IV.1Ритейл, электронная коммерция и fashion-tech

openmmlab/upernet-convnext-xlarge — модель семантической сегментации изображений на основе UperNet с backbone ConvNeXt XLarge. UperNet объединяет backbone с Feature Pyramid Network и модулем Pyramid Pooling Module; модель предсказывает семантическую метку для каждого пикселя изображения. Подход описан в работах Unified Perceptual Parsing for Scene Understanding и A ConvNet for the 2020s. Модель предназначена для разметки сцен и объектов на изображениях по пикселям. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — MIT. В карточке не приведены сведения о наборе классов или обучающих данных, поэтому применимость к конкретным категориям изображений зависит от обученной версии модели.

OVIE (One View Is Enough!) — модель синтеза нового ракурса сцены по одному изображению и целевой позе камеры. В README описана архитектура сверточного кодировщика-декодировщика с 12-слойным Vision Transformer в узком месте; размер модели — около 143 млн параметров. Положение камеры задаётся семимерным кодированием вращения и переноса, которое подаётся в Transformer через адаптивную нормализацию слоёв. Модель предназначена для генерации изображений сцены с новых точек обзора. Она обучалась на несвязанных изображениях из интернета без многовидовой разметки; для обучения использовались ImageNet, Places365, OSV5M и OpenImages, а ракурсы камеры моделировались синтетически. Качество оценивалось на DL3DV и Real Estate 10K по метрикам PSNR, SSIM и LPIPS. Репозиторий распространяется по лицензии MIT.

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.

Это дообученная авторегрессионная языковая модель Qwen3-8B от автора репозитория willamazon1. Веса основаны на Qwen/Qwen3-8B-Base и объединяют многоэтапное SFT-обучение с LoRA-адаптацией методом GSPO на обучающем разделе tau-bench для сценария retail; опубликована итерация 240. Модель предназначена для генерации текста и диалогового применения с вызовом инструментов, в частности для задач, близких к взаимодействию с розничными системами через tau-bench. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 32 768 токенов. Полные веса сохранены в safetensors после слияния LoRA с базовыми весами и доступны для загрузки через Transformers, SGLang или vLLM без PEFT. Карточка описывает обучение на этапах Math, Sea, Search, TauSFT и Tau-IF, но не указывает поддерживаемые естественные языки. Модель подходит для экспериментального использования в генерации текста, диалогах и задачах применения инструментов; её специализация на retail отражает обучение на tau-bench retail, а не подтверждённую универсальную надёжность в реальных бизнес-процессах. Лицензия — Apache-2.0.

3DDFA V2 — Core ML — это преобразованная для Core ML версия модели 3DDFA_V2 от cleardusk, подготовленная Daisuke Majima для локального запуска на iPhone, iPad и Mac. Модель восстанавливает трёхмерную геометрию лица по одному изображению и предсказывает параметры выражения лица и позу головы с шестью степенями свободы. Модель предназначена для приложений с анализом лица, включая оценку позы головы и выравнивание лица. Пакет stateless: последовательную обработку кадров и буферизацию приложения реализует самостоятельно. Репозиторий содержит Core ML пакет размером около 6 МБ; лицензия — MIT.

Kimi-K2T-neulab-agenttuning-webshop-sandboxes-maxeps-32k — языковая модель на архитектуре Qwen3, дообученная командой Neulab на датасете open-athena/Kimi-K2T-neulab-agenttuning-webshop-sandboxes-maxeps-32k. Модель содержит 7,6 млрд параметров, использует формат SafeTensors и запускается через Transformers. Она предназначена для генерации текста в диалоговом формате; название датасета указывает на настройку для агентных сценариев с веб-магазином и песочницами. Модель основана на Qwen/Qwen3-8B и поддерживает контекст до 40 960 токенов. Базовая модель многоязычная и рассчитана на генерацию текста, рассуждения, следование инструкциям, работу с кодом и вызов инструментов, однако README не сообщает, какие из этих возможностей сохранены или оценивались после дообучения. Распространяется по лицензии Apache-2.0.

Mask2Former — модель компьютерного зрения для сегментации изображений, представленная командой, разработавшей Mask2Former, и впервые выпущенная в репозитории проекта. Этот вариант обучен для семантической сегментации на ADE20k; в качестве базовой версии использован Swin backbone, предварительно обученный на IN21k. Модель предсказывает набор масок и соответствующих им меток. Архитектура Mask2Former использует многомасштабный декодер пикселей с deformable attention и Transformer-декодер с masked attention. Общая схема Mask2Former рассчитана на семантическую, экземплярную и паноптическую сегментацию; карточка этого чекпойнта указывает применение для паноптической сегментации. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует уточнить в репозитории модели.

Это модель PSPNet с энкодером ResNet18 для семантической сегментации изображений. Репозиторий содержит веса в формате safetensors и предназначен для загрузки через библиотеку segmentation-models-pytorch; карточка не сообщает автора обучения, набор классов или датасет. Модель принимает изображение и выдаёт сегментацию по пикселям. Метрики качества и название датасета в карточке не приведены, поэтому пригодность для конкретной предметной области нужно проверять на собственных данных. Лицензия — MIT.

Segformer-tu-resnet18 — модель семантической сегментации изображений на базе библиотеки segmentation-models-pytorch. Карточка показывает загрузку через smp.from_pretrained, а метаданные указывают задачу image-segmentation и формат весов safetensors. Репозиторий создан в декабре 2024 года и опубликован под лицензией MIT. Модель предназначена для разбиения изображения на области и присвоения пиксельных меток; её можно использовать в приложениях компьютерного зрения, которым нужна семантическая сегментация. В названии указаны SegFormer и ResNet-18, однако карточка не раскрывает точные параметры и архитектурную конфигурацию. Метрики качества и сведения о датасете отсутствуют, поэтому качество и подходящие классы сегментации определить нельзя.

google/tipsv2-so400m14-dpt — модель семейства TIPSv2 от Google с головами Dense Prediction Transformer поверх замороженной визуальной основы SO400m/14. Она предназначена для плотного анализа изображений: оценки глубины, предсказания нормалей поверхности и семантической сегментации на 150 классов. Основа загружается автоматически; для работы используются Transformers и PyTorch. Модель принимает изображения в диапазоне значений [0, 1]; рекомендуется разрешение, кратное 14. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Головы для глубины и нормалей обучены на NYU Depth V2, а голова сегментации — на ADE20K. Вариант SO400m/14 имеет 412 млн параметров визуальной основы, 448 млн параметров текстовой части основы и около 120 млн параметров голов. Модель рассчитана на визуальное предсказание плотных карт; описание не указывает на обработку текста как пользовательского входа. Результаты могут зависеть от предметной области изображений и отличаться от качества на обучающих наборах.

cascade · Toto2-4M — контрольная точка модели временных рядов, созданная участниками подсети Bittensor cascade (netuid 91). Модель с 4 млн параметров обучена с нуля за один раунд примерно на трёх GPU-часах на синтетических временных рядах, сгенерированных участником раунда 8. В README указано, что контрольная точка показала лучшие результаты среди публичных моделей подсети на GIFT-Eval, BOOM и TIME, но проиграла очную проверку на закрытых данных. Модель предназначена для прогнозирования временных рядов и выдаёт квантильные прогнозы по историческим данным и заданному горизонту. В README описаны веса Safetensors, конфигурация, реализация модели и функция пакетного прогнозирования. Результаты на публичных бенчмарках не гарантируют качества на конкретных данных; модель обучена на корпусе одного синтетического генератора и не проверялась на закрытой выборке, использованной в дуэли. Лицензия в предоставленных данных не указана.

DETRPose-M-CROWDPOSE — модель для обнаружения ключевых точек позы нескольких людей на изображениях, основанная на методе DETRPose из одноимённой исследовательской работы. В архитектуре используются гибридный энкодер RT-DETR и облегчённый декодер D-FINE; специальный Pose-LQE слой улучшает оценки уверенности ключевых точек. Модель разработана для низколатентного инференса в реальном времени. Для варианта M, обученного на CROWDPOSE, в карточке указаны 20,7 млн параметров, точность AP 72,0 и задержка 6,86 мс. Для инференса требуется ветка репозитория DETRPose, подготовленная для запуска. Лицензия — Apache-2.0. Модель ориентирована на многолюдные сцены, представленные датасетом CROWDPOSE; результаты на других данных карточка не описывает.

Модель acidtib/dispensary-product-name-gemma3 — текстовая модель на архитектуре Gemma 3, разработанная acidtib дообучением google/gemma-3-270m-it. Она преобразует необработанные названия товаров из кассовой системы Dutchie POS в краткое каноническое имя формата «сорт — тип» для внутреннего учёта ассортимента диспансера. Вход может содержать бренд, категорию, подкатегорию и исходное название; модель предназначена для узкой задачи нормализации, а не для использования общего назначения. Модель содержит 257 млн параметров, работает через Transformers и принимает текстовые запросы в диалоговом формате. Контекст — до 32 768 токенов. Обучение проводилось на 1 697 примерах из 152 брендов и трёх категорий; на отложенной выборке из 245 примеров точное совпадение составило 98,8%, нормализованное — 99,2%. Поддерживаемый язык карточки — английский, а данные задачи содержат названия товаров на нидерландском рынке. Лицензия — Gemma; применимые условия использования определяются лицензией базовой модели Google.

Marigold IID Appearance v1-1 — модель для разложения одного изображения на внутренние свойства внешнего вида объектов. Её разработали Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler; модель дообучена на основе stable-diffusion-2 и реализована как латентная диффузионная модель для анализа изображений. Модель оценивает альбедо, шероховатость и металличность материалов на входном изображении. Её можно применять для анализа материалов в компьютерной графике и компьютерном зрении. Вход и выход альбедо представлены в цветовом пространстве sRGB; оценки шероховатости и металличности — в линейном диапазоне от 0 до 1. Для оптимальных результатов большие изображения рекомендуется уменьшать так, чтобы длинная сторона была около 768 пикселей. Модель рассчитана на работу с планировщиком DDIM и от 1 до 50 шагов денойзинга; карты неопределённости доступны при ансамблировании более чем двух предсказаний. Модель распространяется по лицензии CreativeML Open RAIL++-M. Результаты являются оценками свойств материалов по одному изображению; для изображений существенно крупнее эффективного разрешения качество может снижаться.

Pixio ViT-5B/16 — модель компьютерного зрения из семейства self-supervised foundation models, разработанная FAIR at Meta и HKU. Это Vision Transformer, обученный с нуля методом masked autoencoding на 2 млрд веб-изображений с минимальной ручной фильтрацией. Модель извлекает плотные визуальные признаки и предназначена для получения представлений изображений для последующих задач компьютерного зрения. На вход подаётся изображение, на выходе модель возвращает восемь class-токенов и токены патчей. Размер патча — 16 пикселей; изображение 256×256 даёт 264 токена. Поддерживаются изображения большего размера, если их размеры кратны 16. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель подходит для исследовательского и прикладного извлечения визуальных признаков, однако README не приводит численных результатов оценки или конкретных рекомендаций для отдельных downstream-задач. Лицензия FAIR Noncommercial Research License ограничивает использование некоммерческими исследовательскими целями.

skylord/swin-finetuned-food101 — модель классификации изображений на базе Swin Transformer, дообученная автором репозитория на датасете Food-101. Она предназначена для распознавания категорий еды на изображениях. Модель содержит 58,7 млн параметров и распространяется в формате PyTorch. На оценочной выборке Food-101 указаны loss 0,2779 и accuracy 0,9214. Лицензия — Apache-2.0. Карточка не описывает ограничения применения или дополнительные сценарии, поэтому качество на других наборах данных и типах изображений по этим сведениям оценить нельзя.

PLaMo 2.1-8B-VL — визуально-языковая модель компании Preferred Networks, Inc. для понимания изображений по текстовому запросу. Она объединяет причинную decoder-only языковую модель PLaMo 2.1-8B с визуальным энкодером SigLIP2 через MLP-адаптер; для изображений разных размеров применяется динамическое разбиение на фрагменты. Размер базовой языковой модели — 8 млрд параметров. Модель предназначена для работы с парами «изображение и текст» и принимает одно изображение за раз. Основные возможности — ответы на вопросы об изображении и визуальная локализация объектов, заданных текстом, включая понимание выражений, указывающих на объект. Среди целевых сценариев — анализ действий работников на производстве и поиск аномалий по кадрам с камер дронов и наблюдения. Модель рассчитана на английский и японский языки и ориентирована на эффективный запуск на периферийных устройствах. Модель слабо приспособлена к OCR, документам, диаграммам, таблицам и математическим выражениям; она не поддерживает одновременную обработку нескольких изображений и может работать некорректно без текстового или визуального компонента во входе. Для узкоспециализированных решений нужны дополнительные настройки или внешние источники знаний. Распространяется по лицензии PLaMo community license; для коммерческого использования разработчик просит ознакомиться с лицензией и связаться с ним.

Это модель классификации изображений на базе ResNet-18, дообученная автором репозитория на датасете lewtun/dog_food. Она предназначена для распознавания категорий собачьего корма по изображению; на наборе оценки указаны loss 0,2991 и accuracy 0,896. Модель использует архитектуру ResNet и веса в формате PyTorch. Лицензия — Apache-2.0.

Это модель tue-mps/ade20k_semantic_eomt_large_512 на архитектуре EoMT (Encoder-only Mask Transformer), разработанной авторами работы «Your ViT is Secretly an Image Segmentation Model». Модель основана на Vision Transformer и предназначена для семантической сегментации изображений; в карточке указано 402,7 млн параметров. EoMT использует ViT без специализированного декодера или модулей объединения пиксельных признаков. Архитектура также поддерживает сегментацию экземпляров и паноптическую сегментацию при соответствующей постобработке, однако задача этой конкретной модели в метаданных обозначена как image-segmentation. Репозиторий содержит веса PyTorch в формате safetensors. Модель подходит для разметки сцен и объектов на изображениях, например для анализа изображений ADE20K. Доступна по лицензии MIT. Карточка не сообщает точность модели или подробные сведения о её обучении.

ymelka/camembert-cosmetic-finetuned — дообученная модель на основе almanach/camembert-base, разработанная для предсказания пропущенных токенов в тексте о косметике. Это CamemBERT с архитектурой CamembertForMaskedLM, 137,8 млн параметров и контекстом до 514 токенов. Модель опубликована в формате safetensors по лицензии MIT. В README указан результат оценки Loss 0,7571, однако набор данных и подробности обучения не описаны. Поэтому применимость к конкретным косметическим текстам и качество на практических задачах требуют отдельной проверки.

PAN для сегментации изображений на базе ResNet18. Модель опубликована в репозитории smp-test-models/pan-tu-resnet18 и загружается через библиотеку segmentation-models-pytorch с помощью smp.from_pretrained. Карточка указывает лицензию MIT. Модель предназначена для задачи image-segmentation. В карточке отсутствуют сведения о наборе данных и метриках, поэтому качество и области, на которых модель применима, оценить нельзя.

RynnBrain 1.1-9B — мультимодальная модель Alibaba DAMO Academy для embodied intelligence, то есть понимания сцен с учётом пространства и возможных действий. Это плотная модель семейства Qwen3.5 с 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B. Она рассчитана на диалоговый анализ изображений и видео, пространственные рассуждения, локализацию объектов и планирование; поддерживает зрительные возможности и текстовый ввод и вывод. В карточке также описаны обучение с 3D-привязкой и предсказание точек контакта, а семейство RynnBrain-VLA переносит понимание в управление роботами. Модель подходит для анализа пространственных отношений и объектов в сцене, поиска объектов по инструкции в изображениях и видео, а также задач embodied reasoning и планирования. Метаданные указывают английский и китайский языки. Репозиторий содержит веса safetensors и использует лицензию Apache-2.0. README не приводит численных результатов бенчмарков для этого чекпойнта; описанные возможности реального управления относятся к RynnBrain-VLA, поэтому их не следует считать подтверждённым интерфейсом управления данного репозитория.

P1n3/sdg-detector-grpo — полноразмерный объединённый чекпойнт детектора дефектов от разработчика P1n3 после второго этапа обучения GRPO. Это мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration, принимающая изображения и текст и формирующая текстовый ответ со структурированными наборами обнаруженных дефектов. Чекпойнт уже объединён с этапом SFT P1n3/sdg-detector-sft и загружается напрямую через Transformers. Модель предназначена для обнаружения дефектов на изображениях и структурированного описания результатов. При обучении использовалась составная награда, учитывающая DIoU, сходство описаний и точность определения важности дефектов. Репозиторий распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

aBagOfChips — слитая модель на основе Kitsch-In-Sync v2 и GoodLife, опубликованная Yntec. Она предназначена для генерации изображений по текстовым запросам, в частности иллюстраций упаковок чипсов и рекламных сцен с ними. В карточке приведены примеры упаковок с картофельными чипсами, пиццей, компьютерными чипами и бургерной тематикой. Модель работает через StableDiffusionPipeline из библиотеки diffusers; веса доступны в форматах Diffusers и Safetensors. Для использования указана лицензия CreativeML OpenRAIL-M. Размер модели, контекст и поддерживаемые языки в предоставленных данных не описаны.

BBox-Mask-Pose (BMP) — набор моделей и метод, разработанный Мirosлавом Пуркрабеком, Константином Коломиетсом и Иржи Матасом. Он связывает обнаружение людей, оценку позы и сегментацию экземпляров в цикл, где задачи взаимно уточняют результаты. В репозитории представлены варианты ViTPose, MaskPose, PMPose и дообученный RTMDet; модельная карточка указывает задачу обнаружения ключевых точек. Модели предназначены для оценки позы нескольких людей на изображениях, в том числе в плотных и перекрывающихся сценах. MaskPose и PMPose используют RGB-изображение и маски сегментации экземпляров; RTMDet предсказывает рамки, маски и классы объектов. Варианты ViTPose и MaskPose используют backbone ViT-B и многослойный декодер; результаты позы представлены тепловыми картами или картами вероятностей ключевых точек. Метод обучался или оценивался на COCO, AIC, MPII и OCHuman. Это компьютерное зрение, поэтому естественный язык не требуется. Лицензия — GPL-3.0. Подход с масками вместо рамок рассчитан на сцены с большим числом людей и может повысить качество оценки позы при перекрытиях. Вход MaskPose и PMPose включает предварительно оценённую сегментацию, поэтому результат зависит от качества масок; README не сообщает количественных метрик или требований к оборудованию.

DensFiLM — модель видео-салиентности для сцен с толпами, разработанная Анисом Ур Рахманом из CSC – IT Center for Science Ltd. Она основана на Video Swin Transformer Swin3D-S и использует FiLM-слой, который учитывает категорию плотности толпы для перенастройки пространственно-временных признаков. Модель принимает клипы из 8 последовательных кадров размером 224×384 и выделяет области, на которые люди с большей вероятностью будут смотреть. Модель предназначена для анализа зрительного внимания в разреженных, плотных и перегруженных толпах; сигнал плотности может вычисляться самой моделью, поэтому отдельная разметка плотности при применении не требуется. В тесте CrowdFix авторы сообщают улучшение NSS и CC по сравнению с опубликованным результатом ACL-Net. Веса обучены на 3 189 клипах CrowdFix с основой, предварительно обученной на Kinetics-400; дополнительные FiLM-слои, эмбеддинг плотности и декодер добавляют около 100 тысяч параметров. Проверка проводилась только на CrowdFix. Перенос на другие наборы данных и обычные видеосцены не проверен; при оценке с удалением общего центрального смещения качество снижается, что указывает на сохранение компонента центрального приора. Репозиторий распространяется по лицензии MIT.

Marigold Normals v1-1 — модель Bingxin Ke, Kevin Qu и соавторов для оценки нормалей поверхности по одному изображению. Она использует генеративную латентную диффузионную архитектуру и дообучена на базе stable-diffusion-2. Модель предназначена для анализа изображений без дополнительных данных о сцене и может применяться через библиотеку diffusers. На выходе модель строит карту нормалей — трёхмерные единичные векторы в экранной системе координат камеры. При ансамблировании более двух предсказаний также формируется карта неопределённости. Хотя допускается обработка изображений произвольного разрешения, для лучших результатов рекомендуется масштабировать длинную сторону примерно до 768 пикселей. Модель рассчитана на DDIM и от 1 до 50 шагов денойзинга. Лицензия — CreativeML Open RAIL++-M.

RynnBrain 1.1-2B — мультимодальная модель для embodied AI, разработанная Alibaba DAMO Academy и дообученная на базе Qwen/Qwen3.5-2B. Она принимает изображения и текстовые запросы, а также поддерживает понимание видео и пространственных сцен; выдаёт текстовые ответы и описания, включая результаты локализации объектов. В карточке указана архитектура Qwen3.5 dense с 2 млрд параметров, библиотека Transformers и формат весов safetensors. Модель предназначена для пространственного и объектного понимания, визуального заземления инструкций, рассуждений и планирования в сценах для embodied-систем. Примеры задач из README включают определение категорий, атрибутов и отношений объектов, подсчёт и локализацию объектов по запросу на изображении или видео. Семейство RynnBrain 1.1 также включает отдельную VLA-систему для управления роботами; README не утверждает, что данный чекпойнт 2B сам выдаёт команды управления. Модель ориентирована на английский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Длина контекста и количественные результаты именно этого чекпойнта в предоставленных материалах не приведены.

Sapiens2-0.8B-Surface — модель Meta для оценки нормалей поверхности на изображениях людей. Она построена на Vision Transformer Sapiens2 и дообучена на базе facebook/sapiens2-pretrain-0.8b; архитектура включает специализированную голову оценки нормалей. Модель содержит около 838,9 млн параметров и распространяется в формате safetensors. Для каждого пикселя изображения модель предсказывает единичный трёхмерный вектор нормали в системе координат камеры. Она предназначена для человекоцентрического компьютерного зрения и исследований, связанных с геометрией поверхности людей. Для работы используется библиотека Sapiens2. Модель распространяется по лицензии Sapiens2 License; подробные условия следует сверять с текстом лицензии в репозитории.

Это конвертированная в формат MLX модель Meta Sapiens2 для оценки нормалей поверхности на человеко-ориентированных изображениях. Она предсказывает направление нормали для каждого пикселя и выдаёт плотную карту, соответствующую разрешению входного изображения. Модель содержит 1,5 млрд параметров; веса представлены в bfloat16, а проекции q/k/v объединены в тензоры wqkv для совместимости с реализацией Sapiens2 в mlx-vlm. Модель предназначена для анализа геометрии поверхности человека на изображении, например для построения карт нормалей в задачах компьютерного зрения и графики. Для работы используется библиотека MLX и пакет mlx-vlm. Это производная от facebook/sapiens2-normal-1b модель; README отсылает к карточке исходной модели за сведениями о назначении и лицензии, а метаданные указывают лицензию other.