IV.1Ритейл, электронная коммерция и fashion-tech

swardiantara/bert-tiny-amazon_reviews-k3-fixed-cosine — компактная модель Sentence Transformers, дообученная автором swardiantara на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает двухслойный BERT с усредняющим pooling; в метаданных указано 4,4 млн параметров. Модель принимает текст, поддерживает последовательности длиной до 128 токенов по карточке модели и имеет предел контекста 512 токенов в метаданных. Обучение проводилось на 200 120 парах текстов и оценок, связанных с отзывами Amazon. Это делает модель подходящей для поиска похожих отзывов и извлечения текстов по смысловой близости. Базовая модель англоязычная, и примеры обучающих данных также на английском; подтверждений поддержки других языков нет. Лицензия в предоставленных источниках не указана.

Это компактная модель Sentence Transformers, разработанная на основе google/bert_uncased_L-2_H-128_A-2 и дообученная на 200 350 парах текстов из отзывов Amazon. Она кодирует предложения и абзацы в плотные векторы размерности 128, пригодные для поиска и сравнения по косинусному сходству. Архитектура состоит из BERT с усредняющим pooling; модель поддерживает только текст. Метаданные указывают контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель подходит для поиска похожих отзывов и извлечения релевантных текстов по смыслу. Англоязычная базовая модель и примеры обучающих данных ориентируют её на английские отзывы Amazon. Для других типов текстов качество не подтверждено. Лицензия в предоставленных данных не указана.

caformer_b36.sail_in22k_ft_in1k_384 — модель компьютерного зрения семейства CAFormer, построенная на архитектуре MetaFormer и представленная авторами статьи о базовых моделях MetaFormer для зрения. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k для классификации изображений; также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Модель содержит 98,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации изображений и получения признаков для последующих задач компьютерного зрения. Она распространяется в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0. Карточка не описывает поддержку конкретных естественных языков, поскольку модель работает с изображениями.

CaiT-S24-224 с дистилляцией на ImageNet-1k — модель классификации изображений и извлечения визуальных признаков из семейства Class-Attention in Image Transformers. Она предназначена для распознавания объектов и других визуальных категорий на изображениях; веса можно использовать и как основу для получения эмбеддингов изображений. Модель содержит 46,9 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует библиотеку timm для работы. Модель предварительно обучена на ImageNet-1k авторами статьи «Going deeper with Image Transformers». Доступны веса PyTorch и Safetensors. Лицензия Apache-2.0 разрешает использование, распространение и модификацию на её условиях. Карточка не описывает точность на других наборах данных, поэтому для специализированных классов может потребоваться дообучение.

oxfrug/chronos-2-int8-torchao — облегчённая INT8-версия Chronos-2 от Amazon, подготовленная автором репозитория oxfrug. Она предназначена для zero-shot прогнозирования временных рядов: принимает исторические значения и строит прогноз на следующие часы или дни; поддерживает одномерные и многомерные ряды с ковариатами. Архитектура основана на T5, в репозитории указано 99,1 млн параметров. Большие линейные слои используют весовую квантизацию torchao INT8, а квантильная голова оставлена в исходной точности; дополнительного обучения не проводилось. Пакет весит около 131 МБ и требует меньше видеопамяти, чем исходная версия. Для загрузки нужен предоставленный в репозитории load.py: обычный from_pretrained эти INT8-файлы не читает. Квантизация сама по себе не гарантирует ускорения; на указанной в карточке RTX 3090 INT8-вариант был немного медленнее FP32. В проведённых автором коротких сравнениях прогнозы в целом оставались близкими к исходным, но отдельные недельные прогнозы заметно расходились, а интервалы P10–P90 могли недопокрывать наблюдения. Лицензия — Apache-2.0.

CoaT Lite Medium 384 — модель классификации изображений семейства CoaT (Co-Scale Conv-Attentional Transformer), обученная авторами статьи на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения признаков и эмбеддингов изображений. Модель содержит 44,6 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Она предназначена для распознавания объектов на изображениях общего назначения и может служить основой для задач компьютерного зрения, где нужны визуальные признаки. Репозиторий предоставляет веса PyTorch; модель доступна по лицензии Apache-2.0. В карточке не приведены сведения о поддержке текстового ввода или о языках.

CoAtNet RMLP 2 RW 224 — модель компьютерного зрения из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Архитектура CoAtNet сочетает свёрточные блоки MBConv на ранних этапах с блоками трансформерного внимания на поздних. В этой версии используется MLP Log-CPB — смещение относительных позиций, мотивированное Swin Transformer V2. Модель содержит 73,9 млн параметров, рассчитана на изображения 224 × 224 и требует 15,2 GMACs на проход. Модель принимает изображения и выдаёт классы ImageNet-1k; также её можно применять для извлечения карт признаков и эмбеддингов. Карточка не указывает отдельную специализацию по языкам или предметным областям. Веса распространяются по лицензии Apache-2.0.

NVIDIA C-RADIOv2-B — модель извлечения визуальных признаков на архитектуре Vision Transformer. Она преобразует RGB-изображения в тензорные эмбеддинги для использования в последующих моделях и приложениях компьютерного зрения. Версия Base содержит 90 млн параметров; поддерживаются изображения с разрешением до 2048×2028 с шагом 16 пикселей. Модель возвращает общее представление изображения и пространственные признаки локальных областей. Их можно использовать для классификации и отбора изображений, семантической сегментации, оценки глубины и интеграции в модели «зрение — язык». Для применения признаков требуется downstream-модель. В README указана обучающая выборка NV-CC-Img-Text-Dataset из 700 млн изображений и оценка на ImageNet. Модель предназначена для разработчиков приложений компьютерного зрения; в README заявлена готовность к коммерческому и некоммерческому использованию. Условия использования регулируются NVIDIA Open Model License Agreement.

Deformable DETR — модель компьютерного зрения, выпущенная командой Detic и представленная в репозитории Hugging Face. Это контрольная точка Box-Supervised_DeformDETR_R50_4x, обученная на LVIS для обнаружения объектов среди 1203 классов; модель показала 31,7 box mAP и 21,4 mAP на редких классах LVIS. Архитектура сочетает свёрточную основу с трансформером-кодировщиком и декодировщиком. По изображению модель предсказывает классы объектов и ограничивающие рамки. Весы доступны в формате PyTorch, лицензия — Apache-2.0. Модель подходит для обнаружения и локализации объектов на изображениях, в том числе объектов из редких категорий LVIS. Оценка качества приведена на LVIS; карточка не описывает результаты на других наборах данных.

SenseTime/deformable-detr-single-scale — модель обнаружения объектов Deformable DETR с backbone ResNet-50, разработанная на основе архитектуры из статьи Zhu et al. Она обучена на COCO 2017 и предназначена для нахождения объектов на изображениях с предсказанием классов и ограничивающих рамок. Архитектура сочетает сверточный backbone с encoder-decoder Transformer. Декодер использует 100 object queries; модель обучалась сквозным образом с сопоставлением предсказаний и разметки алгоритмом Hungarian. Доступны веса PyTorch и Safetensors. Модель принимает изображения и выдаёт классы объектов и их рамки; в метаданных указан контекст 1024 токена. Подходит для распознавания и локализации объектов в изображениях, особенно в сценариях, близких к COCO. Модель выпущена под лицензией Apache-2.0. Карточка не приводит конкретных метрик качества или ограничений за пределами обучения на COCO 2017.

deit3_medium_patch16_224.fb_in22k_ft_in1k — модель семейства DeiT-III для классификации изображений и извлечения визуальных признаков. Разработана авторами работы DeiT III: Revenge of the ViT и опубликована в библиотеке timm. Модель содержит 38,8 млн параметров, использует архитектуру Vision Transformer с патчами 16 × 16 и рассчитана на изображения размером 224 × 224 пикселя. Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k. Она подходит для распознавания объектов из набора классов ImageNet и в качестве визуального backbone для задач, которым нужны признаки изображения. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Модель принимает изображения и выдаёт классовые оценки либо эмбеддинги. README не сообщает о специализированной обработке изображений вне этих сценариев.

facebook/deit-base-patch16-224 — базовая модель Data-efficient Image Transformer (DeiT), представленная авторами DeiT; опубликованные веса преобразованы из репозитория timm. Это энкодер Vision Transformer с 113,2 млн параметров, обученный и дообученный на ImageNet-1k для классификации изображений на 1 000 классов. Модель принимает изображения, разбивает их на патчи 16×16 и обрабатывает последовательность трансформерными слоями; штатное разрешение — 224×224 пикселя. Модель подходит для классификации изображений и извлечения признаков, которые можно использовать в последующих задачах компьютерного зрения. Для входа применяют масштабирование и центрированную обрезку до 224×224 с нормализацией RGB-каналов. В README для DeiT-base приведена точность ImageNet top-1 81,8% и top-5 95,6%; при дообучении более высокие результаты достигаются с разрешением 384×384. Текстовые языки не применяются. Лицензия — Apache-2.0.

ustc-community/dfine-nano-coco — реализация модели D-FINE для обнаружения объектов на изображениях в библиотеке Transformers. Модель относится к семейству D-FINE и обучена на COCO; в основе подхода лежит DETR с уточнением распределения координат рамок и самодистилляцией для улучшения локализации. Репозиторий содержит веса в формате safetensors. Модель предназначена для быстрого обнаружения и локализации объектов на изображениях, в том числе в сценариях автономного вождения, видеонаблюдения, робототехники и розничной аналитики. Она предсказывает категории объектов и ограничивающие рамки; заявленный акцент — точность локализации и пригодность к развертыванию в реальном времени. В карточке не приведены конкретный размер модели и численные показатели качества или скорости. Лицензия — Apache-2.0. Обучение и оценка описаны для COCO train2017 и val2017; поведение на других наборах данных и в конкретных условиях эксплуатации может отличаться.

facebook/dinov2-giant — модель Vision Transformer (ViT), обученная командой DINOv2 методом самообучения на большом наборе изображений. Это энкодер с архитектурой трансформера: изображение разбивается на фиксированные патчи, которые преобразуются в последовательность признаков. Модель содержит около 1,5 млрд параметров и доступна в форматах PyTorch и Safetensors. Модель предназначена для извлечения признаков изображений и получения представлений для последующих задач компьютерного зрения. Её можно использовать как основу для обучения классификатора на размеченных данных или для других downstream-сценариев; готовых дообученных выходных голов в чекпойнте нет. Принимает изображения и выдаёт их векторные представления. Лицензия — Apache-2.0.

ECA-NFNet-L1.ra2_in1k — модель классификации изображений и извлечения визуальных признаков, обученная Ross Wightman в рамках библиотеки timm. Она основана на лёгком варианте NFNet: использует архитектуру, подобную ResNet, без нормализационных слоёв, со Scaled Weight Standardization и скалярными коэффициентами в остаточных связях. В этой версии механизм внимания ECA заменяет SE, а уменьшенные коэффициенты bottleneck и SE и меньший размер группы снижают ширину сети при сохранении глубины; используются активации SiLU. Модель обучена на ImageNet-1k и предназначена для классификации изображений, а также может служить основой для извлечения карт признаков и эмбеддингов. Входной размер при обучении составлял 256×256 пикселей, при тестировании — 320×320. Модель содержит около 41,4 млн параметров и требует 9,6 GMACs. Доступны веса в форматах PyTorch и safetensors, библиотека — timm. Лицензия Apache-2.0.

eCeLLM-M — языковая модель NingLab для диалоговых и генеративных задач в электронной коммерции. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель дообучена методом instruction tuning на наборе NingLab/ECInstruct на основе Mistral-7B-Instruct-v0.2. Модель предназначена для ответов на инструкции и запросы, связанные с электронной коммерцией, и может использоваться в чат-ассистентах и других сценариях генерации текста для этой области. В README не приведены конкретные оценки качества или перечень отдельных коммерческих задач. Лицензия репозитория — CC BY 4.0.

EfficientNet-EdgeTPU — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептом RandAugment. Модель содержит 10,6 млн параметров, рассчитана на изображения размером 300 × 300 пикселей и выполняет классификацию изображений; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов на изображениях общего назначения и для получения визуальных признаков в компьютерном зрении. В карточке описаны обучение с оптимизатором RMSProp, усреднение весов EMA и ступенчатое затухание скорости обучения с разогревом. Доступна по лицензии Apache-2.0.

efficientnet_h_b5.sw_r448_e450_in1k — свёрточная модель EfficientNet для классификации изображений, опубликованная командой timm. Она обучена на ImageNet-1k; карточка описывает также извлечение карт признаков и получение эмбеддингов изображений. В модели 45,9 млн параметров и 27,2 GMACs. Размер изображения при обучении — 448 × 448 пикселей, при тестировании — 576 × 576. Модель предназначена для распознавания объектов на изображениях и может использоваться как энкодер признаков в компьютерном зрении. В README указаны оптимизатор AdamW, ограничение градиентов, усреднение весов EMA и косинусное расписание скорости обучения с разогревом. Распространяется под лицензией Apache-2.0.

Falcon Perception — модель TII с открытой архитектурой весом 0,6 млрд параметров для визуального grounding и сегментации отдельных объектов по текстовому запросу. Она принимает изображение и описание искомого объекта или признака и возвращает найденные экземпляры с попиксельными масками. Лицензия — Apache 2.0. Модель использует плотный Transformer с ранним объединением патчей изображения и текстовых токенов в общем стеке. Гибридная маска внимания позволяет строить визуальный контекст и декодировать текстовые и целевые токены с учётом изображения; маски экземпляров формируются параллельно. Falcon Perception рассчитана на поиск объектов в изображениях, в том числе в плотных и перегруженных сценах, и на применение в конвейерах сегментации. Это специализированная модель, а не универсальный визуальный ассистент: она не предназначена для открытых рассуждений, длинной генерации или многошаговых ответов на вопросы по изображениям. Точность локализации в плотных сценах зависит от разрешения; небольшие или размытые надписи затрудняют запросы, управляемые OCR, а на сложных отрицательных примерах возможны ложные срабатывания.

HardCoReNAS E.MIIL Green IN1K — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она основана на архитектуре HardCoReNAS и обучена авторами соответствующей работы на ImageNet-1k с их «зелёной» схемой обучения. Модель содержит 8,1 млн параметров, требует входные изображения размером 224 × 224 пикселя и имеет вычислительную сложность 0,4 GMACs. Модель можно использовать для присвоения изображению класса из набора ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Она предназначена для сценариев классификации и построения визуальных представлений; сведений о поддержке текстового ввода или генерации изображений нет. Доступна под лицензией Apache-2.0.

Hiera Base Plus 224 — визуальный энкодер на основе иерархического трансформера Hiera, представленный авторами статьи «Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles» и дообученный на ImageNet-1K. Этот чекпойнт предназначен для извлечения признаков из изображений; полученные представления можно использовать в системах компьютерного зрения и последующих моделях классификации или распознавания. Модель содержит около 45 млн параметров и загружается через библиотеку Transformers в формате safetensors. Архитектура Hiera сочетает иерархическую обработку изображения с упрощённой конструкцией; авторы сообщают о высокой скорости и результатах на задачах распознавания изображений и видео. Данная версия обучена на ImageNet-1K и ориентирована на извлечение признаков, а не на генерацию текста или изображений. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

tarscaleai/Llama-3.2-1B-Instruct-Product-Description — дообученная модель семейства Llama 3.2, разработанная tarscaleai на базе unsloth/Llama-3.2-1B-Instruct с использованием Unsloth и Hugging Face TRL. Она предназначена для генерации текста в диалоговом формате; название репозитория указывает на сценарий создания описаний товаров, однако README не приводит примеров или дополнительных сведений о специализированной настройке. Модель имеет плотную архитектуру LlamaForCausalLM и около 1,2 млрд параметров. Метаданные указывают контекст до 131 072 токенов и английский язык. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

MambaOut Kobe — модель компьютерного зрения для классификации изображений и извлечения признаковых карт и эмбеддингов. Она разработана авторами работы «MambaOut: Do We Really Need Mamba for Vision?» и предварительно обучена на ImageNet-1k. Модель содержит 9,1 млн параметров; указанные вычислительные затраты составляют 1,5 GMACs. Размер изображения при обучении — 224 × 224, при тестировании — 288 × 288. Модель подходит для распознавания объектов и категорий на изображениях, а также как компактная визуальная основа для извлечения признаков. Репозиторий предоставляет веса PyTorch в формате safetensors и использует библиотеку timm. Модель распространяется по лицензии Apache-2.0.

Mask2Former — модель компьютерного зрения, разработанная командой авторов архитектуры Mask2Former и опубликованная Hugging Face. Этот чекпойнт обучен на COCO для сегментации отдельных объектов на изображениях; он предсказывает маски объектов и соответствующие им классы. Архитектура объединяет многошкальный декодер признаков на основе deformable attention и Transformer-декодер с masked attention. Модель предназначена для выделения объектов и их классификации по пикселям на изображениях. Общая парадигма Mask2Former также применяется к семантической и паноптической сегментации, однако данный чекпойнт рассчитан на сегментацию экземпляров. Это версия base с backbone Swin. Данные не уточняют число параметров или поддерживаемые естественные языки; вход — изображение, выход — маски и метки классов. Лицензия указана как other, поэтому условия её использования следует проверить в репозитории модели.

Это модель классификации изображений MaxViT от Ross Wightman, опубликованная для библиотеки timm. Она сочетает блоки MBConv и два вида self-attention — оконное и сеточное внимание; вариант с суффиксом rw адаптирован для работы в PyTorch eager. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Она рассчитана на изображения размером 224 × 224 пикселя и содержит около 116,1 млн параметров. В метаданных указаны форматы PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0.

MaxViT-Tiny-RW-224-SW-IN1K — модель классификации изображений и извлечения признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как визуальная основа для получения карт признаков и эмбеддингов. Архитектура MaxViT сочетает блоки MBConv со слоями внимания по окнам и сетке. Модель содержит 29,1 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch и SafeTensors; модель работает с изображениями и не генерирует текст. Модель подходит для классификации изображений общего назначения и как визуальный энкодер в прикладных системах. Она обучена на ImageNet-1k, поэтому качество на классах и типах изображений, существенно отличающихся от этого набора, может быть ниже. Лицензия — Apache-2.0.

Xenova/mobileclip_s0 — конвертированная в ONNX версия MobileCLIP S0, подготовленная для работы с Transformers.js. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: модель сопоставляет изображение с предложенными вариантами и определяет наиболее подходящие. Компактная архитектура CLIP делает её пригодной для сценариев компьютерного зрения в JavaScript-приложениях. Карточка указывает лицензию other, поэтому условия использования следует уточнить в исходной лицензии модели.

MViTv2 Small — модель компьютерного зрения семейства multi-scale Vision Transformer, опубликованная авторами работы MViTv2 и доступная в формате библиотеки timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений; также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит около 34,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для распознавания объектов и категорий на изображениях, а также для построения визуальных признаков в прикладных системах компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

OWLv2 — модель компьютерного зрения для обнаружения объектов по текстовым запросам, разработанная Google и описанная в работе «Scaling Open-Vocabulary Object Detection». Она принимает изображение и один или несколько текстовых запросов, после чего находит соответствующие объекты и предсказывает их рамки. Архитектура сочетает мультимодальную основу CLIP с визуальным энкодером ViT-B/16, текстовым Transformer-энкодером и лёгкими головами классификации и предсказания рамок. Модель предназначена для zero-shot обнаружения объектов, в том числе классов, не заданных фиксированным списком меток при обучении. Это позволяет искать на изображениях объекты по произвольным текстовым описаниям и исследовать обобщение и устойчивость систем компьютерного зрения. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Обучающие данные включали публичные пары изображений и подписей, а также наборы для обнаружения объектов, включая COCO и OpenImages; значительная часть данных получена из интернет-источников. Поэтому качество и поведение модели могут зависеть от представительности этих данных, а предсказания следует проверять в конкретном сценарии применения.

OWL-ViT — модель обнаружения объектов с открытым словарём, разработанная авторами статьи Simple Open-Vocabulary Object Detection with Vision Transformers. Она принимает изображение и один или несколько текстовых запросов и находит соответствующие объекты, возвращая их классы и рамки. Модель построена на мультимодальной основе CLIP с визуальным энкодером ViT-B/32 и трансформерным текстовым энкодером; к визуальным признакам добавлены лёгкие классификационная и рамочная головки. Репозиторий содержит веса PyTorch и Safetensors. Модель подходит для поиска объектов по произвольным текстовым описаниям без необходимости заранее фиксировать набор классов. Её можно применять для исследовательских экспериментов с обобщением и устойчивостью компьютерного зрения, а также для поиска объектов на изображениях по текстовым запросам. Качество распознавания зависит от формулировок запросов и обучающих данных; карточка отмечает возможные смещения из-за состава интернет-данных. Лицензия — Apache-2.0.