IV.1Ритейл, электронная коммерция и fashion-tech

Карточка модели nitesh-ml/TRELLIS.2-4B-nb-3D на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Savta разработала модель распознавания намерений пользователя в сообщениях. Она дообучена на базе google-bert/bert-base-uncased и использует архитектуру BERT с классификационной головой BertForSequenceClassification. Модель относит входной текст к одному из 50 классов, включая запрос технической поддержки, вопросы о товарах и ценах, возвраты, жалобы, рекомендации и другие намерения в диалоге с компанией. Модель предназначена для классификации обращений клиентов и маршрутизации сообщений в службах поддержки и продаж. Она содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и рассчитана на английский язык. В метаданных также указан text-generation, но архитектура и перечисленные классы указывают на основное применение как классификатора текста. Лицензия в предоставленных данных не указана.

VipLLaVA 13B — мультимодальная чат-модель, опубликованная llava-hf. Это авторегрессионная трансформерная модель семейства VipLLaVA, дообученная на инструкциях для работы с изображениями и текстом. VipLLaVA развивает подход LLaVA: при обучении используются изображения с визуальными отметками, а пользователь может задавать вопросы о них с помощью естественных подсказок, например указывая на красную рамку или стрелку. Модель предназначена для диалога по одному или нескольким изображениям: она отвечает на вопросы, описывает визуальные сцены и следует мультимодальным инструкциям. Поддерживает несколько изображений и запросов в одном контексте; для запуска в README описано использование Transformers. Репозиторий содержит веса в формате safetensors. Условия лицензии в предоставленных данных не указаны.

timm/vit_base_patch16_224.orig_in21k — базовая модель Vision Transformer, обученная авторами статьи в JAX на ImageNet-21k и перенесённая в PyTorch Россом Уайтманом. Модель насчитывает 85,8 млн параметров, использует патчи 16×16 и рассчитана на изображения размером 224×224 пикселя. Классификационная голова отсутствует. Модель предназначена прежде всего для извлечения признаков и эмбеддингов изображений, а также как основа для последующего дообучения под задачи компьютерного зрения. Лицензия — Apache-2.0. Карточка описывает ImageNet-21k как обучающий набор данных.

facebook/vit-msn-base — базовая модель Vision Transformer, предварительно обученная методом Masked Siamese Networks (MSN). MSN разработан Mahmoud Assran, Mathilde Caron и соавторами; веса модели впервые опубликованы в связанном репозитории. Архитектура ViT преобразует изображение в последовательность патчей и кодирует её трансформерным энкодером; модель содержит 113,2 млн параметров. Модель извлекает признаки изображений для последующих задач компьютерного зрения. Её можно использовать как основу классификатора, добавив обучаемый классификационный слой; предварительное обучение особенно полезно, когда для целевой задачи доступно мало размеченных изображений. Модель предназначена для изображений и не генерирует текстовые описания. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит конкретные ограничения по разрешению входа или числу классов; качество на целевой задаче зависит от последующего обучения и данных.

vit_pe_core_small_patch16_384.fb — модель зрения из семейства Perception Encoder, опубликованная PyTorch Image Models (timm). Это компактная версия визуального энкодера на базе Vision Transformer (ViT), предназначенная для извлечения признаков из изображений. Модель содержит 23,8 млн параметров, использует патчи 16×16 и рассчитана на изображения с разрешением 384 пикселя. Модель принимает изображения и выдаёт визуальные признаки, которые можно использовать как представления для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и safetensors; модель доступна по лицензии Apache-2.0. Веса timm из этой коллекции не работают с оригинальным кодом моделирования Perception Encoder.

Это модель Vision Transformer (ViT) для классификации изображений, опубликованная cs-giung. Она предварительно обучена на ImageNet-21k: 14 миллионах изображений с 21 843 классами. Модель обрабатывает изображения разрешением 224×224 пикселя; её архитектура использует патчи 16×16, а размер составляет 28,3 млн параметров. Модель подходит для определения категорий объектов на изображениях и может служить основой для последующей адаптации под другие наборы классов. Веса преобразованы из исходного файла формата NPZ и доступны в формате safetensors. Использование распространяется по лицензии Apache-2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Россом Уайтманом для библиотеки timm. Вариант архитектуры использует патчи 16×16, четыре register-токена и глобальное усреднение признаков; размер входного изображения — 384×384. Модель содержит 134,4 млн параметров и выполняет 88 GMACs. Модель предварительно обучена на ImageNet-12k, затем дообучена на ImageNet-1k. Она предназначена для присвоения изображениям классов ImageNet, а также может использоваться как основа для извлечения признаков и эмбеддингов изображений. В README приведены примеры применения для классификации, извлечения карт признаков и получения эмбеддингов. Модель доступна в форматах PyTorch и safetensors через timm. Лицензия — Apache-2.0. Результаты и назначение ориентированы на классификацию ImageNet; для других наборов классов может потребоваться адаптация.

Это модель Vision Transformer для классификации изображений из семейства timm, обученная разработчиками timm на ImageNet-1k. Вариант wee использует патчи 16×16, один register-токен и глобальное усреднение признаков; в модели около 13,4 млн параметров, она рассчитана на изображения 256×256 пикселей. Модель предсказывает классы изображений и может использоваться как энкодер признаков для извлечения карт признаков и эмбеддингов. Она подходит для классификации изображений, а также как визуальный компонент в прикладных конвейерах компьютерного зрения. Веса доступны в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия Apache-2.0.

timm/wide_resnet101_2.tv_in1k — модель классификации изображений семейства Wide ResNet, опубликованная в библиотеке timm. Она использует активации ReLU, начальную свёртку 7×7 с пулингом и свёрточные shortcut-связи 1×1. Модель обучена на ImageNet-1k и основана на оригинальных весах torchvision. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. В карточке указаны 126,9 млн параметров и стандартный размер входного изображения 224×224 пикселя. Для запуска доступны веса PyTorch и safetensors. Лицензия — BSD-3-Clause. Карточка не описывает поддержку текстовых или иных модальностей; качество классификации за пределами ImageNet-1k и ограничения на таких данных отдельно не охарактеризованы.

XCiT Medium 24 P8 384 — модель классификации изображений на основе архитектуры Cross-Covariance Image Transformer, опубликованная авторами работы XCiT и доступная через timm. Она предварительно обучена на ImageNet-1k с дистилляцией. Модель содержит 84,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя; её также можно использовать как визуальный backbone для получения эмбеддингов изображений. Модель подходит для классификации изображений и извлечения признаков в компьютерном зрении. Доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

jameslahm/yolov10m — модель семейства YOLOv10 для обнаружения объектов в изображениях в реальном времени. Карточка представляет её как сквозную end-to-end модель; репозиторий использует библиотеку yolov10 и формат весов safetensors. В метаданных указан датасет COCO. Модель предназначена для локализации и распознавания объектов на изображениях, например для анализа сцен и визуального контроля. Указана лицензия AGPL-3.0, условия которой следует учитывать при использовании и распространении модели.

Belall87 разработал эту модель, дообучив aubmindlab/bert-base-arabertv02 для бинарной классификации тональности арабского текста. Она относит текст к положительной или отрицательной тональности и предназначена, в частности, для анализа отзывов, сообщений в соцсетях и обратной связи клиентов. Архитектура — BERT для классификации последовательностей; в метаданных указаны 162,4 млн параметров и контекст до 512 токенов. Модель распространяется в формате safetensors по лицензии MIT. В README заявлены точность и F1-score 92,87% на использованном наборе данных. При обучении нормализовали варианты написания арабских букв, удаляли диакритические знаки и фильтровали URL, упоминания и хештеги. Модель обучалась на смеси современного литературного арабского и диалектов; README рекомендует подавать тексты короче 256 токенов. Классификация ограничена двумя метками, а на специализированной лексике качество может снижаться.

Модель textattack/bert-base-uncased-yelp-polarity — версия BERT base uncased, дообученная TextAttack для классификации тональности отзывов Yelp на положительные и отрицательные. Она обучена на наборе yelp_polarity в течение пяти эпох; наилучшая точность на проверочной выборке составила около 97%. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Модель подходит для определения полярности отзывов и других коротких текстов на английском языке. В README указана максимальная длина последовательности 256 токенов при обучении. Карточка не сообщает условия лицензии.

Runware/BFL-FLUX.2-klein-9B — размещённая Runware копия модели FLUX.2 [klein] 9B, разработанной Black Forest Labs. Это модель генерации и редактирования изображений: она создаёт изображения по текстовому описанию и поддерживает редактирование с одним или несколькими референсными изображениями. Модель построена на rectified flow transformer с 9 млрд параметров и использует текстовый энкодер Qwen3 на 8 млрд параметров. Она дистиллирована до четырёх шагов инференса для быстрой генерации и предназначена, в частности, для интерактивных приложений и предварительного просмотра результатов. Репозиторий Runware содержит веса BF16 в формате Diffusers; метаданные указывают pipeline image-to-image, а карточка также описывает генерацию по тексту. Карточка разработчика указывает лицензию flux-non-commercial-license, то есть модель доступна для некоммерческого использования. Скорость и качество зависят от оборудования и настроек; заявленные разработчиком показатели не гарантируют одинаковой производительности во всех средах.

Boogu/Boogu-Image-0.0-Edit-exp-pt — экспериментальный чекпойнт семейства Boogu-Image, разработанного авторами проекта Boogu. Он предназначен для редактирования изображений по текстовым инструкциям: добавления, замены и удаления объектов, изменения их свойств, фона и стиля, а также правки текста внутри изображения. Репозиторий использует библиотеку Diffusers и формат SafeTensors; заявлена лицензия Apache-2.0. README описывает семейство Boogu-Image-0.1 и его варианты, тогда как идентификатор этой модели указывает на версию 0.0 и экспериментальный вариант Edit с prompt tuning. Для семейства заявлена поддержка китайского и английского языков, включая рендеринг текста на изображениях. Модель может испытывать трудности с точным сохранением исходной композиции и деталей, длинным или мелким текстом, сложными позами и мелкими лицами; знание предметного контекста уступает сильным закрытым системам.

CoAtNet-1 RW 224 — модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Архитектура CoAtNet сочетает свёрточные блоки MBConv на ранних этапах с блоками self-attention на поздних. Модель содержит 41,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для присвоения изображениям классов из набора ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors; библиотека для работы — timm. Модель обучена на ImageNet-1k и подходит для прикладной классификации изображений и экспериментов с визуальными представлениями. Лицензия — Apache-2.0.

CoAtNet Nano RW 224 SW IN1K — модель классификации изображений из библиотеки timm, разработанная Ross Wightman. Она обучена на ImageNet-1k и предназначена для отнесения изображений к классам, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Архитектура CoAtNet сочетает блоки MBConv на ранних этапах с блоками self-attention на последующих. Модель содержит около 15,1 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 2,41 GMAC на изображение. В приведённой таблице для неё указаны точность top-1 81,70% и top-5 95,64% на ImageNet-1k. Модель принимает изображения и выдаёт метки классов либо визуальные признаки в зависимости от способа использования. Карточка не описывает поддержку естественных языков. Лицензия репозитория — Apache-2.0; официальные веса CoAtNet от авторов исходной статьи не выпускались, а эта версия является конфигурацией timm.

ConvNeXt Nano — свёрточная нейросеть для классификации изображений и извлечения признаков, обученная Ross Wightman с библиотекой timm на ImageNet-1k. Модель содержит 15,6 млн параметров; для обучения использовались изображения размером 224 × 224, для оценки — 288 × 288. В карточке приведены результаты классификации ImageNet-1k и примеры извлечения карт признаков и эмбеддингов. Модель подходит для определения объектов и категорий на изображениях, а также как компактная визуальная основа для прикладных систем компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

ConvNeXt Small — сверточная модель классификации изображений из библиотеки timm, обученная Россом Уайтменом на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом. Модель также подходит для извлечения карт признаков и получения векторных представлений изображений. Модель содержит 58,5 млн параметров, имеет вычислительную сложность 8,7 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка не указывает языковые характеристики: основная задача модели — визуальная классификация.

ConvNeXt V2 Large — сверточная модель компьютерного зрения, разработанная авторами работы ConvNeXt V2 и выпущенная в репозитории Facebook. Модель предварительно обучена с помощью FCMAE, затем дообучена на ImageNet-22K; входное разрешение — 224 × 224 пикселя. Архитектура использует полностью сверточный masked autoencoder и слой Global Response Normalization (GRN). Модель предназначена для классификации изображений по категориям ImageNet-22K и может служить основой для дальнейшей адаптации к другим задачам распознавания изображений. Она принимает изображение и выдаёт оценки классов. Распространяется по лицензии Apache-2.0.

ConvNeXt V2 Tiny — свёрточная модель компьютерного зрения, разработанная авторами статьи ConvNeXt V2 и опубликованная в репозитории Hugging Face. Модель предварительно обучена с помощью FCMAE и дообучена на ImageNet-22K; она рассчитана на классификацию изображений с разрешением 224×224. Архитектура остаётся полностью свёрточной и включает слой Global Response Normalization (GRN). Модель принимает изображение и предсказывает класс из набора ImageNet. Репозиторий содержит веса в форматах PyTorch, Safetensors и TensorFlow. Модель подходит для классификации изображений общего назначения и может служить основой для дальнейшей настройки под другие задачи компьютерного зрения. В карточке не приведены результаты оценки качества или сведения о специальных ограничениях применения. Лицензия — Apache-2.0.

NVIDIA C-RADIO — модель извлечения визуальных признаков на основе Vision Transformer. Она преобразует RGB-изображения в тензорные эмбеддинги для использования в последующих моделях. Модель возвращает глобальное представление изображения и пространственные признаки, подходящие для задач классификации, семантической сегментации и интеграции с языковой моделью. Поддерживаются изображения с разрешением до 2048×2028 пикселей с шагом 16 пикселей. Модель обучалась на наборе NV-CC-Img-Text-Dataset, включающем 700 миллионов изображений; для оценки использовался ImageNet. Для применения эмбеддингов требуется downstream-модель. В карточке указана лицензия other; конкретные условия использования следует сверять с лицензией и условиями NVIDIA.

CyberRealistic — модель генерации изображений по текстовому описанию от Cyberdelia, основанная на архитектуре Stable Diffusion 1.5. Версия v8.0 распространяется в формате safetensors и включает встроенный VAE; в README указан размер файла около 6,3 ГБ. Модель ориентирована на фотореалистичные изображения, особенно портреты людей, и рассчитана на работу с простыми промптами. Она подходит для создания портретов, fashion-изображений и кинематографичных сцен. В README рекомендованы 25–30 шагов сэмплирования и разрешение 512×512; для большего разрешения предлагается Hires.fix. Лицензия в метаданных указана как CreativeML OpenRAIL-M. Реалистичная направленность может ухудшать результаты для абстрактных и аниме-промптов. В отдельных настройках освещение и кожа могут выглядеть чрезмерно гладкими; модель также способна создавать чувствительный контент.

CyberRealistic XL — модель генерации изображений от Cyberdelia на базе Stable Diffusion XL 1.0. Чекпойнт распространяется в формате safetensors под лицензией CreativeML Open RAIL++-M. Модель предназначена для создания фотореалистичных изображений по текстовому описанию. Она особенно подходит для портретов, модной фотографии и редакционных сцен, а также для других творческих запросов. По карточке, модель хорошо работает с короткими промптами, детально передаёт лица, освещение, текстуры, кожу и глаза и включает встроенный VAE. Рекомендуемое исходное разрешение — 1024×1024; для более крупных изображений предлагается использовать Hires.fix.

DeiT Small Distilled Patch16 224 — модель компьютерного зрения семейства DeiT для классификации изображений и получения визуальных признаковых представлений. Она разработана авторами статьи о data-efficient image transformers и обучена на ImageNet-1k с использованием токенов дистилляции. Модель содержит 22,4 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и требует около 4,6 GMACs на проход. Модель подходит для классификации изображений по категориям ImageNet-1k и извлечения эмбеддингов изображений как признаков для последующих задач компьютерного зрения. Реализация доступна через библиотеку timm, веса представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Pravallika6/detr-finetuned-logo-detection_v2 — модель обнаружения объектов на базе архитектуры DETR, опубликованная пользователем Pravallika6 на Hugging Face. Модель предназначена для поиска логотипов на изображениях и возврата ограничивающих рамок обнаруженных объектов. Модель содержит около 6,3 млн параметров и реализована для использования с библиотекой Transformers; формат safetensors указан в метаданных. Она может применяться в системах анализа изображений, мониторинга представленности брендов, поиска логотипов в пользовательском контенте и автоматической разметки изображений. Сведения о разработчике, лицензии, обучающих данных, поддерживаемых языках, длине контекста и результатах оценки в доступных материалах отсутствуют.

Это компактный визуальный трансформер ViT с архитектурой DINOv2 with Registers, выпущенный командой DINOv2 и опубликованный в репозитории Facebook. Модель содержит 28,3 млн параметров и предназначена для классификации изображений по 1000 классам ImageNet, а также для получения признаковых представлений изображений для последующих задач компьютерного зрения. Добавленные register-токены помогают уменьшать артефакты в картах внимания и делают их более интерпретируемыми. Веса доступны в формате Safetensors. В карточке отмечено, что в модели нет дообученных классификационных голов; для специализированной классификации потребуется добавить и обучить линейный классификатор. Лицензия — Apache 2.0.

Карточка модели droplychee/droplychee1212 на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. 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.

EfficientFormerV2-S1 — компактная модель компьютерного зрения для классификации изображений и извлечения признаков. Модель опубликована в репозитории timm и обучена с дистилляцией на ImageNet-1k; число параметров составляет около 6,2 млн, вычислительная сложность — около 0,7 GMACs. Входной размер изображения — 224 × 224 пикселя. Модель подходит для классификации изображений на классы ImageNet-1k, получения эмбеддингов изображений и извлечения карт признаков. Архитектура семейства EfficientFormerV2 рассчитана на компактность и скорость, что делает модель подходящей для сценариев компьютерного зрения с ограниченными вычислительными ресурсами. Лицензия репозитория — Apache-2.0.