IV.1Ритейл, электронная коммерция и fashion-tech

DETRPose-L-COCO — модель оценки позы нескольких людей в реальном времени, описанная авторами работы DETRPose: Real-Time End-to-End Multi-Person Pose Estimation via Modified Transformer Decoder and Novel Denoising Keypoints. Она использует гибридный энкодер RT-DETR и облегчённую архитектуру декодера D-FINE. Специализированный Pose-LQE улучшает оценку уверенности, а обучение с зашумлёнными ключевыми точками и функцией потерь Keypoint Similarity Varifocal предназначено для точной локализации. Модель предназначена для обнаружения людей и определения их позы на изображениях, в том числе в видеопотоке с веб-камеры. Для варианта DETRPose-L в README указаны обучение на COCO, 32,8 млн параметров, AP 72,5, задержка 9,50 мс и вычислительная сложность 107,1 GFLOPs. Эти показатели приведены авторами карточки и зависят от условий измерения. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Food Freshness Detector — классификатор изображений на ResNet18, дообученный с помощью FastAI для оценки свежести фруктов и овощей. Он относит RGB-изображение размером 224×224 пикселя к одному из трёх классов: «свежий», «слегка испорченный» или «испорченный». Модель предназначена для быстрой визуальной проверки продуктов и прототипов приложений контроля свежести. Модель использует transfer learning и распространяется в формате PyTorch как файл весов state dict с конфигурацией архитектуры и списком меток классов. Карточка указывает лицензию MIT. Классификатор ограничен тремя категориями и обучен для фруктов и овощей; точность на конкретных продуктах и условиях съёмки из карточки не следует.

Mask2Former Swin Base COCO Panoptic — модель компьютерного зрения, обученная на COCO для паноптической сегментации изображений. Модель разработана командой Mask2Former и выпущена в репозитории Facebook; карточку модели подготовила команда Hugging Face. Архитектура Mask2Former объединяет предсказание масок и соответствующих им меток. В этом варианте используется базовый Swin-бэкбон, многомасштабный декодер пикселей с деформируемым вниманием и Transformer-декодер с маскированным вниманием. Чекпойнт предназначен для паноптической сегментации; семейство также поддерживает семантическую сегментацию и сегментацию экземпляров. Модель подходит для выделения объектов и областей сцены на изображениях COCO-подобного содержания. В метаданных указана лицензия other, поэтому условия использования следует проверять в репозитории модели.

Mask2Former — модель компьютерного зрения для паноптической сегментации изображений, опубликованная командой Hugging Face. Эта небольшая версия использует backbone Swin и обучена на COCO; архитектура Mask2Former предсказывает набор масок и соответствующих им меток, объединяя подходы к сегментации объектов и областей сцены. Чекпойнт предназначен для паноптической сегментации: он выделяет объекты и области на изображении и присваивает им классы. Семейство Mask2Former также охватывает семантическую и экземплярную сегментацию, но данная версия настроена именно на паноптическую задачу. Модель реализована для PyTorch и доступна в форматах PyTorch и safetensors. В статье Mask2Former описаны многомасштабный декодер признаков с deformable attention и трансформерный декодер с masked attention. Ограничения качества и контекст обработки в карточке не приведены. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

MaskFormer Swin Small COCO — модель сегментации изображений, разработанная командой авторов MaskFormer и представленная в работе «Per-Pixel Classification is Not All You Need for Semantic Segmentation». Это компактный вариант MaskFormer с backbone Swin, обученный на COCO для паноптической сегментации; опубликованный чекпойнт предназначен для семантической сегментации. Модель предсказывает набор масок и соответствующих им меток, используя общий подход для сегментации объектов, семантической и паноптической сегментации. Она принимает изображение и выдаёт сегментационные маски с классами. Карточка указывает на поддержку семантической сегментации, а метаданные классифицируют её основную задачу как image-segmentation. Модель распространяется в форматах PyTorch и Safetensors. Лицензия указана как other, поэтому конкретные условия использования следует сверить с репозиторием. Чекпойнт обучен на COCO, и результаты могут зависеть от отличий целевых изображений от этого набора данных.

NVComposer — модель TencentARC для синтеза новых ракурсов по нескольким входным изображениям. Она использует диффузионную архитектуру с двумя потоками: один генерирует целевые виды, другой одновременно оценивает позы камер для входных изображений. Модуль выравнивания признаков с учётом геометрии переносит геометрические априоры из плотных стереомоделей во время обучения. Модель предназначена для генеративного синтеза многовидовых изображений, в том числе когда входные изображения не выровнены заранее. По описанию авторов, качество синтеза улучшается при увеличении числа входных видов, а явная внешняя оценка поз или предварительная реконструкция не требуются. Карточка также помечает задачу image-to-3d. Репозиторий содержит чекпойнт PyTorch; для загрузки указан файл NVComposer-V0.1.ckpt. Лицензия обозначена как other, поэтому условия использования следует уточнить у автора.

Карточка модели zxhezexin/openlrm-mix-base-1.1 на Hugging Face совпадает с карточкой zxhezexin/openlrm-mix-small-1.1, поэтому описание составлено по ней. OpenLRM Mix Small 1.1 — версия 1.1 открытой реализации проекта OpenLRM по статье LRM. Это модель для восстановления трёхмерного представления объекта по изображению. Вариант small использует 12 слоёв, размерность признаков 512, 8 голов внимания, триплоскость размерности 32 и входное разрешение 224 пикселя; в качестве визуального энкодера применяется DINOv2 ViT-S/14 с register-токенами. Размер указанной в карточке архитектуры small — 446 млн параметров. Модель обучалась на Objaverse. Реализация отличается от оригинальной статьи отказом от отложенного обратного распространения ошибки, случайными цветами фона при обучении и четырёхслойным декодером триплоскостей. Карточка описывает её как неофициальную реализацию, поэтому результаты могут отличаться от оригинального исследования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

OpenLRM Mix Small 1.1 — версия 1.1 открытой реализации проекта OpenLRM по статье LRM. Это модель для восстановления трёхмерного представления объекта по изображению. Вариант small использует 12 слоёв, размерность признаков 512, 8 голов внимания, триплоскость размерности 32 и входное разрешение 224 пикселя; в качестве визуального энкодера применяется DINOv2 ViT-S/14 с register-токенами. Размер указанной в карточке архитектуры small — 446 млн параметров. Модель обучалась на Objaverse. Реализация отличается от оригинальной статьи отказом от отложенного обратного распространения ошибки, случайными цветами фона при обучении и четырёхслойным декодером триплоскостей. Карточка описывает её как неофициальную реализацию, поэтому результаты могут отличаться от оригинального исследования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

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.

akore/rtmw-l-256x192 — порт модели RTMW из OpenMMLab MMPose, предназначенный для оценки позы нескольких людей по изображению. Архитектура включает backbone CSPNeXt, neck CSPNeXtPAFPN и RTMWHead с кодированием координат SimCC и Gaussian label smoothing. Модель предсказывает 133 ключевые точки: тела, стоп, лица и обеих кистей. Размер входа — 256×192 пикселя. Модель обучена на Cocktail14 — смеси 14 публичных датасетов — и оценивалась на валидационной выборке COCO-WholeBody v1.0. Она подходит для анализа позы людей на фотографиях и кадрах видео, в том числе для приложений распознавания жестов и последующего анализа движений. Для поиска людей и обработки нескольких персон можно использовать совместно с детектором, например akore/rtmdet-tiny. Порт распространяется в формате safetensors и использует лицензию Apache-2.0. Для загрузки требуется пользовательский код репозитория с trust_remote_code=True. Качество оценки зависит от детектора людей, обрезки и масштаба изображения; в README приведены метрики на COCO-WholeBody, но они не гарантируют таких же результатов на других данных.

Sapiens2-0.4B-Body-Part — модель Meta для попиксельной сегментации частей человеческого тела на изображениях. Это дообученная модель на базе facebook/sapiens2-pretrain-0.4b: Vision Transformer с головкой семантической сегментации и примерно 402,7 млн параметров. Она относит пиксели к 29 классам: 28 частей тела и фоновый класс. Модель предназначена для анализа человекоцентричных изображений, включая разметку частей тела и исследования в области компьютерного зрения. Репозиторий содержит веса в формате safetensors и указывает лицензию Sapiens2 License (в метаданных Hugging Face она обозначена как other).

SegGPT — модель сегментации изображений, представленная авторами Xinlong Wang, Xiaosong Zhang, Yue Cao, Wen Wang, Chunhua Shen и Tiejun Huang в работе «Segmenting Everything In Context». Она использует decoder-only Transformer GPT-типа и содержит около 402,7 млн параметров. Модель предназначена для сегментации по одному примеру: на вход подаются изображение для обработки, изображение-пример и соответствующая ему маска, а на выходе получается маска сегментации. Такой режим подходит для переноса заданной разметки на новые изображения без обучения под каждый новый класс. В карточке приведены результаты 56,1 mIoU на COCO-20 и 85,6 mIoU на FSS-1000. Модель распространяется в формате safetensors по лицензии Apache-2.0.

sequencer2dm.in1k — модель для классификации изображений на основе архитектуры Sequencer2d с LSTM. Она обучена авторами статьи на ImageNet-1k и может использоваться как классификатор или как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит 38,3 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 6,6 GMACs. Репозиторий содержит веса в форматах PyTorch и Safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Подходит для распознавания объектов и категорий на изображениях, а также получения признаковых представлений для последующих задач компьютерного зрения. Карточка описывает обучение на ImageNet-1k; другие языковые или мультимодальные возможности не заявлены.

Swin Transformer v2 Small — модель компьютерного зрения, разработанная авторами Swin Transformer и представленная в статье Liu и коллег. Это иерархический Vision Transformer с локальным оконным вниманием и объединением патчей между слоями. Модель содержит около 33 млн параметров и предварительно обучена на ImageNet-1k для классификации изображений с разрешением 256×256. Модель предназначена для отнесения изображения к одному из классов ImageNet-1k. Иерархические признаки также позволяют использовать архитектуру Swin Transformer как основу для задач распознавания с плотной разметкой после соответствующей адаптации или дообучения. Версия v2 применяет нормализацию после остаточных связей, косинусное внимание и непрерывное позиционное смещение, что улучшает стабильность обучения и перенос на другие разрешения. Для работы с этой моделью нужны изображения; результат классификации — метки классов. Она не является готовой моделью для других задач без подходящей адаптации. Распространяется по лицензии Apache-2.0.

TabFM 1.1.0 — табличная фундаментальная модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch; модель использует числовые и категориальные признаки и выполняет zero-shot предсказание: примеры обучающей выборки передаются как контекст, после чего модель выдаёт прогноз за один проход без дообучения и подбора гиперпараметров. Архитектура сочетает внимание по столбцам и строкам с причинным трансформером для обучения в контексте. Для классификации поддерживается до 10 классов. Модель предназначена для табличных данных, например DataFrame pandas или массивов NumPy, и не рассчитана на изображения, аудио, видео, сырой текст, графы или последовательности. Потребление памяти растёт с числом строк контекста; качество может снижаться на таблицах шире 500 признаков, а результат на конкретных данных нужно проверять отдельно, особенно в высокорисковых сценариях. Модель разработана командой Google Research и обучена на синтетических наборах данных, сгенерированных структурными причинными моделями. Лицензия указана как other; README исключает коммерческое использование. Модель не является официально поддерживаемым продуктом Google.

Stable-X/vggt-object-v0-1 — модель Stable-X для восстановления 3D-объектов по изображениям. В карточке она связана с работой ReconViaGen, посвящённой точной многовидовой реконструкции объектов с помощью генерации. Модель использует библиотеку object-vggt и основана на объединении facebook/VGGT-1B и facebook/VGGT-1B-Commercial. Модель предназначена для задачи image-to-3d: по одному или нескольким изображениям восстанавливать трёхмерный объект. Карточка не сообщает подробностей об архитектуре, числе параметров, длине контекста или поддерживаемых языках; английская метка в метаданных не подтверждает языковую поддержку, поскольку основная работа связана с изображениями и 3D. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

timm/vit_large_patch16_sapiens2.fb — версия Sapiens2-0.4B от Meta, преобразованная для библиотеки timm с сопоставлением имён параметров EVA. Веса не дообучались; модель основана на facebook/sapiens2-pretrain-0.4b и использует архитектуру Vision Transformer с RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацией. Она содержит около 398 млн параметров и хранится в формате safetensors. Модель предварительно обучена на одном миллиарде изображений людей и предназначена для извлечения плотных признаков по патчам изображения и инициализации голов для человекоцентричных задач компьютерного зрения. Её можно использовать как основу для систем оценки позы, сегментации частей тела, предсказания нормалей поверхности и pointmap-карт. Для работы требуется версия timm с поддержкой Sapiens2. Применяется лицензия Sapiens2; README не приводит её условия, поэтому перед использованием следует свериться с текстом лицензии в репозитории.

usyd-community/vitpose-base-simple — версия модели ViTPose, размещённая сообществом USYD; исходную архитектуру разработали Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао, а перенос в Transformers выполнили Сангбум Чхве и Нильс Рогге. Модель предназначена для оценки позы человека по изображениям: она определяет координаты ключевых точек тела. Архитектура использует обычный плоский Vision Transformer в качестве backbone и лёгкий декодер для оценки позы. В карточке описаны результаты семейства ViTPose на MS COCO, но точный размер этой версии не приведён. Модель подходит для анализа поз на изображениях, в том числе как этап обработки видеокадров, а также для приложений фитнеса, наблюдения и анимации. В описании отмечены простота, масштабируемость и переносимость подхода; качество зависит от набора данных и условий съёмки. Карточка указывает, что модель обучалась на COCO, AI Challenger, MPII и CrowdPose, а оценивалась также на OCHuman. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт координаты ключевых точек тела; обработка целого видео требует отдельного прохода по кадрам.

ViTPose+ Base — модель компьютерного зрения для оценки позы человека по изображению. Архитектура использует обычный Vision Transformer для извлечения признаков и лёгкий декодер для предсказания ключевых точек тела. Разработана Yufei Xu, Jing Zhang, Qiming Zhang и Dacheng Tao; версия на Hugging Face перенесена Sangbum Choi и Niels Rogge. Модель представлена в формате Safetensors и доступна через Transformers. Модель предназначена для определения координат суставов и других ключевых точек человека, например для анализа позы на фотографиях и кадрах видео. Карточка сообщает о результатах семейства ViTPose на наборах MS COCO, включая до 81,1 AP, но не приводит отдельной оценки именно этой версии Base. Для работы с видео кадры нужно обрабатывать отдельно; распознавание действий описано как последующая задача на основе поз, а не как непосредственный выход модели. Модель обучалась и оценивалась на нескольких наборах данных позы человека, включая MS COCO, AI Challenger, MPII и CrowdPose; OCHuman использовался для оценки окклюзий. Ограничения включают зависимость качества от данных и условий съёмки, а также возможность дальнейшего улучшения архитектуры декодера. Лицензия модели — Apache-2.0.

MaticFuc/anomalyvfm_dinov2 — модель семейства AnomalyVFM для обнаружения и локализации аномалий на изображениях без обучающих изображений из целевой области. Подход преобразует предварительно обученные визуальные foundation-модели, включая DINOv2, в детекторы аномалий с нулевым обучением на целевых данных. В README описаны синтетическая генерация данных в три этапа, параметрически эффективная адаптация с низкоранговыми адаптерами LoRA/DoRA и взвешенная по уверенности пиксельная функция потерь. Модель предназначена для сегментации подозрительных областей и оценки наличия дефектов на изображении, например при визуальном контроле качества. Для варианта с backbone RADIO в README приведён средний image-level AUROC 94,1% на девяти наборах данных; это число не характеризует напрямую вариант DINOv2. Репозиторий содержит веса safetensors, а карточка задаёт задачу image-segmentation. Информация о лицензии и точном размере контекста для этой модели не приведена в предоставленных данных.

DETRPose-X-COCO — модель для обнаружения людей и оценки позы нескольких людей на изображениях в реальном времени. Она представлена в карточке SebasJanampa и описана в статье DETRPose: Real-Time End-to-End Multi-Person Pose Estimation via Modified Transformer Decoder and Novel Denoising Keypoints. Архитектура сочетает гибридный энкодер RT-DETR с облегчённым декодером D-FINE и включает специальный Pose-LQE слой для улучшения оценок уверенности. Для версии DETRPose-X на COCO в карточке приведены 73,3 млн параметров, AP 73,3 и задержка 13,31 мс. Модель предназначена для низколатентного инференса; README описывает запуск на видеопотоке с веб-камеры. Модель принимает изображения и выдаёт координаты ключевых точек и оценки поз людей. В метаданных указан английский язык карточки, однако задача модели не требует естественно-языкового ввода. Лицензия — Apache-2.0. Для инференса README указывает на необходимость установить inference-ready ветку репозитория DETRPose.

FocalNet — модель компьютерного зрения семейства FocalNet, представленная Yang et al. Она обучена на ImageNet-1k и предназначена для классификации изображений по 1000 классам ImageNet. Модель использует архитектуру Focal Modulation Network: вместо self-attention взаимодействие визуальных токенов моделируется иерархическим контекстом на основе глубинных свёрток, выборочным агрегированием контекста и его поэлементным применением к токенам. Модель принимает изображения и выдаёт метки классов. В README указано обучение с разрешением 384×384; веса представлены в формате PyTorch. FocalNet предложена как альтернатива Vision Transformers и показала конкурентные результаты в классификации, обнаружении объектов и сегментации, однако эта конкретная версия предназначена для классификации изображений. Лицензия — Apache-2.0.

MaskFormer Swin Large COCO — модель компьютерного зрения, выпущенная командой MaskFormer и представленная в статье Per-Pixel Classification is Not All You Need for Semantic Segmentation. Это крупная версия MaskFormer с backbone Swin, обученная на COCO для паноптической сегментации. Модель принимает изображение и предсказывает маски областей вместе с их метками; такой подход позволяет формулировать сегментацию объектов и семантических классов в единой парадигме. Этот чекпойнт предназначен для семантической сегментации изображений. Семейство MaskFormer также охватывает сегментацию экземпляров и паноптическую сегментацию, однако карточка указывает для данного чекпойнта именно семантическую сегментацию. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

MetaCLIP-2-Age-Range-Estimator — модель классификации изображений, разработанная prithivMLmods на основе facebook/metaclip-2-worldwide-s16 и дообученная для определения возрастной категории человека на фотографии. Она использует архитектуру MetaClip2ForImageClassification и относит изображение к одному из пяти классов: ребёнок 0–12 лет, подросток 13–20 лет, взрослый 21–44 года, средний возраст 45–64 года или 65 лет и старше. Модель предназначена для оценки возрастного распределения на изображениях и может применяться в исследованиях, розничной торговле и системах контроля доступа. Она принимает изображения и выдаёт метку возрастной категории. Модельный репозиторий использует Transformers и формат safetensors; базовая MetaCLIP 2 — мультиязычная модель сопоставления изображений и текста. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение.

xipho/mt5-small-finetuned-amazon-en-es — дообученная модель Google mT5-small для суммаризации текста. Она построена на архитектуре MT5ForConditionalGeneration и содержит 157,4 млн параметров; веса представлены в формате safetensors. Название указывает на настройку для текстов Amazon на английском и испанском языках, однако карточка не описывает обучающую выборку и конкретные сценарии использования. Модель принимает текст и генерирует его краткое изложение. В README приведены результаты оценки: ROUGE-1 0,1282, ROUGE-2 0,0526 и ROUGE-L 0,1213. Это дообучение базовой google/mt5-small; лицензия — Apache-2.0.

OneFormer — модель компьютерного зрения, разработанная авторами работы «OneFormer: One Transformer to Rule Universal Image Segmentation» и представленная в репозитории shi-labs. Этот крупный вариант с backbone Dinat обучен на наборе ADE20k и предназначен для сегментации изображений. Архитектура использует токен задачи, чтобы выбирать режим сегментации при инференсе. Модель поддерживает семантическую, экземплярную и паноптическую сегментацию одним чекпойнтом. Она принимает изображения и выдаёт сегментационные маски и связанные с ними метки классов. Репозиторий распространяет веса в формате PyTorch по лицензии MIT. Карточка не сообщает ограничений по качеству или областям применения.

Pixio ViT-1B/16 — модель семейства универсальных самообучаемых визуальных моделей Pixio, разработанного FAIR в Meta и HKU. Это Vision Transformer с размером патча 16; модель дообучена методом дистилляции от Pixio ViT-5B/16. Она принимает изображение и возвращает восемь CLS-токенов и токены патчей. Для изображения 256×256 формируется 264 токена; поддерживаются и большие изображения, размеры которых кратны 16. Модель предназначена для извлечения плотных визуальных признаков, пригодных для последующего использования в задачах компьютерного зрения. Предобучение семейства основано на masked autoencoding на 2 млрд изображений из веб-сбора с минимальной ручной фильтрацией. Модель распространяется по лицензии FAIR Noncommercial Research License, которая ограничивает коммерческое использование.

Sapiens2-1B-Pose — модель Meta на базе Vision Transformer для оценки позы человека по изображению. Это чекпойнт с 1,462 млрд параметров в backbone, дообученный от facebook/sapiens2-pretrain-1b; репозиторий содержит веса в формате safetensors. Модель предсказывает 308 ключевых точек в формате Sociopticon, включая 274 точки лица, а также точки кистей и стоп. Она использует top-down подход: для работы нужны ограничивающие рамки людей, например полученные детектором RTMDet. Предназначена для анализа позы на изображениях с людьми и исследований в области человекоцентричного компьютерного зрения. Модель разработана Meta и распространяется по лицензии Sapiens2 License (в метаданных лицензия обозначена как other).

litert-community/vgg11 — модель классификации изображений VGG11, основанная на предобученных весах PyTorch Vision для ImageNet-1k. Архитектуру VGG разработали Карен Симонян и Эндрю Зиссерман; эта конфигурация включает восемь сверточных слоёв и три полносвязных слоя с фильтрами 3 × 3. Репозиторий содержит конвертированную версию в формате TensorFlow Lite (TFLite). Модель предназначена для отнесения изображения к одному из классов ImageNet-1k. По приведённым результатам исходная модель достигает точности top-1 69,02% и top-5 88,628% на ImageNet-1k. Веса содержат около 133 млн параметров. Карточка предупреждает, что условия использования могут зависеть от лицензий PyTorch Vision и обучающего набора данных; перед применением необходимо проверить права для конкретного сценария. Результаты на ImageNet-1k не гарантируют качество на иных наборах данных или в специализированных областях.

YOLO26-X-pose — вариант семейства YOLO26 от Ultralytics для оценки позы человека и обнаружения ключевых точек. Модель принимает изображения размером 640 пикселей и выдаёт координаты ключевых точек. В карточке приведены метрики pose mAP: 71,6 для диапазона IoU 0,50–0,95 и 91,6 при IoU 0,50. Архитектура работает в сквозном режиме без этапа подавления немаксимумов (NMS), что упрощает обработку предсказаний и развёртывание. Для оценки позы используются Residual Log-Likelihood Estimation и оптимизированное декодирование; в README также заявлены ускорение CPU-инференса до 43% и пригодность для маломощных и периферийных устройств. Модель распространяется в формате PyTorch под лицензией AGPL-3.0.