IV.1Ритейл, электронная коммерция и fashion-tech

gchhablani разработал эту модель, дообучив google/fnet-base на наборе GLUE SST2 для классификации тональности английских текстов. Она использует архитектуру FNet и содержит 123,7 млн параметров; максимальная длина входа составляет 512 токенов. В оценке на SST2 модель показала accuracy 0,8945 и loss 0,4674. Модель подходит для определения положительной или отрицательной тональности коротких английских текстов, например отзывов. Она создана для сравнения FNet с bert-base-cased. Распространяется по лицензии Apache-2.0.

Gemini 3.1 Flash Image, также известная как Nano Banana 2, — модель Google для генерации и редактирования изображений. В карточке она описана как модель с визуальным качеством уровня Pro и высокой скоростью работы линейки Flash. Модель предназначена для создания изображений по запросу и изменения существующих изображений. Данных о поддерживаемых языках, размере, контексте и лицензии в предоставленных источниках нет.

GIT-large-TextCaps — модель Microsoft семейства GenerativeImage2Text (GIT), дообученная на наборе TextCaps для создания описаний изображений, содержащих текст. Архитектура представляет собой трансформерный декодер, который получает визуальные токены изображения от CLIP и текстовые токены; размер модели — 80,1 млн параметров, контекст — до 1024 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель генерирует текст по изображению и подходит прежде всего для подписи изображений с чтением видимых надписей, а также для задач описания сцен. В карточке семейства GIT также упомянуты ответы на визуальные вопросы и классификация через генерацию текста, но этот чекпойнт специально дообучен на TextCaps. Модель ориентирована на английский язык. Ограничения включают зависимость качества от читаемости текста и содержания изображения; результаты оценки для данного чекпойнта в карточке не приведены.

GLM-Image — модель генерации изображений от команды zai-org. Она сочетает авторегрессионный генератор на 9 млрд параметров, инициализированный из GLM-4-9B-0414, и диффузионный декодер на 7 млрд параметров на основе одно поточной архитектуры DiT. Модель принимает текстовые описания для генерации изображений, а также изображения для редактирования, переноса стиля, сохранения идентичности объектов и согласованности нескольких персонажей. GLM-Image рассчитана на создание детализированных изображений и особенно хорошо справляется с точным отображением текста и генерацией, требующей предметных знаний и сложного семантического понимания. В карточке указана поддержка китайского и английского языков; для текста, который должен появиться на изображении, рекомендуется использовать кавычки в запросе. Модель распространяется под лицензией MIT. Ограничения: высокая стоимость инференса из-за ограниченных оптимизаций; целевое разрешение должно делиться на 32. Повышенная температура генерации увеличивает разнообразие, но может снижать стабильность результата.

HiDream-O1-Image — модель генерации и редактирования изображений от HiDream, построенная на Pixel-level Unified Transformer (UiT). Она обрабатывает текст и пиксели в общем пространстве токенов, без внешнего VAE и отдельного текстового энкодера. В карточке семейства указана версия на 8 млрд параметров; модель создаёт изображения напрямую с разрешением до 2048 × 2048. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображения по инструкции, персонализации с сохранением заданного персонажа или объекта, управления композицией и создания раскадровок. Встроенный агент рассуждений помогает уточнять требования к композиции и надписям; заявлена поддержка длинного текста и многоязычных надписей на изображениях. Метаданные классифицируют модель как image-text-to-image. В README описаны полная и дистиллированная Dev-версии; результаты и характеристики могут различаться между ними. Для запуска требуется GPU с поддержкой CUDA; авторы отмечают проблему с PyTorch 2.9.x и рекомендуют полную версию для редактирования. Репозиторий модели распространяется по лицензии MIT.

HunyuanImage-2.1 — модель генерации изображений по тексту, разработанная Tencent. Она предназначена для создания детализированных изображений высокого разрешения, включая 2K, по запросам на английском и китайском языках. Модель использует диффузионный трансформер с одно- и двухпоточной архитектурой и 17 млрд параметров, два текстовых энкодера, VAE со сжатием 32× и этап доработки изображений. Модуль PromptEnhancer может автоматически расширять запросы, а обучение с обратной связью от людей и дистилляция MeanFlow направлены на повышение качества и эффективности генерации. Модель рассчитана на разные композиции и соотношения сторон, точную передачу деталей сцен и генерацию текста внутри изображений. В README указана поддержка английских и китайских запросов. Рекомендуется использовать полный конвейер с улучшением запроса и доработкой изображения; генерация в разрешении 1K может приводить к артефактам. Репозиторий использует лицензию с меткой other, конкретные условия которой следует проверять в лицензии проекта.

InternVL2_5-1B — компактная мультимодальная модель семейства InternVL 2.5, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px-V2_5 и языковую модель Qwen2.5-0.5B-Instruct по схеме ViT-MLP-LLM; карточка указывает объединение этих базовых моделей. Модель поддерживает диалоговые запросы с текстом и изображениями, в том числе несколькими изображениями, а архитектура семейства также предусматривает обработку видео по кадрам. Модель предназначена для описания и анализа изображений, визуальных вопросов и ответов, а также мультимодального диалога. Динамическое разбиение изображений на тайлы 448×448 помогает работать с высоким разрешением; README также отмечает улучшения визуального восприятия и сохранения языковых возможностей относительно InternVL 2.0. Данных о размере контекстного окна в предоставленных источниках нет. Модель распространяется по лицензии MIT.

JoyAI-Image-Edit — мультимодальная модель компании JD, предназначенная для редактирования изображений по инструкциям. Она использует пространственное понимание сцены, включая разбор сцены, сопоставление объектов и отношений с указаниями и разложение инструкции на шаги. Модель поддерживает перемещение объектов в заданную область, изменение их ориентации и управление точкой обзора камеры. Модель рассчитана на редактирование с сохранением идентичности объектов и согласованности окружающей сцены; при управлении камерой инструкция должна задавать изменение ракурса без изменения содержимого и геометрии сцены. В README приведены сценарии работы с изображениями и требования к среде: Python 3.10 или новее и GPU с CUDA. Доступна по лицензии Apache-2.0.

JoyAI-Image Edit Plus — разработанная JD.com мультиизображенческая модель редактирования изображений по текстовой инструкции. Она принимает несколько референсных изображений и текстовое описание изменений, а затем создаёт новое изображение, сочетая элементы референсов согласно инструкции. В архитектуре используются текстовый энкодер Qwen3-VL-8B-Instruct на 8 млрд параметров, трансформер MMDiT JoyImageEditPlusTransformer3DModel на 16 млрд параметров и VAE AutoencoderKLWan на 240 млн параметров. Модель предназначена для редактирования и композиции изображений по нескольким визуальным источникам. Для работы используется Diffusers; указанная в карточке лицензия — Apache-2.0. В README отмечено, что JoyImageEditPlusPipeline ещё не включён в официальный стабильный выпуск Diffusers, поэтому для запуска требуется версия из ветки PR. Рекомендуемые параметры генерации: 30 шагов и guidance scale 4.0.

yijunwang2/krea2-reid — адаптер LoRA для Krea 2 Turbo, разработанный автором репозитория. Он предназначен для генерации и редактирования изображений по текстовому запросу с сохранением внешности персонажа по одному RGB-изображению-образцу. Проверены фотореалистичные, иллюстрированные и стилизованные 3D-образы, в том числе при изменении одежды, позы, кадрирования, освещения и фона. Адаптер использует Qwen3-VL для визуального кондиционирования и токены изображения через VAE; для кэширования reference K/V требуется совместимый edit pipeline. Рекомендуемый режим — 8 шагов и guidance scale 0; выходное соотношение сторон может отличаться от образца. Модель построена как LoRA для трансформера с rank/alpha 32/32 и распространяется в форматах ONNX и safetensors. Репозиторий указывает лицензию «other», но конкретные условия в предоставленных данных не раскрыты. Модель лучше сохраняет узнаваемые черты при смене сцены и композиции, однако результат зависит от запроса, seed, кадрирования и сочетания с другими LoRA. Одежда и поза могут переноситься с полноразмерного образца; при сильной смене сцены могут меняться возрастные детали лица, текстура кожи и макияж. Она не гарантирует биометрическое совпадение и не предназначена для распознавания лиц.

LLaDA-Image-Turbo — модель генерации и редактирования изображений, разработанная командой Inclusion AI. Это дистиллированная версия семейства LLaDA-Image с 6 млрд параметров, рассчитанная на быстрый вывод: для генерации и редактирования рекомендуется 4 шага сэмплирования. Модель работает через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Модель создаёт изображения по текстовому описанию, а также редактирует референсное изображение по инструкции, стараясь сохранять его исходное содержание. Поддерживаются генерация с условием VQ-токенов и отображение текста на английском и китайском языках; заявлены фотореалистичные сцены, детализированное освещение и создание постеров с текстом. Для редактирования требуется входное изображение. Размеры изображения при текстовой и VQ-генерации должны быть кратны 16, а при редактировании — кратны 32. Веса распространяются по лицензии Apache-2.0. Обучающий код в карточке пока не представлен.

Это версия Llama 3.2 Vision, размещённая Unsloth и основанная на Meta Llama 3.2 11B Vision. Модель использует плотную мультимодальную архитектуру Mllama и предназначена для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Репозиторий содержит веса в формате safetensors и пример ноутбука Unsloth для дообучения модели с меньшими затратами памяти. Модель подходит для визуальных вопросов и ответов, описания изображений и других диалоговых сценариев, где нужно связать изображение с текстом. В карточке Unsloth не приведены отдельные параметры длины контекста или точные языковые характеристики именно этой версии. В README Llama 3.2 перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский как официально поддерживаемые языки. Использование регулируется лицензией Llama 3.2 Community License — специальной лицензией с коммерческими условиями.

MobileNetV4 Hybrid Medium — модель классификации изображений семейства MobileNetV4, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она предназначена для присвоения изображениям меток классов и может использоваться как базовая сеть для извлечения признаков, карт признаков и эмбеддингов изображений. Модель имеет 11,1 млн параметров и требует около 1,3 GMAC на проход. Обучение проводилось на изображениях 256 × 256 пикселей; для оценки в карточке указано разрешение 320 × 320. Веса подготовлены для PyTorch и опубликованы в формате safetensors. Лицензия — Apache-2.0.

MOMENT-1-base — базовая модель семейства MOMENT, разработанная Auton Lab Университета Карнеги — Меллона для анализа временных рядов. Это предварительно обученная модель общего назначения, которую можно использовать без дополнительного обучения или адаптировать на целевых данных. Модель предназначена для прогнозирования временных рядов; семейство MOMENT также поддерживает классификацию, обнаружение аномалий, заполнение пропусков и обучение представлений. Она рассчитана на сценарии zero-shot и few-shot, а дообучение на данных конкретной задачи может улучшить результаты. Модель принимает временные ряды и выдаёт прогнозы или результаты анализа, соответствующие задаче. В карточке указаны форматы PyTorch и safetensors и лицензия MIT. Карточка не приводит размер модели, численные оценки качества или ограничения для конкретных типов данных. Перед применением в критичных сценариях качество следует оценить на целевых временных рядах.

mufa.ai — модель генерации изображений по текстовому описанию, созданная методом слияния весов Weighted Sum. В смеси использованы Stable Diffusion v1.5 с весом 40% и Realistic Vision V5.1 с весом 60%; модель предназначена для создания реалистичных цифровых изображений и доступна в формате Diffusers с весами Safetensors. Модель ориентирована на фотореалистичные изображения с заметными деталями и естественным освещением. Для лучших результатов автор рекомендует составлять подробные промпты на английском языке. Размер модели указан примерно как 2 ГБ в float16. Лицензия — MIT.

Карточка модели BAAI/OmniGen-v1 на Hugging Face совпадает с карточкой Shitao/OmniGen-v1, поэтому описание составлено по ней. OmniGen-v1 — универсальная модель генерации изображений, представленная авторами проекта OmniGen. Она принимает текстовые и визуальные подсказки и предназначена для генерации изображений по тексту, редактирования изображений и создания изображений с учетом референсов или заданного объекта и его идентичности. Модель объединяет эти сценарии в одном решении без дополнительных модулей вроде ControlNet и отдельной предварительной обработки изображений. Модель содержит 3,7 млрд параметров, использует плотную архитектуру на базе Phi-3 и распространяется в формате safetensors. В карточке Hugging Face указана задача text-to-image; README также описывает генерацию по изображениям и мультимодальным подсказкам. Для запуска доступен код инференса, а авторы предоставляют возможность дообучения, включая LoRA. Репозиторий создан в октябре 2024 года. OmniGen позиционируется как гибкий инструмент для разнообразных задач генерации и редактирования изображений. Авторы отмечают, что модель пока имеет возможности для улучшения; при работе с несколькими изображениями могут потребоваться настройки размера входных изображений, а для снижения потребления памяти предусмотрена выгрузка части модели. Лицензия — MIT.

P2R-8B — модель тонкой настройки на 8 млрд параметров, разработанная авторами работы Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning на основе Qwen/Qwen3-VL-8B-Instruct. Она использует двухэтапный подход P2R, разделяющий восприятие визуальных деталей и последующее рассуждение; обучение проводилось с помощью стратегии обучения с подкреплением PRA-GRPO. Модель предназначена для детального визуального анализа и ответов на вопросы об изображениях. В README приведены результаты на V-Star, HR-Bench-4K, HR-Bench-8K и MME-RealWorld-Lite, где P2R-8B превосходит исходную Qwen3-VL-8B-Instruct по указанным метрикам. Она принимает изображения и текстовые запросы и генерирует текст. Доступна в формате safetensors для Transformers; лицензия — Apache-2.0.

Модель j-hartmann/purchase-intention-english-roberta-large — англоязычная модель классификации текста на основе RoBERTa, разработанная Йоханнесом Хартманном. Она определяет, выражает ли публикация в социальных сетях намерение совершить покупку: модель относит текст к одному из двух классов — «намерение купить» или «намерения купить нет». Модель дообучена на 2 000 вручную размеченных публикаций; в README указана точность 95% на отложенной выборке при случайном базовом уровне 50%. Для вывода доступны оценки обоих классов. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текст с контекстным окном 514 токенов. Она предназначена для анализа англоязычных публикаций и других текстов, в которых выражено или не выражено покупательское намерение. Результат следует интерпретировать с учётом ограниченного объёма обучающей выборки и ориентации на тексты из социальных сетей. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели ssh4dm/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Qwen-Image-Edit-2511-FP8 — FP8-квантизованная версия модели Qwen-Image-Edit-2511, разработанная командой Qwen. Это модель редактирования изображений для image-to-image-сценариев, совместимая с библиотекой Diffusers и другими поддерживаемыми конвейерами, включая пользовательские узлы ComfyUI. Она предназначена для генеративного редактирования изображений по текстовым инструкциям, включая изменение внешности и окружения персонажей, сохранение идентичности объектов, объединение людей в групповых сценах, управление освещением и ракурсом, промышленный дизайн, замену материалов и создание вспомогательных геометрических линий. Ключевая особенность версии — FP8-квантизация, направленная на снижение потребления памяти и ускорение инференса при сохранении высокого качества редактирования. Модель поддерживает работу с изображениями и текстовыми запросами; в карточке указаны английский и китайский языки. Размер модели, точная архитектура, максимальное разрешение и длина контекста не указаны. Заявлены улучшенная согласованность персонажей, включая многолюдные сцены, интеграция отдельных популярных LoRA-эффектов в базовую модель и усиленные способности к геометрическому рассуждению. Сильными сторонами являются эффективное FP8-представление, широкий набор сценариев редактирования и повышенная сохранность визуальных характеристик субъектов. Ограничениями выступают отсутствие подробных количественных оценок, сведений о поддерживаемых разрешениях и требований к оборудованию; для запуска в README показан конвейер на CUDA с использованием PyTorch и bfloat16. Модель распространяется по лицензии Apache-2.0.

Frederic75/Qwen-Image-Edit-2511-GGUF — это квантизированная в формате GGUF версия модели Qwen-Image-Edit-2511, разработанной командой Qwen. Модель предназначена для редактирования изображений по входному изображению и текстовым инструкциям, включая изменение внешности и окружения персонажей, объединение нескольких людей в одну сцену, замену материалов и создание промышленных дизайнов. Заявлена поддержка интегрированных LoRA-возможностей, улучшенной согласованности персонажей и усиленного геометрического рассуждения. Модель ориентирована на сценарии image-to-image, творческое редактирование, промышленный дизайн, управление освещением, генерацию новых ракурсов и создание вспомогательных геометрических линий для проектирования или аннотирования. В README указаны английский и китайский языки, а также использование библиотеки Diffusers. Размер модели, конкретная архитектура, объём контекста и точные параметры квантизации не указаны. Ключевое преимущество — улучшенная защита от дрейфа изображения и сохранение идентичности объектов, в том числе в сценах с несколькими людьми; ограничением является отсутствие подробных технических характеристик и результатов сравнительного тестирования. Модель распространяется по лицензии Apache 2.0.

Re3Cap-CIM-Qwen2-VL-7B — мультимодальная модель на 7,1 млрд параметров, дообученная на Qwen/Qwen2-VL-7B-Instruct методом GRPO. Она предназначена для описания изображений: стратегия Re³Cap уточняет подпись с помощью поиска изображений по её тексту, а компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Обучение также использует награду Cross-modal Identity Mapping, которая оценивает сходство изображений, найденных по подписи, с исходным изображением. Модель принимает изображения и текстовые запросы и выдаёт текстовые подписи; архитектура — Qwen2-VL для условной генерации, формат весов — safetensors. Нативный контекст составляет 32 768 токенов. Карточка описывает задачу генерации подписей, но не уточняет набор поддерживаемых языков. Модель выпущена под лицензией Apache-2.0. Заявленное улучшение точности и детализации основано на описанном подходе; численные результаты и конкретные пределы качества в карточке не приведены.

RegNetY-400MF — сверточная модель для классификации изображений и извлечения визуальных признаков. Реализация входит в библиотеку timm; веса предварительно обучены участниками torchvision на ImageNet-1k, с вариантом весов ImageNet-1K V2. Модель содержит около 4,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения классов объектов на изображениях, извлечения карт признаков и получения эмбеддингов изображений. Реализация timm поддерживает стохастическую глубину, градиентный чекпоинтинг, настройку шага выходных признаков и выбор слоёв активации и нормализации. Лицензия репозитория — BSD 3-Clause.

timm/resnet152.tv_in1k — модель классификации изображений из библиотеки timm, основанная на ResNet-B и оригинальных весах torchvision. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и короткие связи с проекцией через свёртку 1×1. Модель содержит около 60,2 млн параметров; рекомендованный размер входного изображения — 224×224 пикселя. Репозиторий распространяет веса в форматах PyTorch и safetensors. Модель подходит для классификации изображений общего назначения и как визуальный backbone для downstream-задач. Её лицензия — BSD-3-Clause.

ResNet50D RA2 In1k — сверточная модель классификации изображений из библиотеки timm. Она обучена на ImageNet-1k с рецептом аугментации RandAugment RA2, оптимизатором RMSProp и усреднением весов EMA. Архитектура включает трехслойный блок начальной обработки из сверток 3×3 с пулингом и укороченные соединения с усредняющим пулингом 2×2 и сверткой 1×1. Модель содержит 25,6 млн параметров и требует 4,4 GMACs; размер изображения при обучении — 224×224, при тестировании — 288×288. Модель предназначена для классификации изображений и может использоваться как сверточная основа для извлечения признаковых карт и эмбеддингов. Она принимает изображения и выдает метки классов. Карточка не сообщает специальных ограничений по применению; лицензия Apache-2.0.

ResNet50.tv2_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептами обучения torchvision v2. Архитектура ResNet-B использует активации ReLU, начальную свёртку 7×7 с пулингом и проекции 1×1 в shortcut-соединениях. Модель содержит около 25,6 млн параметров и требует 2,6 GMACs; для обучения использовался размер изображения 176×176, для оценки — 224×224. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и визуальных эмбеддингов. Доступны веса в форматах PyTorch и safetensors. Лицензия — BSD 3-Clause.

ResNet-V2-BiT 50x3 — сверточная модель классификации изображений из семейства Big Transfer, опубликованная авторами работы BiT и доступная в библиотеке timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k; содержит около 217,3 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. В архитектуре используются предактивационные остаточные блоки ResNet-V2, Group Normalization и Weight Standardization вместо Batch Normalization. Модель предназначена для классификации изображений по классам ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов в прикладных компьютерно-зрительных системах. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

SAM 2.1 Hiera Base Plus — модель сегментации изображений и видео от FAIR, исследовательского подразделения Meta. Это версия семейства SAM 2 с архитектурой Hiera; репозиторий содержит веса в формате safetensors и поддерживает библиотеку Transformers. Модель принимает изображение или кадры видео и создаёт маски объектов. Для задания объектов можно использовать точки, ограничивающие рамки или предыдущие маски, а в видео модель переносит сегментацию между кадрами и отслеживает несколько объектов. Модель подходит для автоматического выделения объектов на изображениях, интерактивной сегментации и отслеживания объектов в видео, включая потоковую обработку кадров. Ключевая особенность SAM 2 — сегментация по визуальным подсказкам с возможностью уточнять результат дополнительными точками. Лицензия — Apache 2.0. README не приводит ограничения точности или сведения о размере этой версии.

SAM 2 Hiera Tiny — компактная версия модели Segment Anything in Images and Videos, разработанная FAIR. Это визуальная модель сегментации, доступная в формате Safetensors и поддерживаемая библиотекой Transformers; репозиторий содержит реализацию для работы с изображениями и видео. Модель выделяет объекты по точкам, ограничивающим рамкам или ранее полученным маскам, а также может автоматически создавать маски для объектов на изображении. Для видео SAM 2 сегментирует и отслеживает выбранные объекты между кадрами, включая потоковую обработку и одновременную работу с несколькими объектами. Модель предназначена для визуальной сегментации и трекинга, а не для генерации текстовых описаний. Репозиторий распространяется по лицензии Apache-2.0.

gokaygokay/SDXL-Captioner — дообученная версия PaliGemma 224×224, созданная на парах изображение—промпт. Модель принимает изображение и текстовый запрос и формирует текстовый ответ, поэтому подходит для создания подписей и описаний изображений по инструкции. Модель построена на архитектуре PaliGemma и распространяется в формате safetensors для библиотеки Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. Подробности о размере модели, длине контекста и качестве на конкретных наборах данных в предоставленных источниках не приводятся.