IV.1Ритейл, электронная коммерция и fashion-tech

Это гибридная модель ResNet и Vision Transformer (ViT) для классификации изображений и извлечения признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с аугментациями и регуляризацией; Росс Уайтман перенёс веса в PyTorch для библиотеки timm. Модель принимает изображения размером 224 × 224 и может классифицировать их либо получать эмбеддинги изображений для последующего использования. В ней 36,4 млн параметров; вычислительная сложность составляет 3,5 GMACs. Веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации объектов общего назначения и как визуальная основа в компьютерном зрении. Она обучена на ImageNet, поэтому её классы и поведение ориентированы на эту задачу; применение к специализированным изображениям может потребовать дополнительной адаптации. Лицензия — Apache-2.0.

BAU-Small-1.5B — компактная диалоговая языковая модель, представленная как официальная заявка для Laptop LLM на Africa Deep Tech Challenge 2026. Она создана на основе Qwen/Qwen2.5-1.5B-Instruct с дообучением LoRA на 10 000 синтетических примеров взаимодействий малого бизнеса. Модель поставляется в формате GGUF с квантизацией IQ3_XS и калибровкой llama-imatrix; размер файла около 698 МБ, заявленная пиковая потребность в памяти — 6,1 ГБ на ноутбуке с 8 ГБ ОЗУ. Модель предназначена для автономного офлайн-помощника малому бизнесу, розничным аптекам и локальным складам. Она ведёт деловые диалоги, помогает с расчётами, заметками и операционными рекомендациями, а также формирует структурированные JSON-ответы для графиков и анализа записей аудита. Карточка описывает встроенный шаблон чата с маршрутизацией между обычным диалогом и заданными схемами. Интерфейс GGUF рассчитан на запуск через llama.cpp и llama-cpp-python. Карточка указывает английский язык и лицензию Apache-2.0. Модель компактна и предназначена для локального запуска без облачных зависимостей; результаты глубокого анализа и извлечения данных следует сверять с исходными записями, а надёжность и качество на иных языках и задачах в карточке не охарактеризованы.

BEiT-3 Base — модель классификации изображений и извлечения визуальных признаков, представленная в библиотеке timm. Она основана на архитектуре Vision Transformer и содержит 86,7 млн параметров. Модель принимает изображения размером 224 × 224 пикселя и выдаёт классы ImageNet-1k либо визуальные представления для дальнейшей обработки. Модель предварительно обучалась на изображениях ImageNet-22k, текстовых документах объёмом 160 ГБ и наборах пар изображение–текст LAION-400M, COYO-700M и CC15M с помощью masked data modeling. Затем её дообучили на ImageNet-22k и ImageNet-1k. В этой версии мультимодальная предобученная модель преобразована для задач классификации только по изображениям. Модель подходит для распознавания объектов на изображениях и построения визуальных признаков в системах компьютерного зрения. В карточке не приведены специфические ограничения качества. Репозиторий распространяется по лицензии Apache-2.0.

BEiT Large — модель классификации изображений и визуальный backbone, опубликованный timm. Она использует архитектуру Vision Transformer с патчами 16×16 и входным размером 224×224 пикселя. Модель содержит около 304,4 млн параметров и может применяться как для классификации, так и для извлечения признаковых представлений изображений. Предобучение выполнено на ImageNet-22k методом masked image modeling с визуальным токенизатором DALL-E dVAE, после чего модель дообучили на ImageNet-22k и ImageNet-1k. Основной сценарий — распознавание категорий объектов на изображениях; признаки модели также подходят для последующих задач компьютерного зрения. Репозиторий предоставляет веса в форматах PyTorch и Safetensors для библиотеки timm. Лицензия — Apache-2.0.

BEiT-v2 Base Patch16 224 — модель компьютерного зрения от сообщества timm для классификации изображений и извлечения признаков. Она принимает изображения размером 224 × 224 пикселя и содержит около 102,6 млн параметров. Архитектура использует Vision Transformer с патчами 16 × 16; предварительное обучение выполнялось методом masked image modeling с визуальным токенизатором VQ-KD, основанным на учителе OpenAI CLIP B/16, после чего модель дообучили на ImageNet-22k. Модель подходит для классификации изображений и получения векторных представлений изображений в задачах компьютерного зрения. Репозиторий распространяет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Метаданные не указывают конкретный набор классов для итоговой классификации.

Модель swardiantara/bert-tiny-amazon_reviews-k5-fixed-euclidean — компактная Sentence Transformers модель, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 128, предназначенные для поиска и сравнения по сходству с использованием косинусной метрики. Архитектура включает BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров и принимает последовательности длиной до 512 токенов по метаданным, хотя README указывает максимум 128 токенов. Модель обучена на 4 200 100 парах текстов с отзывами Amazon и подходит для семантического поиска отзывов и извлечения похожих текстов. Базовая модель англоязычная; карточка демонстрирует англоязычные отзывы, поэтому основное применение — английский язык. Формат весов — safetensors. Лицензия в предоставленных данных не указана.

Карточка модели Mattral/chronos-2-small на Hugging Face совпадает с карточкой autogluon/chronos-2-small, поэтому описание составлено по ней. Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

ConvNeXt Base — модель классификации изображений и визуальный backbone, опубликованная Ross Wightman в библиотеке timm. Её визуальная часть предварительно обучена в OpenCLIP на LAION-2B, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 88,6 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель подходит для классификации изображений и извлечения признаковых карт или эмбеддингов изображений, которые можно использовать в последующих задачах компьютерного зрения. В карточке приведены результаты на ImageNet-1k; лицензия репозитория — Apache-2.0. Количество классов классификации и показатели качества именно этой модели в предоставленной части карточки не приведены.

ConvNeXt-Base — модель компьютерного зрения для классификации изображений, разработанная авторами статьи «A ConvNet for the 2020s» и опубликованная в экосистеме timm. Она предварительно обучена на ImageNet-22k, а затем дообучена авторами на ImageNet-1k. Модель содержит около 88,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для определения объектов и категорий на изображениях, извлечения карт признаков и получения векторных представлений изображений. Её можно применять как готовый классификатор или как backbone для других компьютерно-зрительных систем. В README приведены результаты классификации ImageNet и показатели вычислительной нагрузки. Для работы с моделью используется библиотека timm; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обрабатывает изображения и выдаёт классы или признаки; сведения о поддержке естественных языков к ней не применимы.

timm/convnextv2_base.fcmae — модель извлечения признаков изображений из семейства ConvNeXt-V2, распространяемая проектом timm. Это визуальный backbone с 87,7 млн параметров, предварительно обученный на ImageNet-1k методом самоконтролируемого обучения FCMAE — полностью свёрточного masked autoencoder. Модель принимает изображения; штатный размер входа — 224 × 224 пикселя. У модели нет предварительно обученной классификационной головы, поэтому она предназначена для извлечения признаков и карт признаков или для дообучения под классификацию и другие задачи компьютерного зрения. Она может служить визуальным энкодером в прикладных системах, где признаки изображения передаются следующему этапу обработки. В репозитории указаны веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения. Сам чекпойнт не предназначен для классификации без добавления и обучения подходящей головы.

facebook/data2vec-vision-base — базовая модель компьютерного зрения от команды Facebook, представленная в работе data2vec. Это BEiT-подобный Transformer с 119,5 млн параметров, предварительно обученный без учителя на ImageNet-1k: по замаскированному представлению изображения модель учится предсказывать контекстные скрытые представления всего изображения. В исходном обучении использовались RGB-изображения разрешением 224×224. Модель предназначена для классификации изображений и может служить отправной точкой для последующего дообучения под конкретные классы и наборы данных. Обучение на ImageNet-1k охватывает 1000 классов; для дообучения наилучшие результаты в карточке связываются с использованием большего разрешения. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Модель facebook/deformable-detr-detic — детектор объектов на базе Deformable DETR, обученный методом Detic на датасете LVIS. Это чекпойнт Detic_DeformDETR_R50_4x из оригинального репозитория, представленный командой Hugging Face; метод Detic описан Zhou и соавторами в работе Detecting Twenty-thousand Classes using Image-level Supervision. Архитектура включает свёрточную основу и трансформерный энкодер-декодер. Выходные головы предсказывают классы объектов и ограничивающие рамки. Модель обучена распознавать 1203 класса и предназначена для обнаружения объектов на изображениях. Для версии на LVIS указаны показатели 32,5 box mAP и 26,2 mAP на редких классах. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о языковой поддержке: модель работает с изображениями и выдаёт классы и координаты объектов.

deit3_large_patch16_224.fb_in22k_ft_in1k — модель семейства DeiT-III для классификации изображений, опубликованная авторами библиотеки timm. Она предварительно обучена на ImageNet-22k и дообучена для классификации на ImageNet-1k. Модель содержит около 304,4 млн параметров, обрабатывает изображения размером 224 × 224 и также может использоваться как основа для получения эмбеддингов изображений. Модель предназначена для распознавания объектов на изображениях и извлечения визуальных признаков в задачах компьютерного зрения. Весовые файлы доступны в форматах PyTorch и Safetensors; библиотека модели — timm. Лицензия Apache-2.0.

facebook/dinov2-base — базовая по размеру модель Vision Transformer, обученная командой Meta с помощью метода DINOv2 на большом наборе изображений без разметки. Модель содержит около 113,2 млн параметров и предназначена для извлечения визуальных признаков; специализированных дообученных голов для классификации или других задач в ней нет. Изображение разбивается на последовательность патчей, которые обрабатывает трансформерный энкодер. Полученные представления можно использовать как входные признаки для обучения классификатора и других downstream-систем компьютерного зрения. Модель принимает изображения и выдаёт их векторные представления. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0.

zeromodels публикует конверсию модели facebook/dinov3-convnext-small-pretrain-lvd1689m в Keras 3. Это самообученная визуальная модель с архитектурой ConvNeXt Small, предназначенная для извлечения признаков изображений, которые можно использовать в задачах компьютерного зрения с последующими классификационными, поисковыми или сегментационными головами. Модель выдаёт признаки, а не готовые предсказания конкретной задачи. Реализация работает с бэкендами TensorFlow, Torch и JAX. Для обработки изображений предусмотрена нормализация входа; при использовании уже нормализованных данных её можно отключить. Лицензия — DINOv3 License, обозначенная в метаданных Hugging Face как other; исходные веса Meta имеют ограничения доступа по этой лицензии.

ECA-ResNet-D Pruned — сверточная модель семейства ResNet с механизмом Efficient Channel Attention, опубликованная в библиотеке timm. Она предназначена для классификации изображений и может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 24,9 млн параметров и выполняет классификацию при размере тестового изображения 288 × 288 пикселей; обучение указано для размера 224 × 224. Модель подходит для распознавания категорий на фотографиях и получения визуальных признаков в прикладных системах компьютерного зрения. В карточке упомянуты работы о ResNet, ECA-Net и практических приёмах обучения CNN. Репозиторий использует PyTorch и формат safetensors. Лицензия — Apache-2.0.

ECA-ResNet-D — свёрточная модель компьютерного зрения для классификации изображений и извлечения признаков. Её обучила Alibaba MIIL на ImageNet-1k. Архитектура включает остаточные блоки ResNet-D и механизм Efficient Channel Attention (ECA); модель содержит 25,6 млн параметров и выполняет классификацию изображений размером 288 × 288 на этапе тестирования. Модель подходит для определения объектов и сцен по изображению, извлечения карт признаков и получения векторных представлений изображений для последующих задач компьютерного зрения. Она принимает изображения и выдаёт метки классов либо признаки. Репозиторий распространяется по лицензии Apache-2.0; карточка указывает реализацию для timm и форматы PyTorch и safetensors.

EfficientViT-B3 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработали авторы работы EfficientViT; модель обучена на ImageNet-1k и доступна в библиотеке timm. Модель содержит 48,6 млн параметров, обрабатывает изображения размером 256 × 256 пикселей и требует 5,2 GMAC на изображение. Помимо определения класса изображения, её можно использовать как backbone для получения карт признаков и эмбеддингов изображений. Модель принимает изображения и выдаёт метки классов либо визуальные представления. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

EfficientViT L2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, созданная авторами работы EfficientViT и обученная на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, использования в качестве визуального backbone и получения карт признаков или эмбеддингов. Модель содержит 63,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Архитектура EfficientViT использует многошкальное линейное внимание для обработки изображений высокого разрешения. В репозитории представлены веса PyTorch и Safetensors; модель распространяется по лицензии Apache-2.0.

EVA02 Large Patch14 448 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она опубликована в библиотеке timm; авторы статьи EVA-02 предварительно обучили её на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, затем дообучили на ImageNet-1k. Архитектура — Vision Transformer с mean pooling, SwiGLU, Rotary Position Embeddings и дополнительной нормализацией в MLP. Модель содержит около 305 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Модель подходит для определения объектов и сцен по изображениям, а также как визуальный backbone для получения признаковых представлений. В README для варианта модели указаны результаты на ImageNet-1k: top-1 89,946% и top-5 99,01%. Весы timm представлены в float32; лицензия — MIT. Модель принимает изображения и выдаёт классовые предсказания либо визуальные признаки.

Модель prithivMLmods/facial-age-detection разработана на основе SigLIP 2 от Google и дообучена для классификации изображений лиц по возрастным группам. Архитектура — SiglipForImageClassification; модель относит лицо к одному из восьми диапазонов: 1–10, 11–20, 21–30, 31–40, 41–55, 56–65, 66–80 лет или старше 80 лет. Модель предназначена для оценки возрастных распределений на изображениях и может применяться в демографической аналитике, розничных исследованиях и адаптации интерфейсов. Карточка также перечисляет контроль доступа и наблюдение как предполагаемые сценарии. Это оценка возраста по изображению, а не проверка личности или подтверждение возраста документами. Модель работает с изображениями и выдаёт класс возрастной группы. Она дообучена на наборе данных Face-Age-10K; в метаданных указана английская локаль карточки, но это не свидетельствует об ограничении языковой поддержки. Лицензия — Apache-2.0.

Hiera Large 224 MAE — модель компьютерного зрения семейства Hiera, опубликованная авторами статьи и доступная в формате timm. Она предварительно обучена на ImageNet-1k методом masked autoencoder и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Архитектура содержит около 212,6 млн параметров; модель рассчитана на изображения размером 224 × 224 пикселя. В README приведены результаты Top-1 86,042% и Top-5 97,648% для варианта с последующим дообучением на ImageNet-1k. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Hinglish-MiniLM — компактная модель эмбеддингов предложений, дообученная разработчиком Anurag Wagh на базе sentence-transformers/all-MiniLM-L6-v2 с помощью библиотеки sentence-transformers. Она кодирует запросы на хинглише — смеси хинди и английского — в векторы размерностью 384, пригодные для сопоставления с семантически близкими английскими фразами. Модель предназначена для семантического поиска, маршрутизации запросов, чат-ботов поддержки и рекомендательных систем для пользователей в Индии. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. В README указано, что при обучении использовались синтетические пары из областей банковских услуг, технической поддержки и повседневного общения. Репозиторий распространяется в формате Safetensors; лицензия в предоставленных данных не указана.

tigeryi/imagenet1k — модель классификации изображений на архитектуре Data2Vec Vision, дообученная на неизвестном наборе данных. Она принимает изображение и предсказывает класс объекта; на указанной оценочной выборке достигла точности 0,7605 и значения eval_loss 1,0022. Модель содержит 119,5 млн параметров и распространяется в формате Safetensors. Модель подходит для распознавания и категоризации изображений в сценариях, где требуется отнести изображение к одному из заранее заданных классов. Состав классов и обучающих данных в карточке не раскрыт, поэтому применимость к конкретному набору категорий следует проверять отдельно. Лицензия — Apache-2.0.

MambaVision-T-1K — модель компьютерного зрения от NVIDIA, построенная на гибридной архитектуре Mamba и Transformer. Она использует иерархическую структуру с несколькими блоками self-attention в поздних слоях для моделирования пространственных зависимостей на больших расстояниях. Репозиторий содержит веса в формате safetensors и предназначен для классификации изображений; модель также можно применять для извлечения признаков на четырёх этапах сети и из финального усреднённого представления. Модель подходит для определения объектов и сцен на изображениях, а также для получения визуальных признаков для последующих задач компьютерного зрения. В карточке заявлены высокая точность Top-1 и пропускная способность, однако конкретные значения для варианта T-1K не приведены. Лицензия указана как other, поэтому условия использования следует сверить с лицензией NVIDIA для проекта MambaVision.

MaxViT Large TF 512 — модель классификации изображений из семейства MaxViT, перенесённая из официальной реализации TensorFlow в PyTorch. Исходную архитектуру разработали авторы статьи MaxViT; перенос выполнил Ross Wightman для библиотеки timm. Модель содержит около 212,3 млн параметров и рассчитана на входные изображения размером 512 × 512 пикселей. Архитектура сочетает блоки MBConv и два типа внимания: оконное и сеточное. Модель предварительно обучена на ImageNet-21k, затем дообучена авторами статьи на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Репозиторий распространяется по лицензии Apache-2.0.

MaxxViT RMLP Nano RW 256 SW IN1K — модель классификации изображений из библиотеки timm, разработанная Россом Уайтменом и обученная на ImageNet-1k. Она предназначена для присвоения изображениям классов и может использоваться как визуальный бэкбон для извлечения признаковых карт и эмбеддингов. Архитектура сочетает свёрточные блоки ConvNeXt и механизмы внимания MaxViT с MLP Log-CPB — смещением относительных позиций, основанным на логарифмических координатах. Модель содержит 16,8 млн параметров, рассчитана на изображения размером 256 × 256 пикселей и требует около 4,4 GMAC на изображение. Модель подходит для стандартных задач распознавания объектов по изображениям и построения визуальных признаков. Карточка не сообщает о поддержке текстового ввода или других модальностей, поэтому здесь указана только обработка изображений. Лицензия — Apache-2.0.

MViTv2 Large — модель классификации изображений и извлечения визуальных признаков из семейства многомасштабных Vision Transformer. По карточке, её разработали авторы работы MViTv2 и предварительно обучили на ImageNet-1k. Модель содержит 218 млн параметров, рассчитана на изображения размером 224 × 224 пикселя; вычислительная сложность указана как 43,9 GMACs. Модель подходит для классификации изображений по категориям ImageNet-1k и получения эмбеддингов изображений для последующего поиска или анализа. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0.

NaFlexViT Base Patch16 PAR GAP — модель классификации изображений и визуальный backbone, разработанный Россом Уайтманом для библиотеки PyTorch Image Models (timm). Она обучена на ImageNet-1k и содержит около 86,6 млн параметров. Архитектура Vision Transformer использует патчи 16×16, сохраняющее соотношение сторон двумерное позиционное кодирование и глобальное усреднение признаков. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Обучение с переменной длиной последовательности и разрешением помогает обрабатывать изображения с разными пропорциями; в карточке приведены результаты ImageNet-1k: точность top-1 83,67% и top-5 96,45%. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги. Для использования доступны веса PyTorch и SafeTensors; библиотека — timm. Лицензия — Apache-2.0. Карточка не описывает поддержку текстового ввода или мультимодального взаимодействия.

NanoForecast v0.5 — модель прогнозирования временных рядов, разработанная Eulogik. Она предназначена для zero-shot прогнозов без дообучения на новых рядах, а также для потокового инференса и дообучения на пользовательских данных. Модель выдаёт точечные прогнозы и квантильные оценки p10, p25, p50, p75 и p90; заявлены также обнаружение аномалий, поддержка ONNX и работа на CPU, включая устройства с ограниченными ресурсами. Архитектура содержит около 6,5 млн параметров и рассчитана на контекст длиной 512 временных шагов с прогнозом на 48 шагов, который можно настроить. В README приведены результаты на наборах ETTh1, ETTh2, ETTm1, exchange_rate, electricity и traffic, а метаданные указывают эти же наборы данных. Языковая поддержка неприменима к числовым временным рядам. README сообщает, что квантильные интервалы на проверенных данных уже номинальных и должны рассматриваться как относительный сигнал неопределённости, а не как калиброванные вероятности. Также указано, что модель не предназначена для моделирования зависимостей между несколькими рядами и может уступать крупным моделям на отдельных наборах. Лицензия Apache 2.0 допускает коммерческое использование.