IV.1Ритейл, электронная коммерция и fashion-tech

CoAtNet RMLP 1 RW2 224 SW IN12k FT IN1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом. Она предварительно обучена на подмножестве ImageNet-22k с 11 821 классом, затем дообучена на ImageNet-1k. Модель сочетает сверточные блоки MBConv на ранних этапах с блоками self-attention на поздних; вариант использует MLP Log-CPB — смещение относительных позиций, мотивированное Swin Transformer V2. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов. Размер входного изображения — 224 × 224 пикселя, число параметров — 41,7 млн, вычислительная сложность — 8,1 GMAC. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

CogVLM-Chat-HF — открытая визуально-языковая модель от команды Zhipu AI. Она принимает изображение вместе с текстовым запросом и ведёт диалог о содержимом изображения: описывает сцены, отвечает на вопросы и находит объекты или детали по текстовому указанию. В README описана архитектура с визуальным энкодером ViT, MLP-адаптером, языковой моделью и модулем Visual Expert; репозиторий содержит вариант для Transformers с весами Safetensors и примерно 6,6 млрд параметров. Контекст составляет 2048 токенов. Модель предназначена для визуального вопросно-ответного диалога, описания изображений и задач, требующих связать текст с визуальным содержимым. README сообщает о высоких результатах на ряде мультимодальных бенчмарков, включая локализацию объектов и визуальные вопросы, но приведённые там результаты относятся к CogVLM-17B и не гарантируют те же показатели для этой версии. Для вывода требуется около 40 ГБ видеопамяти либо распределение модели между несколькими устройствами. Лицензия — Apache-2.0; README также описывает бесплатное коммерческое использование после регистрации через анкету.

ConvFormer M36 — модель классификации изображений и визуальный backbone семейства MetaFormer. Она предварительно обучена на ImageNet-22k, а затем дообучена авторами статьи на ImageNet-1k. Модель содержит 57,1 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу для компьютерного зрения и как backbone в собственных системах анализа изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

ConvNeXt-Base — свёрточная модель для классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи «A ConvNet for the 2020s» и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k и содержит 88,6 млн параметров. Для обучения указано разрешение 224 × 224 пикселя, для оценки — 288 × 288 пикселей. Модель присваивает изображениям классы, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она подходит для классификации изображений и построения компонентов компьютерного зрения. В README приведены результаты сравнения на ImageNet-1k, но характеристики из сравнительной таблицы относятся к другим моделям и не описывают точность этой версии. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги; сведения о текстовой или мультимодальной обработке не приводятся.

ConvNeXt-Tiny — сверточная модель классификации изображений из библиотеки timm, созданная авторами работы «A ConvNet for the 2020s» и предварительно обученная на ImageNet-22k. Модель содержит около 44,6 млн параметров; указанный размер изображения — 224 × 224 пикселя. Её можно использовать для классификации, извлечения карт признаков и получения векторных представлений изображений. Модель предназначена для распознавания объектов на изображениях и построения визуальных признаков в системах компьютерного зрения. Карточка приводит вычислительные характеристики: 4,5 GMACs и 13,5 млн активаций. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

ConvNeXt-V2 Large FCMAE — сверточная модель компьютерного зрения из семейства ConvNeXt-V2, опубликованная в репозитории timm. Она предварительно обучена на ImageNet-1k методом самоконтролируемого обучения FCMAE — полносверточного masked autoencoder. Модель содержит 196,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель служит визуальным энкодером для извлечения признаков и эмбеддингов изображений, а также основой для дообучения под задачи классификации. У неё нет предварительно обученной классификационной головы, поэтому для готовой классификации требуется отдельная голова и дообучение. Репозиторий предоставляет веса PyTorch и SafeTensors; лицензия — CC BY-NC 4.0, допускающая использование с соблюдением её условий и ограничений на коммерческое применение.

convnextv2_pico.fcmae — компактная визуальная модель семейства ConvNeXt V2 из библиотеки timm. Это сверточный backbone примерно на 8,6 млн параметров, предварительно обученный на ImageNet-1k с помощью самообучения по схеме fully convolutional masked autoencoder (FCMAE). Модель рассчитана на изображения размером 224 × 224 и не имеет предварительно обученной классификационной головы. Её можно дообучать для классификации изображений или использовать для извлечения признаков и эмбеддингов изображений. Модель принимает изображения и возвращает визуальные признаки; готовая классификация требует подходящей головы и настройки под задачу. Карточка не указывает языковые возможности, поскольку модель работает с изображениями. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ConvNeXt V2 Tiny — сверточная модель компьютерного зрения, разработанная командой ConvNeXt и представленная в статье Woo и соавторов. Модель предварительно обучена с помощью FCMAE и дообучена на ImageNet-22K; она классифицирует изображения по категориям набора ImageNet. Размер входа при обучении и настройке — 384×384 пикселя. Архитектура ConvNeXt V2 использует полностью сверточную сеть и слой Global Response Normalization (GRN). Модель принимает изображения и выдаёт классы с оценками. Репозиторий предоставляет веса в форматах PyTorch, SafeTensors и TensorFlow. Лицензия — Apache 2.0. Карточка описывает применение для классификации изображений; для других задач следует искать специализированные дообученные версии.

ConvNeXt-V2 Tiny — сверточная модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная авторами timm. Модель с 28,6 млн параметров предварительно обучена методом FCMAE, затем дообучена на ImageNet-22k и ImageNet-1k. Для оценки в карточке указаны размер изображения 288 × 288 и вычислительная сложность 4,5 GMACs. Модель подходит для определения объектов и сцен на изображении, получения карт признаков и эмбеддингов, а также как визуальная основа для других систем. Карточка сообщает результаты классификации на ImageNet, но они не гарантируют такого же качества на других наборах данных. Для адаптации к новым классам или предметным областям может потребоваться дополнительное обучение. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

facebook/dino-vits8 — визуальный энкодер Vision Transformer, обученный методом DINO командой, представившей исследование «Emerging Properties in Self-Supervised Vision Transformers». Модель содержит 28,3 млн параметров и предварительно обучена без учителя на ImageNet-1k; изображения размером 224×224 разбиваются на патчи 8×8. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель извлекает признаки изображений и может служить основой для последующих задач компьютерного зрения, например классификации: для этого поверх представлений энкодера обучают отдельный классификатор. Веса не содержат дообученной классификационной головы. README указывает на разрешение 224×224 при предобучении; использование на других разрешениях или с другими задачами требует отдельной проверки.

dm_nfnet_f1.dm_in1k — модель классификации изображений семейства NFNet, опубликованная авторами научных работ и обученная на ImageNet-1k. Она использует архитектуру, похожую на ResNet с предварительной активацией, но без слоёв нормализации: вместо них применяются стандартизация весов и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит 132,6 млн параметров и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Указанный размер изображения для обучения — 224 × 224 пикселя, для оценки — 320 × 320. Репозиторий использует timm и содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

eca_resnext26ts.ch_in1k — свёрточная модель классификации изображений семейства ECA-ResNeXt, разработанная Россом Уайтманом в библиотеке timm. Она основана на ResNeXt с механизмом Efficient Channel Attention и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель обучена на ImageNet-1k; в карточке указаны 10,3 млн параметров, 2,4 GMACs и размеры изображений 256 × 256 для обучения и 288 × 288 для тестирования. Архитектура использует трёхслойный stem и активации SiLU. Веса доступны в форматах PyTorch и safetensors, библиотека модели — timm. Лицензия Apache-2.0 разрешает использование и модификацию на её условиях. Модель предназначена для изображений общего назначения; качество на специализированных или существенно отличающихся от ImageNet данных может быть ниже, а размер входного изображения при применении влияет на результаты.

EdgeNeXt Small RW — модель классификации изображений и извлечения визуальных признаков из семейства EdgeNeXt, обученная Ross Wightman с библиотекой timm на ImageNet-1k по рецепту обучения, вдохновлённому Swin Transformer. Модель содержит 7,8 млн параметров и рассчитана на мобильные сценарии компьютерного зрения. Модель принимает изображения: для обучения использовался размер 256 × 256 пикселей, для тестирования — 320 × 320. Помимо классификации, её можно применять как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT.

EfficientNet-B3 RA2 — сверточная модель классификации изображений из библиотеки timm, обученная командой timm на ImageNet-1k с рецептом RandAugment RA2. Она предназначена для классификации изображений, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 12,2 млн параметров; размер изображения при обучении — 288 × 288 пикселей, при тестировании — 320 × 320. Вычислительная сложность составляет около 1,6 GMACs. Обучение включало оптимизатор RMSProp с поведением TensorFlow 1.0, усреднение весов EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Модель принимает изображения и выдаёт классовые предсказания; при использовании в качестве основы также позволяет получать признаки и эмбеддинги. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k и рассчитана на классификацию изображений в рамках его классов. README не заявляет языковую поддержку; для сценариев за пределами обучающего набора качество не установлено.

EfficientNet-EdgeTPU — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Модель содержит около 6,9 млн параметров, требует изображения размером 240 × 240 пикселей и предназначена для классификации объектов; её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Обучение проводилось с аугментацией RandAugment RA2, оптимизатором RMSProp и усреднением весов EMA. Модель рассчитана на компактное распознавание изображений, в том числе с учётом ограничений вычислительных ускорителей. Распространяется по лицензии Apache-2.0.

FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

FocalNet Large FL3 — модель классификации изображений и извлечения визуальных признаков из семейства FocalNet, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k и предназначена для присвоения изображению метки класса, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит 239,1 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Архитектура использует фокальную модуляцию для обработки визуального контекста. Модель подходит для классификации изображений и как визуальная основа для последующих задач компьютерного зрения. Карточка указывает лицензию MIT. Для её запуска нужна совместимая среда PyTorch и библиотека timm.

Gemini 3.1 Flash Image Preview, также известная как Nano Banana 2, — модель Google для генерации и редактирования изображений. В карточке она описана как модель, обеспечивающая визуальное качество уровня Pro при скорости Flash. Её можно использовать для создания изображений по запросу и изменения существующих изображений. Метаданные Hugging Face относят модель к задаче image-text-to-text. Данных о базовой модели, лицензии, поддерживаемых языках, размере и контексте в предоставленных материалах нет.

CALISTA-INDUSTRY/gemma_3_4B_reasoning_multimodal_en_ft_v2 — мультимодальная модель на основе Gemma 3, дообученная Мохаммадом Яни и Ризки Сулаеманом из Politeknik Negeri Indramayu для рассуждений по изображениям и тексту. Архитектура Gemma 3 с плотными весами; в метаданных базовая модель указана как unsloth/gemma-3-1b-it-unsloth-bnb-4bit. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, описания изображений, мультимодального диалога и выполнения инструкций с визуальным вводом. Карточка заявляет поддержку английского языка, а метаданные также содержат код id. Модель доступна в форматах Safetensors и GGUF и рассчитана на использование через Transformers. Лицензия в метаданных указана как Gemma, тогда как README заявляет Apache 2.0; сведения о лицензии в источниках расходятся, поэтому перед использованием следует проверить условия в репозитории. Скорость работы в реальном времени без дополнительной оптимизации не заявлена.

Карточка модели Rqwannn/grounded-segmentation на Hugging Face совпадает с карточкой facebook/sam3.1, поэтому описание составлено по ней. SAM 3.1 — модель Meta для сегментации объектов по запросам в изображениях и видео. Она находит и выделяет масками экземпляры объектов по текстовому описанию или визуальным подсказкам: точкам, рамкам и маскам. Модель поддерживает сегментацию всех экземпляров заданного понятия из открытого словаря и отслеживание объектов в видео. SAM 3.1 развивает SAM 3 за счёт Object Multiplex — совместного отслеживания нескольких объектов с общей памятью. По данным карточки, это ускоряет инференс примерно в семь раз при отслеживании 128 объектов на одном GPU H100 без потери точности; также улучшены результаты на шести из семи бенчмарков VOS. Репозиторий содержит чекпойнты PyTorch, но не включает интеграцию с Transformers; инструкции по установке и использованию размещены в репозитории SAM 3 на GitHub. Указана лицензия other.

HGNet-V2 B1 — сверточная модель классификации изображений из семейства High Performance GPU Net. Её обучили авторы семейства на данных ImageNet-22k с дистилляцией SSLD, затем дообучили на ImageNet-1k. Модель содержит 6,3 млн параметров и доступна в форматах PyTorch и Safetensors; карточка указывает размер изображения 224 × 224 для обучения и 288 × 288 для тестирования. Модель предназначена для классификации изображений по категориям ImageNet и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она рассчитана на обработку изображений, а выдаёт предсказания классов или признаки для дальнейших задач компьютерного зрения. Лицензия — Apache-2.0.

HGNet-V2 B2 — сверточная модель для классификации изображений и извлечения визуальных признаков из библиотеки timm. Авторы обучали её на данных ImageNet-22k с дистилляцией SSLD, а затем дообучили на ImageNet-1k. Модель содержит 11,2 млн параметров и требует около 1,1 GMAC на изображение. Для обучения указано разрешение 224 × 224 пикселя, для тестирования — 288 × 288. Модель подходит для отнесения изображений к классам ImageNet, извлечения карт признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт оценки классов либо визуальные признаки. В репозитории доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не описывает ограничения за пределами оценки на ImageNet, поэтому качество на других наборах данных не установлено.

Hunyuan3D-2mv — модель Tencent из семейства Hunyuan3D 2.0 для генерации трёхмерных форм по изображениям с управлением по нескольким ракурсам. Это дообученная версия Hunyuan3D-2, разработанная для создания 3D-объектов с учётом многовидовых изображений. Модель предназначена для преобразования визуальных референсов в 3D-формы, например для создания и редактирования цифровых ассетов. Репозиторий относится к проекту Hunyuan3D 2.0, посвящённому генерации высокодетализированных 3D-объектов с текстурами; карточка этой версии отдельно указывает на генерацию формы с управлением по нескольким ракурсам. Доступны веса в форматах PyTorch и Safetensors, используется библиотека hunyuan3d-2. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория. Описание не сообщает конкретные требования к вычислительным ресурсам и качество генерации может зависеть от изображений и ракурсов, поданных на вход.

InceptionNeXt Tiny — сверточная модель семейства InceptionNeXt для классификации изображений и извлечения визуальных признаков. Модель обучена авторами статьи на ImageNet-1k и опубликована в репозитории timm; число параметров — 28,1 млн, вычислительная сложность — 4,2 GMACs, входной размер изображения — 224 × 224 пикселя. Модель подходит для присвоения изображениям классов ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов, например как основы компьютерного зрения в прикладных системах. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

InternVL3-8B-6bit — мультимодальная чат-модель семейства InternVL3, подготовленная mlx-community для запуска в формате MLX на устройствах Apple с MLX. Модель предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; метаданные также отмечают интерфейс вызова инструментов. По README, модель преобразована из `models/InternVL3-8B` с помощью mlx-vlm 0.1.23. Каталог указывает связь дообучения с OpenGVLab/InternVL3-1B-Instruct, но README описывает конвертацию, поэтому происхождение указано как дообучение на основании метаданных. Модель поддерживает мультиязычные сценарии. Репозиторий содержит веса safetensors и предназначен для использования через mlx-vlm. Лицензия в метаданных обозначена как `other`; конкретные условия следует сверить с исходной карточкой модели и файлами лицензии.

Карточка модели Jinstudio/Krea-2-Turbo на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. 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.

Карточка модели sunflower2332/Krea-2-Turbo на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. 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.

LaMa-Dilated — модель компьютерного зрения для удаления объектов и восстановления содержимого на изображениях методом inpainting. Она основана на реализации LaMa-Dilated из проекта Advimman/LaMa и подготовлена Qualcomm для запуска на устройствах Qualcomm. Модель предназначена для редактирования изображений, включая автоматическое заполнение областей, отмеченных пользователем или заданной маской. Модель принимает изображения размером 512×512 пикселей. Указаны контрольная точка Dilated CelebAHQ, 45,6 млн параметров и размер float-модели около 174 МБ. Доступны предварительно экспортированные варианты в форматах ONNX, QNN_DLC и TFLITE; вычисления оптимизированы для NPU устройств Qualcomm. README не указывает поддерживаемые языки, дополнительные модальности или максимальную длину контекста, что для этой модели обработки изображений неприменимо. Сильной стороной модели является адаптация к широкому спектру мобильных, периферийных и вычислительных платформ Qualcomm, а также возможность экспорта с пользовательскими весами, формами входных данных и настройками целевого устройства. Ограничениями являются фиксированное входное разрешение 512×512 в базовой конфигурации и зависимость производительности от конкретного чипсета и runtime. Модель распространяется по лицензии Apache-2.0.

LCNet 0.75 RA2 in1k — сверточная модель классификации изображений из семейства PP-LCNet, опубликованная в экосистеме timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp с усреднением весов EMA и ступенчатым экспоненциальным расписанием скорости обучения. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она рассчитана на вход размером 224 × 224 пикселя, содержит около 2,4 млн параметров и требует примерно 0,1 GMAC на проход. Лицензия — Apache-2.0.