IV.1Ритейл, электронная коммерция и fashion-tech

FlowState — базовая модель для прогнозирования временных рядов, выпущенная IBM Research. Она сочетает энкодер на основе State Space Model (SSM) с декодером на функциональном базисе, который формирует непрерывный прогноз и позволяет адаптировать модель к разным частотам дискретизации и временным масштабам. Модель предназначена для прогнозирования без дообучения (zero-shot). Версия r1.1 содержит 18,5 млн параметров и контекст предобучения длиной 4096; при загрузке этой версии необходимо явно указать revision=r1.1, иначе используется версия 1.0. Для настройки временного масштаба рекомендуется учитывать сезонность данных; качество прогноза снижается при горизонте свыше примерно 30 сезонов. В карточке заявлены высокая точность zero-shot прогнозирования и эффективность при компактном размере модели. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Эта публикация предназначена для исследовательского использования и воспроизведения результатов; для коммерческого и корпоративного применения IBM указывает на отдельные выпуски Granite.

GizzAI разработала Gizzai-Sense-T-E2B — дообученную модель для анализа временных рядов и прогнозирования. Она принимает ряд числовых значений вместе с текстовым описанием и ковариатами, а затем выдаёт типизированные вероятностные оценки и числовые прогнозы в виде квантилей. Замороженный энкодер Chronos-2 кодирует ряд, обученный проектор переводит его состояния в пространство эмбеддингов языковой модели Gemma 4; значения ряда также передаются модели в текстовом виде. Для решений используются вероятности по вариантам ответа, а прогнозные интервалы строятся с поправкой на прогноз Chronos-2. Модель обучена на синтетических рядах для выявления аномалий, оценки трендов, сезонности, волатильности, порогов и эффектов событий, а также для сценарных прогнозов и сравнений вариантов действий. В карточке приведены результаты проверки на рядах из обучавшихся и новых областей, а также метрики квантильных прогнозов. Модель не предназначена для конкретной предметной области и не обучалась на пользовательских данных. Текстовые состояния при обучении были на китайском; другие языки не проверялись. Истории длиннее обученного окна усекаются. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

iFormer M — модель классификации изображений и извлечения визуальных признаков из семейства iFormer, опубликованная авторами статьи и обученная на ImageNet-1k. Она сочетает свёрточные сети и Transformer и рассчитана на мобильные сценарии. Модель содержит 8,9 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 1,7 GMACs на обработку изображения. Модель подходит для определения объектов и категорий на изображениях, извлечения карт признаков и получения векторных представлений изображений. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

MambaVision-L2-512-21K — модель компьютерного зрения компании NVIDIA для классификации изображений и извлечения визуальных признаков. Это гибридная иерархическая архитектура, объединяющая Mamba и блоки self-attention на поздних слоях для моделирования дальних пространственных зависимостей. Модель предобучена на ImageNet-21K и дообучена на ImageNet-1K при разрешении 512 × 512 пикселей. Модель можно применять для присвоения изображениям меток классов и получения признаковых представлений для последующих задач компьютерного зрения. В README заявлены высокая точность и пропускная способность семейства MambaVision, но численные результаты конкретной версии в предоставленной карточке отсутствуют. Для распространения указана лицензия `other`; её условия следует сверить с лицензией репозитория перед использованием.

MambaVision-T2-1K — модель компьютерного зрения от NVIDIA из семейства MambaVision, сочетающего архитектуры Mamba и Transformer. Иерархическая сеть использует блоки self-attention на последних этапах для моделирования дальних пространственных зависимостей; вариант 1K предназначен для классификации изображений на 1000 классов ImageNet-1K. Модель подходит для классификации изображений и извлечения визуальных признаков: она выдаёт метки классов или признаки четырёх этапов сети и усреднённые признаки последнего слоя. В README заявлены высокая точность Top-1 и пропускная способность, однако приведённые материалы не содержат численных результатов для этого варианта. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверить с карточкой модели.

SetFit-модель для классификации коротких названий товаров по 18 категориям интернет-магазина. Её опубликовал пользователь mini1013; модель основана на klue/roberta-base и использует дообученный Sentence Transformer с контрастивным обучением и классификатор LogisticRegression. Для работы применяется библиотека SetFit. Модель принимает текстовые названия и категории товаров, например товары для дома, одежду, электронику, продукты и туристические услуги, и присваивает им одну из 18 меток. Контекст ограничен 512 токенами. В README приведена метрика 0,9798, однако не уточняется её тип и набор оценки, поэтому её нельзя напрямую трактовать как ожидаемую точность в новых данных. Модель и базовая RoBERTa ориентированы на корейский язык; фактические метки и примеры также преимущественно на корейском. Лицензия в предоставленных сведениях не указана. Модель подходит для автоматической категоризации товарных названий, но область её применения ограничена набором из 18 классов и каталогом, на котором она обучалась.

MobileViT-S — компактная модель классификации изображений и извлечения визуальных признаков из семейства MobileViT. Она разработана авторами работы MobileViT и обучена на ImageNet-1k; в репозитории timm опубликованы веса для PyTorch в форматах PyTorch и safetensors. Модель содержит около 5,6 млн параметров, требует изображение размером 256 × 256 пикселей и имеет вычислительную сложность около 2,0 GMACs. Модель подходит для классификации объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Компактная архитектура рассчитана на мобильные и другие ресурсоограниченные сценарии. Языковые входы не используются. Лицензия указана как other; подробности условий использования в карточке не приведены.

NextViT Small — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её обучили авторы работы Next-ViT на неизвестном наборе из 6 млн примеров с последующим обучением на ImageNet-1k с помощью дистилляции SSLD. Модель относится к семейству Next-ViT и содержит около 31,8 млн параметров; для классификации рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен по изображениям, а также для получения карт признаков и эмбеддингов, которые можно использовать в других задачах компьютерного зрения. В таблице README для варианта с разрешением 384 пикселя приведена точность Top-1 85,964% на ImageNet-1k; это не показатель именно версии с входом 224 × 224. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

Карточка модели MinhNhut3005/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели shanghen/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

ResNet50.ra_in1k — модель классификации изображений семейства ResNet-B, разработанная для библиотеки timm. Она обучена на ImageNet-1k с рецептом RandAugment RA, оптимизатором RMSProp, усреднением EMA и ступенчатым расписанием скорости обучения. Архитектура использует активации ReLU, свёртку 7×7 с последующим пулингом и короткие соединения с понижающими проекциями 1×1. Модель содержит 25,6 млн параметров и требует около 4,1 GMACs; размер изображения при обучении — 224×224, при тестировании — 288×288. Помимо классификации, её можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Лицензия — Apache-2.0.

ResNeXt-50 32x4d — модель классификации изображений и извлечения визуальных признаков из семейства ResNeXt, опубликованная авторами в библиотеке timm. Она использует остаточные блоки с групповыми свёртками 3×3, свёртки 1×1 для понижения размерности и ReLU. Модель содержит около 25 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предварительно обучена на части YFCC100M методом полунадзираемого обучения, затем дообучена на ImageNet-1k. Её можно использовать для классификации изображений, извлечения карт признаков и получения эмбеддингов, в том числе как визуальный backbone для компьютерного зрения. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

RF-DETR Base — модель обнаружения объектов в изображениях семейства RF-DETR, разработанного авторами работы «RF-DETR: Neural Architecture Search for Real-Time Detection Transformers» и интегрированного в библиотеку Transformers. Она предназначена для быстрого обнаружения объектов с балансом точности и задержки; базовый чекпойнт обучен распознавать 80 категорий COCO 2017. Архитектура сочетает визуальный ViT-бэкбон в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор признаков и декодер Deformable DETR с объектными запросами. Модель принимает изображения и выдаёт классы объектов и их рамки. Лицензия — Apache-2.0. Модель ориентирована на обнаружение объектов общего назначения. Карточка не приводит оценок качества или требований к вычислительным ресурсам, поэтому пригодность для конкретной среды следует оценивать отдельно.

RF-DETR Seg Nano — модель сегментации экземпляров объектов от Roboflow из семейства RF-DETR, представленного в исследовании Robinson и соавторов. Модель объединяет визуальный трансформерный backbone в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор и декодер в стиле Deformable DETR с головой предсказания масок. Она выдаёт маску для каждого объекта, а также ограничивающую рамку и оценку класса. Модель предназначена для сегментации объектов на изображениях в реальном времени. Чекпойнт обучен на COCO 2017 для 80 категорий объектов. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Размер модели и длина контекста не указаны в предоставленных данных.

RT-DETR-R101 — модель обнаружения объектов на изображениях из семейства RT-DETR, разработанная Янь Чжао и Санбум Чхве и опубликованная на Hugging Face пользователем Санбум Чхве. Это сквозной детектор на основе Transformer с гибридным энкодером, который обрабатывает признаки разных масштабов, и декодером, предсказывающим классы объектов и ограничивающие рамки. Архитектура RT-DETR рассчитана на обнаружение объектов в реальном времени без постобработки NMS; число слоёв декодера можно менять для настройки скорости без переобучения. Данная версия использует backbone R101 и связана с предварительным обучением на Objects365; модельная карточка описывает обучение RT-DETR на COCO 2017. Она подходит для распознавания и локализации объектов на изображениях, в том числе в сценариях реального времени. В статье для RT-DETR-R101 с предварительным обучением на Objects365 сообщается результат 56,2 AP на COCO и 74 FPS на GPU T4; это результаты статьи, а не гарантия скорости в конкретной среде. Для обработки изображений в карточке указан размер 640×640 с нормализацией каналов RGB. Модель распространяется по лицензии Apache-2.0.

PekingU/rtdetr_r34vd — модель обнаружения объектов на изображениях на базе RT-DETR, разработанная Яном Чжао и Сангбум Чхве и опубликованная на Hugging Face в формате Transformers. Это вариант RT-DETR-R34 с гибридным энкодером, который обрабатывает многомасштабные признаки, и декодером, предсказывающим классы объектов и ограничивающие рамки. Архитектура использует выбор начальных запросов с минимальной неопределённостью; число слоёв декодера можно менять для настройки скорости без переобучения. Модель предназначена для сквозного обнаружения объектов в реальном времени без этапа NMS. В карточке приведены результаты обучения на COCO 2017 и оценки для RT-DETR-R34: 48,5 AP на валидационной части COCO. Для обработки изображения README описывает изменение размера до 640×640 и нормализацию каналов RGB. Модель принимает изображения и выдаёт классы и координаты обнаруженных объектов. Модель распространяется по лицензии Apache-2.0. Показатели скорости и точности в README приведены для условий оценки на COCO и конкретного оборудования; они не гарантируют аналогичных результатов на других наборах данных и устройствах.

RT-DETR-R50 — модель обнаружения объектов на изображениях, разработанная Яном Чжао и Сангбумом Чхве и опубликованная на Hugging Face в реализации для Transformers. Это детектор на базе Transformer с гибридным энкодером для обработки многомасштабных признаков и декодером, который предсказывает классы объектов и ограничивающие рамки. Архитектура позволяет менять число слоёв декодера для настройки скорости без повторного обучения. Модель обучалась на COCO 2017; карточка сообщает о предварительном обучении RT-DETR-R50 на Objects365 и приводит результат 55,3 AP для такого варианта. Для обработки изображения применяется изменение размера до 640×640 и нормализация каналов. В таблице оценки COCO для RT-DETR-R50 указаны 42 млн параметров, 53,1 AP и 108 кадров в секунду на T4 GPU; эти показатели зависят от условий запуска. Поддерживается обнаружение объектов, а лицензия Apache-2.0 разрешает использование на её условиях.

SigLino-30M — плотная зрительная модель семейства SigLino, разработанная авторами работы CVPR 2026 AMoE. В названии семейства отражено сочетание SigLIP2 и DINOv3; модель связана с исследованием дистилляции в архитектуру Mixture-of-Experts. Это вариант с 30 млн параметров и 12 слоями. Модель предназначена для извлечения признаков изображений. В карточке приведены результаты оценки признаков на изображениях размером 512×512: точность kNN-классификации на ImageNet составляет 79,0%, средняя точность на шести наборах данных — 83,3%, а точность классификации ImageNet в режиме zero-shot — 65,1%. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Доступные сведения описывают модель как извлекатель признаков; размеры входа в проведённых оценках не задают максимальный поддерживаемый размер изображения.

fgeeha/siglip2-wine — модель fgeeha, дообученная на базе визуально-текстовой SigLIP 2 so400m patch16 384 от Google для поиска вин из каталога «Своё Вино» по фотографии бутылки. Она извлекает визуальные признаки, которые используются для сопоставления снимка бутылки на полке с одной из 2103 позиций каталога. Модель обучали на синтетических изображениях винных полок, созданных из эталонных фотографий каталога; для поиска её используют вместе с индексом fgeeha/wine-scanner-index. Модель принимает изображение и предназначена для извлечения признаков при визуальном поиске. В README указана архитектура SigLIP 2 с конфигурацией so400m, patch16 и разрешением 384. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

tf_efficientnet_b0.ap_in1k — сверточная модель EfficientNet для классификации изображений и извлечения визуальных признаков. Авторы EfficientNet обучили исходную версию на ImageNet-1k с использованием AdvProp, а Росс Уайтман перенёс её на PyTorch; модель распространяется через timm и Hugging Face. В ней около 5,3 млн параметров, вычислительная сложность составляет 0,4 GMACs, а указанное входное разрешение — 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Она принимает изображения и выдаёт метки классов либо признаки, в зависимости от используемого режима. Лицензия — Apache-2.0. Карточка не сообщает о мультиязычной текстовой поддержке: модель работает с изображениями.

TiRex-1.1-gifteval — версия модели прогнозирования временных рядов TiRex, разработанная NX-AI. Это небольшая модель временных рядов на 35 млн параметров с архитектурой xLSTM, предназначенная для прогнозирования на коротких и длинных горизонтах. Версия 1.1 добавляет нормализацию длинных периодов при инференсе; в варианте gifteval обучающие данные очищены от пересечений с тестовым набором GIFT-Eval. Модель поддерживает прогнозирование без дообучения на пользовательских данных и выдаёт как точечные, так и квантильные прогнозы. Её можно применять для получения оценок будущих значений из исторических последовательностей и сравнения неопределённости прогноза на разных горизонтах. В README сообщается о высоких результатах на бенчмарках GiftEval и ChronosZS. Для запуска используется библиотека tirex и формат весов PyTorch. README указывает, что модель проверена на Linux и видеокартах Nvidia с compute capability не ниже 8.0; совместимость с другими системами следует уточнять в документации проекта. Лицензия в метаданных обозначена как other, поэтому условия использования нужно проверить в репозитории модели.

Это модель классификации изображений на базе Vision Transformer (ViT), обученная авторами исследования на ImageNet-21k и дообученная на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса из JAX в PyTorch; модель доступна через библиотеку timm и в форматах PyTorch и Safetensors. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для классификации изображений по категориям, а также может использоваться как визуальная основа для получения эмбеддингов и построения компьютерного зрения. Лицензия Apache-2.0. Карточка описывает обучение на ImageNet, поэтому качество на других типах изображений или предметных областях может отличаться.

Это модель извлечения признаков изображений на базе Vision Transformer ViT-B/16, перенесённая mlx-vision в Apple MLX из весов Meta AI DINOv3. Модель содержит 86 млн параметров, размерность эмбеддингов — 768; она обучена самообучением на наборе LVD-1689M, а вариант ViT-B/16 дистиллирован из учителя DINOv3 ViT-7B. Классификационная голова не обучалась: модель предназначена для извлечения признаков из изображений. Модель подходит для построения визуальных эмбеддингов и признаков для глобальных и плотных задач компьютерного зрения. При размере 224×224 обрабатывается последовательность из 201 токена: CLS-токен, четыре register-токена и 196 патч-токенов. Поддерживаются изображения большего размера, если их ширина и высота кратны 16; иначе изображение обрезается до ближайших меньших размеров, кратных размеру патча. В README приведены результаты оценки на задачах классификации и плотного зрения. Отмечены различия качества на географических и доходных группах; дообучение может усилить эти смещения. Репозиторий содержит веса safetensors для mlx-image; лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели DINOv3 и условиями распространения портированных весов.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Alibaba MIIL и доступная через библиотеку timm. Она предварительно обучена на ImageNet-21k-P и дообучена на ImageNet-1k; модель содержит 86,5 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Её можно применять для отнесения изображения к классу и использовать как основу для извлечения признаков и получения эмбеддингов изображений. Модель предназначена для задач компьютерного зрения общего назначения, в частности для классификации объектов на изображениях. Карточка описывает ImageNet-1k как датасет дообучения и приводит ImageNet-21k-P как набор предварительного обучения. Лицензия — Apache-2.0.

Это модель классификации изображений на основе Vision Transformer (ViT), опубликованная в семействе timm. Вариант архитектуры использует позиционные вращательные эмбеддинги RoPE, регистровые токены и глобальное усреднение признаков. Модель содержит 86,4 млн параметров и рассчитана на изображения размером 256 × 256 пикселей; она обучена на ImageNet-1k. Модель предназначена для классификации изображений, извлечения признаковых карт и получения эмбеддингов изображений. Её можно использовать как основу для визуального поиска или как backbone в компьютерном зрении. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT.

Модель vit_base_patch32_clip_448.laion2b_ft_in12k_in1k разработана сообществом timm и представляет собой Vision Transformer для классификации изображений и извлечения признаков. Она предварительно обучена на парах изображение–текст из LAION-2B с использованием OpenCLIP, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 88,3 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Её можно применять для классификации изображений и получения их эмбеддингов в задачах визуального поиска и анализа. Репозиторий предоставляет веса в форматах PyTorch и safetensors; модель распространяется по лицензии Apache-2.0. Качество зависит от соответствия входных изображений обучающим данным и классовому набору ImageNet. Карточка не описывает поддержку текстового ввода или генерацию изображений.

1aurent/vit_giant_patch14_reg4_224.h-optimus-v0 — визуальный backbone семейства Vision Transformer, опубликованный в репозитории релизов Bioptimus. Модель содержит 1,13 млрд параметров, принимает изображения размером 224 × 224 пикселя и использует патчи 14 × 14 и четыре register-токена. Модель предназначена для извлечения признаковых представлений изображений, которые можно использовать в последующих задачах компьютерного зрения, например для поиска похожих изображений или как входные признаки для классификатора. Веса доступны в формате safetensors; заявлена лицензия Apache-2.0. Языковые возможности не относятся к назначению модели.

Это визуальный энкодер семейства DINOv3 на архитектуре ViT-Huge с патчами 16×16, опубликованный в репозитории timm. Модель дистиллирована на наборе LVD-1689M от DINOv3 ViT-7B и предназначена для извлечения признаков изображений. В ней 840,6 млн параметров; указанный размер изображения — 256×256 пикселей. Вариант qkvb сохраняет включённые смещения QKV, равные нулю, для согласования с поведением исходной модели и Transformers. Полученные признаки и эмбеддинги можно использовать для классификации, сегментации и других задач компьютерного зрения, в том числе как представления изображений для последующей обработки. Карточка приводит сравнительные результаты на глобальных и плотных визуальных задачах, а также на GEO-Bench. Веса доступны в форматах PyTorch и safetensors; лицензия указана как DINOv3, при этом README обозначает её как other. Модель рассчитана на обработку изображений и сама по себе не является генератором текста или изображений.

timm/vit_large_patch16_224.mae — модель извлечения признаков изображений на основе Vision Transformer (ViT), опубликованная в библиотеке timm. Она предварительно обучена на ImageNet-1k методом masked autoencoder (MAE) и содержит 303,3 млн параметров. Модель рассчитана на изображения размером 224 × 224 пикселя и может использоваться как основа для классификации изображений и получения их эмбеддингов. Модель подходит для построения визуальных признаков в задачах компьютерного зрения, например для классификации или поиска похожих изображений. В репозитории указаны веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с соблюдением её условий и ограничивает коммерческое применение.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы исследования How to train your ViT? на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Исходная версия была создана на JAX, а Ross Wightman перенёс веса в PyTorch; репозиторий распространяет их в форматах PyTorch и Safetensors и поддерживает библиотеку timm. Модель содержит 22,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Её можно использовать для классификации объектов и как визуальный backbone для получения признаков или эмбеддингов изображений. Лицензия — Apache-2.0. Описание посвящено классификации изображений общего назначения на основе ImageNet. Оно не указывает на поддержку текстового ввода или генерации изображений.