IV.1Ритейл, электронная коммерция и fashion-tech

facebook/ijepa_vitg16_22k — модель I-JEPA от Meta для извлечения признаков изображений. Это версия архитектуры Giant, дообученная на ImageNet-22K; она использует самоконтролируемое обучение и предсказывает представления скрытых областей изображения по представлениям видимых частей. Вместо восстановления пикселей модель работает с семантическими представлениями в латентном пространстве. Чекпойнт предназначен прежде всего для получения признаков изображений, которые можно использовать в последующих задачах компьютерного зрения, например классификации. Модель содержит около 1,4 млрд параметров и доступна в формате safetensors для библиотеки Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка описывает применение для извлечения признаков и классификации; иных ограничений качества или условий не сообщает.

facebook/ijepa_vith14_1k — модель I-JEPA от Meta для извлечения признаков изображений. Она обучена методом self-supervised learning: предсказывает представления скрытых областей изображения по представлениям других его частей. Вместо восстановления пикселей модель работает в латентном пространстве, чтобы формировать семантически значимые представления. Этот чекпойнт Huge предназначен прежде всего для извлечения признаков и может использоваться для классификации изображений и других задач компьютерного зрения, опирающихся на визуальные признаки. Модель содержит 838,9 млн параметров; в метаданных указаны архитектура IJepaModel и библиотека Transformers. Для обучения использовался датасет ILSVRC/imagenet-1k. Модель принимает изображения и выдаёт их признаки. В карточке также описан предиктор латентных представлений, способный учитывать пространственную неопределённость и предсказывать высокоуровневую информацию о скрытых областях изображения. Лицензия CC BY-NC 4.0 разрешает использование на условиях некоммерческой лицензии.

Inception-v4 tf_in1k — модель компьютерного зрения для классификации изображений и извлечения признаков. Она предоставлена авторами проекта timm; веса обучены на ImageNet-1k и перенесены из TensorFlow через pretrained-models.pytorch от Cadene. Модель содержит около 42,7 млн параметров и рассчитана на изображения размером 299 × 299 пикселей. Модель подходит для присвоения изображениям классов ImageNet-1k, получения карт признаков и формирования эмбеддингов изображений, например для последующего использования в прикладных системах компьютерного зрения. Репозиторий предоставляет веса PyTorch в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает измерений качества и не описывает ограничения за пределами указанного набора классов и размера входного изображения.

taufiqdp/indonesian-sentiment — модель классификации тональности на основе IndoBERT Base Uncased, дообученная автором репозитория на данных indonlu (SmSA) и Indonesian_sentiment. Она относит индонезийские комментарии и отзывы к одному из трёх классов: отрицательный, нейтральный или положительный. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. Она предназначена для анализа тональности индонезийских отзывов и комментариев. Распространяется по лицензии MIT.

Карточка модели fengjie3304/InstantMesh на Hugging Face совпадает с карточкой TencentARC/InstantMesh, поэтому описание составлено по ней. 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.

Juggernaut XL Lightning — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на базе SDXL Lightning и Stable Diffusion XL Base 1.0. Это ускоренный вариант семейства Juggernaut, ориентированный на фотореалистичные изображения и быстрый цикл генерации. Модель предназначена для пакетного создания вариантов, быстрой проверки промптов, интерактивной генерации и демонстраций с низкой задержкой. В README указано, что обычно достаточно 5–7 шагов инференса вместо 30–40 у стандартных вариантов; рекомендуются DPM++ SDE или DPM++ SDE Karras и CFG 1,5–2,0. Меньшее число шагов также может снизить нагрузку на видеопамять. Используется через Diffusers и интерфейсы ComfyUI, Forge, Automatic1111, Fooocus, InvokeAI и SwarmUI. Модель рассчитана на англоязычные текстовые запросы и выдаёт изображения. По сравнению с полношаговым Juggernaut XL v9 README отмечает небольшую потерю деталей ради скорости. Лицензия CreativeML Open RAIL-M допускает личное и творческое использование; размещать модель за платными API-сервисами нельзя без отдельного разрешения.

Juggernaut XL v9 — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на основе Stable Diffusion XL Base 1.0. Это дообученный чекпойнт SDXL с интеграцией RunDiffusion Photo v2, ориентированный на фотореалистичные изображения. Репозиторий содержит веса в формате Diffusers и отдельный файл safetensors. Модель предназначена для создания фотографических изображений по текстовым запросам: портретов, архитектуры, автомобилей, дикой природы, еды, интерьеров и пейзажей. Карточка рекомендует разрешение 832 × 1216 или 1216 × 832, сэмплер DPM++ 2M Karras и 30–40 шагов; заявлена работа на видеокарте с 8 ГБ VRAM. Модель совместима с инструментарием SDXL, включая ControlNet, IP-Adapter и LoRA, и может использоваться через Diffusers и популярные интерфейсы генерации изображений. Карточка описывает улучшения детализации кожи и микротекстур, контроля освещения и контраста, а также стабильности результатов в разных фотографических сюжетах. Модель принимает текстовые запросы и генерирует изображения; в метаданных указан английский язык. Использование для личных и творческих задач разрешено по лицензии CreativeML Open RAIL-M. Размещение за платными API требует отдельного разрешения на коммерческое лицензирование.

calcuis/kontext-gguf — это GGUF-квантизированная версия модели FLUX.1-Kontext-dev, разработанной Black Forest Labs и подготовленной для распространения пользователем calcuis. Модель предназначена прежде всего для генерации и редактирования изображений по текстовому описанию и исходному изображению, включая добавление или изменение объектов, одежды, окружения и стиля. В карточке указана поддержка image-to-image и английского языка. Модель доступна в вариантах GGUF с квантованием Q2_K, Q4_0 и Q8_0, а также упоминается экспериментальная облегчённая версия для работы за 8 шагов. Для запуска предусмотрены gguf-connector, gguf-node в ComfyUI и интеграция с Diffusers через FluxKontextPipeline. В комплекте и связанных инструкциях используются текстовые энкодеры CLIP-L и T5XXL, а также VAE; поддерживается полностью GGUF-комплект без safetensors. Приведены примеры текстово-управляемого редактирования изображений и генерации по промпту. Сильной стороной являются несколько уровней квантования и варианты запуска, что может снизить требования к памяти и ускорить загрузку, особенно на системах с ограниченным VRAM. Ограничения включают необходимость совместимых инструментов и компонентов, возможное значительное замедление при недостатке видеопамяти, а также отсутствие в README сведений о размере модели, архитектурных параметрах и длине контекста. Модель распространяется по лицензии flux-1-dev-non-commercial-license; коммерческое использование этой лицензией не разрешено.

LeViT-128.fb_dist_in1k — модель классификации изображений из семейства LeViT, опубликованная в репозитории timm. Это сверточный вариант архитектуры LeViT на PyTorch: в блоках используются nn.Conv2d и nn.BatchNorm2d. Модель содержит около 9,2 млн параметров, рассчитана на изображения размером 224 × 224 и предобучена авторами статьи на ImageNet-1k с дистилляцией. Модель предназначена для присвоения изображениям меток классов и может использоваться как основа для извлечения признаков. В карточке приведены вычислительные характеристики: 0,4 GMACs и 2,7 млн активаций. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не приводит подробных оценок точности именно для версии 128.

LibreGroundingDINOt — копия весов Grounding DINO Swin-T tiny от IDEA Research, опубликованная для уровня LibreYOLO LibreOpenVocab. Модель принимает изображение и текстовые запросы классов и обнаруживает на изображении объекты, соответствующие этим запросам; например, можно задать классы «человек», «собака» и «автомобиль» без отдельного обучения детектора под каждый класс. В репозитории сохранён снимок файлов Hugging Face Transformers для обёртки LibreYOLO; обучаемые параметры не менялись. Модель предназначена для детекции объектов с открытым словарём. Лицензия — Apache License 2.0. Для работы через показанный интерфейс требуется библиотека LibreYOLO.

LLaVA-OneVision Qwen2 72B Chat — мультимодальная модель семейства LLaVA-OneVision, разработанная командой LLaVA и представленная в карточке Hugging Face как дообученная версия Qwen2. Она сочетает визуальный энкодер SO400M с языковой моделью Qwen2 и предназначена для диалоговой работы с изображениями и видео. Модель отвечает на вопросы по одному или нескольким изображениям, описывает визуальные материалы и поддерживает понимание видео. Обучение включало этапы с синтетическими инструкциями, данными для одиночных и нескольких изображений, а также видеоданными; заявлен формат точности bfloat16. Для работы с изображениями и видео используется мультимодальный шаблон чата в Transformers. Карточка указывает поддержку английского и китайского языков. Репозиторий распространяет веса в safetensors и использует лицензию Apache-2.0. Это крупная модель на 72 млрд параметров, поэтому для локального запуска требуются значительные вычислительные ресурсы; README также описывает возможность 4-битной загрузки через bitsandbytes.

xtuner/llava-phi-3-mini-hf — мультимодальная модель семейства LLaVA, разработанная XTuner и дообученная на базе microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP-ViT-Large-patch14-336. Репозиторий содержит веса в формате LLaVA для Hugging Face Transformers; архитектура — плотная генеративная модель с поддержкой чата и обработки изображений. Модель предназначена для диалога по изображениям: она принимает изображение и текстовый запрос и формирует текстовый ответ, например, описывает сцену, отвечает на вопросы о содержимом изображения или помогает разбирать визуальные материалы. В README указано дообучение с использованием ShareGPT4V-PT и InternVL-SFT; метаданные также связывают модель с набором ShareGPT4V. Это компактный вариант на Phi-3-mini, однако доступные сведения не подтверждают размер параметров или контекст итоговой модели. Модель ориентирована на визуальные вопросы и ответы, но качество может различаться между типами изображений и задачами. Лицензия в предоставленных данных не указана.

Lumina-Image-2.0 — модель генерации изображений по текстовому описанию, разработанная командой Alpha-VLLM. Это 2-миллиардная flow-based диффузионная трансформерная модель; данная версия представляет реализацию на Hugging Face Diffusers работы «Lumina-Image 2.0: A Unified and Efficient Image Generative Framework». Она предназначена для создания изображений по текстовым запросам и может использоваться через Diffusers или официальный демо-интерфейс Gradio. Модель распространяется под лицензией Apache-2.0.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-1024 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.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-512 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.

MaGGIe (Mask Guided Gradual Human Instance Matting) — модель для выделения людей и получения альфа-маттинга с учётом отдельных экземпляров. Её разработали Chuong Huynh, Seoung Wug Oh, Abhinav Shrivastava и Joon-Young Lee в рамках стажировки в Adobe Research; работа принята на CVPR 2024. Модель использует бинарную маску как подсказку и предназначена для обработки изображений и видео. Она помогает получить детализированные маски прозрачности людей с сохранением разделения на экземпляры, например для композитинга и редактирования фона. В метаданных Hugging Face основная задача указана как сегментация изображений; веса опубликованы в формате safetensors. Репозиторий распространяется по лицензии CC BY 4.0. Описание не сообщает размер модели, длину контекста или перечень поддерживаемых языков; языковой ввод для этой задачи не является основным.

MewZoom-V0-4X — модель повышения разрешения изображений из семейства MewZoom, разработанного Andrew Dalpino. Она увеличивает изображения в 4 раза и одновременно восстанавливает детали, уменьшая размытие, шум и артефакты JPEG. Модель обрабатывает полноцветные RGB-изображения; версия V0-4X использует 96 каналов, 40 слоёв энкодера и содержит около 14 млн параметров. Модель предназначена для улучшения и масштабирования фотографий и других изображений низкого разрешения. Для настройки восстановления предусмотрен вариант с управляющим вектором из трёх значений, задающих предполагаемый уровень размытия, шума и JPEG-сжатия. Репозиторий содержит веса в форматах ONNX и Safetensors, а лицензия — Apache-2.0.

timm/mixer_l16_224.goog_in21k — модель классификации изображений из библиотеки timm, обученная авторами статьи MLP-Mixer на ImageNet-21k. Её архитектура MLP-Mixer использует многослойные перцептроны для обработки патчей изображения; модель также подходит как визуальная основа для извлечения признаков и эмбеддингов. Модель принимает изображения размером 224 × 224 пикселя и выдаёт классы изображений. В ней около 229,6 млн параметров; вычислительная сложность составляет 44,6 GMACs. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Это модель классификации изображений семейства MobileNetV3, опубликованная проектом timm и обученная на ImageNet-1k. Она предназначена для определения объектов на изображениях, а также может использоваться как компактная основа для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 5,5 млн параметров, требует примерно 0,2 GMAC на изображение и рассчитана на входной размер 224 × 224 пикселя. Вариант обучен с оптимизатором RMSProp, усреднением весов EMA и аугментациями, включая RandomErasing и mixup. Репозиторий предоставляет веса PyTorch в формате safetensors; лицензия — Apache-2.0. Модель подходит для классификации изображений в сценариях, где важны компактность и вычислительная экономичность. Карточка указывает обучение на ImageNet-1k, поэтому качество на других типах изображений и предметных областях может отличаться; отдельные показатели точности в предоставленных данных не приведены.

mobilenetv3_small_050.lamb_in1k — компактная модель классификации изображений семейства MobileNetV3, опубликованная командой timm. Она обучена на ImageNet-1k с рецептом оптимизации LAMB и усреднением весов EMA; модель содержит около 1,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Компактный размер делает её применимой в сценариях с ограниченными вычислительными ресурсами. В репозитории представлены веса PyTorch и safetensors; библиотека для работы — timm. Обучение на ImageNet-1k задаёт область распознаваемых классов и не гарантирует качество на других доменах. Лицензия — Apache-2.0.

mobilenetv4_conv_small_050.e3000_r224_in1k — модель классификации изображений семейства MobileNetV4, обученная Россом Уайтманом на ImageNet-1k с использованием скриптов timm и гиперпараметров, основанных на статье MobileNetV4 с улучшениями timm. Это компактная сверточная модель с примерно 2,2 млн параметров и вычислительной сложностью около 0,1 GMACs; обучалась на изображениях 224×224, для проверки указано разрешение 256×256. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Компактный размер делает её подходящей для задач компьютерного зрения с ограниченными вычислительными ресурсами. В README отмечено, что это одни из немногих доступных весов MobileNetV4, а официальные веса TensorFlow на момент публикации не выпущены. Модель опубликована в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0. Обучение проводилось на ImageNet-1k; характеристики точности именно этой версии в приведённом фрагменте README не указаны.

Ornith-Agents-A1 — мультимодальная модель, созданная объединением моделей методом task arithmetic с помощью mergekit. В качестве базовой использована Qwen/Qwen3.5-35B-A3B; в объединение также вошли InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. В метаданных указана архитектура Qwen3.5 MoE и класс Qwen3_5MoeForConditionalGeneration, а файлы модели представлены в формате safetensors. Модель предназначена для диалога и работы с изображениями. Её можно применять в сценариях, где нужно задавать вопросы по изображению или сочетать визуальный ввод с текстовым запросом. Метаданные относят её к задаче image-text-to-text и отмечают поддержку vision и chat. Языки и длина контекста в предоставленных источниках не подтверждены. Модель распространяется по лицензии Apache-2.0.

PaliGemma 3B FT OKVQA 224 — разработанная Google компактная модель «изображение—текст», объединяющая визуальный энкодер SigLIP и языковую модель Gemma. Эта версия дообучена для визуальных вопросов и ответов по изображениям (OK-VQA): она принимает изображение и текстовый вопрос, а в ответ генерирует текст. Модель поддерживает несколько языков; в карточке не указаны размер контекста и число параметров именно этой версии. Модель рассчитана на одношаговый сценарий и лучше подходит для целевого применения после настройки под конкретную задачу, чем для открытого использования без дообучения. Она может ошибаться в фактах, сложных рассуждениях и интерпретации нюансов; это не диалоговый чат-бот и она не предназначена для многоходового общения. Распространяется по лицензии Gemma.

PixelModel v6 — разработанная BenchLabs компактная модель генерации изображений по тексту на основе диффузионного трансформера с архитектурой MMDiT и rectified flow. Она содержит около 155 млн параметров и создаёт изображения размером 256×256 за 50 шагов сэмплирования; в качестве текстового условия использует скрытые состояния google/flan-t5-base, а CLIP — для глобального сигнала conditioning. Модель предназначена для генерации изображений по текстовым описаниям. В README отмечены улучшения в передаче структуры сцен и точности следования запросу по сравнению с предыдущими версиями линейки; качество оценивали на MS-COCO с помощью FID и CLIPScore. Рекомендуемое значение guidance scale — 3.0. Для запуска автор приводит команду через main.py. Веса распространяются по лицензии MIT. Модель обучена на изображениях 256×256; README не подтверждает качество на больших разрешениях. Описание результатов опирается на внутреннюю оценку авторов и не устанавливает качество для всех типов запросов и сценариев.

PRXPixel — модель генерации изображений по текстовому описанию, разработанная Photoroom. Это пиксельная версия PRX: диффузионный трансформер PRXTransformer2DModel напрямую очищает от шума RGB-пиксели, без VAE, и использует текстовый энкодер Qwen3-VL. Модель содержит около 7 млрд параметров, работает в bfloat16 и рассчитана на генерацию с разрешением 1024 пикселя; при формировании изображения учитывается заданное разрешение. Модель предназначена для создания изображений по текстовым запросам. Для запуска README описывает PRXPixelPipeline из diffusers и Transformers версии 4.57 или выше; PRXPixelPipeline пока не входит в выпущенную версию diffusers. Репозиторий распространяется по лицензии Apache-2.0.

PVT-v2 B1 — модель семейства Pyramid Vision Transformer для классификации изображений и извлечения визуальных признаков. Её разработали авторы статьи PVT v2 и обучили на ImageNet-1k; репозиторий распространяет модель через библиотеку timm. Веса доступны в форматах PyTorch и Safetensors по лицензии Apache-2.0. Модель предназначена для классификации изображений, получения карт признаков и визуальных эмбеддингов, в том числе как визуальная основа для компьютерного зрения. Она содержит около 14 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность около 2,1 GMACs. Модель принимает изображения и выдаёт классовые предсказания либо визуальные признаки в зависимости от способа использования. Обучение на ImageNet-1k ориентирует её на распознавание объектов из этого набора классов; качество на других данных может потребовать адаптации. Текстовые языковые возможности не заявлены.

PVT-v2 B2 — модель компьютерного зрения семейства Pyramid Vision Transformer, представленная авторами статьи PVT v2 и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный бэкбон для извлечения признаков и эмбеддингов. Модель содержит около 25,4 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 4,0 GMACs. Репозиторий предоставляет веса PyTorch и SafeTensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Модель подходит для классификации изображений и получения визуальных признаков в последующих задачах компьютерного зрения. Её обучение на ImageNet-1k задаёт основной набор классов и область применения; характеристики качества на иных наборах данных в карточке не приведены.

QIE-2511-Studio-DeLight — адаптер LoRA, разработанный Prithiv Sakthi и предназначенный для модели Qwen/Qwen-Image-Edit-2511. Он используется в сценариях image-to-image для нейтрального студийного освещения изображений: удаляет исходное освещение и заменяет его мягким, равномерно рассеянным светом, стремясь сохранить идентичность объектов, композицию, текстуры и геометрию. Модель работает через библиотеку Diffusers и совместима с версиями 2509 и 2511. Для активации эффекта рекомендуется использовать запрос «Neutral uniform lighting Preserve identity and composition». Адаптер особенно подходит для интерьерных фотосъёмок, изображений с чрезмерной обработкой и цветовым смешением. В открытых сценах нейтрализация жёсткого солнечного света может привести к выбеливанию или очищению фона, что является ограничением модели. Модель распространяется по лицензии Apache-2.0. README не содержит данных о размере адаптера, поддерживаемых модальностях помимо редактирования изображений, максимальном контексте или наборе языков; в метаданных указан язык en.

Qwen3.5 Plus — модель серии Qwen3.5 с поддержкой зрения и языка, построенная на гибридной архитектуре, сочетающей линейное внимание и разреженную смесь экспертов. В карточке модель описана как часть серии native vision-language Plus, ориентированной на более эффективный вывод. Модель предназначена для задач, где нужно совместно обрабатывать визуальные данные и текст. Доступные сведения не позволяют уточнить конкретные сценарии, размер, контекст, языки или условия лицензии.

Это модель-энкодер изображений для извлечения признаков, созданная как версия для библиотеки timm на основе весов визуальной части Qwen-Drive-1.0-4B. Она предназначена для получения пространственных представлений изображений, которые можно использовать в последующих задачах компьютерного зрения и классификации после обучения отдельной классификационной головы. Архитектура включает визуальный backbone Qwen ViT шириной 1024, пространственный merger и проекцию до 2560 измерений. Веса визуальной части перенесены в формат timm без дополнительного обучения; языковые веса и обученная голова классификации отсутствуют. Модель рассчитана на изображения RGB, базовый размер — 768×768 пикселей; поддерживаются прямоугольные изображения с размерами, кратными 16, а для варианта с merger 2×2 размеры должны быть кратны 32. Выход модели — пулированные векторы признаков. Лицензия — Apache 2.0.