IV.1Ритейл, электронная коммерция и fashion-tech

Cosmos-Reason2-2B-GGUF — набор GGUF-квантизаций модели NVIDIA Cosmos Reason 2, опубликованный apolo13x на основе nvidia/Cosmos-Reason2-2B. Модель предназначена для задач physical AI и робототехники: анализа изображений и видео, пространственно-временного рассуждения, курирования данных, планирования действий роботов, обнаружения объектов, определения 2D- и 3D-точек локализации и работы с ограничивающими рамками. Она также понимает базовые законы физики и пространственные взаимосвязи. Это мультимодальная vision-language model с примерно 2 млрд параметров, дообученная на базе Qwen3-VL-2B-Instruct. Заявлена поддержка контекста до 256K входных токенов и английского языка. Модель поставляется в форматах F16, Q8_0 и Q4_K_M для запуска через llama.cpp и совместимые инструменты; F16-версия занимает около 3,8 ГБ, Q8_0 — 2,1 ГБ, Q4_K_M — 1,2 ГБ. Визуальный энкодер mmproj сохраняется в точности F16 и занимает около 782 МБ. Сильными сторонами являются мультимодальный анализ, работа с видео, физическое и пространственно-временное рассуждение, а также возможность выбора между несколькими уровнями квантизации для баланса качества и требований к памяти. Ограничения включают сравнительно небольшой размер в 2 млрд параметров и зависимость от совместимого ПО для запуска GGUF; конкретные показатели качества и поддерживаемые аппаратные конфигурации в карточке не указаны. Модель распространяется по NVIDIA Open Model License.

DA3-SMALL — компактная модель ByteDance Seed Team из серии Depth Anything 3 для оценки глубины по изображениям и восстановления геометрии сцены по нескольким видам. Она использует Vision Transformer с единой глубинно-лучевой репрезентацией; размер модели — около 0,08 млрд параметров. Модель поддерживает относительную оценку глубины, оценку позы камеры и использование позы в качестве условия. Модель предназначена для задач компьютерного зрения, включая монокулярную и многовидовую оценку глубины, а также оценку позы камеры. В README заявлено преимущество над Depth Anything 2 в монокулярной оценке глубины и над VGGT в многовидовой оценке и оценке позы; конкретные результаты зависят от данных и условий съёмки. Обучение проводилось на открытых академических наборах данных. Весы опубликованы в формате Safetensors по лицензии Apache 2.0. Ограничения возможны на специализированных изображениях; качество также зависит от чёткости изображения, освещения и сложности сцены.

Nail Set Diffusion — дообученная модель Stable Diffusion, созданная Weekend и Hyacinth для генерации изображений дизайна ногтей по текстовым описаниям. Для получения характерного эффекта авторы рекомендуют добавлять в запрос токен {Nail Set}; можно задавать тему, стиль и цветовую гамму маникюра. Модель обучена на наборе изображений nail sets с подписями, созданными CLIP Interrogator, примерно в течение 10 000 шагов с помощью EveryDream Finetune Script. Она использует формат Diffusers и PyTorch. Лицензия — OpenRAIL.

Kelnux/Qwen3-0.6B-seo-finetuned — дообученная Kelnux модель на базе Qwen/Qwen3-0.6B, предназначенная для генерации текста и ответов по поисковой оптимизации. Она охватывает техническое SEO, внутреннюю и внешнюю оптимизацию страниц, построение ссылок и качество контента, включая robots.txt, карты сайта, Core Web Vitals, канонические URL, микроразметку, ключевые слова, метатеги и принципы E-E-A-T. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 507,9 млн параметров. Максимальная длина контекста — 40 960 токенов; карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей об ограничениях; ответы по SEO стоит проверять, особенно при принятии решений, зависящих от актуальных рекомендаций поисковых систем.

Модель snap-plate-rim-marker-dfine-v7 разработана aguxez и представляет собой дообученную модель обнаружения объектов на архитектуре D-FINE, сохранённую в формате safetensors. Она предназначена для поиска и локализации ободка тарелки на изображениях; обучена на наборе aguxez/snap-plate-rim-marker-v6, а базой послужила aguxez/snap-plate-stack-instance-dfine-v5. В README приведены результаты оценки: mAP 0,213 и mAP@50 0,5137; качество зависит от порога оценки и характеристик изображения. Модель принимает изображения и выдаёт рамки обнаруженных объектов с меткой Plate Rim. Лицензия — Apache-2.0.

SynthPose — вариант модели оценки позы человека на основе ViTPose Huge, предложенный авторами работы OpenCapBench: Yoni Gozlan, Antoine Falisse, Scott Uhlrich, Anthony Gatti, Michael Black и Akshay Chaudhari; модель на Hugging Face подготовил Yoni Gozlan. Она дообучена на синтетических данных для предсказания плотного набора 2D ключевых точек, подходящего для кинематического анализа и биомеханики. Модель принимает изображения и определяет 52 точки тела: 17 ключевых точек COCO и 35 анатомических маркеров, характерных для систем захвата движения. Её можно применять для извлечения координат тела из изображений и подготовки данных для анализа движения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Качество оценки может зависеть от ракурса, видимости человека и условий изображения; выход представляет 2D точки и сам по себе не является полноценной 3D реконструкцией или биомеханическим анализом.

Модель dima806/fruit_100_types_image_detection — дообученный Vision Transformer для классификации изображений фруктов. Она определяет тип фрукта на входном изображении и, согласно карточке, достигает точности около 85%. Модель основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель подходит для распознавания фруктов на фотографиях и сортировки изображений по типам. Она принимает изображения и выдаёт метку класса. Карточка не описывает языковые возможности, поэтому текстовые языки не указаны. Модель распространяется по лицензии Apache-2.0.

InternRobotics G2VLM-2B-MoT — мультимодальная модель для понимания изображений и пространственных задач, объединяющая геометрическое восприятие для 3D-реконструкции с семантическим восприятием для мультимодального понимания и пространственных рассуждений. Для ответов на пространственные вопросы модель может предсказывать 3D-геометрию и чередовать её анализ с рассуждением на естественном языке. Модель дообучена на Qwen/Qwen2-VL-2B и использует плотную архитектуру Qwen2-VL с общим мультимодальным self-attention в блоках трансформера. В репозитории указаны 1,5 млрд параметров, контекст 32 768 токенов и веса в формате safetensors. Модель предназначена для запросов по изображениям, пространственного понимания и 3D-реконструкции; метаданные также отмечают поддержку чата и изображений. Карточка не описывает конкретные ограничения качества или сценарии отказа. Лицензия — Apache-2.0.

Это дообученная модель SegFormer B0, разработанная автором репозитория на базе nvidia/mit-b0 и обученная на датасете FoodSeg103. Она предназначена для семантической сегментации изображений еды: модель выделяет пиксели, относящиеся к фону и категориям продуктов и блюд, например мясу, овощам, фруктам и гарнирам. Модель принимает изображения и выдаёт карту сегментации. В карточке приведены результаты оценки: mean IoU 0,0515 и общая точность 0,2045; эти показатели указывают на низкое качество сегментации на указанной оценочной выборке. Для надёжного применения в реальных сценариях потребуется отдельная проверка и, вероятно, дообучение. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

UOPD-Qwen2.5-3B-Instruct-WebShop — дообученная чат-модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная Wenboz. Это финальный чекпойнт модели-ученика, обученной методом on-policy distillation на WebShop с замороженной моделью-учителем langfeng01/GiGPO-Qwen2.5-7B-Instruct-WebShop. Модель предназначена для генерации текста в сценариях взаимодействия с WebShop и выполнения задач агента в этом окружении. Модель использует плотную архитектуру Qwen2ForCausalLM и содержит 3,1 млрд параметров. Она принимает текст и выдаёт текст; нативная длина контекста — 32 768 токенов. Для загрузки указана библиотека Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

Это модель компьютерного зрения для бинарной классификации изображений пончиков и круассанов. Она обучена с помощью AutoTrain; архитектура Swin, размер — 58,7 млн параметров. Модель принимает изображение и предсказывает один из двух классов. В README указаны метрики на валидации: accuracy 0,994, precision и recall 0,995, AUC 1,000 и F1 0,995. Эти результаты относятся к валидационным данным и сами по себе не гарантируют такую же точность на новых изображениях. Модель распространяется в формате PyTorch; лицензия в доступных данных не указана.

Punith25/recon3d-resnet18 — модель компьютерного зрения на PyTorch для восстановления трёхмерного облака точек по одному силуэту объекта. Она использует ResNet-18 как энкодер и MLP-декодер, выдающий 2 048 точек в нормализованной системе координат. Модель дообучена на синтетических изображениях ShapeNet для шести категорий: самолёты, винтовки, скамейки, шкафы, стулья и столы. Модель предназначена для исследовательских экспериментов и демонстраций: на вход подаётся силуэт размером 224×224, объект должен быть примерно по центру, а результатом становится геометрическая форма без цвета и текстуры. Обучение с функцией Chamfer distance даёт лучшие результаты на категориях обучения, тогда как для новых категорий качество заметно снижается; тонкие детали и неоднозначность передней и задней сторон также могут приводить к ошибкам. Для фотографий требуется предварительно получить маску объекта. Метаданные указывают лицензию «other»; README не приводит конкретных условий лицензирования.

UOPD-Qwen2.5-1.5B-Instruct-WebShop — языковая модель Wenboz, дообученная методом on-policy distillation на WebShop с замороженной моделью-учителем langfeng01/GiGPO-Qwen2.5-7B-Instruct-WebShop. Это финальный чекпойнт ученика на базе Qwen/Qwen2.5-1.5B-Instruct, предназначенный для генерации текста и диалогового взаимодействия в сценариях WebShop. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и работает с контекстом до 32 768 токенов. Она принимает текст и выдаёт текст; в карточке заявлены библиотека Transformers и формат safetensors. README показывает загрузку через AutoModelForCausalLM с типом данных bfloat16 и автоматическим размещением на устройствах. Чекпойнт может использоваться для экспериментов и приложений, моделирующих взаимодействие с WebShop, например для выбора товаров по текстовому запросу. Карточка не описывает отдельный интерфейс инструментов или гарантии качества; возможности модели за пределами обучения на WebShop не подтверждены. Сведения о лицензии в предоставленных данных отсутствуют.

Модель DunnBC22/vit-base-patch16-224-in21k_vegetables_clf — классификатор изображений овощей, созданный автором DunnBC22 путём дообучения google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) с 113,2 млн параметров и предназначена для отнесения изображения к одному из классов овощей. Модель подходит для демонстрационных задач распознавания овощей на изображениях и построения простых систем визуальной сортировки. В README указаны идеальные метрики на оценочном наборе, однако состав и размер набора не раскрыты, поэтому эти результаты не гарантируют такую же точность на новых данных. Модель принимает изображения и выдаёт метки классов; сведения о языковой поддержке к задаче не применимы. Лицензия модели — Apache-2.0. README предупреждает, что использованные сторонние наборы данных могут иметь отдельные лицензии и ограничения использования.

Kyläkauppias — небольшая модель преобразования речи в речь, разработанная для роли помощника в финском продуктовом магазине. Она обучена с нуля, без базовой модели, и принимает аудио с заказом одного из трёх товаров: хлеба, сыра или ветчины. Модель распознаёт количества от одного до девяти и отвечает голосом; для обучения использовались синтетические финские текстовые и аудиопримеры, а в аудио добавлялись шум и паузы для повышения устойчивости. Репозиторий содержит формат ONNX, лицензия MIT. Это узкоспециализированная демонстрационная модель: она рассчитана только на ограниченный набор товаров и финские запросы.

3D-MOOD — модель компьютерного зрения, представленная авторами одноимённой исследовательской работы. Она обнаруживает объекты и оценивает их трёхмерные ограничивающие рамки по одному изображению, в том числе для новых категорий и сцен, отсутствовавших при обучении. Модель объединяет обнаружение объектов в 2D с подъёмом предсказаний в 3D и использует геометрические априорные данные для запросов объектов. Авторы сообщают о результатах на Omni3D, а также о проверке переноса на Argoverse 2 и ScanNet. Модель предназначена для сценариев, где нужны пространственные сведения об объектах по монокулярной камере, например для робототехники и AR/VR. Репозиторий содержит веса и код PyTorch; лицензия — Apache-2.0. В доступной карточке описан исследовательский метод и демонстрационный запуск, но не приведены сведения о производительности на конкретном оборудовании или о пригодности для автономного применения.

metadome/face_shape_classification — классификатор изображений формы лица, созданный с помощью HuggingPics. Модель предназначена для определения категории формы лица по изображению и может использоваться в демонстрационных приложениях классификации внешности. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров. Она принимает изображения и выдаёт результат классификации. Карточка не сообщает набор категорий, точность или условия лицензии, поэтому применимость модели за пределами демонстрационных сценариев оценить нельзя.

SpatioLM-Understanding-InternVL3.5 — официальная модель Xiaomi Research для пространственного рассуждения и понимания сцен по изображениям. Она дообучена на базе мультимодальной чат-модели InternVL3.5-8B и использует подключаемый пространственно-визуальный модуль, обученный на псевдоданных о глубине и лучах камеры. Дополнительные 3D-данные на входе во время работы не требуются. Модель предназначена для исследовательских задач физического пространственного интеллекта: анализа сцены и рассуждений о пространственных отношениях по изображению и текстовому запросу. Архитектура — плотная InternVL Chat; модель работает с изображениями и текстом, формат весов — safetensors. Для запуска нужна собственная реализация SpatioLM: стандартных классов Transformers Auto недостаточно. Ответы могут быть неточными; качество зависит от изображения, ракурса, предметной области сцены, формулировки запроса и стратегии выборки кадров. Модель не следует использовать как единственный источник для критически важных решений. Лицензия — Apache-2.0.

Wasl-1 — экспериментальная компактная авторегрессионная Transformer-модель организации Racore для рабочих сценариев интернет-торговли с оплатой при получении в Египте. Она реализована на PyTorch с собственной архитектурой SiyaqFamilyTransformer и содержит около 10,16 млн параметров. Модель обучалась с нуля на синтетических шаблонных текстах на египетском арабском; заявленная длина контекста — 262 144 токена. Задуманный сценарий — преобразовывать события заказа, описания адреса и сигналы общения с клиентом в структурированное состояние заказа с оценкой намерения получить доставку, уровнем риска возврата и маршрутом исполнения. Однако README подчёркивает, что надёжность такого вывода и прогнозирование возвратов в реальных условиях не подтверждены. В обучении используется усечение до 256 символов, которое может удалить целевое состояние целиком; кроме того, вход содержит готовую оценку, что может позволить модели копировать её вместо вывода по сигналам. Модель предназначена для экспериментов и прототипирования, а не для автономных решений о доставке или возвратах. Для экспорта используется PyTorch state dictionary и собственный словарь; совместимость с Transformers AutoModel и pipeline не заявлена. Лицензия — Apache-2.0.

glazzova/body_type — модель классификации изображений, дообученная автором на основе microsoft/resnet-50. Она анализирует фотографию мужчины и относит телосложение к одному из четырёх классов: «качок», «скуф», «дрищ» или «нормальный». Модель построена на ResNet-50 и распространяется в формате PyTorch для использования через библиотеку Transformers. Модель предназначена для классификации фотографий по типу телосложения. Для работы ей требуется изображение; результатом служит метка класса. Датасет, согласно карточке, содержит фотографии мужчин, поэтому применимость к другим группам людей не подтверждена. Лицензия репозитория — Apache-2.0.

Sommo 7B v1 — чат-модель для задач сомелье, дообученная разработчиком sinef на Qwen2.5-7B-Instruct. Она предназначена для ответов на вопросы о вине и помощи в выборе напитков. Модель использует плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит полные веса в формате safetensors с точностью bf16. Модель готова к запуску через Hugging Face Inference Endpoints, в том числе с TGI и vLLM. Лицензия — Apache-2.0. Карточка не сообщает о языках обучения и дополнительных ограничениях качества.

MetaGuard Ad Policy Agent v1 — экспериментальный агент для проверки рекламных объявлений на соответствие политикам в среде MetaGuard Ad Policy Sandbox. Разработан parth-1 и дообучен методом GRPO с использованием Unsloth и TRL. Это плотная Llama-модель с 7,5 млрд параметров, контекстом до 131 072 токенов и форматом весов Safetensors; метаданные указывают поддержку диалога и интерфейса вызова инструментов. Модель предназначена для сбора сигналов, анализа материалов и вынесения решений о применении мер к объявлениям. В оценке на четырёх задачах она не завершила ни одну задачу успешно, хотя средняя награда за шаг улучшилась после дообучения. Модель лицензирована по Apache-2.0.

PriceLab — модель для оценки исторической цены товаров по их англоязычным описаниям. Её разработал Gaurab Das на основе Qwen3-0.6B: модель дообучили методом QLoRA, затем объединили адаптер с базовыми весами в самостоятельный чекпойнт. Это плотная авторегрессионная модель с 507,9 млн параметров; репозиторий содержит веса safetensors, а метаданные указывают контекст до 40 960 токенов. Модель принимает описание товара на английском языке и генерирует оценку его исторической цены в целых долларах США. Она предназначена для учебных экспериментов и приблизительной исторической оценки, а не для поиска текущих предложений или определения актуальной рыночной стоимости. В тесте на 1 000 товарах улучшенная версия показала MAE $68,05; эти результаты получены для адаптера в FP16, тестовый набор уже использовался при экспериментах и не является нетронутой контрольной выборкой. Точность ограничена: только 24% записанных оценок попадали в пределах 20% от исторической цены, а для товаров стоимостью от $200 средняя абсолютная ошибка составляла $182,40. Модель может повторять одни и те же цены, а неполные характеристики, незнакомые категории, усечение входа и точность вычислений могут влиять на результат. Базовая модель Qwen распространяется по Apache-2.0; README не назначает лицензию подготовленным и исходным наборам данных.

Waiter-0.8B — модель Ömer Faruk ŞAHAN и Adisyonist AI, дообученная методом QLoRA на базе Qwen/Qwen3.5-0.8B для многоязычного диалога и маршрутизации запросов к функциям ресторанной POS-системы Adisyonist. Она принимает сообщения пользователя и формирует один JSON-объект с последовательностью вызываемых backend-функций в поле agents и текстом для пользователя в поле answer; для неприменимых запросов список agents может быть пустым. Модель предназначена для обработки заказов, столов, бронирований, запасов, персонала, меню и продаж. Обучение использовало 532 856 примеров на 43 языках; указаны QLoRA, 4-битная NF4-квантизация с двойной квантизацией и вычисления в BF16. На отложенной выборке автор сообщает точность выбора агента 99,40%, валидность JSON 99,41% и точное совпадение ответа 92,57%; эти метрики относятся к описанной тестовой выборке. Опубликована под лицензией Apache 2.0. Модель узкоспециализирована на сценариях Adisyonist POS и не рекомендуется как универсальный ассистент. Известны ошибки на границе между неподдерживаемыми запросами и пустым списком агентов, смешение категорий с отдельными товарами и близких аналитических функций, неоднозначность шаблонов сводки продаж, ошибки в цепочках для запросов с несколькими намерениями и редкие языковые сдвиги. Ответы ожидаются в JSON, поэтому она не подходит для сценариев, требующих обычного свободного текста без обработки формата.

LamaDiab/FinetuningMiniLM-V23Data-256ConstantBATCH-SemanticEngine — модель Sentence Transformers на базе BERT, дообученная авторами репозитория от LamaDiab/MiniLM-V23Data-256ConstantBATCH-SemanticEngine. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения текстов по смыслу, семантического поиска, поиска перефразировок, классификации и кластеризации. Для сравнения векторов используется косинусное сходство. В архитектуре применяются Transformer с усреднением токенных представлений и нормализацией выходного вектора. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекстное окно 512 токенов. Модель обучалась на примерах текстовых запросов и соответствующих категорий товаров; в README также приведён результат cosine accuracy 0,9648 на оценке TripletEvaluator. Модель принимает текст и выдаёт векторы, пригодные для ранжирования и поиска по близости. README не сообщает поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не указаны.

continuity-a4b-26b — дообученная модель GestaltLabs на базе Google Gemma 4 26B A4B IT для извлечения структурированных данных из веб-страниц. На вход она получает очищенное представление DOM-страницы и JSON Schema, а на выходе формирует соответствующий схеме JSON. Модель семейства Gemma 4 использует архитектуру MoE: около 3,8 млрд параметров активны при генерации из 25,2 млрд языковых параметров; вместе с визуальной башней размер составляет 26,3 млрд параметров. Доступна сборка bf16 размером 49 ГБ, поддерживается запуск через vLLM. Модель предназначена для пакетного и интерактивного извлечения карточек товаров, объявлений, статей, документов и записей каталогов. В тесте на 103 реальных страницах авторы сообщают строгий успех 0,8932 на очищенном представлении DOM и 0,9515 на HTML для варианта с LoRA; JSON проверяется на соответствие схеме после генерации. Модель обучалась и оценивалась на английских страницах. Длинные страницы требуют усечения или разбиения, а извлечение нескольких связанных сущностей в массивы объектов даётся сложнее. Рекомендуется жадное декодирование и проверка результата, особенно при использовании недоверенной схемы. Это не универсальная чат-модель и не предназначенная для критически важных решений. Применяются условия лицензии Gemma 4; в метаданных указана Apache-2.0.

Luong23/e5-finetune-embedding — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-base, созданная для преобразования предложений и абзацев в плотные текстовые эмбеддинги размерности 768. В архитектуре используются XLM-RoBERTa, mean pooling и нормализация; близость векторов можно оценивать косинусным сходством. По метаданным модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов, а карточка указывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучающие примеры состоят из пар anchor-positive; в карточке приведён пример поиска по вьетнамским товарным запросам и описаниям, поэтому она подходит для семантического поиска по каталогу на вьетнамском языке. Вход и выход — текст и его векторное представление. Языковая поддержка унаследована от многоязычной базовой модели; конкретный полный перечень языков в предоставленных данных не приведён. Лицензия в метаданных и README не указана.

soof выпустил дообученную на 41 454 примерах модель Sentence Transformers для сопоставления категорий по смыслу. Она основана на sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и использует архитектуру XLM-RoBERTa с mean pooling. Модель преобразует предложения и абзацы в плотные векторы размерностью 768; близость текстов можно оценивать косинусным сходством. Максимальная длина входной последовательности в README — 128 токенов, а метаданные указывают контекстное окно 514 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Базовая модель многоязычная, поэтому область применения не ограничена одним языком. Для использования нужны Sentence Transformers или совместимый движок эмбеддингов. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Qwen-Image-Edit-2509 — модель редактирования изображений от команды Qwen, выпущенная как сентябрьское обновление Qwen-Image-Edit. Она принимает текстовые инструкции и от одной до трёх входных картинок; поддерживает сочетания изображений людей, товаров и сцен, а также условия ControlNet, включая карты глубины, контуров и ключевых точек. Модель предназначена для редактирования изображений с сохранением важных деталей исходника. Она улучшает сохранение личности человека при смене позы и художественного стиля, помогает сохранять идентичность товара при создании постеров, а также позволяет менять текст на изображении, его шрифт, цвет и материал. Среди сценариев применения — создание мемов и постеров, восстановление старых фотографий и комбинирование нескольких изображений. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. Оптимальные результаты для многокартинного ввода заявлены для одного–трёх изображений; численные характеристики размера модели и длины контекста в предоставленных данных отсутствуют.

Caption-Pro — дообученная мультимодальная модель prithivMLmods для создания подробных описаний и структурированных аннотаций изображений. Она основана на Qwen/Qwen2-VL-2B-Instruct и использует архитектуру Qwen2-VL с примерно 1,5 млрд параметров; принимает изображения и текстовые запросы, а выдаёт текст, в том числе аннотации в формате JSON. Заявлены контекст до 32 768 токенов, поддержка диалогового режима и OCR для текста на нескольких языках, включая английский, китайский, японский, корейский и арабский. Модель предназначена для автоматического описания изображений, извлечения текста и подготовки структурированных данных для приложений, баз данных и конвейеров автоматизации. Карточка заявляет обучение на большом наборе аннотированных изображений, но не приводит подробностей датасетов или результатов оценивания. Модель распространяется по лицензии Apache-2.0.