IV.1Ритейл, электронная коммерция и fashion-tech

Sapiens2-0.4B-Pointmap — модель Meta на архитектуре Vision Transformer, дообученная на базе facebook/sapiens2-pretrain-0.4b для оценки плотной 3D-карты точек по изображению. Для каждого пикселя она предсказывает координаты x, y и z в системе камеры. Модель предназначена для анализа геометрии человека на изображениях и исследований в области человекоцентричного компьютерного зрения. Модель содержит около 402,7 млн параметров; репозиторий предоставляет веса в формате safetensors. Лицензия указана как Sapiens2 License в README и как other в метаданных Hugging Face.

Sapiens2-1B-Pointmap — модель Meta для оценки трёхмерной геометрии людей по изображениям. Она принимает изображение и предсказывает для каждого пикселя координаты x, y, z в системе камеры, формируя pointmap. Модель предназначена для анализа изображений с людьми и исследований в области человеко-ориентированного компьютерного зрения. В основе — Vision Transformer Sapiens2 с головой оценки pointmap; чекпойнт дообучен на предварительно обученной модели facebook/sapiens2-pretrain-1b. Размер модели составляет около 1,5 млрд параметров, веса доступны в формате safetensors. Для работы требуется код проекта Sapiens2 и соответствующий чекпойнт. В метаданных указана лицензия other, а README называет её Sapiens2 License; условия использования следует сверять с текстом этой лицензии. Модель ориентирована на изображения людей, поэтому её назначение не охватывает универсальную оценку глубины для произвольных сцен.

Это дообученная модель на базе hfl/chinese-bert-wwm, опубликованная пользователем agdsga. В метаданных указаны архитектура BERT с головой BertLMHeadModel, 129,5 млн параметров и контекст до 512 токенов. Модель предназначена для генерации текста; карточка называет её дообученной для product, но не описывает конкретные сценарии применения или обучающие данные. Модель принимает текст и выдаёт текст. В карточке указана лицензия Apache-2.0. Оценка Loss 0.0000 приведена без подробностей об оценочном наборе, поэтому по ней нельзя судить о качестве модели; также README не раскрывает известные ограничения.

Depth Anything V2 Base — модель для оценки относительной глубины по одному изображению, разработанная авторами семейства Depth Anything. Она обучена на 595 тысячах синтетических изображений с разметкой и более чем 62 миллионах реальных изображений без разметки. Модель предназначена для монокулярной оценки глубины: она определяет относительное расположение объектов и поверхностей на сцене по визуальным признакам. По сравнению с Depth Anything V1 модель лучше сохраняет мелкие детали и устойчивее работает на разных изображениях; авторы также отмечают преимущество в скорости и компактности перед подходами на основе Stable Diffusion. Репозиторий содержит веса PyTorch и библиотеку depth-anything-v2. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

PixVL-bestcap-m2tfb — публичный экспорт модели семейства PixVL, основанной на Qwen3-VL-4B-SAMTok. В репозитории размещён полный экспорт Hugging Face в формате Safetensors; архитектура — Qwen3VLForConditionalGeneration, библиотека — Transformers. Модель предназначена для сегментации изображений. Карточка описывает её как исследовательский релиз и не приводит дополнительных сценариев применения или результатов оценки. Модель унаследовала лицензию и ограничения использования базовой модели; в метаданных указана лицензия MIT.

Sapiens2-0.4B-Surface — модель Meta для оценки нормалей поверхности на изображениях с людьми. Она построена на основе предварительно обученного бэкбона Sapiens2-0.4B и использует Vision Transformer с отдельной головой для оценки нормалей; для каждого пикселя выдаёт трёхмерный единичный вектор в системе координат камеры. В модели около 402,7 млн параметров, веса доступны в формате safetensors. Модель предназначена для анализа геометрии человека на изображениях и исследований в области человекоцентричного компьютерного зрения. Для использования требуется программный репозиторий Sapiens2. Модель распространяется по лицензии Sapiens2; в метаданных Hugging Face лицензия обозначена как other.

DepthMaster — модель для оценки глубины по одному изображению, разработанная авторами из University of Science and Technology of China и vivo Mobile Communication Co., Ltd. Это дообученная на базе стабильной диффузионной модели Stable Diffusion 2 система, которая использует генеративные признаки диффузионной модели для дискриминативной задачи монокулярной оценки глубины и выполняет предсказание за один шаг. В архитектуре применяются модуль выравнивания признаков, предназначенный для снижения переобучения на текстурах, и модуль Fourier Enhancement для уточнения мелких деталей. Авторы заявляют высокие результаты zero-shot на разных наборах данных и улучшенное сохранение деталей. Модель подходит для получения карты глубины из одиночного изображения в компьютерном зрении и мобильных сценариях. Репозиторий использует Diffusers и формат safetensors; лицензия — Apache 2.0.

Карточка модели faxoi/llama-3.2-3b-price-engine-Rev2 на Hugging Face совпадает с карточкой faxoi/llama-3.2-3b-price-engine-Rev1, поэтому описание составлено по ней. Модель faxoi/llama-3.2-3b-price-engine-Rev1 — дообученная faxoi языковая модель семейства Llama 3.2 с архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она создана на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit и предназначена для генерации текста в формате диалога; название указывает на ценовую тематику, но карточка не описывает специальные функции или подтверждённые сценарии работы с ценами. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет заявленный контекст длиной до 131 072 токенов. В репозитории указаны веса safetensors; базовая модель использует 4-битное представление bnb. Лицензия — Apache-2.0. Карточка не содержит результатов оценки качества и подробностей обучающих данных, поэтому пригодность для конкретных ценовых задач следует проверять на собственных примерах.

Marigold Intrinsic Image Decomposition Lighting v1-1 — модель Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler для разложения одного изображения на внутренние компоненты освещения и отражения. Она дообучена на базе stable-diffusion-2 и доступна для работы через библиотеку diffusers. Модель принимает изображение в цветовом пространстве sRGB и оценивает альбедо, диффузное затенение и недиффузный остаток, соответствующие разложению I = A*S+R. Выходные компоненты представлены в линейном цветовом пространстве. Поддерживается обработка изображений разного размера, но эффективное разрешение базовой модели составляет около 768 пикселей; для крупных изображений рекомендуется уменьшить длинную сторону до этого размера. Модель рассчитана на DDIM с 1–50 шагами денойзинга; карты неопределённости формируются при ансамблировании более двух предсказаний. Модель предназначена для анализа освещения и внешнего вида объектов по одиночному изображению, включая компьютерное зрение и обработку изображений. Лицензия CreativeML Open RAIL++-M.

Sapiens2-0.8B-Pointmap — модель Meta для оценки плотной 3D-карты точек по изображению. Она строит для каждого пикселя координаты x, y и z в системе камеры, что позволяет анализировать пространственную структуру людей на изображении. Модель предназначена для человекоцентрического компьютерного зрения и исследований в этой области. Архитектура включает основу Sapiens2 Vision Transformer и голову оценки pointmap; в репозитории указано около 838,9 млн параметров. Модель дообучена на основе facebook/sapiens2-pretrain-0.8b и распространяется в формате safetensors. Для использования требуется изображение, а результатом является плотная 3D-карта точек. Лицензия указана как Sapiens2 License; метаданные классифицируют её как other.

Depth Pro — модель Apple для оценки метрической глубины по одному изображению. Она предсказывает абсолютную глубину без необходимости передавать параметры камеры, включая её внутренние параметры, и формирует детализированные карты глубины с чёткими границами объектов. Модель использует эффективный Vision Transformer с несколькими масштабами для плотного предсказания. По данным карточки, она строит карту глубины размером 2,25 мегапикселя примерно за 0,3 секунды на стандартном GPU и также оценивает фокусное расстояние по одиночному изображению. Опубликованный чекпойнт переобучен для эталонной реализации: его качество близко к результатам статьи, но не полностью им соответствует. Модель предназначена для оценки глубины в изображениях и исследовательских или прикладных задач компьютерного зрения. Карточка не описывает поддержку видео или нескольких изображений. Репозиторий распространяется по лицензии apple-amlr.

DUSt3R_ViTLarge_BaseDecoder_512_dpt — модель компьютерного зрения из проекта DUSt3R, предназначенная для восстановления трёхмерной геометрии по изображениям. Вариант использует энкодер ViT-L, декодер ViT-B и голову DPT; в карточке приведены обучающие разрешения от 512×160 до 512×384. Модель распространяется в формате safetensors и используется через библиотеку dust3r. Её применяют для получения 3D-представления сцены по изображениям, в том числе при работе с несколькими видами. Карточка не сообщает отдельные языковые возможности, лицензию или подробные ограничения качества, поэтому эти характеристики здесь не уточняются.

DynaFLIP-base — модель семейства DynaFLIP, представленная в работе «DynaFLIP: Rethinking Robotics Perception via Tri-Modal-Dynamics Guided Representation». Она предназначена для классификации изображений по текстовым описаниям без предварительного обучения на заданном наборе классов и может использоваться для оценки соответствия изображения предложенным категориям. Модель разработана авторами исследования DynaFLIP. Модель реализована как плотная архитектура DynaFLIP и распространяется в формате safetensors; для работы совместима с Transformers. Лицензия — Apache-2.0. Карточка не содержит сведений о размере, контексте или поддерживаемых языках.

Это модель LayoutFIDNetV3 от организации Creative Graphic Design Lab на Hugging Face. Она предназначена для извлечения признаков из изображений макетов и может использоваться как компонент оценки или сравнения визуальных композиций. В репозитории указано около 3,7 млн параметров, архитектура LayoutFIDNetV3 и формат Safetensors; для загрузки показан конвейер image-feature-extraction в Transformers с trust_remote_code. Карточка не сообщает обучающие данные, языки, лицензию, метрики качества или подробные ограничения, поэтому переносимость результатов на другие типы изображений не подтверждена.

Lotus Depth G v2.1 Disparity — модель из семейства Lotus, разработанного Jing He и соавторами для плотного предсказания визуальных характеристик. Она предназначена для оценки глубины по изображению и выдаёт карту глубины. По сравнению с версией jingheya/lotus-depth-g-v2-0-disparity модель обучалась с аугментацией случайным отражением изображения и, согласно карточке, показывает лучшие результаты. Модель доступна в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. В карточке не приведены размер модели, длина контекста или перечень поддерживаемых языков; для оценки глубины языковой ввод не требуется.

loongyy/sdar-8b-webshop-distill-lc-all-trajectory-gs300 — контрольная точка SDAR-8B, созданная методом дистилляции траекторий для сценария WebShop; README указывает шаг обучения global_step_300 и исходный эксперимент dllm_webshop_sdar_8b_distill_lc_all_trajectory_distill_lc_block_traj_mc4_5789_20260820_084256. Модель представляет собой плотную языковую архитектуру SDARForCausalLM размером 7,6 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговых сценариях WebShop. В обучении использовался алгоритм LowConfidence и curriculum-шум для траекторий всех блоков с размером блока 4. Для загрузки требуется trust_remote_code. Лицензия указана как other, поэтому конкретные условия использования следует уточнять по материалам репозитория.

SenseNova-U1-8B-SI800K-SFT — мультимодальная модель SenseNova с архитектурой NEO-unify и языковой ветвью NEOChatModel, дообученная на SenseNova-SI-800K для пространственного понимания изображений. В наборе обучения указаны 832 тыс. примеров с изображениями и текстом о глубине, расстоянии, размере, относительном положении и пространственных отношениях между несколькими видами. Дообучалась только ветвь понимания; ветвь генерации изображений унаследована от базовой модели без изменений. Модель подходит для визуальных диалогов и ответов на вопросы о пространственных свойствах объектов и сцен. Базовая модель содержит 8 млрд параметров и поддерживает понимание и генерацию текста и изображений; для загрузки требуется пользовательский код NEOChatModel через Transformers с параметром trust_remote_code=True. Лицензия — Apache-2.0.

Politus/small_home_appliances — модель классификации текста, опубликованная организацией Politus Analytics на Hugging Face. Politus Analytics описывает себя как проект, анализирующий данные социальных сетей и предоставляющий аналитические сведения для принятия решений. Модель предназначена для задач текстовой классификации, связанных с категорией малой бытовой техники. В доступных данных указано, что её размер составляет около 0,2 млрд параметров. Архитектура, поддерживаемые языки, модальности, размер контекста, наборы данных, результаты оценки, ограничения и точная область применения не раскрыты. Лицензия и условия использования в доступной карточке модели не указаны. Поэтому нельзя надёжно определить её сильные стороны, применимость к конкретным сценариям или ограничения качества.

DUSt3R_ViTLarge_BaseDecoder_224_linear — модель геометрического 3D-зрения из проекта DUSt3R, предназначенная для восстановления трёхмерной структуры по изображениям. Репозиторий опубликован naver и использует библиотеку dust3r; веса доступны в формате safetensors. Модель построена на асимметричной архитектуре DUSt3R: энкодер ViT-L, декодер ViT-B и линейная голова. Указанное разрешение обучения — 224×224. Модель предназначена для задач преобразования изображений в 3D-представление; README приводит способ загрузки через класс AsymmetricCroCo3DStereo. Карточка не описывает языковые возможности, точный формат 3D-выхода или практические ограничения качества, поэтому они здесь не уточняются. Условия лицензирования в предоставленных данных не приведены.

flavianv дообучил Qwen3-4B на 5 023 положительных примерах с названиями товаров H&M. Это плотная авторегрессионная языковая модель на 3,7 млрд параметров с архитектурой Qwen3ForCausalLM; полные веса дообучены, это не LoRA-адаптер и не модель с ранжирующей головой. Модель предназначена для генерации JSON-массивов названий товаров по запросам о подборках товаров H&M. Контекст составляет 40 960 токенов; для запуска рекомендуются Transformers, сохранённый шаблон чата, отключённый режим рассуждений и BF16. В опубликованной разработчиком оценке на 100 отложенных запросах модель нашла хотя бы одно совпадение с эталонной подборкой в 19 запросах из 100; точное восстановление товаров остаётся ограниченным. Это развитие для исследования рекомендаций товаров, а оценка использовала многократно проверявшуюся выборку разработки и не является независимым тестом. Условия лицензии в предоставленных данных не указаны.

Модель dima806/skin_types_image_detection разработана на основе Vision Transformer google/vit-base-patch16-224-in21k и дообучена для классификации типов кожи по фотографии лица. Она относит изображение к одному из трёх классов: сухая, нормальная или жирная кожа; архитектура ViTForImageClassification содержит 113,2 млн параметров. Модель предназначена для автоматической предварительной оценки типа кожи по портретному изображению, например, как часть приложения или сервиса по уходу за кожей. В отчёте на 1529 примерах указана точность 65,34%; качество различается между классами, поэтому результат следует считать ориентировочным. Модель принимает изображения и выдаёт метку класса. Репозиторий распространяется по лицензии Apache-2.0. В README не приведены сведения о происхождении и репрезентативности данных, поэтому точность на других типах изображений и условиях съёмки может отличаться.

Perceptron Mk1.5 — модель восприятия Perceptron, предназначенная для физических агентов. Она принимает текст, изображения, видео и аудио и отвечает текстом, при необходимости добавляя структурированные аннотации: точки, рамки, полигоны и клипы. Это позволяет использовать модель для анализа мультимодальных входных данных и передачи результатов в структурированном виде.

Rainier-VL-2B-MTP — компактная мультимодальная модель Denali Advanced Integration Physical AI Team для визуального контроля промышленных изделий. Она принимает изображение и короткую инструкцию и возвращает вердикт о дефекте с вероятностью, маски сегментации, ограничивающие рамки, карту вероятности дефектов или краткое описание. Модель содержит около 2,094 млрд уникальных параметров, использует визуальный энкодер SigLIP-SO400M с разрешением 384 пикселя и архитектуру OrthoZamVL с гибридной state-space языковой частью и проектором OrthoBernstein. Для работы на видеопотоке заявлена постоянная стоимость обработки кадра; предусмотрено ускорение коротких ответов с помощью multi-token prediction. Модель предназначена для производственных линий, проверки возвратов и других сценариев инспекции на периферийных GPU, включая устройства с 8 ГБ видеопамяти. В README приведены результаты обнаружения дефектов на VisA, BSData и BTAD, а также показатели IoU для нескольких голов сегментации. Лицензия — Apache-2.0. Модель обычно обнаруживает дефекты размером менее 10 пикселей, но может не локализовать их; для этого рекомендуется более крупный план или увеличение. Кэширование сцен может возвращать прежний результат для статичного изображения до пяти запросов, поэтому для пересчёта каждого кадра предусмотрен тег [fresh]. Вердикты «да/нет» не откалиброваны для новых производственных линий; сервер обрабатывает запросы последовательно на одном GPU.

SpaceThinker-Qwen2.5VL-3B — мультимодальная модель для визуальных вопросов и пространственного рассуждения, разработанная remyxai. Она основана на UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B и использует семейство Qwen2.5-VL; обучение связано с набором данных remyxai/SpaceThinker. Модель предназначена для анализа изображений, определения пространственных отношений, ориентации, положения и свойств объектов, оценки глубины и расстояний, подсчёта объектов, локализации и задач, связанных с робототехникой и embodied AI. Указан английский язык, поддерживается мультимодальный сценарий image-text-to-text и библиотека Transformers. Размер модели — 3B параметров согласно идентификатору и базовой модели. Точные сведения о внутренней архитектуре, размере контекста и полном наборе поддерживаемых модальностей в README не приведены. Модель демонстрирует неоднородные результаты на пространственных бенчмарках: сильнее проявляет себя в некоторых задачах ориентации, 3D-отслеживания, локализации и пространственных отношений, но заметно слабее — в абсолютной оценке глубины и расстояния, определении размеров, 2D-локализации и сопоставлении точек. В README приведены показатели успешности на Q-Spatial-Bench, 3DSRBench, BLINK, MMIU, MMVP, QSpatialBench-Plus, QSpatialBench-ScanNet, RealWorldQA, SpatialSense, VGBench и VSI-Bench_8. Модель распространяется по лицензии qwen-research; ссылка ведёт на лицензию Qwen2.5-VL-3B-Instruct. Заявленные результаты зависят от конкретного набора данных и категории задачи, поэтому их следует рассматривать как ориентир, а не универсальную оценку качества.

Coda LLM — дообученная на базе IBM Granite-4.2-8B языковая модель от автора mohameddalii для продаж и голосовых агентов в Саудовской Аравии. Модель с архитектурой GraniteForCausalLM содержит 8,4 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. README описывает генерацию ответов на разговорном надждийском диалекте арабского языка с диакритикой, пригодной для передачи в синтезатор речи, а также вызов инструментов в сценариях продаж. Модель предназначена для телефонных продаж, выявления потребностей и квалификации клиентов, обработки возражений и ведения диалога с клиентами. В примерах инструментов указаны поиск товаров, расчёт предложения, запись на встречу, оформление подписки и проверка статуса заказа. README также заявляет об отказе от нерелевантных вызовов инструментов и соблюдении просьбы клиента прекратить продажи. В README приведены результаты внутреннего набора из 27 сценариев, включая 100% для вызовов инструментов и отказа от нерелевантных вызовов, а также 88% для задач рассуждения; это результаты авторской оценки. Модель выдаёт текст, в том числе структурированные вызовы инструментов, но сама по себе не принимает аудио и не синтезирует речь. Репозиторий распространяется по лицензии Apache-2.0.

ifoodie-classifier-v8 — модель классификации изображений, опубликованная пользователем sainteye на Hugging Face. По метаданным, она построена на архитектуре Vision Transformer (ViT) и содержит около 113,2 млн параметров; основная задача — присваивать изображениям классы. Название указывает на область еды и кулинарии, однако доступные источники не уточняют набор классов и датасет, поэтому конкретные типы распознаваемых блюд подтвердить нельзя. Модель принимает изображения и выдаёт метки классов. Сведения о лицензии и языковой поддержке не подтверждены использованными источниками.

beauty-mix — дообученная модель Qwen3-4B, опубликованная пользователем abdoul-rz. В карточке указано, что для дообучения использован набор данных beauty-mix; подробности о его составе и обучении не приведены. Это плотная причинно-следственная языковая модель с 3,7 млрд параметров, предназначенная для генерации текста в диалоговом формате. Заявленная длина контекста — 262 144 токена. Модель работает через библиотеку Transformers и распространяется в формате safetensors. Базовая Qwen3-4B поддерживает диалоги, рассуждения, генерацию кода и многоязычные задачи, однако карточка beauty-mix не уточняет, какие именно сценарии из этого набора возможностей сохранены или улучшены дообучением. Лицензия указана как other, без дополнительных условий в карточке.

LiheYoung/depth_anything_vitl14 — большая модель Depth Anything для оценки глубины по изображению, представленная авторами работы «Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data». Она предназначена для получения карты относительной глубины из входного изображения и может использоваться в задачах компьютерного зрения, где важно оценить пространственное расположение объектов и поверхностей. Модель решает задачу depth-estimation; в метаданных указан формат PyTorch. README ссылается на исследовательскую работу, демонстрацию и страницу проекта. Лицензия, размер модели и конкретные ограничения в доступных сведениях не приведены.

Marigold Normals LCM v0-1 — модель Bingxin Ke, Kevin Qu, Tianfu Wang и соавторов для оценки карты нормалей поверхности по одному изображению. Это генеративная модель на основе латентной диффузии, дообученная на Marigold Normals v0-1 методом дистилляции latent consistency. Модель предназначена для монокулярной оценки нормалей в задачах компьютерного зрения. Она выдаёт карту нормалей — трёхмерные единичные векторы в экранном пространстве камеры. При ансамблировании более двух предсказаний также формируется карта неопределённости. Для работы рекомендуется планировщик LCM с 1–4 шагами денойзинга; для оптимальных результатов изображение следует масштабировать так, чтобы его длинная сторона составляла около 768 пикселей. Репозиторий использует Diffusers, PyTorch и safetensors. Модель устарела: авторы рекомендуют вместо неё Marigold Normals v1-1. Лицензия — Apache 2.0.

SegFormer — модель сегментации изображений на базе nvidia/mit-b1, дообученная пользователем kasumi222 на наборе данных kasumi222/busigt5. Она предназначена для семантической сегментации изображений: модель присваивает метки областям изображения. В README приведены результаты на оценочной выборке: mean IoU 0,4458, mean accuracy 0,6980 и overall accuracy 0,6969. Для отдельных категорий указаны IoU 0,6551 и 0,6821; назначение категорий в карточке не раскрыто. Репозиторий содержит веса PyTorch и обозначает лицензию как other. Метрики относятся только к описанной оценочной выборке и не гарантируют качество на других данных.