IV.1Ритейл, электронная коммерция и fashion-tech

EfficientNet-B1 — сверточная модель классификации изображений из семейства EfficientNet, представленная проектом timm. Версия ft_in1k дообучена на ImageNet-1k и перенесена с исходных весов TensorFlow с padding типа SAME для использования в PyTorch. Модель содержит около 7,8 млн параметров; в карточке указаны размер изображения 224 × 224 для обучения и 256 × 256 для проверки, а также вычислительная сложность 0,6 GMACs. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Это компактная модель для классификации изображений общего назначения. Доступна по лицензии Apache-2.0.

timm/efficientnet_b3_pruned.in1k — модель классификации изображений на основе EfficientNet-B3, опубликованная проектом timm. Веса EfficientNet сокращены методом knapsack pruning; модель обучена на ImageNet-1k и предназначена для отнесения изображений к категориям, извлечения признаков и получения эмбеддингов изображений. Модель содержит 9,9 млн параметров, требует изображения размером 300 × 300 пикселей и имеет вычислительную сложность около 1,0 GMAC. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка также ссылается на работы EfficientNet и Knapsack Pruning with Inner Distillation.

EfficientNet-B5 — свёрточная модель компьютерного зрения, представленная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Она классифицирует изображения по 1000 классам ImageNet; модель рассчитана на входное разрешение 456×456 пикселей и использует метод составного масштабирования глубины, ширины и разрешения сети. Модель подходит для классификации изображений в приложениях компьютерного зрения, в том числе на устройствах с ограниченными ресурсами. Это исходный чекпойнт EfficientNet-B5, доступный в формате PyTorch. Лицензия — Apache-2.0. Для других задач можно искать версии, дообученные на соответствующих данных.

EfficientViT-M4 — модель классификации изображений и извлечения визуальных признаков из семейства EfficientViT, разработанного MSRA. Авторы статьи обучили её на ImageNet-1k; модель доступна через библиотеку timm и рассчитана на изображения размером 224 × 224 пикселя. Она содержит около 8,8 млн параметров и требует 0,3 GMAC на обработку изображения. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Архитектура использует каскадное групповое внимание и ориентирована на экономичную обработку изображений. Веса опубликованы в форматах PyTorch и safetensors под лицензией MIT.

FastViT-SA24 Apple Distilled — модель классификации изображений и извлечения визуальных признаков из семейства FastViT. Она обучена авторами статьи на ImageNet-1k с дистилляцией; в карточке указаны 21,6 млн параметров и входное разрешение 256 × 256 пикселей. Репозиторий содержит веса PyTorch в формате Safetensors. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений, например как визуальная основа для прикладных систем компьютерного зрения. Карточка ссылается на статью FastViT о гибридном Vision Transformer со структурной репараметризацией. Для использования следует соблюдать исходную лицензию; метаданные обозначают лицензию как other, не уточняя конкретные условия.

FIBO — модель Bria AI для генерации изображений по тексту, ориентированная на профессиональные творческие и производственные процессы. Это модель на основе DiT с 8 млрд параметров, обученная на лицензированных данных исключительно на длинных структурированных описаниях в формате JSON. Для кодирования текста используется SmolLM3-3B, для VAE — Wan 2.2; архитектура DimFusion поддерживает работу с длинными описаниями. Модель предназначена для создания изображений с управляемыми параметрами освещения, композиции, цвета и камеры, а также для последовательного уточнения результата без нежелательного изменения других деталей. В режимах Generate, Refine и Inspire система может расширять короткие запросы в структурированные описания и использовать входное изображение как источник вдохновения. Для этой работы конвейер подключает VLM, например Gemini или упомянутую в README дообученную на базе Qwen-2.5 модель; часть функций может требовать отдельной VLM и API-ключа. README заявляет о высокой точности следования запросу и пригодности для профессиональных процессов, однако независимые показатели качества в предоставленных материалах не приведены. Открытые веса доступны для некоммерческого использования по отдельной лицензии; для коммерческого применения Bria предлагает отдельные условия.

FLUX.2-klein-4B-Q4_K_M — GGUF-квантизированная версия модели FLUX.2-klein-4B, разработанной Black Forest Labs. Модель представляет собой rectified flow transformer с 4 миллиардами параметров и объединяет генерацию и редактирование изображений в единой компактной архитектуре. Указан английский язык; модель работает с текстовыми описаниями и изображениями, поддерживая text-to-image, image-to-image и редактирование с несколькими референсами. Модель предназначена для интерактивной генерации изображений, редактирования, локальной разработки, edge-развёртывания и производственных сценариев с жёсткими требованиями к задержке. Это дистиллированная модель, ориентированная на генерацию менее чем за секунду, доступная на потребительских GPU примерно с 13 ГБ VRAM, включая NVIDIA RTX 3090 и RTX 4070. GGUF-версия использует методологию Unsloth Dynamic 2.0 с повышением точности отдельных важных слоёв; для работы упоминаются ComfyUI и Diffusers. Сильные стороны модели — компактность, высокая скорость, объединение генерации и редактирования, поддержка многоэлементного редактирования и возможность коммерческого локального использования. Ограничения включают возможные искажения текста на изображениях, неточное следование запросам, зависимость результата от стиля формулировки промпта и риск воспроизведения или усиления предвзятости обучающих данных. Модель не предназначена для предоставления фактической информации и не должна применяться для незаконного, вредоносного, обманного или высокорискового автоматизированного принятия решений. Распространяется под лицензией Apache 2.0.

Карточка модели rootlocalghost/FLUX.2-klein-9B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-9B, поэтому описание составлено по ней. 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.

FLUX.2 [klein] 9B-KV — модель Black Forest Labs для генерации и редактирования изображений. Она поддерживает text-to-image и multi-reference editing в единой системе и предназначена прежде всего для интерактивных приложений, конвейеров редактирования в реальном времени и сценариев, где одни и те же референсные изображения используются в нескольких генерациях. Модель представляет собой flow model на 9 млрд параметров с текстовым энкодером Qwen3 на 8 млрд параметров и дистиллирована до четырёх шагов инференса. Вариант 9B-KV оптимизирован за счёт KV-кэширования: ключи и значения токенов референсных изображений вычисляются на первом шаге денойзинга, а затем переиспользуются. Это может ускорять задачи редактирования с несколькими референсами до 2,5 раза; заявлены генерация за доли секунды и поддержка английского языка. Для работы требуется около 29 ГБ VRAM, заявлена совместимость с NVIDIA RTX 5090 и более новыми видеокартами. Ограничения включают возможное несоответствие результата запросу, зависимость качества следования инструкциям от стиля промпта и искажения при генерации текста внутри изображений. Модель не предназначена для предоставления фактической информации и может воспроизводить или усиливать предвзятость обучающих данных. Использование регулируется FLUX Non-Commercial License и Acceptable Use Policy; коммерческое применение не разрешено.

FLUX.2 [klein] 9B SNOFS — модель Black Forest Labs для генерации и редактирования изображений. Это трансформер rectified flow на 9 млрд параметров с текстовым энкодером Qwen3 на 8 млрд параметров; модель дистиллирована до четырёх шагов инференса для быстрой генерации. Она поддерживает создание изображений по тексту, редактирование по одному или нескольким референсам и рассчитана на приложения с низкой задержкой, включая творческий перебор идей. Работает через Diffusers и ComfyUI; для запуска указано требование около 29 ГБ видеопамяти. Модель принимает текстовые запросы и изображения-референсы, выдаёт изображения. В карточке отмечены английский язык и поддержка текстового управления; надписи внутри сгенерированных изображений могут быть искажены, а следование запросу зависит от формулировки и не всегда точно. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Указана лицензия other, а README сообщает о некоммерческом использовании и ограничениях на отдельные сценарии применения.

GhostNetV2 160.in1k — сверточная модель классификации изображений из семейства GhostNetV2, опубликованная авторами соответствующей работы и обученная на ImageNet-1k. Репозиторий предоставляет веса в форматах PyTorch и safetensors для использования через timm и Transformers. Модель предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и изображенийных эмбеддингов. Для входа указано разрешение 224 × 224 пикселя; модель содержит 12,4 млн параметров и требует около 0,4 GMAC на изображение. Лицензия — Apache-2.0. Обучение на ImageNet-1k задаёт область классов, на которых модель обучалась; качество на других распределениях может отличаться.

HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

HRNet-W30 — сверточная модель классификации изображений из библиотеки timm, обученная авторами архитектуры на ImageNet-1k. Она предназначена для распознавания объектов на изображениях и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Модель содержит около 37,7 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 8,2 GMACs. Её архитектура HRNet поддерживает высокое пространственное разрешение признаков на протяжении обработки изображения. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — MIT.

Карточка модели Gromiasty/Hunyuan3D-2 на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2, поэтому описание составлено по ней. 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.

IAD-X1-SFT-answer-last — мультимодальная модель диалога на базе Qwen/Qwen3.5-4B, дообученная на наборе данных PA_SFT_2_answer_last. Она предназначена для диалоговых задач с пониманием изображений и генерацией текстовых ответов. Архитектура — плотная Qwen3.5 с поддержкой зрения; репозиторий содержит веса в формате Safetensors. Модель работает с изображениями и текстом на входе и формирует текст на выходе. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и базовой модели.

unsloth/InternVL3-1B-Instruct-GGUF — GGUF-версия мультимодальной модели InternVL3-1B-Instruct, разработанной командой OpenGVLab и подготовленной в формате квантования Unsloth. Это SFT-версия модели, прошедшая нативное мультимодальное предварительное обучение и supervised fine-tuning, но не прошедшая MPO. Модель предназначена для задач понимания изображений и текста, мультимодального диалога и рассуждений, а также может применяться для работы с инструментами, GUI-агентов, анализа промышленных изображений и восприятия 3D-сцен. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-0.5B. Поддерживается мультиязычная работа; модель относится к классу image-text-to-text и обрабатывает изображения вместе с текстовыми запросами. Ключевое преимущество — сочетание мультимодального восприятия и рассуждений при небольшом размере языковой компоненты, а формат GGUF удобен для локального запуска совместимыми инструментами. Ограничения включают меньшие возможности по сравнению с более крупными моделями семейства, отсутствие MPO и неизвестные из представленных данных параметры контекстного окна, точные языки и характеристики конкретного квантования. В метаданных указана лицензия Apache-2.0; ссылка на лицензию ведёт к лицензии Qwen2.5-72B-Instruct.

InternVL3.5-2B — компактная мультимодальная чат-модель семейства InternVL3.5, разработанного OpenGVLab. Это дообученная версия OpenGVLab/InternVL3_5-2B-MPO с архитектурой InternVLChatModel; веса опубликованы в формате safetensors и доступны для запуска через Transformers по лицензии Apache-2.0. Модель принимает изображения и текст и генерирует текстовые ответы в диалоге. Она предназначена для вопросов об изображениях и мультимодальных сценариев, где нужно совместно учитывать визуальный и текстовый контекст. В описании семейства отмечены улучшения рассуждений благодаря Cascade RL и эффективности визуальной обработки благодаря Visual Resolution Router; конкретные показатели этих улучшений для версии 2B не приведены. Модель отмечена как многоязычная. Карточка не приводит для этой конкретной версии длину контекста и подробные ограничения по качеству; результаты могут зависеть от сложности изображения и запроса. Лицензия Apache-2.0 разрешает использование на её условиях.

Карточка модели fkyyy/Krea-2-Turbo-slim 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.

LibreOVDEIMl — детектор объектов с открытым словарём OV-DEIM-L, опубликованный LibreYOLO. Он находит объекты на изображениях по текстовым запросам, включая категории и описания, заданные пользователем. Модель содержит 36 млн параметров: детектор с дообученной основой DINOv3-S/16 и текстовый модуль MobileCLIP-B(LT), который кодирует запросы во время работы. Модельные веса конвертированы из wleilei/OV-DEIM; обучающие параметры детектора взяты из обучения на Objects365v1 и GoldG. Модель предназначена для обнаружения объектов в реальном времени и zero-shot поиска по произвольным текстовым описаниям. В README указаны 45,9 AP на COCO val2017 для версии L; автор исходной работы сообщает о 91 FPS на T4 с TensorRT при размере входа 640. Репозиторий содержит веса safetensors и использует библиотеку LibreYOLO. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-512-MultiImage на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

MambaOut Base Wide — модель компьютерного зрения для классификации изображений и извлечения признаков. Версию с настройками архитектуры для timm обучил Ross Wightman на ImageNet-1k по рецепту обучения на основе Swin и ConvNeXt. В модели 94,4 млн параметров; рекомендованный размер изображения при обучении — 224 × 224, при проверке — 288 × 288. Модель подходит для отнесения изображений к классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный бэкбон в системах компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

MaxViT Base TF 384 — модель классификации изображений семейства MaxViT, разработанная авторами статьи и перенесённая из официальной реализации TensorFlow в PyTorch Россом Уайтманом. Она обучена на ImageNet-1k и предназначена для присвоения изображениям меток из набора классов, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Архитектура MaxViT сочетает блоки MBConv с двумя типами self-attention: оконным и grid-attention. Модель содержит около 119,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. В репозитории доступны веса PyTorch и Safetensors; библиотека модели — timm. Модель подходит для прикладной классификации и как основа для систем компьютерного зрения. Её вычислительная стоимость заметна: в карточке указано 73,8 GMACs. Лицензия — Apache-2.0.

MaxxViT-V2 RMLP Base RW 224 SW IN12K — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработал Ross Wightman и обучил в библиотеке timm на ImageNet-12k — подмножестве ImageNet-22k с 11 821 классом. Архитектура MaxxViT-V2 сочетает блоки ConvNeXt и grid self-attention; вариант использует MLP Log-CPB — непрерывное смещение относительных позиций, мотивированное Swin V2. Модель содержит 127,2 млн параметров и рассчитана на изображения 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch и SafeTensors. Модель подходит для классификации объектов на изображениях, использования в качестве визуального backbone и извлечения эмбеддингов и карт признаков. Специализация на ImageNet-12k помогает классификации по широкому набору классов, но сама по себе не гарантирует качество на предметных областях или классах, отсутствовавших в обучении. Лицензия — Apache-2.0.

Карточка модели NostraEmpire/mirror-sam2.1-hiera-large на Hugging Face совпадает с карточкой facebook/sam2.1-hiera-large, поэтому описание составлено по ней. SAM 2.1 Hiera Large — большая модель сегментации изображений и видео, разработанная FAIR. Она выделяет объекты по точкам, рамкам и маскам-подсказкам, а также может автоматически генерировать маски для объектов на изображении. Для видео модель сегментирует выбранные объекты и отслеживает их между кадрами, включая обработку потокового видео. Модель относится к семейству SAM 2 и использует архитектуру Hiera; в репозитории доступны веса Safetensors для Transformers. Она предназначена для визуальной сегментации, а не для понимания или генерации текста. Лицензия — Apache-2.0. SAM 2 поддерживает сегментацию нескольких объектов, уточнение результата дополнительными точками или предыдущими масками и пакетную обработку изображений и объектов. README описывает обработку видео и потоковый режим, но фактическая производительность и качество могут зависеть от входных данных и сценария применения.

MobileOne-S0 — компактная модель классификации изображений из семейства MobileOne, обученная авторами статьи на ImageNet-1k и опубликованная в репозитории timm. Она предназначена для распознавания объектов на изображениях и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 5,3 млн параметров, требует 1,1 GMAC на изображение и рассчитана на вход размером 224 × 224 пикселя. MobileOne разработана для эффективного выполнения задач компьютерного зрения, в том числе в сценариях с ограниченными вычислительными ресурсами. Репозиторий предоставляет веса PyTorch и SafeTensors. В метаданных Hugging Face указана лицензия other; README просит соблюдать исходную лицензию, поэтому условия использования следует сверять с лицензией оригинальной модели.

MViTv2 Base fb_in1k — модель классификации изображений и извлечения визуальных признаков из семейства многомасштабных Vision Transformer. Она разработана авторами MViTv2 и предварительно обучена на ImageNet-1k. Модель содержит 51,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k и получения векторных представлений изображений для последующей обработки. В карточке указаны вычислительная стоимость 10,2 GMACs и 40,5 млн активаций. Веса опубликованы в форматах PyTorch и safetensors; лицензия — Apache-2.0.

JANGQ-AI/Ornith-1.0-35B-JANG_6M — мультимодальная модель для диалога с изображениями, основанная на Ornith-1.0-35B от DeepReinforce. Она предназначена для сценариев, где нужно задавать вопросы по изображениям и получать текстовые ответы. Архитектура семейства Qwen3.5 MoE сочетает 30 слоёв Gated-DeltaNet и 10 слоёв полного внимания; в текстовой части 256 маршрутизируемых экспертов и скрытая размерность 2048. Визуальный энкодер сохранён в fp16. Это вариант JANG_6M с 8-битным вниманием и 6-битными маршрутизируемыми экспертами, смешанной точностью и размером группы 64; заявленный размер — около 26 ГБ. Для запуска требуется MLX Studio или среда vMLX: стандартный mlx_lm некорректно загружает этот формат. Модель распространяется по лицензии MIT.

Q-SiT Mini — модель семейства LLaVA-OneVision для оценки качества изображений и объяснения этой оценки в диалоговом формате. Она объединяет числовое оценивание и интерпретацию изображения в одной системе, используя связь между визуальным восприятием и принятием решений. Модель принимает изображение и текстовый запрос, а выдаёт текстовый ответ с оценкой качества или её объяснением. В карточке показан вариант Mini; размер модели и поддерживаемые языки не приведены. Для запуска README рекомендует Transformers версии 4.45.0. Модель опубликована под лицензией MIT.

Qwen2.5-VL-7B-Abliterated-Caption-it-GGUF — это квантованная GGUF-версия мультимодальной модели prithivMLmods/Qwen2.5-VL-7B-Abliterated-Caption-it, подготовленная mradermacher. Модель относится к классу vision-language моделей и предназначена для понимания изображений, генерации подписей к ним и решения задач преобразования изображения в текст. В основе лежит модель с примерно 7 млрд параметров; поддерживаются текстовые и визуальные данные. В карточке заявлены английский, китайский и тайский языки. Доступны варианты квантования GGUF от Q2_K до Q8_0, а также F16 и отдельные мультимодальные компоненты mmproj. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q8_0 — как обеспечивающий высокое качество при увеличенном размере. Сильными сторонами являются мультимодальность, специализация на создании описаний изображений и возможность запуска в различных компромиссах между размером, скоростью и качеством благодаря множеству вариантов квантования. Ограничения включают отсутствие в README данных о максимальном контексте, результатах бенчмарков, требованиях к оборудованию и качестве на конкретных сценариях; поэтому эти характеристики требуют отдельной проверки. Модель распространяется по лицензии Apache-2.0.

Это модель извлечения признаков изображений на основе визуального энкодера Qwen3.5-4B, преобразованного в формат timm. Она предназначена для получения векторных представлений изображений и промежуточных карт признаков, которые можно использовать в последующих задачах компьютерного зрения или дообучить для классификации. Веса визуальной части не дообучались: классификационная голова отсутствует, поэтому для классификации её нужно обучить отдельно. Модель содержит 332,7 млн параметров; ширина визуального backbone — 1024, проекции — 2560. Она принимает RGB-изображения, поддерживает прямоугольные размеры, использует абсолютные позиционные эмбеддинги и двумерный RoPE. Размер каждой стороны изображения должен делиться на 16, а для вариантов с объединением патчей 2×2 — на 32. Для стандартной обработки указаны изображения 768 × 768. Реализация рассчитана только на изображения и не содержит языковых весов Qwen. Модель разработана на основе визуальных весов Qwen3.5-4B и опубликована в репозитории timm; лицензия — Apache 2.0. Она выдаёт эмбеддинги и карты признаков, но не готовые классы изображений. Средняя операция для получения вектора сворачивает пространственные токены, поэтому детальные пространственные признаки следует получать через промежуточные карты или токены.