IV.1Ритейл, электронная коммерция и fashion-tech

FastViT S12 Apple Distilled — модель классификации изображений и извлечения визуальных признаков из семейства FastViT, представленная авторами статьи FastViT и обученная с дистилляцией на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Модель содержит около 9,5 млн параметров, требует 1,8 GMACs вычислений и рассчитана на входные изображения размером 256 × 256 пикселей. FastViT сочетает свёрточные и трансформерные компоненты и использует структурную репараметризацию. Репозиторий содержит веса PyTorch и safetensors. Модель подходит как компактная визуальная основа для классификации и построения признаков; сведения о лицензии следует сверять с лицензией исходной модели.

FastViT-SA12 Apple Distilled — модель классификации изображений и визуальный backbone из семейства FastViT, опубликованная авторами статьи FastViT. Она обучена на ImageNet-1k с дистилляцией и подходит для присвоения изображению класса, извлечения карт признаков и получения векторных представлений изображений. Модель содержит 11,6 млн параметров, требует 2,0 GMACs и рассчитана на входные изображения размером 256 × 256 пикселей. FastViT использует гибридную архитектуру vision transformer и свёрточных компонентов с структурной репараметризацией. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия указана как other; README просит соблюдать исходную лицензию, поэтому перед использованием следует проверить её условия в источнике модели.

FLUX.2 [klein] 9B — модель генерации и редактирования изображений от Black Forest Labs. Это трансформер rectified flow с 9 млрд параметров и текстовым энкодером Qwen3 на 8 млрд параметров; модель дистиллирована до четырёх шагов инференса для быстрой генерации. Она принимает текстовые описания и изображения-референсы, объединяя генерацию по тексту, редактирование одного изображения и работу с несколькими референсами в одной архитектуре. Модель предназначена для быстрого создания изображений, творческого поиска вариантов и интеграции генерации и редактирования в приложения с низкой задержкой. В карточке заявлены высокая скорость и следование промпту, однако фактический результат зависит от формулировки запроса. Модель не предназначена для получения фактической информации, может неверно отображать текст внутри изображения и не всегда точно выполняет запрос. Для локального запуска требуется около 29 ГБ видеопамяти. Лицензия указана как other; README описывает использование как некоммерческое и перечисляет ограничения допустимого применения.

linhtrann21/ft_paligemma_10k — дообученная модель семейства PaliGemma для задач «изображение — текст». Она принимает изображение и текстовый запрос и формирует текстовый ответ. Модель реализована архитектурой PaliGemmaForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Карточка не описывает конкретные сценарии применения, обучающие данные и результаты оценки, поэтому назначение модели можно определить только на общем уровне: работа с визуальными входными данными по текстовому запросу. Модель создана дообучением репозитория linhtrann21/ft_paligemma_10k; лицензия указана как gemma.

linhtrann21/ft_paligemma_15k — дообученная модель PaliGemma для генерации текстовых ответов по изображениям. Она создана на основе linhtrann21/ft_paligemma_10k; в карточке не описаны конкретные данные обучения, сценарии применения или результаты оценки. Модель реализована как плотная мультимодальная архитектура PaliGemmaForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Модель принимает изображения и текстовые запросы и выдаёт текст, поэтому подходит для вопросов об изображении и его описания. Язык ответов и длина контекста в доступных сведениях не указаны. Лицензия — Gemma; перед использованием следует учитывать её условия.

Huihui-Qwen3-VL-4B-Instruct-abliterated — дообученная версия мультимодальной модели Qwen3-VL-4B-Instruct от huihui-ai. Модель построена на плотной архитектуре Qwen3-VL и содержит около 4 млрд параметров. Она принимает текст и изображения и предназначена для диалога, описания и анализа изображений, а также визуальных вопросов и ответов. В модели применена abliteration к текстовой части, чтобы существенно снизить склонность к отказам; часть, обрабатывающая изображения, не изменялась. Это позволяет получать ответы на запросы об изображениях, которые базовая модель могла отклонять, но повышает риск чувствительных, спорных или неподходящих результатов. Модель распространяется в формате Safetensors, использует библиотеку Transformers и лицензирована по Apache-2.0.

Hunyuan3D 2.0 — система генерации 3D-объектов, разработанная Tencent. Репозиторий содержит модели из проекта, описанного в статье Hunyuan3D 2.0: Scaling Diffusion Models for High Resolution Textured 3D Assets Generation. Основной сценарий — создание 3D-геометрии по изображению с последующим синтезом текстур; отдельная модель текстурирования также предназначена для работы с готовыми мешами. Система использует двухэтапный конвейер: Hunyuan3D-DiT строит форму объекта на основе flow-based diffusion transformer, а Hunyuan3D-Paint синтезирует карты текстур с опорой на геометрию. Заявлены генерация высокодетализированных текстурированных объектов и соответствие исходному изображению. Метаданные указывают поддержку английского и китайского языков, но не уточняют их роль в основном image-to-3d сценарии. Для запуска доступны веса в форматах PyTorch и safetensors; README также описывает API, совместимый по стилю с Diffusers, и интерфейс Gradio. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии репозитория. Количество параметров и длина контекста для этой модели не применимы к описанному визуально-3D конвейеру.

timm/inception_next_base.sail_in1k_384 — модель классификации изображений семейства InceptionNeXt, обученная авторами статьи на ImageNet-1k. Она также предназначена для извлечения карт признаков и визуальных эмбеддингов, которые можно использовать в качестве основы для компьютерного зрения. Модель содержит 86,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Для запуска используется библиотека timm; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Это бинарный классификатор тональности индонезийского текста, разработанный apriandito и дообученный на базе IndoBERT Large P2. Он определяет полярность в контексте заданной темы и возвращает один из двух классов: NEGATIF или POSITIF; нейтральный класс не предусмотрен. В README указан формат входа с контекстом темы и текстом, разделёнными специальными токенами. Модель построена на архитектуре BERT, содержит около 433,9 млн параметров по метаданным и поддерживает контекст длиной до 512 токенов. Модель подходит для мониторинга отзывов о брендах и продуктах, анализа общественного мнения и обнаружения кризисных реакций, когда нужна только положительная или отрицательная оценка. Для проверки на отложенной выборке из 2 107 примеров автор сообщает accuracy 96,06% и macro-F1 0,949; эти показатели относятся к указанной выборке. Лицензия — MIT.

InstantMesh — модель TencentARC для быстрого создания 3D-сеток по одному изображению. Она использует feed-forward подход, объединяющий готовую модель многовидовой диффузии и модель реконструкции по разреженным ракурсам на основе архитектуры LRM. Модель предназначена для генерации 3D-объектов из одиночного изображения и создания ассетов для исследовательских и творческих проектов. Авторы заявляют, что генерация занимает менее 10 секунд; система также использует дифференцируемое извлечение изоповерхности и напрямую оптимизирует представление сетки. В карточке указаны формат PyTorch и лицензия Apache-2.0.

InternVL3-14B-GGUF — мультимодальная большая языковая модель, разработанная командой OpenGVLab и представленная в GGUF-формате Unsloth. Модель основана на OpenGVLab/InternVL3-14B и использует данные MMPR-v1.2; заявленная лицензия — Apache 2.0. Модель предназначена для задач, сочетающих работу с текстом и изображениями: мультимодального восприятия и рассуждений, анализа промышленных изображений, 3D-восприятия, использования инструментов и создания GUI-агентов. Поддерживается многоязычная работа, однако конкретный перечень языков в README не указан. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть представлена InternViT-300M-448px-V2_5, языковая — Qwen2.5-14B, а между ними используется MLP-проектор. Размер языковой модели — 14 млрд параметров; модель поддерживает текстовую и визуальную модальности. Контекстное окно, точные характеристики GGUF-квантизации и требования к ресурсам в README не указаны. К сильным сторонам относятся мультимодальные возможности и широкий спектр прикладных сценариев, но качество и производительность могут зависеть от выбранного варианта квантизации и аппаратной конфигурации.

unsloth/InternVL3-78B-Instruct-GGUF — GGUF-квантизированная версия мультимодальной модели InternVL3-78B-Instruct, разработанной командой OpenGVLab и подготовленной Unsloth. Это SFT-версия, прошедшая нативное мультимодальное предварительное обучение и дообучение, но не прошедшая MPO. Модель предназначена для задач, объединяющих работу с текстом и изображениями: мультимодального восприятия и рассуждений, анализа промышленных изображений, восприятия 3D-сцен, использования инструментов и создания GUI-агентов. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-6B-448px-V2_5 и языковую часть Qwen2.5-72B. Заявлена поддержка мультиязычных сценариев, однако конкретный список языков и размер контекстного окна в README не указаны. К сильным сторонам относятся крупная языковая модель, мультимодальное предварительное обучение и расширенные возможности визуального восприятия и рассуждений. Ограничения связаны с тем, что это именно SFT-версия без MPO; авторы рекомендуют при выборе использовать базовую версию InternVL3-78B, если преимущества SFT-редакции не требуются. Модель распространяется по лицензии, обозначенной как other, с указанием лицензии Qwen и ссылкой на её текст; точные условия следует проверять в лицензии Qwen2.5-72B-Instruct.

Juggernaut XL v6 — модель генерации изображений по текстовому описанию, созданная KandooAI совместно с RunDiffusion. Это дообученная версия Stable Diffusion XL Base 1.0 с фотографической основой RunDiffusion Photo v1, предназначенная для фотореалистичных, портретных и кинематографичных изображений. Модель работает с текстовыми запросами и выдаёт изображения; карточка указывает поддержку английского языка. В README рекомендованы разрешения 832 × 1216 и 1216 × 832, а для генерации — 30–40 шагов сэмплера DPM++ 2M Karras. Версия v6 подходит для сохранения совместимости с LoRA, ControlNet, эмбеддингами и производственными процессами, настроенными под этот чекпойнт, а также для получения его характерной эстетики: более мягкого освещения и сдержанного контраста. Для новых проектов автор рекомендует более поздние версии Juggernaut. Лицензия CreativeML Open RAIL-M разрешает личное и творческое использование; размещение за платными API-сервисами требует отдельного разрешения или лицензии.

Карточка модели KIUEW/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 neuralnetworker/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 szwagros/Krea-2-Turbo-fp8 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 Langitzt/Kreo2 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.

LibreSAM2tiny — компактная модель сегментации SAM 2.1 Hiera Tiny, опубликованная LibreYOLO как совместимый с Transformers снимок базовой модели facebook/sam2.1-hiera-tiny. Обученные параметры не изменялись; репозиторий содержит упаковку для LibreYOLO и файлы лицензии и уведомлений для распространения по Apache-2.0. Модель выполняет сегментацию по подсказкам: например, выделяет объект на изображении по заданной точке и её метке. Каталог классифицирует её задачу как mask-generation и указывает семейство sam2_video. Модель принимает изображение и подсказки сегментации, а выдаёт маски. Подробности о поддерживаемых языках и длине контекста неприменимы к этой модели.

LLaVA-OneVision Qwen2 7B — мультимодальная модель семейства LLaVA, разработанная командой LMMS Lab и основанная на языковой модели Qwen2. Она сочетает визуальный энкодер SO400M с языковой частью Qwen2 и содержит 7,1 млрд параметров; контекст — до 32 768 токенов. Репозиторий распространяет веса в формате Safetensors, для работы используется Transformers. Модель предназначена для диалогового взаимодействия с изображениями, несколькими изображениями и видео: она принимает визуальные данные и текстовые запросы и формирует текстовые ответы. Обучение включало этапы с данными для одиночных изображений, нескольких изображений и видео. В карточке заявлена поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает об ограничениях модели, но не уточняет их; качество ответов может зависеть от входного изображения или видео и формулировки запроса.

MaxViT Large TF 512 IN1K — модель классификации изображений семейства MaxViT, перенесённая Ross Wightman из официальной реализации TensorFlow в PyTorch и распространяемая в библиотеке timm. Исходные веса обучены авторами статьи на ImageNet-1k. Архитектура сочетает блоки MBConv и два вида self-attention: оконное и сеточное; модель также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 212,3 млн параметров и рассчитана на изображения размером 512 × 512 пикселей. Она подходит для отнесения изображений к категориям ImageNet-1k и получения визуальных представлений для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и SafeTensors; лицензия — Apache-2.0.

MaxViT XLarge TF 224 IN21k — модель классификации изображений семейства MaxViT, разработанная авторами MaxViT и перенесённая из TensorFlow в PyTorch Россом Уайтманом для библиотеки timm. Она обучена на ImageNet-21k и предназначена для отнесения изображений к классам, извлечения карт признаков и получения визуальных эмбеддингов. Архитектура MaxViT сочетает блоки MBConv со слоями самовнимания по окнам и сетке. Модель содержит около 507 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий содержит веса PyTorch в формате safetensors; лицензия — Apache-2.0. Большой размер модели и вычислительная стоимость ограничивают её применение на устройствах с небольшими ресурсами. Обучение на ImageNet-21k ориентирует её на классификацию изображений общего назначения; для специализированных классов может потребоваться дообучение.

mnasnet_small.lamb_in1k — компактная сверточная модель для классификации изображений и извлечения признаков, опубликованная командой timm. Она обучена на ImageNet-1k; в карточке указаны 2 млн параметров, около 0,1 GMAC и входной размер изображения 224 × 224. Обучение проводилось с рецептом оптимизации LAMB и усреднением весов EMA. Модель подходит для распознавания объектов на изображениях, получения карт признаков и визуальных эмбеддингов, в том числе в сценариях с ограниченными вычислительными ресурсами. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

mobilenetv2_110d.ra_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она основана на архитектуре MobileNetV2 и предназначена для присвоения изображению метки класса; её также можно использовать как сверточную основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 4,5 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,4 GMACs на обработку изображения. При обучении использовались аугментации RandAugment, оптимизатор RMSProp с усреднением весов EMA и ступенчатое экспоненциальное снижение скорости обучения. Репозиторий содержит веса PyTorch в формате safetensors. Модель подходит для классификации изображений и извлечения визуальных признаков в приложениях компьютерного зрения. Карточка указывает лицензию Apache-2.0. Описанные результаты обучения относятся к ImageNet-1k; качество на иных наборах данных может отличаться.

MobileNetV4 Conv Medium — модель классификации изображений и извлечения признаков из семейства MobileNetV4. Её обучил Ross Wightman с помощью скриптов timm на ImageNet-1k; параметры обучения основаны на статье MobileNetV4 и дополнены настройками timm. В карточке указано, что официальные веса моделей MobileNetV4 для TensorFlow на момент её создания не были опубликованы. Модель содержит около 9,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя при обучении и 256 × 256 при тестировании. Она подходит для классификации объектов на изображениях, извлечения карт признаков и получения эмбеддингов. Это компактный вариант семейства MobileNet, ориентированный на сценарии компьютерного зрения, в том числе на мобильных устройствах. Модель распространяется по лицензии Apache-2.0. В карточке приведены результаты сравнения Top-1 и Top-5 для других вариантов MobileNetV4, но не указана метрика качества именно этой версии; её характеристики также не подтверждают поддержку языковых или мультимодальных входов.

MobileNetV4 Conv Medium — сверточная модель классификации изображений и извлечения признаков, опубликованная Ross Wightman в библиотеке timm. Она обучена на ImageNet-1k с гиперпараметрами, вдохновлёнными статьёй о MobileNetV4 и доработанными для timm. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель содержит 9,7 млн параметров и рассчитана на изображения размером 256 × 256 при обучении и 320 × 320 при оценке. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений; вычислительная сложность составляет 1,1 GMAC. Это компактная модель для компьютерного зрения, однако её обучение на ImageNet-1k означает, что она ориентирована на категории этого набора данных и может хуже работать на изображениях из иных областей. В карточке указано, что официальные веса моделей MobileNetV4 для TensorFlow пока не выпущены.

mt5-small-finetuned-amazon-en-es — дообученная модель семейства mT5, созданная на основе google/mt5-small. Она предназначена для суммаризации текста; название указывает на связь с Amazon и английским и испанским языками, однако README не описывает набор данных и языковую настройку подробнее. Модель содержит 157,4 млн параметров и доступна в форматах PyTorch и TensorFlow. В карточке приведены результаты оценки: Loss 3.0285, ROUGE-1 16.9728, ROUGE-2 8.2969, ROUGE-L 16.8366, ROUGE-Lsum 16.8510 и средняя длина генерации 10.1597 токена. Лицензия — Apache-2.0. README не сообщает дополнительных сведений о сценариях применения или ограничениях качества.

Это дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-small, опубликованная пользователем Mead0w1ark. Она предназначена для семантического поиска и сравнения текстов, в частности для подбора товарных описаний и запросов по кодам HS. Модель кодирует предложения и абзацы в плотные векторы размерности 384; сходство оценивается косинусной мерой. Архитектура включает BERT, усреднение токенных представлений и нормализацию векторов. Максимальная длина входа — 512 токенов, число параметров — 124,3 млн. В README описаны обучающие пары запросов и текстов на разных языках, связанные с мясной продукцией и международной торговлей. Модель также подходит для поиска парафраз, кластеризации и классификации текстов, если эти сценарии соответствуют данным пользователя. Для работы с эмбеддингами подойдут Sentence Transformers и text-embeddings-inference. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

P2R-2B — модель для детализированного визуального рассуждения, представленная в работе Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning. Она дообучена на Qwen3-VL-2B-Instruct и использует двухэтапный подход P2R, который разделяет восприятие изображения и последующее рассуждение; обучение проводилось с помощью стратегии обучения с подкреплением PRA-GRPO. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. В README приведены результаты на V-Star, HR-Bench-4K, HR-Bench-8K и MME-RealWorld-Lite, где P2R-2B превосходит исходную Qwen3-VL-Instruct-2B по указанным метрикам. Репозиторий распространяется по лицензии Apache-2.0.

Parrot-7B — мультиязычная мультимодальная языковая модель, разработанная авторами проекта Parrot. Она использует текстовые инструкции для выравнивания визуальных токенов на уровне языка и архитектуру Mixture-of-Experts для согласования визуальной информации с языковыми представлениями. Модель дообучена методом supervised fine-tuning на базе Qwen-1.5-7B-Chat и использует визуальный энкодер CLIP-ViT-Large-patch14-336; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалоговых сценариев с изображениями и мультиязычных вопросов и ответов по визуальному содержимому. В README описан мультиязычный бенчмарк MMMB: 6 языков, 15 категорий и 12 000 вопросов. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Авторы отмечают, что не могут гарантировать полное отсутствие проблемного или нарушающего авторские права контента.

Pelikan-2 — модель генерации масок по визуальным подсказкам, разработанная немецкой лабораторией ZundTeam. Это самостоятельная архитектура, а не обёртка над SAM или другой выпущенной моделью сегментации. Модель содержит около 764 млн параметров и использует трансформерный визуальный энкодер, обработку подсказок и декодер масок с оценкой качества, похожей на IoU. На вход подаются RGB-изображение и визуальная подсказка, например ограничивающая рамка или точка на объекте; на выходе модель формирует маску области в виде логитов и оценку качества. Она рассчитана на интерактивную сегментацию, изоляцию объектов, подготовку разметки и интеграцию в инструменты редактирования изображений. Модель работает с изображениями размером около 512 пикселей; для больших изображений README предлагает масштабирование, кадрирование или обработку плитками. Качество зависит от точности подсказки, распределения изображений, порога маски и постобработки. Неоднозначные подсказки дают неоднозначные маски; тонкие, прозрачные и очень мелкие объекты могут требовать доработки. Для загрузки весов требуется совместимая пользовательская реализация. Лицензия — Apache-2.0.