IV.1Ритейл, электронная коммерция и fashion-tech

Это неофициальная конверсия SAM 3D Objects от Meta для выполнения в MLX на Apple Silicon, объединённая с оценщиком глубины MoGe-3. Модель принимает изображение объекта и его маску и генерирует геометрию и позу; результаты можно сохранить в форматах Gaussian splatting или mesh. В репозитории находятся веса BF16 для компонентов SAM и веса MoGe-3 в FP32, а код инференса предоставляется библиотекой mlx-vlm. Текстового и tool-calling интерфейса нет. Модель предназначена для реконструкции отдельных объектов в 3D по изображению с заданной маской. Проверки компонентов конверсии показали близкое совпадение с эталонной реализацией на тестовых примерах, однако авторы не заявляют о побитовом совпадении BF16-версии на всём конвейере и не приводят оценку качества реконструкции. Для использования нужны совместимые версии mlx-vlm и оборудование Apple Silicon. SAM распространяется по лицензии SAM, MoGe-3 — по MIT, FlexiCubes — по Apache-2.0; лицензия репозитория указана как other.

TriChronos-0.1B — созданная с нуля модель для вероятностного прогнозирования временных рядов, разработанная автором репозитория iravikr. Это примерно 104 млн параметров, encoder-only Transformer на PyTorch с временным self-attention, вниманием между рядами и BitLinear FFN. Веса обучены с ternary-квантизацией BitNet-style {-1, 0, +1}; входные ряды разбиваются на патчи по 8 шагов, а модель выдаёт 21 квантиль для каждого шага прогноза. Модель предназначена для экспериментов с компактными квантованными моделями временных рядов и как лёгкий базовый ориентир для вероятностных прогнозов. На некоторых наборах данных она превзошла наивный baseline, в том числе на Weather и M3-Monthly; качество зависит от частоты данных и лучше на месячных и более частых рядах. Репозиторий указывает лицензию Apache-2.0. Модель обучалась на Salesforce/lotsa_data примерно 105 тысяч шагов с ограниченным вычислительным бюджетом и не позиционируется как модель уровня state of the art. Она не рекомендуется для годовых или очень коротких рядов, горизонтов существенно длиннее 24 шагов и задач, требующих подтверждённой калибровки метрик на исходных значениях. Усреднение представлений патчей в прогнозной голове может сглаживать детали при длинных горизонтах.

timm/vit_huge_patch16_sapiens2.fb — преобразованный для библиотеки timm чекпойнт предобученной модели Sapiens2 от Meta. Это Vision Transformer с RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацией, содержащий около 0,818 млрд параметров. Веса не дообучались: изменены только названия ключей для совместимости с timm. Модель обучена на 1 млрд изображений людей и предназначена для извлечения плотных признаков по патчам изображения. Эти признаки подходят для настройки специализированных голов оценки позы, сегментации частей тела, предсказания нормалей поверхности и pointmap-карт, а также для исследований человекоцентрического компьютерного зрения. Модель принимает изображения и выдаёт признаки; это предварительно обученная основа, а не готовая модель для перечисленных downstream-задач. Репозиторий использует формат safetensors и библиотеку timm. Применяется лицензия Sapiens2 License; её конкретные условия следует проверить перед использованием.

YOLO26-N-pose — вариант модели YOLO26 от Ultralytics для оценки позы человека и обнаружения ключевых точек. Модель принимает изображения размером 640 пикселей и предназначена для быстрого вывода на периферийных устройствах и устройствах с низким энергопотреблением. Архитектура работает сквозным образом и выдаёт предсказания без этапа подавления немаксимумов (NMS), что упрощает развёртывание и может снижать задержку. Для локализации ключевых точек используются Residual Log-Likelihood Estimation и оптимизированное декодирование; в описании также заявлены удаление DFL и ускорение CPU-инференса до 43%. Для обучения семейства применяется оптимизатор MuSGD. В README приведены показатели mAP pose: 57,2 для диапазона IoU 50–95 и 83,3 для IoU 50. Модель предназначена для прикладных сценариев компьютерного зрения, где нужно определять позу человека по изображению. Репозиторий содержит веса PyTorch, а для использования README рекомендует библиотеку Ultralytics. Лицензия — AGPL-3.0.

tue-mps/ade20k_panoptic_eomt_large_1280 — модель сегментации изображений на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для высококачественной и эффективной сегментации. Архитектура представлена в статье «Your ViT is Secretly an Image Segmentation Model», опубликованной на CVPR 2025. Модель содержит 402,7 млн параметров и предназначена для паноптической сегментации изображений ADE20K; семейство EoMT также поддерживает семантическую сегментацию и сегментацию экземпляров с соответствующей постобработкой. EoMT использует Vision Transformer и обходится без специализированного декодера задач и модулей слияния пиксельных признаков. Репозиторий содержит веса PyTorch в формате safetensors; для работы указана библиотека Transformers. Лицензия — MIT. Модель принимает изображения и выдаёт сегментационные маски и метки классов. Карточка не сообщает о языковой обработке.

DETRPose-S-COCO — модель для оценки поз нескольких людей на изображениях, представленная в статье DETRPose. Архитектура сочетает гибридный энкодер RT-DETR с лёгким декодером D-FINE; специализированный Pose-LQE слой повышает точность оценок уверенности, а обучение использует денойзинг ключевых точек и функцию потерь Keypoint Similarity Varifocal. В карточке указаны 11,5 млн параметров, результат 67,0 AP на COCO и задержка инференса 4,99 мс. Модель предназначена для низколатентного обнаружения ключевых точек человека и оценки поз нескольких людей, в том числе при обработке видеопотока с веб-камеры. Репозиторий распространяет веса в формате safetensors; лицензия — Apache-2.0. Метаданные указывают английский язык карточки, однако задача модели не требует текстового ввода.

juliensimon/distilbert-amazon-shoe-reviews — модель классификации текстов на основе DistilBERT, дообученная автором на базе distilbert-base-uncased. Она предназначена для классификации отзывов об обуви Amazon; README приводит результаты оценки: accuracy 0,579 и значения F1 по пяти классам от 0,470 до 0,737. Модель принимает текст, работает с контекстом до 512 токенов и выдаёт метку класса. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. README не раскрывает названия классов и описывает данные обучения как None, поэтому интерпретировать конкретные категории и переносить результаты на другие типы отзывов без дополнительной проверки затруднительно.

Finedefics — мультимодальная авторегрессионная модель на архитектуре Transformer, разработанная для улучшения распознавания объектов по мелким визуальным различиям (FGVR). Она основана на HuggingFaceM4/idefics2-8b и дообучена с использованием информативных описаний атрибутов объектов. Репозиторий содержит веса в формате safetensors. Модель принимает изображения и текст и предназначена для исследовательских экспериментов в компьютерном зрении и обработке естественного языка, в частности для различения похожих видов собак, птиц, самолётов, цветов, домашних животных и автомобилей. Она поддерживает диалоговый сценарий с визуальным вводом. В карточке не указаны лицензия и длина контекста, поэтому условия лицензирования и эти параметры здесь не уточняются.

Mask2Former — модель компьютерного зрения от команды Meta, представленная в работе Masked-attention Mask Transformer for Universal Image Segmentation. Этот чекпойнт базового размера использует backbone Swin и обучен на ADE20K для семантической сегментации изображений. Архитектура предсказывает набор масок и соответствующих им меток; Mask2Former применяет общий подход к сегментации объектов, семантической и паноптической сегментации. Модель предназначена для выделения и классификации областей изображения, в том числе для паноптической сегментации. В архитектуре используются многомасштабный декодер пикселей на основе deformable attention и Transformer-декодер с masked attention. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия указана как other, без уточнения условий в предоставленных данных.

open-age-detection — модель классификации изображений, разработанная prithivMLmods и дообученная на базе google/siglip2-base-patch16-512 с использованием набора данных Age-Classification-Set. Архитектура SiglipForImageClassification принимает изображение человека и относит его к одной из пяти возрастных групп: 0–12, 13–20, 21–44, 45–64 или 65 лет и старше. Модель предназначена для оценки возрастной группы в демографическом анализе, персонализации рекомендаций, исследованиях изображений и как вспомогательный компонент систем контроля доступа. Лицензия Apache-2.0. Оценка по изображению не подтверждает фактический возраст и может ошибаться; для решений с существенными последствиями нужна независимая проверка.

mlx-community публикует конверсию в формате MLX модели facebook/sapiens2-normal-0.4b, разработанной Meta и основанной на семействе Sapiens2. Она предназначена для оценки нормалей поверхности по каждому пикселю на изображениях с людьми. Модель содержит около 402,7 млн параметров; веса сохранены в bfloat16 в файле safetensors, а проекции q/k/v объединены в тензор wqkv для ожидаемой MLX архитектуры Sapiens2. Модель принимает изображение и выдаёт плотную карту нормалей поверхности с разрешением входного изображения. Репозиторий рассчитан на запуск через mlx-vlm. В метаданных указана лицензия other; README отсылает к исходной карточке модели за условиями лицензии, поэтому конкретные условия использования здесь не уточнены.

Это конвертированная в формат MLX модель Meta Sapiens2 для оценки pointmap по изображению: она предсказывает для каждого пикселя координаты XYZ в 3D и масштаб. Репозиторий содержит вариант исходной модели facebook/sapiens2-pointmap-1b с весами bfloat16; параметры q/k/v объединены в тензоры wqkv. Веса сохранены в safetensors, размер модели по метаданным — 1,5 млрд параметров. Модель предназначена для плотной оценки 3D-координат людей на изображениях и рассчитана на запуск через mlx-vlm на совместимой платформе MLX. В README указано, что выходные массивы имеют разрешение входного изображения. Карточка этой конверсии отсылает к исходной модели за описанием её назначения и лицензии; метаданные указывают лицензию other. Точные условия лицензии следует сверить с карточкой исходной модели.

Это модель семантической сегментации изображений DeepLabV3 из семейства SMP, опубликованная в репозитории smp-test-models/deeplabv3-tu-resnet18. По названию репозитория она использует энкодер ResNet18 с весами, связанными с timm. Модель предназначена для разметки областей изображения по классам и может загружаться через библиотеку segmentation-models-pytorch с помощью from_pretrained. Карточка не содержит сведений о датасете и метриках качества. Модель распространяется по лицензии MIT.

DETRPose-M-COCO — модель компьютерного зрения для обнаружения ключевых точек и оценки поз нескольких людей на изображении. Она представлена в карточке как реализация метода DETRPose, разработанного на основе гибридного энкодера RT-DETR и облегчённого декодера D-FINE. Для улучшения уверенности оценок модель использует Pose-LQE, а обучение включает денойзинг ключевых точек и специальную функцию потерь Keypoint Similarity Varifocal. Модель рассчитана на обработку сцен с несколькими людьми в реальном времени. Для варианта DETRPose-M на COCO в карточке приведены AP 69,4, 20,8 млн параметров, задержка 7,01 мс и 67,3 GFLOPs. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В карточке не приведены ограничения по применению или подробности о поддерживаемых входных форматах.

m28yhtd/furniture_use_data_partial_finetuning3 — дообученная модель обнаружения объектов на базе facebook/detr-resnet-50, разработанная автором репозитория. Она предназначена для поиска объектов на изображениях и предсказания их классов и ограничивающих рамок. Модель построена на архитектуре DETR с ResNet-50 и опубликована в формате safetensors; в метаданных указано 6,3 млн параметров. Модель может применяться для обнаружения объектов мебели на изображениях, что следует из названия репозитория, однако состав классов и обучающий набор данных не описаны. Лицензия — Apache-2.0. README не содержит сведений о качестве, оценке или конкретных ограничениях модели.

cheesewafer/Llama3-8B-Instruct-sft-webshop — плотная языковая модель семейства Llama 3.1, дообученная методом SFT на базе meta-llama/Meta-Llama-3.1-8B-Instruct для среды WebShop. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и библиотеку Transformers; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогового взаимодействия в сценариях WebShop. Метаданные также указывают интерфейс для вызова инструментов, однако README не приводит подробностей о наборе обучающих данных, оценке качества или конкретных ограничениях. Файлы модели опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

PictSure — модель компьютерного зрения для классификации изображений в режиме few-shot learning. Она использует изображения и метки классов из контекста, чтобы классифицировать новые изображения с небольшим числом примеров. Архитектура объединяет предобученный энкодер изображений на базе ResNet или Vision Transformer, проекционные слои, трансформерный энкодер и классификационную голову. В README описаны варианты на ResNet18 примерно с 53 млн параметров и ViT-Base примерно со 128 млн параметров. Модель рассчитана на изображения размером 224 × 224 пикселя и обучалась для few-shot задач на ImageNet-21k; в качестве энкодеров используются признаки, предварительно обученные на ImageNet. Она подходит для быстрой адаптации классификации к новым классам при наличии нескольких размеченных контекстных примеров. Репозиторий содержит веса Safetensors, библиотека реализации — PyTorch. Лицензия MIT. Для предсказаний необходимы контекстные изображения и метки, а качество зависит от их репрезентативности. Модель предназначена только для классификации, требует значительной памяти, не подходит для детекции и сегментации и принимает изображения фиксированного разрешения. Возможны смещения, унаследованные от обучающих данных и усиливаемые выбором контекста.

Sapiens2-1B-Surface — модель Meta для оценки нормалей поверхности на изображениях людей. Она предсказывает для каждого пикселя трёхмерный единичный вектор нормали в системе координат камеры и предназначена для анализа геометрии поверхности в человеко-ориентированных изображениях. Модель построена на базе Sapiens2 Vision Transformer с отдельной головой оценки нормалей и дообучена от facebook/sapiens2-pretrain-1b. В ней около 1,5 млрд параметров; веса представлены в формате safetensors. Карточка указывает лицензию Sapiens2 License, но не приводит её условия.

Sapiens2-5B-Surface — модель Meta для оценки нормалей поверхности на изображениях людей. Это дообученная версия предобученной модели facebook/sapiens2-pretrain-5b: Vision Transformer с головкой оценки нормалей поверхности. Модель выдаёт для каждого пикселя трёхмерный единичный вектор нормали в системе координат камеры и предназначена для человеко-ориентированного компьютерного зрения и исследований геометрии тела. Модель содержит 5,3 млрд параметров и распространяется в формате safetensors. Она рассчитана на входные изображения; в карточке не указаны поддерживаемые языки или длина контекста. Репозиторий указывает лицензию Sapiens2 License, а метаданные Hugging Face классифицируют её как other; условия использования следует проверять по тексту лицензии проекта.

Sapiens2-0.4B — предварительно обученный на 1 млрд изображений людей визуальный энкодер Meta для задач, связанных с анализом человека. Это бэкбон на основе Vision Transformer с RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацией; в репозитории safetensors указано около 0,4 млрд параметров. Модель извлекает плотные признаки по патчам изображения, предназначенные для дообучения голов под конкретные задачи. Её можно использовать как основу для оценки позы, сегментации частей тела, предсказания нормалей поверхности и pointmap, а также для исследований в области человекоцентричного компьютерного зрения. Репозиторий предоставляет именно предварительно обученный бэкбон, а не готовые специализированные решения для этих задач. Модель разработана Meta и распространяется по лицензии Sapiens2 License; детали условий следует сверить с текстом лицензии.

Sapiens2-5B — разработанная Meta предобученная модель Vision Transformer для анализа изображений с фокусом на человеке. Она обучена на 1 млрд изображений людей и содержит около 5,3 млрд параметров; архитектура использует RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацию. Репозиторий содержит веса в формате safetensors. Модель извлекает плотные признаки по патчам изображения для последующей настройки специализированных голов и применения в оценке позы, сегментации частей тела, предсказании нормалей поверхности и pointmap. Она также подходит для исследований в области компьютерного зрения, ориентированного на человека. Это визуальный бэкбон, а не готовая модель для выдачи конечных разметок: для downstream-задач требуются соответствующие головы или чекпойнты. Указана лицензия Sapiens2 License; конкретные условия следует сверить с текстом лицензии репозитория.

NVIDIA SegFormer-B1 — модель компьютерного зрения для семантической сегментации изображений, дообученная на наборе ADE20K с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; семейство SegFormer представлено в работе Xie и соавторов. В репозитории доступны веса PyTorch и TensorFlow. Модель предназначена для присвоения метки каждому пикселю изображения, например для анализа сцен и выделения объектов и областей окружения. Она принимает изображение и выдаёт карту семантической сегментации. Обучение описано для ADE20K; лицензия в метаданных обозначена как other, поэтому условия использования следует уточнить в репозитории.

SpatialThinker-3B — мультимодальная модель для пространственного анализа изображений, разработанная Хунаром Батрой и соавторами из Оксфордского университета и Калифорнийского университета в Санта-Крузе. Она дообучена методом GRPO на базе Qwen2.5-VL-3B-Instruct и использует пространственные награды, чтобы связывать объекты и отношения между ними со структурированным обоснованием ответа. Модель принимает изображения и текстовые вопросы, строит ориентированный на вопрос подграф сцены с объектами, рамками и пространственными отношениями, затем отвечает на естественном языке. Она предназначена для девяти типов задач: отношений, достижимости, размера, ориентации, местоположения объектов, глубины, расстояния, подсчёта и определения наличия объектов. В README заявлено превосходство над GPT-4o на тестах пространственного понимания при обучении на 7 587 примерах STVQA-7K. Это плотная модель семейства Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов. Карточка указывает английский язык; модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты на других задачах и языках README не описывает; заявленное сравнение с GPT-4o относится к пространственным бенчмаркам.

openmmlab/upernet-convnext-small — модель сегментации изображений на основе архитектуры UperNet с энкодером ConvNeXt Small. UperNet объединяет backbone, Feature Pyramid Network и Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя изображения. Модель предназначена для семантической сегментации сцен и других изображений. Её можно использовать как готовую модель сегментации или как основу для настройки под конкретные наборы классов и сценарии компьютерного зрения. В карточке указаны библиотека Transformers и формат PyTorch; модель опубликована OpenMMLab под лицензией MIT. Карточка не сообщает размер набора классов, обучающие данные и численные показатели качества, поэтому пригодность для конкретного домена следует проверять отдельно. Модель принимает изображения и выдаёт пиксельную разметку; языковая обработка не является её задачей.

openmmlab/upernet-swin-large — модель семантической сегментации изображений на основе UperNet с крупным Swin Transformer в качестве визуального backbone. UperNet объединяет backbone с Feature Pyramid Network и модулем Pyramid Pooling и предсказывает семантическую метку для каждого пикселя изображения. Описание архитектуры основано на работах Unified Perceptual Parsing for Scene Understanding и Swin Transformer: Hierarchical Vision Transformer using Shifted Windows. Модель предназначена для разметки сцен и выделения семантических областей на изображениях. Репозиторий содержит веса PyTorch в формате safetensors; карточка не сообщает размер модели или конкретный набор классов. Метаданные указывают английский язык карточки, но задача не требует текстового ввода. Лицензия — MIT. Карточка советует искать дообученные варианты с нужным backbone и задачей; числовые оценки качества не приводятся.

Dreamer-7B — мультимодальная модель на базе Qwen2-VL-7B, разработанная OSUNLP и Orby AI в рамках проекта WebDreamer. Она предназначена для планирования действий веб-агента в задачах с визуальным интерфейсом: модель получает текстовый запрос и изображение страницы и формирует ответ с планом или действием. Архитектура — плотная Qwen2-VL, размер — 7,1 млрд параметров; нативное окно контекста составляет 32 768 токенов. В карточке указана поддержка английского языка и интерфейса Transformers. WebDreamer применяет Dreamer-7B для симуляции и поиска планов веб-агента, сокращая потребность в реальных взаимодействиях со страницами. В README сообщается об улучшении результатов относительно реактивных базовых методов на VisualWebArena, Online-Mind2Web и Mind2Web-live. Модель можно использовать для веб-задач вроде покупок, объявлений и Reddit, хотя численные результаты относятся к системе WebDreamer и не гарантируют аналогичного качества отдельно взятой модели. Лицензия — Apache-2.0.

Mini Agent 1.7B · Strapi — компактная агентная модель Omneity Labs на архитектуре Qwen3 с 1,7 млрд параметров. Она предназначена для управления Strapi 5 через последовательные вызовы инструмента api_call(method, path, query, body): модель предлагает один вызов, получает его результат и выбирает следующий шаг, а затем формулирует короткий текстовый ответ. Модель независима от Strapi и не является официальным продуктом Strapi. Проверенная область применения охватывает CRUD-операции и связи для коллекций статей, авторов, категорий, товаров и стран. Модель повторно использует documentId между вызовами и читает связи через populate. Поддерживает интерфейс tool calling; заявленный контекст — 40 960 токенов. В карточке указаны английский язык и варианты весов Transformers BF16, GPTQ и GGUF. В опубликованной оценке на пяти тестовых коллекциях модель выполнила 191 из 204 заданий, тогда как базовая Qwen3-1.7B — 21 из 204; результаты относятся только к описанной тестовой конфигурации, а квантизованные варианты не прошли полную проверку. Модель может ошибиться в вызове инструмента или перепутать идентификаторы, поэтому подходит для ограниченных сценариев с известной схемой, а не для непроверенных производственных записей. Не проверены административные и аутентификационные операции, загрузка файлов, одиночные маршруты, управление публикацией и восстановление после ошибок. Лицензия — Apache 2.0.

Sapiens2-0.8B-Pose — модель Meta для оценки позы человека на изображениях. Это дообученная на задаче оценки позы модель на основе предобученного Vision Transformer Sapiens2 с примерно 838,9 млн параметров; веса опубликованы в формате safetensors. Модель выполняет top-down оценку позы по 308 ключевым точкам, включая 274 точки лица, а также точки кистей и стоп. Для работы ей нужны изображения людей и ограничивающие рамки, полученные детектором людей; предсказания представлены в формате Sociopticon. Модель предназначена для человекоцентричного компьютерного зрения и исследований позы. Модель не обнаруживает людей самостоятельно: перед запуском требуется детектор, например RTMDet. В карточке указана лицензия Sapiens2 License; метаданные классифицируют её как other, поэтому условия использования следует сверять с текстом этой лицензии.

Карточка модели arjhinety/schemaforge-v3-distilled-minicpm5-1b на Hugging Face совпадает с карточкой arrochi112/schemaforge-v3-distilled-minicpm5-1b, поэтому описание составлено по ней. SchemaForge V3 — Distilled MiniCPM5-1B — экспериментальный исследовательский чекпойнт для извлечения структурированных полей и JSON из документов по 12 схемам: счетов, чеков, резюме, договоров, медицинских записей, страховых заявлений и других. Это дообученная модель OpenBMB MiniCPM5-1B, дистиллированная от учителя google/gemma-4-31B; метаданные указывают 837,6 млн параметров, плотную авторегрессионную архитектуру LlamaForCausalLM, формат safetensors и контекст до 131 072 токенов. В карточке описаны эксперименты с последовательностной дистилляцией и гибридным конвейером, где модель дополняет детерминированный предварительный разбор. Чекпойнт показал лучший результат среди четырех итераций V3, но уступает опубликованному как релиз V2-FINAL на сопоставимой оценке. Основной сохраняющийся сбой — пропуск полей; сама модель также заметно слабее в извлечении без гибридного конвейера. Автор прямо рекомендует не применять этот чекпойнт в производстве. Лицензия — Apache-2.0.

ShopSphere AICV TabTransformer v2 — модель классификации табличных данных на PyTorch, разработанная для академического проекта по аналитике маркетинга на основе данных. Она предсказывает отток клиентов интернет-магазина по синтетическому набору данных ShopSphere из 12 000 наблюдений за 1 000 клиентов и 12 месяцев. Модель использует архитектуру в стиле TabTransformer и предназначена для демонстрации прогнозирования оттока и анализа маркетинговых сценариев. В README приведено сравнение с логистической регрессией и градиентным бустингом; порог классификации 0,17 выбран на валидационных данных с учётом заданного соотношения стоимости потерянного клиента и удерживающего предложения. Доступен формат ONNX.