевая модель проверяет их. В основе — архитектура Qwen3 и класс DFlash2DraftModel; число параметров — 3,9 млрд, длина контекста — 131 072 токена. Модель предназначена для ускорения генерации текста без изменения результата: при жадном декодировании итог совпадает с выводом целевой модели, а при сэмплировании сохраняется её распределение. DFlash 2 предсказывает блок токенов за один проход и использует селектор для выбора связного продолжения. В описанной оценке с SGLang на NVIDIA H200 она повысила пропускную способность относительно авторегрессионной генерации на задачах GSM8K, MATH-500 и HumanEval. Для работы требуется целевая Muse-Glimmer-30B и совместимый сервер спекулятивного декодирования; README приводит SGLang. Модель принимает текстовые запросы в составе такого сервера и помогает генерировать текст, но сама по себе отвечать на запросы не может. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

MViTv2 Tiny — модель компьютерного зрения семейства многомасштабных Vision Transformer, опубликованная авторами статьи и представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения признаков. Модель содержит около 24,2 млн параметров, выполняет около 4,7 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель принимает изображения и выдаёт классы ImageNet либо визуальные признаки, пригодные для дальнейшей обработки. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества и подробных ограничений применения; характеристики классификации относятся к ImageNet-1k.

Nandi-Mini-150M-GuardRails — компактная дообученная модель FrontiersMind на архитектуре Nandi для генерации текста в диалоговом режиме. Согласно README, её назначение — выявлять небезопасное содержимое и нарушения политик в пользовательских запросах и ответах ИИ по нескольким категориям вреда. Метаданные указывают 236,4 млн параметров, контекст до 2048 токенов и поддержку английского и хинди; модель работает с текстом и распространяется в формате Safetensors для Transformers. Модель может использоваться как компонент проверки запросов и ответов в диалоговых системах. Однако карточка не описывает категории классификации, точность, пороговые значения или способ интерпретации результата; метаданные классифицируют её как text-generation, поэтому возможность непосредственной выдачи меток безопасности ими не подтверждается. Лицензия — Apache-2.0.

NASNet-A Large — сверточная модель классификации изображений из библиотеки timm. Её обучили авторы статьи на ImageNet-1k, а затем перенесли из TensorFlow в PyTorch через pretrained-models.pytorch от Cadene. Модель также подходит для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 88,8 млн параметров, имеет вычислительную сложность 23,9 GMAC и рассчитана на входные изображения размером 331 × 331 пиксель. Основной сценарий применения — отнесение изображения к классам ImageNet-1k; также её можно использовать как визуальный backbone в других системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

SergiioB опубликовал реконструкцию черновой модели Nemotron-3.5-Lightning DFlash для запуска через vLLM на Intel XPU. Это не самостоятельная чат-модель: её используют как draft-модель спекулятивного декодирования вместе с целевой моделью GPTQ INT4 G64-sym. По карточке это архитектура Qwen3 с классом DFlashDraftModel; в репозитории указаны 741,7 млн параметров, формат safetensors и контекст до 1 048 576 токенов. Веса реконструированы из NVFP4 в BF16, чтобы совместимый образ vLLM XPU мог загрузить официальный DFlash-спекулятор. Автор описывает копирование BF16-тензоров и деквантизацию NVFP4-тензоров MLP и fc. На Intel Arc Pro B70 с целевой GPTQ-моделью приведены замеры скорости генерации и принятия спекулятивных токенов; результаты относятся к конфигурации и условиям тестирования из карточки. Лицензия указана как other, поэтому перед использованием следует проверить условия исходной модели и репозитория.

OPT-66B — предобученная языковая модель семейства OPT, разработанная Meta AI и выпущенная в составе серии Open Pre-trained Transformers. Это плотный декодерный трансформер с авторегрессионной целью обучения; модель содержит 87,4 млрд параметров и принимает контекст длиной до 2048 токенов. Основной язык обучающих данных — английский, хотя в корпусе присутствует небольшое количество неанглоязычных текстов. Модель предназначена для генерации текста, оценки языковых моделей с помощью промптов и последующей адаптации к прикладным задачам. Она подходит для исследовательской работы с крупными языковыми моделями и экспериментов с генерацией и few-shot-подходами. Из-за большого размера для запуска требуются значительные вычислительные ресурсы; для эффективной генерации рекомендуется использовать половинную точность и прямой вызов generate. В обучающих данных много неотфильтрованного интернет-контента, поэтому модель может воспроизводить предвзятость, выдавать неточные ответы и демонстрировать ограниченное разнообразие генераций. Указанная в метаданных лицензия — other; конкретные условия следует проверять в официальных материалах Meta AI и карточке модели.

Ornith-1.0-9B-DSpark — производственный черновой спекулятор DSpark от Stanley Phoong для ускорения генерации моделью deepreinforce-ai/Ornith-1.0-9B. Это не самостоятельная языковая модель: артефакт содержит BF16-веса черновой модели на архитектуре Qwen35DSparkModel с пятью слоями, которая предлагает блоки токенов, а целевая модель-проверяющий принимает или отклоняет их. Для работы нужны точная совместимая версия Ornith-1.0-9B и специальная поддержка DSpark в serving-стеке на базе vLLM. Модель предназначена для спекулятивного декодирования текстовой генерации. На тестовой конфигурации Ornith, vLLM и NVIDIA B200 средняя длина принятого блока составила 4,5865 токена, а квалификационные проверки прошли 17 из 17. Эти результаты относятся к указанной конфигурации и не гарантируют аналогичного ускорения на другом оборудовании или при иных настройках. Маршрут DSpark проверен для запросов, где сумма длины промпта и запрошенного ответа не превышает 4096 токенов; более длинные запросы следует направлять напрямую в целевую модель, поддерживающую контекст до 262144 токенов. Черновик специфичен для Ornith-1.0-9B, не является чат-моделью или универсальным генератором, а мультимодальная работа не проверялась. Лицензия — MIT.

Palmyra X5 — большая языковая модель компании Writer, предназначенная для создания и масштабирования корпоративных ИИ-агентов. В карточке модели заявлена поддержка контекстного окна до 1 миллиона токенов и высокая скорость работы. Модель подходит для сценариев с агентами и большими объёмами контекста в корпоративной среде. Доступный текст карточки не раскрывает архитектуру, размер, языки, лицензию или подробные ограничения модели.

timm/pvt_v2_b0.in1k — модель классификации изображений на основе PVT-v2 (Pyramid Vision Transformer), обученная авторами статьи на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 3,7 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 0,6 GMAC. Она предназначена для классификации изображений общего назначения и может служить основой визуальных конвейеров, которым нужны признаки или эмбеддинги. Модель распространяется в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0. Карточка не описывает отдельные ограничения качества или специальные области применения.

PVT-v2 B2 — модель компьютерного зрения семейства Pyramid Vision Transformer, представленная авторами статьи PVT v2 и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный бэкбон для извлечения признаков и эмбеддингов. Модель содержит около 25,4 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 4,0 GMACs. Репозиторий предоставляет веса PyTorch и SafeTensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Модель подходит для классификации изображений и получения визуальных признаков в последующих задачах компьютерного зрения. Её обучение на ImageNet-1k задаёт основной набор классов и область применения; характеристики качества на иных наборах данных в карточке не приведены.

Qwen1.5-7B — базовая предобученная языковая модель от команды Qwen, бета-версия семейства Qwen2. Это декодерный Transformer с 7,1 млрд параметров, реализованный как плотная модель для генерации текста; в карточке указана поддержка контекста до 32 768 токенов. Модель использует токенизатор, адаптированный к нескольким естественным языкам и языкам программирования, однако метаданные карточки перечисляют английский язык. Модель предназначена для дальнейшего дообучения, например SFT, RLHF или продолженного предобучения. Она может служить основой для создания разговорных моделей и приложений генерации текста, но авторы не рекомендуют использовать базовую версию напрямую для генерации. Репозиторий содержит веса в формате safetensors и помечен лицензией «other»; конкретные условия лицензии следует проверять в карточке модели.

Qwen2-7B-Instruct-Refine — дообученная Alibaba PAI версия Qwen2-7B-Instruct, предназначенная для улучшения пользовательских промптов. Модель переписывает инструкции, чтобы повысить подробность и информативность ответов другой LLM. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров. Она принимает текстовые инструкции и генерирует уточнённые текстовые промпты; заявленная длина контекста — 131 072 токена. Для обучения использовались примеры из OpenHermes и LCCD, а аннотации создавались с помощью Qwen-max и авторских примеров. В приведённой оценке на одношаговых инструкциях MT-Bench уточнённые промпты улучшили показатели подробности и правдивости ответов базовой модели; результаты зависят от модели, к которой применяется промпт. Модель подходит для подготовки и улучшения промптов в чат-сценариях. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

unsloth/Qwen3-14B-Base — плотная причинная языковая модель семейства Qwen3, представленная Unsloth и основанная на Qwen/Qwen3-14B-Base. Это базовая модель после этапа предобучения, предназначенная для генерации текста и дальнейшей адаптации под конкретные задачи, а не специализированный чат-ассистент. Модель содержит около 14,8 млрд параметров, имеет 40 слоёв и контекстное окно до 32 768 токенов. Она принимает текст и генерирует текст; предобучение семейства охватывало 119 языков и включало данные по программированию, STEM, рассуждениям и общим знаниям. Репозиторий использует Transformers и формат safetensors. Модель подходит для создания производных моделей, языкового моделирования, продолжения текста и экспериментов с дообучением. Для использования требуется актуальная версия Transformers: README предупреждает о несовместимости с версиями ниже 4.51.0. Лицензия — Apache-2.0.

Qwen3-4B Guardrails Embedding v1 — текстовая модель эмбеддингов, дообученная в проекте SJSU Guardrails на базе Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска и извлечения нормативных документов в RAG-системах, связанных с управлением ИИ и соблюдением требований. Модель используют как источник проверочных фрагментов для дискуссий нескольких агентов и поиска по EU AI Act, рамкам NIST и нормативам кибербезопасности. Модель построена на архитектуре Qwen3 с decoder-only трансформером и pooling по последнему токену; размер — 3,7 млрд параметров, размерность эмбеддинга — 2560, контекст — до 40 960 токенов. README сообщает высокие значения recall@1 и MRR на тесте с четырьмя кандидатами, однако оценка проводилась на ограниченном наборе из 864 примеров и не характеризует качество на более широких пулах или иных предметных областях. Для запросов требуется использовать инструкционный префикс, а фрагменты документов кодируются без него. Модель не предназначена для генерации текста, общей семантической близости или самостоятельной классификации. Лицензия — Apache-2.0.

Qwen3.5-0.8B-Base — базовая предобученная модель семейства Qwen3.5, разработанная командой Qwen. Это причинная языковая модель с визуальным энкодером, предназначенная прежде всего для дообучения, экспериментов с обучением в контексте и разработки мультимодальных приложений; карточка не рекомендует использовать её для прямого общения без дополнительной настройки. Модель содержит 0,8 млрд параметров и использует гибридную архитектуру Gated DeltaNet и Gated Attention. Она принимает текст и изображения, а контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. В README заявлена поддержка 201 языка и диалекта, но отдельный перечень языков не приведён. Модель подходит для экспериментов с пониманием изображений и текста, а также для создания специализированных версий с помощью fine-tuning или LoRA. Для её использования доступны веса в формате Safetensors и библиотеки Transformers, vLLM и SGLang. Лицензия — Apache-2.0.

Qwen3.5-35B-A3B-Base — базовая мультимодальная модель семейства Qwen, разработанная командой Qwen. Это предварительно обученная модель для дообучения, экспериментов с обучением в контексте и разработки; карточка не рекомендует использовать её для прямого общения без адаптации. Модель сочетает причинную языковую модель с визуальным энкодером и принимает текст и изображения, формируя текстовые ответы. Архитектура включает 35 млрд параметров, из которых активируется около 3 млрд, разреженный Mixture of Experts с 256 экспертами и гибридные блоки Gated DeltaNet и Gated Attention. Нативный контекст составляет 262 144 токена и может расширяться до 1 010 000 токенов. Семейство заявляет поддержку 201 языка и диалекта. Веса доступны в формате Safetensors; модель совместима с Transformers, vLLM и SGLang. Мультимодальное предварительное обучение и разреженная архитектура рассчитаны на эффективную обработку визуального и текстового контекста. Для практического диалога или специализированных сценариев может потребоваться дообучение или адаптация. Лицензия — Apache 2.0.

Это представление Qwen3.5-35B-A3B от anthonymikinka: исходные веса модели Alibaba Qwen преобразованы из монолитного GGUF в набор файлов по слоям в формате lemonslice-gguf-v1. Репозиторий основан на квантованной версии Q4_K_M от Unsloth и включает 40 файлов слоёв и общий файл с эмбеддингами, нормализацией и выходной проекцией. Архитектура — гибридная MoE с 30 слоями SSM/Mamba и 10 слоями attention; в блоках MoE используются 256 экспертов, из которых активны 8. Формат рассчитан на последовательную загрузку весов, исследование и замену отдельных слоёв, выборочный запуск блоков, эксперименты с дообучением и распределение слоёв между устройствами. По README, последовательная загрузка снижает пиковое использование памяти примерно с 21,2 до 1,13 ГБ, однако это характеристика способа загрузки, а не гарантия скорости или качества генерации; запуск с ограниченной памятью может быть медленным и требует совместимого инструментария для нестандартного формата. Модель предназначена для генерации текста. Репозиторий опубликован по лицензии Apache-2.0.

Qwen3.5-397B-A17B-UD-Q4_K_XL-layers — пакет GGUF-слоёв от Mesh LLM для распределённого запуска модели Qwen3.5-397B-A17B на локальном кластере. Он основан на unsloth/Qwen3.5-397B-A17B-GGUF и сохраняет её веса в виде отдельных артефактов по слоям для распределённого инференса; вариант квантования — UD-Q4_K_XL. Пакет предназначен для локального приватного чата и генерации текста, в том числе на нескольких машинах, когда полный файл модели слишком велик для одного узла. Через Mesh LLM модель можно предоставлять по локальному OpenAI-совместимому API. Архитектура, размер контекста, языки и подробные характеристики исходной модели в этой карточке не приведены; за ними README отсылает к карточке исходной модели. Репозиторий содержит пакет для распределённого запуска, а не самостоятельную реализацию модели. Использование требует Mesh LLM и подходящей инфраструктуры. Условия лицензии следует уточнять в карточке исходной модели unsloth/Qwen3.5-397B-A17B-GGUF.

Qwen3.5-9B-Base — базовая мультимодальная модель семейства Qwen3.5, разработанная командой Qwen. Это предварительно обученная модель для тонкой настройки, экспериментов с обучением в контексте и разработки; карточка не предназначает её для прямого диалога с пользователем. Репозиторий содержит веса и конфигурацию в формате Transformers, совместимые также с vLLM и SGLang. Модель сочетает причинную языковую модель с визуальным энкодером и использует гибридную архитектуру из Gated Delta Networks и механизмов внимания. Языковая часть содержит 9 млрд параметров и 32 слоя. Нативная длина контекста — 262 144 токена, с расширением до 1 010 000 токенов. В карточке заявлена поддержка 201 языка и диалекта. Модель предназначена для мультимодальных экспериментов, визуального понимания и создания специализированных моделей через дообучение; заявленные характеристики семейства включают рассуждение, программирование и агентные сценарии. Это базовая, а не диалоговая версия, поэтому для прямого общения она не предназначена. Лицензия — Apache-2.0.

fleetml/Qwen3.8-27B-Uncensored-DSpark-RTX5090 — вспомогательная speculative decoding-модель, разработанная fleetml на основе RadixArk/Qwen3.8-27B-DSpark. Она предназначена не для самостоятельной генерации, а для ускорения работы целевой модели fleetml/Qwen3.8-27B-Uncensored-NVFP4-RTX5090 при локальном обслуживании, исследованиях, оценке и разработке агентных систем на видеокарте NVIDIA RTX 5090. Архитектура драфтера — DSparkDraftModel: 1 857 358 337 параметров, 5 слоёв, block size 7 и 5 целевых слоёв. Модель обучалась в BF16 на скрытых состояниях, полученных от точной NVFP4-целевой модели, а для использования преобразована в ModelOpt NVFP4. Заявлено контекстное окно архитектуры 262 144 токена; проверенный контекст запуска — 122 880 токенов, автоматически выделяемый активный пул — 87 798 токенов. В метаданных указаны языки English и Chinese. Совокупный размер пары моделей составляет 22,24 ГБ, а распределение весов на GPU — 20,50 ГБ. В тесте на одной RTX 5090 пара достигла медианной скорости декодирования 217,73 токена в секунду и медианного времени до первого токена 0,113 секунды; результаты получены при единичной конкурентности, температуре 0 и на 18 успешных запросах. Эти показатели относятся к конкретной конфигурации и не означают устойчивую генерацию 16 000 токенов. Для работы драфтер необходимо подключать к совместимой целевой модели через speculative decoding с параметрами speculative-draft-model-path и modelopt_fp4. Лицензия — Apache 2.0.

Qwen3-8B-Ins-Draft-OPD — дообученная модель-черновик для спекулятивного декодирования, созданная методом Draft-OPD на основе z-lab/Qwen3-8B-DFlash-b16. Она предназначена для совместной работы с целевой моделью Qwen3-8B без режима thinking: предлагает варианты продолжения текста, которые целевая модель проверяет, ускоряя генерацию без потери точности. Модель использует архитектуру DFlash и предназначена для интеграции в конвейеры спекулятивного декодирования. Метод постобучения On-Policy Distillation обучает черновик на состояниях, возникающих при проверке его предложений, включая отклонённые позиции. В README сообщается об ускорении генерации более чем в пять раз для thinking-моделей в экспериментах; результат зависит от целевой модели, задачи и настроек декодирования. Репозиторий содержит веса safetensors, библиотека — Transformers; размер указан как 1,6 млрд параметров, контекст — 40 960 токенов. Лицензия — MIT. Это специализированная модель-черновик, а не самостоятельная универсальная чат-модель; её практическая польза зависит от совместимого декодера и целевой модели Qwen3-8B.

Это модель извлечения признаков изображений на базе визуального энкодера Qwen-Drive-1.0-4B, преобразованного для библиотеки timm. Она предназначена для получения пространственных признаков и токенов изображений, которые можно использовать в системах компьютерного зрения и мультимодальных конвейерах. Модель содержит энкодер Qwen ViT со spatial merger и проекцией признаков на ширину исходной языковой модели, но не включает веса языковой модели или обученную классификационную голову. Чекпойнт содержит 332,7 млн параметров; ширина backbone — 1024, ширина проекции — 2560, исходный размер изображения — 768 × 768. Поддерживаются изображения разных пропорций; входные размеры должны делиться на 16, а для вариантов с объединением 2 × 2 — на 32. Реализация рассчитана на изображения: временные веса исходного Conv3d объединены в Conv2d. Используются абсолютные позиционные эмбеддинги с интерполяцией и осевой 2D RoPE. Лицензия — Apache 2.0.

Это модель извлечения признаков изображений на основе визуального энкодера Qwen3.5-27B, преобразованного в формат timm. Она предназначена для получения пространственных признаков и токенов изображения, которые можно использовать в мультимодальных конвейерах и для анализа изображений. Веса визуального энкодера включают пространственный merger и проекцию до ширины исходной языковой модели; языковых весов и обученной классификационной головы в репозитории нет. Модель содержит около 459,8 млн параметров; заявленный размер изображения — 768 × 768. Архитектура использует MLP с GELU-tanh, обучаемые абсолютные позиционные эмбеддинги и осевой 2D RoPE. Поддерживаются прямоугольные изображения; размеры сторон должны делиться на 16, а для вариантов с merger 2 × 2 — на 32. Вход — RGB-изображение, выход — признаки или пространственно объединённые токены. Чекпойнт преобразован без дополнительного обучения и распространяется по лицензии Apache 2.0.

timm/qwen3_vit_416m_enc.qwen3_5_9b — визуальный энкодер изображений на основе собственного vision-энкодера Qwen3.5-9B, представленный в формате timm. Он извлекает пространственные признаки и после spatial merger проецирует токены в ширину 4096, соответствующую исходной языковой модели. Веса перенесены в формат timm без дополнительного обучения; языковые веса и обученная классификационная голова отсутствуют. Модель предназначена для извлечения признаков из RGB-изображений и подготовки визуальных токенов для мультимодальных систем. Архитектура включает backbone шириной 1152 с MLP на GELU-tanh, обучаемыми абсолютными позициями и осевым 2D RoPE. Указанный в карточке размер изображения — 768 × 768; поддерживаются прямоугольные входы с размерами, кратными 16, а варианты с мерджером 2 × 2 требуют кратности 32. Вход нормализуется со средним и стандартным отклонением 0,5 для каждого RGB-канала. Модель выдаёт визуальные признаки, а не классы изображений или текстовые ответы. Она не включает языковую часть Qwen3.5-9B, поэтому для диалога, рассуждений или ответов о содержимом изображения потребуется отдельная модель. Лицензия — Apache 2.0.

RegNetX-12GF — сверточная модель для классификации изображений и извлечения признаков, представленная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k и содержит 46,1 млн параметров; стандартный размер входного изображения — 224 × 224 пикселя. Модель можно использовать как классификатор или как основу для получения карт признаков и эмбеддингов изображений. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, понижение скорости обучения по слоям и настройку выходного шага через дилатацию, а также настройку функций активации и нормализации. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT.

RepVGG B3g4 — сверточная модель классификации изображений, обученная авторами статьи на ImageNet-1k и представленная в библиотеке timm. Она также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 83,8 млн параметров, имеет вычислительную сложность 17,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Архитектура реализована в timm через конфигурируемый BYOBNet; веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений общего назначения и получения визуальных признаков для последующих задач компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество специализированы под этот набор данных; карточка не описывает отдельные языковые возможности. Лицензия — MIT.

Res2Net50 26w 6s — сверточная модель классификации изображений и извлечения признаков из семейства Res2Net, разработанная авторами соответствующей научной работы и опубликованная в формате timm. Модель обучена на ImageNet-1k; содержит 37,1 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует многомасштабные блоки Res2Net для построения признакового представления изображения. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов, которые можно использовать в компьютерном зрении. В карточке указаны вычислительная стоимость 6,3 GMACs и 15,3 млн активаций. Лицензия в метаданных обозначена как неизвестная, поэтому условия использования следует проверить в репозитории.