IV.1Ритейл, электронная коммерция и fashion-tech

QiLong26/Qwen3-VL-8B-VQA-SFT — дообученная модель семейства Qwen3-VL, разработанная на основе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для диалога с изображениями и ответов на вопросы о визуальном содержимом; архитектура — плотная мультимодальная модель Qwen3VLForConditionalGeneration. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель принимает изображения и текстовые запросы, а выдаёт текстовые ответы. Базовая модель также поддерживает анализ видео, OCR и визуальное рассуждение, однако карточка этого дообучения не описывает его отдельные обучающие данные, оценку качества или дополнительные возможности. Модель распространяется по лицензии Apache 2.0.

Карточка модели wazimondo/Qwen-Image-2.1-viggle-turbo на Hugging Face совпадает с карточкой Viggle/Qwen-Image-2.1-viggle-turbo, поэтому описание составлено по ней. Qwen-Image-2.1-viggle-turbo — LoRA-адаптер, обученный Viggle на основе Qwen/Qwen-Image-2.1 методом дистилляции Distribution Matching Distillation. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсных изображений. Версия v0.2.1 использует адаптер ранга 256 в формате bf16 и рассчитана на 6 проходов трансформера без classifier-free guidance; также доступен вариант ранга 128. По заявлению разработчика, генерация примерно в пять раз быстрее базовой модели с 40 шагами, при этом качество на большинстве проверенных примеров сопоставимо. Адаптер рассчитан на работу поверх базового трансформера Qwen-Image-2.1 через Diffusers; в репозитории также приведены workflows для ComfyUI. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. Ограничения заметнее при рендеринге мелкого плотного текста и сложном редактировании, включая композицию по нескольким референсам, замену лиц, сохранение идентичности и инструкции с множеством ограничений; в этих случаях базовая модель может справляться лучше. Для ComfyUI автор предупреждает о возможных шероховатостях интеграции.

rdnet_base.nv_in1k — модель классификации изображений и визуальный backbone семейства RDNet, опубликованный Naver AI. Модель обучена на ImageNet-1k; в карточке указаны точность top-1 84,4% на валидационной выборке, 87 млн параметров и вычислительная сложность 15,4 GMACs. Рекомендуемый размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как готовый классификатор или как основу для компьютерного зрения в прикладных системах. Веса доступны в формате PyTorch, библиотека модели — timm. Лицензия — BSD 3-Clause.

ResNet-101 v1.5 — свёрточная нейросеть с остаточными связями, представленная в работе He et al. и опубликованная командой Microsoft. Модель предварительно обучена на ImageNet-1k для классификации изображений с разрешением 224×224 и предсказывает один из 1000 классов ImageNet. Вариант v1.5 переносит операцию уменьшения разрешения в bottleneck-блоках с первой свёртки 1×1 на свёртку 3×3. В карточке отмечено, что для ResNet50 такая схема немного повышает точность top-1, но снижает скорость обработки; это сравнение не является отдельной оценкой ResNet-101. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

ResNet34.a1_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура ResNet-B использует активации ReLU, свёртку 7×7 с пулингом и сокращённые связи с проекцией через свёртку 1×1. В модели около 21,8 млн параметров и 3,7 GMACs; рекомендуемый размер изображения при обучении — 224×224, при проверке — 288×288. Модель предназначена для классификации изображений по категориям ImageNet, извлечения карт признаков и получения векторных представлений изображений. Она может служить визуальной основой для прикладных компьютерно-зрительных систем. Репозиторий распространяется под лицензией Apache-2.0.

Это версия свёрточной модели ResNetV2 BiT-101x3, преобразованная zeromodels в формат Keras 3 из timm/resnetv2_101x3_bit.goog_in21k. Исходный чекпойнт обучен на ImageNet-21k; архитектура использует ResNet с предварительной активацией и предназначена для классификации изображений, а также как визуальный backbone для получения признаков. Модель принимает изображения и может возвращать логиты классов или признаки; режим backbone поддерживает многоуровневые стадии. Реализация рассчитана на TensorFlow, Torch и JAX через Keras 3. Карточка не указывает размер входного изображения или языковые возможности. Лицензия — Apache-2.0.

zeromodels/sam_vit_large — версия модели Segment Anything Model (SAM) с архитектурой ViT-L, подготовленная командой zeromodels в формате Keras 3. Это модель сегментации изображений без фиксированного набора классов: она принимает изображение и визуальную подсказку — точку или, при соответствующей настройке, рамку — и возвращает маску объекта. Тяжёлый энкодер изображения запускается один раз для каждого изображения, а лёгкие энкодер подсказок и декодер масок позволяют интерактивно уточнять сегментацию. Модель предназначена для выделения объектов по указанию пользователя и интерактивной сегментации изображений. Реализация Keras 3 рассчитана на работу с бэкендами TensorFlow, PyTorch и JAX. Веса преобразованы из facebook/sam-vit-large; лицензия — Apache 2.0. Ограничения: модель не использует словарь классов и требует визуальной подсказки; для рамок нужно включить поддержку box-входа при построении графа.

Photoreal v2.7 — модель, дообученная на базе Stable Diffusion 1.5 для генерации фотореалистичных изображений по текстовым запросам. Она предназначена для создания реалистичных изображений и художественных работ. Модель распространяется в форматах Diffusers и PyTorch и использует библиотеку Diffusers. Лицензия — GPL-3.0.

SI-Lab/StepCount-7B-SFT-1M — мультимодальная модель на архитектуре Qwen2.5-VL с 7,1 млрд параметров, предназначенная для диалога по изображениям и тексту. Это финальный чекпойнт продолженного supervised fine-tuning модели SI-Lab/StepCount-7b-SFT-1M-ckpt3450 на наборе данных SFT_StepCount_merged_7500_plus_11_50; обучение завершено на шаге 476. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Метаданные указывают контекст длиной до 128 000 токенов и поддержку vision и chat. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных лицензиях.

tf_efficientnet_b5.in1k — свёрточная модель классификации изображений семейства EfficientNet, обученная авторами статьи на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Модель содержит около 30,4 млн параметров и рассчитана на изображения размером 456 × 456 пикселей. Она предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель доступна через библиотеку timm; веса представлены в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Её классификация ориентирована на классы ImageNet-1k, поэтому для специализированных классов или иных предметных областей может потребоваться адаптация.

tf_efficientnet_l2.ns_jft_in1k — сверточная модель классификации изображений из семейства EfficientNet. Исходную модель обучили авторы работ EfficientNet и Noisy Student на ImageNet-1k и неразмеченных данных JFT-300M методом полу-supervised обучения; модель перенёс в PyTorch Росс Уайтман. Репозиторий предоставляет веса в форматах PyTorch и Safetensors, библиотека для работы — timm. Модель содержит около 480,3 млн параметров и рассчитана на входные изображения размером 800 × 800 пикселей. Она предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Большой размер и вычислительная стоимость ограничивают применение на устройствах и в сценариях с жёсткими требованиями к задержке. Лицензия — Apache-2.0.

timm/twins_pcpvt_base.in1k — модель классификации изображений и визуальный backbone семейства Twins-PCPVT, обученный авторами статьи на ImageNet-1k. Архитектура основана на Vision Transformer с пространственным вниманием; модель содержит 43,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k и может использоваться как backbone для извлечения визуальных признаков и эмбеддингов. Она подходит для компьютерного зрения и построения систем, которым требуется распознавать объекты на изображениях. Репозиторий поддерживает форматы PyTorch и safetensors и библиотеку timm. Лицензия Apache-2.0 разрешает коммерческое и иное использование при соблюдении её условий.

timm/twins_pcpvt_small.in1k — модель классификации изображений из библиотеки timm, обученная авторами статьи Twins на ImageNet-1k. Она основана на архитектуре Twins-PCPVT и может использоваться как для классификации, так и в качестве визуального backbone для извлечения признаков и эмбеддингов. Модель содержит 24,1 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 3,8 GMACs. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Vision-OPD-4B — мультимодальная языковая модель для понимания изображений, разработанная на основе Qwen/Qwen3.5-4B и дообученная методом Vision On-Policy Distillation. Метод переносит умение отвечать на вопросы по мелким деталям с изображения-фрагмента на целое изображение: модель обучается на собственных ответах, сопоставляя восприятие фрагмента и полного изображения. Для этого использован набор из 6,2 тысячи синтетических примеров Vision-OPD-6K. Модель предназначена для диалога по изображениям и вопросов, требующих распознавания небольших объектов и визуальных деталей. При обработке целого изображения она учитывает тонкие детали за один проход, без внешних инструментов увеличения или многошагового агента. Поддерживаемые языки по карточке — английский и китайский. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. В README заявлено улучшение тонкого визуального понимания при сохранении общих мультимодальных возможностей на тестах. Это заявление основано на оценках авторов; фактическое качество может зависеть от изображения и формулировки запроса.

Vision-OPD-9B — мультимодальная языковая модель на базе Qwen/Qwen3.5-9B, разработанная авторами Vision-OPD. Модель дообучена методом Vision On-Policy Distillation на наборе Vision-OPD-6K: изображение целиком служит входом для модели-ученика, а восприятие фрагмента того же изображения — источником самодистилляции. В карточке указано, что обучение использовало 6,2 тысячи автоматически синтезированных примеров и один проход по данным. Модель предназначена для диалога по изображениям и вопросов о мелких визуальных деталях, которые трудно заметить на полном изображении. По заявлению авторов, эффект визуального приближения усвоен так, что при использовании не нужны внешние инструменты кадрирования или многошаговый агентный вывод; также заявлено сохранение общих мультимодальных способностей на контрольных задачах. Архитектура — плотная Qwen3.5 с 9 млрд параметров; заявленные языки карточки — английский и китайский. Для загрузки указан Transformers версии 5.5 или выше. Модель распространяется по лицензии Apache-2.0. Оценки превосходства над другими моделями и сохранения способностей приведены авторами; карточка не содержит независимой проверки этих сравнений. Длина контекста и более подробные ограничения по качеству в README не описаны.

VisReason-Qwen2.5-VL-7B — мультимодальная модель Y-Research-Group для визуальных рассуждений, созданная дообучением Qwen/Qwen2.5-VL-7B-Instruct на наборе VisReason. Она строит общее предположение по изображению, затем при необходимости выделяет важные области для более детального анализа и формирует обоснованный ответ. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для диалоговых задач анализа изображений и визуального Chain-of-Thought. Она обучена выдавать рассуждение в специальном формате и может сформировать вызов инструмента image_zoom_in_tool с координатами области для увеличения. Вариант baseline не включает усиленное пространственное рассуждение с привязкой к глубине, доступное в VisReason-Pro. Для использования указана лицензия other; конкретные условия следует сверять с файлами лицензии репозитория.

Это модель классификации изображений на базе Vision Transformer (ViT), обученная авторами исследования в JAX на ImageNet-1k с дополнительной аугментацией и регуляризацией, а затем перенесённая в PyTorch Россом Уайтменом. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для распознавания объектов и других классов ImageNet-1k на изображениях; её также можно использовать как визуальную основу для извлечения признаков и эмбеддингов. Подходит для классификации изображений общего назначения и экспериментов с визуальными признаками. В репозитории доступны веса PyTorch и safetensors, библиотека для работы — timm. К модели относятся работы «How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers» и «An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale». Лицензия — Apache-2.0. Карточка описывает обучение на ImageNet-1k; качество на иных наборах данных и для классов вне этой области может отличаться.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная для библиотеки timm. Вариант использует патчи 16×16, регистровый токен, глобальное усреднение признаков и дифференциальное внимание; число параметров — 22,5 млн, вычислительная сложность — 6,3 GMACs. Модель рассчитана на изображения размером 256×256 и обучена на ImageNet-1k. Модель можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий содержит веса в формате safetensors, библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Показатели сравнения в карточке относятся к другим, более крупным моделям, поэтому их нельзя считать оценкой качества этого варианта. Для практического использования изображения следует подавать с предусмотренной для модели предобработкой.

google/vit-hybrid-base-bit-384 — гибридная модель Vision Transformer для классификации изображений. Вариант ViT объединяет сверточный backbone BiT, который формирует начальные признаки-токены, с Transformer-энкодером. Архитектура содержит около 113,2 млн параметров; репозиторий предоставляет веса PyTorch и Safetensors. Модель предобучена на ImageNet-21k и дообучена на ImageNet-1k для распознавания изображений по 1000 классам ImageNet. Она принимает изображение и выдаёт класс изображения; для обработки используются изображения 224×224 с нормализацией RGB, а в README отмечено, что при fine-tuning лучшие результаты достигаются при разрешении 384×384. Модель подходит для классификации изображений общего назначения и переноса на другие наборы данных компьютерного зрения. Лицензия — Apache-2.0. Она предназначена для классификации в рамках набора классов ImageNet, поэтому для специализированных классов или иных сценариев может потребоваться дообученная версия.

Google ViT Large Patch16-384 — большая модель Vision Transformer для классификации изображений. Архитектура состоит из трансформерного энкодера: изображение разбивается на патчи 16×16, линейно проецируется в последовательность токенов и обрабатывается вместе с позиционными эмбеддингами и токеном [CLS]. Модель содержит 402,7 млн параметров. Модель предварительно обучена с учителем на ImageNet-21k, затем дообучена на ImageNet 2012 для классификации по 1000 классам. При дообучении используется разрешение 384×384 пикселя. Она подходит для классификации изображений и извлечения признаков, которые можно использовать в последующих задачах компьютерного зрения. Для работы требуется подготовить и нормализовать RGB-изображение; опубликованы варианты весов для PyTorch, TensorFlow и Flax. Качество зависит от соответствия целевых изображений классам ImageNet, а для других наборов данных может потребоваться дополнительное обучение. Лицензия — Apache-2.0.

Это версия модели ViT-Tiny Classification, подготовленная Geti™ и преобразованная в формат OpenVINO IR с посттренировочным сжатием весов до INT8. Квантованы веса и активации; модель предназначена для классификации изображений и может быть дообучена на пользовательском наборе данных через Geti™. Модель рассчитана на инференс в OpenVINO версии 2026.1.0 и выше с Model API версии 0.4.0 и выше. Карточка не описывает поддерживаемые языки или конкретные классы изображений. Исходная модель распространяется по лицензии Apache-2.0.

Это компактная модель Vision Transformer (ViT) для классификации изображений и извлечения признаков. Её обучили авторы исследования на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. Модель содержит 5,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Её можно использовать для определения объектов на изображении или как визуальную основу для извлечения эмбеддингов. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k и ImageNet-21k; её классификационные возможности ориентированы на классы этих наборов данных, поэтому точность на других предметных областях может быть ниже.

VL-Rethinker-72B — мультимодальная модель TIGER-Lab для ответов на вопросы об изображениях и визуальных задач рассуждения. По карточке модели, она обучена методом Forced Rethinking на основе VL-Reasoner с использованием GRPO-SSR и показывает высокие результаты на ряде мультимодальных бенчмарков. Метаданные указывают архитектуру Qwen2.5-VL, плотную модель с 71,5 млрд параметров и контекстом 128 000 токенов. Модель принимает изображения и текстовые запросы, а ответы выдаёт в виде текста; карточка указывает английский язык. Модель подходит для визуальных вопросов, интерпретации изображений и задач, требующих мультимодального рассуждения. Она распространяется под лицензией Apache-2.0. В README базовой названа VL-Reasoner, тогда как метаданные связывают модель с Qwen/Qwen2.5-VL-7B-Instruct; поэтому базовая модель указана по метаданным.

XCiT-Small/12 с патчами 8×8 — модель классификации изображений семейства Cross-Covariance Image Transformer, созданная авторами статьи XCiT и представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит 26,2 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и Safetensors. Лицензия Apache-2.0 разрешает коммерческое и иное использование на её условиях. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; качество на других предметных областях может отличаться.

Z-Image-Turbo — модель генерации изображений из текста, разработанная проектом Z-Image. Это дистиллированный вариант Z-Image с архитектурой Scalable Single-Stream DiT и 6 млрд параметров. Для генерации требуется 8 шагов вычисления; README заявляет субсекундную задержку на ускорителях H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Модель предназначена для создания фотореалистичных изображений, точного следования текстовым инструкциям и рендеринга надписей на английском и китайском языках. Для этой карточки указаны библиотека Diffusers, форматы Diffusers и safetensors и лицензия Apache-2.0. Описанные возможности редактирования относятся к отдельной модели Z-Image-Edit, а не к Z-Image-Turbo.

Z-Image-Turbo — модель генерации изображений из текста, опубликованная Unsloth как зеркало Tongyi-MAI/Z-Image-Turbo; веса не изменены. Это дистиллированный вариант семейства Z-Image с архитектурой Scalable Single-Stream DiT (S3-DiT) и 6 млрд параметров. Модель генерирует изображения по текстовым запросам, рассчитана на быстрое выполнение — за 8 вычислительных шагов — и поддерживает генерацию фотореалистичных изображений и точное отображение текста на английском и китайском языках. Модель подходит для создания иллюстраций и фотореалистичных изображений, а также изображений с надписями на английском или китайском. В README заявлены высокая скорость вывода и возможность работы на потребительских устройствах с 16 ГБ видеопамяти; эти характеристики зависят от оборудования и конфигурации. Лицензия — Apache-2.0.

230824-detr-segment-detect-unmasked — модель обнаружения объектов на изображениях, созданная дообучением DETR с backbone ResNet-50 от Facebook. В карточке указано, что модель дообучена на наборе данных, название которого не приведено. Она предназначена для поиска и локализации объектов на изображениях; архитектура относится к семейству DETR, веса сохранены в формате safetensors. Модель принимает изображения и выдаёт обнаруженные объекты с их расположением. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не содержит сведений о классах объектов, метриках качества или специальных ограничениях, поэтому пригодность для конкретного набора объектов следует проверять отдельно.

AuraFlow v0.3 — открытая модель генерации изображений по текстовому описанию, разработанная fal. Это flow-based модель для преобразования текстовых запросов в изображения; по сравнению с AuraFlow v0.2 она обучалась с большими вычислительными затратами и дополнительно дообучалась на эстетических наборах данных. Модель поддерживает разные соотношения сторон и генерацию изображений шириной и высотой до 1536 пикселей. В карточке заявлены результаты уровня state of the art на GenEval. Модель находится в бета-версии, поэтому качество и поведение могут меняться по мере дальнейшей разработки. Распространяется по лицензии Apache-2.0.

BakLLaVA-1 — мультимодальная модель семейства LLaVA, разработанная на базе текстового бэкбона Mistral 7B с архитектурой LLaVA 1.5. Она принимает изображения и текстовые запросы, а в ответ генерирует текст. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, описания изображений и выполнения инструкций с визуальным контекстом; поддерживает несколько изображений в одном запросе. В карточке сообщается, что первая версия на базе Mistral 7B превзошла Llama 2 13B на нескольких бенчмарках. Обучение включало пары изображение–текст, мультимодальные инструкции, наборы VQA и диалоговые данные. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Лицензия указана как Llama 2. Авторы отдельно предупреждают, что обучающие данные включают корпус LLaVA с ограничениями на коммерческое использование, поэтому коммерческое применение этой версии может быть ограничено. Количественные результаты бенчмарков и полный перечень ограничений в карточке не приведены.

Это модель классификации изображений на основе BEiT, представленная проектом timm. Она использует Vision Transformer с патчами 16×16 и рассчитана на изображения размером 384×384 пикселя; размер модели — около 305 млн параметров. Предварительное обучение проводилось на ImageNet-22k методом masked image modeling с визуальным токенизатором DALL-E dVAE, после чего модель дообучили на ImageNet-22k и ImageNet-1k. Модель подходит для классификации изображений по классам ImageNet и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Репозиторий содержит веса PyTorch и safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0.