IV.1Ритейл, электронная коммерция и fashion-tech

Lalith47/custom-cloud-model — модель компьютерного зрения на архитектуре Swin Transformer Base, дообученная на наборе данных imagefolder для классификации изображений. Она содержит 58,7 млн параметров и распространяется в формате safetensors; базовая модель — microsoft/swin-base-patch4-window7-224. Модель подходит для отнесения изображений к классам в прикладных системах компьютерного зрения. На указанной в карточке тестовой выборке она достигла accuracy 0,9506 при loss 0,2242. Карточка не уточняет названия классов, состав данных и условия оценки, поэтому эти результаты нельзя переносить на другие наборы изображений без проверки. Лицензия — Apache-2.0. Конкретная область применения и ограничения помимо зависимости качества от обучающих данных и тестовой выборки в карточке не описаны.

DeiT-III Small Patch16 384 — модель классификации изображений семейства Vision Transformer, опубликованная авторами статьи и обученная на ImageNet-1k. Она принимает изображения размером 384 × 384 пикселя и предсказывает класс изображения; также её можно использовать как визуальный backbone для получения признаковых представлений. В модели 22,2 млн параметров, вычислительная сложность составляет 15,5 GMACs. Модель подходит для классификации изображений из набора ImageNet-1k и извлечения визуальных признаков в системах компьютерного зрения. Репозиторий предоставляет веса в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия Apache-2.0 допускает широкое использование и распространение с соблюдением её условий.

ssamperr/detr_v2_noTransform_30 — дообученная модель обнаружения объектов на основе facebook/detr-resnet-50. Она предназначена для нахождения объектов на изображениях и предсказания их классов и ограничивающих рамок. Репозиторий содержит веса в формате safetensors; размер модели по метаданным — 6,3 млн параметров. Модель опубликована под лицензией Apache-2.0. Карточка не описывает обучающий набор данных, классы объектов или результаты оценки, поэтому нельзя определить, на каких именно изображениях модель будет работать лучше всего. Для практического применения следует учитывать эти пробелы и проверять качество на целевых данных.

zeromodels/dinov2-base — конверсия модели facebook/dinov2-base в Keras 3, опубликованная zeromodels. Это визуальный трансформер DINOv2, предварительно обученный на изображениях без учителя; модель служит backbone и извлекает признаки и patch-токены для последующих задач компьютерного зрения, а не содержит специализированную выходную голову для отдельной задачи. Модель принимает изображения и предназначена для построения признаковых представлений, которые можно использовать в downstream-моделях и задачах компьютерного зрения. Реализация работает с TensorFlow, PyTorch и JAX; процессор изображений выполняет нормализацию. Репозиторий предоставляет веса в формате TensorFlow. Лицензия — Apache 2.0.

Facebook DINOv2 — базовая модель Vision Transformer, обученная методом DINOv2 на большом наборе изображений без учителя. Архитектура состоит из трансформерного энкодера, который разбивает изображение на патчи и формирует представление изображения; модель содержит 113,2 млн параметров и выпущена в формате PyTorch. Модель предназначена для классификации изображений по 1000 классам ImageNet, а также для извлечения визуальных признаков и дальнейшей адаптации к задачам компьютерного зрения. Веса не содержат дообученной классификационной головы, поэтому для прикладной классификации может потребоваться отдельный классификатор, обученный поверх представлений модели. Модель выпущена по лицензии Apache-2.0.

Это конверсия на Keras 3 модели визуального представления DINOv3 ViT-L/16, подготовленная zeromodels на основе весов Meta. Модель использует самообученное визуальное предварительное обучение и выступает как backbone без специализированной выходной головы; она извлекает признаки изображений для последующих моделей компьютерного зрения. Вариант ViT также предоставляет register-токены. Модель принимает изображения и выдаёт визуальные признаки, которые можно использовать для построения downstream-решений, например классификаторов или других голов компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX. Веса распространяются по лицензии DINOv3; доступ к исходным весам Meta ограничен условиями этой лицензии.

BexRedpill/distilbert-on-yelp-reviews-full-epoch-2 — дообученная модель классификации последовательностей на архитектуре DistilBERT, основанная на BexRedpill/distilbert-on-yelp-reviews-full. Репозиторий содержит веса в формате safetensors; модель предназначена для классификации текстов, а README сообщает о дообучении на датасете Yelp reviews. В качестве сценария применения подходят классификация и анализ тональности отзывов о товарах или услугах. В README приведены результаты оценки: accuracy 0,6508, F1 0,6490, precision 0,6480 и recall 0,6508. Контекст модели — 512 токенов. Лицензия — Apache-2.0.

EfficientFormerv2_s2.snap_dist_in1k — модель классификации изображений семейства EfficientFormer-V2, представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k с дистилляцией и предназначена для классификации изображений, а также может использоваться как компактная основа для извлечения признаков и эмбеддингов. Модель содержит 12,7 млн параметров, требует входные изображения размером 224 × 224 и имеет вычислительную сложность 1,3 GMACs. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Компактный размер и ориентация семейства на скорость делают её подходящей для классификации изображений в приложениях с ограниченными вычислительными ресурсами. Обучение на ImageNet-1k задаёт область распознавания объектов этого набора классов; качество на иных типах изображений и задачах может отличаться. Модель принимает изображения и выдаёт классовые оценки либо признаки при использовании соответствующих интерфейсов timm.

EfficientNet-EdgeTPU — сверточная модель классификации изображений из семейства EfficientNet, представленная в библиотеке timm. Вариант efficientnet_el_pruned.in1k получен методом knapsack pruning из существующих весов и рассчитан на набор ImageNet-1k; в карточке указаны 10,6 млн параметров и входное изображение размером 300 × 300 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не сообщает о поддержке языкового ввода или других задач помимо работы с изображениями.

ERNIE-Image — открытая модель генерации изображений по тексту, разработанная командой ERNIE-Image компании Baidu. Она построена на архитектуре однотокового Diffusion Transformer (DiT) с 8 млрд параметров и использует лёгкий модуль Prompt Enhancer, который расширяет краткие запросы в более подробные описания. Модель работает через Diffusers и распространяется в форматах Diffusers и safetensors. Модель предназначена для создания изображений по сложным инструкциям, в том числе рекламных плакатов, комиксов, раскадровок, инфографики и многопанельных композиций. Её особенности — точное следование запросам, размещение объектов и текста в заданной структуре, а также поддержка фотореалистичных и стилизованных изображений. Для стандартной версии рекомендованы 50 шагов генерации; авторы указывают, что модель может работать на потребительской видеокарте с 24 ГБ VRAM. ERNIE-Image выпущена как SFT-модель общего назначения. В карточке также описана отдельная версия ERNIE-Image-Turbo, но этот репозиторий относится к обычной версии. Модель доступна по лицензии Apache-2.0. Результаты бенчмарков приведены авторами; качество зависит от запроса и параметров генерации.

FlexiViT Small 300ep In1k — модель классификации изображений и извлечения признаков семейства Vision Transformer. Её обучили авторы статьи на ImageNet-1k с помощью JAX, а Ross Wightman перенёс веса в PyTorch; модель распространяется в формате PyTorch и Safetensors под лицензией Apache-2.0. Модель содержит 22,1 млн параметров и рассчитана на изображения размером 240 × 240 пикселей. FlexiViT исследует работу одной модели с разными размерами патчей; доступный вариант предназначен для классификации изображений по классам ImageNet-1k и получения визуальных эмбеддингов. Она подходит для классификации фотографий и как визуальный backbone в системах компьютерного зрения. Обучение на ImageNet-1k задаёт основную область применения: распознавание объектов из классов этого набора данных. Карточка не приводит ограничений на качество вне этого распределения; использование регулируется лицензией Apache-2.0.

F16/florence2-large-ft-gufeng_v3 — модель семейства Florence-2 Large для обработки изображений и генерации текстовых ответов по ним. По названию репозитория можно предположить, что это дообученная версия Florence-2 Large, однако карточка не раскрывает назначение дообучения или особенности версии gufeng_v3. Модель принимает изображения и текстовые запросы, а выдаёт текст; семейство Florence-2 предназначено для задач компьютерного зрения, управляемых текстовыми инструкциями. В метаданных указаны архитектура Florence2ForConditionalGeneration и формат safetensors. README содержит только общий пример начала работы, поэтому конкретные сценарии и качество этой версии не описаны. Условия лицензии в доступных данных отсутствуют.

FLUX.1-dev ControlNet Inpainting Beta — модель для генерации и редактирования изображений методом inpainting, разработанная командой AlimamaCreative. Она основана на black-forest-labs/FLUX.1-dev и предназначена для восстановления или замены отдельных областей изображения по текстовому запросу с сохранением заданного визуального контекста. Модель поддерживает сценарии управляемого редактирования изображений и интеграцию с ComfyUI через библиотеку Diffusers. Ключевые улучшения по сравнению с предыдущей Alpha-версией включают прямую обработку и генерацию изображений разрешением 1024×1024 без дополнительного апскейлинга, более детализированное содержимое в изменяемых областях и более точное следование текстовым промптам. В README указано, что модель использует английский язык; сведения о размере, точной архитектуре, поддерживаемых дополнительных модальностях и максимальном контексте не приведены. Это специализированная image-to-image модель, поэтому её возможности ограничены задачами редактирования изображений и зависят от качества исходного изображения, маски и текстового описания. Модель распространяется по лицензии flux-1-dev-non-commercial-license; лицензия обозначена как other и содержит ограничение на некоммерческое использование. Также заявлена совместимость с 8-шаговой LoRA FLUX.1-Turbo-Alpha.

Карточка модели Brhtu/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

Карточка модели Jinstudio/FLUX.2-klein-4B на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4B, поэтому описание составлено по ней. FLUX.2 [klein] 4B — модель Black Forest Labs с 4 млрд параметров на архитектуре rectified flow transformer. Она объединяет генерацию изображений по тексту и редактирование изображений с несколькими референсами в одной компактной модели; поддерживаются сценарии text-to-image и image-to-image. Модель рассчитана на интерактивные и производственные приложения, где важны скорость и локальный запуск, и, по данным разработчика, требует около 13 ГБ видеопамяти. Разработчик заявляет о дистиллированной версии с генерацией менее чем за секунду и качеством, сопоставимым с более крупными моделями. Для запуска доступны Diffusers и ComfyUI. Карточка указывает поддержку английского языка; текст внутри изображений может искажаться, а соответствие результатом запросу зависит от формулировки промпта. Модель не предназначена для предоставления фактической информации и может отражать смещения обучающих данных. Веса доступны по лицензии Apache 2.0 для коммерческого использования; карточка также перечисляет ограничения на отдельные вредоносные сценарии.

xcreates/FLUX.2-klein-4B — публикация модели FLUX.2-klein-4B от xCreate для генерации и редактирования изображений. Карточка сообщает о тестировании через приложение xCreate на компьютерах Apple с разной производительностью; для одного изображения указаны время генерации от примерно 9,7 до 56 секунд и потребление памяти около 28 ГБ. Метаданные указывают поддержку text-to-image и image-to-image, а также форматы Diffusers и Safetensors и лицензию Apache-2.0. Для работы с изображениями модель принимает текстовые запросы и изображения и выдаёт изображения. В карточке нет сведений об архитектуре, числе параметров, контексте или конкретных языковых возможностях; тег en указывает английский язык. README уточняет, что xCreate не является создателем модели и предупреждает о возможных неточностях сгенерированного содержимого.

FLUX.2 [klein] 9B — модель Black Forest Labs на основе 9-миллиардного rectified flow transformer с текстовым энкодером Qwen3 на 8 млрд параметров. Это компактная дистиллированная модель генерации и редактирования изображений: она создаёт изображения по текстовым описаниям и редактирует их с использованием одного или нескольких референсов. Дистилляция рассчитана на четыре шага инференса, что позволяет использовать модель для быстрых генеративных функций в приложениях и творческого перебора вариантов. Модель поддерживает генерацию по тексту и редактирование изображений в одной архитектуре, доступна через Diffusers, ComfyUI и API Black Forest Labs. Карточка указывает лицензию для некоммерческого использования и приводит требования около 29 ГБ видеопамяти. Модель не предназначена для получения фактических ответов; следование запросу может быть нестабильным, а текст внутри изображений — искажённым. Результаты могут отражать смещения обучающих данных.

Foto Assisted Diffusion — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Это версия с разрешением 768×768 для inference API; репозиторий содержит веса в формате Diffusers и safetensors. Примеры демонстрируют фотореалистичные изображения и цифровые иллюстрации: портреты, пейзажи, городские сцены, еду и фантастические сюжеты. Модель предназначена для создания изображений по текстовым промптам. В карточке показаны промпты на английском языке, в том числе с указаниями художественного стиля и деталей композиции. Модель основана на Stable Diffusion; точное семейство или размер базовой модели в доступных данных не уточнены. Указана лицензия CreativeML OpenRAIL-M. Примеры показывают широкий диапазон сюжетов, однако не содержат систематической оценки качества или ограничений генерации; результаты могут зависеть от формулировки промпта.

gc_efficientnetv2_rw_t.agc_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Это вариант архитектуры EfficientNetV2 с механизмом Global Context attention; в обучении применялись рецепт ResNet Strikes Back C, оптимизатор SGD с Nesterov, адаптивное ограничение градиентов AGC и косинусное расписание скорости обучения с прогревом. Модель содержит 13,7 млн параметров и рассчитана на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Её можно использовать для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель распространяется по лицензии Apache-2.0. Карточка описывает обучение на ImageNet-1k; качество на других наборах данных и специальных предметных областях отдельно не характеризуется.

HGNet-V2 B5 — сверточная модель классификации изображений и визуальная backbone-сеть семейства High Performance GPU Net. Авторы обучили её на очищенных данных ImageNet-22k и ImageNet-1k с применением дистилляции SSLD. Модель содержит 39,6 млн параметров; для оценки используется размер изображения 288 × 288 пикселей, для обучения — 224 × 224. Репозиторий предоставляет веса в форматах PyTorch и safetensors и поддерживает библиотеку timm. Модель предназначена для классификации изображений по классам ImageNet, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в компьютерном зрении. Лицензия — Apache-2.0.

HiDream-O1-Image-Dev-2604 — модель генерации изображений по текстовому описанию из семейства Qwen3-VL, размещённая командой HiDream-ai. README описывает запуск через inference.py; для генерации в примере используется недистиллированная версия, а также упоминается вариант dev. Для инференса требуется CUDA-совместимый GPU. Модель предназначена для создания изображений по текстовым запросам, в том числе сложным композиционным инструкциям. Дополнительный Prompt Agent HiDream-ai/Prompt-Refine может преобразовать запрос в подробный английский промпт, проясняя компоновку, атрибуты объектов, физическую логику и отображение текста; сам агент является отдельной моделью. В репозитории указано 28 шагов инференса. Весовой формат — safetensors, лицензия — MIT.

Ideogram 4 FP8 — версия открытых весов генеративной модели от Ideogram, перепубликованная Unsloth без изменений исходных весов. Это модель text-to-image, обученная с нуля: она использует flow matching и одно-поточный Diffusion Transformer с 34 слоями. В качестве текстового энкодера применяется Qwen3-VL-8B-Instruct; модель поддерживает генерацию изображений с разрешением от 256 до 2048 пикселей и соотношением сторон до 6:1. Модель предназначена для создания изображений по текстовым запросам, особенно для дизайн-задач, где важны точное размещение объектов и элементов текста, управление стилем, освещением и цветовой палитрой. В запросах можно задавать структурированные параметры и координаты ограничивающих рамок; модель также рассчитана на качественную отрисовку текста внутри изображений и понимает запросы на разных языках. Репозиторий использует формат FP8 и сохранённую в исходном виде объединённую раскладку attention. Обычная загрузка через diffusers может привести к случайной инициализации весов attention и некорректным изображениям; для работы нужен совместимый загрузчик. Для конфигурации текстового энкодера требуется transformers 5.x. Лицензия — Ideogram 4 Non-Commercial, согласно README; в метаданных Hugging Face указана категория лицензии other.

InfiniteYou (InfU) — модель ByteDance Intelligent Creation для персонализированной генерации и переработки фотографий с сохранением личности человека. Она основана на FLUX.1-dev и использует компонент InfuseNet, который передаёт признаки идентичности в Diffusion Transformer через остаточные связи. Модель принимает текстовое описание и изображения человека для генерации новых изображений с сохранением его внешности. Вариант aes_stage2 после supervised fine-tuning лучше согласует результат с текстом и улучшает эстетику; sim_stage1 сильнее сохраняет сходство с человеком. InfiniteYou рассчитана на гибкую персонализацию и может сочетаться с рядом средств управления генерацией, включая ControlNet и LoRA. В статье авторы сообщают о высоком сходстве с человеком и хорошем соответствии изображения тексту. Результат зависит от выбранного варианта: aes_stage2 может уступать sim_stage1 в сходстве идентичности. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

JarvisArt-1208 — мультимодальная языковая модель и агент для интеллектуальной ретуши фотографий, разработанный исследователями из нескольких университетов и ByteDance. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает изображения вместе с текстовыми инструкциями; заявленная длина контекста — 128 000 токенов. JarvisArt предназначена для редактирования фотографий по свободным текстовым запросам и ограничивающим рамкам: от глобальной коррекции сцены до локальной обработки выбранных областей. Агент интерпретирует намерение пользователя и координирует более 200 инструментов Adobe Lightroom. Для обучения применялась двухэтапная схема: supervised fine-tuning с цепочками рассуждений и GRPO-R для улучшения решений и работы с инструментами. Авторы сообщают о датасете MMArt из 55 тысяч примеров и бенчмарке MMArt-Bench. Модель ориентирована на творческую фоторетушь и взаимодействие с инструментами, а не на универсальный диалог. Практическая работа агента зависит от доступности интеграции с Adobe Lightroom и его инструментов. В README не приведены условия лицензии; их следует проверить в карточке модели перед использованием.

Kolors — модель генерации изображений по текстовому описанию на основе латентной диффузии, разработанная командой Kuaishou Kolors. Модель обучена на миллиардах пар «текст — изображение» и предназначена для создания фотореалистичных изображений по запросам на китайском и английском языках. В карточке отмечены качество изображений, точность передачи сложной семантики и генерация текста на китайском и английском языках. Модель ориентирована на создание изображений с китайской тематикой и поддерживает соответствующие запросы. Репозиторий распространяется по лицензии Apache-2.0 и использует формат Diffusers с весами safetensors.

Kolors-IP-Adapter-FaceID-Plus — модуль весов и код вывода, разработанные командой Kolors на базе Kolors. Он предназначен для генерации изображений по текстовому описанию с сохранением сходства лица и его структуры по референсному изображению. Для этого используются эмбеддинги идентичности лица, полученные с помощью InsightFace, и CLIP-признаки области лица; модуль обучен на крупном наборе качественных изображений лиц. Модель применяется как адаптер к Kolors-BaseModel в библиотеке Diffusers. В оценке на наборе из более чем 200 референсных изображений и текстовых запросов авторы сообщили о более высоких показателях сходства лиц и визуального качества по сравнению с SDXL-IP-Adapter-FaceID-Plus; это сравнение проводилось с китайскими запросами для Kolors и английскими для SDXL. Лицензия репозитория — Apache-2.0. Для работы требуются базовая модель Kolors и компоненты InsightFace.

Krea 2 — семейство диффузионных моделей для генерации изображений по текстовым описаниям, разработанное Krea.ai, Inc. Эта карточка охватывает базовую версию Raw и версию Turbo, прошедшую дополнительную постобработку и дообучение. В репозитории vantagewithai/Krea-2 опубликованы варианты BF16 и FP8; метаданные связывают его дообучением с базовой моделью krea/Krea-2-Raw. Модель предназначена для творческой и коммерческой работы, разработки приложений и исследовательских задач: создания изображений, разработки концепций, исследования дизайна и включения генерации изображений в рабочие процессы и инструменты. Архитектура — Diffusion Transformer с 12 миллиардами параметров. Вход — текст, выход — изображение; в карточке указан английский язык. Модель может не следовать запросу точно и выдавать неточные, нежелательные или неподходящие результаты; она не предназначена для предоставления фактической информации. Обучение использовало публичные, лицензированные и синтетические данные, включавшие изображения и текстовые описания. Использование регулируется Krea 2 Community License и Acceptable Use Policy; для развёртываний необходимо предусмотреть фильтрацию контента или эквивалентную проверку.

Это LoRA-адаптер ostris для модели Krea-2-Turbo, предназначенный для генерации изображений в стиле одной или двух референсных картинок. Адаптер обучен с помощью AI Toolkit на тысячах вручную отобранных пар изображений и использует экспериментальный тренер Krea2 для референсных изображений с turbo-адаптером. Модель применяется в сценариях text-to-image, когда нужно сохранить визуальный стиль референса, одновременно задавая содержание текстовым промптом. Триггерное слово не требуется: достаточно передать промпт и одно или несколько изображений-референсов. Поддерживается использование через пользовательский узел ComfyUI-Krea2-Ostris-Edit или community pipeline ostris/Krea2OstrisEdit для Diffusers. Базовой моделью является krea/Krea-2-Turbo; сведения о размере, языках и максимальном контексте не указаны. Для запуска в описанной конфигурации рекомендуется GPU примерно с 40 ГБ видеопамяти либо CPU offload. Сильная сторона адаптера — специализация на переносе стиля с референсного изображения при сохранении управления содержанием через текст. Ограничения включают зависимость от Krea-2-Turbo и необходимость совместимого пользовательского pipeline или узла ComfyUI; характеристики качества и производительности в README не приведены. Лицензия указана как Krea 2 Community License.

LaViT-3B — мультимодальная модель зрения и языка, основанная на Qwen2.5-VL-3B-Instruct и разработанная авторами исследования LaViT. Она дообучена с помощью supervision траекторий визуальных мыслей: перед генерацией текста модель реконструирует визуальную семантику и траектории внимания, чтобы лучше связывать ответы с содержимым изображения. Модель предназначена для диалога об изображениях, визуального заземления и решения задач, требующих визуального рассуждения. В README заявлены улучшения на бенчмарках MMVP и BLINK и прирост до 16,9% на сложных задачах рассуждения; эти результаты приведены авторами модели. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текст, выдавая текстовые ответы. Контекст составляет до 128 000 токенов. Поддерживаемые языки карточкой не перечислены. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

LeViT-128S — модель для классификации изображений, представленная в статье «LeViT: A Vision Transformer in ConvNet’s Clothing for Faster Inference» и впервые опубликованная в этом репозитории. Это компактная архитектура семейства LeViT, сочетающая идеи vision transformer и сверточных сетей; модель предварительно обучена на ImageNet-1k для изображений разрешением 224×224 и распознаёт 1 000 классов ImageNet. Модель принимает изображение и выдаёт предсказание класса. Она подходит для классификации фотографий, в том числе по набору классов ImageNet. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.