IV.1Ритейл, электронная коммерция и fashion-tech

LongCat-Image-Edit — модель Meituan для редактирования изображений по инструкциям на китайском и английском языках. Она предназначена для глобальных и локальных правок, изменения текста на изображении и редактирования с опорой на референсное изображение. Модель стремится точно следовать инструкциям и сохранять в нетронутых областях композицию, текстуры, цветовую гамму и идентичность объектов. Поддерживает многошаговое редактирование; в карточке также заявлены высокое качество изображений и повышенная эффективность вывода среди открытых моделей для редактирования. Для генерации или изменения текста на изображении целевой текст рекомендуется заключать в кавычки. Модель распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0. В README не приведены размер модели и длина контекста.

Карточка модели JONNYVERSE/modnet на Hugging Face совпадает с карточкой Xenova/modnet, поэтому описание составлено по ней. 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.

onnx-community/modnet-webnn — модель семейства MODNet для портретного маттинга без тримапа и удаления фона на изображениях. Репозиторий распространяет модель в формате ONNX для использования через Transformers.js; название указывает на поддержку WebNN, однако README не описывает настройки этого режима или требования к среде. Модель предназначена для выделения человека на портретном изображении, в том числе в сценариях обработки в реальном времени. Модель решает задачу сегментации изображения и выдаёт карту маски переднего плана, пригодную для отделения портрета от фона. В карточке не приведены размер модели, длина контекста и поддерживаемые языки; языковой ввод модели не требуется. Лицензия — Apache-2.0.

MAGAer13/mplug-owl-llama-7b — модель для описания изображений, построенная на архитектуре mPLUG-Owl. По идентификатору модели она относится к варианту с LLaMA 7B. Предназначена для преобразования визуального содержимого в текстовые описания. Модель принимает изображения и выдаёт текст. В метаданных указан английский язык, библиотека Transformers и формат PyTorch. Лицензия — Apache-2.0.

Re3Cap-SC-Qwen2.5-VL-7B — мультимодальная модель на 7,1 млрд параметров, дообученная авторами на основе Qwen/Qwen2.5-VL-7B-Instruct методом GRPO. Она предназначена для описания изображений: стратегия Re³Cap использует подсказки для уточнения подписи и оценку её качества, чтобы находить галлюцинации и пропуски; дополнительное вознаграждение SC поощряет исправление ошибок на уровне ключевых слов. Модель принимает изображения и текстовые инструкции и формирует текстовые подписи. Базовая модель поддерживает контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Real Beauty — объединённая модель для генерации изображений по текстовому описанию, созданная смешиванием BeautyFool Reality 4 и Real Dream 11. Она предназначена для создания фотореалистичных портретов, персонажей и сцен с детализированными лицами, одеждой, освещением и окружением; в карточке приведены примеры промптов для журнальных портретов, интерьеров и кинематографичных сцен. Модель использует Stable Diffusion 1.5 и запускается через библиотеку Diffusers; веса доступны в формате safetensors. Лицензия — CreativeML OpenRAIL-M, условия которой следует соблюдать при использовании и распространении модели.

Sapiens2-1B-Matting — модель Meta для попиксельного выделения человека на изображении. Она предсказывает мягкую альфа-маску и изображение переднего плана с предварительно умноженным RGB, что помогает отделять человека от фона с сохранением полупрозрачных границ. Модель основана на Vision Transformer Sapiens2-1B и дообучена для маттинга людей. В архитектуре используются backbone Sapiens2 и специализированная голова маттинга; в репозитории указано около 1,5 млрд параметров. Модель принимает изображения и предназначена для человекоцентричных сценариев, в том числе обработки портретов и других изображений с людьми. Чекпойнт распространяется в формате safetensors по лицензии Sapiens2 License; метаданные обозначают лицензию как other. README также указывает исследовательское применение. Модель специализирована на выделении людей и не предназначена для универсальной сегментации произвольных объектов.

Seed-X-PPO-7B — многоязычная модель перевода от ByteDance Seed. Это плотная причинная языковая модель на архитектуре Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов. Модель прошла предобучение и постобучение с обучением с подкреплением (PPO), направленным на улучшение качества перевода; авторы рекомендуют её вместо Seed-X-Instruct для этой задачи. Модель предназначена для перевода между 28 естественными языками и может применяться в пользовательских и исследовательских системах перевода. В карточке отмечены широкое покрытие предметных областей, включая науку и технологии, биомедицину, финансы, право и электронную торговлю, а также результаты оценок на переводческих наборах данных. Репозиторий содержит веса в формате safetensors. Для работы требуется задавать языковой тег целевого языка в конце запроса. У модели нет шаблона чата; авторы указывают, что она специализирована на переводе и не предназначена для других задач, а также не рекомендуют неофициальные квантизированные версии. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

SenseNova-U1.5-8B-MoT-SFT — мультимодальная модель SenseNova для генерации и редактирования изображений по текстовым инструкциям и визуальным примерам. Это вариант с supervised fine-tuning из семейства SenseNova-U1.5, построенный на NEO-unify; карточка указывает архитектуру NEOChat и размер 8B в названии. Модель принимает текст и изображения, а выдаёт изображения; официальная карточка также обозначает её как any-to-any. Для запуска предусмотрена реализация на Transformers, а веса опубликованы в формате safetensors. Модель подходит для создания иллюстраций, постеров, инфографики и брендовых материалов, а также для локального редактирования изображений, вставки и замены объектов. Она следует сложным инструкциям с ограничениями по композиции, числу объектов и пространственным отношениям, поддерживает контроль областей через рамки и визуальные маркеры, а также нативную генерацию до 4K. Заявлены английский и китайский языки; модель особенно ориентирована на визуальные задачи с текстом на этих языках. Известные ограничения: надписи, особенно мелкие, длинные и смешанные китайско-английские, могут содержать ошибки; сложная верстка, точные количества объектов, детали людей и редактирование с множеством областей могут быть нестабильны. Лицензия — Apache-2.0.

Tanaos разработала эту компактную модель классификации тональности на базе microsoft/Multilingual-MiniLM-L12-H384 и дообучила её с помощью библиотеки Artifex на синтетических размеченных текстах. Модель относит текст к одному из пяти классов: очень негативный, негативный, нейтральный, позитивный или очень позитивный; нейтральный класс предназначен для фактических текстов и случаев без явно выраженной тональности. Модель подходит для анализа отзывов о товарах и фильмах, публикаций в социальных сетях и отзывов клиентов. Она использует архитектуру BERT для классификации последовательностей, содержит 124,3 млн параметров и принимает текст длиной до 512 токенов. Карточка заявляет английский язык, хотя базовая модель многоязычная. Модель распространяется по лицензии MIT. Синтетические данные обучения и ограниченная специализация могут снижать качество на технических и узкоспециализированных текстах; для таких сценариев README рекомендует дополнительное дообучение.

google/vit-base-patch32-224-in21k — базовая модель Vision Transformer (ViT), опубликованная Google и представленная в статье Dosovitskiy и соавторов. Веса подготовлены для этого репозитория из реализации timm; модель содержит около 113,2 млн параметров и доступна в форматах PyTorch, TensorFlow и Flax. Она предобучена с учителем на ImageNet-21k, включающем около 14 млн изображений и 21 843 класса. Модель принимает изображения RGB, преобразованные к разрешению 224×224, разбивает их на патчи 32×32 и обрабатывает последовательность патчей трансформерным энкодером. Она предназначена для извлечения визуальных признаков и использования в последующих задачах, например для обучения классификатора поверх представления CLS. Готовой обученной классификационной головы нет, но сохранён предобученный pooler. Модель подходит для построения классификаторов и получения признаковых представлений изображений. Для тонкой настройки на классификацию авторы отмечают преимущества разрешения 384×384. Лицензия — Apache-2.0.

google/vit-large-patch16-224-in21k — большая модель Vision Transformer (ViT), впервые опубликованная в этом репозитории и основанная на работе Dosovitskiy и соавторов. Веса были преобразованы из timm в PyTorch; исходная модель обучалась с учителем на ImageNet-21k, содержащем около 14 млн изображений и 21 843 класса. Модель принимает изображения, разбивает их на патчи 16×16 и обрабатывает трансформерным энкодером. Она рассчитана на входное разрешение 224×224 и содержит около 402,7 млн параметров. Предобученные представления подходят для извлечения признаков и последующего дообучения под классификацию и другие задачи компьютерного зрения. В репозитории нет настроенной классификационной головы: веса голов были обнулены; доступен предобученный pooler. Для прикладных задач обычно требуется обучить линейный классификатор или дообучить модель на целевом наборе данных. Лицензия — Apache-2.0.

ViTMatte-base-composition-1k — модель для выделения переднего плана и оценки маски прозрачности объектов на изображениях. Она основана на Vision Transformer с лёгкой предсказывающей головой и обучена на наборе Composition-1k; модель представлена в статье Yao и соавторов «ViTMatte: Boosting Image Matting with Pretrained Plain Vision Transformers». Репозиторий впервые опубликован авторами ViTMatte. Модель предназначена для image matting: получения детальной маски переднего плана, в том числе для отделения объектов от фона при обработке изображений. Доступны веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит оценки качества или подробностей об ограничениях применения.

YanoljaNEXT-Rosetta-12B-2510-GGUF — это GGUF-версия 12-миллиардной decoder-only языковой модели на архитектуре Gemma 3, дообученной командой Yanolja NEXT на базе google/gemma-3-12b-pt. Из исходной архитектуры использован компонент Gemma3ForCausalLM, предназначенный для генерации текста. Модель ориентирована на многоязычный перевод структурированных данных, прежде всего JSON, с сохранением исходной структуры и ключей. Модель оптимизирована для арабского, болгарского, китайского, чешского, датского, нидерландского, английского, финского, французского, немецкого, греческого, гуджарати, иврита, хинди, венгерского, индонезийского, итальянского, японского, корейского, персидского, польского, португальского, румынского, русского, словацкого, испанского, шведского, тагальского, тайского, турецкого, украинского и вьетнамского языков. Она подходит для локализации каталогов товаров, перевода гостиничных отзывов и другой структурированной информации. Доступны полноточная BF16-версия и многочисленные варианты квантования K- и IQ-семейств для запуска через llama.cpp и совместимые приложения. Сильными сторонами являются специализация на переводе JSON, сохранение структуры данных, поддержка широкого набора языков и эффективность модели размера 12B. В тесте WMT24++ для перевода с английского на корейский модель получила CHrF++ 37,36. Ограничения включают преимущественную оптимизацию под JSON: качество на неструктурированном тексте и других форматах может отличаться; возможны некорректный JSON, повторы и неточные переводы. В метаданных указана лицензия Gemma; дополнительных условий лицензирования в представленном README нет.

YanoljaNEXT-Rosetta-27B-2511-GGUF — GGUF-версия 27-миллиардной декодерной языковой модели, разработанной Yanolja NEXT на базе google/gemma-3-27b-pt. Для текстовой генерации из исходной архитектуры используется компонент Gemma3ForCausalLM; расширенный токенизатор, применявшийся в некоторых предыдущих моделях EEVE, отсутствует. Модель предназначена прежде всего для многоязычного перевода структурированных данных в форматах JSON, YAML и XML с сохранением исходной структуры и ключей. Она подходит для локализации каталогов товаров, перевода отзывов об отелях и обработки других структурированных текстов, а также может выполнять обычный перевод в виде простого текста. Обучение проводилось на синтетических многоязычных данных, созданных на основе FineWeb Edu и FineWeb2. Поддерживаются арабский, болгарский, китайский, чешский, датский, нидерландский, английский, финский, французский, немецкий, греческий, гуджарати, иврит, хинди, венгерский, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, словацкий, испанский, шведский, тагальский, тайский, турецкий, украинский и вьетнамский языки. Поставляется в различных квантованных вариантах GGUF для запуска через llama.cpp и совместимые графические интерфейсы. Варианты с активационной матрицей IMX могут обеспечивать более высокое качество при сопоставимом размере. Сильными сторонами являются специализация на сохранении структуры при переводе и конкурентное качество: для перевода с английского на корейский модель получила CHrF++ 37,21 на WMT24++. Ограничения включают ориентацию главным образом на структурированные данные; размер контекста в README не указан, а качество для других языковых пар и нестандартных сценариев может отличаться. Лицензия указана как gemma.

YanoljaNEXT-Rosetta-4B-2510 — языковая модель Yanolja NEXT, дообученная на базе google/gemma-3-4b-pt для перевода. Это плотная авторегрессионная модель с архитектурой Gemma 3 и 4 млрд параметров; для работы с текстом используется компонент Gemma3ForCausalLM. Контекст модели составляет до 131 072 токенов. Модель предназначена прежде всего для перевода структурированных данных в формате JSON с сохранением исходной структуры. Она подходит для локализации товарных каталогов и перевода отзывов об отелях. Обучение проводилось на синтетических многоязычных переводах, созданных на основе корпусов FineWeb Edu и FineWeb2. Заявлена поддержка 32 языков, включая русский и английский; в README приведён результат CHrF++ 35,09 для перевода с английского на корейский по WMT24++. Основное ограничение — оптимизация под JSON: качество на обычном тексте и других форматах может меняться, а модель иногда выдаёт некорректный JSON, повторяющийся текст или неточный перевод. Модель распространяется по лицензии Gemma.

YanoljaNEXT-Rosetta-4B-2510-GGUF — языковая модель, разработанная Yanolja NEXT на основе google/gemma-3-4b-pt. Это дообученная decoder-only модель с примерно 4 млрд параметров; для генерации текста используется компонент Gemma3ForCausalLM. Модель распространяется в формате GGUF для запуска через llama.cpp, включая полноточную BF16-версию и различные варианты квантования. Модель предназначена прежде всего для перевода структурированных данных в формате JSON с сохранением исходной структуры и ключей. Она подходит для локализации каталогов товаров, перевода отзывов об отелях и обработки другого структурированного контента. Обучение проводилось на синтетических многоязычных данных, созданных на основе FineWeb Edu и FineWeb2. Заявлена поддержка арабского, болгарского, китайского, чешского, датского, нидерландского, английского, финского, французского, немецкого, греческого, гуджарати, иврита, хинди, венгерского, индонезийского, итальянского, японского, корейского, персидского, польского, португальского, румынского, русского, словацкого, испанского, шведского, тагальского, тайского, турецкого, украинского и вьетнамского языков. Сильными сторонами являются компактный размер, доступность квантованных вариантов и конкурентное качество перевода: в приведённом тесте WMT24++ для перевода с английского на корейский модель получила CHrF++ 35,09. Модель оптимизирована для JSON, поэтому качество на неструктурированном тексте и других форматах может отличаться; заявленная информация о некоторых ограничениях в README обрывается. Для запуска требуется актуальная версия llama.cpp с поддержкой Gemma 3. Лицензия указана как gemma.

AuroraCap-7B-VID-xtuner — мультимодальная модель для создания подписей к изображениям и видео. Это вариант AuroraCap в формате Xtuner, разработанный для инференса и дальнейшего обучения; в карточке указаны ссылки на статью, код и обучающий набор AuroraCap-trainset. Модель основана на Vicuna 7B v1.5 16K с архитектурой Llama и содержит 6,6 млрд параметров. Она принимает визуальные данные и формирует текстовые описания; заявленный контекст составляет 4096 токенов. В метаданных основной задачей автора указана генерация текста, однако назначение модели и тег video-text-to-text указывают на описание видео. Модель распространяется под лицензией Apache-2.0. README отмечает, что формат Xtuner подходит для инференса и продолжения обучения; заявлена также возможность ускорять обучение с помощью объединения токенов при сохранении близкого качества. Подробности о поддерживаемых языках и ограничениях качества не приведены.

BEiT Large Patch16-224 — предварительно обученная модель зрения Microsoft на базе Vision Transformer с трансформерным энкодером, похожим на BERT. Модель содержит 411 млн параметров и была обучена без учителя на ImageNet-21k (ImageNet-22k), включающем около 14 млн изображений и 21 841 класс. При предобучении модель восстанавливает визуальные токены для скрытых фрагментов изображения. Модель предназначена для классификации изображений и получения признаков, которые можно использовать в последующих задачах компьютерного зрения. Она принимает RGB-изображения, разбивает их на патчи 16×16 и рассчитана на разрешение 224×224 пикселя. Относительные позиционные эмбеддинги и предобучение на большом наборе изображений помогают сформировать полезные представления для адаптации к новым размеченным данным. Для специализированной классификации на целевых классах может потребоваться дообучение или отдельный классификационный слой; более высокое разрешение при дообучении может улучшить результаты. Модель распространяется по лицензии Apache-2.0.

Это компактная модель Sentence Transformers, дообученная автором репозитория на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует текстовые предложения и абзацы в плотные векторы размерностью 128 и сравнивает их с помощью косинусного сходства. Модель предназначена для поиска и сравнения отзывов о товарах Amazon по смыслу, а также для построения текстовых представлений, которые можно использовать в задачах retrieval. Архитектура включает BERT с двумя слоями и среднее pooling-представление; модель содержит 4,4 млн параметров. README указывает максимальную длину последовательности 128 токенов, тогда как метаданные задают контекст в 512 токенов. Базовая модель англоязычная, а обучающие примеры состоят из англоязычных отзывов. Модель принимает текст и выдаёт эмбеддинги; репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели Accordic/BiRefNet на Hugging Face совпадает с карточкой ZhengPeng7/BiRefNet, поэтому описание составлено по ней. 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.

BiRefNet2 — модель компьютерного зрения семейства BiRefNet для высокоточной дихотомической сегментации изображений. Она предназначена для отделения заметного объекта переднего плана от фона и генерации маски объекта. В README указано, что стандартный вариант обучен на DIS-TR и проверен на DIS-TEs и DIS-VD; модель представлена как официальная реализация научной работы «Bilateral Reference for High-Resolution Dichotomous Image Segmentation» (CAAI AIR 2024), связанной с исследователями из перечисленных университетов и лабораторий. Модель принимает изображение и выдаёт карту сегментации. Репозиторий содержит веса в формате safetensors и использует библиотеку birefnet. Лицензия — MIT. Метаданные и README не сообщают размер модели, контекст или поддерживаемые естественные языки; языковой ввод для этой задачи не требуется.

BiRefNet_HR — модель компьютерного зрения из семейства BiRefNet, представленная Peng Zheng и соавторами как официальная реализация работы «Bilateral Reference for High-Resolution Dichotomous Image Segmentation». Она предназначена для сегментации объектов на изображениях, в частности для выделения объекта или переднего плана и создания масок; семейство также связано с обнаружением заметных и замаскированных объектов. Модель обучена на изображениях размером 2048×2048 для инференса высокого разрешения. В README приведены результаты оценки на DIS-VD в FP16 при разрешениях 2048×2048 и 1024×1024; показатели при 2048×2048 выше, чем при 1024×1024. Модель принимает изображения и выдаёт сегментационные маски. Лицензия репозитория — MIT.

BiRefNet_lite-matting — облегчённая модель семейства BiRefNet для сегментации переднего плана и объектов на изображениях с высокой детализацией. Карточка связывает её с работой «Bilateral Reference for High-Resolution Dichotomous Image Segmentation» и приводит результаты на наборах данных для маттинга людей и выделения объектов; авторы работы связаны с Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Модель предназначена для отделения объектов от фона и построения масок, в том числе для маттинга людей. Она принимает изображения и выдаёт сегментационные маски. В README приведены высокие результаты на TE-P3M-500-NP и TE-AM-2k, но инструкция по применению отсылает к основной карточке BiRefNet_lite. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Flux2-Klein-9B-True-V3 — дообученная версия black-forest-labs/FLUX.2-klein-9B, разработанная wikeeyang. Это диффузионная модель для генерации изображений по текстовому описанию, доступная через библиотеку Diffusers и ориентированная на работу с английскими и китайскими запросами. Модель также поддерживает редактирование изображений по инструкциям, включая замену одежды и отдельных элементов, а при использовании LoRA — задачи Tryon/Tryoff, замены лиц и другие специализированные преобразования. По заявлению автора, версия V3 улучшает эстетику и композицию и устраняет часть проблем, присутствовавших в V1 и V2. Указан размер базовой модели — 9B параметров; также доступны варианты Int8-квантизации, предназначенные для ускорения инференса и загрузки в ComfyUI. Для точного редактирования отдельных областей можно применять маски совместно с LoRA. Подробные требования к аппаратному обеспечению, максимальное разрешение и точные параметры контекста в README не указаны. Модель распространяется по Apache-2.0 в метаданных карточки, однако в разделе лицензирования отдельно указано, что использовать её следует в соответствии с некоммерческой лицензией FLUX от Black Forest Labs. Поэтому для практического применения необходимо ориентироваться на условия этой лицензии; коммерческое использование README не разрешает.

Модель Steeve2ml/globatrend-absa-english-classifier разработана как часть независимого портфолио-проекта GlobaTrend Insights. Это энкодер DistilBERT, дообученный для классификации тональности по конкретному аспекту отзыва: на вход подаются текст отзыва и название аспекта, а на выходе — метка «отрицательная», «нейтральная» или «положительная». Модель предназначена для анализа англоязычных отзывов, в частности ресторанных и интернет-магазинных, когда нужно определить, что именно понравилось или не понравилось клиенту. Модель решает задачу классификации последовательностей по паре предложений и принимает текст. Она обучена на отзывах ресторанов из SemEval-2014 Task 4; метки conflict при обучении объединены с нейтральным классом. Контекст модели составляет 512 токенов. На отложенной части обучающей выборки указаны accuracy 0,767 и macro F1 0,698. Модель не извлекает аспекты из текста — их нужно передать отдельно или получить другим компонентом. Качество снижается на длинных отзывах с несколькими аспектами и меняющейся тональностью: общий тон текста может повлиять на оценки отдельных аспектов. Смешанное мнение об одном аспекте может классифицироваться как нейтральное. Обучение и проверка проводились на ресторанных отзывах, поэтому для других областей нужна отдельная проверка и, возможно, дообучение. Лицензия — MIT.

Granite-TimeSeries-PatchTST-FM-r1 — модель временных рядов от IBM, построенная на архитектуре PatchTST-FM. Она предназначена для прогнозирования временных рядов без дообучения на целевых данных и поддерживает вероятностные прогнозы с помощью квантильной головы. При наличии пропусков во входном контексте модель может одновременно восстанавливать пропущенные значения и прогнозировать будущие точки. Модель обучена на наборе разнородных временных рядов, синтетических данных и данных с аугментацией. Архитектура использует трансформер с размерностью 1024, патчи длиной 16 и 99 квантилей; README указывает около 260 млн параметров, тогда как метаданные репозитория — 335,5 млн. Контекст составляет 8192 точки и включает входной контекст и горизонт прогноза. Модель рассчитана на временные ряды, поэтому языковая поддержка к ней неприменима. README сообщает о результатах среди ведущих воспроизводимых zero-shot моделей на GIFT-Eval, но отмечает, что результаты ещё ожидали включения в бенчмарк. Модель распространяется по лицензии Apache-2.0. IBM указывает, что не обязуется предоставлять обновления или поддержку проекта.

InternVL2_5-26B — мультимодальная модель OpenGVLab для диалога по тексту и визуальным данным. Она объединяет зрительный энкодер InternViT-6B-448px-V2_5 и языковую модель internlm/internlm2_5-20b-chat; каталог указывает связь с обеими базовыми моделями как merge. Модель построена по схеме ViT-MLP-LLM и использует динамическое разбиение изображений на фрагменты 448×448 пикселей для обработки в высоком разрешении. Модель предназначена для ответов на вопросы об изображениях, анализа нескольких изображений в одном запросе и понимания видео по кадрам; она также поддерживает обычный текстовый диалог. В README отмечены улучшения обучения и качества данных, а также внимание к сохранению языковых способностей. Карточка семейства указывает поддержку многоязычных данных, OCR и математических диаграмм; конкретный список языков и размер контекста для этой версии не приведены. Репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия — MIT. Обработка высокого разрешения, нескольких изображений и видео увеличивает расход визуальных токенов; при работе с несколькими изображениями может потребоваться увеличить контекст.

InternVL3-38B — мультимодальная модель OpenGVLab для диалога и анализа изображений вместе с текстом. Она построена по схеме ViT-MLP-LLM: визуальная часть InternViT соединена с языковой моделью через MLP-проектор; стратегия динамического разрешения разбивает изображения на фрагменты 448×448, а V2PE улучшает работу с длинными последовательностями визуальных токенов. Размер модели — 38 млрд параметров. Модель предназначена для ответов на вопросы по изображениям, визуального рассуждения, понимания нескольких изображений и видео, а также текстовых задач. В README семейство также описано как подходящее для работы с инструментами, GUI, промышленными изображениями и 3D-сценами. Метаданные указывают дообучение на базе OpenGVLab/InternVL3-38B-Instruct и поддержку чата; модель распространяется в формате safetensors через Transformers. Карточка сообщает о мультиязычной поддержке, но не перечисляет конкретные языки или длину контекста. Лицензия — Apache 2.0. Практическое ограничение: обработка нескольких изображений увеличивает число входных токенов и может требовать большего окна контекста.

OpenGVLab/InternVL3-38B-hf — реализация в формате Hugging Face Transformers мультимодальной модели InternVL3, разработанной OpenGVLab. Это дообученная версия OpenGVLab/InternVL3-38B-Instruct с плотной архитектурой InternVL и 38 млрд параметров. Модель принимает текст, изображения и видео и генерирует текстовые ответы; её можно использовать как для диалога по тексту, так и для анализа визуальных данных. Модель предназначена для восприятия и рассуждений по изображениям и видео, ответов на вопросы о визуальном содержимом и мультимодального общения. Семейство InternVL3 также ориентировано на использование инструментов, работу с графическими интерфейсами, промышленный анализ изображений и 3D-восприятие, однако карточка этой версии подтверждает прежде всего обработку изображений и видео через интерфейс image-text-to-text. Реализация поддерживает пакетный инференс и чередование текстовых и визуальных входов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Языки обозначены как многоязычные. Лицензия указана как other; конкретные условия следует проверять в файлах лицензии репозитория.