IV.1Ритейл, электронная коммерция и fashion-tech

Trendyol разработала эту модель для поиска визуально похожих изображений товаров и извлечения признаков в электронной коммерции. Это дообученная DinoV2 ViT-B/14 с ArcFace loss: замороженная базовая сеть и линейная проекционная голова формируют L2-нормированные эмбеддинги размерностью 256. Модель принимает изображения, предварительно обработанные до 224×224 пикселей по описанному в карточке конвейеру, включая масштабирование, дополнение до квадрата и нормализацию ImageNet. Модель предназначена для поиска товаров по изображению, рекомендаций на основе визуального сходства, выявления дубликатов и извлечения признаков для поиска по каталогу товаров. Для воспроизводимых результатов следует применять указанную предобработку. Модель оптимизирована для изображений товаров и может хуже работать в других визуальных областях. Распространяется по лицензии CC BY-SA 4.0.

Trendyol разработала модель для получения визуальных эмбеддингов изображений товаров в каталоге электронной коммерции. Она предназначена для поиска одинаковых и похожих товаров, объединения дублей и ранжирования товаров по визуальному сходству; эмбеддинги также можно использовать для кластеризации, визуального поиска и рекомендаций по изображениям. В основе лежит ConvNeXt-Base с входным разрешением 224×224 и проекционной головой размерности 512. Модель обучена с функцией потерь ArcFace на изображениях товаров Trendyol; выходные эмбеддинги нормализованы по L2, что позволяет сравнивать их косинусным сходством. Она принимает изображения и возвращает векторы признаков. В метаданных указан базовый чекпойнт timm/convnext_base.fb_in22k_ft_in1k; библиотека — timm. Модель оптимизирована для изображений товаров, поэтому может хуже работать на изображениях из других областей, низкого качества или с сильными искажениями; качество также может различаться между категориями, брендами и стилями. Условия коммерческого использования требуют указания Trendyol как создателя и предварительного уведомления Trendyol. Перераспространение модели или её производных на сторонних платформах требует предварительного письменного согласия; лицензия в метаданных — CC BY-SA 4.0.

Модель Hamza88/fashion-similarity-resnet50-arcface предназначена для поиска визуально похожих изображений товаров из категории моды. Она разработана на основе ResNet50 и дообучена с помощью metric learning с ArcFace: извлекает из изображения нормализованный вектор размером 512, а сходство товаров можно оценивать по cosine similarity. В архитектуру также входят GeM pooling и линейный слой с BatchNorm; входной размер изображения — 224×224. Модель обучалась на датасете fashion-product-images-dataset с разметкой по 84 типам товаров. На выделенной тестовой выборке автор сообщает Precision@10 0,850 и mAP@10 0,901; в сравнении с предобученной базовой моделью это 0,696 и 0,790 соответственно. Подходит для поиска похожих товаров и построения визуального поиска по каталогу. Репозиторий содержит веса в формате safetensors, библиотека — PyTorch. Лицензия — MIT.

Trendyol DinoV2.1 — модель Trendyol для поиска похожих изображений товаров и визуального поиска в электронной коммерции. Она дообучена на основе DinoV2 ViT-B/14 и использует GeM pooling и линейную проекцию, обученную с ArcFace, для получения эмбеддингов размерности 256. Входное изображение нужно предварительно привести к размеру 224×224 с сохранением пропорций, дополнением до квадрата и нормализацией ImageNet. Модель предназначена для поиска товаров по изображению, визуальных рекомендаций, извлечения признаков и обнаружения дубликатов в каталогах электронной торговли. Экспорт содержит эмбеддинги; классификационные головы, использовавшиеся при обучении, отсутствуют. Для загрузки через Transformers требуется trust_remote_code=True. Модель распространяется по лицензии CC BY-SA 4.0.

Trendyol разработала TY-ecomm-embed-multilingual-base-v1.2.0 — многоязычную модель Sentence Transformers, дообученную на электронной коммерции поверх дистиллированной Alibaba-NLP/gte-multilingual-base. Она кодирует текст в плотные векторы размерностью 768 для семантического поиска товаров, сравнения запросов и описаний, классификации, кластеризации и извлечения признаков. Сходство векторов можно оценивать косинусной мерой; поддерживаются укороченные представления размерностью 512 и 128. Модель рассчитана прежде всего на турецкие и многоязычные запросы в электронной коммерции: карточки товаров, атрибуты, перефразирование запросов и категоризацию. В метаданных перечислены турецкий, арабский, английский, немецкий, болгарский, венгерский, румынский, словацкий, польский, чешский и греческий языки. Карточка заявляет ограничение входа в 384 токена, тогда как метаданные указывают контекст 8192 токена; при длинных текстах следует учитывать описанное в README усечение до 384 токенов. Лицензия — Apache-2.0. Качество может снижаться вне товарной и электронной коммерции, например на юридических, медицинских и узкоспециальных текстах. Модель может ошибочно считать похожими тексты с общими словами или частыми сочетаниями из обучающих данных; большая часть обучающих данных, согласно карточке, турецкоязычная.

AutoCatalogAI V2 — модель компьютерного зрения для автоматического извлечения атрибутов одежды и товаров моды с изображения. Она разработана на основе openai/clip-vit-base-patch32 и дообучена на датасете ashraq/fashion-product-images-small. Архитектура объединяет визуальный энкодер CLIP с отдельными классификационными головами для пола целевой аудитории товара, категории, подкатегории, типа изделия, сезона и назначения, а также ветвью цветовых признаков для определения основного цвета. Модель предназначена для автоматизации каталогов электронной торговли: она присваивает изображению товара структурированные метки, которые можно использовать для подготовки карточек, поисковых тегов и анализа ассортимента. В README сообщается о среднем accuracy 87,52% на тестовой выборке из 6 611 изображений после лёгкой коррекции согласованности атрибутов. Лицензия — MIT. Модель работает с изображениями товаров моды и выдаёт классы атрибутов. Она не предназначена для распознавания людей или определения пола человека: поле gender обозначает категорию целевой аудитории товара. Сезон и назначение могут быть неоднозначны по одному изображению и зависеть от контекста, а модель не рассчитана на товары вне поддерживаемой области моды или изображения нескольких несвязанных товаров без предварительной обработки.

Fashion Florence — модель на базе Florence-2-large от Microsoft, дообученная Anushree Berlia для извлечения структурированных характеристик одежды по изображению. Она принимает изображение предмета одежды и возвращает JSON с тегами категории, основного цвета, материала и другими атрибутами; базовая Florence-2 также поддерживает задачи компьютерного зрения по текстовым запросам. Модель основана на архитектуре Florence-2 и содержит 0,77 млрд параметров; LoRA-адаптер слиянием включён в веса базовой модели. В тесте на 3 915 примерах из iMaterialist точность категории составила 89,5%, а точное совпадение цвета — 52,7%; для обуви и аксессуаров в тестовой выборке было мало примеров. Лицензия — MIT.

Fashion-Product-articleType — модель компьютерного зрения, разработанная PrithivMLmods и дообученная на базе google/siglip2-base-patch16-224 с архитектурой SiglipForImageClassification. Она классифицирует изображения модных товаров по 141 типу изделий, включая аксессуары, рюкзаки и другие категории одежды и товаров.

IDM-VTON — модель для виртуальной примерки одежды на изображениях, официальная реализация работы «Improving Diffusion Models for Authentic Virtual Try-on in the Wild». Она дообучена на базе Stable Diffusion XL 1.0 Inpainting и предназначена для переноса одежды на изображение человека с сохранением естественного вида. Модель принимает изображения и выдаёт изменённое изображение; в репозитории представлены форматы Diffusers, ONNX, PyTorch и Safetensors. Карточка содержит демоверсию и код инференса, но обучение модели не описано. Лицензия CC BY-NC-SA 4.0 ограничивает использование условиями некоммерческого распространения и требует сохранять ту же лицензию для производных работ.

Marqo-FashionSigLIP — мультимодальная модель для поиска и классификации модных товаров, разработанная Marqo. Она дообучена на базе ViT-B-16-SigLIP (webli) с использованием Generalised Contrastive Learning: при обучении учитывались текстовые описания, категории, стили, цвета, материалы, ключевые слова и мелкие визуальные детали. Модель предназначена для сопоставления изображений товаров с текстовыми запросами и категориями, а также для поиска похожих товаров в каталогах модной одежды. Модель рассчитана на сценарии электронной коммерции и модного поиска. В README приведены сравнительные результаты на шести публичных датасетах модной индустрии для текстового поиска по изображениям и поиска товаров по категориям; в указанных тестах Marqo-FashionSigLIP показала более высокие средние метрики, чем FashionCLIP2.0 и OpenFashionCLIP. Она принимает изображения и текст, а для поиска и классификации формирует сопоставимые представления. Модель доступна в форматах PyTorch и safetensors и используется через OpenCLIP. Лицензия — Apache-2.0. Оценки в карточке относятся к указанным публичным датасетам и не гарантируют такое же качество для других каталогов, языков или типов изображений.

Это облегчённая версия зрительной части модели HopitAI/moda-fashion-distilled-512d, подготовленная DexterCodeDev для поиска сходных изображений в каталогах одежды и модных товаров. Она принимает изображение размером 224 × 224, обрабатывает его визуальным энкодером ViT-B/16 на основе SigLIP, проецирует 768-мерные признаки в 512-мерный вектор и нормализует его по L2. В чекпойнте около 93,3 млн параметров, сохранённых в FP32 и формате Safetensors. Модель предназначена для поиска похожих товаров и изображений, сопоставления продуктов, обнаружения дубликатов, кластеризации и построения визуальных рекомендаций. Векторные представления можно индексировать в векторной базе и сравнивать по косинусному сходству. Текстовая часть исходной модели удалена, поэтому эта версия не кодирует текст и не поддерживает текстовый поиск или классификацию по текстовым запросам. Карточка не приводит независимых бенчмарков для этой производной версии; качество следует оценивать на собственном каталоге. Результаты могут ухудшаться на изображениях не из модной тематики, при низком разрешении, перекрытиях товара, загромождённом фоне и несоответствии данных обучающему распределению. Для совместимых результатов важно соблюдать исходную предобработку. Лицензия — MIT; автор производной версии просит указывать авторов MODA и HopitAI.

RexBERT-large — разработанная Rahul Bajaj encoder-only модель семейства ModernBERT, обученная предсказывать скрытые токены и адаптированная к текстам электронной торговли. Она предназначена для поиска и извлечения товаров, классификации, понимания запросов и построения эмбеддингов; для этих сценариев её можно дообучать или использовать как основу для специализированных компонентов. Модель содержит около 394,7 млн параметров, принимает текст, поддерживает контекст до 7 999 токенов и рассчитана на английский язык. Обучение включало общее предобучение, расширение контекста и специализацию на более чем 350 млрд токенов электронной торговли. Модель подходит для поиска по названиям и описаниям товаров, извлечения бренда и характеристик, категоризации и ранжирования. Она не предназначена для генерации длинных текстов; решения о ценах, соблюдении требований и безопасности товаров требуют проверки человеком. Лицензия — Apache-2.0.

BRIA RMBG-2.0 — модель удаления фона, разработанная BRIA AI на архитектуре BiRefNet с собственной схемой обучения и профессиональным набором данных. Она выполняет сегментацию изображения и выдаёт одноканальную 8-битную альфа-карту: значение каждого пикселя задаёт степень его прозрачности, позволяя настраивать порог отделения переднего плана от фона. Модель предназначена для вырезания объектов и людей на фотографиях и других изображениях, включая материалы электронной торговли, рекламы и игрового контента. Обучение проводилось на более чем 15 000 вручную размеченных лицензированных изображений с разными типами объектов и фонов. Весам на Hugging Face соответствует лицензия CC BY-NC 4.0 для некоммерческого использования. Для коммерческого развёртывания требуется отдельное соглашение с BRIA AI либо использование API BRIA с коммерческой лицензией.

TY-ecomm-siglip2-turkish-v1 — мультимодальная модель Trendyol для получения эмбеддингов изображений товаров и их названий. Она дообучена на базе Google SigLIP 2 Large (ViT-L/16, входное разрешение 384×384) примерно на 4,1 млн пар «первое изображение товара — название». Модель создаёт совместимые 1024-мерные векторы текста и изображения; это эмбеддер, а не готовый классификатор или генеративная VLM. Модель предназначена для понимания и модерации товарных каталогов: эмбеддинги можно использовать для поиска по изображениям и тексту, поиска похожих товаров, ранжирования и рекомендаций, а также как признаки для обучаемых классификаторов категорий и запрещённых или откровенных товаров. Основной язык названий — турецкий; в данных также встречаются английские и смешанные названия. Репозиторий распространяется по лицензии CC BY 4.0. Модель лучше подходит для турецких каталогов и товарных фотографий. Длинные запросы могут обрезаться до 64 токенов, а растягивание изображений до 384×384 может искажать фото с необычными пропорциями. Эмбеддинги сами по себе не выдают метки и не заменяют отдельный классификатор или проверку человеком при принятии решений по безопасности.

ZooClaw-FashionSigLIP2 — специализированный для моды vision-language энкодер, разработанный для платформы ZooClaw AI agents и дообученный на базе google/siglip2-base-patch16-384. Модель использует архитектуру SigLIP2 ViT-B/16 с визуальной и текстовой башнями и примерно 375 млн параметров. Она кодирует изображения и текст в согласованные векторы размерности 768; изображения подаются в размере 384 × 384 RGB. Модель предназначена для поиска товаров по изображению или текстовому запросу, поиска похожих изображений, сопоставления изображений с описаниями и классификации изображений по текстовым меткам без отдельного классификатора. Её можно применять для поиска и рекомендаций в каталогах одежды и других модных товаров. В README также описан доступ к модели через API ZooData. Репозиторий распространяется по лицензии Apache-2.0.

Algolia-large-en-generic-v2410 — англоязычная модель эмбеддингов Algolia для поиска и извлечения релевантных результатов, с акцентом на эффективность и сценарии электронной коммерции. Это дообученная плотная BERT-модель на базе thenlper/gte-large с 433,9 млн параметров и контекстом до 512 токенов. Она создаёт текстовые векторы для сравнения смысловой близости предложений и поиска по сходству; файлы доступны в форматах Safetensors и ONNX. Модель ориентирована на английский язык и обучена на открытых и синтетических данных электронной коммерции. Выпущена 11 декабря 2024 года под лицензией MIT.

Algolia-large-multilang-generic-v2410 — мультиязычная модель эмбеддингов компании Algolia, предназначенная для поиска и извлечения релевантных результатов в электронной коммерции. Это дообученная модель на базе OrdalieTech/Solon-embeddings-large-0.1 с архитектурой XLM-RoBERTa и примерно 658,7 млн параметров. Репозиторий содержит веса в форматах Safetensors и ONNX; модель принимает текстовые запросы и документы, а её контекст составляет 514 токенов. Модель рассчитана на семантический поиск по товарам и другим материалам электронной коммерции на английском, французском, немецком, испанском и русском языках. Для запроса README рекомендует добавлять префикс «query: », а документы подавать без специальных инструкций. Модель выпущена под лицензией MIT.

Модель Mateo Rúa создаёт 384-мерные семантические эмбеддинги заголовков товаров для испаноязычной электронной коммерции. Это дообученная с помощью contrastive learning модель Sentence Transformers на базе intfloat/multilingual-e5-small; архитектура — BERT, размер — 124,3 млн параметров. Модель предназначена для семантического поиска, рекомендаций, выявления дубликатов и группировки товаров в каталогах маркетплейсов. В README приведены результаты retrieval на независимом тесте: Recall@10 составляет 0,921, то есть товар той же категории входит в десятку ближайших соседей в 92% случаев. Модель принимает текстовые заголовки и выдаёт векторы; использует косинусное сходство и поддерживает последовательности до 512 токенов. Оптимизирована для коротких названий товаров на испанском языке и обучена на данных товарного каталога 2019 года. Модель может хуже работать на длинных текстах, с неоднозначными терминами и с недавно появившимися категориями или брендами. Для португальского языка README рекомендует дообучение на соответствующих данных. Лицензия — Apache 2.0.

knguyennguyen/fashion_5k — модель Sentence Transformers, дообученная на основе FacebookAI/roberta-base на парных текстах о модных товарах. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству; в метаданных указан размер 151,8 млн параметров. Модель предназначена для семантического поиска и сопоставления запросов с описаниями товаров, оценки сходства и поиска перефразировок, а также может использоваться для кластеризации и классификации текста. Архитектура состоит из энкодера RoBERTa и слоя mean pooling. README указывает максимальную длину последовательности 128 токенов; метаданные каталога указывают нативное контекстное окно 514 токенов. Обучающий набор содержит 4 693 пары текстов. Базовая RoBERTa ориентирована на английский язык, а примеры данных описывают одежду, аксессуары и другие модные товары. Модель подходит для семантического поиска по каталогу и ранжирования описаний товаров по смысловому соответствию запросу. Она выдаёт векторы, а не готовые текстовые ответы; тексты длиннее лимита последовательности могут обрезаться. Лицензия в предоставленных данных не указана.

Fashion-CLIP — модель семейства CLIP, разработанная для получения совместимых представлений изображений и текстов о товарах модной индустрии. В карточке описана версия FashionCLIP 2.0 на базе laion/CLIP-ViT-B-32-laion2B-s34B-b79K: архитектура ViT-B/32 кодирует изображения, а Transformer с маскированным self-attention — текст. Модель дообучена на контрастном сопоставлении более 800 тысяч пар изображение–текст из англоязычного датасета Farfetch. Модель предназначена для поиска и классификации модных товаров по текстовым описаниям, в том числе в zero-shot сценариях и при переносе на новые наборы данных. Авторы приводят улучшение weighted macro F1 относительно исходных CLIP на трёх бенчмарках. Модель лучше подходит для стандартных каталожных фотографий одежды на белом фоне и может лучше работать с длинными запросами, чем с короткими. Карточка предупреждает о наследуемых от CLIP ограничениях и смещениях обучающих данных, включая гендерные ассоциации; качество переноса на новые домены зависит от сценария применения. Репозиторий распространяется по лицензии MIT.

Модель yainage90/fashion-image-feature-extractor разработана для извлечения признаков из изображений одежды. В её основе — microsoft/swin-base-patch4-window7-224 с добавленным полносвязным слоем, который уменьшает размер эмбеддинга до 128. Модель обучена контрастивным методом на парах изображений: область товара, обнаруженная на фотографии публикации, сопоставляется с миниатюрой соответствующего товара. Модель предназначена для визуального поиска одежды и сопоставления фотографий с изображениями товаров. Обучающие данные включают около 290 тысяч пар из наборов onthelook и kream для категорий верхней и нижней одежды, верхней одежды, обуви, сумок и головных уборов. Для работы с моделью нужна лицензия MIT. Метаданные определяют её задачу как классификацию изображений, однако описанный в README способ обучения ориентирован на получение признаковых векторов для поиска похожих товаров.

FitDiT — модель виртуальной примерки одежды на основе Diffusion Transformer (DiT), представленная авторами исследования FitDiT. Она переносит выбранную одежду на изображение человека, стремясь сохранить детали и внешний вид исходного предмета гардероба. В демонстрации процесс включает генерацию или настройку маски области примерки и последующую генерацию результата; можно выбрать разрешение обработки, по умолчанию 1152×1536 пикселей. Модель предназначена для визуализации одежды на человеке по изображениям человека и предмета одежды. Репозиторий содержит веса и код инференса; в метаданных перечислены форматы Diffusers, PyTorch, ONNX и Safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные работы на тех же условиях и запрещает коммерческое использование. Данные о поддерживаемых языках и длине контекста неприменимы к основному сценарию работы с изображениями.

Карточка модели jioezhong/IDM-VTON на Hugging Face совпадает с карточкой yisol/IDM-VTON, поэтому описание составлено по ней. IDM-VTON — модель для виртуальной примерки одежды на изображениях, официальная реализация работы «Improving Diffusion Models for Authentic Virtual Try-on in the Wild». Она дообучена на базе Stable Diffusion XL 1.0 Inpainting и предназначена для переноса одежды на изображение человека с сохранением естественного вида. Модель принимает изображения и выдаёт изменённое изображение; в репозитории представлены форматы Diffusers, ONNX, PyTorch и Safetensors. Карточка содержит демоверсию и код инференса, но обучение модели не описано. Лицензия CC BY-NC-SA 4.0 ограничивает использование условиями некоммерческого распространения и требует сохранять ту же лицензию для производных работ.

Карточка модели sox90/IDM-VTON-cubit на Hugging Face совпадает с карточкой yisol/IDM-VTON, поэтому описание составлено по ней. IDM-VTON — модель для виртуальной примерки одежды на изображениях, официальная реализация работы «Improving Diffusion Models for Authentic Virtual Try-on in the Wild». Она дообучена на базе Stable Diffusion XL 1.0 Inpainting и предназначена для переноса одежды на изображение человека с сохранением естественного вида. Модель принимает изображения и выдаёт изменённое изображение; в репозитории представлены форматы Diffusers, ONNX, PyTorch и Safetensors. Карточка содержит демоверсию и код инференса, но обучение модели не описано. Лицензия CC BY-NC-SA 4.0 ограничивает использование условиями некоммерческого распространения и требует сохранять ту же лицензию для производных работ.

Marqo-FashionCLIP — модель Marqo для поиска и сопоставления изображений одежды с текстом. Это дообученная версия CLIP ViT-B-16 из laion2b_s34b_b88k: Generalised Contrastive Learning позволяет учитывать не только описания, но и категории, стиль, цвета, материалы, ключевые слова и мелкие детали товаров. Модель принимает изображения и текст и сопоставляет их в общем пространстве признаков. Она предназначена для поиска товаров по текстовому запросу, подбора товаров по категории или подкатегории и классификации изображений по текстовым меткам без отдельного обучения на каждом наборе классов. В карточке приведены результаты на шести публичных модных датасетах; для этих задач Marqo-FashionCLIP показала более высокие усреднённые результаты, чем сравниваемые модели FashionCLIP2.0 и OpenFashionCLIP по большинству приведённых метрик. Модель доступна в форматах PyTorch, ONNX и safetensors, использует библиотеку OpenCLIP; в карточке также описан запуск через Transformers.js. Основной язык карточки — английский. Лицензия — Apache-2.0. Она предназначена для модных товаров, поэтому её результаты на других предметных областях не подтверждены приведёнными оценками.

Marqo-FashionSigLIP — мультимодальная модель эмбеддингов компании Marqo для поиска и сопоставления изображений и текстовых описаний товаров моды. Она дообучена на базе ViT-B-16-SigLIP (webli) с использованием Generalised Contrastive Learning: при обучении учитывались описания, категории, стиль, цвета, материалы, ключевые слова и мелкие детали товаров. Модель предназначена для поиска товаров по текстовому запросу или категории, а также для подбора похожих модных изделий по изображению. В README приведены результаты сравнения на шести общедоступных датасетах модной индустрии; авторы сообщают об улучшении MRR и recall относительно FashionCLIP. Модель поддерживает конвейер zero-shot классификации изображений и представлена в форматах PyTorch, Safetensors и ONNX; в карточке также описан запуск через OpenCLIP и Transformers.js. Лицензия — Apache-2.0. Модель специализирована на товарах моды, поэтому её результаты для других предметных областей не подтверждены приведёнными тестами; качество поиска зависит от соответствия запросов и изображений товарам и атрибутам, представленным при обучении.

sirabhop/mart-multilingual-semantic-search-miniLM-L12 — многоязычная модель Sentence Transformer, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для семантического поиска по товарам. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать косинусной мерой. Архитектура включает трансформер BERT и усредняющий токены pooling-слой, число параметров — 124,3 млн. Модель подходит для поиска похожих товарных запросов и карточек, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Обучение описано для набора из 243 060 примеров с якорными, положительными и отрицательными текстами и функцией TripletLoss. README сообщает максимальную длину последовательности 128 токенов; метаданные указывают контекст до 512 токенов. Базовая модель многоязычная, а примеры обучающих данных включают тайский язык. Лицензия в предоставленных данных не указана.

LamaDiab выпустила дообученную модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2. Это компактный плотный энкодер предложений с архитектурой BERT и 25,9 млн параметров: он преобразует текстовые фрагменты в нормализованные векторы размерности 384 для сравнения по косинусному сходству. Модель рассчитана на семантический поиск, оценку сходства предложений, поиск перефразировок, кластеризацию и классификацию текста; карточка описывает обучение на примерах товаров и категорий.

MODA-Fashion-CrossDomain — дообученный HopitAI визуальный энкодер для поиска похожих предметов одежды по изображениям. Он основан на архитектуре ViT-B/16-SigLIP с 203,2 млн параметров и выдаёт векторное представление размерности 768. Модель предназначена для поиска одного и того же товара между студийными фотографиями из интернет-магазинов и пользовательскими снимками с улицы, а также для междоменного поиска изображений одежды. По данным карточки, на LookBench модель достигает Fine Recall@1 66,52% и превосходит FashionSigLIP на 2,68 процентного пункта; обучение проводилось на 13 557 парах-триплетах без использования LookBench и без дистилляции. Репозиторий включает полную архитектуру CLIP с визуальной и текстовой частями, но описанный сценарий инференса преобразует изображение в эмбеддинг для поиска. Модель распространяется по лицензии MIT. Ее качество подтверждено прежде всего на задачах поиска одежды; карточка не заявляет о равной эффективности на других предметных областях.

Это производная версия MODA Fashion Distilled 512D от HopitAI, подготовленная для поиска похожих изображений одежды. Она сохраняет визуальный энкодер ViT-B/16 на основе SigLIP и проекцию MODA 768→512, а параметры текстовой части удалены. Модель принимает изображение размером 224 × 224 и выдаёт L2-нормированный вектор размерности 512 для поиска по косинусному сходству. Модель подходит для поиска похожих товаров в каталоге, сопоставления изображений, выявления дубликатов и визуальных рекомендаций. Её можно использовать для индексации изображений в векторной базе данных и построения API визуального поиска. Текстовые запросы, текстовые эмбеддинги и классификация по текстовым описаниям не поддерживаются. В репозитории около 93,3 млн сохранённых параметров в формате FP32 и Safetensors; модель использует библиотеку OpenCLIP. Независимые показатели качества для этой производной версии не приведены, поэтому результат следует оценивать на целевом каталоге. Качество может снижаться на нетипичных для моды изображениях, при плохом разрешении, перекрытии товара, неверной предобработке и визуальном отличии от обучающих данных. Лицензия — MIT.