IV.1Ритейл, электронная коммерция и fashion-tech

HierarCaps CLIP-L — модель CLIP ViT-L/14, дообученная на наборе HierarCaps автором репозитория malper в рамках работы «Emergent Visual-Semantic Hierarchies in Image-Text Representations» (ECCV 2024). Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для сопоставления изображений с категориями, учитывая их уровень специфичности. Модель сохраняет архитектуру CLIP-L/14 и улучшает иерархическую организацию пространства эмбеддингов изображений и текста. Модель принимает изображения и текстовые метки классов, а для классификации оценивает соответствие между ними. Для работы доступны веса PyTorch и интерфейс Transformers. В карточке указана лицензия MIT. Языковая специализация и длина контекста не заявлены; текстовые метки используются как часть задачи классификации.

Xenova предоставляет модель MODNet в формате ONNX для запуска через Transformers.js. Это модель сегментации изображений на основе архитектуры MODNet, предназначенная для отделения человека от фона на портретных изображениях без предварительно заданной тримапы и для маттинга в реальном времени. Репозиторий содержит формат ONNX и распространяется по лицензии Apache-2.0. Модель подходит для удаления фона на портретах и выделения силуэта человека в приложениях на JavaScript. Данные карточки не сообщают размер модели, контекст или поддерживаемые языки; задача работает с изображениями и не зависит от естественного языка.

Карточка модели binocheese/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели Deepdive404-3/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели ewgenni/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели julius-ztpl/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели liskasYR/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Qwen-Image-Edit — модель редактирования изображений, разработанная командой Qwen. Она построена на базе Qwen-Image размером 20 млрд параметров и сочетает визуальное семантическое управление через Qwen2.5-VL с управлением внешним видом через VAE-кодировщик. Модель принимает изображение и инструкцию на естественном языке и создаёт отредактированное изображение. Модель предназначена для локального редактирования объектов и областей, изменения фона и одежды, переноса стиля, поворота объектов и создания вариантов персонажей с сохранением их семантической целостности. Она также поддерживает добавление, удаление и исправление китайского и английского текста на изображениях, стараясь сохранить исходные шрифт, размер и стиль. Для работы доступна через библиотеку Diffusers; лицензия — Apache-2.0. Карточка сообщает о высоких результатах на публичных тестах, но не приводит здесь численных оценок. В примере с исправлением редкого китайского иероглифа модель не справилась за один проход, поэтому для точной коррекции может потребоваться последовательное редактирование.

VRMBG-3.0 — модель BRIA AI для удаления фона из видео и предсказания альфа-матты. Она содержит около 220 млн параметров, обрабатывает кадры с разрешением 1024 × 1024 и использует авторегрессионную схему: для текущего RGB-кадра модель также получает предыдущий кадр, умноженный на его предсказанную альфа-матту. На первом кадре вместо предыдущего кадра используются нулевые тензоры. Модель предназначена для удаления фона в реальном времени в видео с людьми, объектами и товарами. Использование временного контекста повышает согласованность матты между кадрами и снижает мерцание по сравнению с независимой обработкой кадров. На выходе — одноканальная альфа-матта со значениями от 0 до 1. Для удаления фона на отдельных изображениях разработчик рекомендует RMBG-2.0. Веса доступны в форматах PyTorch и Safetensors. Лицензия BRIA VRMBG-3.0 разрешает только некоммерческое использование; для коммерческого применения требуется соглашение с BRIA AI.

YanoljaNEXT-Rosetta-4B-2511 — языковая модель на 4 млрд параметров, разработанная Yanolja NEXT и дообученная на базе google/gemma-3-4b-pt. Это декодерная модель семейства Gemma 3, использующая компонент Gemma3ForCausalLM и предназначенная для генерации текста и перевода структурированных данных с сохранением исходного формата. Модель подходит для локализации каталогов товаров, перевода отзывов об отелях и обработки других данных в форматах JSON, YAML и XML. Обучение проводилось на синтетических многоязычных переводах, созданных на основе FineWeb Edu и FineWeb2. Заявлена поддержка 32 языков; контекст составляет до 131 072 токенов. В тесте WMT24++ для перевода с английского на корейский модель получила CHrF++ 35,64. Модель оптимизирована для структурированных данных; качество на обычном тексте и других форматах может быть ниже. Возможны некорректный JSON, повторы и ошибки перевода. Лицензия — Gemma.

BiRefNet — модель компьютерного зрения для высокоразрешающей дихотомической сегментации изображений, представленная авторами одноимённой научной работы и разработанная исследователями из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Репозиторий содержит веса BiRefNet в формате safetensors и предназначен для запуска инференса через библиотеку birefnet. Модель выделяет основной объект на изображении и формирует маску сегментации. Её можно применять для удаления фона, обнаружения заметных объектов и обнаружения замаскированных объектов. Архитектура указана как BiRefNet; работа посвящена сегментации изображений высокого разрешения. Репозиторий распространяется по лицензии MIT.

BiRefNet_lite-2K — облегчённая модель семейства BiRefNet для дихотомической сегментации изображений высокого разрешения. Её разработали Peng Zheng и соавторы из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Модель предназначена для отделения основного объекта от фона и формирования пиксельной маски, в том числе на изображениях людей и других объектов. Модель обучена на наборах DIS5K, HRS10K, UHRSD, P3M-10k и других наборах для сегментации; оценивалась на DIS-VD и TE-P3M-500-NP. Для лучших результатов авторы рекомендуют подавать изображения с разрешением 2560 × 1440. Репозиторий содержит веса в формате safetensors, библиотека — birefnet. Лицензия MIT.

Карточка модели dddv587/CogFlorence-2.2-Large на Hugging Face совпадает с карточкой thwri/CogFlorence-2.2-Large, поэтому описание составлено по ней. thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Карточка модели dngerle/CogFlorence-2.2-Large на Hugging Face совпадает с карточкой thwri/CogFlorence-2.2-Large, поэтому описание составлено по ней. thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Карточка модели Alibaba-NLP/core-reranker-2b на Hugging Face совпадает с карточкой Alibaba-NLP/core-emb-2b, поэтому описание составлено по ней. Core-Embed-2B — мультимодальная модель эмбеддингов, разработанная Alibaba-NLP на архитектуре Qwen3-VL. Она преобразует текст и изображения в плотные векторы для поиска и сопоставления, уделяя особое внимание композиционным связям между атрибутами и объектами: например, различает изображение с белой тарелкой и чёрным стулом от изображения с обратным сочетанием цветов. Модель содержит 2 млрд параметров и рассчитана на извлечение признаков из текста и изображений. Модель обучена дистилляцией оценок ранжирования: её эмбеддинги учатся сохранять градации соответствия между запросом и кандидатами, включая ошибки атрибутов и объектов. Это помогает выполнять тонкий мультимодальный поиск, сохраняя качество обычного поиска изображений и текстов. Для запуска требуется версия Transformers с поддержкой Qwen3-VL. Модель распространяется по лицензии CC BY 4.0. Карточка описывает семейство и результаты Core-Embed-8B, но не приводит отдельные численные оценки для версии 2B.

Florence-2-SD3-Captioner — модель на архитектуре Florence-2, опубликованная gokaygokay. Она предназначена для создания текстовых описаний изображений и подходит для автоматического аннотирования изображений и подготовки подписей к визуальному контенту. Метаданные указывают задачи image-text-to-text и text-generation, а также обучение на наборах данных Docci, ImageInWords и синтетических высококачественных подписях DALL·E 3. Модель принимает изображения и выдаёт текст; в карточке указан английский язык. Репозиторий содержит веса в формате safetensors и использует Transformers. Лицензия — Apache-2.0.

Nano Banana Pro — модель Google для генерации и редактирования изображений на основе Gemini 3 Pro. Она предназначена для создания изображений по запросу и изменения существующих изображений с использованием мультимодального рассуждения и привязки к реальному миру.

GIT-base-COCO — модель Microsoft семейства GenerativeImage2Text, дообученная на наборе COCO для создания подписей к изображениям. Она использует декодер Transformer, который получает визуальные токены изображения от CLIP и предыдущие текстовые токены, а затем последовательно генерирует текст. Размер модели — 80,1 млн параметров; формат весов — PyTorch, лицензия — MIT. Модель предназначена прежде всего для генерации кратких текстовых описаний изображений. Архитектура GIT также подходит для визуальных вопросов и ответов, описания видео и классификации через генерацию метки, однако карточка рекомендует использовать этот исходный чекпойнт для подписей к изображениям. В метаданных указан контекст 1024 токена; язык карточки и языковой тег — английский. Модель обучалась на 10 млн пар изображение–текст, а затем дообучалась на COCO. Карточка не приводит результаты оценки, поэтому качество для конкретных сценариев следует проверять отдельно. Для других задач могут потребоваться специализированные версии GIT.

facebook/hiera-large-224-in1k-hf — модель классификации изображений на архитектуре Hiera, разработанной исследователями Meta и обученной на ImageNet-1K. Hiera — иерархический vision transformer; эта версия содержит 74,3 млн параметров и предназначена для классификации изображений с разрешением 224 пикселя. Модель загружает изображение и возвращает метку класса. Модель подходит для распознавания объектов и сцен на изображениях, сортировки и автоматической разметки изображений по категориям. Архитектура Hiera рассчитана на эффективное распознавание визуальных данных; семейство также применимо для извлечения признаков, однако данный чекпойнт предназначен именно для классификации. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

MOMENT-1-Large — крупная модель семейства MOMENT, разработанная Auton Lab при Университете Карнеги — Меллона для универсального анализа временных рядов. Она предназначена для прогнозирования, классификации, обнаружения аномалий, восстановления пропусков и получения представлений временных рядов; может применяться без дообучения или с небольшим числом примеров, а также настраиваться на специализированных данных. Модель относится к семейству foundation-моделей для временных рядов. В README указаны варианты Small, Base и Large, но точное число параметров и длина контекста для этого репозитория не приведены. Веса доступны в форматах PyTorch и safetensors. Лицензия — MIT.

Q-ReAlign-Pro-9B — мультимодальная модель оценки визуального качества и эстетики, разработанная командой Q-Future на основе Qwen3.5-VL. Это дообученная модель с архитектурой Qwen3_5ForConditionalGeneration: текстовая часть сочетает линейное и полное внимание, а визуальная использует энкодер в стиле SigLIP. Версия Pro содержит 9 млрд параметров; модель принимает изображения и текстовые инструкции, а для оценки видео — последовательность выбранных кадров. Модель предназначена для безэталонной оценки качества изображений и видео, эстетической оценки изображений, ранжирования и фильтрации визуального контента, а также формирования оценочных сигналов для генеративных систем. Она выбирает один из уровней excellent, good, fair, poor, bad, а затем сводит распределение вероятностей по ним к числу от 0 до 1. В заявленных тестах на семи наборах данных Pro показала средний SRCC 0,896. Оценки отражают восприятие качества и зависят от распределения оценок в обучающих данных; абсолютные значения лучше интерпретировать относительно друг друга и калибровать перед объединением с другими шкалами. Модель не предназначена для модерации безопасности, проверки фактов или личности, медицинской и судебной экспертизы. Лицензия — Apache-2.0.

vantagewithai/Qwen-Image-2.1-ComfyUI-GGUF — это GGUF-квантизированная версия модели Qwen-Image-2.1, адаптированная для использования в ComfyUI. Исходную модель разработала команда Qwen; данный вариант распространяется автором vantagewithai и основан на Qwen/Qwen-Image-2.1. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений. Она поддерживает создание обычных и прозрачных RGBA-изображений, работу с прозрачными слоями, выделение объектов на фотографиях, локальные правки с помощью кругов, нарисованных аннотаций или отдельных масок, а также использование до 10 референсных изображений. Заявлена возможность сохранять идентичность людей и товаров при редактировании. Поддерживаются соотношения сторон от 1:1 до 16:9 и 9:16 с разрешениями вплоть до 2752×2752 в зависимости от формата. Визуальный генеративный компонент содержит 7 миллиардов параметров и построен на архитектуре Single-Stream DiT с 32 слоями. В модели используются смешанное по гранулярности внимание и повторное использование prefix KV cache, что направлено на повышение эффективности вывода. Среди сильных сторон заявлены улучшенная отрисовка текста, реалистичные текстуры, портретное освещение, детализированная генерация и единая поддержка создания и редактирования изображений. Сведения о поддерживаемых языках, максимальном текстовом контексте и конкретных характеристиках квантизации в README не указаны. Модель распространяется по лицензии Qwen Research License Agreement; условия следует уточнять в файле LICENSE исходного репозитория.

unsloth/Qwen-Image-2.1-GGUF — это квантованная в формате GGUF версия модели Qwen-Image-2.1, разработанной командой Qwen и адаптированной Unsloth с использованием методологии Unsloth Dynamic 2.0. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений. Она поддерживает английский и китайский языки. Визуальный генератор содержит 7 млрд параметров и построен на 32 слоях Single-Stream DiT. Архитектура использует mixed-granularity attention и повторное использование prefix KV cache для снижения вычислительных затрат. Модель умеет создавать обычные и прозрачные RGBA-изображения, редактировать прозрачные слои, извлекать объекты из фотографий и выполнять редактирование с использованием до 10 референсных изображений, локальных пометок и масок. Заявлены улучшения в передаче текстур, типографики, освещения портретов и мелких деталей. Сильными сторонами являются сочетание качества, эффективности, генерации и редактирования в одной модели, а также поддержка прозрачности и сохранения идентичности людей и товаров при редактировании. GGUF содержит только denoiser, поэтому для работы необходимы совместимые VAE и текстовый энкодер Qwen3-VL-8B-Instruct. В README не указаны максимальный контекст, полный перечень поддерживаемых разрешений и системные требования. Лицензия указана как qwen-research; версия распространяется с ограничениями лицензии Qwen Research.

Re3Cap-CLIP-InternVL3-8B — мультимодальная модель для описания изображений, дообученная на базе OpenGVLab/InternVL3-8B-Instruct методом GRPO. Она использует стратегию Re³Cap: Caption Refinement Suggester и Caption Quality Assessor помогают находить галлюцинации и пропуски в подписи и уточнять её. В качестве сигнала вознаграждения применяется сходство изображения и сгенерированной подписи по CLIP. Модель предназначена для создания более точных и подробных подписей к изображениям без дополнительной разметки. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Метаданные также указывают поддержку диалога и интерфейс вызова инструментов, а базовая модель описана как способная работать с изображениями и видео. В карточке самой модели видео не заявлено.

gauneg/roberta-base-absa-ate-sentiment — дообученная Gauneg модель на архитектуре RoBERTa для аспектного анализа тональности. Она размечает токены входного текста, выделяя аспекты, о которых выражено мнение, и определяя полярность тональности для каждого аспекта. Модель предназначена прежде всего для анализа отзывов, в том числе ресторанных и гостиничных, и обучена на наборах SemEval по aspect-based sentiment analysis за 2014–2016 годы и MAMS. Модель основана на FacebookAI/roberta-base, содержит 151,8 млн параметров и имеет контекст до 514 токенов. Это англоязычная модель для входного текста; карточка приводит результаты оценки на тестовых наборах SemEval, включая F1 71,07 для извлечения аспектов и 54,08 для извлечения аспектов вместе с тональностью на отзывах об отелях SemEval 2015. Распространяется по лицензии Apache-2.0.

blanchefort/rubert-base-cased-sentiment — русскоязычная модель классификации тональности коротких текстов, созданная на базе DeepPavlov/rubert-base-cased-conversational и дообученная на агрегированном корпусе из 351 797 текстов. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель построена на архитектуре BERT и предназначена для анализа коротких сообщений и отзывов на русском языке, включая публикации в соцсетях, отзывы о товарах и медицинских учреждениях. Контекст ограничен 512 токенами; для работы доступны версии в форматах PyTorch, TensorFlow и Flax, включая веса Safetensors. Обучение использовало RuTweetCorp, RuReviews, RuSentiment и отзывы о медицинских учреждениях. Это специализированный классификатор тональности, поэтому его метки не заменяют подробный анализ мнений, аспектов или сарказма; качество на длинных и иных тематических текстах может отличаться. Условия лицензии в предоставленных источниках не описаны.

mlx-community подготовила bf16-конверсию модели facebook/sapiens2-matting-1b для запуска через MLX. Это модель семейства Sapiens2 с архитектурой Sapiens2ForImageMatting и примерно 1,5 млрд параметров. Она принимает изображение человека и выполняет matting: выделяет передний план и формирует мягкую альфа-маску, чтобы отделить человека от фона. Выходные массивы имеют разрешение входного изображения. Репозиторий содержит веса в формате safetensors с параметрами bfloat16; проекции q/k/v объединены в тензор wqkv. Для запуска README указывает библиотеку mlx-vlm. Модель предназначена для задач сегментации и отделения человека от фона на изображениях. Лицензия в метаданных обозначена как other; README отсылает к исходной карточке модели за условиями использования.

gokaygokay/sd3-long-captioner-v2 — дообученная модель на основе PaliGemma с входным разрешением изображений 224×224. Автор дообучил её на наборах данных google/docci и google/imageinwords для создания подробных текстовых описаний изображений. Модель принимает изображение и формирует текстовое описание. В метаданных указаны архитектура PaliGemma, библиотека Transformers, формат весов safetensors и поддержка английского языка. Лицензия — Apache 2.0. Карточка сообщает о дообучении, но не приводит результаты оценки качества и не уточняет максимальную длину описания; пригодность для конкретных изображений стоит проверять на примерах.

U-2-Netp — облегчённая модель сегментации изображений семейства U2Net, опубликованная BritishWerewolf. Она предназначена для генерации масок, в том числе для удаления фона и обработки портретов. Архитектура использует остаточные блоки RSU и пути понижения и повышения разрешения; облегчённая конструкция рассчитана на более быстрый вывод и меньший расход памяти. В репозитории доступны веса ONNX, а для запуска предлагается библиотека Transformers. Модель принимает изображения и выдаёт маски сегментации. Карточка связывает ONNX-модель с проектом rembg и указывает авторство оригинальной U-2-Net. Репозиторий распространяется по лицензии Apache-2.0. Число параметров и конкретные показатели качества не приведены.

Модель timm/vit_base_patch16_siglip_gap_384.webli — визуальный энкодер на базе ViT с патчами 16×16 и глобальным усреднением признаков (global average pooling), обученный в рамках SigLIP на данных WebLI. Она преобразует изображения в векторные признаки для последующего извлечения признаков и использования в системах компьютерного зрения. Модель предназначена для сценариев, где нужен визуальный энкодер; README описывает только image encoder, без текстовой части SigLIP. Распространяется под лицензией Apache-2.0.