IV.1Ритейл, электронная коммерция и fashion-tech

Это оптимизированная версия MiniMax H3, подготовленная для загрузки через Diffusers. В модели сокращены входные проекции AdaLN: их вход сжат до ранга 8, а временные координаты берутся из таблицы с интерполяцией. По README, это уменьшает размер двух разделов DiT на 52 ГБ; авторы сообщают, что заметного изменения результата не наблюдали. Репозиторий основан на MiniMaxAI/MiniMax-H3 и сохраняет формат safetensors. Модель предназначена для генерации видео по тексту и изображениям. Она также поддерживает LoRA для MiniMax H3: адаптеры, обученные на сокращённой версии, загружаются напрямую, а адаптеры для исходной версии проецируются на сокращённые координаты. Проверки в README показывают близость численных результатов к исходной модели, но преобразование не является побитово точным: небольшие отличия возникают из-за аппроксимации и округления bfloat16. Использование требует `trust_remote_code=True` для пайплайна и класса трансформера; перед запуском авторы рекомендуют просмотреть файл пользовательского кода. Лицензия указана как `other`, поэтому условия использования следует сверить на странице модели.

kfkas/movinet-a0-stream-pytorch — реализация MoViNet-A0 Stream на PyTorch и Transformers с весами для классификации видео на 600 классов Kinetics-600. Чекпойнт перенесён из Atze00/MoViNet-pytorch и основан на официальном выпуске MoViNet от Google Research. Модель содержит 3 748 031 параметр и поддерживает причинную потоковую обработку: можно передавать кадры последовательно, сохраняя состояние между ними, либо классифицировать отдельные видеоклипы. На вход подаются RGB-клипы в формате [batch, frames, channels, height, width]; эталонное разрешение — 172×172, значения пикселей должны быть float в диапазоне [0, 1]. Для потокового режима кадр подаётся отдельно, а состояние сбрасывается перед обработкой нового видео. Модель предназначена для распознавания действий и других классов Kinetics-600; классификатор можно заменить для обучения под новую задачу. Репозиторий использует собственный код Transformers, поэтому автор рекомендует проверять файлы модели и фиксировать ревизию при производственном использовании. Лицензия — MIT.

OmniSVG — мультимодальная модель генерации SVG от команды OmniSVG, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct. Она создаёт векторную графику по текстовому описанию и изображению: от простых значков до сложных иллюстраций и персонажей. Модель имеет плотную архитектуру Qwen2.5-VL, содержит 3,2 млрд параметров, принимает контекст до 128 000 токенов и распространяется в формате PyTorch. Модель предназначена для условной генерации SVG и подходит для создания значков, иллюстраций и персонажей по запросу или визуальному примеру. В README указано использование 17 ГБ видеопамяти при инференсе; для окружения авторы проверяли CUDA 12.1. Карточка перечисляет обучающие наборы MMSVG-Icon и MMSVG-Illustration, а также датасет MMSVG-2M с двумя миллионами размеченных SVG-объектов. Лицензия — Apache-2.0.

MMOPD/Qwen3-4B-OT3-finance — дообученная командой MMOPD модель семейства Qwen3 для ответов на финансовые вопросы и вычислений по финансовым отчётам. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров, рассчитанная на генерацию текста; она принимает текстовые запросы и выдаёт текстовые ответы. Контекст составляет до 32 768 токенов. Модель дообучена методом GRPO на вопросах FinQA и TAT-QA с вознаграждением за совпадение числового ответа; в README указана точность 74,6% на FinQA. Модель подходит для ответов на вопросы по финансовой отчётности и решения задач с числовыми данными. README рекомендует использовать шаблон чата Qwen3, включать режим thinking и генерировать сэмплированием. Указаны результаты общих и профильных бенчмарков, однако по ним модель уступает исходной версии OT3-2ep на части общих оценок. Модель распространяется под лицензией Apache-2.0.

Realism-By-Stable-Yogi-Pony-LoRa — LoRA-адаптер для генерации изображений, разработанный пользователем или организацией incendies. Модель предназначена для использования в сценариях text-to-image и интеграции с библиотекой Diffusers, вероятно для усиления реалистичной стилистики при генерации изображений на базе LyliaEngine/Pony_Diffusion_V6_XL. Известно, что адаптер совместим с базовой моделью LyliaEngine/Pony_Diffusion_V6_XL и относится к семейству diffusion LoRA. Данные о размере, архитектуре адаптера, поддерживаемых языках, контекстном окне и дополнительных модальностях не указаны. Сильной стороной является специализированная настройка базовой модели под реалистичную визуальную подачу, однако качество и область применимости зависят от базовой модели и параметров подключения LoRA. Лицензия — MIT.

klentree/segformer-b0-scene-parse-150 — дообученная модель семантической сегментации изображений на архитектуре SegFormer, основанная на DiTo97/binarization-segformer-b3. По названию репозитория она предназначена для разбора сцен на 150 классов, однако README не описывает метки и набор данных, поэтому это назначение нельзя подтвердить. Для оценки приведены Loss 0,1587, Mean IoU 0,5023, Mean Accuracy 0,5190 и Overall Accuracy 0,9675; IoU по двум категориям составляет около 0,037 и 0,967, что указывает на сильно различающиеся результаты между категориями. Модель принимает изображения и выдаёт карту семантических классов. Лицензия — OpenRAIL.

ShareCaptioner-Video — открытая модель Lin-Chen для подробного описания и суммирования видео. Она дообучена на базе InternLM-Xcomposer2-4KHD, использует архитектуру InternLM2ForCausalLM и содержит 7,4 млрд параметров. Для обработки видео кадры представляются модели в виде изображений; в описании указана поддержка разных длительностей, пропорций сторон и разрешений. Контекст составляет 32 768 токенов. Модель предназначена для генерации описаний видео и поддерживает четыре сценария: быстрое описание коротких роликов по ключевым кадрам, потоковое описание событий между соседними кадрами, суммирование клипа по последовательности дифференциальных описаний и переформулирование текстовых запросов в плотные описания. Обучение проводилось на данных ShareGPT4Video, включая пары видео и описаний, дифференциальные описания и текстовые запросы. Модель ориентирована на исследователей и любителей в области компьютерного зрения и машинного обучения. Модель выдаёт текст и принимает визуальные кадры либо текст в зависимости от сценария. В README не указаны поддерживаемые естественные языки и лицензия, поэтому их нельзя уточнить по доступным сведениям. Это специализированная модель описания видео, а не универсальная система для любых задач генерации текста.

SkyPaint — модель генерации изображений по текстовому описанию, разработанная Singularity-AI. Она предназначена для работы с китайскими и английскими запросами, включая смешанные подсказки, и для создания изображений в современном художественном стиле. Модель сохраняет привычный формат подсказок Stable Diffusion 1.x и использует конвейер StableDiffusionPipeline из библиотеки Diffusers. Система сочетает текстовый кодировщик на основе OpenAI CLIP, оптимизированный для китайского и английского языков, и диффузионную модель, дообученную на базе stable-diffusion-v1-5. В README также описан отдельный проект SkyCLIP для двуязычного кодирования текста и поиска по сходству изображений и текста; это не следует считать отдельной задачей самой SkyPaint. Модель подходит для создания иллюстраций и художественных изображений по коротким или составным текстовым запросам на китайском и английском языках. Авторы сообщают, что модель продолжает оптимизироваться; лицензия в предоставленных данных не описана.

TinyCast — компактная вероятностная модель для прогнозирования одномерных временных рядов с нуля, разработанная raws-labs. Она не требует подгонки или дообучения для конкретного ряда и выдаёт девять квантилей прогноза. Модель содержит 146 505 параметров и использует десять блоков причинных свёрток Conv1d с растущими дилатациями; механизм внимания отсутствует, а периодичность оценивается отдельно для каждого контекстного окна. В метаданных указан pipeline time-series-forecasting и библиотека tinycast. TinyCast предназначена для потокового прогнозирования на маломощных устройствах, в том числе микроконтроллерах. В README приведены результаты GIFT-Eval и запуск на Cortex-M7 с INT8-квантованием, статическим графом и ограниченной памятью. Модель принимает одномерный числовой временной ряд и выдаёт вероятностный прогноз. Лицензия — Apache-2.0. Модель не использует ковариаты и связи между несколькими рядами. За пределами режимов, представленных в предобучении, качество может незаметно снижаться; оценка периода ограничена разрешением FFT, а нормализация по минимуму и максимуму чувствительна к выбросам. При короткой истории прогноз постепенно приближается по качеству к сезонному наивному базовому методу.

Wan2.1-T2V-14B-NABLA-0.7 — дообученная версия модели Wan2.1 T2V-14B, представленная командой ai-forever. Она предназначена для генерации видео по текстовым описаниям. Модель использует механизм разреженного внимания NABLA (Neighborhood Adaptive Block-Level Attention), который адаптивно формирует маски внимания для ускорения вычислений в видеодиффузионном трансформере. NABLA с порогом 0,7 рассчитана на генерацию видео высокого разрешения; в карточке описана поддержка разрешения 720p и выше. Метод реализован через Flex Attention в PyTorch и не требует собственного CUDA-кода. Авторы сообщают об ускорении обучения и генерации до 2,7 раза в зависимости от размера видео и настроек, при сохранении сопоставимого качества в их оценках. Модель принимает текст и выдаёт видео; в языковых тегах указан английский. Репозиторий распространяется по лицензии Apache-2.0. Для использования Flex Attention требуется PyTorch версии 2.7 или новее. Фактическое ускорение зависит от конфигурации, а в README результаты приведены для нескольких порогов и вариантов NABLA, поэтому они не гарантируют такие же показатели для порога 0,7 во всех сценариях.

AnimateDiff-Lightning — модель генерации видео по текстовому запросу, разработанная ByteDance и представленная как часть исследовательской работы о дистилляции диффузионных моделей между архитектурами. Чекпойнты дистиллированы из AnimateDiff SD1.5 v2 и рассчитаны на генерацию за 1, 2, 4 или 8 шагов; по заявлению авторов, они работают более чем в десять раз быстрее исходного AnimateDiff. Для запуска используются Diffusers и веса в формате safetensors. Модель подходит для создания коротких анимированных роликов по описанию и для video-to-video преобразования в связке с ControlNet. Авторы рекомендуют применять её со стилизованными базовыми моделями Stable Diffusion, например для реалистичной или мультяшной эстетики; доступны рабочие сценарии для ComfyUI. Качество 2-, 4- и 8-шаговых вариантов авторы оценивают как хорошее, а однокроковый вариант предназначен для исследований. Для обработки входных видео рекомендованы умеренные длительность и разрешение; в примерах использовались ролики 576×1024 длительностью 8 секунд и частотой 30 кадров/с. Лицензия — CreativeML Open RAIL-M.

BasilRemix — модель преобразования текстовых запросов в изображения, созданная путём смешивания BasilMix и ReVAnimated v11. В репозитории доступны веса в формате Diffusers и safetensors; метаданные указывают на StableDiffusionPipeline и лицензию other. Модель предназначена для создания иллюстраций по текстовому описанию, в том числе стилизованных изображений персонажей и чиби. В карточке приведён пример запроса для детализированной мультяшной иллюстрации, но сведения о размере модели, контексте и поддерживаемых языках не приведены.

onnx-community/depth-anything-v2-small-ONNX — модель для оценки глубины по изображению, основанная на Depth Anything V2 Small, разработанной командой Depth Anything и распространяемая сообществом ONNX Community в формате ONNX. Модель предназначена для работы с библиотекой Transformers.js, включая JavaScript-приложения и веб-сценарии. На вход подаётся изображение, а на выходе формируется карта глубины, которую можно сохранить и визуализировать. Модель относится к задачам компьютерного зрения и может использоваться для анализа пространственной структуры сцен, обработки изображений и создания веб-приложений с оценкой глубины. В README не указаны точная архитектура, количество параметров, максимальный размер контекста, поддерживаемые языки или детальные показатели качества. Ключевое преимущество модели — наличие ONNX-весов, совместимых с Transformers.js, что упрощает запуск в JavaScript-средах. Ограничения, характеристики производительности и требования к аппаратному обеспечению в предоставленных данных не описаны; качество оценки глубины может зависеть от содержания и качества входного изображения. Модель распространяется по лицензии Apache-2.0.

DreamFul-V2 — модель генерации изображений по текстовому описанию, опубликованная пользователем Hius и рассчитанная на создание реалистичных и естественных изображений. Она распространяется в формате Diffusers и использует StableDiffusionPipeline; автор описывает её как смесь моделей, но состав и базовые модели не раскрывает. Модель предназначена для создания изображений по промптам, например портретов с заданным освещением и цветовой палитрой. В карточке приведены рекомендации по настройкам генерации: сэмплеры DPM++ SDE Karras или Ruler a, 30–50 шагов и CFG Scale 7.5. Указанный язык метаданных — английский. Автор отмечает, что модель находится в стадии тестирования, поэтому её качество и стабильность могут меняться. LoRA в модель не добавлена. Лицензия — CreativeML OpenRAIL-M.

Yntec/DreamlikeDiffusion — версия модели Dreamlike Diffusion для генерации изображений по текстовому описанию. В README указано разрешение 768×768 и встроенный VAE 840K, который предназначен для улучшения деталей, особенно глаз. Метаданные относят модель к семейству Stable Diffusion и указывают форматы Diffusers и safetensors. Модель подходит для создания художественных и стилизованных изображений, портретов, фантастических сцен и иллюстраций по текстовым запросам. Примеры в карточке охватывают сказочные сцены, ретро-фотографию и фантастические пейзажи. В качестве языка карточки указан английский. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты. Карточка не приводит результатов тестирования или подробностей об ограничениях качества.

Fluxed Up 2.5devfp8 — модель типа LoRA для генерации изображений по текстовому описанию. Она предназначена для использования с библиотекой Diffusers и базовой моделью black-forest-labs/FLUX.1-dev. В карточке модель опубликована под идентификатором eqtgeqw/Fluxed_Up_2.5devfp8; сведения об отдельной организации-разработчике отсутствуют. Модель ориентирована на сценарии text-to-image и распространяется в формате весов Safetensors. Архитектура, размер, поддерживаемые языки, длина контекста и точные особенности дообучения в README не указаны. Пример результата представлен изображением, однако подробные рекомендации по промптам и применению отсутствуют. Условия лицензирования обозначены как other; используется специальная лицензия fluxed-up-2.5devfp8-license, доступная в файле LICENSE. Ограничения по использованию, коммерческому применению и распространению следует уточнять непосредственно в этой лицензии.

HiDream-I1-Dev-gguf — это прямое преобразование модели HiDream-I1-Dev в формат GGUF, выполненное пользователем city96. Базовая модель разработана HiDream.ai и предназначена для генерации изображений по текстовому описанию; в карточке указана модальность text-to-image и английский язык. Размер, архитектура, максимальная длина контекста и другие внутренние характеристики в README не указаны. Модель рассчитана на использование в ComfyUI через пользовательский узел ComfyUI-GGUF. Для работы могут потребоваться VAE и дополнительные файлы из отдельного репозитория Comfy-Org/HiDream-I1_ComfyUI, поэтому конфигурация требует совместимой среды и корректно установленных компонентов. Формат GGUF предоставляет варианты квантования, однако конкретный тип квантования для данного набора файлов не указан, как не приведены и результаты тестов качества или производительности. Лицензия модели — MIT.

Это набор оптимизированных весов Krea 2 Turbo от PuppetVision для генерации изображений в ComfyUI. В репозитории представлены INT8 TensorWise чекпойнты диффузионной модели, вариант с предварительно объединённым Style Reference LoRA и INT8 текстовый энкодер Qwen3-VL-4B; файлы сохранены в формате safetensors. Основная задача — создание изображений по текстовым описаниям. Релиз ориентирован на ускоренный запуск на AMD GPU с ROCm и Triton. В README приведены результаты измерений на Ubuntu: полный оптимизированный путь, включающий ROCm FlashAttention и Qwen VAE Triton W8A8, сократил время первого запуска в тесте с 242,4 до 85 секунд, а тёплая генерация ускорилась на 8,2%. Эти результаты относятся к конкретной тестовой конфигурации и не гарантируют такой же производительности на другом оборудовании. Базовая модель Krea 2 Turbo описана как модель на 12 млрд параметров для быстрых изображений по английским описаниям. Лицензия указана как other; README не приводит её конкретных условий. Для использования требуются совместимые модели и компоненты ComfyUI, а оптимальный путь зависит от версии ROCm, PyTorch и GPU.

Noctaluna/Krea2-Noct-Uncensored — слитая версия Krea 2 Turbo, опубликованная Noctaluna для генерации фотореалистичных изображений по текстовым описаниям. Модель рассчитана на откровенные сцены и обнажённую натуру, а также создаёт изображения в стилях телефонного снимка, аниме, иллюстрации и 3D. По карточке, она работает с явными промптами без дополнительной LoRA и ориентирована на быстрый вывод за 8 шагов. В репозитории размещены файлы Safetensors версий V3 и V4 в формате int8; для запуска автор описывает ComfyUI 0.37 или новее, разрешение 1024×1536 и связанные текстовый энкодер Qwen3 VL 4B и VAE Qwen Image. Базовая Krea 2 Turbo — текстово-графическая модель на 12 млрд параметров, рассчитанная на английские описания. Лицензия указана как other, конкретные условия в доступных сведениях не раскрыты.

Lykon/NeverEnding-Dream — модель генерации изображений по текстовому запросу, размещённая разработчиком Lykon. Она распространяется в форматах Diffusers, PyTorch и Safetensors и помечена как Stable Diffusion, однако карточка не приводит сведения об архитектурной версии, размере модели, контексте или конкретных особенностях генерации. Модель предназначена для создания художественных изображений по текстовым описаниям. В метаданных указан английский язык. Лицензия обозначена как other, поэтому конкретные условия использования по карточке определить нельзя. README не содержит дополнительных технических характеристик или описания ограничений модели.

simonykq/nvidia-transaction-decoder-fm — зеркало предварительно обученного чекпойнта NVIDIA Transaction Decoder Foundation Model из примера NVIDIA Build Your Own Transaction Foundation Model, описанного в техническом блоге NVIDIA. Это плотная decoder-only модель семейства Llama примерно на 25,7 млн параметров: в README указано около 29 млн, 8 слоёв, скрытый размер 512 и grouped-query attention. Словарь содержит около 6 251 специализированного токена финансовых транзакций; модель обучалась примерно 3 000 шагов на IBM TabFormer с NeMo AutoModel. Модель предназначена для извлечения признаковых представлений финансовых транзакций: её можно загрузить через AutoModelForCausalLM и использовать эмбеддинг последнего токена. Заявленная длина контекста — 8 192 токена. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README характеризует репозиторий как зеркало чекпойнта, а не как новую модель NVIDIA.

Pony Realism v2.2 Main + VAE — реалистичный чекпойнт для генерации изображений по текстовому описанию, созданный ZyloO на базе Pony. Автор сообщает об улучшениях освещения, ночных сцен, рук и ног, цветопередачи, лиц, кожи, детализации и понимания запросов; также обновлена VAE. Модель рассчитана на генерацию изображений высокого разрешения, поддерживает стиль промптов с тегами Danbooru и лучше всего работает с рекомендованными автором семплерами, включая Euler A и DPM++. Файлы представлены в формате Diffusers с весами Safetensors. Лицензия в предоставленных данных не указана.

Rainbowpatch — модель генерации изображений по текстовому описанию в экосистеме Stable Diffusion. Её разработал Patchmonk; README рекомендует добавлять слово «Rainbowpatch» в запрос, чтобы усилить характерный стиль модели. Модель предназначена для создания изображений по текстовым промптам. Она распространяется в форматах Diffusers, PyTorch и Safetensors и использует лицензию CreativeML OpenRAIL-M. README не приводит сведений о размере модели, контексте или конкретных языках промптов.

Это версия детектора лиц SCRFD det_10g в формате GGUF, подготовленная для CrispEmbed. Модель использует архитектуру с backbone ResNet-50 и пирамидой признаков FPN и обнаруживает лица, возвращая также пять ключевых точек на каждом лице. Модель предназначена для обнаружения лиц на изображениях и может использоваться в системах компьютерного зрения, которым нужны координаты лиц и ориентиры для последующей обработки. В README приведено сравнение максимальных оценок на изображении Lenna 512×512 с ONNX Runtime: результаты близки, а при шаге 32 обе версии обнаруживают пять якорей с оценкой выше 0,5. Репозиторий содержит только преобразование формата и/или квантизацию исходных весов SCRFD det_10g; архитектура и возможности модели не менялись. Лицензия — Apache-2.0, как у upstream-модели deepinsight/insightface.

SegFormer B5 — модель семантической сегментации изображений, опубликованная пользователем smp-hub и обученная на наборе ADE20K. Репозиторий указывает размер входа 640×640 и вариант обучения на 160 тысячах шагов; модель загружается через библиотеку segmentation-models-pytorch и распространяется в формате safetensors. Модель предназначена для отнесения пикселей изображения к семантическим классам сцен ADE20K. Её можно применять для разметки объектов и областей на фотографиях и анализа сцен. В карточке не приведены численные метрики качества и условия лицензии обозначены только как other, поэтому совместимость с конкретными сценариями и правовой режим использования следует оценивать отдельно.

SegFormer B5 — модель NVIDIA для семантической сегментации изображений, дообученная на наборе ADE20K с разрешением 640×640. Она использует иерархический Transformer-энкодер и лёгкую декодирующую голову на основе MLP; исходное представление предварительно обучено на ImageNet-1k. Модель предназначена для попиксельного отнесения областей изображения к классам сцен и объектов. Её можно применять для анализа сцен на фотографиях и изображениях помещений или улиц, а также как основу для задач сегментации на данных, близких к ADE20K. Репозиторий содержит веса PyTorch и TensorFlow. Карточка не приводит отдельные показатели качества и не описывает поддерживаемые языки. Модель работает с изображениями и выдаёт карту семантических классов; качество на данных, отличающихся от обучающего набора, может быть ниже. Метаданные указывают лицензию `other`, поэтому перед использованием следует проверить условия лицензии репозитория.

Stable-diffusion-v2-1-GGUF — это модель генерации изображений по текстовому описанию, опубликованная пользователем или организацией jiaowobaba02. Она предназначена для сценариев text-to-image, в которых по заданному промпту создаётся изображение, например иллюстрация или художественная сцена. В README приведён пример генерации изображения с описанием «a lovely cat». Модель распространяется в формате GGUF и представлена в нескольких вариантах квантования: q8_0, q5_0, q5_1 и q4_1. Указан файл stable_diffusion-ema-pruned-v2-1_768, что соответствует варианту Stable Diffusion v2.1 с размером изображения 768, однако точные сведения об архитектуре, количестве параметров, поддерживаемых языках и максимальном контексте в README отсутствуют. Для запуска требуется совместимое программное обеспечение stable-diffusion.cpp; конкретные системные требования и производительность не указаны. К сильным сторонам относятся поддержка нескольких уровней квантования и возможность локального запуска через GGUF-совместимый инструмент. К ограничениям относятся отсутствие подробной информации о качестве генерации, лицензии, наборе данных, языковой поддержке и официальном разработчике базовой модели. Условия использования и лицензия в README не указаны.

TIPO-200M-ft — дообученная языковая модель семейства LLaMA от KBlueLeaf, предназначенная для подготовки и оптимизации текстовых запросов к генераторам изображений. Она дополняет или уточняет короткие и неполные промпты, чтобы помочь получить более подходящее описание для генерации изображения. Модель содержит 177,9 млн параметров, принимает текст и генерирует текст; карточка указывает контекст до 2048 токенов, а README описывает архитектуру LLaMA и обучение на данных Danbooru2023 и Coyo-HD-11M. Модель рассчитана на использование в конвейере text-to-image через расширение z-tipo-extension, совместимое со Stable Diffusion WebUI, Forge и ComfyUI. В README приведены результаты оценки базовой TIPO-200M, но не отдельные результаты TIPO-200M-ft. Репозиторий содержит веса safetensors и вариант GGUF F16. Лицензия указана как other, поэтому условия использования следует уточнять по карточке модели.

UrduClassification — модель классификации тональности отзывов на урду, созданная дообучением urduhack/roberta-urdu-small на наборе IMDB Urdu Reviews. Она использует архитектуру RoBERTa с головой RobertaForSequenceClassification и относит текст к положительному или отрицательному классу. Модель подходит для анализа отзывов и других коротких пользовательских текстов на урду. В метаданных указаны 153,2 млн параметров и контекст длиной 514 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии MIT. В README приведены результаты оценки, но набор для оценки не раскрыт; поэтому качество на других типах текстов и вне домена отзывов не подтверждено.

VideoMAE Large — видеомодель с 402,7 млн параметров, разработанная командой MCG-NJU и представленная в исследовании о masked autoencoder для самообучения на видео. Она предварительно обучена без учителя на Kinetics-400 в течение 1600 эпох. Архитектура основана на Vision Transformer: видео разбивается на патчи размером 16×16, а декодер предсказывает значения пикселей скрытых патчей. Модель предназначена прежде всего для дообучения на прикладных задачах и извлечения признаков из размеченных видео, например для обучения классификатора поверх представления токена CLS. В исходном виде она также может предсказывать пиксели замаскированных видеофрагментов. Карточка не приводит результатов оценки и подробностей предобработки. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.