IV.1Ритейл, электронная коммерция и fashion-tech

Next-ViT Small — модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная авторами статьи Next-ViT и размещённая в библиотеке timm. Она обучена на наборе Unknown-6M с дистилляцией SSLD и ImageNet-1k; содержит около 31,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. В карточке приведена точность top-1 85,964% и top-5 97,908% на ImageNet-1k. Модель можно применять для присвоения изображению класса из набора ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Это визуальный бэкбон на основе архитектуры Next-ViT, предназначенный для эффективного развёртывания. Доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0.

PatchTST-FM-r1 — модель временных рядов на архитектуре PatchTST, опубликованная IBM Research. Она предназначена для прогнозирования временных рядов, в том числе на новых данных без отдельного обучения на целевом наборе. Модель также может одновременно заполнять пропуски в историческом контексте и прогнозировать будущий период. Архитектура использует трансформер с патчами длиной 16, размерностью d_model 1024 и вероятностной выходной головой на 99 квантилей. Контекст при прогнозировании может составлять до 8192 временных точек; модель обучена на данных из GiftEvalPretrain, синтетических рядах и наборах TSMixup. В метаданных указано 335,5 млн параметров. Модель рассчитана на числовые временные ряды и выдаёт прогнозы, включая квантильные оценки. Карточка описывает эту версию как исследовательскую и некоммерческую; лицензия CC BY-NC-SA 4.0. Следует учитывать лицензии исходных наборов данных. README приводит оценку размера около 260 млн параметров, тогда как метаданные указывают 335,5 млн.

Qwen3-TTS-TBLive-CustomVoice — дообученная модель TaoLiveAIGC на базе TaoLiveAIGC/Qwen3-TTS-TBLive-Base для синтеза речи по тексту в сценариях прямых трансляций и продаж. Она использует архитектуру Qwen3-TTS и содержит шесть встроенных голосов: женские и мужские варианты для профессиональной подачи, тёплой рекомендации и энергичного продвижения. Голос выбирается по идентификатору диктора. В текст можно встраивать управляющие токены для пауз и изменения скорости последующей речи. Метаданные указывают китайский язык и формат весов safetensors; базовая модель Qwen3-TTS-12Hz-1.7B-Base описана как многоязычная, но карточка этой версии подтверждает китайский. Модель распространяется по лицензии Apache-2.0.

Карточка модели thornmaze/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.

Qwen-Image-Edit-2511-Multiple-Angles-LoRA — адаптер LoRA, разработанный fal.ai для базовой модели Qwen/Qwen-Image-Edit-2511. Это модель редактирования изображений в формате image-to-image, предназначенная для управления ракурсом камеры и генерации изображений объекта с заданной точки обзора. Она подходит для создания вариантов визуализации, мног ракурсных изображений и анимаций камеры, а также для сценариев, где требуется более точный контроль пространственной композиции. Адаптер обучен на более чем 3000 парах данных, полученных с использованием Gaussian Splatting, и поддерживает 96 позиций камеры: 8 азимутов, 4 угла возвышения и 3 дистанции. Доступны фронтальные, боковые и задние ракурсы, включая промежуточные углы, съёмку снизу при −30°, уровень глаз, повышенный и верхний ракурсы, а также планы от крупного до общего. Управление задаётся специальным форматом промпта с токеном <sks> и текстовыми обозначениями азимута, высоты и дистанции. Сильные стороны модели — детализированный контроль положения камеры, пространственная согласованность данных Gaussian Splatting и поддержка низких ракурсов. Размер модели, максимальная длина контекста, полный набор поддерживаемых языков и конкретные ограничения качества в README не указаны. Модель распространяется по лицензии Apache-2.0.

ResNet50.b1k_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back B (RA2). Архитектура ResNet использует ReLU, начальную свертку 7×7 с пулингом и свертки 1×1 в shortcut-связях для уменьшения размерности. Модель содержит 25,6 млн параметров; в карточке указаны 4,1 GMACs и размеры изображений 224×224 при обучении и 288×288 при тестировании. Модель предназначена для классификации изображений, извлечения карт признаков и получения векторных представлений изображений. Она принимает изображение и выдает метки классов; признаки также можно использовать в качестве эмбеддингов в последующих задачах компьютерного зрения. Карточка не указывает отдельные целевые языки или прикладные области. Распространяется по лицензии Apache-2.0.

ResNet50D.a3_in1k — сверточная модель классификации изображений семейства ResNet-D, опубликованная разработчиками timm. Она обучена на ImageNet-1k по рецепту A3 из работы «ResNet Strikes Back» и подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов. Архитектура использует активации ReLU, начальный блок из трёх свёрток 3×3 с пулингом и shortcut downsample с усредняющим пулингом 2×2 и свёрткой 1×1. В модели 25,6 млн параметров и около 2,2 GMACs. Размер изображения при обучении составлял 160×160, при тестировании — 224×224. Доступны веса PyTorch и safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Модель предназначена для изображений и не обрабатывает текст или другие модальности.

ReXNet-200 — свёрточная модель для классификации изображений из семейства ReXNet, опубликованная авторами статьи «Rethinking Channel Dimensions for Efficient Model Design» и предобученная на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как backbone для извлечения карт признаков и изображенийных эмбеддингов. Модель содержит около 16,4 млн параметров, выполняет примерно 1,6 GMACs и рассчитана на входное изображение размером 224 × 224 пикселя. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Это модель компьютерного зрения без указания поддержки естественного языка.

PekingU/rtdetr_r18vd — модель обнаружения объектов на изображениях семейства RT-DETR, разработанная Яном Чжао и Сангбумом Чхве и опубликованная в Transformers. Это вариант RT-DETR-R18 с архитектурой на основе DETR: гибридный энкодер обрабатывает многомасштабные признаки, а декодер предсказывает категории объектов и ограничивающие рамки. Модель обучена на COCO 2017; в карточке для неё указаны 20 млн параметров и оценка 46,5 AP на валидационной выборке COCO. Изображения при подготовке приводятся к размеру 640×640. Модель предназначена для обнаружения объектов на изображениях в сценариях, где важны скорость и сквозное предсказание без NMS. Доступна для использования через библиотеку Transformers; веса сохранены в Safetensors. Лицензия — Apache-2.0. Карточка описывает общую архитектуру RT-DETR, но приведённые показатели скорости относятся к сравнительной таблице и зависят от оборудования и настроек запуска.

SigLino-MoE-0.3-0.6B — разреженная vision-модель семейства SigLino, разработанная авторами работы AMoE для CVPR 2026. Архитектура сочетает идеи SigLIP2 и DINOv3 и использует смесь из 28 экспертов с маршрутизацией к 6 экспертам на вход. В модели 0,6 млрд параметров всего и 0,3 млрд активных. Модель предназначена для извлечения признаков изображений и их использования в задачах классификации и поиска ближайших изображений. В README приведены результаты kNN-классификации на ImageNet и среднем показателе по шести датасетам, а также zero-shot-классификации на ImageNet. Репозиторий содержит веса в формате Safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

Swin Base Patch4 Window12 384 — модель классификации изображений на базе иерархического Vision Transformer с механизмом сдвинутых окон (Swin Transformer). Она предварительно обучена на ImageNet-22k, а затем дообучена авторами статьи на ImageNet-1k. Веса распространяются проектом timm; модель доступна в форматах PyTorch и Safetensors под лицензией MIT. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она обрабатывает изображения размером 384 × 384 пикселя и содержит 87,9 млн параметров. Поддерживаемый сценарий — определение категорий объектов на изображении; обучение на ImageNet-1k и ImageNet-22k даёт ей основу для задач классификации общего назначения.

Это модель классификации изображений семейства Swin Transformer, опубликованная авторами статьи и предобученная на ImageNet-1k. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура Swin Transformer обрабатывает изображение иерархически с помощью окон внимания со сдвигом. Модель содержит 87,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; вычислительная сложность составляет 15,5 GMACs. Репозиторий содержит веса PyTorch и Safetensors и рассчитан на использование через библиотеку timm. Модель обучена на ImageNet-1k, поэтому хорошо подходит для классификации изображений в пределах близкого набора категорий и для переноса признаков в компьютерном зрении. Она не является универсальным распознавателем объектов или генеративной моделью; качество на других предметных областях зависит от данных и адаптации. Лицензия — MIT.

swinv2_base_window12_192.ms_in22k — модель классификации изображений на основе Swin Transformer V2, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 109,3 млн параметров и рассчитана на изображения размером 192 × 192 пикселя; вычислительная сложность указана как 11,9 GMACs. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги при использовании соответствующих режимов. В карточке не заявлена поддержка естественного языка. Лицензия — MIT. Результаты зависят от предметной области и качества входных изображений; сведения о конкретных метриках точности в карточке не приведены.

SwinV2 Small Window8 256 — модель классификации изображений и извлечения визуальных признаков из семейства Swin Transformer V2. Её разработали авторы работы Swin Transformer V2 и предварительно обучили на ImageNet-1k. В модели около 49,7 млн параметров; она рассчитана на изображения размером 256 × 256 пикселей и требует 11,6 GMACs на обработку изображения. Модель подходит для классификации изображений по категориям, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как визуальную основу в системах компьютерного зрения и как начальную точку для дообучения на специализированных наборах данных. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — MIT.

tf_efficientnet_b2.ap_in1k — сверточная модель классификации изображений семейства EfficientNet. Её обучили авторы работ по EfficientNet и AdvProp на ImageNet-1k с использованием состязательных примеров; Росс Уайтман перенёс веса из TensorFlow в PyTorch. Модель доступна через библиотеку timm и распространяется по лицензии Apache-2.0. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она содержит около 9,1 млн параметров, требует входные изображения размером 260 × 260 пикселей и выполняет примерно 1,0 GMAC на изображение. Обучение на ImageNet-1k и AdvProp ориентирует её на распознавание распространённых категорий изображений. Она не предназначена для понимания текста или обработки других модальностей; качество зависит от соответствия входных изображений обучающим данным и набора классов ImageNet-1k.

Это сверточная модель EfficientNet-B3 для классификации изображений и извлечения признаков. Её обучили авторы работ по EfficientNet и Noisy Student на ImageNet-1k и неразмеченных данных JFT-300M; Ross Wightman портировал веса в PyTorch. Модель доступна через библиотеку timm, а репозиторий содержит веса PyTorch и SafeTensors. Модель насчитывает 12,2 млн параметров и рассчитана на изображения размером 300 × 300 пикселей. Её можно применять для классификации изображений, извлечения карт признаков и получения векторных представлений изображений. Она предназначена для задач компьютерного зрения общего назначения; сведения о поддержке текстовых или других модальностей отсутствуют. Лицензия — Apache-2.0.

tf_efficientnet_es.in1k — сверточная модель EfficientNet-EdgeTPU для классификации изображений и извлечения визуальных признаков. Исходная модель обучена авторами соответствующих работ на ImageNet-1k в TensorFlow, а затем перенесена в PyTorch Россом Уайтманом и опубликована в библиотеке timm. Модель содержит около 5,4 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 1,8 GMACs. Она подходит для классификации изображений по классам ImageNet-1k, получения карт признаков и визуальных эмбеддингов; архитектура EfficientNet-EdgeTPU разработана с учётом эффективности на ускорителях Edge TPU. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Timer-S1 — разработанная ByteDance Research модель-основание для прогнозирования временных рядов. Она выполняет zero-shot прогнозирование на разных уровнях квантилей, в том числе среднесрочное и долгосрочное, без дообучения на конкретном наборе данных. По карточке это декодерный Transformer с архитектурой Mixture-of-Experts и механизмом TimeSTP для многошагового предсказания последовательными вычислениями. README указывает 8,3 млрд параметров, из которых активируется 0,75 млрд на токен, контекст до 11 520 шагов и длину патча 16; метаданные каталога сообщают 402,7 млн параметров и контекст 12 800 токенов, поэтому размер и длина контекста в источниках расходятся. Модель работает с временными рядами и выдаёт прогнозы; поддержка естественных языков не заявлена. Для запуска на GPU авторы рекомендуют не менее 40 ГБ видеопамяти. Лицензия — Apache-2.0.

TinyViT — компактная модель для классификации изображений, распространяемая в библиотеке timm. Версия tiny_vit_21m_384.dist_in22k_ft_in1k содержит 21,2 млн параметров и принимает изображения размером 384 × 384 пикселя. Модель предварительно обучена на ImageNet-22k с дистилляцией, затем дообучена авторами статьи на ImageNet-1k. Модель предназначена для определения классов на изображениях и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке приведены показатели вычислительной сложности: 11,9 GMACs и 46,8 млн активаций. Доступна в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не описывает поддержку языкового ввода или генерации.

Это модель Vision Transformer для классификации изображений, обученная Alibaba MIIL на ImageNet-21k-P. Она также может использоваться как визуальный backbone для получения признаковых представлений изображений. Модель содержит 94,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует патчи 16 × 16; репозиторий распространяет веса в форматах PyTorch и safetensors, а для работы указана библиотека timm. Лицензия — Apache-2.0. Модель подходит для классификации изображений и извлечения визуальных признаков. Её обучение на ImageNet-21k-P ориентирует её на распознавание широкого набора объектов; специфические ограничения в карточке не описаны.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), обученная на ImageNet-1k. Репозиторий mlx-vision содержит перенос весов модели torchvision в формат для фреймворка Apple MLX; доступны веса Safetensors и библиотека mlx-image. Модель предназначена для определения класса объекта на изображении и может применяться для категоризации изображений в приложениях, работающих на устройствах Apple с MLX. В карточке указана лицензия Apache-2.0. Подробные сведения о размере модели и поддерживаемых языках не приведены; для классификатора изображений языковая поддержка не применима.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), разработанная авторами исследований ViT и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Модель предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k с дополнительной аугментацией и регуляризацией. В ней 86,9 млн параметров; она рассчитана на изображения размером 384 × 384 пикселя и также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Модель подходит для распознавания объектов и категорий на изображениях, а также для получения признаковых представлений в компьютерном зрении. README указывает вычислительную сложность 49,4 GMACs. Доступна под лицензией Apache-2.0; опубликованные веса представлены в форматах PyTorch и safetensors.

Это модель классификации изображений на основе Vision Transformer (ViT), опубликованная в библиотеке timm. Модель с 86,6 млн параметров предварительно обучена на парах изображение–текст из LAION-2B с помощью OpenCLIP, а затем дообучена на ImageNet-1k. Она принимает изображения размером 224 × 224 пикселя и может использоваться как классификатор или как основа для получения признаковых представлений изображений. Модель подходит для распознавания объектов и категорий на изображениях, а также для извлечения эмбеддингов в компьютерном зрении. В карточке указаны вычислительные характеристики: 16,9 GMACs и 16,5 млн активаций. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

vit_medium_patch16_reg4_gap_256.sbb_in1k — модель Vision Transformer для классификации изображений и извлечения визуальных признаков из семейства timm. Она обучена на ImageNet-1k; в архитектуре используются патчи 16×16, четыре регистра и глобальное усреднение признаков. Размер модели составляет 38,9 млн параметров, расчётный размер входного изображения — 256×256 пикселей. Модель предназначена для определения объектов и категорий на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке приведены результаты сравнения с близкими вариантами семейства, но конкретные метрики для этой версии не указаны. Репозиторий предоставляет веса PyTorch в формате safetensors; библиотека для работы — timm. Лицензия Apache-2.0.

Это модель извлечения признаков изображений на базе Vision Transformer ViT-S/16 с 21 млн параметров, перенесённая mlx-vision в Apple MLX из весов DINOv3 от Meta AI. Она обучена самообучением на наборе веб-изображений LVD-1689M и дистиллирована из DINOv3 ViT-7B; классификационной головы у модели нет. Модель формирует визуальные признаки для глобальных и плотных задач компьютерного зрения. При входном размере 224×224 она обрабатывает 201 токен: класс-токен, четыре регистровых токена и 196 патч-токенов. Можно подавать изображения большего размера, если размеры кратны 16; иначе модель обрезает их до ближайшего меньшего размера, кратного размеру патча. В архитектуре используются 2D RoPE, SwiGLU и LayerScale. Модель подходит как визуальный backbone для последующей классификации, сегментации и других задач после дополнительной настройки или обработки признаков. В README отмечены различия в результатах бенчмарков между регионами и группами дохода; дообучение может усилить эти смещения. Лицензия указана как other, поэтому условия использования следует уточнить в лицензии репозитория.

vit_so150m_patch16_reg4_gap_256.sbb_e250_in12k — модель классификации изображений на основе Vision Transformer (ViT), обученная Ross Wightman с использованием библиотеки timm. Она также предназначена для извлечения признаков и получения эмбеддингов изображений. Модель содержит около 143,8 млн параметров, использует патчи размером 16×16, четыре register-токена и глобальный average pooling. Она обучена на ImageNet-12k и рассчитана на изображения размером 256×256 пикселей. В метаданных указаны форматы PyTorch и Safetensors и лицензия Apache-2.0. Модель подходит для классификации изображений и как визуальный backbone для систем, которым нужны признаки или эмбеддинги. Карточка не сообщает результаты сравнения именно этой версии; таблица в README содержит метрики других вариантов.

fsuarez обучил с помощью AutoTrain модель для многоклассовой классификации логотипов 57 известных брендов и компаний. Это модель компьютерного зрения на архитектуре Swin с 33 млн параметров, доступная в форматах PyTorch и Safetensors. Модель принимает изображение и относит логотип к одному из классов брендов, представленных в обучающем наборе LogoIdentifier. Она может использоваться для распознавания бренда на изображениях товаров, рекламных материалах и других визуальных объектах. В README приведены метрики валидации: accuracy и macro F1 по 0,924; результаты на других данных могут отличаться. Условия лицензии в предоставленных данных не описаны.

BEiT Base Patch16 224 — модель классификации изображений и извлечения визуальных признаков из семейства BEiT, опубликованная в timm. Она предварительно обучена на ImageNet-22k методом masked image modeling с визуальным токенизатором DALL-E dVAE, затем дообучена на ImageNet-22k и ImageNet-1k. Модель содержит 86,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet и получения визуальных эмбеддингов для последующей обработки. Она использует архитектуру vision transformer с патчами 16 × 16 и доступна в форматах PyTorch и Safetensors для библиотеки timm. Лицензия — Apache 2.0. Карточка не приводит сведения о поддержке естественных языков.

BEiT Large — модель vision transformer для классификации изображений и извлечения визуальных признаков, опубликованная в экосистеме timm. Она предварительно обучена на ImageNet-22k методом masked image modelling с визуальным токенизатором DALL-E dVAE, а затем дообучена для классификации на ImageNet-22k. Модель содержит около 325,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображению класса из набора категорий и получения эмбеддингов изображений как основы для downstream-задач компьютерного зрения. Она использует архитектуру BEiT на базе Vision Transformer и опубликована в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary — модель классификации тональности персидских текстов, разработанная на основе ParsBERT. Авторы дообучили ParsBERT v1.1 на новых персидских корпусах; эта версия предназначена для бинарного определения тональности отзывов о цифровых товарах: положительной или отрицательной. Для обучения и оценки использовался сбалансированный набор DeepSentiPers, в котором нейтральные примеры исключены из бинарной разметки. Модель построена на архитектуре BERT и имеет около 190 млн параметров; максимальная длина контекста составляет 512 токенов. Она принимает текст и выдаёт метку класса, а карточка сообщает результаты F1 для бинарной классификации SentiPers на уровне 92,42. Подходит для анализа отзывов и пользовательских комментариев на персидском языке. Распространяется по лицензии Apache-2.0.