IV.1Ритейл, электронная коммерция и fashion-tech

seresnext101_64x4d.gluon_in1k — свёрточная модель классификации изображений из библиотеки timm, основанная на архитектуре SE-ResNeXt-B с механизмом внимания к каналам Squeeze-and-Excitation. Модель содержит 88,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Она обучена на ImageNet-1k в Apache Gluon с рецептами Bag of Tricks. Модель подходит для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Архитектура включает ReLU-активации, свёртку 7 × 7 с пулингом, групповые свёртки в bottleneck-блоках и свёрточные проекции в обходных соединениях. Веса распространяются в форматах PyTorch и safetensors по лицензии Apache-2.0. README не указывает русскоязычные текстовые возможности; модель принимает изображения и выдаёт классовые предсказания либо признаки для дальнейшей обработки.

seresnext26t_32x4d.bt_in1k — сверточная модель классификации изображений из библиотеки timm, построенная на архитектуре SE-ResNeXt-T с механизмом Squeeze-and-Excitation для внимания к каналам. Модель содержит 16,8 млн параметров и обучена на ImageNet-1k с рецептом Bag of Tricks; при обучении использовались SGD с Nesterov и косинусное расписание скорости обучения с разогревом. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. В README указаны размер изображения 224×224 для обучения и 288×288 для проверки, а вычислительная сложность составляет 2,7 GMACs. Репозиторий распространяется по лицензии Apache-2.0.

seresnext50_32x4d.gluon_in1k — сверточная модель классификации изображений семейства SE-ResNeXt, опубликованная timm. Она сочетает остаточную архитектуру ResNeXt с групповыми свёртками и механизмом Squeeze-and-Excitation, который учитывает важность каналов признаков. Модель содержит 27,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель обучена на ImageNet-1k с использованием рецептов Bag-of-Tricks в Apache Gluon. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий содержит веса PyTorch в формате safetensors; лицензия — Apache-2.0.

Swin Large Patch4 Window7 224 — модель классификации изображений на архитектуре Swin Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Модель обрабатывает изображения размером 224 × 224 пикселя и содержит около 228,6 млн параметров. Иерархическая архитектура Swin Transformer использует сдвигаемые оконные механизмы внимания для анализа изображения на разных масштабах. Чекпойнт распространяется в форматах PyTorch и Safetensors. Лицензия — MIT. Карточка не приводит ограничений применения или отдельных доменных специализаций.

Swin Large Patch4 Window7 224 — модель классификации изображений на основе иерархического Vision Transformer с механизмом сдвинутых окон. Она разработана авторами статьи Swin Transformer и опубликована в библиотеке timm. Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k; содержит около 196,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Основной сценарий — распознавание объектов и категорий на изображениях. Репозиторий содержит веса PyTorch и safetensors, лицензия — MIT. Карточка описывает классификацию и извлечение признаков, но не приводит подробностей о поддерживаемых классах вне обучения на ImageNet-1k.

Swin S3 Base 224 — модель семейства Swin Transformer для классификации изображений и извлечения визуальных признаков. Репозиторий опубликован командой timm; модель рассчитана на изображения размером 224 × 224 пикселя и содержит 71,1 млн параметров. В README также заявлены извлечение карт признаков и создание эмбеддингов изображений. Модель обучена на ImageNet-1k и может использоваться для классификации изображений, получения карт признаков и эмбеддингов в компьютерном зрении. В метаданных указан тип задачи image-classification, библиотека timm и форматы PyTorch и Safetensors. Лицензия — MIT.

Swin Transformer V2 Base — модель классификации изображений и извлечения визуальных признаков из семейства Swin Transformer V2. Репозиторий поддерживается проектом timm; веса предварительно обучены на ImageNet-22k, а затем дообучены авторами статьи на ImageNet-1k. Модель содержит 87,9 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предназначена для классификации изображений по категориям, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный backbone в компьютерном зрении и как основу для прикладных систем распознавания объектов по изображениям. Репозиторий содержит веса в форматах PyTorch и safetensors; библиотека для работы — timm. Лицензия MIT. Качество и применимость могут зависеть от предметной области: обучение проводилось на ImageNet-22k и ImageNet-1k, поэтому точность на изображениях и категориях, отличающихся от этих наборов данных, не гарантируется.

timm/tnt_s_legacy_patch16_224.in1k — модель классификации изображений и визуальный backbone семейства TnT (Transformer in Transformer), распространяемая в экосистеме timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит около 23,8 млн параметров, рассчитана на изображения размером 224 × 224 и требует 5,2 GMACs на проход согласно карточке. Чекпойнт опубликован в форматах PyTorch и safetensors; библиотека для работы с ним — timm. Лицензия — Apache-2.0. В карточке приведены примеры классификации, извлечения признаков и эмбеддингов, но не указаны языковые возможности, поскольку модель обрабатывает изображения.

TWIN-Qwen2.5-VL-3B — мультимодальная модель glab-caltech, полученная дополнительным обучением Qwen/Qwen2.5-VL-3B-Instruct на наборе данных TWIN. Она предназначена для диалогового анализа изображений, визуальных рассуждений и распознавания тонких различий между объектами или сценами. Модель использует плотную архитектуру Qwen2.5-VLForConditionalGeneration, содержит 3,1 млрд параметров и принимает изображения и текстовые запросы, выдавая ответы на естественном языке. Максимальная длина контекста — 128 000 токенов; в метаданных указан английский язык. Модель подходит для вопросов по изображениям и задач fine-grained recognition, где требуется определить, являются ли визуальные объекты одинаковыми или различными. Веса опубликованы в формате safetensors и доступны через Transformers. Лицензия обозначена как other; конкретные условия следует сверить с карточкой репозитория.

vit_base_patch8_224.augreg_in21k — модель Vision Transformer для классификации изображений и получения визуальных признаков. Её обучили авторы исследования How to train your ViT? на ImageNet-21k с аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch для библиотеки timm. В модели около 102,6 млн параметров, она рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям и как визуальная основа для задач компьютерного зрения. Она принимает изображения и выдаёт предсказания классов либо векторные представления изображений. В README указано обучение на ImageNet-21k; других языковых или модальных возможностей карточка не описывает. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Качество и применимость к изображениям вне распределения ImageNet-21k зависят от данных и сценария использования.

Это гибридная модель ResNet и Vision Transformer (ViT) для классификации изображений и получения их признаковых представлений. Её обучили авторы исходной работы на ImageNet-21k, затем дообучили на ImageNet-1k; реализацию перенёс из JAX в PyTorch Росс Уайтман. Модель доступна в библиотеке timm и в форматах PyTorch и safetensors. Модель содержит около 99 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Она подходит для классификации изображений по категориям ImageNet и извлечения эмбеддингов для дальнейших задач компьютерного зрения. Репозиторий распространяется по лицензии Apache-2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Россом Уайтманом в библиотеке timm. Вариант vit_little_patch16_reg1_gap_256 использует патчи 16×16, один register-токен и глобальное усреднение признаков; модель содержит 22,5 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предварительно обучена на ImageNet-12k, затем дообучена на ImageNet-1k. Она предназначена для присвоения изображениям меток классов, а также может использоваться как энкодер признаков для извлечения карт признаков и эмбеддингов изображений. Весовые файлы доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

YOLOS base — модель компьютерного зрения семейства YOLOS, представленная авторами работы «You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection» и опубликованная в репозитории Hugging Face. Это Vision Transformer с архитектурой обнаружения объектов YOLOS, содержащий 113,2 млн параметров и дообученный на COCO 2017 после предварительного обучения на ImageNet-1k. Модель принимает изображения и обнаруживает на них объекты, возвращая классы и ограничивающие рамки. Она предназначена для распознавания объектов на изображениях; на валидационном наборе COCO 2017 указана точность AP 42,0. Обучение использует DETR loss и сопоставление предсказаний с объектами разметки алгоритмом Венгера. Модель работает с изображениями и не генерирует текстовые описания. Обучение и заявленная оценка относятся к COCO, поэтому качество для объектов и условий, не представленных в этом наборе, может отличаться. Распространяется по лицензии Apache-2.0.

YOLOS-small-300 — модель обнаружения объектов на изображениях, основанная на Vision Transformer. Семейство YOLOS представлено Fang и соавторами в работе о применении трансформеров для обнаружения объектов; этот чекпойнт опубликован в репозитории YOLOS и дообучен на COCO 2017 после предварительного обучения на ImageNet-1k. Модель содержит 28,3 млн параметров и использует архитектуру YolosForObjectDetection. Модель принимает изображение и предсказывает классы объектов и их ограничивающие рамки. Она обучена с функцией потерь DETR и сопоставлением предсказаний с разметкой алгоритмом Венгерского назначения. На проверочной выборке COCO 2017 указана точность AP 36,1. Подходит для обнаружения объектов общего назначения на изображениях; в карточке не заявлена поддержка видео или других типов входных данных. Модель распространяется по лицензии Apache-2.0. Результаты оценки относятся к COCO 2017; качество на других наборах данных и в прикладных условиях может отличаться.

YOLOS-small — модель компьютерного зрения семейства Vision Transformer, разработанная авторами YOLOS и дообученная для обнаружения объектов на COCO 2017. Она анализирует изображение и предсказывает классы объектов и их ограничивающие рамки; архитектура использует DETR-подобную функцию потерь и сопоставление предсказаний с разметкой алгоритмом Венгера. В модели 24,4 млн параметров. Модель подходит для обнаружения объектов на изображениях в приложениях компьютерного зрения. Она предварительно обучена на ImageNet-1k, затем дообучена на COCO 2017; заявленная точность AP на валидационной выборке COCO 2017 составляет 37,6. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

Aurora — мультимодальная фундаментальная модель для прогнозирования временных рядов, представленная авторами статьи ICLR 2026. Она предназначена для прогнозирования временных рядов с использованием как самих рядов, так и связанных с ними модальностей и доменных знаний; поддерживает zero-shot-сценарии и вероятностные генеративные прогнозы. Архитектура Aurora включает кодировщик, объединяющий признаки разных модальностей, и декодер, который формирует условия для будущих значений, извлекает прототипы на основе доменных знаний и использует flow matching для генерации прогнозов. В README заявлены результаты уровня state of the art на пяти бенчмарках. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Метаданные указывают контекст 10 000 токенов и английский язык карточки модели.

BEiT Large — модель классификации изображений Microsoft на основе Vision Transformer с трансформерным энкодером. Она предварительно обучена на ImageNet-21k методом самоконтролируемого обучения с предсказанием визуальных токенов для скрытых патчей, а затем дообучена для классификации изображений на ImageNet-22k. Размер модели — 411 млн параметров; изображения обрабатываются при разрешении 224×224 пикселя как патчи 16×16. В архитектуре используются относительные позиционные эмбеддинги, а представление изображения формируется усреднением состояний патчей. Модель предназначена для присвоения изображениям классов ImageNet и может служить энкодером признаков для обучения классификаторов на размеченных наборах изображений. Она рассчитана на входные изображения и выдаёт метки классов. Карточка описывает обучение на наборах ImageNet, поэтому качество на других предметных областях зависит от данных и настройки. Лицензия — Apache-2.0.

BEiT-v2 Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Репозиторий опубликован командой timm; модель основана на архитектуре Vision Transformer с патчами 16×16 и входным размером 224×224. В ней 304,4 млн параметров, а веса доступны в форматах PyTorch и safetensors. Модель предварительно обучалась на ImageNet-1k методом masked image modeling с визуальным токенизатором VQ-KD, использующим учителя OpenAI CLIP B/16. Затем её дообучили на ImageNet-22k и ImageNet-1k. Она предназначена для классификации изображений и может использоваться как основа для извлечения эмбеддингов и других задач компьютерного зрения. Лицензия — Apache-2.0. Характеристики и обучение ориентированы на ImageNet; качество на изображениях и классах вне этого распределения может отличаться.

Карточка модели HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-multi на Hugging Face совпадает с карточкой HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary, поэтому описание составлено по ней. 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.

caformer_b36.sail_in22k — модель классификации изображений и извлечения визуальных признаков из семейства CAFormer, основанного на архитектуре MetaFormer. Её обучили авторы исследования на ImageNet-22k; модель содержит 162,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в прикладных системах компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

timm/caformer_m36.sail_in22k — модель компьютерного зрения семейства CAFormer и архитектуры MetaFormer, разработанная авторами исследования MetaFormer baselines for vision и опубликованная в библиотеке timm. Она предназначена для классификации изображений, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 104,2 млн параметров, имеет вычислительную сложность 13,3 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Она обучена на ImageNet-22k и доступна в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель подходит для классификации изображений и извлечения визуальных признаков в компьютерном зрении. Карточка не сообщает о мультимодальном вводе или генерации; классификация ограничена задачей image-classification.

CAFormer-S18 — модель компьютерного зрения семейства MetaFormer, распространяемая проектом timm. Она предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Модель предварительно обучена на ImageNet-22k, затем дообучена авторами статьи на ImageNet-1k. Модель содержит 26,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. В репозитории доступны веса PyTorch и SafeTensors; лицензия — Apache-2.0. Карточка описывает применение для классификации, извлечения признаков и построения эмбеддингов.

CaiT M36 с входным разрешением 384×384 — модель классификации изображений и визуальный backbone семейства Class-Attention in Image Transformers. Репозиторий timm содержит веса, предварительно обученные авторами статьи на ImageNet-1k с дистилляцией. Модель включает 271,2 млн параметров и может использоваться для классификации изображений и получения их признаковых представлений. Модель принимает изображения и выдаёт метки классов; признаки можно использовать в задачах компьютерного зрения. Доступна через библиотеку timm, веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

CoAtNet-2 RW 224 — модель классификации изображений из библиотеки timm, разработанная Ross Wightman. Она предварительно обучена на ImageNet-12k, подмножестве ImageNet-22k из 11 821 класса, а затем дообучена на ImageNet-1k. Модель использует гибридную архитектуру CoAtNet: свёрточные блоки MBConv на ранних этапах сочетаются с блоками self-attention на поздних. Вариант рассчитан на изображения размером 224 × 224 пикселя и содержит 73,9 млн параметров. Модель предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. Обучение на ImageNet-12k и последующее дообучение на ImageNet-1k дают ей широкий набор визуальных категорий. Для работы с изображениями иных размеров или предметных областей может потребоваться адаптация; приведённые в карточке характеристики вычислений и точности относятся к конкретным условиям оценки. Лицензия — Apache-2.0.

CoAtNet-BN-0-RW-224-SW-IN1K — модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Она сочетает свёрточные блоки MBConv на ранних этапах обработки изображения с блоками self-attention на поздних. Модель содержит 27,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель предназначена для классификации изображений по категориям ImageNet-1k и может служить визуальным backbone в прикладных системах. Официальные веса CoAtNet авторов исходной статьи не выпускались; эта версия — конфигурация timm с модификациями Ross Wightman для работы в PyTorch. Обучение проводилось на ImageNet-1k, а обучение на TPU поддержала программа TRC. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обрабатывает изображения, а не текст; характеристики качества для этой конкретной версии в приведённой карточке не приведены.

CoAtNet-RMLP-2-RW-224-SW-IN12K-FT-IN1K — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом. Она сочетает свёрточные блоки MBConv на ранних этапах с блоками на основе self-attention на поздних; в архитектуре также используется MLP Log-CPB — смещение относительных позиций, мотивированное Swin Transformer V2. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Модель рассчитана на классификацию изображений размером 224 × 224 и может использоваться как основа для извлечения признаков и эмбеддингов изображений. Она содержит 73,9 млн параметров и выполняет около 15,2 GMAC на изображение. Карточка приводит результаты классификации в сравнительных таблицах, но не содержит отдельной строки с метриками именно этой версии. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для изображений; сведения о поддержке естественных языков или обработке текста не относятся к её основному сценарию.

timm/convnext_small.eupe_lvd1689m — визуальный энкодер признаков на архитектуре ConvNeXt-Small из библиотеки PyTorch Image Models (timm). Модель разработана с применением метода Efficient Universal Perception Encoder и дистиллирована на датасете LVD-1689M от прокси-преподавателя, обученного на основе нескольких специализированных визуальных моделей. В ней около 49,5 млн параметров; рекомендуемый размер изображения — 256 × 256 пикселей. Энкодер извлекает карты признаков и векторные представления изображений, которые можно использовать в качестве основы для классификации и других задач компьютерного зрения. В сравнительной таблице карточки приведены результаты для визуально-языковых и пространственных бенчмарков, однако сама модель обозначена как энкодер изображений и не заявлена как генеративная или мультимодальная модель для диалога. Весы доступны в формате Safetensors. Лицензия FAIR Noncommercial Research License ограничивает использование некоммерческими исследовательскими целями.

ConvNeXT-XLarge — сверточная модель компьютерного зрения, разработанная авторами работы «A ConvNet for the 2020s» и впервые опубликованная в этом репозитории. Она обучена на ImageNet-22k и принимает изображения размером 224×224 для классификации объектов по категориям ImageNet. Архитектура ConvNeXT представляет собой чистую сверточную сеть, дизайн которой основан на ResNet и обновлён с учётом идей Vision Transformer и Swin Transformer. Модель предназначена для классификации изображений; доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель подходит для распознавания объектов на фотографиях и как основа для прикладных версий, дообученных под другие задачи. В исходном виде она ограничена классификацией по категориям ImageNet и не предназначена для генерации описаний изображений или классификации по произвольным пользовательским меткам без адаптации.

Copywriter-Gemma4-31B — дообученная модель на 31 млрд параметров, созданная независимым разработчиком на базе Google Gemma-4-31B-it. Она предназначена для написания маркетинговых текстов: объявлений, писем, посадочных страниц, описаний товаров, сценариев и сообщений для рекламных и клиентских кампаний. Модель использует архитектуру Gemma 4 и распространяется в формате safetensors; карточка указывает библиотеку Transformers и лицензию Gemma. Модель ориентирована на англоязычный direct-response копирайтинг: помогает готовить тексты с выразительными заголовками, конкретными выгодами и краткими формулировками. В описании приводится сравнение с базовой моделью на 30 заданиях, где оценивание выполнялось языковой моделью-судьёй; результаты относятся к этому набору заданий и не гарантируют аналогичного качества для других сценариев. Ограничения: специализация модели — маркетинг на английском языке; для длинных списков возможны повторы. Модель не проверяет достоверность рекламных утверждений, поэтому тексты требуют проверки фактов, соответствия требованиям и безопасности бренда; она не предназначена для медицинских, юридических, финансовых или критически важных рекомендаций.

cs3sedarknetl.c2ns_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Архитектура CS3-SE-DarkNet сочетает блоки Cross-Stage-Partial с тремя свёртками и канальное внимание Squeeze-and-Excitation; её также можно использовать как основу для извлечения признаков и эмбеддингов изображений. Модель содержит 21,9 млн параметров и требует 4,9 GMACs на обработку изображения. Размер изображения при обучении — 256 × 256 пикселей, при тестировании — 288 × 288. В README описана процедура обучения на основе рецептов ResNet Strikes Back с оптимизатором SGD с Nesterov, адаптивным отсечением градиентов и косинусным расписанием скорости обучения. Вариант ns обучался без stochastic depth. Модель предназначена для классификации изображений общего назначения и извлечения визуальных признаков. В метаданных указана лицензия Apache-2.0. Карточка не сообщает о поддержке текстовых или иных языковых входов.