IV.1Ритейл, электронная коммерция и fashion-tech

wjunwei/ecommerce_text_embedding — дообученная модель Sentence Transformers на базе avsolatorio/GIST-Embedding-v0 для представления предложений и абзацев в виде плотных текстовых эмбеддингов. Она использует BERT с пуллингом CLS-токена и нормализацией векторов; размерность эмбеддинга — 768, максимальная длина входа — 512 токенов. Для сравнения векторов подходит косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Название и обучающий набор указывают на связь с электронной коммерцией, но карточка не уточняет конкретные товарные сценарии или языковую специализацию. Доступна в формате safetensors через библиотеку sentence-transformers; размер модели — 136,7 млн параметров. Лицензия в предоставленных данных не указана.

Granite-TTM-R3 — компактная предварительно обученная модель прогнозирования временных рядов из семейства Granite, разработанная IBM на основе TinyTimeMixer. Вариант в этом репозитории содержит 2,3 млн параметров и представлен в формате safetensors; архитектура относится к семейству TinyTimeMixer и использует эффективные mixer-блоки без дорогостоящего self-attention. Модель предназначена для прогнозирования временных рядов, в том числе на новых наборах данных без дообучения, с адаптацией на небольшом числе примеров и после полного дообучения под конкретную область. Поддерживаются многомерные ряды, дополнительные и управляющие переменные, а также пакетный инференс. В карточке описаны декомпозиция тренда и остатка, многомасштабная обработка временных зависимостей, частотные признаки и вероятностные прогнозы по квантилям. Компактный размер и заявленная высокая пропускная способность делают модель подходящей для масштабного и низколатентного прогнозирования, включая развёртывание на CPU. Результаты точности и скорости приведены в карточке модели; они зависят от данных и условий измерения. Модель распространяется по лицензии Apache-2.0.

Ostrakon-VL-8B — мультимодальная модель Ostrakon, дообученная для сценариев розничной торговли и общественного питания. Она принимает изображения вместе с текстовыми запросами и генерирует ответы на вопросы, описание сцен и выводы для проверок соответствия правилам. Модель основана на Qwen3-VL-8B-Instruct, имеет плотную архитектуру с 7,6 млрд параметров и контекст длиной до 262 144 токенов. Модель предназначена для анализа торговых залов, витрин и кухонь: распознавания объектов и текста, локализации товаров, пространственных рассуждений и проверок соблюдения требований. В карточке приведены результаты Ostrakon-VL-8B на ShopBench и описана многоэтапная стратегия дообучения; сам бенчмарк пока не опубликован. Поддержка видео заявлена для семейства Ostrakon-VL и бенчмарка, но метаданные этой версии указывают только задачу обработки изображений и текста. Лицензия — Apache-2.0.

Репозиторий Yahoo Inc. сопровождает исследовательскую работу о генерации фона вокруг заметного объекта с помощью текстово-управляемых диффузионных моделей. Он предназначен для создания или замены фона на изображении, сохраняя идентичность и форму главного объекта; среди возможных сценариев авторы отмечают подготовку рекламных изображений для электронной коммерции. В отличие от обычного заполнения маски, подход нацелен на снижение нежелательного расширения или искажения объекта при генерации. Модель загружается как конвейер Diffusers на основе StableDiffusionControlNetInpaintPipeline; поддерживаются генерация изображения по тексту и преобразование изображения. Репозиторий связан с работой, принятой на семинар CVPR 2024 Generative Models for Computer Vision. Лицензия — Apache-2.0. В README не приведены размер модели, длина контекста или список поддерживаемых языков.

ProCIR — мультимодальная модель размером 0,8 млрд параметров, разработанная для поиска товаров по составному запросу, который сочетает изображение и текст. Модель дообучена на FashionMV на базе Qwen/Qwen3.5-0.8B и использует диалоговую архитектуру, разделяющую восприятие и рассуждение, а также выравнивание изображений и текста для представления знаний о товарах. Модель предназначена для многоракурсного поиска товаров в каталогах одежды: например, чтобы найти товар, похожий на изображение, но с заданными текстом изменениями. В README приведены результаты на DeepFashion, Fashion200K и FashionGen-val; для запуска предлагается использовать Transformers и AutoProcessor. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. Описание не уточняет поддерживаемые языки или длину контекста.

AhmedBarka/qwen3-embedding-0.6b-arabic-ecom-phase2 — плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная в два этапа для семантического поиска товаров в арабоязычной электронной коммерции. Она предназначена для поиска кандидатов по коротким запросам и названиям товаров, а также для передачи оценок сходства обучаемому ранжировщику. Модель использует архитектуру Qwen3Model, содержит 507,6 млн параметров, представлена в формате safetensors и поддерживает контекст до 32 768 токенов. Для заявленного сценария авторы рекомендуют при кодировании запросов и документов не добавлять инструкцию запроса; в примере использования максимальная длина последовательности ограничена 128 токенами. Модель обучена на парах из набора prestoai/arabic-ecom-data и ориентирована на арабский язык. На тесте задачи модель улучшила полноту найденных релевантных товаров в топ-50 относительно лексического поиска, но хуже упорядочивала результаты при сильном лексическом совпадении. Поэтому она подходит для расширения списка кандидатов и подачи признака сходства ранжировщику, но не для замены лексического поиска при переупорядочивании сильных совпадений. Лицензия — Apache-2.0.

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

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

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

Карточка модели wolf1280/Qwen-Image-Edit-2509 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2509, поэтому описание составлено по ней. Qwen-Image-Edit-2509 — модель редактирования изображений от команды Qwen, выпущенная как сентябрьское обновление Qwen-Image-Edit. Она принимает текстовые инструкции и от одной до трёх входных картинок; поддерживает сочетания изображений людей, товаров и сцен, а также условия ControlNet, включая карты глубины, контуров и ключевых точек. Модель предназначена для редактирования изображений с сохранением важных деталей исходника. Она улучшает сохранение личности человека при смене позы и художественного стиля, помогает сохранять идентичность товара при создании постеров, а также позволяет менять текст на изображении, его шрифт, цвет и материал. Среди сценариев применения — создание мемов и постеров, восстановление старых фотографий и комбинирование нескольких изображений. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. Оптимальные результаты для многокартинного ввода заявлены для одного–трёх изображений; численные характеристики размера модели и длины контекста в предоставленных данных отсутствуют.

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

Ionio-ai/retail_embedding_classifier_v1 — дообученная на BAAI модель Sentence Transformers на основе BAAI/bge-base-en. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Название указывает на розничную тематику, а пример обучающих данных содержит описания товаров; обучение проводилось на 174 064 парах текстов с оценками сходства, однако README не уточняет состав всего набора данных или результаты оценки качества. Архитектура включает BERT-трансформер, пулинг CLS-токена и нормализацию эмбеддингов. Максимальная длина входа — 512 токенов; модель содержит 136,7 млн параметров и распространяется в формате safetensors. Базовая модель BAAI/bge-base-en англоязычная, поэтому основным языком применения следует считать английский. Лицензия в предоставленных данных не указана.

SBERT-ru-sentiment-RuReviews — модель семейства SBERT-Large, дообученная на наборе RuReviews с русскоязычными отзывами о товарах категории «Женская одежда и аксессуары» на крупной российской площадке электронной коммерции. В метаданных указана архитектура BERT для классификации последовательностей, размер около 525,7 млн параметров и контекст до 512 токенов. Модель предназначена для классификации тональности русскоязычных отзывов о товарах. Её можно применять для автоматической сортировки отзывов по тональности и анализа мнений покупателей в указанной товарной категории. Доступны версии весов PyTorch и Flax; карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Xenova/segformer_b2_clothes — модель сегментации изображений на основе SegFormer B2, адаптированная командой Xenova из модели mattmdjaga/segformer_b2_clothes. Она распространяется с весами в формате ONNX для совместимости с библиотекой Transformers.js и предназначена для выполнения в JavaScript- и web-сценариях. Модель анализирует изображения и выделяет области, связанные с одеждой и внешностью человека, формируя отдельные маски для классов, например Background и Hair. Она подходит для виртуальной примерки, анализа изображений одежды, удаления или замены фона, создания визуальных эффектов и других задач семантической сегментации. Поддерживается обработка изображений через pipeline image-segmentation в Transformers.js. Ключевые характеристики включают архитектуру SegFormer B2, работу с одной модальностью — изображениями, и формат ONNX. README не содержит сведений о количестве параметров, максимальном размере контекста, наборе языков, точности, ограничениях по разрешению изображений или полном перечне классов. Лицензия в предоставленных данных не указана, поэтому условия коммерческого и иного использования следует уточнять в исходном репозитории mattmdjaga/segformer_b2_clothes.

yolo12138/segformer-b2-cloth-parse-9 — модель сегментации изображений, разработанная на основе mattmdjaga/segformer_b2_clothes и дообученная на наборе cloth_parsing_mix. Она присваивает пикселям изображения метки одежды и частей тела, включая торс, рукава, брюки, юбки и воротники. Модель построена на архитектуре SegFormer B2 и предназначена для разметки одежды на изображениях, например для анализа предметов гардероба или подготовки масок сегментации. В оценке на тестовом наборе указаны Mean IoU 0,8611 и общая точность 0,9846; качество различается между классами, а внешний воротник размечается заметно хуже торса и рукавов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

dnzblgn/Sentiment-Analysis-Customer-Reviews — англоязычная модель классификации тональности отзывов покупателей, созданная на основе microsoft/deberta-v3-base и дообученная для бинарного определения положительной или отрицательной оценки текста. Она предназначена для анализа отзывов о товарах, например для автоматической сортировки откликов и мониторинга удовлетворённости клиентов. Модель построена на архитектуре DeBERTa v3 Base и содержит 306 млн параметров. Она принимает текст и выдаёт метку класса с оценкой уверенности; максимальная длина контекста — 512 токенов. В README приведены результаты на подмножестве датасета Amazon Reviews: accuracy 0,98, precision 0,98, recall 0,99 и F1 0,98. Эти показатели относятся к описанной оценке и не гарантируют такое же качество на других источниках отзывов. Лицензия — Apache-2.0.

TiRex-2 — предварительно обученная модель временных рядов от NX-AI для прогнозирования на основе исторических наблюдений. Она поддерживает прогнозирование одного или нескольких целевых рядов, а также может учитывать прошлые и известные заранее дополнительные признаки: календарные события, праздники, акции и запланированные вмешательства. Один чекпойнт предназначен для однофакторных и многофакторных сценариев; модель работает без дообучения на данных конкретной задачи. Модель рассчитана на zero-shot прогнозирование, в том числе в сценариях, где наблюдения поступают последовательно. В однофакторном режиме активируется 38,4 млн параметров, а для многофакторного прогнозирования задействуется ещё 44,1 млн. Репозиторий предоставляет веса PyTorch и код инференса; метаданные указывают библиотеку tirex-2 и лицензию Apache-2.0. Модель подходит для прогнозирования нескольких связанных временных рядов с известными будущими факторами. В README потоковое обновление прогнозов без пересчёта всей истории и оптимизации для специализированного оборудования перечислены как возможности версии TiRex-2 Pro, поэтому их нельзя считать подтверждёнными для этого открытого чекпойнта. Также заявленные результаты zero-shot не гарантируют одинакового качества на всех наборах данных.

Trendyol LLM-8B-T1 — диалоговая языковая модель Trendyol с 7,6 млрд параметров, дообученная на базе Qwen3-8B на турецких данных электронной торговли. Она предназначена прежде всего для рассуждений на турецком языке, сохраняя возможности английского, и поддерживает режимы `/think` с явным рассуждением и `/no_think` с кратким ответом. Модель подходит для следования инструкциям, суммаризации и перефразирования, задач с кодом, классификации отзывов и извлечения атрибутов товаров для каталогов. Архитектура — плотная Qwen3 для генерации текста; метаданные указывают контекст до 40 960 токенов. Модель специализируется на лексике электронной торговли, включая моду, электронику, отзывы и товарные каталоги. Она может выдавать ошибочную или вводящую в заблуждение информацию, а работа с разговорной речью, сленгом и языками помимо турецкого и английского может быть менее надёжной. README отмечает риск предвзятых или вредоносных ответов и ограниченную проверку в реальных сценариях. Лицензия Apache-2.0 допускает коммерческое и исследовательское использование.

LamaDiab/v3MiniLM-V18Data-256ConstantBATCH-SemanticEngine — дообученный на базе sentence-transformers/all-MiniLM-L6-v2 энкодер предложений, опубликованный пользователем LamaDiab. Модель преобразует предложения и абзацы в плотные векторы размерностью 384 и сравнивает их по косинусному сходству. Архитектура состоит из BERT-энкодера, усредняющего пулинга токенов и нормализации; максимальная длина входа по карточке — 256 токенов, а метаданные указывают контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В README приведён обучающий набор из 705 905 примеров с товарными запросами и категориями, поэтому особенно уместны поиск похожих товаров и сопоставление коротких описаний. Для неё указан английский базовый энкодер; поддержка других языков не подтверждена. Лицензия в предоставленных данных не указана.

LiYuan/amazon-review-sentiment-analysis — модель на архитектуре BERT, дообученная на наборе отзывов покупателей Amazon из США. Она классифицирует отзыв по тональности, предсказывая оценку от одной до пяти звёзд. Модель рассчитана на отзывы на английском, нидерландском, немецком, французском, испанском и итальянском языках; регистр букв не влияет на обработку. Размер модели — 194,6 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для автоматической оценки тональности и рейтинга товаров по текстам отзывов, а также для дообучения на близких задачах анализа отзывов. В описанной оценке на отложенной выборке указана точность 0,8. Модель основана на nlptown/bert-base-multilingual-uncased-sentiment и распространяется по лицензии Apache-2.0.

dtunkelang/bag-of-documents-minilm-esci-supervised — англоязычная Sentence Transformer модель, разработанная на основе sentence-transformers/all-MiniLM-L6-v2 и дообученная на метках релевантности ESCI с помощью MultipleNegativesRankingLoss. Она предназначена для семантического поиска и оценки сходства между запросами и текстами товаров; автор описывает её как базовый вариант для сравнения в исследовании поиска по наборам документов. Модель использует энкодер BERT с усреднением токенных представлений и нормализацией выходов. Она преобразует текст в плотные векторы размерностью 384, сравниваемые косинусной близостью. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; в README заявлен максимум последовательности 256 токенов, поэтому фактический лимит следует учитывать при использовании. Подходит для семантического поиска товаров, ранжирования кандидатов по запросу и сравнения текстов. Модель принимает и выдаёт текстовые представления через эмбеддинги, не генерирует ответы. Распространяется по лицензии Apache-2.0.

Cartographer E-Commerce Reranker — компактная модель перекрёстного энкодера на архитектуре BERT, созданная Сохайлом Ханом и Найбуром Рахманом Ханом. Она дообучена на Amazon Shopping Queries Dataset (ESCI) от cross-encoder/ms-marco-MiniLM-L-6-v2 и предназначена для переоценки результатов товарного поиска: получает пару «запрос — товар» и выдаёт оценку релевантности. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; модель работает с текстом на английском языке, а версия обучения использовала только названия товаров. Её применяют на втором этапе поиска: после отбора кандидатов с помощью BM25 или биэнкодера модель уточняет их порядок. На тестовом разбиении ESCI авторы сообщают улучшение nDCG@5, nDCG@10 и nDCG@20 относительно базовой модели. Модель обучалась регрессии на градуированные уровни релевантности ESCI — точное совпадение, заменитель, дополнение и нерелевантный товар. Качество может снижаться при переносе на каталоги, отличающиеся от Amazon; оценки заменителей и дополняющих товаров близки и частично перекрываются. Для сложных запросов может потребоваться более крупный реранкер. Лицензия — MIT.

Chronos-T5 Mini — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она основана на архитектуре T5 и преобразует числовые ряды в токены с помощью масштабирования и квантования; метаданные указывают 9,8 млн параметров и контекст 512 токенов. При обучении использовались открытые временные ряды и синтетические данные, созданные с помощью гауссовских процессов. Модель генерирует вероятностные прогнозы, авторегрессионно выбирая будущие значения; несколько сгенерированных траекторий позволяют оценить распределение прогноза. Модель предназначена для прогнозирования будущего по историческим наблюдениям в задачах анализа временных рядов. В README размер этой версии указан как 20 млн параметров, тогда как метаданные каталога приводят 9,8 млн; поэтому размер в описании взят из метаданных. Модель доступна под лицензией Apache-2.0. README сообщает о более новых Chronos-Bolt, которые быстрее и точнее исходных моделей того же размера, что может быть основанием рассмотреть их для сценариев с высокими требованиями к скорости или точности.

Модель dima806/clothes_image_detection — дообученный Vision Transformer для определения категории одежды на изображении. Она принимает изображение и возвращает метку класса одежды; в README заявлена точность около 78%. Модель основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и распространяется в формате safetensors через Transformers. Модель подходит для автоматической категоризации одежды в каталогах товаров и для распознавания типов одежды на фотографиях. Лицензия Apache-2.0 разрешает использование на её условиях.

Это DETR — трансформерная модель сквозного обнаружения объектов с backbone ResNet-50, дообученная автором репозитория на наборе SKU110K. Она предназначена для поиска и локализации товаров на изображениях полок розничных магазинов; при обучении использовалось 400 запросов объектов. В наборе SKU110K указано 8 219 размеченных изображений для обучения, 588 для валидации и 2 936 для тестирования. На валидационной части автор сообщает mAP 58,9. Модель принимает изображения и выдаёт рамки обнаруженных объектов с оценками классов. Репозиторий содержит веса в формате safetensors; размер параметров в метаданных указан как 6,3 млн. Лицензия — Apache-2.0. Описание сфокусировано на товарах SKU110K, поэтому пригодность для других категорий объектов не подтверждена.

Это модель классификации изображений одежды, разработанная Touchtech и дообученная на датасете touchtech/fashion-images-gender-age. Она основана на Vision Transformer ViT-Large с патчами 16×16, предобученном на ImageNet-21k; содержит 402,7 млн параметров и предназначена для определения пола и возраста по изображениям из сферы моды. На оценочном наборе автор сообщает точность 0,9960 и функцию потерь 0,0223. Модель принимает изображения и выдаёт метки классов. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не раскрывает состав классов, методику оценки и подробности обучающих данных, поэтому приведённые метрики не гарантируют аналогичного качества на других изображениях.

HamidRezaAttar/gpt2-product-description-generator — модель на базе GPT-2, дообученная на метаданных товаров для дома с Amazon. По текстовой подсказке она генерирует описания таких товаров, например для заполнения карточек каталога или подготовки черновиков товарного контента. Модель использует архитектуру GPT-2 с причинной генерацией текста; формат весов — PyTorch. Карточка указывает англоязычные данные, а метаданные — английский язык и контекст до 1024 токенов. Модель распространяется по лицензии Apache-2.0.

camenduru/IDM-VTON-F16 — это опубликованный пользователем camenduru вариант модели IDM-VTON, разработанной авторами во главе с Yisol Choi; в репозитории указана благодарность yisol. Модель предназначена для image-based virtual try-on: по изображению человека и изображению одежды она генерирует изображение человека в выбранном предмете гардероба. Основной сценарий — виртуальная примерка одежды на фотографиях, включая работу с наборами VITON-HD и DressCode, на которых оценивался оригинальный метод. Репозиторий классифицирует модель как Image-to-Image и StableDiffusionXLInpaintPipeline в формате Diffusers. В составе находятся компоненты Stable Diffusion XL inpainting, включая text encoder, UNet, VAE, tokenizer и дополнительные каталоги модели. Это визуальная модель, а не языковая; сведения о поддерживаемых языках, размере контекстного окна и точном числе параметров для данного варианта не указаны. Размер файлов репозитория составляет около 6 ГБ, а для запуска в примере используется torch.bfloat16 и GPU. Сильная сторона модели — генерация реалистичных изображений виртуальной примерки с сохранением внешнего вида человека и характеристик одежды в различных сценах. Ограничения включают зависимость от качества и соответствия входных изображений, необходимость значительных вычислительных ресурсов и отсутствие подробной карточки модели с результатами оценки, ограничениями безопасности и точными характеристиками именно варианта F16. На странице camenduru/IDM-VTON-F16 лицензия не указана; у исходного IDM-VTON разработчики указывают CC BY-NC-SA 4.0, но применимость этой лицензии к производному репозиторию следует проверить отдельно.

chenbowen184/instacart-two-tower-sbert — англоязычная Sentence Transformer модель, разработанная на основе sentence-transformers/all-MiniLM-L6-v2 и дообученная для поиска товаров по данным Instacart. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерностью 384; в README указана функция сходства cosine similarity. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а в архитектуре модели из README задана максимальная длина последовательности 256 токенов. Модель подходит для семантического поиска товаров и сопоставления описаний, в частности для рекомендаций продуктов по истории покупок и поиска похожих позиций. README сообщает о дообучении на 1 246 220 обучающих примерах с парами anchor и positive и приводит результаты оценки поиска на наборе order-recommendation. Векторы также можно использовать для кластеризации и классификации текстов, однако эти сценарии не описаны как отдельная специализация обучения. Лицензия в предоставленных данных не указана.

Llama 4 Maverick — мультимодальная модель Meta для диалога и понимания изображений. Она использует авторегрессионную архитектуру mixture-of-experts с 17 млрд параметров и 128 экспертами, а также раннее объединение модальностей для работы с текстом и изображениями. В репозитории доступны веса Safetensors для Transformers. Модель предназначена для коммерческих и исследовательских сценариев: чат-помощников, визуального анализа, распознавания объектов и сцен, описания изображений и ответов на вопросы по ним. Она поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. Модель проверена для анализа до пяти изображений на вход. Для использования действует пользовательская Llama 4 Community License Agreement. Модель обучена на статичном офлайн-наборе данных. Возможности и качество могут различаться в зависимости от языка и сценария; для работы с большим числом изображений, чем проверенное, требуется дополнительная проверка и настройка.