IV.1Ритейл, электронная коммерция и fashion-tech

ResNet50D RA4 — свёрточная модель классификации изображений, обученная Россом Уайтманом на ImageNet-1k с помощью инструментов timm. Она также предназначена для использования в качестве основы извлечения признаков, карт признаков и эмбеддингов изображений. Модель содержит 25,6 млн параметров; вычислительная сложность составляет 4,4 GMAC. Размер изображения при обучении — 224×224 пикселя, при тестировании — 288×288 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; лицензия Apache-2.0 разрешает использование на её условиях. Оценки точности в карточке приведены для сравнения с другими моделями, но не позволяют установить отдельный результат этой модели.

ResNet-S — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k в Apache Gluon с рецептами Bag of Tricks. Архитектура использует активации ReLU, трёхслойный начальный блок из свёрток 3×3 с увеличенной шириной и пулингом, а также shortcut-соединения с понижающей свёрткой 1×1. Модель содержит 25,7 млн параметров и рассчитана на входные изображения размером 224×224 пикселя. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может применяться как backbone для извлечения карт признаков и изображенческих эмбеддингов. Лицензия — Apache-2.0. README не описывает ограничения качества или условия, специфичные для отдельных сценариев применения.

ResNetAA50.a1h_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она использует архитектуру ResNet-B с Rectangle-2 Anti-Aliasing, ReLU, свёрткой 7×7 с последующим пулингом и обходными соединениями с проекцией 1×1. Модель содержит 25,6 млн параметров и подходит также как основа для извлечения признаковых карт и эмбеддингов изображений. Модель обучалась по рецепту ResNet Strikes Back A1 с оптимизатором LAMB, аугментацией RandAugment, dropout, stochastic depth и косинусным расписанием скорости обучения с разогревом. Размер изображений при обучении — 224×224, при тестировании — 288×288. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

ResNetV2-18 — модель классификации изображений и сверточная основа для извлечения признаков, обученная Россом Уайтманом на ImageNet-1k с помощью инструментов timm. Она подходит для распознавания объектов на изображениях, построения карт признаков и извлечения эмбеддингов для последующих задач компьютерного зрения. Модель содержит 11,7 млн параметров и требует около 1,8 GMAC на изображение. При обучении использовался размер изображения 224×224 пикселя, при оценке — 288×288. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Обучение сочетает гиперпараметры, вдохновлённые MobileNet-V4 Small, стандартные настройки timm и подходы из работы «ResNet Strikes Back». Обучение на ImageNet-1k ориентирует модель на классификацию категорий этого набора; качество на иных данных может отличаться, и для специализированных классов может потребоваться дообучение.

zeromodels выпускает конверсию Segment Anything Model (SAM) ViT-Huge в формате Keras 3. Это модель сегментации изображений без фиксированного словаря классов: пользователь задаёт точку или рамку, а модель возвращает маску выбранного объекта. Тяжёлый визуальный энкодер ViT-H обрабатывает изображение, после чего лёгкие кодировщик подсказок и декодер масок поддерживают интерактивную работу. Модель принимает изображение и подсказки в виде точек, а при соответствующей настройке — рамки. Она работает с TensorFlow, PyTorch и JAX через Keras 3. Это дообученная версия facebook/sam-vit-huge в формате TensorFlow; лицензия — Apache 2.0. Для обработки крупных изображений ресурсоёмкий энкодер может требовать значительных вычислительных ресурсов.

SenseNova-U1.5-8B-MoT-pose-8bit — вариант SenseNova-U1.5-8B-MoT для переноса позы на Apple Silicon. Модель принимает два изображения: OpenPose-подобный скелет, задающий позу, и фотографию человека, чью внешность нужно сохранить. Она переносит человека из фотографии в заданную позу, стараясь сохранить идентичность, одежду и сцену; порядок изображений важен. В основе лежит SenseNova-U1.5-8B-MoT, объединённая с адаптером RefControl pose LoRA v1, обученным на парах «скелет, референс, целевое изображение». Веса преобразованы и квантованы до 8 бит; в метаданных указаны архитектура NEOChatModel и формат safetensors. README также отмечает, что доступны генерация изображений по тексту, режим think и визуальные вопросы, однако поток генерации смещён в сторону позы. Лицензия — Apache-2.0.

StarNet S3 in1k — модель классификации изображений и извлечения признаков из семейства StarNet, опубликованная авторами исследования и обученная на ImageNet-1k. Она содержит около 5,8 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 0,8 GMACs. Модель можно использовать для присвоения изображению класса, извлечения карт признаков и получения эмбеддингов изображений. Модель предназначена для задач компьютерного зрения общего назначения, в частности для классификации изображений по классам ImageNet-1k и использования в качестве визуального бэкбона. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы предусмотрена библиотека timm. Лицензия — Apache-2.0.

SwinV2 Small Window16 256 ms in1k — модель классификации изображений и извлечения признаков из семейства Swin Transformer V2. Опубликована авторами статьи и предоставлена в репозитории timm; предобучена на ImageNet-1k. Модель содержит 49,7 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт предсказания классов либо признаки для последующей обработки в компьютерном зрении. В карточке указаны вычислительная стоимость 12,8 GMACs и 66,3 млн активаций. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — MIT. Модель обучалась на ImageNet-1k, поэтому её классификация ориентирована на категории и распределение данных этого набора; результаты на других типах изображений могут отличаться.

tf_efficientnet_b6.aa_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы EfficientNet на ImageNet-1k с политикой аугментации AutoAugment, а Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней около 43 млн параметров, расчётный размер входного изображения — 528 × 528 пикселей. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов изображений. Модель принимает изображения и выдаёт метки классов либо визуальные признаки в зависимости от выбранного способа применения. Карточка указывает лицензию Apache-2.0. Классификация ограничена классами ImageNet-1k; качество на изображениях и задачах, отличающихся от обучающих данных, не гарантируется.

Это предобученные на ImageNet веса EfficientNet-B3 из семейства timm, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель также подходит для классификации изображений, что отражено в задаче image-classification в метаданных. Веса можно применять как основу для сегментационных моделей: энкодер извлекает признаки из изображений, которые затем используются для предсказания масок. Репозиторий содержит веса в формате safetensors; README указывает на использование через библиотеку segmentation-models-pytorch. Модель принимает изображения и выдаёт классы либо признаки для последующей сегментации. Лицензия указана как other, поэтому конкретные условия использования следует проверить в файлах репозитория и источниках лицензии.

TinyLLaVA-Phi-2-SigLIP-3.1B — мультимодальная модель семейства TinyLLaVA, разработанная командой TinyLLaVA. Она сочетает языковую модель Phi-2 и визуальный энкодер siglip-so400m-patch14-384, а для обучения использовался датасет ShareGPT4V. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ; её можно применять для вопросов об изображениях и описания их содержимого. Авторы представляют её как компактную модель с 3,1 млрд параметров и сообщают, что по совокупным результатам тестов она превосходит некоторые модели на 7 млрд параметров, включая LLaVA-1.5 и Qwen-VL. README приводит оценки на наборах VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME. Лицензия репозитория — Apache-2.0. Длина контекста и перечень поддерживаемых языков в доступных материалах не приведены.

TinyViT 21M 224 — модель классификации изображений и извлечения визуальных признаков из семейства TinyViT. Её обучили авторы статьи на ImageNet-1k. Модель содержит 21,2 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и выполняет около 4,1 GMACs вычислений на изображение. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Компактный размер делает её подходящей для сценариев, где важны скорость и ограниченные вычислительные ресурсы. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; использовать их можно по лицензии Apache-2.0.

tinyvit_5m_224.dist_in22k_ft_in1k — компактная модель TinyViT для классификации изображений и извлечения визуальных признаков, распространяемая в экосистеме timm. Она содержит около 5,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предварительно обучена на ImageNet-22k с дистилляцией, затем дообучена авторами статьи на ImageNet-1k. Модель подходит для классификации изображений, получения карт признаков и визуальных эмбеддингов, в том числе как лёгкая основа для компьютерного зрения. В README приведены примеры работы с классификацией и признаками; метаданные указывают pipeline image-classification и библиотеку timm. Модель принимает изображения и выдаёт метки классов либо визуальные признаки в зависимости от сценария использования. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Это компактный вариант Vision Transformer, однако документация не приводит оценки качества или сведения о других разрешениях, поэтому применимость вне указанного размера изображения стоит проверять отдельно.

timm/tnt_b_patch16_224.in1k — модель классификации изображений семейства TnT (Transformer in Transformer), опубликованная в экосистеме timm и предварительно обученная на ImageNet-1k. Она принимает изображения размером 224 × 224 и предназначена для отнесения объектов к классам ImageNet, а также может служить визуальным backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 65,4 млн параметров и требует 14,1 GMACs на проход. В репозитории доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не описывает дополнительные языковые или мультимодальные возможности.

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

Карточка модели IVAN20260514/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

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

Карточка модели Yuro1991/TripoSR на Hugging Face совпадает с карточкой stabilityai/TripoSR, поэтому описание составлено по ней. TripoSR — быстрая модель генерации и реконструкции 3D, разработанная совместно Stability AI и Tripo AI. Она по одному изображению строит трёхмерное представление объекта в прямом проходе, без итерационного процесса генерации. Архитектура следует подходу LRM и включает улучшения в подготовке данных, модели и обучении. Модель предназначена для быстрого получения 3D-объектов из изображений, например для прототипирования и создания исходных ассетов. Обучение проводилось на отобранных рендерах из Objaverse с методом рендеринга, рассчитанным на лучшее соответствие реальным изображениям. Репозиторий содержит веса PyTorch; лицензия — MIT. Качество реконструкции зависит от входного изображения, а описание не обещает готовность результата к игровому или производственному использованию. Разработчики рекомендуют более новую модель SF3D для получения более быстрых и готовых к играм ассетов. Модель не следует использовать для создания оскорбительных или тревожащих 3D-объектов либо контента, распространяющего стереотипы.

TS-ICL — модель временных рядов из репозитория taharnbl/TS-ICL, связанная с проектом EDF-Lab/ts-icl. Это foundation model для прогнозирования временных рядов; в метаданных Hugging Face указана задача time-series-forecasting и библиотека tsicl. Репозиторий содержит веса PyTorch, а README сообщает об установке библиотеки командой pip install tsicl. Модель предназначена для прогнозирования временных рядов. В тегах также упомянута импутация временных рядов, но она не указана среди подтверждённых задач каталога. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты. Размер модели, контекст и поддерживаемые языки не описаны.

cardiffnlp/twitter-roberta-base-topic-sentiment-latest — модель Cardiff NLP для определения тональности текста относительно заданной цели или упомянутого объекта. Это RoBERTa-base с 151,8 млн параметров, предварительно обученная на 154 млн твитов до конца декабря 2022 года и дообученная на наборе TweetSentiment из SuperTweetEval. Модель принимает текст, содержащий сообщение и цель анализа, и относит тональность к одному из пяти классов: от резко отрицательной до резко положительной, включая промежуточные отрицательные, нейтральные и положительные оценки. Модель предназначена для анализа тональности публикаций в Twitter и похожих коротких сообщений, в том числе для выяснения отношения автора к конкретному бренду, человеку или теме. Максимальная длина контекста составляет 514 токенов. Поддерживаемый язык — английский; модель использует архитектуру RoBERTa и формат PyTorch. Распространяется по лицензии MIT. Специализация на твитах и английском языке помогает классифицировать короткие сообщения с упоминаниями и хештегами. Результат представляет собой один из пяти классов тональности и оценку уверенности; модель не предназначена для многоязычного анализа и может ошибаться на неоднозначных формулировках, сарказме или текстах вне домена коротких публикаций.

Verdict v1 — небольшая модель для принятия решений по изображениям, разработанная автором репозитория shubhambaid. Она получает изображение и вопрос с ограниченным набором ответов, затем за один проход выдаёт вероятности вариантов, включая возможность воздержаться с ответом «другое»; генерации текста нет. Модель поддерживает вопросы с выбором одного ответа и проверку утверждения в формате «да/нет». Её обучаемая часть — трёхслойный трансформер примерно на 6,2 млн параметров; визуальный энкодер SigLIP 2 base patch16 224 заморожен и загружается отдельно. Варианты ответа можно переставлять без влияния на результат. Модель предназначена прежде всего для классификации изображений по названиям классов и простых проверок наличия объектов или категорий. На проверенных тестах точность выбора на невиданных классах немного ниже, чем у исходного SigLIP 2 zero-shot; способность воздерживаться хуже переносится на новые области. Обучение охватывало CIFAR-100, Oxford-IIIT Pets, Oxford Flowers-102, DTD и Food-101. Текстовые метки лучше подавать в форме «a photo of a {label}»; описание критерия по умолчанию игнорируется. Модель работает с изображениями размером 224 пикселя, поэтому ограничена в распознавании мелких деталей и текста внутри изображения. Лицензия репозитория в предоставленных данных не указана; лицензии обучающих наборов различаются, и автор рекомендует проверять их перед коммерческим использованием.

Модель timm/vit_relpos_small_patch16_224.sw_in1k — визуальный трансформер для классификации изображений и извлечения признаков. Это вариант архитектуры ViT с относительными позиционными эмбеддингами, без токена класса; итоговое представление формируется глобальным усреднением токенов. Модель разработана в экосистеме timm и обучена на ImageNet-1k. Модель принимает изображения размером 224 × 224 и выдаёт классы ImageNet либо признаки изображения для дальнейшего использования. Она содержит около 22 млн параметров и требует примерно 4,2 GMAC на изображение. Лицензия — Apache-2.0.

XCiT Large 24 P8 384 — модель классификации изображений на архитектуре Cross-Covariance Image Transformer (XCiT), подготовленная авторами статьи и распространяемая через timm. Она предварительно обучена на ImageNet-1k с дистилляцией и рассчитана на изображения размером 384 × 384 пикселя. Модель содержит около 188,9 млн параметров и может использоваться как классификатор или как визуальный backbone для получения признаков и эмбеддингов. Модель подходит для отнесения изображений к классам ImageNet-1k и извлечения визуальных представлений в системах компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; библиотека модели — timm. Лицензия — Apache-2.0. Она обучена на ImageNet-1k, поэтому качество на специализированных областях и типах изображений может быть ниже без дополнительной адаптации.

XCiT Nano 12 P16 224 — компактная модель классификации изображений семейства Cross-Covariance Image Transformer, опубликованная авторами статьи XCiT и доступная в библиотеке timm. Модель обучена на ImageNet-1k с дистилляцией; в ней около 3,1 млн параметров, а ожидаемый размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для получения признаков и эмбеддингов. Компактный размер и вычислительная стоимость около 0,6 GMAC делают её подходящей для задач компьютерного зрения с ограниченными ресурсами. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

onnx-community/yolov10s — модель обнаружения объектов YOLOv10s в формате ONNX, опубликованная сообществом onnx-community. Карточка описывает её как веса для сквозного обнаружения объектов в реальном времени; модель предназначена для нахождения объектов на изображениях и может использоваться через Transformers.js. Модель относится к семейству YOLOv10 и распространяется в формате ONNX. Лицензия AGPL-3.0. Карточка не содержит сведений о размере модели, списке классов и количественных показателях точности или задержки.

BELLE-VL — мультимодальная модель сообщества BELLE-2 для диалога по изображениям и тексту. Она построена на архитектуре Qwen и расширяет языковую модель визуальными возможностями; в README в качестве языковой основы указана Qwen14B-chat. Метаданные указывают 21,8 млрд параметров, контекст до 8192 токенов и формат PyTorch. Модель обучали на открытых англоязычных и китайских данных для понимания изображений и выполнения мультимодальных инструкций. Модель предназначена для ответов на вопросы об изображениях, описания их содержимого, распознавания объектов, сцен и текста, а также визуального рассуждения. README сообщает о результатах на бенчмарке MME и отмечает, что модель поддерживает взаимодействие только с одним изображением за раз, а её возможности китайского OCR ограничены. Лицензия — Apache-2.0.

tbluhm/clf-sentimentos-cmts — классификатор тональности коротких текстов в социальных сетях на бразильском португальском языке. Модель разработана на основе XLM-RoBERTa и дообучена для определения положительной, отрицательной или нейтральной тональности комментариев; README также описывает обработку эмодзи. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для анализа комментариев, отзывов и других коротких текстов, например, для мониторинга реакции аудитории на товары, услуги и публичные профили. README упоминает датасет с комментариями к профилям политиков, артистов и автомобильных компаний; карточка также приводит более общее описание обучающих данных как многоязычного набора из отзывов и коротких текстов. Эти сведения расходятся, поэтому область применения лучше считать ориентированной прежде всего на бразильские соцсети. Модель может ошибаться в интерпретации сложных оттенков человеческих эмоций и отражать смещения обучающих данных. Распространяется по лицензии MIT.

timm/coat_small.in1k — модель CoaT (Co-Scale Conv-Attentional Transformer) для классификации изображений и извлечения признаков. Её обучили авторы статьи на ImageNet-1k; архитектура сочетает свёрточные операции и механизмы внимания. Модель содержит 21,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях из набора ImageNet-1k, а также для получения эмбеддингов изображений в качестве признаков для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch, модель доступна по лицензии Apache-2.0. Карточка не сообщает о поддержке других размеров входного изображения или языковых функций.

Это сверточная модель ConvNeXt Femto для классификации изображений, обученная Россом Уайтманом с помощью библиотеки timm на ImageNet-1k. Она также может служить основой для извлечения признаковых карт и получения эмбеддингов изображений. Модель содержит около 5,2 млн параметров и выполняет примерно 0,8 GMAC на изображение. Размер изображения при обучении составлял 224 × 224 пикселя, при тестировании — 288 × 288. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель подходит для классификации изображений по категориям ImageNet-1k и как компактный визуальный backbone в прикладных системах компьютерного зрения. Карточка не приводит известных ограничений качества или перечня поддерживаемых языков; модель принимает изображения и выдаёт классы либо визуальные признаки.

cs3se_edgenet_x.c2ns_in1k — сверточная модель классификации изображений из семейства CS3-SE-EdgeNet, обученная разработчиками timm на ImageNet-1k. Архитектура сочетает Cross-Stage Partial с тремя свёртками и механизмом Squeeze-and-Excitation для внимания к каналам; блоки EdgeNet используют схему 3×3 и 1×1 с остаточной связью. Модель также подходит как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 50,7 млн параметров и требует 11,5 GMACs. Размер изображения при обучении — 256×256, при тестировании — 320×320. В репозитории доступны веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка описывает обучение на ImageNet-1k, но не приводит результаты на других наборах данных или гарантий качества в прикладных сценариях.