IV.1Ритейл, электронная коммерция и fashion-tech

Это визуальная часть модели CLIP на базе архитектуры ConvNeXt Large с MLP-головой, предоставленная библиотекой timm. Веса обучены на данных LAION-2B и дополнительно настроены; обозначение soup указывает на объединение нескольких чекпойнтов. Репозиторий содержит только image encoder, поэтому модель принимает изображения и извлекает их признаки, а не формирует текстовые ответы. Модель предназначена для получения векторных представлений изображений, которые можно использовать для поиска по изображениям, сравнения визуального сходства и построения других систем анализа изображений. В метаданных указаны форматы PyTorch и safetensors, лицензия Apache-2.0. Размер модели, поддерживаемые языки и ограничения качества в предоставленных сведениях не описаны.

D-FINE Medium — модель компьютерного зрения для обнаружения объектов, разработанная авторами работы D-FINE и представленная в реализации для Transformers. Эта версия обучена на наборе Objects365 и предназначена для выявления объектов на изображениях с локализацией их рамками. Архитектура D-FINE уточняет регрессию координат рамок с помощью Fine-grained Distribution Refinement и Global Optimal Localization Self-Distillation; модель распространяется в формате Safetensors. Модель подходит для обнаружения объектов в системах видеонаблюдения, робототехнике, автономном вождении и розничной аналитике, включая сценарии реального времени и развертывание на периферийных устройствах. Для описанной версии указан набор Objects365; поддержка английского языка отражена в метаданных, но задача не требует текстового ввода. Модель распространяется по лицензии Apache-2.0.

Это англоязычный cross-encoder-реранкер для поиска товаров в интернет-магазинах, разработанный Alberto Barnabo. Модель оценивает релевантность пары «поисковый запрос — название товара» и повторно сортирует кандидатов, уже найденных поисковым движком. Её можно использовать со своим поисковым механизмом; карточка также описывает связку с отдельным эмбеддинг-рetriever’ом. Модель построена на BERT-архитектуре и дообучена на базе cross-encoder/ms-marco-MiniLM-L12-v2 на человеческих оценках релевантности товаров из Amazon ESCI. В метаданных указаны 40 млн параметров и контекст до 512 токенов; README приводит размер 33 млн параметров. Для ранжирования достаточно передавать названия товаров. По данным README, модель рассчитана на CPU-инференс: обработка 50 кандидатов занимала около 45 мс на ноутбуке Apple M-серии. На отложенном тесте ESCI реранжирование повышало nDCG@10 связки с указанным в README поисковым механизмом с 0,4349 до 0,5162. Оценки модели подходят для упорядочивания и относительных порогов, но не интерпретируются как вероятности релевантности. Модель обучена на английских запросах и каталоге Amazon; перенос на другие языки и товарные каталоги не оценён. Она обучалась на названиях, поэтому для скоринга следует подавать названия, а не полные описания товаров. Лицензия — Apache-2.0.

EVA-02 Large Patch14 448 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Чекпойнт опубликован для библиотеки timm; обучение выполнили авторы статьи EVA-02. Модель предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, затем дообучена на ImageNet-22k и ImageNet-1k. Архитектура — Vision Transformer с mean pooling, SwiGLU, Rotary Position Embeddings и дополнительной нормализацией в MLP. В модели около 305 млн параметров; она обрабатывает изображения размером 448 × 448. В сравнении из карточки точность top-1 на ImageNet-1k составляет 89,946%, а top-5 — 99,01%. Чекпойнт timm сохранён в float32; доступны форматы PyTorch и safetensors. Модель подходит для распознавания объектов и категорий на изображениях, а также как визуальный backbone или источник эмбеддингов. Для использования весов действует лицензия MIT. Результаты могут зависеть от предобработки изображений и набора категорий; модель обучена на ImageNet и не гарантирует надёжность на специализированных или существенно отличающихся от него данных.

fastvit_mci2.apple_mclip2_dfndr2b — модель семейства MobileCLIP v2, подготовленная для библиотеки timm. Это только визуальный энкодер, соответствующий изображённой части MobileCLIP v2; модель обучена на наборе данных DFNDR-2B. Модель предназначена для извлечения признаковых представлений изображений, например для поиска похожих изображений и построения систем сопоставления визуальных данных. Доступная карточка не описывает текстовый энкодер, размеры модели или контекст. Распространяется по лицензии apple-amlr.

FireRed-Image-Edit-1.0-8bit — это 8-битная версия модели FireRed-Image-Edit-1.0 от FireRedTeam, подготовленная prithivMLmods. Она использует диффузионную архитектуру для редактирования изображений по текстовым инструкциям; модель работает через Diffusers и рассчитана на уменьшение требований к памяти и ускорение вывода по сравнению с исходной версией. Модель предназначена для восстановления фотографий, добавления и изменения объектов, переноса стиля, виртуальной примерки одежды по нескольким изображениям и редактирования текста с учётом его расположения на изображении. В README также заявлены сохранение идентичности объектов и точности текста при редактировании. Для работы с моделью указана библиотека Diffusers, а лицензия — Apache-2.0; условия исходной модели распространяются и на эту версию.

Image Quality Fusion Model — модель оценки качества и эстетической привлекательности изображений, разработанная Matthewyuan. Она объединяет признаки BRISQUE для выявления размытия, шума и артефактов с эстетическими и семантическими признаками Aesthetic Predictor и CLIP. Сеть прямого распространения с остаточными связями, содержащая около 2,1 млн параметров, выдаёт оценку от 1 до 10; изображения для CLIP приводятся к размеру 224×224. Модель дообучена на базе openai/clip-vit-base-patch32 и оценивалась на фотографиях смартфонов SPAQ; метаданные указывают библиотеку PyTorch и лицензию MIT. Модель подходит для автоматической сортировки и фильтрации фотоколлекций, проверки пользовательских и товарных снимков, а также для помощи при выборе фотографий. На SPAQ заявлены корреляция с человеческими оценками 0,520 и средняя абсолютная ошибка 1,41 балла. Основные ограничения — ориентация на смартфонную фотографию, субъективность эстетических оценок и возможные смещения обучающих данных; качество следует проверять на целевом наборе изображений.

clapAI разработала mmBERT-small-multilingual-sentiment — мультиязычную модель классификации тональности на основе энкодера ModernBERT. Модель дообучена на датасете clapAI/MultiLingualSentiment и предназначена для определения тональности текстов, включая отзывы о товарах и местах. Модель содержит около 140,5 млн параметров, принимает последовательности длиной до 8192 токенов и поддерживает более 16 языков, в том числе английский, русский, китайский, вьетнамский, французский, испанский, немецкий, итальянский, японский, корейский и арабский. На тестовой выборке указанного датасета авторы сообщают результат F1 = 82,2. Для ускорения вывода на совместимых GPU заявлена поддержка FlashAttention-2. Модель подходит для автоматической сортировки и анализа отзывов на нескольких языках. Результат зависит от тематики и языка текста; показатели из карточки получены на конкретном тестовом наборе. Лицензия — MIT.

Карточка модели OpenOneRec/OneRec-8B-pro на Hugging Face совпадает с карточкой OpenOneRec/OneRec-1.7B, поэтому описание составлено по ней. OneRec-1.7B — модель генеративных рекомендаций из семейства OpenOneRec, разработанного авторами проекта OpenOneRec. Она основана на плотной архитектуре Qwen3 и содержит около 1,8 млрд параметров. Модель предназначена для рекомендаций коротких видео, рекламы и товаров, а также для понимания пользовательских предпочтений, предсказания меток, диалоговых рекомендаций и объяснения рекомендаций. В модели история взаимодействий представляется последовательностью специальных Itemic Tokens, созданных с помощью иерархической векторной квантизации. По README, обучение включало совместное предварительное обучение, настройку на инструкции, дистилляцию и обучение с подкреплением. Модель работает с текстовым вводом и генерирует текст; контекст составляет до 40 960 токенов. README сообщает о результатах на RecIF-Bench и переносе на наборы Amazon, но практические инструкции по запуску ещё готовятся. Лицензия — Apache-2.0.

Vietnamese Product E5 Small — модель эмбеддингов на базе SentenceTransformer, дообученная автором trantuan1701 для поиска товаров на вьетнамском языке. Она сопоставляет короткие поисковые запросы с более длинными описаниями товаров и предназначена для построения семантического поиска и извлечения товаров по запросу. Модель основана на intfloat/multilingual-e5-small и обучена с MultipleNegativesRankingLoss на 15 000 парах «запрос — документ» и 1 000 описаниях товаров. Максимальная длина последовательности — 512 токенов. Репозиторий содержит веса Safetensors; использовать модель можно через библиотеку Sentence Transformers. README отмечает, что значение validation loss служит только диагностикой обучения. Для оценки качества поиска перед выбором модели рекомендуется измерить Recall@K, MRR и NDCG. Условия лицензии в предоставленных данных не указаны.

Vietnamese Product Granite 97M — дообученная модель SentenceTransformer для поиска товаров по-вьетнамски. Она сопоставляет короткие поисковые запросы с более длинными описаниями товаров и выдаёт эмбеддинги для поиска по сходству. Модель основана на IBM Granite Embedding 97M Multilingual R2 и использует архитектуру ModernBERT; размер — 97,4 млн параметров. Метаданные указывают контекст до 32 768 токенов, а в обучении максимальная длина последовательности составляла 512 токенов. Модель дообучена на 15 000 парах «запрос — документ» и 1 000 описаниях товаров с функцией потерь MultipleNegativesRankingLoss. Её можно использовать для семантического поиска и извлечения товаров по коротким запросам, в том числе в асимметричной схеме, где запросы короче документов. README рекомендует оценивать качество по Recall@K, MRR и NDCG: приведённая ошибка валидации является лишь диагностикой обучения и не заменяет бенчмарк. Лицензия в предоставленных данных не указана.

muskannnnn/Prototype — дообученная на BAAI/bge-m3 модель Sentence Transformers на базе XLM-RoBERTa, разработанная автором репозитория muskannnnn. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерностью 1024 для семантического поиска и извлечения релевантных документов. Косинусное сходство между векторами можно использовать для ранжирования текстов по смысловой близости. Модель обучена на 6 133 парах текстов с функцией MultipleNegativesRankingLoss; примеры данных относятся к названиям товаров. Максимальная длина последовательности — 8 194 токена. Подходит для поиска похожих товарных наименований и построения текстового retrieval-пайплайна. Данные не позволяют установить полный список поддерживаемых языков или лицензионные условия; качество вне сценариев, представленных обучающими примерами, не подтверждено.

Это LoRA-адаптер для Qwen-Image-Edit-2509, опубликованный dx8152. Он предназначен для преобразования изображений объектов на белом фоне в композиции с описанным окружением: пользователь добавляет триггер «白底图转场景» и текстовое указание сцены, например размещение автомобиля на улице. Адаптер нужно использовать вместе с базовой моделью Qwen/Qwen-Image-Edit-2509; обучение автор выполнил через сервис ModelScope. Модель принимает изображение и текстовую инструкцию и выдаёт отредактированное изображение. В репозитории указаны веса safetensors и лицензия Apache-2.0. Карточка не сообщает размер адаптера, контекст или количественные оценки качества; заявленная автором высокая производительность не сопровождается результатами оценки.

Qwen-Image-Edit-Outfit-2511-SFT — полно-параметрическая донастройка модели Qwen/Qwen-Image-Edit-2511, предназначенная для виртуальной примерки одежды. Она принимает фотографию человека и изображение предмета одежды и редактирует снимок, чтобы показать одежду на этом человеке. Обновлялись только веса трансформера DiT; текстовый энкодер, VAE, токенизатор, процессор и планировщик унаследованы от базовой модели. Размер обучаемой части — 20,43 млрд параметров, формат весов — BF16; для запуска предусмотрен пайплайн QwenImageEditPlusPipeline из diffusers. Модель рассчитана на исследования редактирования изображений и виртуальной примерки одежды. В обучении использовались синтетические пары для редактирования нарядов и изображения VITON-HD. README указывает на возможное изменение деталей одежды и внешности человека, поэтому результаты следует проверять на отдельной выборке. Коммерческое использование запрещено; лицензия указана как other, а README связывает ограничение с некон коммерческими условиями исходных данных и требует атрибуции Qwen-Image-Edit-2511 и VITON-HD/IDM-VTON.

yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask — модель на архитектуре T5 для многозадачного анализа тональности на китайских и английских текстах. Разработчик дообучил её на нескольких наборах данных для анализа тональности; часть данных была сгенерирована ChatGPT. Модель содержит около 385,7 млн параметров и распространяется в формате PyTorch для библиотеки Transformers. Модель извлекает из текста объекты, мнения, аспекты и полярность тональности, выдавая их в структурированном текстовом формате. Можно задавать аспекты для анализа, например товары, доставку, продавца или платформу, а также управлять длиной формулировки мнения. При необходимости модель может заполнить отсутствующий в исходном тексте объект предположением. Карточка не сообщает лицензию. Качество извлечения и обобщения мнений может зависеть от формулировки входного текста; режимы с сокращением или дополнением объектов способны привести к результатам, которых нет в исходнике. Контекстное окно и отдельные оценки качества в доступных сведениях не приведены.

TimesFM — предварительно обученная фундаментальная модель для прогнозирования временных рядов, разработанная Google Research. Репозиторий содержит чекпойнт timesfm-1.0-200m в формате PyTorch; модель использует архитектуру декодера только для прогнозирования временных рядов и насчитывает около 200 млн параметров согласно идентификатору чекпойнта. Модель предназначена для прогнозирования одномерных временных рядов. Она принимает контекст длиной до 512 временных точек, категориальный индикатор частоты и выдаёт точечный прогноз на заданный горизонт. Контекст должен быть непрерывным, а частота входного ряда и горизонта — одинаковой. Вероятностные прогнозы не поддерживаются; экспериментальные квантильные выходы не откалиброваны после предварительного обучения. Для загрузки чекпойнта используется библиотека TimesFM. Лицензия — Apache 2.0. Авторы отмечают, что модель не является официально поддерживаемым продуктом Google.

Trendyol LLM v4.1.0 — чат-модель генерации текста, разработанная Trendyol на базе Trendyol LLM base v4.0. Базовая версия продолжительно обучалась на Qwen2.5 7B на 13 млрд токенов; версия v4.1.0 предназначена для диалогового использования. Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель ориентирована на сценарии электронной коммерции: генерацию описаний товаров, извлечение атрибутов и тегов, определение категорий, суммирование, диалоги о моде, интерпретацию предпочтений по действиям пользователя и ответы с использованием RAG. Она поддерживает турецкий язык и интерфейс вызова функций, однако эта возможность обозначена как частично реализованная. Также заявлена поддержка английского языка. README предупреждает, что модель не прошла широкую проверку в реальных приложениях и может выдавать неточную, предвзятую или вредоносную информацию; для разговорной речи и языков, отличных от английского и турецкого, качество может быть ограничено. Для публичных сценариев рекомендуется проверка результатов человеком и тестирование под конкретное приложение. Модель распространяется по лицензии Apache 2.0.

TTM-R3 — семейство предварительно обученных моделей TinyTimeMixer от IBM Research для прогнозирования временных рядов. Модели рассчитаны на прогнозирование без дообучения на новых наборах данных, адаптацию на небольшом числе примеров, полное дообучение под конкретную область, а также работу с многомерными рядами и дополнительными управляющими переменными. Архитектура использует mixer-блоки с GLU-гейтингом, многомасштабным временным слоем и FFT-эмбеддингами вместо затратного self-attention. В README описаны разложение тренда и остатка, трёхэтапное и student-teacher предобучение и вероятностная голова с несколькими квантилями. Репозиторий содержит веса в формате safetensors; в метаданных указано 2,3 млн параметров. Модель предназначена для быстрого пакетного и малозадержечного прогнозирования, включая CPU-развёртывание. Модель ориентирована на временные ряды, поэтому естественный язык не является основным входом. README заявляет высокую скорость и конкурентные результаты на GIFT-Eval, но рецепты использования и статья TTM-R3 пока не опубликованы. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует указания авторства и распространения производных материалов на тех же условиях.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков, опубликованная в библиотеке timm. Её предварительно обучили на парах изображение–текст WIT-400M с помощью CLIP, а затем дообучили на ImageNet-1k. Модель содержит около 86,9 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации объектов на изображениях и получения эмбеддингов для визуального поиска или последующей обработки. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель принимает изображения и выдаёт классы или векторы признаков. Карточка не описывает поддержку текстовых входов в этой версии модели.

Это визуальный энкодер SigLIP из библиотеки timm, разработанный для извлечения признаков изображений. Модель использует архитектуру ViT-Large с патчами 16×16 и входным разрешением 256 пикселей; в карточке указано, что сохранён оригинальный механизм attention pooling. Это только image encoder, без текстового энкодера. Векторы признаков можно использовать для поиска изображений по сходству, кластеризации и как входные представления для последующих моделей. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

vit_pe_spatial_base_patch16_512.fb — модель компьютерного зрения из экосистемы timm, опубликованная в формате, совместимом с PyTorch и Transformers. По идентификатору это базовая Vision Transformer-модель с пространственными позиционными представлениями и разбиением изображений на патчи размером 16 пикселей; суффикс 512 указывает на вариант, рассчитанный на входное разрешение 512 пикселей. Модель предназначена прежде всего для извлечения признаков изображений: получения векторных представлений, которые можно использовать в системах поиска по изображениям, классификации, кластеризации, сравнения визуальной схожести и как основу для последующего обучения прикладных моделей. Она не является готовым генератором текста или универсальной моделью для ответов на вопросы по изображениям. Модель распространяется под лицензией Apache-2.0. Сведения о поддерживаемых естественных языках, количестве параметров, длине контекста и специализированных предметных областях в предоставленных данных отсутствуют.

timm/vit_small_patch14_dinov2.lvd142m — модель извлечения признаков изображений на базе Vision Transformer (ViT), опубликованная командой timm. Она предварительно обучена на наборе LVD-142M с помощью метода самообучения DINOv2. Модель содержит около 22,1 млн параметров, использует изображения размером 518 × 518 и может служить основой для классификации изображений и получения их эмбеддингов. Модель предназначена для преобразования изображений в визуальные признаки, которые можно использовать в системах поиска по изображениям, кластеризации и последующей классификации. Репозиторий поддерживает форматы PyTorch и Safetensors; библиотека для работы с моделью — timm. Лицензия Apache-2.0.

Карточка модели CollectionStudio/chronos-t5-large на Hugging Face совпадает с карточкой amazon/chronos-t5-large, поэтому описание составлено по ней. Chronos-T5 Large — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовой ряд в последовательность токенов с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения вероятностных прогнозов. Для оценки будущего модель генерирует несколько возможных траекторий, что позволяет получить распределение прогнозов с учётом исторического контекста. Модель содержит 356,5 млн параметров, использует архитектуру T5 и библиотеку chronos-forecasting; в метаданных указан контекст 512 токенов. Она предназначена для прогнозирования временных рядов на основе больших корпусов открытых рядов и синтетических данных, созданных с помощью гауссовских процессов. Доступна в формате safetensors. Модель подходит для сценариев планирования и анализа, где нужны прогнозы будущих значений и оценка неопределённости. README отмечает, что более новые Chronos-Bolt и исходные модели Chronos доступны для развертывания через Amazon SageMaker JumpStart; для Chronos-Bolt заявлены более высокая точность и скорость, поэтому стоит учитывать наличие более новых вариантов. Лицензия — Apache-2.0.

Это модель классификации изображений ConvNeXt Base, разработанная Ross Wightman в библиотеке timm. Визуальная часть CLIP предварительно обучена в OpenCLIP на данных LAION-Aesthetic, после чего модель дообучена на ImageNet-1k. Модель содержит 88,6 млн параметров и рассчитана на изображения размером 384 × 384. Помимо классификации, её можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В карточке приведены результаты на ImageNet-1k: top-1 точность 85,8% и top-5 точность 97,9%. Модель предназначена для задач компьютерного зрения общего назначения, включая распознавание объектов на изображениях и получение визуальных признаков для последующих систем. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Ограничение входного размера и стоимость вычислений следует учитывать при обработке больших потоков изображений.

Это публичная копия модели DINOv3 ViT-S/16, разработанной Meta AI и обученной на веб-данных LVD-1689M. Модель представляет собой зрительный backbone на базе Vision Transformer с патчами размером 16 пикселей; она содержит 28,3 млн параметров и выдаёт токен класса, патч-токены и register-токены для входного изображения. Модель предназначена для извлечения плотных визуальных признаков и использования в задачах компьютерного зрения: поиска похожих изображений, классификации, сегментации, оценки глубины и обнаружения объектов. Изображения большего размера допустимы при условии, что их размеры кратны 16; иначе модель обрезает изображение до ближайшего меньшего подходящего размера. Карточка сообщает о различиях качества между регионами и группами доходов, а дообучение может усилить смещения признаков. Распространяется по лицензии DINOv3 License.

Это неофициальная упаковка DreamSim в формате Hugging Face Transformers от автора репозитория bigshanedogg. Модель оценивает перцептивное сходство изображений: извлекает признаки из двух изображений, после чего расстояние можно вычислить как 1 минус косинусное сходство эмбеддингов. Ансамбль объединяет три адаптированных с помощью LoRA бэкбона ViT-B/16: DINO, CLIP и OpenCLIP. Он формирует нормализованный вектор признаков размерности 1792. Процессор изменяет размер изображения до 224×224 пикселей; веса хранятся в формате safetensors. README сообщает о совпадении результатов с официальным пакетом DreamSim на 1000 изображениях с расхождением лишь на уровне округления float32. Модель предназначена для сравнения визуального сходства, поиска похожих изображений и задач оценки перцептивной близости. Лицензия порта и исходных весов DreamSim — MIT; код бэкбона DINO распространяется по Apache-2.0. Для коммерческого использования следует также учитывать условия, связанные с весами CLIP и OpenCLIP и происхождением данных LAION.

english-image-caption-blip — дообученная модель BLIP на основе Salesforce/blip-image-captioning-base для генерации англоязычных подписей к изображениям. Она принимает изображение и выдаёт текстовое описание его содержимого; архитектура реализована классом BlipForConditionalGeneration и использует визуальный энкодер ViT Base. Модель предназначена для автоматического создания кратких подписей к изображениям и может использоваться в системах каталогизации и поиска по визуальному содержимому. Карточка не раскрывает обучающий датасет и не приводит подробностей о качестве, поэтому результаты оценки из README (loss 2.0130 и token accuracy 0.0696) сами по себе не позволяют судить о практической точности подписей. Лицензия — BSD 3-Clause.

Модель touchtech/fashion-images-gender-age-vit-large-patch16-384-v1 — дообученная Touchtech модель Vision Transformer для классификации изображений. Она основана на google/vit-large-patch16-384, содержит 402,7 млн параметров и дообучена на датасете touchtech/fashion-images-gender-age. Модель предназначена для определения категорий, связанных с полом и возрастом, на изображениях модной одежды. В README для тестовой выборки указаны точность 0,9951 и значение loss 0,0306. Модель принимает изображения и выдаёт метки классов. Она распространяется в формате safetensors по лицензии Apache-2.0. Подробные сведения о составе классов, методике оценки и ограничениях применения в карточке не приведены.

BaxterAI разработала модель классификации текста на основе DistilBERT и дообучила её на distilbert-base-uncased с использованием набора данных amazon_polarity. Модель предназначена для определения тональности отзывов Amazon: она классифицирует текст по полярности. В карточке указаны результаты на оценочной выборке: accuracy 0,9225 и F1 0,9241. Модель использует PyTorch и рассчитана на контекст до 512 токенов. Лицензия — Apache-2.0.

HIVE-3D — набор обученных компонентов для построения 3D-объектов по изображению на основе microsoft/TRELLIS-image-large. В репозитории находятся разреженная flow-модель denoiser с IP-Adapter и latent_projector; компоненты обучены до шага 200000 и распространяются в формате safetensors. Для сборки классов модели и запуска полного конвейера требуется исходный код HIVE-3D, а веса TRELLIS загружаются отдельно из официального репозитория. Модель предназначена для преобразования входного изображения в 3D-объект. Для полного конвейера требуется NVIDIA GPU с поддержкой CUDA; рекомендуется не менее 16 ГБ видеопамяти. Базовая модель TRELLIS распространяется по лицензии MIT; лицензия компонентов HIVE-3D в предоставленных сведениях не описана.