IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели nuresens/ALL_PAD_MERGE_v3 на Hugging Face совпадает с карточкой nuresens/ALL_PAD_MERGE_v2, поэтому описание составлено по ней. nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

Chronicle — компактная мультимодальная модель InertialAI для совместного понимания естественного языка и временных рядов. Это 324-миллионный декодерный трансформер с 16 слоями, обученный с нуля на текстах и временных рядах; токены текста и патчи рядов обрабатываются общими блоками трансформера. В репозитории представлены контрольные точки двух этапов обучения, для второй этапной версии контекст составляет 4096 токенов, а для первой — 2048; патчи временного ряда охватывают 32 шага. Модель предназначена для прогнозирования временных рядов, получения эмбеддингов для классификации рядов и мультимодальных сценариев, сочетающих числовые последовательности с текстом. Также заявлена языковая обработка на уровне моделей сопоставимого размера. В README приведены результаты оценок на наборах задач NLU, классификации и мультимодального прогнозирования; это результаты авторов, для воспроизведения которых указаны статья и код проекта. Веса доступны в формате safetensors, реализация инференса использует PyTorch. Модель опубликована под лицензией Apache-2.0. Данные о поддерживаемых языках ограничены тегом английского языка в метаданных; точный охват языков и сценариев следует проверять на целевом наборе данных.

CIDAS/clipseg-rd64 — модель для сегментации изображений по текстовым или визуальным подсказкам. Она основана на CLIPSeg с уменьшением размерности до 64 и реализована архитектурой CLIPSegForImageSegmentation. Модель предназначена для zero-shot и one-shot сценариев: можно выделять области изображения, задавая текстовое описание или пример изображения. Модель подходит для интерактивного поиска и выделения объектов без обучения на конкретных классах, а также для сегментации по одному примеру. Карточка ссылается на статью «Image Segmentation Using Text and Image Prompts» Лүддеке и соавторов. Доступны веса PyTorch и Safetensors; лицензия — Apache 2.0. Для работы требуются изображения и текстовые или визуальные подсказки.

CIDAS/clipseg-rd64-refined — модель CLIPSeg для сегментации изображений, основанная на работе Image Segmentation Using Text and Image Prompts авторов Lüddecke и соавторов. Вариант использует уменьшение размерности до 64 и более сложную свёрточную часть для уточнения маски. Модель предназначена для сегментации по текстовому или визуальному запросу в режимах zero-shot и one-shot: она выделяет на изображении область, соответствующую заданному понятию или примеру. Подходит для интерактивного поиска объектов и подготовки масок без обучения отдельного классификатора для каждого класса. Модель опубликована в формате PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Карточка отсылает к документации по использованию; сведения о поддерживаемых языках и конкретных ограничениях качества в ней не приведены.

CogVideoX1.5-5B-I2V — открытая модель генерации видео из изображения, разработанная командой Zhipu AI (THUDM). Она принимает исходное изображение и текстовый запрос на английском языке и создаёт видео, развивая изображение согласно описанию. Модель доступна для запуска через библиотеку Diffusers; репозиторий содержит веса в формате safetensors. Модель предназначена для создания коротких видеосцен на основе изображения и текстовой подсказки. Для запуска предусмотрены оптимизации памяти Diffusers; дополнительная квантизация компонентов может снизить требования к видеопамяти, но замедлить генерацию. Модель рассчитана на английские запросы: текст на других языках рекомендуется предварительно переводить на английский. Лицензия указана как other, поэтому условия использования следует уточнять по файлам репозитория и условиям разработчика. В README также отмечены ограничения тестирования оптимизаций на оборудовании, отличном от NVIDIA A100/H100.

CSP-ResNeXt-50 RA — сверточная модель классификации изображений из семейства timm, обученная на ImageNet-1k. Архитектура сочетает идеи CSPNet и ResNeXt; в карточке указано 20,6 млн параметров, 4,0 GMACs и рекомендованный размер входного изображения 256 × 256 пикселей. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Обучение выполнено с рецептом RandAugment, оптимизатором RMSProp с усреднением весов EMA и ступенчатым экспоненциальным спадом скорости обучения с прогревом. Подходит для классификации изображений и получения визуальных признаков в прикладных системах компьютерного зрения. Распространяется по лицензии Apache-2.0.

Это модель извлечения признаков изображений для библиотеки timm, созданная как нативное переотображение весов DeepSeek-V4-Flash-Vision-Exp без дополнительного обучения. В репозитории нет весов языковой модели и обученной головы классификации. Визуальный энкодер использует патчи 14×14, блоки SwiGLU, RMSNorm и двумерное осевое RoPE. Модель сохраняет пространственный выравниватель, который группирует токены патчей 3×3 и проецирует их в пространство ширины 4096; ширина основы — 1024. При размере изображения 392×392 модель выдаёт векторные представления изображения, а также позволяет получать промежуточные карты признаков. Поддерживаются прямоугольные изображения с ограничениями на кратность размеров патчу и дополнение границ. Модель предназначена для извлечения визуальных эмбеддингов и подготовки признаков для последующей классификации или других задач компьютерного зрения. Голова классификации отсутствует, поэтому для классификации требуется обучить новую голову на целевом наборе данных. Лицензия — MIT.

Это преобразованная в формат Keras 3 модель zeromodels на основе facebook/dinov3-convnext-base-pretrain-lvd1689m, созданной авторами DINOv3 из Meta. Модель использует архитектуру ConvNeXt Base и предназначена для извлечения визуальных признаков из изображений; это самообученный backbone без специализированной выходной головы для отдельной задачи. Полученные признаки можно использовать для обучения downstream-классификаторов и других задач компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX. Для подготовки входных изображений предусмотрен процессор нормализации; при его использовании нормализацию следует отключить на стороне модели, чтобы не применять её повторно. Репозиторий содержит конверсию upstream-весов в TensorFlow-формат. Лицензия указана как other и отсылает к лицензии DINOv3; upstream-веса доступны на условиях этой лицензии.

ECA-NFNet-L0 — предварительно обученная на ImageNet модель классификации изображений из семейства NFNet, опубликованная под организацией timm. Вариант уменьшен относительно F0 для повышения скорости работы и снижения потребления памяти на GPU. Архитектура не использует слои нормализации: вместо них применяются стандартизированные по весам свёртки с дополнительными коэффициентами масштабирования. Также модель использует Efficient Channel Attention (ECA) вместо Squeeze-Excitation и активации SiLU вместо GELU. Модель классифицирует изображения по 1000 меткам ImageNet; её также можно дообучить для классификации с другим набором меток, сегментации или обнаружения объектов. Для оценки ImageNet указаны точность top-1 82,6% и top-5 96,5%. Репозиторий доступен в форматах PyTorch и Safetensors, для работы предусмотрена библиотека timm. Лицензия — Apache-2.0. Обучающие изображения преимущественно представляют фотографии, ясно соответствующие одной из категорий ImageNet, поэтому модель может хуже работать с рисунками и сценами с несколькими объектами. Географическое распределение данных также может влиять на качество для изображений из разных стран; унаследованные от ImageNet смещения могут проявляться в предсказаниях.

ECA-ResNet-D — свёрточная модель классификации изображений и извлечения признаков, обученная Alibaba MIIL на ImageNet-1k. Она использует остаточную архитектуру ResNet-D с трёхслойным начальным блоком из свёрток 3×3, усредняющим пулингом в shortcut-связях и механизмом Efficient Channel Attention. Модель содержит 44,6 млн параметров; для обучения использовался размер изображения 224×224, для оценки — 288×288. Модель предназначена для отнесения изображений к категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов. Её можно использовать как визуальный backbone в системах поиска по изображениям и как компонент компьютерного зрения. В репозитории доступны веса PyTorch и safetensors, библиотека — timm. Лицензия Apache-2.0.

efficientnetv2_rw_s.ra2_in1k — модель классификации изображений и извлечения визуальных признаков из семейства EfficientNetV2, подготовленная разработчиками timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp с усреднением весов EMA и ступенчатым экспоненциальным расписанием скорости обучения. Модель содержит 23,9 млн параметров; изображение для оценки подаётся в размере 384 × 384 пикселя, а размер обучения составлял 288 × 288 пикселей. Модель подходит для присвоения изображениям классов ImageNet-1k, использования в качестве визуальной основы для извлечения карт признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги при использовании соответствующего интерфейса timm. В метаданных указаны библиотека timm и форматы PyTorch и safetensors. Лицензия — Apache-2.0.

Falcon2-11B-vlm — мультимодальная модель компании TII с 11 млрд параметров. Она построена на дообученной для диалога языковой модели Falcon2-11B и использует визуальный энкодер CLIP ViT-L/14; для изображений высокого разрешения применяется динамическое кодирование, помогающее распознавать мелкие детали. Модель предназначена для ответов на вопросы об изображениях и других сценариев взаимодействия с изображениями и текстом. Она обучалась на более чем 5 трлн токенов RefinedWeb и отобранных корпусах, а визуальные возможности добавлены обучением на парах изображение—текст. Основной язык — английский; заявлена также поддержка немецкого, испанского, французского, итальянского, португальского, польского, нидерландского, румынского, чешского и шведского, но качество на других языках может быть ограниченным. Модель выпущена под лицензией TII Falcon License 2.0 на основе Apache 2.0 с политикой допустимого использования. Карточка предостерегает от производственного применения без оценки рисков и мер снижения вреда. Модель может наследовать стереотипы и предвзятость из веб-данных; для запуска с Transformers требуется PyTorch 2.0.

FocalNet Large FL4 — модель для классификации изображений и извлечения визуальных признаков из семейства FocalNet, представленная авторами статьи. Она предварительно обучена на ImageNet-22k и содержит около 239,3 млн параметров. Модель рассчитана на изображения размером 384 × 384 пикселя; её можно использовать как классификатор, визуальный backbone, для извлечения карт признаков и эмбеддингов изображений. Модель подходит для распознавания объектов и категорий на изображениях, а также как компонент компьютерного зрения в более сложных системах. Репозиторий предоставляет веса в форматах PyTorch и Safetensors, а библиотека для работы с моделью — timm. Лицензия MIT разрешает коммерческое и иное использование при соблюдении её условий.

HiDream-O1-Image-Dev-2604-FP8 — квантованная версия в смешанной точности FP8 модели HiDream-ai/HiDream-O1-Image-Dev-2604 от HiDream.ai. Это 9-миллиардная модель для генерации и обработки изображений, рассчитанная на запуск через Diffusers и ComfyUI. Вариант Dev использует дистиллированный 28-шаговый режим; веса FP8 Mixed занимают около 10 ГБ видеопамяти, а чувствительные слои сохраняют более высокую точность. Архитектура исходной модели описана как Pixel-level Unified Transformer, работающий с пикселями, текстом и условиями задач в общем пространстве токенов. Модель предназначена для генерации изображений по тексту, персонализации по изображению-образцу, управления размещением объектов и позой с помощью ограничивающих рамок и скелетных условий. Она поддерживает синтез с разрешением до 2048 × 2048 и многоязычную отрисовку текста. Для редактирования изображений по инструкциям README рекомендует полную версию модели; в Dev-режиме CFG отключён, поэтому негативные промпты не влияют на результат. Репозиторий распространяется по лицензии MIT. README предупреждает о проблемах совместимости с PyTorch 2.9.x и рекомендует версии 2.8.x или ниже; ускорение FP8 зависит от видеокарты, а на старом оборудовании возможно снижение скорости из-за преобразования весов на лету.

OpenGVLab/InternVL3-14B-AWQ — квантованная AWQ-версия мультимодальной модели InternVL3-14B, разработанной OpenGVLab. Модель предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, мультимодального восприятия и рассуждений. Заявлены также сценарии использования инструментов, GUI-агентов, промышленного анализа изображений и 3D-восприятия. Архитектура построена по схеме ViT-MLP-LLM и объединяет зрительный модуль InternViT-300M-448px-V2_5, MLP-проектор и языковую часть Qwen2.5-14B. Используются динамическое разбиение изображений на фрагменты 448×448 пикселей, поддержка нескольких изображений и видео, а также Variable Visual Position Encoding (V2PE), улучшающее обработку длинного контекста. Модель заявлена как многоязычная, однако конкретный перечень языков и размер контекстного окна в README не указаны. Сильные стороны модели — мультимодальное восприятие и рассуждение, работа с изображениями, несколькими изображениями и видео, а также сниженные требования к памяти благодаря квантованию AWQ. Ограничения включают зависимость качества от точности квантования и аппаратной совместимости, а также отсутствие в представленных данных подробных результатов именно для этой квантованной версии. Лицензия указана как other с названием qwen и ссылкой на лицензию Qwen2.5-72B-Instruct.

InternVL3.5-2B-Flash — мультимодальная чат-модель семейства InternVL3.5, разработанного OpenGVLab. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы, поэтому подходит для диалога по изображениям и решения визуально-текстовых задач. Вариант Flash использует Visual Resolution Router для динамической настройки разрешения визуальных токенов; семейство также описывает раздельное размещение зрительной и языковой частей при обслуживании модели. Модель построена на архитектуре InternVLChat и дообучена на OpenGVLab/InternVL3_5-2B; карточка связывает обучение с наборами MMPR-v1.2 и MMPR-Tiny. Карточка характеризует семейство как многоязычное, но конкретные языки не перечисляет. Модель распространяется под лицензией Apache-2.0. В предоставленной карточке нет численных данных о размере контекста или подробной оценки качества именно версии 2B-Flash.

InternVL3-8B — мультимодальная модель OpenGVLab для диалога по тексту и визуальным данным. Она построена по схеме ViT-MLP-LLM: использует InternViT-300M-448px-V2_5 как визуальную часть и Qwen2.5-7B как языковую; число параметров — около 8 млрд по названию модели. Репозиторий содержит дообучение OpenGVLab/InternVL3-8B-Instruct на наборе MMPR-v1.2. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Модель предназначена для вопросов и рассуждений по изображениям, нескольким изображениям и видео, а также для обычного текстового общения. В карточке семейства также заявлены сценарии GUI-агентов, анализа промышленных изображений, понимания 3D-сцен и работы с инструментами. Динамическое разбиение изображений на тайлы 448×448 и кодирование визуальных позиций V2PE помогают обрабатывать изображения разного разрешения и длинные мультимодальные последовательности. Карточка описывает семейство как мультиязычное, но не перечисляет отдельные языки. Модель выпущена под лицензией Apache-2.0. Результаты зависят от качества входных изображений и формулировки запроса; обработка нескольких изображений увеличивает расход контекстных токенов. Для видео и инструментов конкретные ограничения и гарантии в карточке не приведены.

mlx-community/InternVL3-9B-8bit — мультимодальная чат-модель семейства InternVL3, преобразованная в формат MLX из `models/InternVL3-9B` с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и задач визуального понимания с ответами на естественном языке. Модель принимает текст и изображения и генерирует текст; в метаданных также отмечен интерфейс вызова инструментов и мультиязычная поддержка. Репозиторий содержит веса в формате safetensors и доступен по лицензии Apache-2.0. Метаданные связывают модель с дообучением OpenGVLab/InternVL3-1B-Instruct и указывают датасет OpenGVLab/MMPR-v1.2, однако README описывает конверсию из InternVL3-9B; поэтому точная цепочка происхождения и базовая модель требуют осторожной интерпретации. Размер 9B указан в имени модели, а исходная модельная карточка предлагается как источник дополнительных сведений.

Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

LibreSAM2large — перепубликованный снимок SAM 2.1 Hiera Large от LibreYOLO для уровня сегментации с визуальными подсказками LibreSAM. Модель предназначена для выделения объектов на изображениях по точкам и другим визуальным подсказкам; семейство SAM 2 также поддерживает отслеживание объектов между кадрами видео. Веса не изменены относительно facebook/sam2.1-hiera-large; репозиторий содержит совместимые с Transformers файлы в формате safetensors. Модель использует архитектуру Sam2VideoModel. Лицензия — Apache-2.0. Карточка демонстрирует запрос сегментации изображения с положительной точечной подсказкой.

Это сверточная модель MobileNetV4 с антиалиасингом BlurPool для классификации изображений и извлечения признаков. Её обучил Ross Wightman на ImageNet-1k с помощью скриптов timm и гиперпараметров, основанных на статье MobileNetV4 и дополненных настройками timm. В карточке указано, что это одни из известных весов MobileNetV4; официальные веса моделей TensorFlow на момент публикации не были доступны. Модель содержит около 9,7 млн параметров и рассчитана на входные изображения размером 224 × 224 при обучении и 256 × 256 при тестировании. Помимо предсказания классов, её можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Она обучена на ImageNet-1k; лицензия репозитория — Apache-2.0.

MobileNetV4 Conv Large — модель классификации изображений семейства MobileNetV4, подготовленная Россом Уайтманом с помощью инструментов timm и обученная на ImageNet-1k. Это сверточная модель, которую также можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов. Модель содержит 32,6 млн параметров и требует 6,4 GMACs; размер изображения при обучении — 384 × 384, при тестировании в карточке указан размер 448 × 448. В README приведены примеры применения для классификации, извлечения признаков и эмбеддингов, а также сравнительные результаты ImageNet-1k. Лицензия — Apache-2.0. Автор README отмечает, что официальные веса TensorFlow-моделей на момент публикации не были выпущены.

mPLUG-Owl3-7B-241101 — мультимодальная модель семейства mPLUG-Owl3, разработанная командой авторов проекта mPLUG-Owl. Она предназначена для диалога и понимания изображений, последовательностей изображений и видео. Архитектура — плотная модель с 7,1 млрд параметров; заявленная длина контекста составляет 32 768 токенов. Ключевая особенность семейства — механизм Hyper Attention: авторы сообщают об ускорении понимания длинных визуальных последовательностей в шесть раз и обработке последовательностей до восьми раз длиннее. README также заявляет сохранение качества на задачах с одним и несколькими изображениями и видео. В карточке указана поддержка английского языка и чат-возможности. Лицензия — Apache-2.0.

Parchi-v2 — компактная языковая модель для разбора заказов в небольших продуктовых магазинах (kirana). Она создана дообучением Qwen/Qwen2.5-0.5B-Instruct методом LoRA с последующим объединением адаптера с базовой моделью. Модель принимает заметку о закупке на хинглише, английском или телугу, включая латинскую транслитерацию телугу, и формирует JSON с поставщиком и строками заказа: товаром, количеством, единицей измерения и ценой за единицу в рупиях, если она указана. Модель предназначена для извлечения заказа из одной заметки, обычно содержащей до шести товарных строк, и интеграции в приложение или рабочий процесс закупок. Она обучалась на 2 600 сгенерированных заметках для каталога из 64 товаров. На небольших наборах рукописных заметок, не встречавшихся при обучении, точное совпадение всех полей составило 74% для хинглиша и 64% для телугу; размеры наборов — 34 и 36 заметок соответственно. Репозиторий содержит веса safetensors в формате 16 бит, модель использует Transformers и имеет контекст до 32 768 токенов. Ограничения: модель ориентируется на известные 64 товара и может подменить незнакомый товар похожим; возможны ошибки с ценой, следующей строкой заказа, близкими написаниями на телугу и названиями только по бренду. Рекомендуется задавать обучающий системный промпт и использовать жадное декодирование. Лицензия — Apache-2.0.

Qwen3.8 Max Prime — вариант с повышенной пропускной способностью модели Qwen3.8 Max от команды Qwen компании Alibaba. Он предлагается как отдельный SKU по более высокой цене и принимает текст, изображения и видео. Метаданные каталога классифицируют модель для задачи image-text-to-text, поэтому она подходит для обработки визуального содержимого вместе с текстовыми запросами. Данных о базовой модели, архитектуре, поддерживаемых языках, ограничениях и лицензии в предоставленной карточке нет.

Это визуальный энкодер семейства Qwen3.5, извлечённый из Qwen/Qwen3.5-27B и перенесённый в формат timm без дополнительного обучения. Модель принимает RGB-изображения и выдаёт векторные представления и пространственные признаки; языковые веса и обученная классификационная голова в чекпойнт не входят. Энкодер использует vision transformer с шириной backbone 1152, проекцией до 5120 и пространственным merger; выход модели по умолчанию — усреднённый эмбеддинг изображения. В README указан размер изображения 768 × 768, поддерживаются прямоугольные размеры при условии, что каждая сторона делится на 16; варианты с merger 2×2 требуют делимости на 32. Для классификации необходимо добавить и обучить новую голову на целевом наборе данных. Модель распространяется по лицензии Apache 2.0.

unsloth/Qwen-Image-GGUF — квантованная версия модели Qwen-Image, разработанной командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и их редактирования, включая создание сцен в различных художественных стилях, фотореалистичных изображений, иллюстраций и дизайна с интегрированным текстом. Модель распространяется в формате GGUF и использует методологию Unsloth Dynamic 2.0, при которой важные слои переводятся в более высокую точность для сохранения качества. Заявлена поддержка английского и китайского языков; особенно сильной стороной считается отображение текста на изображениях, включая китайские иероглифы, с сохранением типографики, структуры и соответствия контексту. Также заявлены развитые возможности точного редактирования изображений и поддержка разных соотношений сторон. К ограничениям относятся необходимость совместимого программного обеспечения и аппаратных ресурсов для работы с GGUF, а также отсутствие в представленных данных подробностей о размере модели, точной архитектуре, максимальном контексте и конкретных требованиях к памяти. Лицензия — Apache-2.0.

Re3Cap-CIM-Qwen2.5-VL-7B — мультимодальная модель на базе Qwen2.5-VL-7B-Instruct, дообученная методом GRPO с наградой Cross-modal Identity Mapping (CIM) и стратегией Re³Cap. Её разработчики представляют её в работе EMNLP 2026 Main. Модель предназначена для генерации и уточнения подписей к изображениям. Стратегия Re³Cap использует Caption Refinement Suggester и Caption Quality Assessor, чтобы находить галлюцинации и пропуски в подписи и получать более точные и подробные описания; дополнительной разметки для этого подхода не требуется. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Доступна в формате safetensors по лицензии Apache-2.0. Модель принимает изображения и текстовые инструкции и генерирует текстовые подписи. Карточка описывает её как специализированную для captioning, поэтому качество на других визуальных задачах не подтверждено.

Realistic Vision V1.4 — модель генерации изображений по текстовому описанию от автора SG161222, созданная на базе Stable Diffusion и предназначенная для фотореалистичных изображений, особенно портретов и сцен с людьми. Автор рекомендует промпты с описанием объекта, освещения, качества и фотокамеры; для генерации предлагает сэмплеры Euler A или DPM++ 2M Karras, около 25 шагов и CFG 3,5–7. Упоминается возможность увеличения разрешения с помощью Latent upscaler. Модель распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии CreativeML OpenRAIL-M. Автор предупреждает, что фраза «RAW photo» в промпте может ухудшить результат. В README приведены негативные промпты для уменьшения анатомических и визуальных дефектов; конкретная длина контекста не относится к описанным характеристикам модели.

RegNetY-800MF — модель классификации изображений из семейства RegNetY, опубликованная в репозитории timm. Веса предварительно обучены на ImageNet-1k участниками torchvision; модель содержит около 6,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, настройку шага выходных карт признаков и конфигурируемые слои активации и нормализации. Для использования весов применяется лицензия BSD 3-Clause. Описание не приводит метрик качества именно для этой версии; при обработке изображений другого размера или из домена, отличного от ImageNet, качество может отличаться.