IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели rea12/Krea-2-Raw на Hugging Face совпадает с карточкой Jinstudio/Krea-2-Raw, поэтому описание составлено по ней. Krea 2 Raw — базовая версия модели генерации изображений по текстовому описанию, разработанная Krea.ai, Inc. Это диффузионная модель с архитектурой Diffusion Transformer и 12 млрд параметров. Модель принимает текстовые запросы на естественном языке и создаёт изображения; в карточке приведён пример генерации изображения размером 1024 × 1024. Метаданные указывают поддержку английского языка и использование библиотеки Diffusers. Raw — исходный чекпойнт семейства Krea 2 до дополнительного постобучения и тонкой настройки. Разработчик отмечает, что он не рекомендован для обычного инференса и подходит как база для дообучения, в том числе для создания LoRA, которые затем можно применять с Krea 2 Turbo. Модель предназначена для творческой работы, разработки и исследовательских сценариев: создания изображений, визуальных концепций и интеграции в приложения и инструменты для дизайна. Модель выпущена с открытыми весами по лицензии Krea 2 Community License; применение регулируется также Acceptable Use Policy, которая требует подходящих мер фильтрации или проверки контента. Генерация может не соответствовать запросу и давать нежелательные результаты; модель не предназначена для получения фактической информации. Перед внедрением разработчикам следует проверить её безопасность и настроить защитные меры для своего сценария.

Это квантованная версия Krea-2-Turbo, опубликованная пользователем vladmandic на Hugging Face. Она предназначена для генерации изображений по текстовым запросам и использует Diffusers с конвейером Krea2Pipeline. Репозиторий содержит компоненты текстового кодировщика, трансформера и VAE; на карточке указано около 7 млрд параметров. Название указывает на квантование SDNQ с Hadamard-преобразованием до uint4. Карточка демонстрирует загрузку через Diffusers и генерацию изображения по текстовому запросу. Метаданные не сообщают поддерживаемые языки, длину контекста или лицензию.

PP-LCNetV2 Small — лёгкая свёрточная модель для классификации изображений, созданная авторами PaddleClas и перенесённая в формат state dict библиотеки timm из официального чекпойнта Paddle. Архитектура ориентирована на работу на CPU и использует многомасштабные depthwise-свёртки с репараметризацией, разделённые pointwise-свёртки, выборочное squeeze-and-excitation и shortcut-соединения. Модель содержит 4,1 млн параметров, рассчитана на изображения 224 × 224 и обучена на ImageNet-1k. Модель подходит для классификации изображений и извлечения признаковых карт или эмбеддингов в компьютерном зрении. Весы доступны в формате safetensors, лицензия — Apache 2.0. Описание не сообщает о других наборах классов или специализированных предметных областях, поэтому результаты классификации ориентированы на категории ImageNet-1k.

LUSTIFY-v2.0 — фотореалистичная модель генерации изображений на основе SDXL 1.0 от автора coyotte. Версия 2 получена слиянием LUSTIFY V1 и NatVis с последующим дообучением на новом наборе изображений; автор сообщает о 26 535 дополнительных шагах обучения. Модель предназначена для создания изображений по текстовым запросам, понимает естественный язык и теги Danbooru. Модель ориентирована на фотореалистичные изображения, включая контент для взрослых, и также может создавать изображения без такого содержания: предметы, животных и фантастических существ. Автор отмечает улучшения разнообразия стилей, следования запросу и генерации безопасного для работы контента. Лицензия в предоставленных сведениях не указана.

Mann-E rev-3 «Prompt Muse» — модель преобразования текста в изображения, разработанная Muhammadreza Haghiri для проектов движения Cognitive Web. Это третья редакция Mann-E и первая версия с кодовым названием Prompt Muse. Модель распространяется в форматах Diffusers и PyTorch и использует StableDiffusionPipeline. Модель предназначена для генерации изображений по текстовым запросам. В README описан запуск через Diffusers с Euler Scheduler; приведённый пример рассчитан на устройства с поддержкой CUDA, а для других сред настройки могут потребовать изменений. Автор предупреждает о срабатывании NSFW-фильтра даже на простых запросах и упоминает возможность его отключения. Лицензия модели — MIT.

MiniMax H3 Ref2VA — это квантованная диффузионная модель для генерации видео и синхронизированного аудио по референсному изображению или другим мультимодальным входным данным. Модель основана на MiniMaxAI/MiniMax-H3, разработана сообществом и опубликована пользователем rzgar. Она интегрируется с библиотекой Diffusers и ориентирована на сценарии text-to-video, image-to-video, image-text-to-video, video-to-video, а также генерацию аудио-видео и преобразование аудио-видео с использованием текста, изображений, видео и аудио. Доступны две квантованные версии: fp16attn_fp8 размером 28,7 ГБ и mxfp8 размером 47,6 ГБ. В первой варианте attention-слои работают в FP16, а MLP — в FP8-E4M3 с масштабированием по тензору; во второй используются MXFP8 и блочное масштабирование по 32 элемента, обеспечивающее более точную обработку выбросов. Пути текстового conditioning, включая token_refiner, conditioning projections и audio heads, сохраняются в полной точности. Модель поддерживает мультимодальную генерацию и синхронизированные аудио-видео результаты; рекомендуемое число шагов зависит от сценария: около 5 для говорящих лиц с небольшим движением, 8 для сбалансированного результата и более 12 для насыщенных действиями сцен. Версия fp16attn_fp8 лучше подходит для повседневного использования, быстрой загрузки и меньшего потребления памяти, тогда как mxfp8 ориентирована на максимальное качество при квантовании. Ограничения включают значительный размер файлов и потребность в совместимом окружении для запуска квантованных форматов. Модель распространяется по лицензии Apache-2.0.

SixAILab/nepa-base-patch14-224-sft — дообученная модель компьютерного зрения из семейства NEPA, разработанная SixAILab. Она использует архитектуру ViT-NEPA: изображение разбивается на патчи и представляется последовательностью эмбеддингов; модель предназначена для классификации изображений, в том числе на ImageNet-1k. Веса содержат 113,2 млн параметров и доступны в формате safetensors для библиотеки Transformers. NEPA основана на авторегрессионном предсказании следующего эмбеддинга изображения. README описывает воспроизведение результатов на ImageNet-1k, включая точность 83,75% для базовой версии с GeLU; это число относится к результатам воспроизведения, а не обязательно к оценке именно этой SFT-модели. Лицензия Apache-2.0.

Репозиторий vegax87/Pixal3D содержит файлы модели Pixal3D в формате GGUF для поддержки в trellis.cpp. По указанной задаче image-to-3d модель предназначена для создания 3D-представления по изображению. Репозиторий опубликован пользователем vegax87; лицензия — MIT. Карточка не приводит сведений об архитектуре, размере модели, языках или ограничениях качества. Файлы GGUF обеспечивают использование модели в соответствующем программном стеке, но README не уточняет требования к запуску и доступные настройки.

PixelWave 10 — модель генерации изображений по текстовому описанию, созданная humblemikey на основе дообучения. Она предназначена для создания как художественных изображений, так и фотографий; версия 10 дополнительно обучалась на CLIP-моделях, чтобы улучшить следование запросу и разнообразие стилей. Модель использует StableDiffusionXLPipeline и распространяется в формате Diffusers с весами safetensors. Для генерации можно задавать стиль изображения в запросе; автор приводит рекомендуемые параметры семплирования и отмечает, что отдельный refiner не требуется. Модель рассчитана на англоязычные запросы. Лицензия — CreativeML Open RAIL-M.

Qwen-Image-2.1-PE-I2I Heretic — созданная сообществом производная модели Qwen/Qwen-Image-2.1-PE-I2I на архитектуре Qwen3.5-VL с 9 млрд параметров. Она принимает короткую инструкцию по редактированию и одно или несколько изображений, анализирует их и формирует подробный промпт на английском языке для редактирования изображения. Это переписыватель промптов, а не генератор изображений. Модель дообучена с применением направленной абляции Heretic, которая снизила частоту отказов на вредоносных текстовых запросах: в описанной проверке отказов было 9 из 100 против 100 из 100 у исходной модели. При этом автор сообщает, что обычное поведение при переписывании инструкций для редактирования изображений сохранилось. Проверка проводилась на ограниченных наборах примеров, поэтому результаты не гарантируют такое же поведение на других запросах. Веса представлены в формате bf16 Safetensors и имеют ту же форму и число параметров, что и исходная модель. Для запуска используются AutoModelForImageTextToText и AutoProcessor; необходим также файл system_prompt.txt из репозитория. Модель распространяется по лицензии Qwen Research License: использование некоммерческое, для коммерческого применения нужна отдельная лицензия Qwen.

Qwen-Image-Dodge_Burn — модель, дообученная для ретуши фотографий методом dodge and burn: осветления и затемнения отдельных участков для коррекции света и объёма. Она основана на Qwen-Image-Layered и предназначена для редактирования изображений по текстовому описанию. Для запуска автор указывает требование как минимум одной видеокарты A100. Репозиторий использует Diffusers и формат Safetensors; лицензия — Apache-2.0. Карточка показывает пример сравнения исходного и обработанного изображения, но подробные инструкции по инференсу не приводит.

RealLife v2 — модель генерации изображений по текстовому описанию, опубликованная Yntec. Она распространяется в формате Diffusers с весами safetensors и предназначена для создания фотореалистичных изображений и художественных сцен по запросу. В примерах показаны праздничные сюжеты, животные и портреты с описанием внешности, освещения и фотоплёнки. Модель основана на Stable Diffusion 1.5. Лицензия — CreativeML OpenRAIL-M. Карточка содержит примеры запросов, но не сообщает точные параметры модели и её контекст.

Карточка модели refiners/sd15.autoencoder на Hugging Face совпадает с карточкой refiners/sd15.unet, поэтому описание составлено по ней. refiners/sd15.unet — модель на базе Stable Diffusion 1.5, связанная с проектом refiners. Метаданные классифицируют её как модель преобразования изображений и указывают библиотеку refiners и формат весов safetensors. Модель предназначена для задач image-to-image. В качестве базовой модели указана runwayml/stable-diffusion-v1-5, лицензия — CreativeML Open RAIL-M. README не содержит дополнительных сведений о размерах, языках или конкретных сценариях применения.

Seek.art MEGA — модель генерации изображений по текстовому описанию, созданная Coreco для seek.art. Она дообучена на почти 10 тысячах высококачественных цифровых произведений из общественного достояния и предназначена для генерации изображений в разных стилях, с гибким сочетанием предметов, тем и деталей. Модель основана на Stable Diffusion 1.5; для лучшего результата авторы рекомендуют использовать разрешение выше 640 пикселей хотя бы по одной стороне и инструмент вывода с поддержкой весов в промпте и оптимизации высокого разрешения. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M с дополнительными ограничениями из карточки. Коммерческая генерация контента в размещённом сервисе требует письменного разрешения seek.art; личное использование результатов не ограничено этим условием. Запрещены, среди прочего, незаконное и вредоносное применение, эксплуатация несовершеннолетних, преследование, дискриминация, медицинские консультации и некоторые виды автоматизированных решений, влияющих на права людей.

ShapeLLM-Omni — мультимодальная модель для понимания и генерации 3D-объектов, разработанная Junliang Ye, Zhengyi Wang, Ruowen Zhao, Shenghao Xie и Jun Zhu. Репозиторий содержит веса ShapeLLM-7B-omni на базе архитектуры Qwen2.5-VL: модель с 7,1 млрд параметров дообучена по инструкциям на наборе 3D-Alpaca, а форму объектов она представляет с помощью дискретных 3D-токенов, полученных из VQ-VAE. Модель предназначена для генерации 3D-ассетов, понимания объектов и редактирования 3D-контента в диалоге с текстом и изображениями. Метаданные указывают контекст до 128 000 токенов; репозиторий содержит веса safetensors для Transformers. Лицензия — MIT. Это исследовательская попытка добавить базовые 3D-возможности к мультимодальным языковым моделям; качество и область применения могут быть ограничены тренировочным набором и используемым представлением 3D-токенов.

Это конверсия Stable Diffusion v1.5 в формат весов Keras 3, подготовленная zeromodels. Архитектура и значения параметров сохранены без изменений; модель собрана в одном контейнере с денойзером UNet, автоэнкодером VAE и текстовым энкодером CLIP ViT-L/14. В ней около 1,07 млрд параметров, веса хранятся в float32; конверсия предназначена для работы с TensorFlow, Torch и JAX через Keras 3. Модель создаёт изображения размером 512×512 по текстовым запросам на английском языке. Генерация использует латентное диффузионное пространство размером 64×64, текстовый энкодер принимает до 77 токенов. Можно передавать отрицательный запрос, задавать число шагов генерации, guidance scale и seed; также поддерживается выбор планировщика. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M. Ограничения исходной Stable Diffusion v1.5 применяются и к этой конверсии; README отсылает за сведениями о назначении и ограничениях к карточке исходной модели.

StreamFormer — базовая модель видеопредставлений, впервые опубликованная в этом репозитории и представленная в статье Learning Streaming Video Representation via Multitask Training. Архитектура TimesFormer содержит около 113,2 млн параметров; веса доступны в формате safetensors. Модель кодирует потоковое видео и предварительно обучена на глобальном, временном и пространственном уровнях. Её используют как основу для онлайн-детектирования действий, сегментации видеоэкземпляров и ответов на вопросы о видео. В метаданных Hugging Face основная задача указана как video-classification. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. README не содержит сведений о поддерживаемых языках или численном ограничении на длительность входного видео.

Xenova/swin2SR-classical-sr-x2-64 — модель сверхразрешения изображений, опубликованная Xenova в формате ONNX для совместимости с Transformers.js. Она основана на модели caidas/swin2SR-classical-sr-x2-64 и предназначена для повышения разрешения изображений в два раза, например для улучшения фотографий и других растровых изображений в веб-приложениях и JavaScript-проектах. Модель использует архитектуру Swin2SR; из доступных данных также следует, что она работает с изображениями и поддерживает варианты вычислений fp32, fp16, q8 и q4 через Transformers.js. Пример преобразует изображение в трёхканальный результат размером 512×512 пикселей. Сильной стороной является возможность запуска ONNX-весов в средах, совместимых с Transformers.js, однако сведения о качестве восстановления, поддерживаемых форматах входных данных, языках, ограничениях по размеру изображений и требованиях к ресурсам не приведены. Лицензия в README не указана.

caidas/swin2SR-classical-sr-x4-64 — модель Swin2SR для увеличения разрешения изображений в 4 раза. Она основана на архитектуре SwinV2 Transformer и предназначена для сверхразрешения изображений. Модель принимает изображение и выдаёт изображение с повышенным разрешением; карточка указывает задачу image super-resolution. Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель представлена в исследовательской работе Swin2SR авторов Conde и соавторов. Лицензия — Apache-2.0. В карточке не описаны специальные ограничения качества или устойчивости, поэтому результаты могут зависеть от входных изображений и отличаться по детализации.

T2I-Adapter-SDXL Depth-MiDaS — адаптер для управляемой генерации изображений, созданный Tencent ARC совместно с Hugging Face. Он подаёт карту глубины в Stable Diffusion XL как дополнительное условие, помогая задавать пространственную структуру изображения при генерации по текстовому запросу. Для работы адаптеру нужна базовая модель stabilityai/stable-diffusion-xl-base-1.0. Модель относится к семейству T2I-Adapter; размер адаптера составляет около 77–79 млн параметров, а SDXL Base 1.0 содержит 2,6 млрд параметров. Карточка указывает английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache 2.0. Она предназначена для сценариев text-to-image с контролем по глубине; качество и результат зависят от базовой модели и карты глубины.

smp-hub/upernet-swin-large — модель семантической сегментации изображений на архитектуре UPerNet с энкодером Swin Large. Карточка указывает, что модель обучена на наборе ADE20K, а для запуска инференса предлагаются библиотеки segmentation_models_pytorch и albumentations. Модель предназначена для присвоения пиксельных меток объектам и областям на изображении, например для анализа сцен и разделения их на семантические классы. Вес опубликован в формате safetensors; библиотека модели — segmentation_models_pytorch. Лицензия — MIT, допускающая использование согласно её условиям. Карточка не приводит число параметров, контекстную длину или перечень языков; для модели сегментации они не являются основными характеристиками. README не сообщает метрики качества и подробности о классах разметки, поэтому качество на данных, отличных от ADE20K, не установлено.

usyd-community/vitpose-plus-small — модель ViTPose++ для оценки позы человека, разработанная командой ViTAE-Transformer; карточка указывает авторов Yufei Xu, Jing Zhang, Qiming Zhang и Dacheng Tao, а перенос в Transformers выполнили Sangbum Choi и Niels Rogge. Модель использует обычный vision transformer без иерархических уровней в качестве визуального энкодера и лёгкий декодер для предсказания ключевых точек тела. Вариант предназначен для определения позы человека по изображению; задача в метаданных — keypoint-detection. Модель подходит для приложений фитнеса, анализа движений, анимации и мониторинга поведения, где требуется локализовать суставы человека. В README приведён результат семейства ViTPose до 81,1 AP на тестовом наборе MS COCO Keypoint, но это не отдельная оценка именно данного малого варианта. Карточка описывает обучение и оценку на MS COCO, AI Challenger, MPII и CrowdPose, а также оценку на OCHuman, включая случаи окклюзии. Лицензия — Apache-2.0. Карточка не приводит точное число параметров, размер входа или длину контекста для этого варианта. Модель ориентирована на позы людей; применение к позам животных и распознаванию ключевых точек лица обозначено как возможное направление дальнейшей работы. Для оценки позы на видео нужна обработка кадров внешним конвейером.

Wan2.2-Fun-A14B-Control — модель генерации видео из изображения с управлением движением и структурой сцены, разработанная командой Alibaba PAI. Она дообучена на базе Wan-AI/Wan2.2-I2V-A14B и поддерживает условия управления Canny, Depth, Pose, MLSD и траектории, а также использование опорного изображения. Модель рассчитана на создание видео с несколькими разрешениями; в карточке указаны разрешения 512, 768 и 1024, обучение на роликах длиной до 81 кадра при 16 кадрах в секунду и поддержка многоязычных запросов. Модель предназначена для управляемой генерации видеоклипов на основе изображения, текстового запроса и дополнительных управляющих данных. Вес репозитория занимает около 64 ГБ; для экономии видеопамяти README описывает выгрузку модели на CPU и режим с float8-квантизацией, который может немного снизить качество. Для работы используется библиотека VideoX-Fun. Лицензия — Apache 2.0.

Wan2.2 I2V LightX2V 2Step — это LoRA-адаптер для модели Wan2.2-I2V-A14B, разработанный пользователем rzgar на базе решений Wan-AI и LightX2V. Он предназначен для преобразования изображения в видео и оптимизирован для ускоренной генерации с конфигурацией из двух шагов для high-noise и двух шагов для low-noise, что делает его подходящим для создания многочисленных превью, тестирования промптов и подбора seed. Адаптер поставляется в двух файлах формата Safetensors: один используется на high-noise, другой — на low-noise этапе. Рекомендуемый strength равен 1.0 для обоих этапов. В README указаны совместимые sampler и scheduler: dpmpp_2m_sde, dpmpp_2m_sde_heun или sa_solver_pece вместе с sgm_uniform. На приведённом оборудовании генерация ролика 512×848 занимала в среднем около 37 секунд против примерно 89 секунд для стандартной конфигурации LightX2V с четырьмя шагами на каждом этапе. Основное преимущество модели — высокая скорость итераций. Компромиссом становятся некоторое снижение мелких деталей и согласованности по сравнению с полной четырёхшаговой конфигурацией, а также вероятность неудачных генераций: в небольшом тесте 6 из 9 результатов имели чистое движение, 1 требовал небольшого исправления, а 2 нуждались в повторной генерации с другим seed. Sampler Euler с scheduler Simple также работает, но менее надёжен. Для финальных кадров рекомендуется использовать четырёхшаговую конфигурацию LightX2V. Лицензия — Apache-2.0.

anyforge/yolo26-human-det — модель обнаружения людей на изображениях, разработанная Anyforge на основе серии YOLO26. Она принимает изображение и возвращает координаты рамок для каждого обнаруженного человека, включая сцены с несколькими людьми. Модель обучена на пользовательском наборе данных из 101 140 изображений и 875 283 ограничивающих рамок; валидационная точность P для класса human указана как 0,93 на 5 677 изображениях. Репозиторий содержит веса в формате ONNX, а лицензия — Apache-2.0. Модель предназначена для обнаружения людей в разнообразных сценариях; качество на других данных и условия съёмки могут отличаться от указанных валидационных результатов.

YOLO-Face-Person-Detector — дообученная модель YOLOv8x для обнаружения лиц и людей на изображениях. Разработчик обучил её на собственном наборе примерно из 150 000 изображений; модель использует архитектуру YOLOv8 и распространяется в формате safetensors. Для работы предусмотрена библиотека Ultralytics. Модель подходит для локализации лиц и людей на изображениях в сценариях компьютерного зрения. Карточка заявляет высокую точность и устойчивость в разных условиях, но не приводит результатов бенчмарков, состава обучающего набора или подробностей оценки. Лицензия — AGPL-3.0.

Abiray/Anima-base-v1.0-GGUF — это набор квантованных весов модели Anima-base-v1.0, разработанной circlestone-labs и основанной на диффузионной архитектуре NVIDIA Cosmos. Модель предназначена для генерации изображений по текстовому описанию и поставляется в формате GGUF для запуска на потребительском оборудовании. Модель содержит около 2 млрд параметров и поддерживает варианты квантования Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q3_K_M размером примерно от 1,0 до 2,1 ГБ. Для работы требуются отдельные текстовый энкодер qwen_3_06b_base и VAE из оригинального релиза Anima. Указан английский язык. Оптимизация квантования с сохранением нормализаций и смещений в F32 направлена на снижение артефактов, цветовых полос и потери качества; более высокие разрядности обеспечивают лучшее качество, а низкие — меньшие требования к памяти. Веса рассчитаны на использование, в частности, с ComfyUI и совместимыми инструментами GGUF. Ограничения включают необходимость установки дополнительных компонентов и Cosmos-совместимых узлов, а также возможное снижение качества при сильном сжатии. Модель распространяется по лицензии NVIDIA Cosmos License; полные ограничения использования следует проверять в оригинальной лицензии.

Карточка модели CollectionStudio/chronos-2-synth на Hugging Face совпадает с карточкой autogluon/chronos-2-synth, поэтому описание составлено по ней. Chronos-2-Synth — вариант модели Chronos-2, разработанный AutoGluon и обученный только на синтетических одномерных и многомерных временных рядах. Модель предназначена для прогнозирования временных рядов и относится к архитектуре T5; размер составляет 99,1 млн параметров. Модель принимает временные ряды и выдаёт прогнозы. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Карточка не описывает отдельные прикладные отрасли или ограничения качества.

Это неофициальное зеркало чекпойнта Co-DINO, размещённое dronefreak; исходные метод, архитектура и веса созданы Zhuofan Zong, Guanglu Song и Yu Liu из SenseTime X-Lab. Модель использует Co-DETR с головой CoDINOHead и пятишкальным ViT-L на базе EVA-02 с 304 млн параметров. Обучение проходило на Objects365, затем чекпойнт дообучили на COCO; он предназначен для обнаружения объектов и сегментации экземпляров в 80 категориях COCO. Модель подходит как базовая точка для экспериментов, компонент системы компьютерного зрения или отправная точка для дообучения на собственных данных. На инференсе основными являются рамки объектов, также доступна вспомогательная масочная ветвь. Авторы сообщают box AP 65,8 и mask AP 56,6 на COCO val2017; автор зеркала эти показатели независимо не воспроизводил. Для запуска нужны код проекта Co-DETR и устаревший стек OpenMMLab 1.x (MMDetection 2.25.3, MMCV-full 1.5.0, PyTorch 1.11); поддержки Transformers и pipeline() нет. Лицензия в метаданных не определена.

tomg-group-umd/CSD-ViT-L — модель на основе ViT-Large для извлечения стилевых признаков из изображений. Она разработана группой tomg-group-umd как часть системы анализа стиля изображений. Модель предназначена для получения дескрипторов, отражающих цвет, текстуру, форму и другие составляющие визуального стиля. Их можно использовать для сравнения стилей и установления связи между стилем сгенерированного изображения и изображениями, использованными при обучении текстово-изобразительной модели. Репозиторий содержит веса PyTorch; для работы указана библиотека Transformers. Лицензия — CC BY 4.0. Данных о контексте и поддерживаемых языках в описании задачи нет; модель принимает изображения и выдаёт признаки для их анализа.