IV.1Ритейл, электронная коммерция и fashion-tech

LLMDet tiny — вариант детектора объектов с открытым словарём, разработанный авторами работы LLMDet. Модель основана на MM Grounding DINO и улучшена совместным обучением с большой языковой моделью; версия для вывода не содержит языковую модель, использованную при обучении. Для инференса применяется так же, как MM Grounding DINO. Модель предназначена для обнаружения объектов по текстовым описаниям и запросам без необходимости ограничиваться заранее заданным набором классов. Она обучалась на Objects365v1, GOLD-G, GRIT, V3Det и GroundingCap-1M; в карточке приведены результаты оценки на LVIS. Доступны веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Это модель SetFit для классификации текстовых описаний товаров по 598 классам. Разработчик в карточке не назван; модель создана с использованием метода few-shot learning: сначала дообучен Sentence Transformer на контрастивных примерах, затем обучен классификатор LogisticRegression. В метаданных указаны архитектура XLM-RoBERTa, 305,2 млн параметров и формат safetensors. Модель предназначена для отнесения названий и описаний товаров к категориям электронной торговли. Примеры меток и текстов показывают товары из корейских магазинов и площадок, включая продукты питания и хозяйственные категории. Максимальная длина последовательности — 512 токенов; примеры и метки в карточке преимущественно на корейском языке. Для запуска требуется библиотека SetFit. Карточка не указывает лицензию, поэтому условия использования определить нельзя. Классификация ограничена обученными 598 классами и тематикой товарных категорий, представленной в примерах.

MaxViT Tiny TF 384 IN1K — модель классификации изображений из семейства MaxViT, обученная авторами исходной работы на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Архитектура сочетает блок MBConv и два блока self-attention с разбиением на окна и сетку. Модель содержит около 31 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Модель предназначена для определения категорий объектов на изображениях и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. В карточке указана оценка top-1 83,8% и top-5 96,2% на ImageNet-1k. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

Компактная модель для автоматического создания текстовых подписей к изображениям. Разработчик объединил bert-mini и vit-small в архитектуре vision-encoder-decoder; размер модели составляет около 130 МБ. Модель предназначена для быстрого запуска на CPU и генерирует подписи на английском языке. Подходит для краткого описания изображений и автоматического добавления подписей в приложения или каталоги. Распространяется по лицензии Apache-2.0.

ObjEmbed-2B — мультимодальная модель эмбеддингов на основе семейства Qwen3-VL, предназначенная для сопоставления областей изображения с текстовыми описаниями. Она формирует отдельные представления объектов и всего изображения за один проход: объектные эмбеддинги кодируют семантическое сходство, а IoU-эмбеддинги оценивают качество локализации. Модель подходит для визуального поиска по отдельным объектам и целым изображениям, а также для визуального заземления текста на области изображения. Карточка не сообщает размер модели и поддерживаемые языки. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

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.

Карточка модели OpenOneRec/OneRec-1.7B-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.

Карточка модели OpenOneRec/OneRec-8B 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.

Qdrant подготовила ONNX-порт модели microsoft/resnet-50 для классификации изображений и поиска похожих изображений. Модель использует архитектуру ResNet-50; карточка предлагает запускать её для инференса через FastEmbed. Модель подходит для присвоения изображению класса и поиска визуально похожих изображений. Лицензия — Apache-2.0.

AnkitAI/reviews-roberta-base-sentiment-analysis — дообученная модель RoBERTa для определения тональности отзывов Amazon. Она создана на основе cardiffnlp/twitter-roberta-base-sentiment-latest и использует классификационную голову для бинарной классификации: положительная или отрицательная тональность. Модель подходит для автоматической разметки отзывов и анализа мнений покупателей. Архитектура RobertaForSequenceClassification содержит 151,8 млн параметров, максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт метку класса; карточка указывает английский язык. Доступны веса в форматах Safetensors и OpenVINO. Модель распространяется по лицензии MIT. Карточка описывает дообучение на Amazon Reviews, но не приводит метрики качества; результаты на других жанрах текста могут отличаться.

SegFormer B3 — модель семантической сегментации изображений, дообученная sayeed99 на наборе ATR для выделения одежды и частей человеческой фигуры. Она размечает пиксели 18 классами: фоном, предметами одежды и аксессуарами, волосами, лицом и частями тела; подходит для анализа фотографий людей и задач human parsing. В README приведены оценки на тестировании: средняя точность 0,80 и средний IoU 0,69. Точность зависит от класса: например, для волос IoU составляет 0,82, а для шляп — 0,68. Модель предназначена для изображений; сведения о поддерживаемых естественных языках и размере входа в предоставленных данных отсутствуют. Репозиторий использует формат safetensors и распространяется по лицензии MIT.

1038lab/segformer_clothes — модель семантической сегментации изображений на архитектуре SegFormer, опубликованная 1038lab. Она предназначена для выделения областей одежды на изображениях, например для разбора одежды на отдельные сегменты в приложениях обработки изображений и моды. Модель содержит 47,2 млн параметров; веса опубликованы в формате Safetensors и типе F32. Карточка Hugging Face не содержит описания модели. Доступные сведения подтверждают задачу сегментации одежды, но не уточняют набор классов, данные обучения или поддерживаемое разрешение изображений. Лицензия в доступных данных не указана.

Sundial (Timer 3.0) — генеративная фундаментальная модель временных рядов, разработанная командой THUML. Версия с 113,2 млн параметров предварительно обучена на более чем 1 трлн временных точек и предназначена для прогнозирования временных рядов, в том числе без дополнительного обучения на конкретном наборе данных. Модель поддерживает точечные и вероятностные прогнозы: по сгенерированным вариантам можно получать средние значения, квантили и другие статистические оценки. Архитектура включает decoder-only Transformer с причинной маской и патчевым представлением входных рядов; README описывает контекст до 2880 временных шагов и предсказание до 720 шагов. Каталог указывает контекст 10 000 токенов, поэтому фактический предел зависит от используемого представления и конфигурации. Sundial рассчитана на прогнозирование в разных прикладных областях, где доступны числовые временные ряды. Для удобства инференса заявлены KV cache и FlashAttention; модель доступна в формате safetensors и интегрирована в Transformers. Лицензия — Apache-2.0. Результаты бенчмарков из README не гарантируют такую же точность на конкретных данных; совместимость Quickstart привязана к указанной версии Transformers и Python.

Tafsut Univariate Base — трансформерная модель семейства Tafsut для вероятностного прогнозирования одномерных временных рядов. Модель разработана авторами проекта Tafsut и рассчитана на прогнозирование новых рядов без дообучения на каждом из них. В метаданных указано около 115,6 млн параметров; README описывает архитектуру с патчами по 32 наблюдения, 14 блоками трансформерного энкодера, RMS-подобной нормализацией и позиционными RoPE-встраиваниями. На вход подаётся история скалярных наблюдений, на выходе — девять квантилей от 0,1 до 0,9 для каждого будущего шага, включая медианный прогноз и диапазон неопределённости. Поддерживается контекст до 32 768 наблюдений, пропуски можно представлять как NaN. Модель подходит для прогнозирования отдельных рядов из разных прикладных областей; README приводит оценку на наборах GIFT-Eval. Модель работает только с одномерными рядами: она не использует ковариаты, внешние переменные или взаимосвязи между рядами. Контексты длиннее 32 768 наблюдений обрезаются; при горизонте свыше 1 024 шагов медианные прогнозы повторно подаются модели как контекст. Лицензия — MIT.

TimeBraid-2.5B — мультимодальная модель, разработанная для совместной работы с числовыми временными рядами и естественным языком. Она объединяет языковую основу Qwen3-1.7B, временной ряд TimesFM 2.5 200M и обученные слои слияния; всего в модели около 2,5 млрд параметров. Репозиторий содержит обе основы, поэтому отдельный чекпойнт TimesFM для вывода не требуется. Модель описывает тенденции и закономерности в наблюдаемых рядах, отвечает на вопросы и сравнивает несколько рядов. Для прогнозирования она использует историю числовых значений и дополнительный текстовый контекст, например сведения о предстоящей акции. Вход передаётся через процессор Hugging Face как числовые массивы и сообщения; результатом может быть текст или числовой прогноз. Для запуска автор рекомендует Linux, Python 3.11, CUDA 12.8 и совместимый с FlashAttention-2 GPU NVIDIA. Модель распространяется по лицензии Apache-2.0.

TimesFM 2.5 200M — предварительно обученная модель временных рядов для прогнозирования, разработанная Google Research. Это третий открытый чекпойнт семейства TimesFM; модель имеет архитектуру декодера и содержит 229,4 млн параметров. В репозитории представлены веса в формате safetensors, для работы используется библиотека timesfm. Модель предназначена для прогнозирования временных рядов. При предобучении использовались набор GiftEvalPretrain, просмотры страниц Wikimedia, данные Google Trends, а также синтетические и дополненные данные. Чекпойнт не является официально поддерживаемым продуктом Google; официальную поддержку Google указывает для TimesFM в BigQuery. Лицензия — Apache 2.0.

TLive-Omni-9B — мультимодальная модель понимания прямых трансляций в электронной торговле от TaoLiveAIGC. Она принимает текст, изображения, аудио и видео и формирует текстовые ответы; предназначена для анализа эфиров и мультимодальных вопросов и ответов. Модель построена на основе Qwen3.5 с аудиоэнкодером AuT, подключённым через MLP-адаптер, и поддерживает контекст до 256 тысяч токенов. Обучение включало три этапа SFT и последующую донастройку с подкреплением Faithful-RFT. Среди заявленных возможностей — распознавание речи, анализ говорящих, визуальная привязка товаров, распознавание текста на изображениях, временная привязка событий, подробное описание видео и мультимодальные ответы на вопросы. Интерфейс вывода единый текстовый; временная сетка помогает согласовывать аудио- и видеосегменты в длинных эфирах. Для запуска карточка описывает окружение Python 3.10, Linux x86_64, CUDA 12.8 и PyTorch 2.10.0. Лицензия — Apache-2.0.

FoxBaze/Try_On_Qwen_Edit_Lora_Alpha — альфа-версия LoRA-адаптера, разработанная FoxBaze для базовой модели Qwen/Qwen-Image-Edit. Модель предназначена для многореференсной виртуальной примерки одежды: на вход подаётся одно изображение человека, предпочтительно полноформатное, и несколько изображений предметов одежды; на выходе формируется стилизованное изображение человека в одежде со всех референсов. Рекомендуемые текстовые запросы уточняют пол человека и указывают использовать каждый предмет одежды с нижнего ряда изображения. Адаптер рассчитан на работу с image-to-image pipeline и библиотекой Diffusers, а использовать его можно, в частности, через ComfyUI с предоставленным workflow. Рекомендованы разрешение 832×1248, 30 шагов, CFG 2.5, сэмплер Euler и планировщик Simple; также приведён ряд альтернативных разрешений. Адаптер обучен с помощью Ostris ai toolkit. Данные о точном размере, архитектуре LoRA, поддерживаемых языках и длине контекста не указаны. Модель специализирована на многогарментной примерке и может хорошо подходить для визуализации комплектов одежды при наличии качественных изображений одежды. Она ограниченно обобщается на другие задачи редактирования изображений, требует точного согласования запроса и испытывает трудности при использовании пяти и более предметов одежды. 4- и 8-шаговые lightning-LoRA, согласно README, работают с этим адаптером неудовлетворительно. Модель распространяется по лицензии Apache-2.0.

timm/vit_base_patch16_siglip_256.webli — визуальный энкодер SigLIP, опубликованный проектом timm. Это вариант ViT-Base с патчами 16×16 и входным разрешением 256 пикселей; он выдаёт признаки изображения для поиска, сопоставления и других задач компьютерного зрения. В карточке указано, что сохранён оригинальный механизм attention pooling; модель содержит только энкодер изображения. Модель предназначена для извлечения визуальных признаков из изображений и использования их в системах поиска и анализа изображений. Репозиторий содержит веса PyTorch в формате safetensors и использует библиотеку timm. Лицензия — Apache-2.0.

timm/vit_small_patch16_224.dino — модель извлечения признаков изображений на основе Vision Transformer (ViT), разработанная командой timm. Она обучена методом самообучения DINO на ImageNet-1k и может использоваться как визуальный backbone для получения эмбеддингов и как основа для классификации изображений. Архитектура ViT-Small обрабатывает изображения размером 224 × 224 пикселя; модель содержит около 21,7 млн параметров и требует 4,3 GMACs на проход. Модель подходит для построения эмбеддингов изображений, поиска похожих изображений и задач классификации с отдельной классификационной головой. Репозиторий содержит веса PyTorch и SafeTensors; доступна библиотека timm. Лицензия — Apache-2.0. Модель работает с изображениями и сама по себе не предназначена для понимания или генерации текста.

YanoljaNEXT-Rosetta-12B — языковая модель Yanolja NEXT, дообученная на базе google/gemma-3-12b-pt. Это плотная decoder-only модель архитектуры Gemma 3 с 11,6 млрд параметров; для текстовой генерации используется компонент Gemma3ForCausalLM. Модель предназначена для перевода структурированных данных в формате JSON с сохранением исходной структуры. Модель обучалась на многоязычных данных, включая AI Hub и Europarl. Основные сценарии — локализация каталогов товаров, перевод отзывов об отелях и других структурированных материалов. В README приведён результат CHrF++ 34,75 для перевода с английского на корейский в тесте WMT24++. Модель поддерживает английский, испанский, французский, немецкий, португальский, японский, корейский, китайский, арабский, русский и хинди; контекстное окно — до 131 072 токенов. Лицензия — Gemma. Основное ограничение: модель оптимизирована для JSON, а качество на обычном тексте и других форматах может различаться.

keremberke/yolov8m-shoe-classification — модель компьютерного зрения на архитектуре YOLOv8, опубликованная keremberke и предназначенная для классификации изображений обуви по бренду. Она различает три класса: adidas, converse и nike. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics; карточка указывает датасет keremberke/shoe-classification. Модель подходит для автоматической сортировки фотографий обуви по этим трём брендам и для демонстрационных сценариев классификации изображений. Данных о размере модели, языках или лицензии в предоставленных источниках нет.

ZwZ-7B — мультимодальная модель восприятия изображений, разработанная inclusionAI на базе Qwen2.5-VL-7B-Instruct. Она дообучена с помощью дистилляции Region-to-Image и обучения с подкреплением, чтобы точнее распознавать мелкие детали на изображении за один проход, без увеличения отдельных областей во время вывода и без вызова инструментов. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текстовые запросы, выдавая текстовые ответы. Контекст — до 128 000 токенов; в карточке указан английский язык. Модель предназначена для визуальных вопросов и ответов, подсчёта объектов, OCR, определения цветов и структурных или материальных характеристик, а также идентификации объектов. По заявлению авторов, она показывает высокие результаты среди открытых моделей на базе Qwen2.5-VL-7B в задачах детального восприятия. Для общего мультимодального понимания в некоторых случаях предпочтительнее базовая модель; для изображений очень высокого разрешения важно подходящее предварительное преобразование. Лицензия — Apache 2.0.

Модель NihalSrivastava/advertisement-description-generator разработана Nihal Srivastava и представляет собой дообученную GPT-2 для генерации коротких рекламных описаний товаров. На вход подаются ключевые слова о товаре, на выходе — описание длиной в одну-две строки; пример в карточке показывает описание умной колонки Echo Dot. Модель дообучена на собственном наборе из 328 пар «ключевые слова — текст». Архитектура — GPT-2, формат весов — PyTorch и Safetensors, контекст — до 1024 токенов. В карточке заявлена поддержка английского языка. Лицензия — MIT. Небольшой объём обучающего набора может ограничивать разнообразие и качество формулировок, а результаты следует проверять на точность характеристик товара и соответствие рекламным требованиям.

Это компактная модель Sentence Transformers, разработанная Swardiantara и дообученная на базе google/bert_uncased_L-2_H-128_A-2 на парах отзывов Amazon. Она преобразует предложения и абзацы в плотные векторы размерности 128, пригодные для поиска и сопоставления текстов по косинусному сходству. Архитектура состоит из BERT с усреднением токенных представлений; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным. В README указана максимальная длина 128 токенов, поэтому при использовании следует учитывать это расхождение. Модель предназначена для семантического поиска, извлечения похожих отзывов и построения текстовых представлений для retrieval-систем. Обучающая выборка включала около 8,2 млн пар текстов с метками; примеры в README — англоязычные отзывы Amazon. Репозиторий распространяет веса в формате Safetensors. Лицензия в предоставленных данных не указана.

Модель rafaelwt/beto-amazon-reviews-es-3clases — дообученная Grupo 5 в рамках Laboratorio 4 испаноязычная модель BETO на архитектуре BERT для трёхклассовой классификации тональности коротких отзывов и клиентских сообщений. Она относит текст к категориям «негативный», «нейтральный» или «позитивный»; метки обучающего набора связаны с оценками Amazon: 1–2, 3 и 4–5 звёзд соответственно. Модель основана на dccuchile/bert-base-spanish-wwm-cased, содержит 137,1 млн параметров и принимает до 512 токенов по метаданным; при обучении использовалась максимальная длина 128 WordPiece-токенов. Обучение проводилось на испанском разделении SetFit/amazon_reviews_multi_es: 200 000 отзывов для обучения и официальные validation и test наборы. На тесте из 5 000 отзывов указаны accuracy 0,793 и macro F1 0,738. Модель подходит для анализа тональности испанских отзывов и обратной связи клиентов. Нейтральный класс распознаётся слабее остальных (F1 0,487), а саркастические сообщения могут ошибочно классифицироваться как позитивные. Лицензия — Apache-2.0.

Cisco Time Series Model 1.0 Preview — модель временных рядов от Cisco для безусловного прогнозирования одного временного ряда без дообучения на конкретной задаче (zero-shot). В основе — декодерный трансформер, созданный на базе TimesFM 2.0 и дополненный многомасштабной обработкой контекста. Модель содержит 573,4 млн параметров и распространяется в формате safetensors по лицензии Apache 2.0. На вход подаются два согласованных по времени контекста: грубого разрешения и более детального, причём шаг грубого ряда в 60 раз больше. Каждый контекст может содержать до 512 точек; утилиты из репозитория позволяют подготовить их из ряда одной частоты длиной до 30 720 точек. Модель выдаёт прогноз из 128 значений на детальном разрешении и соответствующие квантили. Модель рассчитана на сценарии прогнозирования временных рядов общего назначения. Её качество может снижаться при короткой истории и при чрезмерном заполнении пропусков последним значением, особенно если таким образом заменено более 30% точек. Квантили пока не откалиброваны и их покрытие не подтверждено строгой оценкой.

convnext_base.clip_laion2b — модель семейства ConvNeXt, опубликованная командой timm. Это только визуальный энкодер из CLIP, обученного на данных LAION-2B; он преобразует изображения в векторные признаки для поиска и других задач компьютерного зрения. Модель доступна в форматах PyTorch и safetensors, лицензия — Apache-2.0. Энкодер можно использовать для извлечения признаков изображений и построения систем визуального поиска или последующей классификации. Карточка не описывает текстовый энкодер CLIP, размеры модели, поддерживаемые языки или длину контекста; модель принимает изображения и выдаёт векторы признаков.

Это модель ConvNeXt Base для классификации изображений и извлечения визуальных признаков, подготовленная Россом Уайтманом в библиотеке timm. Её визуальный энкодер CLIP предварительно обучен в OpenCLIP на данных LAION-2B, а затем дообучен на ImageNet-12k и ImageNet-1k. Модель содержит 88,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации объектов на изображениях, извлечения карт признаков и визуальных эмбеддингов, а также как визуальная основа для пользовательских компьютерно-зрительных систем. В README приведены результаты классификации на ImageNet-1k и сравнительные показатели вычислительной нагрузки; для запуска предусмотрены PyTorch и timm. Лицензия репозитория — Apache-2.0. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Она не предназначена для генерации текста или понимания изображений в диалоге; качество зависит от предметной области и размера входного изображения.

ConvNeXt V2 Huge — свёрточная модель компьютерного зрения, разработанная авторами работы ConvNeXt V2 и представленная в репозитории Hugging Face. Она предназначена для классификации изображений; веса предварительно обучены с помощью FCMAE и дообучены на ImageNet-22K. Модель использует полностью свёрточную архитектуру ConvNeXt V2 с нормализацией Global Response Normalization (GRN) и рассчитана на изображения размером 384×384 пикселя. Модель подходит для распознавания объектов и категорий на изображениях в задачах общего назначения. Карточка указывает ImageNet-22K как обучающий набор данных, а пример применения относит изображение к одному из 1000 классов ImageNet. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Ограничение — это классификатор изображений, поэтому карточка не заявляет генерацию изображений или другие задачи компьютерного зрения.