IV.1Ритейл, электронная коммерция и fashion-tech

TripoSR — быстрая модель генерации и реконструкции 3D, разработанная совместно Stability AI и Tripo AI. Она по одному изображению строит трёхмерное представление объекта в прямом проходе, без итерационного процесса генерации. Архитектура следует подходу LRM и включает улучшения в подготовке данных, модели и обучении. Модель предназначена для быстрого получения 3D-объектов из изображений, например для прототипирования и создания исходных ассетов. Обучение проводилось на отобранных рендерах из Objaverse с методом рендеринга, рассчитанным на лучшее соответствие реальным изображениям. Репозиторий содержит веса PyTorch; лицензия — MIT. Качество реконструкции зависит от входного изображения, а описание не обещает готовность результата к игровому или производственному использованию. Разработчики рекомендуют более новую модель SF3D для получения более быстрых и готовых к играм ассетов. Модель не следует использовать для создания оскорбительных или тревожащих 3D-объектов либо контента, распространяющего стереотипы.

emre/turkish-sentiment-analysis — модель классификации текста, созданная с помощью AutoTrain на базе архитектуры BERT. Она предназначена для многоклассового анализа тональности турецких текстов, например отзывов и коротких пользовательских сообщений. Модель содержит 211,6 млн параметров, принимает текстовые входные данные и рассчитана на контекст до 512 токенов. В README приведены метрики на валидации: accuracy 0,970 и macro F1 0,948. Это производная модель, однако её базовая модель в предоставленных данных не названа. Модель распространяется по лицензии Apache-2.0; результаты на других типах турецких текстов могут отличаться от указанных метрик.

UniPic3-DMD-Model — модель редактирования изображений и композиции из нескольких изображений, обученная Skywork с помощью дистилляции Distribution Matching Distillation (DMD). Она предназначена для получения детализированных и реалистичных результатов за небольшое число шагов генерации, приближая распределение выходов сильной модели-учителя. Модель инициализирована из чекпойнта, обученного методом consistency training, а затем дополнительно уточнена дистилляцией распределения. Карточка описывает задачи редактирования и композиции изображений; в метаданных также заявлен общий режим any-to-any и указаны теги text-to-image и image-understanding. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия — MIT. Размер модели, длина контекста и поддерживаемые языки в предоставленных источниках не указаны.

Модель harrytechiz/vit-base-patch16-224-blur_vs_clean — дообученная на наборе данных imagefolder модель Vision Transformer от Google для классификации изображений на категории «размытое» и «чистое». Она основана на google/vit-base-patch16-224, использует архитектуру ViTForImageClassification и содержит 113,2 млн параметров. На тестовом наборе автор сообщает точность 0,9754 и потери 0,0714. Модель предназначена для автоматической проверки резкости изображений, например, для отбора кадров или контроля качества загружаемых фотографий. Пригодность метрик к другим данным зависит от сходства изображений с обучающим и оценочным наборами. Лицензия — Apache-2.0.

google/vit-large-patch16-224 — крупная модель Vision Transformer (ViT), представленная в исследовании Dosovitskiy и соавторов. Это трансформерный энкодер для изображений с 402,7 млн параметров: изображение разбивается на патчи 16×16, к которым добавляются позиционные эмбеддинги и токен CLS. Модель предобучена с учителем на ImageNet-21k, затем дообучена для классификации на ImageNet 2012; штатное разрешение входа — 224×224 пикселя. Модель предназначена для классификации изображений по 1000 классам ImageNet, а также для извлечения признаков, которые можно использовать в последующих задачах компьютерного зрения. Для другого набора классов потребуется обучить классификационную голову или использовать подходящую дообученную версию. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0.

vit_mediumd_patch16_reg4_gap_256.sbb2_e200_in12k — модель классификации изображений на основе Vision Transformer (ViT), разработанная Россом Уайтманом и обученная с помощью библиотеки timm на ImageNet-12k. Архитектура использует патчи 16×16, четыре регистра и глобальное усреднение признаков. Модель содержит около 69,7 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В карточке приведены результаты сравнения родственных вариантов, но отдельные метрики этой версии не указаны. Модель распространяется по лицензии Apache-2.0.

vit_tiny_r_s16_p8_224.augreg_in21k — гибридная модель классификации изображений на основе ResNet и Vision Transformer (ViT). Её обучили авторы исследования How to train your ViT? на ImageNet-21k с аугментацией и регуляризацией; Ross Wightman перенёс веса из JAX в PyTorch. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для получения эмбеддингов. Модель содержит 10,4 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 0,4 GMAC на проход. Она поставляется в форматах PyTorch и safetensors и доступна через библиотеку timm. Лицензия — Apache-2.0. Карточка не описывает поддержку нескольких языков: модель работает с изображениями, а не с текстом.

V-Zero 4B — дообученная мультимодальная модель hao05 для тонкого визуального рассуждения. Она создана в рамках работы V-Zero: Answer-Label-Free On-Policy Distillation with Contrastive Evidence Gating for Fine-Grained Visual Reasoning и основана на Qwen/Qwen3.5-4B. Модель предназначена для диалоговых задач, в которых нужно анализировать изображение и формулировать ответ с опорой на визуальные свидетельства. В обучении применялась дистилляция на собственных траекториях рассуждения модели с контрастной проверкой релевантных и нерелевантных областей изображения. Это позволяет развивать детальное визуальное рассуждение без внешних меток ответов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Модель timp al0l/xlm-roberta-base-faq-extractor — классификатор на базе XLM-RoBERTa Base, дообученный определять, относится ли вопрос или высказывание к часто задаваемым вопросам о товарах, компаниях и содержимом сайтов. Она принимает текст и возвращает бинарную метку: FAQ или не FAQ. Модель подходит для отбора пользовательских вопросов, предварительной сортировки обращений и извлечения FAQ-кандидатов из текстов. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и рассчитана на контекст до 514 токенов. Карточка указывает поддержку многоязычных сценариев; среди языков перечислены, в частности, английский, немецкий, французский, испанский, арабский, китайский и японский. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия — MIT. Классификатор предназначен для определения тематической пригодности текста как FAQ, а не для генерации ответов на вопросы. Карточка не описывает качество на отдельных языках или доменах, поэтому результаты на специфичных данных следует проверять отдельно.

GuangyuanSD/Z-Image-Distilled — производная модель генерации изображений по текстовым описаниям, основанная на Tongyi-MAI/Z-Image и доработанная с помощью дистилляции и Flow-DPO. Она предназначена для быстрого создания реалистичных изображений и ускоренных творческих итераций; автор заявляет, что качественные результаты можно получать примерно за 8 шагов, а варианты и адаптеры модели ориентированы на совместную работу с LoRA и каскадное уточнение через Klein 9B. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка описывает версии и адаптеры семейства Z-Image-Distilled, поэтому конкретные характеристики могут различаться между ними. Среди ограничений указаны ухудшение читаемости текста, особенно мелкого, по сравнению с исходной Z-Image, а также возможный цветовой сдвиг в сторону синего при использовании некоторых планировщиков. Заявления о скорости и качестве принадлежат автору модели.

vantagewithai/Z-Image-Turbo-GGUF — квантованная версия Z-Image-Turbo, разработанного командой Tongyi-MAI. Это модель генерации изображений по текстовому описанию, реализованная на архитектуре single-stream Diffusion Transformer и содержащая около 6 миллиардов параметров. Данная версия распространяется в формате GGUF. Модель предназначена для создания фотореалистичных изображений по промптам, хорошо следует инструкциям и поддерживает двуязычный рендеринг текста на английском и китайском языках. Дистиллированная версия Z-Image-Turbo выполняет генерацию примерно за 8 NFE; заявлены задержка менее секунды на GPU H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Сильными сторонами модели являются высокая скорость, эффективное использование памяти, фотореалистичная генерация и качественное отображение английского и китайского текста. README не содержит сведений о разрешениях, длине контекста, поддерживаемых сценариях редактирования изображений или ограничениях, связанных с квантованием. Модель распространяется по лицензии Apache 2.0.

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.

Карточка модели nuresens/ALL_PAD_MERGE_v4 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.

microsoft/beit-large-patch16-224 — большая модель классификации изображений семейства BEiT, опубликованная Microsoft и основанная на архитектуре Vision Transformer с энкодером, похожим на BERT. Веса предварительно обучены без учителя на ImageNet-21k, а затем дообучены с учителем на ImageNet-1k; число параметров — около 411 млн. Модель принимает изображения RGB, разбитые на патчи 16×16, и рассчитана на входное разрешение 224×224 пикселя. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Её представления также можно использовать как основу для классификатора на размеченных данных. При предобучении BEiT учится восстанавливать визуальные токены по замаскированным участкам изображения; для классификации усредняются финальные представления патчей. Репозиторий содержит версии весов PyTorch и Flax. Для подготовки изображений требуется масштабирование до 224×224 и нормализация RGB-каналов со средним и стандартным отклонением 0,5. В README отмечено, что для лучшего результата при дообучении использовалось разрешение 384×384. Модель распространяется по лицензии Apache-2.0.

FLUX.2 [klein] Base 9B — базовая модель генерации и редактирования изображений, разработанная Black Forest Labs; репозиторий Runware содержит её веса в формате Diffusers/Safetensors. Модель объединяет генерацию по текстовому описанию и редактирование с опорой на изображения в одной архитектуре. Веса включают 9-миллиардную flow-модель и текстовый энкодер Qwen3; базовая версия не дистиллирована и подходит для тонкой настройки и пользовательских конвейеров. Модель предназначена для создания изображений по текстовым запросам и изменения существующих изображений, в том числе с использованием нескольких изображений-образцов. В отличие от дистиллированной версии, Base сохраняет полный обучающий сигнал и обеспечивает большую гибкость и разнообразие результатов, но работает медленнее. Для локального использования 9B Base распространяется по FLUX Non-Commercial License; коммерческое использование требует соответствующих условий лицензирования Black Forest Labs.

BitDance-14B-16x — открытая мультимодальная авторегрессионная модель для генерации изображений, представленная авторами работы BitDance. Она содержит 14 млрд параметров и дообучена на базе Qwen/Qwen3-14B. Для визуальных токенов модель использует двоичный токенизатор, диффузионную голову для выборки и предсказание нескольких патчей за шаг — до 64; для текста сохраняется стандартный подход языкового моделирования. Модель предназначена для создания изображений по текстовому описанию, включая высокодетализированные фотореалистичные изображения. В метаданных указаны английский и китайский языки, контекст 40 960 токенов и формат safetensors. Лицензия — Apache-2.0. README не приводит подробных результатов оценки или ограничений качества.

CoAtNet RMLP 2 RW 224 SW IN12K — модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-12k. Она предназначена для отнесения изображений к классам и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Архитектура CoAtNet сочетает свёрточные блоки MBConv на ранних этапах с блоками self-attention на поздних. В этой конфигурации применяется MLP Log-CPB — относительное позиционное смещение, мотивированное Swin Transformer V2. Модель содержит около 85 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; в репозитории доступны веса PyTorch и safetensors. Модель обучена на наборе ImageNet-12k, содержащем 11 821 класс. Это готовая модель для прикладной классификации и извлечения визуальных признаков. Лицензия репозитория — Apache-2.0.

ConvNeXt Small — модель компьютерного зрения для классификации изображений из библиотеки timm. Авторы статьи «A ConvNet for the 2020s» предварительно обучили её на ImageNet-22k и дообучили на ImageNet-1k. В модели около 50,2 млн параметров; размер изображений при обучении — 224×224 пикселя, при оценке — 288×288. Модель предсказывает класс изображения и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. В README приведены метрики на ImageNet-1k, но подробные значения для этой модели в доступной части таблицы отсутствуют. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

ConvNeXt V2 Base — свёрточная модель компьютерного зрения, разработанная командой ConvNeXt и представленная в статье Woo и соавторов. Модель предварительно обучена с помощью FCMAE, затем дообучена на ImageNet-22K для классификации изображений при разрешении 224×224 пикселя. Архитектура остаётся полностью свёрточной и включает слой Global Response Normalization (GRN). Модель предназначена для классификации изображений по классам ImageNet; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ConvNeXt XLarge — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи «A ConvNet for the 2020s» в репозитории timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 350,2 млн параметров; указанные размеры изображений при обучении и проверке — 224×224 и 288×288 пикселей соответственно. Модель относит изображение к классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Это крупная свёрточная сеть с высокой вычислительной стоимостью: в README для неё указаны 61 GMAC на изображение. Доступны веса в форматах PyTorch и safetensors; библиотека из метаданных — timm. Лицензия — Apache-2.0.

cs3darknetfocusl.c2nsin1k — сверточная модель классификации изображений семейства CS3-DarkNet, опубликованная в timm. Она обучена на ImageNet-1k и может использоваться как для предсказания классов изображений, так и в качестве визуального backbone для извлечения карт признаков и эмбеддингов. Модель содержит 21,2 млн параметров и требует изображения размером 288 × 288 пикселей на этапе оценки; для обучения использовался размер 256 × 256. Веса доступны в форматах PyTorch и Safetensors, библиотека — timm. В обучении применялась схема ResNet Strikes Back C с оптимизатором SGD с Nesterov, адаптивным ограничением градиента, усиленным mixup и косинусным расписанием скорости обучения с разогревом; вариант ns не использует stochastic depth. Лицензия — Apache-2.0. Карточка не приводит результатов точности или ограничений применения, поэтому качество для конкретного набора данных следует оценивать отдельно.

cs3edgenet_x.c2_in1k — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Архитектура CS3-EdgeNet сочетает частичные межстадийные связи, три свёртки и канальное внимание Squeeze-and-Excitation; блоки EdgeNet используют остаточную схему с свёртками 3×3 и 1×1. Модель также можно применять как основу для извлечения признаковых карт и эмбеддингов изображений. В модели 47,8 млн параметров и 11,5 GMACs. Для обучения использовались изображения размером 256×256, для оценки — 288×288. Модель принимает изображения и выдаёт метки классов; основные сценарии — классификация изображений и получение визуальных признаков для последующих систем. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

facebook/dinov2-with-registers-base-imagenet1k-1-layer — модель Vision Transformer базового размера с токенами-регистрами, основанная на DINOv2 и опубликованная командой Facebook. Это энкодер изображений с 113,2 млн параметров; карточка указывает задачу классификации изображений и библиотеку Transformers. Предварительное обучение формирует представления изображений без меток, а токены-регистры уменьшают артефакты в картах внимания и улучшают их интерпретируемость. Модель можно использовать для классификации изображений по 1000 классам ImageNet, извлечения признаковых представлений и построения классификаторов для размеченных наборов данных. Веса доступны в формате safetensors. Лицензия — Apache-2.0. В репозитории нет дообученных классификационных голов: для пользовательских классов потребуется обучить классификатор поверх энкодера. Карточка не приводит сведений о поддерживаемых естественных языках или длине контекста; модель работает с изображениями.

dla60_res2net.in1k — модель компьютерного зрения с архитектурой DLA (Deep Layer Aggregation) и блоками Res2Net, размещённая в библиотеке timm. Авторы статьи Res2Net обучили её на ImageNet-1k для классификации изображений; также её можно использовать как backbone для извлечения признаков и получения эмбеддингов изображений. Модель содержит 20,8 млн параметров, выполняет около 4,1 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и safetensors. Лицензия в метаданных указана как unknown.

dm_nfnet_f4.dm_in1k — модель семейства NFNet для классификации изображений, опубликованная авторами работ о сетях без нормализации и доступная в библиотеке timm. Она обучена на ImageNet-1k и может использоваться как классификатор или визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура напоминает ResNet с предварительной активацией, но не содержит слоёв нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит 316,1 млн параметров; вычислительная сложность составляет 122,1 GMACs. Размер изображения при обучении — 384×384, при тестировании — 512×512. Репозиторий предоставляет веса PyTorch и SafeTensors; лицензия — Apache-2.0. Карточка рекомендует ImageNet-классификацию и извлечение визуальных признаков, но не описывает ограничения по качеству или условия применения помимо лицензии.

DPN68B.ra_in1k — модель классификации изображений и извлечения признаков семейства Dual-Path Network (DPN), подготовленная Россом Уайтманом в библиотеке timm. Она обучена на ImageNet-1k с рецептом RandAugment (RA) и подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 12,6 млн параметров и требует 2,4 GMACs; размер изображения при обучении составлял 224 × 224 пикселя, при тестировании — 288 × 288. Репозиторий предоставляет веса PyTorch и SafeTensors. Лицензия — Apache-2.0.

EfficientViT-L3 r224 — модель классификации изображений и извлечения визуальных признаков из семейства EfficientViT, разработанная авторами соответствующей научной работы и обученная на ImageNet-1k. Она предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов; входной размер изображения — 224 × 224 пикселя. Модель содержит около 246 млн параметров и требует 27,6 GMACs на указанный размер изображения. Репозиторий предоставляет веса PyTorch и safetensors; доступна интеграция с библиотекой timm. Лицензия — Apache-2.0, допускающая коммерческое использование при соблюдении её условий. Модель подходит для классификации изображений и как визуальная основа для задач компьютерного зрения. Она обучена на ImageNet-1k, поэтому может хуже работать на изображениях и категориях, заметно отличающихся от этого набора данных; размер входа в карточке указан как 224 × 224.

Yntec/epiCRealismVAE — модель генерации изображений из текста на базе Stable Diffusion, представленная в формате Diffusers. Веса включают встроенный MoistV2VAE; карточка приводит пример фотореалистичного портретного промпта с персонажем в модной одежде. Модель предназначена для создания изображений по текстовым описаниям, в том числе портретов и изображений в фотореалистичном или аналоговом стиле. Репозиторий использует PyTorch и safetensors и распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

ERNIE-Image-GGUF — GGUF-квантованная версия модели ERNIE-Image, разработанной командой ERNIE-Image компании Baidu и опубликованной в формате для экосистемы GGML. Квантование выполнено Unsloth с использованием методологии Unsloth Dynamic 2.0: важные слои сохранены в более высокой точности для поддержания качества. Для интеграции также используются инструменты ComfyUI-GGUF. Модель предназначена для генерации изображений по текстовому описанию. Она ориентирована на сложное следование инструкциям, точную передачу нескольких объектов и их взаимосвязей, генерацию структурированных композиций, коммерческих плакатов, комиксов, раскадровок, многостраничных макетов, инфографики и изображений с большим объёмом текста. Поддерживаются реалистичная фотография, дизайн-ориентированные изображения и различные стилизованные визуальные направления. Базовая ERNIE-Image построена на однопоточной архитектуре Diffusion Transformer (DiT) с 8 млрд параметров и может работать на потребительских GPU с 24 ГБ видеопамяти. В состав исходной модели также входит облегчённый Prompt Enhancer, расширяющий короткие запросы в более подробные структурированные описания. Сильные стороны модели — компактный размер, высокая точность следования сложным запросам, качество рендеринга плотного и длинного текста, а также способность формировать изображения с заданной структурой и компоновкой. README не указывает поддерживаемые языки, максимальный контекст или точные требования к памяти именно для этой GGUF-квантизации; производительность и итоговое качество могут зависеть от уровня квантизации и используемого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

Это модель FasterNet-T1 для классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи «Run, Don't Walk: Chasing Higher FLOPS for Faster Neural Networks» и доступная в библиотеке timm. Она обучена на ImageNet-1k и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит 7,6 млн параметров и требует около 0,9 GMAC на один проход. Её можно использовать для отнесения изображения к классу ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. FasterNet разработана с упором на высокую скорость вычислений. Модель распространяется под лицензией Apache-2.0; веса доступны в форматах PyTorch и safetensors.