IV.1Ритейл, электронная коммерция и fashion-tech

seresnext101_32x4d.gluon_in1k — свёрточная модель классификации изображений из библиотеки timm. Она основана на архитектуре SE-ResNeXt-101 с блоками ResNeXt и механизмом Squeeze-and-Excitation для внимания к каналам. Модель содержит 49 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность около 8 GMACs. Модель обучена на ImageNet-1k с использованием рецептов Bag-of-Tricks и исходно реализована в Apache Gluon. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий содержит веса PyTorch в формате Safetensors; лицензия — Apache 2.0.

Это модель Swin Transformer для классификации изображений и извлечения визуальных признаков. Её разработали авторы статьи Swin Transformer; модель предварительно обучена на ImageNet-22k и распространяется через библиотеку timm. Веса содержат около 44,3 млн параметров, модель рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображениям классов, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальную основу в системах распознавания и анализа изображений. Лицензия — MIT.

tf_efficientnet_b3.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы исходной работы на ImageNet-1k с методом AdvProp, использующим состязательные примеры; Ross Wightman перенёс веса в PyTorch. Модель содержит около 12,2 млн параметров и рассчитана на изображения размером 300 × 300 пикселей. Модель определяет объекты и сцены, относя их к классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. По метаданным репозитория доступны веса PyTorch и SafeTensors. Лицензия — Apache-2.0.

timm/tf_efficientnet_b6.ns_jft_in1k — сверточная модель EfficientNet-B6 для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы статей на ImageNet-1k и неразмеченных данных JFT-300M методом полуавтоматического обучения Noisy Student; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm и в форматах PyTorch и Safetensors. Модель содержит около 43 млн параметров и рассчитана на изображения размером 528 × 528 пикселей. Она подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Лицензия репозитория — Apache-2.0.

tf_efficientnet_b7.ns_jft_in1k — свёрточная модель EfficientNet-B7 для классификации изображений и извлечения признаков. Исходную модель обучили авторы статей на ImageNet-1k и неразмеченных данных JFT-300M методом полуобучения Noisy Student; Ross Wightman перенёс веса в PyTorch. Репозиторий использует timm и содержит веса в форматах PyTorch и safetensors. Модель насчитывает 66,3 млн параметров и рассчитана на изображения размером 600 × 600 пикселей. Она предсказывает классы ImageNet-1k, а также может служить основой для извлечения карт признаков и эмбеддингов изображений. Подходит для классификации объектов на фотографиях и как визуальный backbone в прикладных системах компьютерного зрения. Лицензия — Apache-2.0. Модель ориентирована на классы ImageNet-1k; для других наборов классов может потребоваться дообучение или настройка. Высокое разрешение входа и вычислительная сложность модели могут увеличить требования к памяти и времени обработки.

google/vit-base-patch16-224 — базовая модель Vision Transformer (ViT), опубликованная в репозитории Google и основанная на работе «An Image is Worth 16x16 Words». Веса были преобразованы из timm: сначала из JAX в PyTorch, затем размещены в нескольких форматах. Модель содержит 113,2 млн параметров и лицензирована по Apache-2.0. Модель предварительно обучена на ImageNet-21k и дообучена для классификации на ImageNet 2012. Изображение размером 224×224 представляется как последовательность патчей 16×16 с позиционными эмбеддингами; классификацию выполняет голова на основе токена [CLS]. Основной сценарий — отнесение изображения к одному из 1000 классов ImageNet. Предобученный энкодер также можно использовать как основу для извлечения признаков и обучения классификатора на размеченных данных. ViT позволяет получать полезные визуальные представления для последующих задач классификации. Для результатов дообучения на целевых задачах авторы отмечают преимущество разрешения 384×384; данная версия рассчитана на вход 224×224 и обучение на ImageNet, поэтому качество на других доменах зависит от адаптации. Доступны веса Flax, PyTorch, Safetensors и TensorFlow.

nttdataspain/vit-gpt2-stablediffusion2-lora — модель архитектуры VisionEncoderDecoder, разработанная nttdataspain. Это дообученная с применением LoRA модель ViT для генерации текстовых описаний изображений; README сообщает об обучении на наборе изображений Stable Diffusion 2.0. Она предназначена для сценариев, где нужно получить подпись к изображению. В метаданных указаны поддержка английского языка и форматы PyTorch и safetensors. Модель распространяется по лицензии MIT. README заявляет о разумном времени работы, но не приводит количественных оценок качества или производительности.

VLRM — дообученная методом обучения с подкреплением модель BLIP-2 с языковой частью OPT-2.7B, опубликованная Сашей Куницыным. Она предназначена для генерации описаний изображений: обучение нацелено на более длинные и подробные подписи по сравнению с исходной моделью без дополнительной вычислительной нагрузки при генерации. В карточке приведены основной чекпойнт VLRM и вариант VLRM-RS. Модель принимает изображение и выдаёт текстовое описание; пример в карточке описывает сцену с женщиной и собакой. Архитектура относится к семейству BLIP-2, веса доступны в формате Safetensors, а также описана загрузка RL-настроенных весов поверх Salesforce/blip2-opt-2.7b. Карточка указывает английский язык и лицензию MIT.

Карточка модели Jinstudio/Z-Image-Turbo на Hugging Face совпадает с карточкой Tongyi-MAI/Z-Image-Turbo, поэтому описание составлено по ней. Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

aimv2_large_patch14_224.apple_pt — веса энкодера изображений AIM-v2 в формате, совместимом с библиотекой timm. Модель принимает изображения и предназначена для извлечения признаковых представлений, которые можно использовать в задачах компьютерного зрения, например для поиска похожих изображений или как входные признаки для последующих моделей. В карточке указаны веса энкодера, архитектурное семейство AIM-v2 и совместимость с timm; репозиторий содержит веса PyTorch в формате safetensors. Разработчик исходной модели и размер входного изображения обозначены в идентификаторе модели, но карточка не раскрывает подробности обучения или оценку качества. Лицензия — apple-ascl.

Runware/BFL-FLUX.2-klein-4B — размещённая Runware версия модели FLUX.2 [klein] 4B, разработанной Black Forest Labs. Это компактная модель на 4 млрд параметров для генерации и редактирования изображений; карточка Hugging Face показывает запуск через Diffusers с текстовым запросом и исходным изображением. Разработчик позиционирует вариант 4B как самый быстрый в семействе Klein, предназначенный для интерактивных приложений, предварительного просмотра в реальном времени и сценариев с жёсткими требованиями к задержке. Модель поддерживает преобразование изображения по текстовой инструкции и генерацию изображений по тексту. По данным Black Forest Labs, версия 4B распространяется по лицензии Apache 2.0 и рассчитана на локальный запуск и производственное применение. Подробные сведения о языках и длине контекста в использованных источниках отсутствуют.

ZhengPeng7/BiRefNet-DIS5K — официальные веса модели BiRefNet, разработанной авторами статьи о двустороннем анализе признаков для высокоточной сегментации изображений. Модель обучена на разделении DIS5K-TR для дихотомической сегментации: выделения заметного объекта на фоне. Она предназначена для получения масок объектов и может применяться для удаления фона и обработки изображений с высокими требованиями к границам маски. Репозиторий содержит веса в формате safetensors; для работы используется библиотека BiRefNet. Модель принимает изображение и выдаёт сегментационную маску. Лицензия MIT разрешает использование и распространение с соблюдением её условий. Карточка указывает на официальный чекпойнт статьи, но не приводит сведения о размере модели или поддержке языков.

BiRefNet_dynamic — модель сегментации изображений из семейства BiRefNet, разработанная Peng Zheng и соавторами. Это вариант для дихотомической сегментации: выделения значимых объектов и отделения их от фона на изображениях общего назначения. Модель обучалась на изображениях произвольной формы с размерами от 256×256 до 2304×2304 пикселей и рассчитана на работу с разными разрешениями и соотношениями сторон. Авторы сообщают о более высоких результатах, чем у BiRefNet-general и BiRefNet_HR-general, на наборах DIS-VD и TE-P3M-500-NP; в README также описана проверка на разных входных разрешениях. Модель принимает изображения и выдаёт сегментационные маски. Карточка описывает её как устойчивую к произвольной форме входа, но не приводит количественных метрик и подробных ограничений. Веса опубликованы в формате safetensors; лицензия — MIT.

onnx-community/BiRefNet_lite-ONNX — ONNX-версия облегчённой модели BiRefNet, разработанной исследователями из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Модель предназначена для высокодетальной дихотомической сегментации изображений и может применяться для удаления фона, построения масок объектов, image matting, обнаружения заметных и замаскированных объектов. На вход подаётся изображение, на выходе формируется маска или альфа-матта объекта; модель рассчитана на использование через Transformers.js и может быть подготовлена для веб-сред. В карточке не указаны точный размер модели, архитектурные детали, поддерживаемые языки, максимальное разрешение контекста и количественные показатели качества. К сильным сторонам относятся специализация на высокодетальной сегментации и формат ONNX, удобный для запуска в совместимых средах, включая веб-сценарии. Ограничения производительности, требования к ресурсам и устойчивость на различных типах изображений в README не описаны. Модель распространяется по лицензии MIT.

BiRefNet-portrait — модель сегментации портретов, опубликованная Zheng Peng и соавторами в рамках работы BiRefNet. Она предназначена для высокоточного отделения людей от фона на изображениях и генерации масок, в частности для удаления фона с портретных фотографий. В карточке приведён результат на тестовом наборе TE-P3M-500-P: S-measure 0,983, maxFm 0,996 и MAE 0,006. Модель обучалась на P3M-10k и TR-humans; архитектура указана как BiRefNet, файлы представлены в формате safetensors. Модель принимает изображение и выдаёт сегментационную маску. Лицензия — MIT. В README не приведены сведения о размере модели, поддерживаемых библиотеках и ограничениях качества за пределами указанного набора оценки.

Boogu/Boogu-Image-0.1-Edit — вариант семейства Boogu-Image-0.1 для редактирования изображений, разработанный командой Boogu и распространяемый в формате Diffusers с весами Safetensors. Модель принимает изображение и текстовую инструкцию и предназначена для вставки, замены и удаления объектов, изменения атрибутов и материалов, замены фона и переноса художественного стиля. Также заявлено точечное редактирование китайского и английского текста внутри изображения. Модель относится к семейству генерации и редактирования изображений; README указывает на использование FLUX.1 VAE. Поддерживаемые языки интерфейса и карточки — английский и китайский. Лицензия — Apache-2.0. README обозначает проект как исследовательский и предупреждает, что это не официальный релиз модели. Среди ограничений — нестабильное сохранение идентичности объекта, композиции и мелких деталей при редактировании; длинный или мелкий текст может содержать ошибки и смещение макета. В сложных позах возможны артефакты анатомии, а небольшие лица и конечности могут терять детализацию. Модель отстаёт в сценариях, требующих обширных знаний о мире и сложного контекстного понимания.

HGNet Small SSLD IN1K — сверточная модель классификации изображений семейства High Performance GPU Net, опубликованная авторами модели в репозитории timm. Она обучена на ImageNet-22k и ImageNet-1k с применением дистилляции SSLD. Модель содержит 24,4 млн параметров и предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и визуальных эмбеддингов. Для обучения указано разрешение изображений 224×224, для тестирования — 288×288. В репозитории доступны веса PyTorch и Safetensors; библиотека для работы с моделью — timm. Модель подходит для прикладных систем, которым нужно относить изображения к классам ImageNet или получать визуальные признаки для последующих этапов обработки. Лицензия — Apache-2.0.

HunyuanImage-2.1-Diffusers — модель генерации изображений по текстовому описанию, разработанная Tencent Hunyuan и опубликованная в формате, совместимом с библиотекой Diffusers. Модель использует pipeline HunyuanImagePipeline и распространяется с весами в формате Safetensors. Модель предназначена для создания изображений по промптам на английском и китайском языках, включая фотореалистичные сцены, персонажей, предметы, иллюстрации и композиции с текстовыми деталями. В README показан пример генерации изображения размером 2048×2048 за 50 шагов диффузии, а также настройка guidance scale. Для запуска в примере используется PyTorch, GPU CUDA и вычисления в bfloat16. Модель удобна для генерации концепт-артов, рекламных и дизайнерских материалов, иллюстраций и визуальных прототипов. Ограничения по числу параметров и длине контекста в доступных материалах не приведены. Использование регулируется специальной лицензией tencent-hunyuan-community; перед применением необходимо ознакомиться с её условиями.

HunyuanImage-3.0 — мультимодальная модель генерации изображений от Tencent. Она использует авторегрессионную архитектуру Mixture of Experts (MoE) и предназначена прежде всего для создания изображений по текстовым запросам; семейство также поддерживает генерацию изображений на основе входного изображения. В карточке указаны 3,1 млрд параметров, контекст 22 800 токенов и формат весов safetensors, тогда как README заявляет для полной модели 80 млрд параметров, из которых активируются 13 млрд на токен. Эти сведения о размере расходятся между источниками. Модель рассчитана на следование текстовым запросам и создание детализированных, в том числе фотореалистичных изображений. README описывает её как объединяющую понимание и генерацию изображений, но базовая версия сама не переписывает и не улучшает запросы автоматически. Для инференса README указывает Python 3.12+ и CUDA 12.8. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в лицензионных материалах репозитория.

Craftly-Image-2.1 — модель генерации изображений по текстовому описанию, представленная как разработка Craftly AI Labs. В README она описана как диффузионный трансформер в латентном пространстве (DiT) с flow-matching планировщиками, текстовым энкодером CraftlyVision-7B-Instruct и 16-канальным пространственным VAE. Модель предназначена для фотореалистичной генерации, рендеринга текста на изображениях и создания сложных пространственных композиций. Заявлена поддержка динамического соотношения сторон и разрешения до 2K; метаданные указывают английский и китайский языки. Репозиторий содержит формат Diffusers и веса Safetensors. В README приведён пример запуска с bfloat16 на CUDA. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория.

bipin/image-caption-generator — модель генерации подписей к изображениям, дообученная на наборе Flickr8k. Она использует архитектуру VisionEncoderDecoderModel и предназначена для создания текстового описания по входному изображению. В карточке приведены результаты оценки на тестовом наборе и пример загрузки через библиотеку Transformers. Модель подходит для автоматического составления коротких подписей к фотографиям. В README указано обучение в течение четырёх эпох; оценочная потеря составила 0,2536. Язык подписей, размер модели и условия лицензии в доступных сведениях не приведены.

Это модель классификации изображений Inception-v3, обученная с учётом состязательных примеров на ImageNet-1k авторами соответствующей научной работы и перенесённая из TensorFlow в timm Россом Уайтманом. Модель содержит около 23,8 млн параметров и рассчитана на изображения размером 299 × 299 пикселей. Модель определяет классы объектов на изображениях и может использоваться как основа для извлечения признаковых карт и визуальных эмбеддингов. Состязательное обучение предназначено для повышения устойчивости к некоторым состязательным воздействиям, однако карточка не приводит оценок точности или гарантий устойчивости. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0.

Inception-v3 — модель классификации изображений и извлечения визуальных признаков из семейства Inception. Её обучили авторы оригинальной работы на ImageNet-1k; Ross Wightman перенёс веса из TensorFlow. Модель содержит около 23,8 млн параметров и рассчитана на изображения размером 299 × 299 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальную основу для прикладных систем компьютерного зрения. Репозиторий предоставляет веса PyTorch и safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0.

InternVL3-38B-Instruct-GGUF — мультимодальная instruction-tuned модель, опубликованная Unsloth на основе OpenGVLab/InternVL3-38B. Это SFT-версия InternVL3: она прошла нативное мультимодальное предварительное обучение и дообучение с учётом инструкций, но не проходила MPO. Модель предназначена для понимания изображений и текста, мультимодального восприятия и рассуждений, работы с инструментами, создания GUI-агентов, промышленного анализа изображений и задач 3D-восприятия. Заявлена поддержка multilingual-сценариев. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-6B-448px-V2_5 и языковую часть Qwen2.5-32B; общий размер семейства для этой конфигурации — 38B параметров. Распространяемая версия представлена в формате GGUF и использует квантизацию Unsloth Dynamic 2.0, однако конкретный вариант квантизации, требования к памяти и размер контекста в предоставленных данных не указаны. Сильными сторонами являются сочетание анализа изображений с генерацией текста, мультимодальное рассуждение и широкий спектр прикладных сценариев. Модель может быть менее подходящей для задач, требующих точных гарантий фактической корректности, а значительный размер и мультимодальная архитектура предполагают высокие требования к вычислительным ресурсам. Для выбора между версиями семейства авторы рекомендуют рассмотреть базовую InternVL3-38B. В метаданных указана лицензия Apache-2.0; также приведена ссылка на лицензию Qwen.

Janus-4o-7B — мультимодальная модель FreedomIntelligence, дообученная на базе deepseek-ai/Janus-Pro-7B с использованием набора ShareGPT-4o-Image. Она генерирует изображения по текстовым запросам и редактирует изображения по тексту и входному изображению; авторы сообщают об улучшениях генерации относительно Janus-Pro-7B. Модель предназначена для создания и редактирования изображений по текстовым инструкциям. README отмечает, что качество данных ShareGPT-4o-Image основано на дистилляции GPT-4o-Image, но это не означает сопоставимых возможностей самой Janus-4o: по общей производительности она уступает GPT-4o-Image. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

Copycats/koelectra-base-v3-generalized-sentiment-analysis — модель классификации текста, построенная на архитектуре ELECTRA и предназначенная для определения тональности отзывов на корейском языке. Она различает два класса: отрицательный и положительный отзыв. Модель содержит 140,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и работает через библиотеку Transformers. Модель подходит для автоматической сортировки отзывов по тональности и анализа мнений в корейских текстах. Веса доступны в форматах PyTorch и Safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Kavi Labs публикует FP8-квантизированную версию Krea 2 Turbo в формате Diffusers для генерации изображений по текстовому описанию. Репозиторий содержит готовый конвейер Krea2Pipeline с весами в FP8: линейные проекции трансформера используют динамическую квантизацию W8A8 по строкам, а текстовый энкодер Qwen3-VL-4B — квантизацию весов FP8. Базовая модель Krea 2 Turbo имеет 12 млрд параметров и рассчитана на англоязычные запросы. Модель предназначена для быстрого создания изображений; README приводит примеры фотореалистичных сцен и настройки генерации в 8 шагов при guidance scale 0.0. Заявленный объём весов — 17,7 ГБ видеопамяти; для ускорения FP8-вычислений указаны GPU поколения Ada Lovelace, Hopper и новее, включая RTX 4090 и L40. Амперные GPU могут сэкономить память, но не получают ускорение FP8 Tensor Core. Для загрузки используется Diffusers и Krea2Pipeline. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

LibreOWLv2l14 — модель компьютерного зрения из набора LibreYOLO, созданная как зеркало весов OWLv2 large patch-14 ensemble от Google LLC для использования в обёртке LibreYOLO LibreOpenVocab. Она обнаруживает объекты на изображениях по текстовым запросам и поддерживает открытый словарь категорий: пользователь задаёт названия классов, например person, dog или car, а модель находит соответствующие объекты. Модель основана на архитектуре OWLv2 и предназначена для детекции объектов с открытым словарём. В README указано, что обученные параметры не менялись: репозиторий сохраняет снимок файлов Transformers для загрузки через LibreYOLO. Распространяется по лицензии Apache 2.0.

Llama 4 Scout — мультимодальная инструкционная модель Meta на архитектуре Mixture of Experts с ранним объединением текстовой и визуальной информации. Репозиторий Unsloth содержит вариант, описанный как исходная модель Llama 4 Scout без изменений, подготовленный для дообучения средствами Unsloth; метаданные указывают базовую модель meta-llama/Llama-4-Scout-17B-16E-Instruct. В README Scout описана как модель с 17 млрд параметров и 16 экспертами. Модель предназначена для диалогов с ассистентом, понимания изображений и визуальных рассуждений: она может описывать изображения, распознавать визуальное содержимое и отвечать на вопросы о нём. Заявлена поддержка арабского, английского, французского, немецкого, хинди, индонезийского, итальянского, португальского, испанского, тагальского, тайского и вьетнамского языков. README сообщает, что модель тестировалась на входах до пяти изображений. Модель доступна по пользовательской лицензии Llama 4 Community License Agreement с условиями коммерческого и исследовательского использования и соблюдением Acceptable Use Policy. К ограничениям относятся статичный обучающий набор, отсутствие гарантии будущих обновлений и необходимость дополнительного тестирования при подаче более пяти изображений или использовании за пределами явно поддерживаемых языков и возможностей.

MVANet-ONNX — модель сегментации изображений в формате ONNX, опубликованная в коллекции onnx-community и предназначенная для запуска через Transformers.js. Она использует архитектуру семейства Swin и выделяет области изображения попиксельно; теги модели также указывают на применение для удаления фона. Репозиторий содержит модель ONNX и распространяется по лицензии MIT. Модель подходит для отделения объекта или переднего плана от фона в изображениях и интеграции такой обработки в JavaScript-приложения. В README приведён пример установки библиотеки Transformers.js. Данные о размере модели, контекстном окне и поддерживаемых естественных языках не приводятся; языковой ввод не заявлен.