IV.1Ритейл, электронная коммерция и fashion-tech

RegNetY-16GF — модель классификации изображений и визуальная backbone-сеть из семейства RegNetY, доступная в реализации timm. Она предварительно обучена методом SWAG на примерно 3,6 млрд изображений Instagram с хештегами, а затем дообучена авторами статьи на ImageNet-1k. Модель содержит около 83,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В таблице карточки для неё указана точность top-1 86,024% и top-5 98,05% на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors через timm. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

ResMLP-Big-24-224 — модель для классификации изображений и извлечения визуальных признаков из семейства ResMLP, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k. Модель содержит около 129,1 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet и может использоваться как визуальная основа для получения эмбеддингов. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. README не описывает отдельные ограничения качества или области применения за пределами задач компьютерного зрения.

Это неофициальная конвертированная в формат MLX копия весов SAM 3D Body от Meta, подготовленная mlx-community для запуска через mlx-vlm на Apple Silicon. Модель принимает изображение человека и рамку с его расположением и восстанавливает полнотелую 3D-модель: сетку тела с 18 439 вершинами, 127 суставами и 70 ключевыми точками. В основе лежит архитектура sam3d_body с backbone DINOv3-H+. Чекпойнт содержит 1 203 тензора общим объёмом 2,80 ГБ. Основная часть весов DINOv3-H+ хранится в bfloat16, остальные компоненты — преимущественно в float32; это не квантизованная модель. Репозиторий содержит только веса и метаданные, а код инференса находится в mlx-vlm. Лицензия указана как other; условия исходной модели следует уточнять в карточке Meta. Результаты инференса mlx-vlm могут отличаться от эталонной реализации Meta из-за различий в предобработке изображения и отдельных компонентах декодера и геометрических условий. README также отмечает ограничения загрузки этого чекпойнта через некоторые интерфейсы mlx-vlm.

sapiens2-pose-1b-bf16 — конверсия Meta Sapiens2 pose-1b для запуска через MLX. Модель на базе Vision Transformer предназначена для оценки позы человека по изображению: она строит карты тепловых откликов для 308 ключевых точек, охватывающих тело, лицо, кисти и стопы. Параметры сохранены в формате bfloat16 в файле safetensors; размер модели — 1,5 млрд параметров. Модель подходит для анализа положения тела и подробной локализации суставов и других точек человека на изображениях. Для работы через MLX используется библиотека mlx-vlm; результат позы представлен в координатах исходного изображения. Лицензия указана как other, поэтому условия использования следует сверить с карточкой исходной модели Meta.

Карточка модели sensenova/SenseNova-Vision-7B-MoT на Hugging Face совпадает с карточкой RzZ/SenseNova-Vision-7B-MoT, поэтому описание составлено по ней. SenseNova-Vision-7B-MoT — мультимодальная модель компьютерного зрения от разработчиков SenseNova-Vision. Она представляет задачи восприятия как генерацию текста, изображений или их сочетания по текстовым инструкциям и визуальному вводу. Единый интерфейс охватывает структурированное понимание сцен, сегментацию, плотную геометрию и геометрию нескольких видов; модель работает без отдельных специализированных голов для каждой задачи. Модель предназначена для распознавания текста на изображениях, локализации объектов и областей по запросу, определения ключевых точек и параметров камеры, предсказания глубины и нормалей, построения карт точек и масок сегментации. Результаты могут представляться структурированным текстом, изображениями-картами или сочетанием текста и изображений. Для работы рекомендуется официальный код инференса SenseNova-Vision. Веса опубликованы в формате safetensors. Модель ориентирована на компьютерное зрение и поддерживает англоязычные инструкции. Результаты на плотной геометрии и позах камеры нужно проверять, а текстовые и графические выходы требуют соответствующего задаче разбора. Качество чувствительно к формулировке запроса, схеме вывода и визуальным подсказкам; на узкоспециализированных задачах специализированные модели могут быть точнее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

SimpleSeg-Qwen2.5-VL — версия SimpleSeg на базе Qwen2.5-VL, представленная авторами проекта SimpleSeg. Это плотная мультимодальная модель на 7 млрд параметров, которая выполняет сегментацию объектов, предсказывая последовательность координат контура в текстовом виде. Для повышения точности авторы применяют двухэтапное обучение SFT и RL с наградой на основе IoU. Модель предназначена для сегментации по текстовому описанию и пространственного понимания изображений; координатный вывод можно преобразовать в полигоны и маски для последующей обработки или редактирования. Архитектура использует стандартную структуру MLLM без специализированных модулей, поддерживает контекст до 128 000 токенов и распространяется в формате safetensors. Лицензия — MIT.

Swin Transformer — модель компьютерного зрения, разработанная авторами статьи Swin Transformer: Hierarchical Vision Transformer using Shifted Windows и выпущенная командой Swin Transformer. Это базовая модель классификации изображений, предварительно обученная на ImageNet-21k: 14 млн изображений и 21 841 класс. Модель обрабатывает изображения с разрешением 384×384. Архитектура Swin строит иерархические карты признаков, объединяя патчи на более глубоких уровнях, и вычисляет self-attention внутри локальных окон со сдвигом. Такой подход позволяет использовать её как основу для классификации и других задач распознавания с плотной разметкой. В карточке модели непосредственно заявлена классификация изображений; для других задач может потребоваться дообученная версия. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0. Она принимает изображения и выдаёт метки классов. Качество классификации ограничено набором классов ImageNet-21k, на котором модель обучалась.

Swin Transformer v2 Tiny — модель компьютерного зрения, представленная авторами статьи Swin Transformer V2 и опубликованная в репозитории Microsoft. Это Vision Transformer с иерархическими картами признаков: он объединяет участки изображения в более глубоких слоях и выполняет внимание внутри локальных окон, что обеспечивает линейную по размеру изображения сложность вычислений. Вариант содержит 33 млн параметров и предварительно обучен на ImageNet-1k для изображений разрешением 256×256. Модель предназначена для классификации изображений по 1000 классам ImageNet. Архитектура также может использоваться как основа для задач плотного распознавания после адаптации. Swin Transformer v2 использует нормализацию после остаточного блока с косинусным вниманием для повышения стабильности обучения и непрерывное смещение позиции для переноса на разрешения выше обучающего. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Xenova/yolos-tiny — модель компьютерного зрения для обнаружения объектов на изображениях, разработанная сообществом Xenova на основе hustvl/yolos-tiny. Она адаптирована для работы с библиотекой Transformers.js и предназначена для веб-приложений и JavaScript-сценариев, где требуется находить объекты, определять их классы и возвращать ограничивающие рамки с оценкой уверенности. Модель использует ONNX-веса, однако в README не указаны точный размер, параметры архитектуры, поддерживаемые языки, модальности и максимальная длина контекста. В качестве примера показано обнаружение кошек и пультов на изображении; порог уверенности можно задавать при инференсе. К сильным сторонам относятся совместимость с Transformers.js и возможность запуска в веб-среде. Ограничения и точные характеристики качества в README не описаны. Лицензия также не указана.

AIM-600M — зрительная модель семейства AIM, разработанная авторами проекта AIM: Alaaeldin El-Nouby, Michal Klein, Shuangfei Zhai и соавторами. Она обучена на больших коллекциях изображений с авторегрессионной генеративной целью и предназначена для извлечения признаков и классификации изображений; README описывает результаты классификации ImageNet-1k с замороженным визуальным блоком. Модель относится к семейству авторегрессионных моделей изображений, а репозиторий содержит веса PyTorch. Авторы сообщают, что такой подход использует неотобранные коллекции изображений и масштабируется до миллиардов параметров. Лицензия репозитория — apple-amlr; перед использованием следует проверить её условия.

EoMT (Encoder-only Mask Transformer) — архитектура сегментации изображений на основе Vision Transformer, представленная авторами работы «Your ViT is Secretly an Image Segmentation Model» на CVPR 2025. Репозиторий tue-mps/coco_panoptic_eomt_large_1280 содержит вариант EoMT для паноптической сегментации, построенный на архитектуре EoMT и включающий около 402,7 млн параметров. Модель предназначена для сегментации изображений: она может выделять области и объекты, а архитектура EoMT поддерживает семантическую, экземплярную и паноптическую сегментацию с соответствующей постобработкой. Модель принимает изображения и выдаёт сегментационные маски и классы; для запуска доступны веса PyTorch в формате safetensors и библиотека Transformers. Модель распространяется по лицензии MIT. README не приводит измерений качества или подробностей об ограничениях конкретного чекпойнта, поэтому его точность на прикладных данных следует проверять отдельно.

CrossViT 15 Dagger 408 — модель классификации изображений семейства CrossViT, обученная авторами статьи на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов изображений. Архитектура объединяет обработку изображения в нескольких масштабах с помощью vision transformer; модель содержит 28,5 млн параметров и рассчитана на изображения размером 408 × 408 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных представлений для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

DETR с backbone ResNet-101 — модель компьютерного зрения семейства Detection Transformer, разработанная авторами DETR и обученная на COCO 2017 Panoptic. Архитектура сочетает сверточный backbone и encoder-decoder Transformer; масочная голова расширяет модель для паноптической сегментации. Модель принимает изображения и предсказывает сегментацию объектов и фона на них. Модель предназначена для паноптической сегментации изображений в сценариях, где требуется одновременно выделять области и распознавать объекты. На валидационной части COCO 2017 она получила PQ 45,1 и segmentation AP 33. При обучении изображения масштабировались так, чтобы короткая сторона была не меньше 800 пикселей, а длинная — не больше 1333. Модель обучена на COCO 2017 Panoptic. В карточке также описаны результаты детекции объектов, однако основной заявленный сценарий — паноптическая сегментация. Распространяется по лицензии Apache-2.0.

Isaac-0.1 — мультимодальная модель Perceptron AI для диалога и анализа изображений в сценариях, связанных с физическим миром. Она объединяет языковую основу Qwen3-1.7B и визуальную составляющую SigLIP2; в метаданных указаны архитектура IsaacForConditionalGeneration, 1,7 млрд параметров, библиотека Transformers и контекст до 40 960 токенов. Модель принимает текст и изображения и формирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, пространственного рассуждения, локализации объектов и дефектов, распознавания текста на изображениях, а также диалогового анализа сцен. В README заявлены работа с мелкими деталями и загромождёнными изображениями, адаптация к примерам в контексте и указание областей изображения, на которых основаны ответы. Эти возможности описаны разработчиком; количественные результаты в карточке не приведены. Модель опубликована Perceptron под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Это ранняя версия семейства Isaac; заявленные сценарии требуют проверки на конкретных изображениях и задачах.

Kairos-23M — трансформерная модель временных рядов от mldi-lab, представленная в работе «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения в разных прикладных областях. В модели используются динамическая токенизация патчами, кодировщик с выбором размера представления и динамические позиционные кодировки DRoPE, адаптирующиеся к спектральным особенностям ряда. В README указано около 23 млн параметров; метаданные Hugging Face содержат значение 8,3 млн параметров и контекст 512 токенов. Модель работает с временными рядами и ориентирована на обобщение между доменами без дополнительного обучения. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README сообщает о обучении на корпусе PreSTS, содержащем более 300 млрд временных точек, и заявляет об эффективности модели при небольшом числе параметров; конкретные показатели качества не приведены.

Это набор весов Pixal3D версии q8_0-v1 в формате GGUF для конвейера преобразования изображений в 3D, разработанного для pixal3d.cpp. Набор включает девять файлов общим объёмом 7,54 ГиБ: среди компонентов указаны кодировщик изображений DINOv3, NAF и потоковая модель разреженной структуры. Веса квантованы до Q8_0 и собраны для запуска в браузере через WebGPU с учётом лимита памяти на один буфер. Модель предназначена для генерации 3D-представлений по входному изображению и использования в веб-приложении Pixal3D. Основа набора — TRELLIS.2; README указывает на обучение Pixal3D поверх этой основы. Для файлов, происходящих от TRELLIS.2 и Pixal3D, заявлена лицензия MIT с требованием сохранять уведомления об авторских правах и текст лицензии. Файл DINOv3 распространяется по отдельной лицензии, поэтому перед перераспространением нужно свериться с индексом LICENSE.md и текстом DINOV3_LICENSE.md.

Pixal3D single-view — набор весов для генерации 3D-модели по одному изображению, подготовленный для среды выполнения pixal3d.cpp. Набор включает девять файлов GGUF с квантизацией Q8_0 общим объёмом 7,54 ГиБ: четыре одноракурсных flow DiT-чекпойнта Pixal3D и общие с многовидовым набором модели кодировщика изображения, NAF и декодеров. Модели основаны на TRELLIS.2; одноракурсные чекпойнты преобразованы из официальных весов TencentARC/Pixal3D. Набор предназначен для сценария image-to-3D в приложении Pixal3D Web: на вход подаётся одно изображение, а конвейер строит 3D-объект. Он не предназначен для многовидового режима, веса которого поставляются отдельно. Для распространения файлов следует учитывать раздельные лицензии: большинство файлов распространяется по MIT, а для DINOv3 действует отдельная лицензия; README указывает на LICENSE.md как на пофайловый индекс лицензий.

Это полноразмерная SFT-модель flavianv на архитектуре Qwen3-4B, дообученная для генерации подборок музыкальных инструментов и сопутствующих товаров по запросу. Она обучена на 8 937 положительных примерах из раздела Musical_Instruments датасета iaouali/amazon-benchmark и выдаёт названия товаров в JSON-объекте с массивом titles. Модель содержит около 3,7 млрд параметров, поддерживает диалоговый формат и контекст до 40 960 токенов; веса сохранены в FP32, для инференса их можно загрузить в BF16. В описанной в карточке проверке выбранный чекпойнт повысил покрытие эталонных товаров относительно базовой модели, но точность формата снизилась. Проверка проведена на 100 запросах, использованных также для выбора чекпойнта, поэтому результаты не являются независимой финальной оценкой. Генерируются названия, а не подтверждённые идентификаторы товаров: для сопоставления с каталогом нужен отдельный поиск. Модель не содержит reward head; возможны дубли, неверное число товаров и некорректный JSON. Лицензия в предоставленных данных не указана.

Карточка модели facebook/regnet-y-064 на Hugging Face совпадает с карточкой facebook/regnet-y-080, поэтому описание составлено по ней. RegNet Y 080 — сверточная модель семейства RegNet для классификации изображений, обученная на ImageNet-1k. Архитектура разработана авторами статьи Designing Network Design Spaces и впервые опубликована в этом репозитории; карточку модели подготовила команда Hugging Face. В метаданных указаны реализации для PyTorch и TensorFlow и лицензия Apache-2.0. Модель предназначена для определения классов объектов на изображениях и может служить основой для дообученных вариантов под специализированные задачи. Она принимает изображение и выдаёт предсказания классов. Карточка не сообщает размер модели и ограничения сверх того, что для других задач следует искать дообученные версии.

Карточка модели facebook/regnet-y-120 на Hugging Face совпадает с карточкой facebook/regnet-y-080, поэтому описание составлено по ней. RegNet Y 080 — сверточная модель семейства RegNet для классификации изображений, обученная на ImageNet-1k. Архитектура разработана авторами статьи Designing Network Design Spaces и впервые опубликована в этом репозитории; карточку модели подготовила команда Hugging Face. В метаданных указаны реализации для PyTorch и TensorFlow и лицензия Apache-2.0. Модель предназначена для определения классов объектов на изображениях и может служить основой для дообученных вариантов под специализированные задачи. Она принимает изображение и выдаёт предсказания классов. Карточка не сообщает размер модели и ограничения сверх того, что для других задач следует искать дообученные версии.

Sapiens2-0.1B — предварительно обученный визуальный backbone на базе Vision Transformer, разработанный Meta. Он предназначен для извлечения плотных признаков по патчам изображения и последующей настройки голов для задач, связанных с изображением человека: оценки позы, сегментации частей тела, предсказания нормалей поверхности и pointmap. Модель обучена на 1 млрд изображений людей. Архитектура Sapiens2 ViT включает RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацию; в репозитории указаны 113,2 млн параметров, 12 слоёв и 12 голов. Веса доступны в формате safetensors и предназначены для использования с библиотекой Sapiens2. Лицензия — Sapiens2 License (метаданные Hugging Face обозначают её как other); перед использованием следует проверить её условия.

TRELLIS-image-large for diffusers-3d — конвертированная версия модели Microsoft TRELLIS-image-large для создания 3D-представлений объектов по изображению. Репозиторий организован как pipeline diffusers-3d с компонентами DINOv2 ViT-L/14 с регистрами, моделью потока разреженной структуры и декодером; веса сохранены в safetensors, часть компонентов — в float16. Конверсия меняет структуру файлов и конфигурации, но не значения весов. Модель принимает RGBA-изображение с альфа-каналом-маской объекта и может формировать разреженную структуру, SLAT, Gaussian splats, mesh или radiance field. Расчёт выполняется на PyTorch на CPU или GPU; для рендеринга Gaussian splats требуется дополнительный backend gsplat. Репозиторий использует лицензию MIT.

YOLO26-S-pose — вариант модели YOLO26 от Ultralytics для оценки позы человека и обнаружения ключевых точек. Модель принимает изображения размером 640 пикселей и предназначена для эффективного запуска, в том числе на маломощных и периферийных устройствах. Архитектура работает сквозным образом и выдаёт предсказания без этапа подавления немаксимумов (NMS), что упрощает развертывание и снижает задержку. Для локализации ключевых точек используются Residual Log-Likelihood Estimation и оптимизированное декодирование; в README также заявлены метрики mAP Pose 63,0 для диапазона 50–95 и 86,6 для порога 50, а также ускорение CPU-инференса до 43%. Модель распространяется под лицензией AGPL-3.0.

BERT_Review — языковая модель семейства BERT, созданная дообучением BERT-base-uncased на отзывах Amazon и Yelp. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и Flax. Модель предназначена для работы с отзывами из разных коммерческих областей: она изучала тональность, аспекты товаров и услуг, а также лексику отзывов. В частности, её можно применять как основу для анализа тональности аспектов и извлечения аспектов в отзывах. Основная задача в метаданных — заполнение пропусков в тексте (fill-mask); карточка не описывает готовый интерфейс классификации или извлечения сущностей. Модель построена на BERT-base-uncased и дообучалась четыре эпохи на сочетании выборки 5-core Amazon и всех данных Yelp. В README ожидаются результаты, сопоставимые с BERT-DK на задачах предметной области и лучшие результаты на общей классификации тональности аспектов, однако численные оценки не приведены. Лицензия в предоставленных данных не указана.

tue-mps/coco_panoptic_eomt_large_640 — модель сегментации изображений на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для Vision Transformer. Архитектура представлена в статье «Your ViT is Secretly an Image Segmentation Model», отмеченной на CVPR 2025. Модель содержит около 402,7 млн параметров и предназначена для паноптической сегментации изображений на основе COCO. Модель выделяет объекты и области на изображении, объединяя семантическую и экземплярную сегментацию. EoMT использует ViT с компактным mask transformer и не требует специализированного декодера или модуля слияния пиксельных признаков; одна архитектура поддерживает семантическую, экземплярную и паноптическую сегментацию с соответствующей постобработкой. Репозиторий содержит веса PyTorch в формате Safetensors и использует библиотеку Transformers. Модель принимает изображения и выдаёт сегментационные маски и разметку объектов. Карточка не сообщает отдельные ограничения качества или список поддерживаемых языков; текстовые языки для этой задачи не требуются. Лицензия — MIT.

DETR-ResNet-50-Panoptic — модель компьютерного зрения на архитектуре DETR с backbone ResNet-50, разработанная командой Facebook. Она обучена сквозным способом на COCO 2017 Panoptic и предназначена для паноптической сегментации изображений: модель обнаруживает объекты, определяет их классы и рамки, а также строит маски сегментации. В архитектуре используется энкодер-декодер Transformer, запросы объектов и масочная голова; для COCO задано 100 запросов объектов. Модель принимает изображения и выдаёт результаты сегментации и обнаружения объектов. На валидационной части COCO 2017 указаны box AP 38,8, segmentation AP 31,1 и PQ 43,4. Репозиторий содержит веса PyTorch, размер модели в метаданных — 6,3 млн параметров. Обучение выполнено на COCO 2017 Panoptic, поэтому результаты на иных типах изображений и классах могут отличаться. Лицензия — Apache-2.0.

Xenova/detr-resnet-50-panoptic — это версия модели facebook/detr-resnet-50-panoptic с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Модель основана на архитектуре DETR с backbone ResNet-50 и предназначена для паноптической сегментации изображений — одновременного обнаружения объектов и выделения их областей на изображении. Модель подходит для сценариев компьютерного зрения в JavaScript-приложениях, включая обработку изображений непосредственно в веб-среде через pipeline image-segmentation. Из README не указаны точные размеры модели, поддерживаемые языки, модальности помимо изображений, размер контекста, показатели качества или ограничения по производительности. Лицензия также не указана. Репозиторий содержит ONNX-веса для совместимости с Transformers.js; их использование ориентировано на веб-среду и другие окружения, поддерживающие ONNX.

EoMT-DINOv3 COCO Panoptic Small 640 — компактная модель сегментации изображений, опубликованная пользователем tue-mps. Она основана на архитектуре Encoder-only Mask Transformer с визуальным трансформером DINOv3 ViT-S/16 и содержит 28,3 млн параметров. Модель обучена для паноптической сегментации изображений COCO с входным разрешением 640×640; подход EoMT позволяет использовать общий трансформерный бэкбон для семантической, экземплярной и паноптической сегментации с разной постобработкой. Модель принимает изображения и выдаёт сегментационную разметку. В README отмечены позиционные эмбеддинги RoPE и преимущества предобучения DINOv3; репозиторий использует формат safetensors и библиотеку Transformers. Она предназначена для распознавания и разделения объектов и областей сцены на изображениях. Лицензия — MIT.

linoyts/Flux2-Klein-Delight-LoRA — адаптер LoRA, разработанный пользователем linoyts для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Веса обучены методом DreamBooth с использованием Flux2 diffusers trainer и предназначены для генерации изображений на основе текстовых запросов с применением сценария изменения освещения. Модель ориентирована прежде всего на замену исходного освещения на нейтральное и равномерное: мягкий свет без выраженных теней, бликов и сильного контраста при сохранении внешности объектов, позы, композиции и геометрии фона. Для работы используется библиотека diffusers и загрузка файла LoRA в совместимый пайплайн FLUX.2; специальное триггерное слово не требуется. В README указано, что обучение выполнялось в формате FP8. Данные о языках, длине контекста, составе обучающей выборки и количественных оценках качества отсутствуют. Ограничения и возможные смещения также не описаны, поэтому результат зависит от базовой модели, текста запроса и выбранного веса адаптера. Лицензия обозначена как other; использовать модель следует в соответствии с условиями лицензии FLUX.2 от Black Forest Labs.

udit74j разработал дообученную мультимодальную модель SmolVLM2-500M для извлечения информации о продуктах питания из изображений. Она принимает изображение и текстовый запрос и формирует текстовый ответ; модель основана на HuggingFaceTB/SmolVLM2-500M-Video-Instruct и дообучена с помощью TRL. В каталоге указаны архитектура SmolVLM, плотная модель, поддержка диалога и формат safetensors. Модель предназначена для визуального анализа еды и ответов на вопросы по изображениям продуктов или блюд. В README приведён пример для text-generation, однако он не демонстрирует работу модели с изображениями и содержит заглушку в идентификаторе модели, поэтому практические сценарии подтверждаются главным образом названием и назначением базовой модели. Лицензия в предоставленных данных не указана.