IV.1Ритейл, электронная коммерция и fashion-tech

SelecSLS42b.in1k — модель компьютерного зрения для классификации изображений и извлечения признаков, обученная авторами статьи на ImageNet-1k. Она использует архитектуру SelecSLS и содержит 32,5 млн параметров; указанный размер входного изображения — 224 × 224 пикселя. Модель рассчитана на классификацию изображений, получение карт признаков и изображенческих эмбеддингов. Чекпойнт доступен в форматах PyTorch и Safetensors и предназначен для использования с библиотекой timm. Лицензия — CC BY 4.0. Карточка также связывает модель с работой о захвате движения нескольких людей по одному RGB-изображению, но не утверждает, что этот чекпойнт сам выполняет захват движения: его заявленные функции — классификация и извлечение признаков.

seresnextaa101d_32x8d.sw_in12k_ft_in1k_288 — сверточная модель классификации изображений семейства SE-ResNeXt-D с антиалиасингом Rectangle-2 и механизмом внимания Squeeze-and-Excitation. Её подготовил Росс Уайтман с помощью библиотеки timm: модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Число параметров — 93,6 млн. Модель предназначена для присвоения изображениям классов ImageNet и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В архитектуре применяются ReLU, трехслойный входной блок из сверток 3×3, групповые сверточные блоки и усредняющее уменьшение разрешения. В README приведены результаты ImageNet-1k: top-1 точность 86,72% при размере изображения 320×320 и 86,51% при 288×288. Для инференса указаны размеры изображений 288×288 при обучении и 320×320 при тестировании. Модель обрабатывает изображения и выдает метки классов; описание также предусматривает извлечение признаковых представлений. Языковой ввод и вывод не заявлены. Репозиторий распространяется по лицензии Apache-2.0.

SigLino-0.6B — плотная модель извлечения признаков изображений из семейства SigLino, разработанная авторами работы AMoE, принятой на CVPR 2026. Она сочетает идеи SigLIP2 и DINOv3 и использует архитектуру SigLinoModel с 0,6 млрд параметров и 18 слоями. Модель предназначена для получения визуальных признаков, пригодных для классификации изображений и поиска по сходству. В README приведены результаты kNN-классификации на ImageNet и среднем показателе по шести наборам данных, а также zero-shot классификации на ImageNet; это указывает на сценарии оценки и повторного использования признаков в компьютерном зрении. Модель распространяется в формате Safetensors через Transformers по лицензии Apache 2.0. Результаты в карточке относятся к входным изображениям 512×512 и ансамблевым признакам; другие разрешения и сценарии в предоставленных данных не описаны.

SwiftFormer L3 distill для ImageNet-1k — модель классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи SwiftFormer и представленная в библиотеке timm. Архитектура SwiftFormer использует эффективное аддитивное внимание для мобильных задач компьютерного зрения в реальном времени. Модель содержит 28,5 млн параметров, требует изображение размером 224 × 224 пикселя и выполняет около 4,0 GMACs вычислений на изображение. Модель предназначена для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors; заявлена лицензия Apache-2.0. Карточка не описывает поддержку языкового ввода или генерацию текста.

Swin Transformer Large — модель компьютерного зрения, разработанная авторами Swin Transformer и представленная в работе Liu et al. Это версия с предварительным обучением на ImageNet-21k: 14 миллионов изображений, 21 841 класс. Модель принимает изображения разрешением 224×224 и предназначена для классификации изображений; её также можно использовать как основу для задач плотного распознавания после соответствующей адаптации. Архитектура Vision Transformer формирует иерархические карты признаков, объединяя патчи на более глубоких уровнях. Механизм внимания применяется внутри локальных окон со сдвигом, поэтому вычислительная сложность растёт линейно с размером изображения. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Для прикладных задач, отличающихся от классификации ImageNet, обычно потребуется дообученная версия модели.

timm/swin_s3_small_224.ms_in1k — модель классификации изображений и извлечения визуальных признаков из библиотеки timm. Это иерархический Vision Transformer семейства Swin с механизмом сдвинутых окон; вариант обучен на ImageNet-1k. Модель содержит 49,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для присвоения изображениям меток классов, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как готовый классификатор или как визуальную основу для собственных задач компьютерного зрения. В README приведены ссылки на работы об AutoFormerV2 и Swin Transformer. Веса доступны в форматах PyTorch и Safetensors, библиотека модели — timm. Лицензия MIT. Описание не сообщает о специальных ограничениях применения или поддержке нескольких размеров изображения.

Swin Transformer V2 Base Patch4 Window12 192 22k — модель компьютерного зрения семейства Swin Transformer V2, представленная авторами Swin Transformer и опубликованная Microsoft. Это иерархический Vision Transformer с локальным оконным вниманием и объединением патчей на более глубоких уровнях; в варианте Base около 33 млн параметров. Модель предварительно обучена на ImageNet-21k с разрешением 192×192 и предназначена для классификации изображений по классам ImageNet. Модель принимает изображение и выдаёт оценки классов. Swin V2 использует нормализацию после остаточных связей с cosine attention для стабильности обучения и непрерывное позиционное смещение, помогающее переносить предобучение с низкого разрешения на более высокое. Архитектура также может служить основой для задач плотного распознавания, однако этот чекпойнт предназначен для классификации изображений. Лицензия — Apache-2.0.

SwinV2 CR Small 224 — модель компьютерного зрения на архитектуре Swin Transformer V2, реализованная Christoph Reich и Ross Wightman в библиотеке timm. Веса предварительно обучены Ross Wightman на ImageNet-1k. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 49,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Это независимая реализация Swin Transformer V2, опубликованная до выхода официального кода; в ней отличаются обработка относительного позиционного смещения и формат выходных признаков. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache-2.0.

Tabby — это модель для прогнозирования временных рядов, выпущенная проектом TabbyTSFM. Репозиторий содержит замороженный предварительно обученный backbone Tabby-Pretrain и адаптированный prompt: backbone не дообучался, а prompt обучался на 48 задачах GIFT-Eval. Архитектура использует 20 слоёв, скрытую ширину 768, 12 голов внимания и патчи длиной 16; в README указано 146,7 млн параметров, а метаданные Hugging Face указывают 165,2 млн. Модель выдаёт вероятностные прогнозы по 99 квантилям с уровнями от 0,01 до 0,99. Контекст backbone составляет 8192 позиции; минимальная маска будущего — 128 позиций, поэтому доступная история сокращается в зависимости от горизонта прогноза. В приведённой оценке на конфигурациях GIFT-Eval Tabby показала MASE 0,6880 и CRPS 0,4758, однако prompt обучался на задачах GIFT-Eval, а в соответствующей отправке отмечена утечка тестовых данных, что ограничивает интерпретацию результатов. Модель подходит для вероятностного прогнозирования временных рядов и получения квантильных оценок на заданном горизонте. Для запуска приведён пример с Transformers и AutoModel. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

TabPFN v2-reg — трансформерная фундаментальная модель для регрессии на табличных данных, разработанная Prior Labs. Она использует обучение на основе априорных распределений данных, чтобы решать небольшие задачи регрессии без отдельного обучения под каждую задачу. Модель предназначена для предсказания числовых значений по строкам табличных данных. Для работы предусмотрена библиотека TabPFN на базе PyTorch; README указывает поддержку CPU и возможность использовать GPU. Модель не рассчитана на очень большие наборы данных и не предназначена для нетабличных входов. Лицензия Prior Labs License основана на Apache 2.0 с дополнительным требованием атрибуции.

Time-Anchor ModernBERT 32M — компактная модель прогнозирования временных рядов от K-Iwa на основе энкодера ModernBERT. Она содержит 33,4 млн параметров: 31,9 млн в 10-слойной основе с размерностью скрытого состояния 384 и шестью головами внимания, а также 1,5 млн в специализированных временных головах. Репозиторий содержит веса safetensors; для запуска предусмотрена библиотека Transformers и пакет time-anchor. За один вызов модель формирует вероятностный прогноз с настраиваемыми квантилями, оценивает относительный вклад каждой переменной на каждом временном шаге и может учитывать заданные известные значения в будущем горизонте. Это подходит для прогнозов, где важны интервальная оценка неопределённости, интерпретация влияющих факторов или включение известных будущих точек. В README приведены примеры с почасовой температурой и месячным рядом пассажиропотока. Заявленная максимальная длина контекста в README — 3 463 временных шага; метаданные указывают native_context_tokens 7 999. Эти величины могут относиться к разным измерениям и напрямую не сопоставимы. Модель предназначена для временных рядов; README не указывает поддержку естественных языков. Лицензия — Apache-2.0. Приведённые метрики и проверки объяснимости относятся к описанным примерам и синтетическим данным, поэтому сами по себе не гарантируют качество на других рядах.

timm/vgg19_bn.tv_in1k — сверточная модель классификации изображений VGG19 с пакетной нормализацией, представленная библиотекой timm. Она обучена на ImageNet-1k и основана на исходных весах torchvision. Модель также может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 143,7 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 19,7 GMACs. Она предсказывает классы изображений из набора ImageNet-1k; данные не указывают на поддержку текстового ввода или генерации изображений. Распространяется по лицензии BSD-3-Clause.

Perceiver IO for vision — модель классификации изображений на основе архитектуры Perceiver, представленная авторами работы Perceiver IO и опубликованная в репозитории DeepMind. Она предварительно обучена на ImageNet: 14 млн изображений и 1000 классов. Модель принимает RGB-изображения размером 224×224 после центрирования, изменения размера и нормализации и выдаёт оценки принадлежности к классам. Архитектура обрабатывает значения пикселей напрямую, используя обучаемые одномерные позиционные эмбеддинги без специального кодирования двумерной структуры изображения. Самовнимание применяется к компактному набору латентных векторов, что снижает зависимость его вычислительных затрат от размера входа. На ImageNet-1k указана точность top-1 72,7%; извлечённые признаки также можно использовать для обучения классификатора под конкретный набор размеченных изображений. Модель опубликована под лицензией Apache-2.0.

Xenova/vit-base-patch16-224 — версия модели Google ViT (Vision Transformer), подготовленная Xenova для использования в Transformers.js. Репозиторий содержит ONNX-веса модели google/vit-base-patch16-224 и предназначен для запуска моделей в JavaScript-приложениях, включая веб-среду. Модель предназначена для классификации изображений: она принимает изображения и возвращает наиболее вероятные классы с оценками уверенности. В названии указаны архитектура ViT-Base, разбиение изображения на патчи размером 16×16 пикселей и входной размер 224×224 пикселя. Модель работает с визуальными данными и не предназначена для обработки текста или аудио; языковые характеристики для неё не применимы. Сильной стороной является совместимость с Transformers.js и формат ONNX, что упрощает выполнение инференса в JavaScript и потенциально в браузере. Ограничения включают специализацию на классификации изображений и зависимость качества предсказаний от исходного обучения базовой модели Google. В README лицензия не указана, поэтому условия использования необходимо уточнять в исходном репозитории google/vit-base-patch16-224.

vit_large_r50_s32_224.augreg_in21k_ft_in1k — гибридная модель ResNet и Vision Transformer для классификации изображений и извлечения визуальных признаков. Исходное обучение на ImageNet-21k и дообучение на ImageNet-1k с аугментацией и регуляризацией выполнены авторами исследования в JAX; Ross Wightman перенёс модель в PyTorch для библиотеки timm. Модель содержит 329 млн параметров, обрабатывает изображения размером 224 × 224 и может использоваться как классификатор или визуальный backbone для получения эмбеддингов. Она предназначена для распознавания объектов и категорий на изображениях, особенно в сценариях, близких к ImageNet. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не сообщает об ограничениях помимо специализации на классификации изображений фиксированного размера.

Web-SSL DINO ViT-300M — визуальный энкодер на базе Vision Transformer, опубликованный Facebook и обученный методом DINOv2 без языковой супервизии. Модель содержит около 402,7 млн параметров по метаданным и принимает изображения с разрешением 224 × 224 пикселя. Энкодер обучен на 2 млрд веб-изображений из данных MetaCLIP и предназначен для извлечения визуальных признаков, которые можно использовать в задачах компьютерного зрения. README сообщает, что масштабированное обучение позволило модели сопоставить или превзойти CLIP в различных визуальных задачах. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Она не обучена связывать изображения с языком, поэтому сама по себе не предназначена для ответов на вопросы об изображениях или генерации текста.

facebook/webssl-mae300m-full2b-224 — визуальная модель семейства Web-SSL от Meta, представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT-L с архитектурой Vision Transformer и примерно 402,7 млн параметров по метаданным; в README модель описана как вариант на 300 млн параметров, обученный методом self-supervised Masked Autoencoder на 2 млрд веб-изображений без языковой разметки. Модель рассчитана на извлечение визуальных признаков из изображений с разрешением 224×224 пикселя и последующее применение в задачах компьютерного зрения. Обучение без языковой супервизии позволяет использовать представления модели в различных визуальных задачах, включая сценарии, где требуется сравнение с языково-обученными моделями вроде CLIP. Модель принимает изображения и выдаёт признаки; языковые входы и генерация текста не заявлены. Репозиторий содержит веса в формате safetensors и предназначен для библиотеки Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

XCiT Large 24 P8 224 — модель классификации изображений и извлечения признаков на основе Cross-Covariance Image Transformer. Её разработали авторы статьи XCiT и предварительно обучили на ImageNet-1k. Модель распространяется в форматах PyTorch и Safetensors через библиотеку timm; число параметров — около 188,9 млн, ожидаемый размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k и получения визуальных признаков или эмбеддингов, которые можно использовать в задачах компьютерного зрения. Лицензия — Apache-2.0. Ограничения производительности и поддерживаемые языки в карточке не описаны; модель принимает изображения, а не текстовые запросы.

YOLOE-26N-seg — компактная модель семейства YOLOE-26 и YOLO26, опубликованная OpenVision. Она предназначена для обнаружения и сегментации объектов с открытым словарём: классы можно задавать текстовыми или визуальными подсказками, а также запускать вывод без подсказок. Модель содержит 4,8 млн параметров, требует входное изображение размером 640×640 и использует архитектуру YOLO26 с сквозным выводом без NMS. Модель рассчитана на сценарии реального времени, включая периферийные устройства и динамичные среды, где набор целевых объектов меняется. Карточка указывает формат PyTorch и лицензию AGPL-3.0. В метаданных Hugging Face основная задача отмечена как zero-shot object detection; сегментация заявлена в README, но отдельного pipeline-тега для неё нет.

Athena — плотная авторегрессионная языковая модель на архитектуре Qwen3, разработанная Markopolo AI. Это LoRA-дообучение Qwen/Qwen3-4B с 3,7 млрд параметров, предназначенное для предсказания следующего действия покупателя на странице интернет-магазина по сокращённому состоянию страницы и истории взаимодействий. Модель формирует структурированный JSON с типом действия, идентификатором элемента и текстом ввода. Контекст составляет до 40 960 токенов. Athena предназначена для предсказания следующего действия, подсказки намерения покупателя и пошаговой оценки записанных пользовательских сессий. В тесте OPeRA на 992 действиях README сообщает о точности строгого совпадения 24,50% и валидности схемы JSON 98,9%; результат получен после дообучения, тогда как модели сравнения оценивались по подсказкам. Для симуляции развёрнутых пользовательских сценариев требуется интерактивная среда страниц, а такие сценарии в README не продемонстрированы. Модель не выдаёт калиброванные вероятности намерений. Вход и выход описаны как структурированные состояния и действия, а не как свободное общение на определённом естественном языке. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как other; конкретные условия использования следует сверять с лицензией репозитория.

Модель christian-phu/bert-finetuned-japanese-sentiment — BERT для классификации тональности японских отзывов. Она дообучена автором на базе cl-tohoku/bert-base-japanese-v2 на 20 000 предложениях из отзывов Amazon, размеченных как положительные, нейтральные или отрицательные. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров; модель принимает текст и обрабатывает контекст до 512 токенов. Модель предназначена для определения тональности японских предложений и отзывов, например, для анализа отзывов о товарах Amazon. В карточке приведены результаты оценки: accuracy 0,813 и F1 0,728. Эти показатели получены на указанном наборе данных и не гарантируют такого же качества на других текстах или доменах. Модель распространяется по лицензии CC BY-SA 4.0. Она обучена на отзывах Amazon, поэтому её пригодность для других жанров и языков не подтверждена.

caformer_b36.sail_in1k — модель классификации изображений и визуальный backbone семейства CAFormer/MetaFormer, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как основа для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 98,8 млн параметров; для входных изображений указан размер 224 × 224 пикселя. Веса доступны в форматах PyTorch и safetensors, модель поддерживается библиотекой timm. Лицензия — Apache-2.0. Качество распознавания ориентировано на классы ImageNet-1k. Модель не предназначена для понимания текста или обработки других модальностей; применение на изображениях, отличающихся от обучающего набора, может потребовать дополнительной проверки или адаптации.

ConvFormer S36 — сверточная модель семейства MetaFormer для классификации изображений и извлечения визуальных признаков. Модель предварительно обучена авторами статьи на ImageNet-22k, а затем дообучена на ImageNet-1k. Веса доступны в формате PyTorch и safetensors; модель предназначена для использования через библиотеку timm. Модель содержит около 40 млн параметров, обрабатывает изображения размером 224 × 224 и требует примерно 7,7 GMACs на проход. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Лицензия — Apache-2.0.

ConvNeXt-V2 Huge — модель компьютерного зрения семейства ConvNeXt-V2 из библиотеки timm, предназначенная для классификации изображений и использования в качестве визуального backbone. Она прошла предобучение методом FCMAE, а затем дообучение на ImageNet-22k и ImageNet-1k. Модель содержит около 660,3 млн параметров и рассчитана на изображения размером 512 × 512 пикселей. Модель можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В сравнении timm для ImageNet-1k указаны точность top-1 88,848% и top-5 98,742%; вычислительная сложность составляет около 600,8 GMACs. Репозиторий содержит веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/convnextv2-large-22k-384 — большая свёрточная модель классификации изображений от команды ConvNeXt V2, представленная в работе Woo и соавторов. Модель предварительно обучена методом FCMAE и дообучена на ImageNet-22K; она использует архитектуру ConvNeXt V2 с полностью свёрточным masked autoencoder подходом и слоем Global Response Normalization (GRN). Вариант рассчитан на изображения разрешением 384×384. Модель предназначена для присвоения изображениям классов ImageNet и может служить основой для последующего дообучения под другие задачи распознавания изображений. Она принимает изображения и выдаёт оценки классов. Репозиторий предоставляет веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0.

Data2vec-Vision large — модель компьютерного зрения семейства data2vec, выпущенная командой Facebook. Это Transformer, предварительно обученный методом самообучения на ImageNet-1k; модель училась предсказывать контекстные латентные представления по маскированному изображению. В репозитории доступны веса PyTorch, Safetensors и TensorFlow; размер модели — 411 млн параметров. Модель предназначена для классификации изображений и может служить исходной точкой для дообучения под задачи компьютерного зрения. При предобучении использовались изображения ImageNet-1k размером 224×224 пикселя с нормализацией RGB-каналов. В README не приведены результаты конкретных метрик; для дообучения авторы отмечают преимущество более высокого разрешения. Лицензия — Apache-2.0.

DeiT-III — модель классификации изображений из библиотеки timm, основанная на архитектуре Vision Transformer. Авторы статьи предварительно обучили её на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит 22,1 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Она принимает изображения и выдаёт классовые предсказания либо векторные представления. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не приводит специальные сведения об ограничениях применения или о поддержке конкретных языков.

CodonProject публикует веса DINOv3 ViT-B/16 для реализации DINOv3 в библиотеке codon. Это визуальный энкодер на архитектуре ViT с 12 слоями Transformer, двунаправленным вниманием и двумерным axial RoPE; в README указаны скрытый размер 768 и 85,7 млн параметров, а в метаданных Hugging Face — 113,2 млн. Репозиторий содержит преобразованные веса facebook/dinov3-vitb16-pretrain-lvd1689m: ключи переименованы под формат codon, а веса сохранены в float16; модель не дообучалась. README сообщает о численной проверке преобразования относительно реализации Transformers и о поддержке извлечения плотных признаков при разных размерах изображений. Модель предназначена для получения векторных признаков изображений, которые можно использовать в задачах компьютерного зрения, например для поиска и классификации. По умолчанию модель возвращает CLS-вектор размерности 768; также доступны плотные признаки и промежуточные слои. Она принимает изображения и выдаёт векторы признаков. В карточке указана лицензия other; конкретные условия лицензии в предоставленных данных не раскрыты.

ECA-ResNet-50t — свёрточная модель классификации изображений, опубликованная в экосистеме timm. Она сочетает остаточную архитектуру ResNet с Efficient Channel Attention и предназначена для классификации изображений, а также может использоваться как основа для извлечения карт признаков и эмбеддингов. Модель обучена на ImageNet-1k по рецепту ResNet Strikes Back A3; содержит 25,6 млн параметров и требует около 2,2 GMACs. Размер изображения при тестировании — 224 × 224 пикселя. Модель принимает изображения и выдаёт классы ImageNet-1k; её свёрточные признаки также подходят для визуальных конвейеров. В карточке указаны ReLU, трёхслойный входной блок из свёрток 3 × 3 с пулингом и механизм Efficient Channel Attention. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

EfficientViT-B2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, созданная авторами статьи EfficientViT. Чекпойнт обучен на ImageNet-1k и рассчитан на входные изображения размером 224 × 224 пикселя. В модели 24,3 млн параметров; вычислительная сложность составляет 1,6 GMACs. Модель можно применять для отнесения изображения к категории ImageNet-1k, извлечения карты признаков и получения векторных представлений изображений. Архитектура EfficientViT использует многомасштабное линейное внимание; реализация доступна через библиотеку timm, веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Классификатор обучен на ImageNet-1k, поэтому его категории и качество ограничены этим набором данных. Для изображений другого размера или предметной области может потребоваться предварительная обработка либо адаптация модели.