IV.1Ритейл, электронная коммерция и fashion-tech

DeepGlint-AI/rice-vit-large-patch14-560 — модель извлечения признаков из изображений на архитектуре MLCDVisionModel. В репозитории указаны веса в формате safetensors; размер модели — 402,7 млн параметров. Модель предназначена для получения векторных представлений изображений, которые можно использовать в системах поиска и сопоставления изображений. Модель разработана DeepGlint AI и распространяется по лицензии MIT. README называет её RICE-ViT-L, но не описывает обучение, целевые сценарии, поддерживаемые языки или показатели качества.

RT-DETR-R50 — модель обнаружения объектов на изображениях, разработанная Яном Чжао и Санбумом Чоем и опубликованная на Hugging Face участником Sangbum Choi. Она использует архитектуру RT-DETR с гибридным энкодером для обработки признаков разных масштабов и Transformer-декодером, который предсказывает классы объектов и ограничивающие рамки без NMS. В этой конфигурации используется backbone ResNet-50; в карточке указаны 42 млн параметров и обучение на COCO 2017. Модель предназначена для обнаружения объектов в изображениях и сценариев компьютерного зрения, где важны скорость и точность. Для COCO авторы приводят AP 53,1 и скорость 108 кадров в секунду на GPU T4; эти результаты относятся к указанным в карточке условиям оценки. Входные изображения предварительно масштабируются до 640×640 пикселей. Модель принимает изображения и выдаёт классы объектов и их рамки; языковые возможности не заявлены. Лицензия — Apache-2.0.

PekingU/rtdetr_v2_r18vd — модель RT-DETRv2 для обнаружения объектов на изображениях. Семейство RT-DETRv2 разработано Вэньюй Лю, Ианем Чжао, Цинъяо Чангом, Куем Хуаном, Гуанчжуном Вангом и И Лю; карточку модели для Transformers подготовили участники сообщества Hugging Face. Архитектура улучшает RT-DETR за счёт выборочного извлечения многомасштабных признаков, дискретной операции выборки и изменений в обучении. Модель обучена на COCO train2017 и проверена на COCO val2017. Модель принимает изображение и выдаёт классы обнаруженных объектов, оценки уверенности и координаты рамок. Она предназначена для быстрого обнаружения объектов, в том числе в автономном вождении, видеонаблюдении, робототехнике и розничной аналитике; в README отмечена пригодность для развёртывания на периферийных устройствах и в крупных системах. Заявлено улучшение относительно предыдущей версии при сохранении скорости реального времени. Модель распространяется под лицензией Apache-2.0. Карточка не сообщает отдельных показателей качества для этого чекпойнта или детальных ограничений; результаты могут зависеть от сходства целевых изображений с COCO и условий развёртывания.

PekingU/rtdetr_v2_r34vd — модель обнаружения объектов на изображениях из семейства RT-DETRv2, разработанного исследователями Wenyu Lv, Yian Zhao и соавторами и опубликованного в карточке Hugging Face участниками сообщества. Архитектура RT-DETRv2ForObjectDetection использует трансформерный подход к детекции; модель обучена на COCO. Вариант улучшает RT-DETR за счёт выборочного извлечения многоуровневых признаков, дискретной операции семплирования и обновлённых стратегий обучения. Модель предназначена для обнаружения объектов в реальном времени: на вход получает изображение, а на выходе формирует классы объектов, оценки уверенности и ограничивающие рамки. Возможные сценарии — автономное вождение, видеонаблюдение, робототехника и аналитика розничной торговли. В карточке отмечены английский язык и датасет COCO; модель доступна через библиотеку Transformers. Модель ориентирована на сочетание скорости и точности, а изменения RT-DETRv2 призваны упростить развёртывание на разных платформах. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не уточняет размер именно этого варианта и его метрики производительности, поэтому их нельзя надёжно привести.

isjackwild/segformer-b0-finetuned-segments-skin-hair-clothing — модель компьютерного зрения для семантической сегментации изображений людей. Она основана на архитектуре SegFormer B0 и дообучена на датасете mattmdjaga/human_parsing_dataset для выделения областей кожи, волос и одежды.

seresnextaa201d_32x8d.sw_in12k_ft_in1k_384 — модель компьютерного зрения для классификации изображений, разработанная Россом Уайтманом в библиотеке timm. Это свёрточная SE-ResNeXt-D архитектура с блоками Squeeze-and-Excitation для внимания к каналам, групповыми свёртками, трёхслойным начальным блоком и антиалиасинговым уменьшением разрешения. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она рассчитана на изображения 384 × 384 пикселя, содержит около 149,4 млн параметров и может использоваться также как основа для извлечения карт признаков и эмбеддингов изображений. В сравнении из карточки указана точность top-1 87,30% и top-5 98,33%. Модель принимает изображения и выдаёт классы изображений. Карточка описывает её как классификатор и backbone; язык не является частью входа или выхода. Распространяется по лицензии Apache-2.0.

Это модель классификации изображений семейства Swin Transformer, опубликованная авторами статьи Swin Transformer и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и может использоваться для определения объектов и категорий на изображениях, а также как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 228,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Иерархическая архитектура Swin Transformer обрабатывает изображения с помощью окон внимания со сдвигом. Модель распространяется по лицензии MIT. Карточка описывает классификацию и извлечение визуальных признаков; сведения о поддержке текстового ввода или других модальностей отсутствуют.

TiRex — предварительно обученная модель прогнозирования временных рядов от NX-AI, основанная на архитектуре xLSTM и содержащая 35 млн параметров. Она предназначена для прогнозирования без дообучения на пользовательских данных: модель принимает временной ряд и выдаёт точечные и квантильные оценки для коротких и длинных горизонтов. В README указаны результаты на бенчмарках GiftEval и ChronosZS. Репозиторий содержит модель в формате ONNX; для работы предусмотрена библиотека tirex. README также описывает CUDA-ядра для sLSTM, которым требуется GPU с Compute Capability 8.0 или выше. В метаданных указана лицензия other, поэтому условия использования следует уточнять в материалах проекта.

vit_base_patch14_reg1_tipsv2.webli — визуальный энкодер на основе Vision Transformer (ViT), опубликованный в библиотеке timm. Модель содержит 86,3 млн параметров и обрабатывает изображения размером 448 × 448 пикселей. Она дистиллирована от учительской модели ViT-g/14 TIPSv2 с помощью сопоставления признаков патчей на отфильтрованной подвыборке WebLI из 116 млн изображений. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также карт признаков для последующих задач компьютерного зрения. В архитектуре используется дополнительный register-токен. Лицензия — Apache-2.0. Карточка не приводит специальных ограничений по качеству или сценариям применения.

Это модель классификации изображений на базе Vision Transformer (ViT), опубликованная Ross Wightman в библиотеке timm. Вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков; модель содержит 60,4 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. В сравнении из карточки точность top-1 составляет 85,418%, а top-5 — 97,480%. Для использования доступны веса PyTorch и safetensors через timm. Лицензия — Apache-2.0. Модель рассчитана на изображения; карточка не заявляет поддержку текстовых или других входных модальностей.

vit_giant_patch14_reg4_dinov2.lvd142m — визуальная модель семейства Vision Transformer из библиотеки timm, предварительно обученная командой DINOv2 на наборе LVD-142M методом самообучения. Она предназначена для извлечения признаков изображений и может использоваться как основа для классификации и получения векторных представлений. Архитектура ViT-Giant содержит около 1,14 млрд параметров, использует патчи 14×14 и четыре регистра; указанный размер входного изображения — 518×518 пикселей. Модель подходит для формирования визуальных эмбеддингов и построения систем компьютерного зрения, включая классификаторы, обучаемые поверх извлечённых признаков. Входом служат изображения, выходом — признаки изображения; естественный язык модель не обрабатывает. Для использования доступны веса PyTorch и Safetensors, лицензия — Apache-2.0.

Крупная модель Vision Transformer для классификации изображений и извлечения визуальных признаков, опубликованная в экосистеме timm. Она предварительно обучена с помощью OpenCLIP на парах изображение—текст из LAION-2B, а затем дообучена на ImageNet-12k. Модель содержит около 645,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений и получения их эмбеддингов в системах поиска и анализа визуального содержимого. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Высокий размер модели и вычислительная стоимость могут затруднить её запуск на ограниченном оборудовании.

Это крупная модель классификации изображений на основе Vision Transformer (ViT), опубликованная командой timm. Она предварительно обучена на парах изображение—текст LAION-2B с помощью OpenCLIP, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 632 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и построения эмбеддингов. Подходит для распознавания объектов и категорий в изображениях, а также для задач компьютерного зрения, где нужны представления изображений. Репозиторий распространяется в форматах PyTorch и safetensors; лицензия — Apache-2.0.

timm/vit_large_patch14_clip_336.openai_ft_in12k_in1k — модель классификации изображений и визуальный backbone на основе Vision Transformer (ViT), опубликованная проектом timm. Исходно модель предварительно обучена OpenAI с помощью CLIP на парах изображений и текста WIT-400M, затем дообучена в timm на ImageNet-12k и ImageNet-1k. Модель содержит около 304,5 млн параметров и рассчитана на изображения размером 336 × 336 пикселей. Она предназначена для классификации изображений и извлечения визуальных эмбеддингов; может использоваться как backbone в задачах компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Модель распространяется по лицензии Apache-2.0. Ее специализация — изображения, поэтому языки и текстовые возможности CLIP не следует считать отдельным интерфейсом для генерации или обработки текста.

vit_pe_core_tiny_patch16_384.fb — визуальная модель из экосистемы timm, доступная через Hugging Face и предназначенная для извлечения признаков изображений. По названию модели, она использует архитектуру Vision Transformer (ViT) с конфигурацией Tiny, патчами 16×16 и входным разрешением 384 пикселя; суффикс fb является частью идентификатора варианта модели. Модель подходит для построения векторных представлений изображений, визуального поиска, кластеризации, сравнения изображений и использования в качестве визуального энкодера в прикладных ML-пайплайнах. Метаданные указывают поддержку библиотек timm и Transformers, а также формат весов Safetensors. Модель предназначена для извлечения признаков, а не для генерации текста или изображений. В предоставленных данных отсутствуют сведения о числе параметров, языках, длине контекста, исходном датасете и точности на конкретных бенчмарках. Лицензия — Apache-2.0.

xcit_small_12_p16_224.fb_in1k — модель классификации изображений на архитектуре XCiT (Cross-Covariance Image Transformer), разработанной авторами научной работы об этой архитектуре. Она предварительно обучена авторами на ImageNet-1k и предназначена для классификации изображений и использования в качестве визуального backbone для извлечения признаков. Модель содержит 26,3 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует библиотеки timm для указанного сценария использования. Модель подходит для распознавания объектов и категорий на изображениях, а также получения визуальных представлений для последующих задач. В карточке указана лицензия Apache-2.0. Указанные характеристики и предварительное обучение относятся к ImageNet-1k; качество на других типах изображений и задачах может отличаться.

Yanolja NEXT разработала YanoljaNEXT-Rosetta-20B — дообученную авторегрессионную языковую модель семейства GPT-OSS с архитектурой MoE. Она предназначена для перевода структурированных данных в формате JSON с сохранением исходной структуры. Модель поддерживает английский, испанский, французский, немецкий, португальский, японский, корейский, китайский, арабский, русский и хинди; карточка также отмечает задачи text-generation и translation. В метаданных указано 1,6 млрд параметров, контекст до 131 072 токенов, формат safetensors и библиотека Transformers. Модель подходит для локализации каталогов товаров, перевода отзывов об отелях и других JSON-документов. В приведённом в карточке сравнении для перевода с английского на корейский она набрала CHrF++ 33,87 на WMT24++. Модель выпущена под лицензией Apache-2.0. Основной фокус — JSON; качество на обычном тексте и других форматах может отличаться. README называет её 20-миллиардной, тогда как метаданные указывают 1,6 млрд параметров.

YOLO11 — семейство моделей компьютерного зрения, разработанное Ultralytics. Репозиторий содержит модели для обнаружения объектов, сегментации, классификации изображений и оценки позы; режим отслеживания объектов совместим с моделями обнаружения, сегментации и позы. В метаданных основная задача этой карточки указана как обнаружение объектов. Предобученные варианты обнаружения объектов обучены на COCO с 80 классами, модели сегментации — на COCO-Seg с 80 классами, а классификаторы — на ImageNet с 1000 классами. Доступны варианты разного размера; для обнаружения объектов указано от 2,6 млн параметров у YOLO11n до 20,1 млн у YOLO11m среди приведённых вариантов. Модели предназначены для быстрого инференса и интеграции через библиотеку Ultralytics с PyTorch. Карточка также описывает применение для отслеживания объектов в видео и оценки позы. Лицензия репозитория — AGPL-3.0; для коммерческого использования Ultralytics предлагает запросить Enterprise License.

nirajsaran/AdTextGenerator — языковая модель для генерации рекламных текстов и описаний товаров для Amazon Shopping. Автор дообучил GPT-Neo на наборе данных Amazon Ads, уделив основное внимание электронике и носимым устройствам. Модель имеет архитектуру GPT-Neo с 137,7 млн параметров, работает в формате PyTorch и поддерживает контекст до 2048 токенов. Она подходит для создания коротких рекламных формулировок и товарных описаний по названию бренда, продукта или заданному началу фразы. В целевых категориях модель обычно генерирует связный текст, но может выдумывать сведения; в других областях качество ниже. Лицензия — MIT.

LED-Large для Amazon All_Beauty — англоязычная модель AllenAI, дообученная автором репозитория vltruong01 на отзывах покупателей Amazon Reviews 2023. Она принимает название товара и структурированные блоки нескольких отзывов и составляет одну краткую абстрактивную сводку об общем впечатлении, повторяющихся достоинствах и жалобах. Это не модель для суммаризации отдельного отзыва: числовой рейтинг товара рассчитывается отдельно по исходным оценкам. Модель использует архитектуру LED (Longformer Encoder-Decoder) с 252,8 млн параметров и базируется на allenai/led-large-16384. В README для её применения указан предел входа в 4096 токенов; для работы с длинными текстами в обучении глобальное внимание назначалось заголовку товара, границам отзывов и строкам с оценками. Модель обучалась только на категории All_Beauty; обучающие целевые сводки были синтетическими, созданными учителем. На отложенной выборке из 196 примеров указаны ROUGE-1 0,4806, ROUGE-2 0,1607 и ROUGE-L 0,3264. При ручной проверке отмечены читаемость и способность объединять повторяющиеся мнения, но также повторяющиеся формулировки, дрейф характеристик товара, фактические ошибки и искажение тональности или значимости отдельных отзывов. Для пользовательских сценариев сводки следует сверять с исходными отзывами. Лицензия — Apache-2.0.

A-vibe — диалоговая языковая модель, созданная Авито Тех на базе Qwen3-8B-Base и адаптированная для русского языка и домена Авито. По карточке, модель прошла дополнительное обучение на большом корпусе данных, SFT и RL; также для неё разработали токенизатор, оптимизированный для русского и английского языков. Метаданные указывают архитектуру Qwen3ForCausalLM, размер 7,4 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов, решения математических задач и вызова функций. Разработчик сообщает о более высоких результатах, чем у instruct-версии Qwen3-8B, на ряде русскоязычных бенчмарков, а также об ускорении обработки русскоязычных примеров на 15–25% относительно исходной Qwen3-8B. Модель принимает текст и генерирует текст; заявлены русский и английский языки. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — Apache-2.0.

BEiT-3 Large Patch16 224 — модель классификации изображений и извлечения визуальных признаков из семейства BEiT, опубликованная в репозитории timm. Она содержит 304,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; архитектура использует патчи 16 × 16. Чекпойнт предварительно обучался на изображениях ImageNet-22k, текстовых документах и парах изображение–текст, а затем дообучался на ImageNet-22k и ImageNet-1k. В этом варианте оставлена обработка изображений для задач компьютерного зрения. Модель подходит для классификации изображений, получения карт признаков и визуальных эмбеддингов, в том числе как визуальная основа для прикладных систем. В карточке указана лицензия Apache-2.0. Метаданные указывают библиотеку timm и форматы PyTorch и safetensors.

Это компактная модель Sentence Transformers на основе BERT, дообученная разработчиком swardiantara на отзывах Amazon. Она преобразует предложения и абзацы в плотные векторы размерности 128, пригодные для поиска и сравнения текстов по косинусному сходству. Архитектура включает BERT с усреднением токенных представлений; в модели 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Модель рассчитана на текстовые задачи поиска и оценки сходства, в частности на поиск отзывов или других текстов, близких по смыслу. Базовая модель — компактный англоязычный google/bert_uncased_L-2_H-128_A-2; примеры обучающих данных содержат англоязычные отзывы. Репозиторий распространяется в формате safetensors. Сведения о лицензии отсутствуют в предоставленных данных.

caformer_m36.sail_in1k_384 — модель классификации изображений на архитектуре CAFormer, разработанной авторами работы MetaFormer Baselines for Vision. Модель обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях; её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 56,2 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Она доступна в форматах PyTorch и Safetensors, работает с библиотекой timm и распространяется по лицензии Apache-2.0. Карточка не сообщает о поддержке текстового ввода или генерации изображений.

Модель tkcho/commerce-bert-kr — предварительно обученная BERT-модель, созданная Epopcon на данных корейской электронной коммерции: названиях товаров и опций, брендах, продавцах и категориях с площадок, включая 11st и Naver Store. Она предназначена для языковых задач в контексте корейской торговли; основной доступный сценарий — восстановление замаскированных токенов в тексте. Модель имеет архитектуру BertForMaskedLM, содержит 145,5 млн параметров и принимает последовательности длиной до 512 токенов. Для токенизации указан tkcho/commerce-tokenizer-kr. Распространяется в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.

convnext_base.dinov3_lvd1689m — модель извлечения признаков изображений из семейства ConvNeXt, опубликованная в библиотеке timm. Она предварительно обучена на наборе LVD-1689M методом самообучения DINOv3 и дистиллирована из DINOv3 ViT-7B. Модель содержит 87,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для получения признаковых карт и эмбеддингов изображений, а также может использоваться как основа для классификации изображений и других задач компьютерного зрения. Эмбеддинги подходят для построения систем поиска по изображениям, кластеризации и последующего обучения классификаторов. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; лицензия указана как DINOv3, а в метаданных Hugging Face обозначена как other.

ConvNeXt Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Репозиторий опубликован командой timm; модель предобучена на ImageNet-22k и дообучена авторами статьи на ImageNet-1k. Архитектура ConvNeXt Large содержит около 197,8 млн параметров. Для обучения указано разрешение изображений 224 × 224, для тестирования — 288 × 288. Модель подходит для определения объектов и категорий на изображениях, а также как визуальный backbone для извлечения карт признаков и эмбеддингов. В README приведены результаты ImageNet-1k: точность top-1 составляет 84,3%, top-5 — 96,9%. Для работы нужны изображения; модель выдаёт классы и визуальные представления. Репозиторий содержит веса PyTorch и safetensors, а использовать их можно на условиях лицензии Apache-2.0.

C-RADIOv4-H — модель извлечения визуальных признаков, разработанная NVIDIA. Она построена на архитектуре Vision Transformer и содержит 653 млн параметров. Модель принимает RGB-изображения и возвращает тензоры эмбеддингов: сводный вектор для представления изображения целиком и пространственные признаки для локальных участков изображения. Эмбеддинги предназначены для использования в последующих моделях и приложениях. Их можно применять для классификации и отбора изображений, семантической сегментации, оценки глубины и интеграции в модели «зрение—язык». Модель обучена с использованием SigLIP2-g, DINOv3-7B и SAM3; поддерживает изображения разрешением до 2048×2028 с шагом 16 пикселей. Для практического использования требуется downstream-модель, а NVIDIA оптимизирует запуск на GPU-ускоренных системах. README указывает, что модель доступна для коммерческого и некоммерческого использования; ограничения использования определяются NVIDIA Open Model License Agreement. Для конкретного сценария перед развертыванием нужны тестирование и проверка на соответствующих данных.

DAB-DETR с backbone ResNet-50 — модель обнаружения объектов на изображениях, разработанная Shilong Liu, Feng Li, Hao Zhang, Xiao Yang, Xianbiao Qi, Hang Su, Jun Zhu и Lei Zhang при поддержке IDEA-Research. Эта версия опубликована на Hugging Face в формате Transformers и использует PyTorch и safetensors; лицензия — Apache-2.0. Модель извлекает признаки изображения с помощью CNN, затем обрабатывает их Transformer-энкодерами и декодерами. В DAB-DETR запросы декодера представлены динамически обновляемыми координатами опорных рамок и содержательными эмбеддингами. На выходе модель предсказывает метки классов и рамки объектов. Она обучена на COCO 2017; изображения для обработки масштабируются и нормализуются согласно схеме ImageNet. Модель предназначена для поиска и локализации объектов на изображениях. В описании семейства DAB-DETR приведён результат 45,7 AP на MS-COCO для конфигурации ResNet50-DC5 после 50 эпох обучения; это не подтверждает такой же результат именно для данного чекпойнта ResNet-50. Карточка указывает лицензию Apache-2.0.

DETR с backbone ResNet-50 — модель компьютерного зрения для сквозного обнаружения объектов на изображениях. Архитектура сочетает свёрточную основу ResNet-50 с энкодером-декодером Transformer; запросы объектов предсказывают классы и ограничивающие рамки. Модель представлена авторами DETR и обучена на COCO 2017, содержащем 118 тысяч размеченных обучающих изображений. Модель предназначена для поиска и локализации объектов на изображении. Она использует 100 запросов объектов и сопоставление предсказаний с разметкой венгерским алгоритмом. На валидационной части COCO 2017 достигла AP 42,0. В метаданных размер указан как 6,3 млн параметров. Для обработки изображений применялись изменение размера с короткой стороной не менее 800 и длинной не более 1333 пикселей, а также нормализация RGB-каналов. Результаты зависят от сходства изображений с COCO и качества предварительной обработки; модель обучена для обнаружения объектов, размеченных в этом наборе данных. Репозиторий распространяется под лицензией Apache-2.0.