IV.1Ритейл, электронная коммерция и fashion-tech

Google ViT-Large Patch32-224-in21k — визуальный Transformer-энкодер, предварительно обученный на ImageNet-21k с учителем. Модель имеет около 402,7 млн параметров и обрабатывает изображения разрешением 224×224 пикселя, разбивая их на патчи 32×32 и передавая последовательность патчей энкодеру Transformer. Веса были конвертированы из репозитория timm; доступны варианты PyTorch, TensorFlow и Flax. Модель предназначена для извлечения признаков изображений и использования в качестве основы для классификаторов и других задач компьютерного зрения. Представление токена CLS можно использовать как векторное описание изображения, а предварительно обученный pooler — для последующих задач. Специализированной головы классификации в этой версии нет. Лицензия — Apache-2.0.

Google ViT-Large/32-384 — модель классификации изображений на основе крупного трансформерного энкодера Vision Transformer. Весами из репозитория timm поделился Ross Wightman; модель прошла предварительное обучение на ImageNet-21k, а затем дообучение на ImageNet 2012 для распознавания 1000 классов. В модели около 402,7 млн параметров; изображения разбиваются на патчи 32×32, а классификатор использует представление токена CLS. Для дообучения указано разрешение 384×384 пикселя. Модель предназначена для классификации изображений по классам ImageNet и может служить энкодером признаков для последующей настройки на размеченных наборах данных. Доступны версии весов PyTorch, TensorFlow и Flax. Карточка не указывает языковые возможности: входом служит изображение, результатом — метки классов. Лицензия — Apache-2.0. Качество на прикладных наборах данных зависит от соответствия их классов ImageNet и предварительной обработки. Для изображений с нестандартными объектами или доменами может потребоваться отдельное дообучение.

facebook/vit-mae-base — базовая модель Vision Transformer, предварительно обученная методом Masked Autoencoders (MAE). Она представлена в работе Кайминга Хэ и соавторов и впервые опубликована в связанном с ней репозитории; карточку для Hugging Face подготовила команда Hugging Face. Модель содержит 113,2 млн параметров и использует архитектуру ViT с кодировщиком и декодировщиком: изображение разбивается на фиксированные патчи, большая часть патчей случайно маскируется, а декодер восстанавливает их исходные пиксели. Предобученный кодировщик формирует представления изображений для последующих задач компьютерного зрения. Его можно использовать как основу для извлечения признаков или дообучить для классификации изображений. Вход — изображение, выход при предобучении — реконструированные пиксели маскированных областей; карточка также указывает классификацию изображений как сценарий применения. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0.

timm/vit_small_r26_s32_384.augreg_in21k_ft_in1k — гибридная модель классификации изображений, объединяющая свёрточный ResNet и Vision Transformer. Её обучили авторы статьи на ImageNet-21k, а затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса в PyTorch; модель доступна в форматах PyTorch и Safetensors и рассчитана на работу с изображениями размером 384 × 384 пикселя. Модель можно применять для классификации изображений по категориям ImageNet, а также использовать как основу для извлечения визуальных признаков и эмбеддингов. В ней около 36,5 млн параметров; указанные вычислительные характеристики — 10,2 GMACs и 27,7 млн активаций. Лицензия — Apache-2.0. Модель ориентирована на классы и данные ImageNet, поэтому её точность может снижаться на изображениях и категориях, отличающихся от обучающих данных. Для специализированных классов или иных условий съёмки может потребоваться дообучение.

Это гибридная модель ResNet и Vision Transformer для классификации изображений и извлечения визуальных признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm. В модели около 6,3 млн параметров; она рассчитана на изображения размером 224 × 224. Её можно применять для классификации изображений и получать эмбеддинги как визуальные признаки. Обучение охватывает классы ImageNet, поэтому качество на других типах изображений или специализированных данных может потребовать отдельной проверки и адаптации. Лицензия — Apache 2.0.

Это гибридная модель ResNet и Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Авторы обучили её в JAX на ImageNet-21k и дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm, в форматах PyTorch и safetensors, по лицензии Apache-2.0. Модель подходит для классификации изображений и использования в качестве визуального backbone или источника эмбеддингов. Она содержит 6,4 млн параметров, рассчитана на изображения размером 384 × 384 и требует 1,2 GMAC на изображение. Обучение на ImageNet делает её подходящей для задач распознавания объектов из набора классов ImageNet; перенос на другие предметные области может потребовать дополнительной настройки.

timm/xception65.tf_in1k — модель классификации изображений на архитектуре Aligned Xception, обученная на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Модель содержит 39,9 млн параметров и предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Рекомендуемый размер входного изображения — 299 × 299 пикселей. Архитектура использует глубинные свёртки, разделённые по каналам и пространственным измерениям. Модель принимает изображения и выдаёт оценки классов; обучена на ImageNet-1k. Распространяется по лицензии Apache-2.0.

Xinyuan-VL-2B — мультимодальная модель Cylingo Group для работы с изображениями и текстом. Она дообучена на базе Qwen/Qwen2-VL-2B-Instruct на более чем 5 млн мультимодальных примеров и небольшом объёме обычных текстовых данных. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для визуальных вопросов и ответов: пользователь может передать изображение и задать вопрос на естественном языке. В README сообщается об оценке с помощью VLMEvalKit и результатах на бенчмарках MMB-CN-V11-Test, MMB-EN-V11-Test и MMB-EN, где модель превзошла приведённые сравнимые модели. Поддерживаются китайский и английский языки; репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Это веса визуального энкодера AIM-v2 large с патчами 14×14, входным разрешением 336 пикселей, опубликованные в формате, совместимом с библиотекой timm. Карточка Hugging Face связывает репозиторий с Apple; модель предназначена для извлечения признаков изображений и может использоваться как визуальный энкодер в задачах компьютерного зрения. Метаданные указывают на форматы PyTorch и Safetensors и лицензию apple-ascl. Карточка не описывает качество на наборах данных, ограничения применения или поддержку текстовых и мультимодальных входов; поэтому модель следует рассматривать как энкодер изображений, а не как готовую систему генерации ответов.

AReaL-SEA-235B-A22B — языковая модель-агент от inclusionAI, дообученная на базе Qwen/Qwen3-235B-A22B-Thinking-2507 с помощью SFT и обучения с подкреплением GRPO. Она предназначена для многошаговых диалогов с использованием инструментов и выполнения задач в интерактивных средах; в карточке описаны сценарии из областей авиаперевозок, розничной торговли и телекоммуникаций. Модель проверялась на τ²-bench и показала средний pass¹ 81,3% по трём доменам. Модель использует архитектуру Qwen3 MoE с классом Qwen3MoeForCausalLM, содержит 18,2 млрд параметров и поддерживает контекст до 262 144 токенов. Принимает текст и генерирует текст; метаданные указывают английский язык. Для запуска предназначены веса Safetensors, а лицензия — Apache-2.0. Карточка описывает обучение на синтетических диалогах и результаты бенчмарка, но не приводит подробной оценки надёжности за пределами τ²-bench.

bamibert-moe-sentiment — модель классификации текста на тональность вьетнамского языка, разработанная на основе Qualcomm AI Research BamiBERT. Она дообучена на наборе AIVN 2019 и предназначена для отнесения отзывов, сообщений и клиентских обращений к положительной или отрицательной тональности. В README описана архитектура Mixture of Experts с динамической маршрутизацией токенов между экспертами; метаданные указывают архитектуру RoBERTa и 129 млн параметров. Контекст составляет 2050 токенов. Модель ориентирована на вьетнамские социальные сети, отзывы о товарах и обратную связь клиентов, включая сленг и контекстно-зависимые выражения. Для предварительной сегментации слов README рекомендует VnCoreNLP, а также упоминает pyvi как альтернативу. В README приведены результаты оценки на AIVN 2019, включая средний macro F1 0,9045 при пятифолдовой проверке. Модель распространяется по лицензии MIT. Результаты оценки относятся к указанному набору данных и не гарантируют такое же качество на других тематиках и источниках текста; для корректной обработки рекомендуется учитывать требования к сегментации вьетнамского языка.

BAT-ResNeXt26ts.ch_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Архитектура ResNeXt использует Grouped Bilinear Attention Transforms, трёхслойный stem и активации SiLU; модель построена на гибкой реализации BYOBNet в timm. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов. В ней около 10,7 млн параметров, вычислительная сложность — 2,5 GMACs; указанный размер входного изображения — 256 × 256 пикселей. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

BitDance-14B-64x — мультимодальная авторегрессионная модель генерации изображений, разработанная авторами проекта BitDance. В модели 14 млрд параметров; её архитектура основана на Qwen3. Для текста используется стандартное предсказание следующего токена, а визуальные токены генерируются диффузионным методом с предсказанием до 64 патчей за шаг. Такой подход предназначен для эффективного создания изображений высокого разрешения и фотореалистичной генерации по текстовому описанию. Модель дообучена на основе shallowdream204/BitDance-14B-16x и распространяется в формате safetensors по лицензии Apache-2.0. В карточке заявлены английский и китайский языки; нативная длина контекста составляет 40960 токенов. Подробности о качестве по отдельным сценариям в доступной карточке не приведены.

Bunny-Llama-3-8B-V — мультимодальная модель семейства Bunny, разработанная командой Bunny и построенная на визуальном энкодере SigLIP и языковой модели Llama-3-8B-Instruct. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, поэтому подходит для диалога о содержимом изображений и визуальных вопросов и ответов. Размер модели — 7,5 млрд параметров, контекст — 8192 токена; карточка также упоминает отдельную версию v1.1 для изображений высокого разрешения до 1152 × 1152 пикселей. Модель распространяется под лицензией Apache-2.0. Карточка не приводит количественных оценок качества; заявленный предел разрешения 1152 × 1152 относится к v1.1, а не обязательно к этой версии.

timm/caformer_s36.sail_in1k — модель компьютерного зрения семейства CAFormer и архитектуры MetaFormer, обученная авторами статьи на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и построения эмбеддингов изображений. Модель содержит 39,3 млн параметров, рассчитана на изображения размером 224 × 224 и требует 8,0 GMACs на проход. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0.

CogVideoX-5B-I2V — открытая модель генерации видео из изображения семейства CogVideoX, разработанная командой Qingying. Она принимает изображение и текстовый запрос и создаёт видео, развивая исходную сцену согласно описанию. Репозиторий предназначен для запуска через библиотеку Diffusers и содержит веса в формате safetensors. Модель поддерживает только запросы на английском языке; запросы на других языках можно предварительно перевести. Для работы требуются значительные вычислительные ресурсы, хотя оптимизации Diffusers и квантование компонентов снижают потребление памяти. В README приведены результаты тестирования оптимизаций на NVIDIA A100 и H100, поэтому использование на другом оборудовании может потребовать настройки. Лицензия указана как other, а подробные условия коммерческого использования README не раскрывает.

timm/convnextv2_base.fcmae_ft_in1k — сверточная модель классификации изображений семейства ConvNeXt-V2, представленная в библиотеке timm. Она предварительно обучена методом FCMAE и дообучена на ImageNet-1k. Модель содержит 88,7 млн параметров; размер изображений при обучении — 224 × 224 пикселя, при тестировании — 288 × 288. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно применять как визуальный backbone для извлечения карт признаков и эмбеддингов в задачах компьютерного зрения. В приведённом сравнении для варианта указаны точность top-1 88,848% и top-5 98,742%; для других размеров и вариантов ConvNeXt-V2 результаты отличаются. Модель принимает изображения и выдаёт оценки классов. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Это конверсия ConvNeXt V2 Large из чекпойнта timm, подготовленная zeromodels в формате Keras 3. Модель использует сверточную архитектуру ConvNeXt V2 с Global Response Normalization; исходный вариант прошёл предобучение FCMAE и дообучение для классификации ImageNet-22k и ImageNet-1k. Реализация работает с TensorFlow, PyTorch и JAX. Модель принимает изображения и предназначена для классификации, а также для извлечения визуальных признаков в качестве backbone. Классификационная голова выдаёт логиты классов, а вариант backbone — признаки, в том числе многоуровневые признаки стадий. Лицензия репозитория — CC BY-NC 4.0, которая ограничивает коммерческое использование.

ConvNeXt-V2 Tiny — сверточная модель классификации изображений из семейства ConvNeXt-V2, опубликованная в timm. Она предварительно обучена методом FCMAE (fully convolutional masked autoencoder), затем дообучена на ImageNet-1k. Модель содержит 28,6 млн параметров; заявлены 4,5 GMACs. Размер изображения при обучении — 224 × 224 пикселя, при тестировании — 288 × 288. Модель предназначена для отнесения изображений к классам и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке указаны результаты на ImageNet-1k: top-1 точность 82,1% и top-5 точность 96,0%. Репозиторий предоставляет веса PyTorch и safetensors и рассчитан на работу с библиотекой timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель обучена и оценивалась на ImageNet-1k; качество на других наборах данных и изображениях может отличаться.

cs3sedarknet_x.c2ns_in1k — сверточная модель классификации изображений из библиотеки timm. Она обучена на ImageNet-1k и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В основе архитектуры CS3-SE-DarkNet лежат частичные межэтапные связи, три свёртки и механизм внимания Squeeze-and-Excitation для каналов. Модель содержит 35,4 млн параметров и требует изображение размером 288 × 288 пикселей для тестирования; размер обучения составлял 256 × 256. В карточке описана схема обучения на основе рецептов ResNet Strikes Back с оптимизатором SGD с Nesterov, адаптивным ограничением градиентов и косинусным расписанием скорости обучения. Вариант ns обучался без stochastic depth. Модель распространяется по лицензии Apache-2.0.

Карточка модели Olena29/CyberRealistic на Hugging Face совпадает с карточкой cyberdelia/CyberRealistic, поэтому описание составлено по ней. 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.

NVIDIA DAM-3B-Self-Contained — мультимодальная модель для подробного и локализованного описания изображений и видео. Она разработана NVIDIA совместно с University of California, Berkeley и UCSF, а в качестве базовой модели использует Efficient-Large-Model/VILA1.5-3b. Модель предназначена для задач image-text-to-text и относится к библиотеке describe-anything. DAM поддерживает анализ визуального содержимого с формированием детализированных текстовых описаний. По представленному примеру она может работать с выделенными областями изображения, заданными точками или ограничивающей рамкой; для сегментации используется связка с Segment Anything Model (SAM). Это делает модель подходящей для описания отдельных объектов и локальных частей сцен, а также для сценариев, связанных с визуальным анализом изображений и видео. Заявленный язык модели — английский. Размер модели составляет около 3 миллиардов параметров, однако точная архитектура мультимодального компонента, максимальная длина контекста и подробные характеристики поддержки видео в README не указаны. Для запуска требуется загрузка модели с использованием trust_remote_code и, вероятно, значительные вычислительные ресурсы; пример ориентирован на работу с GPU и использует вычисления в формате float16. Модель распространяется по NVIDIA Non-Commercial License, поэтому её использование ограничено условиями этой лицензии.

deepseekvit412malign.deepseekv41flash — модель извлечения признаков изображений на основе визуальных весов DeepSeek-V4.1-Flash, представленная в формате timm. По карточке это нативное преобразование весов без дополнительного обучения; языковые веса и обученная голова классификации в репозитории отсутствуют. Модель предназначена для получения визуальных признаков и эмбеддингов, а также для подготовки визуального backbone к дообучению классификации. Визуальный энкодер использует патчи 14×14, SwiGLU, RMSNorm и двумерное осевое RoPE. Веса содержат 485,3 млн параметров; ширина backbone — 1024, проекции — 5120. На вход подаются RGB-изображения, на выходе доступны токены признаков, промежуточные карты признаков и объединённые эмбеддинги. Для стандартного входа указано разрешение 546×546; поддерживаются прямоугольные изображения при соблюдении кратности размеров патчу либо с дополнительным паддингом. Модель распространяется под лицензией MIT. Она не включает классификационную голову, поэтому для классификации требуется добавить и обучить её на целевом наборе данных. Преобразование изображений в timm отличается от исходного адаптивного препроцессинга DeepSeek.

zeromodels публикует конверсию DeiT-III Huge для классификации изображений и извлечения визуальных признаков. Модель основана на timm/deit3_huge_patch14_224.fb_in1k и представлена в формате Keras 3; реализация работает с TensorFlow, PyTorch и JAX. Это крупный вариант Vision Transformer с патчами 14×14 и входным разрешением 224×224, обученный для классификации ImageNet-1k. Интерфейс DeiTImageClassify выдаёт оценки классов, а DeiTModel позволяет использовать модель как визуальный экстрактор признаков. Модель подходит для классификации изображений и как backbone в компьютерном зрении. Лицензия — Apache-2.0. Она предназначена для изображений, а не для текстовых или иных модальностей; качество на данных, отличающихся от ImageNet-1k, зависит от последующей адаптации.

deit3_large_patch16_384.fb_in22k_ft_in1k — модель классификации изображений семейства DeiT-III, опубликованная разработчиками библиотеки timm. Она предварительно обучена на ImageNet-22k, затем дообучена авторами статьи на ImageNet-1k. Модель содержит около 304,8 млн параметров и обрабатывает изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k и может служить визуальной основой для получения эмбеддингов изображений. Архитектура относится к семейству Vision Transformer; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Большой размер модели и входное разрешение требуют заметных вычислительных ресурсов. Классификация ориентирована на категории ImageNet-1k, поэтому качество на других наборах данных и предметных областях может отличаться.

facebook/deit-base-distilled-patch16-384 — модель классификации изображений семейства DeiT, основанная на Vision Transformer. Она принимает изображения, разбивает их на патчи 16×16 и использует отдельный токен дистилляции, обучаемый с помощью учителя на базе CNN. Весовые файлы были конвертированы из репозитория timm; модель разработана в рамках работы Touvron и коллег и опубликована на Hugging Face командой Facebook. В ней 113,2 млн параметров. Модель предварительно обучена при разрешении 224×224 и дообучена с дистилляцией на ImageNet-1k при разрешении 384×384. Она предназначена для присвоения изображению класса из набора ImageNet и может служить основой для дальнейшей настройки на другие задачи классификации. Для инференса изображения масштабируются и обрезаются до 384×384, затем нормализуются по каналам RGB. В README для базовой модели приведена точность ImageNet top-1 81,8% и top-5 95,6%; каталог указывает формат PyTorch, а также наличие файлов Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Она обучена на ImageNet-1k, поэтому её классы и качество вне этого распределения могут не соответствовать конкретной прикладной задаче.

facebook/deit-tiny-patch16-224 — компактная модель Data-efficient Image Transformer (DeiT), представленная авторами DeiT и опубликованная на Hugging Face; веса конвертированы из репозитория timm. Это Vision Transformer с примерно 7,1 млн параметров, дообученный для классификации изображений ImageNet-1k на разрешении 224×224 пикселя. Модель разбивает изображение на патчи 16×16 и обрабатывает их трансформерным энкодером. Модель предназначена для отнесения изображений к одному из 1 000 классов ImageNet, а также может служить визуальным энкодером для последующего обучения классификатора на размеченных данных. Для инференса изображения масштабируются, центрально обрезаются до 224×224 и нормализуются по статистикам ImageNet. В отчёте указаны точности 72,2% top-1 и 91,1% top-5 на ImageNet. Модель принимает изображения и выдаёт оценки классов. Для тонкой настройки наилучшие результаты могут требовать разрешения 384×384; увеличение размера модели обычно повышает качество. Лицензия репозитория — Apache-2.0.

facebook/dinov2-giant-imagenet1k-1-layer — модель Vision Transformer семейства DINOv2, опубликованная командой DINOv2 и представленная на Hugging Face. Это крупный трансформерный энкодер примерно на 1,5 млрд параметров, предварительно обученный без учителя на изображениях. Изображение разбивается на фиксированные патчи, которые модель обрабатывает как последовательность; отдельной дообученной классификационной головы в чекпойнте нет. Модель предназначена для извлечения визуальных признаков и классификации изображений по меткам ImageNet-1k. Представления энкодера можно использовать в последующих задачах, например обучить линейный классификатор поверх CLS-токена или применить признаки как основу для других задач компьютерного зрения. В репозитории указаны веса PyTorch и safetensors. Лицензия — Apache-2.0. Крупный размер требует значительных вычислительных ресурсов. Поскольку классификационная голова отсутствует, готовая классификация изображений требует отдельного классификатора или дообучения; модель ориентирована на визуальные данные и не обрабатывает текстовые входы.

facebook/dinov2-small-imagenet1k-1-layer — компактный Vision Transformer семейства DINOv2 от команды Meta. Модель содержит 28,3 млн параметров и использует трансформерный энкодер ViT, предварительно обученный на изображениях без учителя. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для классификации изображений по 1000 меткам ImageNet и извлечения визуальных признаков для последующего обучения классификатора и других задач компьютерного зрения. Веса не включают дообученную классификационную голову, поэтому для прикладной классификации может потребоваться обучить линейный слой или другую подходящую голову поверх представлений энкодера. DINOv2 учится формировать устойчивые визуальные представления, которые можно применять в сценариях с размеченными изображениями. Карточка описывает работу с ImageNet-1K; сведений о языковой или иной модальности, длине контекста и поддержке других языков нет.

dla102.in1k — модель классификации изображений на архитектуре DLA (Deep Layer Aggregation), опубликованная авторами статьи и доступная через библиотеку timm. Она обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 33,3 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 7,2 GMACs. Репозиторий содержит веса PyTorch и safetensors. Лицензия — BSD 3-Clause.