IV.1Ритейл, электронная коммерция и fashion-tech

timm/starnet_s1.in1k — компактная сверточная модель StarNet для классификации изображений, обученная авторами статьи на ImageNet-1k. Она содержит около 2,9 млн параметров, требует около 0,4 GMACs на изображение и рассчитана на вход размером 224 × 224 пикселя. Модель также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Модель подходит для классификации изображений общего назначения и получения визуальных признаков при ограниченных вычислительных ресурсах. Репозиторий содержит веса PyTorch в формате Safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

tf_efficientnet_b5.aa_in1k — сверточная модель EfficientNet-B5 для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы EfficientNet на ImageNet-1k с использованием AutoAugment; Ross Wightman перенёс веса в PyTorch. Репозиторий распространяет модель в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель содержит около 30,4 млн параметров и рассчитана на изображения размером 456 × 456 пикселей. Она предсказывает классы объектов из набора ImageNet-1k; промежуточные карты признаков и эмбеддинги можно использовать в собственных компьютерно-зрительных конвейерах. Подходит для классификации изображений общего назначения и как визуальный backbone. Модель обучена на ImageNet-1k, поэтому её классовый выход ограничен метками этого набора. README не приводит оценок качества или сведений о поддержке других задач без дополнительной настройки.

Карточка модели TheSanctumbellsMediaInc/TheShootCompanion-FLUX2-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.

theworld-cc3m-align-full — дообученная модель на основе мультимодальной Google Gemma 3 4B IT, опубликованная пользователем alwinjin8. Она принимает изображения вместе с текстом и предназначена для задач image-text-to-text, например ответов на вопросы по изображениям и их текстового описания. Модель использует плотную архитектуру Gemma3ForConditionalGeneration и сохранена в формате safetensors. Карточка не раскрывает обучающий датасет, оценку качества и конкретные ограничения модели. Лицензия указана как gemma; перед использованием следует учитывать условия лицензии Gemma.

TinyViT 5M 224 — компактная модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи о TinyViT на ImageNet-1k; репозиторий опубликован в рамках timm и содержит веса в форматах PyTorch и safetensors. Модель имеет около 5,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Её можно применять для отнесения изображений к классам, извлечения карт признаков и получения векторных представлений изображений. Модель предназначена для задач общего распознавания изображений; обучение на ImageNet-1k задаёт её классификационный словарь и ограничивает прямое применение за пределами этого набора классов. Лицензия репозитория — Apache-2.0.

Карточка модели Cinrostro1/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 mr4425390/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 sarahyung/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.

timm/tresnet_xl.miil_in1k — модель классификации изображений TResNet XL, обученная авторами архитектуры на ImageNet-1k. Репозиторий timm содержит веса, преобразованные из оригинальных для работы со стандартным BatchNorm вместо InplaceABN; доступны форматы PyTorch и safetensors, лицензия Apache-2.0. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В ней 78,4 млн параметров; указанный размер входного изображения — 224 × 224 пикселя. Это модель компьютерного зрения без текстового интерфейса.

facebook/vit-msn-small — компактный энкодер Vision Transformer, разработанный командой MSN и предварительно обученный методом Masked Siamese Networks. Модель обрабатывает изображение как последовательность патчей и формирует внутренние признаки изображения; в метаданных указано 28,3 млн параметров. Модель предназначена для извлечения визуальных признаков и последующего использования в задачах компьютерного зрения. Например, к энкодеру можно добавить линейный классификатор и обучить его на размеченных изображениях. Предобучение особенно полезно, когда доступно мало размеченных примеров. Модель принимает изображения и выдаёт векторные представления; README также указывает ImageNet-1k среди связанных датасетов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка описывает её как основу для downstream-задач, а не как готовый классификатор; качество зависит от выбранной задачи и последующего обучения.

wangchan-sentiment-thai-text-model — модель классификации текста на базе WangchanBERTa, разработанная путём дообучения airesearch/wangchanberta-base-att-spm-uncased. Она предназначена для определения тональности тайских текстов, включая отзывы и короткие сообщения; в метаданных указаны датасеты Wongnai Reviews и Wisesight Sentiment. Модель построена на архитектуре CamemBERT для классификации последовательностей, содержит 132,5 млн параметров и принимает текст длиной до 512 токенов. На указанном в карточке оценочном наборе модель получила accuracy 0,7535 и loss 0,5849. Она подходит для автоматической разметки тональности, например при анализе отзывов и сообщений на тайском языке. Это дообученная модель, а не универсальный генератор текста; подробности о лицензии и условиях использования в предоставленных данных отсутствуют.

timm/wide_resnet50_2.racm_in1k — модель классификации изображений на основе Wide ResNet-50-2, опубликованная в библиотеке timm. Она обучена на ImageNet-1k с рецептом RACM из работы ResNet Strikes Back. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и свёртки 1×1 для проекций в остаточных связях. Модель содержит 68,9 млн параметров; в карточке указаны размеры изображения 224×224 при обучении и 288×288 при тестировании. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов изображений. Для обучения применялись RandAugment, оптимизатор RMSProp, усреднение весов EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Лицензия — Apache-2.0. Карточка не описывает специальные ограничения применения; качество и применимость к изображениям вне распределения ImageNet-1k могут отличаться.

Würstchen — диффузионная модель генерации и изменения изображений по текстовым запросам, разработанная Pablo Pernias и Dominic Rampas. Она использует фиксированный предварительно обученный текстовый энкодер CLIP ViT-bigG/14 и работает в сильно сжатом латентном пространстве изображений. Архитектура включает двухэтапное сжатие: Stage A на основе VQGAN и Stage B на основе Diffusion Autoencoder; Stage C генерирует латентные представления. Пространственное сжатие достигает 42 раз, что снижает вычислительные затраты при обучении и генерации. Модель рассчитана на создание и изменение изображений по англоязычным промптам. Она обучалась на разрешениях от 1024×1024 до 1536×1536; README также сообщает о хороших результатах при 1024×2048. Для запуска этого декодера требуется совместный prior. Лицензия — MIT. Восстановление из латентного пространства с потерями: Stage B может упускать детали, особенно на лицах и руках.

timm/xception71.tf_in1k — модель классификации изображений семейства Aligned Xception, обученная на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Она предназначена для распознавания объектов на изображениях и может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит 42,3 млн параметров, использует свёртки с разделением по глубине и рассчитана на изображения размером 299 × 299 пикселей. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель обучена для классификации ImageNet-1k. Карточка также описывает извлечение признаков и эмбеддингов, но не приводит конкретных метрик качества или гарантий работы на данных вне ImageNet-1k.

Xor 1.2 — разработанная Juspay и дообученная на базе Qwen/Qwen3.6-35B-A3B модель для типизированных задач принятия решений. Она принимает текстовое состояние и вопросы типов «да/нет», категориального выбора или порядковой оценки, а затем выдаёт вероятности и распределения вероятностей. Запросы также могут содержать до восьми изображений или одно видео, чтобы классифицировать информацию в тексте и медиа. Модель построена на архитектуре причинной языковой модели Mixture-of-Experts; веса Xor 1.2 получены постобучением с LoRA ранга 16, объединённой с базовыми весами BF16. Размер файлов модели — около 66 ГБ. Для воспроизводимой работы требуется использовать совместимую обвязку TypeSafe и указанный в карточке inference-конфиг с детерминированным считыванием кандидатов, проверкой порядка вариантов и калибровкой вероятностей. Проверена работа на одной GPU с SGLang. Модель подходит для структурированной классификации и оценивания по заданной схеме, включая вопросы по изображениям или видео. Для изображений и видео надёжное различение типа медиа не гарантируется; в одном запросе лучше передавать только один вид медиа. Размер тела запроса ограничен 8 МБ, что оставляет примерно 6 МБ на медиа после Base64-кодирования. Распространяется по лицензии Apache-2.0.

agentyaya/yaya-image — перепакованная копия Qwen/Qwen-Image-2512: в репозитории изменены название и внутренние имена файлов, а веса оставлены без изменений. Исходную модель разработала команда Qwen; она предназначена для генерации изображений по текстовым описаниям. Карточка указывает на использование библиотеки Diffusers и форматов Safetensors и Diffusers. Модель подходит для создания реалистичных изображений людей, детализированных природных сцен и изображений с текстом — эти характеристики указаны для базовой модели Qwen-Image-2512. Репозиторий распространяется по лицензии Apache-2.0.

mserrasa/yolos_finetuned_VinBigData — модель обнаружения объектов на базе архитектуры YOLOS, разработанная автором репозитория mserrasa. В карточке указано 113,2 млн параметров и формат весов safetensors. Модель предназначена для обнаружения объектов на изображениях; сведения о целевых классах и сценариях применения отсутствуют. Карточка описывает её как дообученную версию mserrasa/yolos_finetuned_VinBigData, но не приводит отдельную базовую модель или данные обучения. Лицензия и ограничения применения не указаны.

Xenova/yolov9-c — преобразованная в формат ONNX версия модели обнаружения объектов YOLOv9-c, подготовленная для использования с Transformers.js. Она принимает изображения и определяет на них объекты, возвращая обнаруженные области и классы; модель подходит для запуска в JavaScript-приложениях, включая веб-среду. В репозитории опубликованы веса ONNX, библиотека для использования — Transformers.js. Репозиторий создан Xenova и содержит конверсию весов для совместимости с Transformers.js. Модель распространяется по лицензии GPL-3.0. В карточке не приведены сведения о числе параметров, контексте и поддерживаемом наборе классов, поэтому эти характеристики здесь не уточняются.

Карточка модели shovonazad/ZenthiaaX на Hugging Face совпадает с карточкой nvidia/Qwen-Image-Flash, поэтому описание составлено по ней. NVIDIA Qwen-Image-Flash — модель генерации изображений по текстовому описанию, созданная на основе Qwen/Qwen-Image. Это дистиллированная методом DMD2 версия для генерации за четыре шага; архитектура диффузионного трансформера MMDiT сохранена. Трансформер денойзинга содержит 20,43 млрд параметров, а полный конвейер с текстовым энкодером и VAE — 28,85 млрд обучаемых параметров. Модель предназначена для прототипирования творческого контента и сценариев, где важна низкая задержка генерации. Она принимает текстовые запросы длиной до 1024 токенов и обычно создаёт RGB-изображения размером 1024 × 1024. Дистилляция проводилась на английских описаниях; унаследованные способности к китайскому языку не оценивались. Для работы предусмотрены Diffusers и другие движки инференса; модель оптимизирована для GPU NVIDIA. Модель рассчитана на исследовательское применение и коммерческое или некоммерческое использование. В README указаны NVIDIA Open Model Agreement и Apache License 2.0. Она не предназначена для редактирования и понимания изображений, критически важных решений, а также генерации незаконного или оскорбительного контента.

Z-Image-Turbo Realism — объединённая модель диффузии от beycanai для генерации реалистичных изображений по текстовым запросам. Это UNet на 6,15 млрд параметров, основанный на Tongyi-MAI/Z-Image-Turbo; в веса встроены realism LoRA и flow-DPO LoRA. Модель предназначена для ComfyUI и распространяется в формате safetensors: доступны вариант BF16 и конверсия INT8 ConvRot. Для генерации требуется загрузить файл через узел UNETLoader; текстовый энкодер Z-Image и VAE используются отдельно. В README приведён пример генерации изображений 1024×1536 за 9 шагов с последующим увеличением разрешения. Карточка и метаданные указывают английский язык; отдельные сведения о длине контекста не применимы к модели генерации изображений. Лицензия — Apache-2.0.

BiT-50 (Big Transfer) — модель компьютерного зрения от авторов исследования Big Transfer, представленная на Hugging Face командой Hugging Face. Это ResNet-подобная архитектура ResNetV2 для классификации изображений; модель обучена на ImageNet-1k и выдаёт оценки по 1000 классам ImageNet. Репозиторий содержит веса PyTorch. Модель предназначена для классификации изображений и может служить отправной точкой для переноса обучения на другие задачи компьютерного зрения, в том числе при небольших обучающих выборках. В статье описан подход BiT к масштабному предварительному обучению и переносу представлений; приведённые в README результаты относятся к исследовательской работе и не являются гарантией качества этой конкретной версии на пользовательских данных. Модель распространяется по лицензии Apache-2.0. Она принимает изображения и возвращает классовые оценки; сведения о размере входа и поддерживаемых языках к ней не относятся.

timm/cait_s24_384.fb_dist_in1k — модель классификации изображений на архитектуре CaiT (Class-Attention in Image Transformers), опубликованная авторами семейства timm. Модель предварительно обучена на ImageNet-1k с дистилляцией от авторов исследования и предназначена для классификации изображений, а также может использоваться как визуальный backbone и для получения эмбеддингов изображений. Модель содержит 47,1 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Репозиторий предоставляет веса PyTorch и SafeTensors; основная задача в карточке Hugging Face — image-classification. Лицензия — Apache-2.0. Модель подходит для распознавания объектов из классов ImageNet-1k и извлечения признаков в компьютерном зрении. Её область применения ограничена изображениями и классами, представленными в обучении; для иных наборов классов может потребоваться дополнительная настройка.

Chinese-LLaVA-Baichuan — двуязычный визуально-языковой ассистент на архитектуре LLaVA, разработанный проектом Chinese-LLaVA. Модель предназначена для мультимодальных диалогов на китайском и английском языках: она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. В карточке проекта указана версия на базе Baichuan-7B; метаданные репозитория описывают плотную архитектуру и 6,7 млрд параметров, а также контекст длиной 2048 токенов. Модель подходит для ответов на вопросы по изображениям и других сценариев визуального диалога на китайском и английском. В репозитории указаны веса PyTorch и лицензия OpenRAIL в метаданных; README проекта заявляет Apache-2.0 для проекта, поэтому условия использования самих весов следует сверять с лицензией репозитория. В карточке отмечен обучающий набор Chinese-LLaVA-Vision-Instructions.

ConvMixer 768/32 — модель классификации изображений семейства ConvMixer, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению метки из набора классов ImageNet, а также может использоваться как визуальный backbone для извлечения признаков и получения эмбеддингов изображений. Модель содержит около 21,1 млн параметров, обрабатывает изображения размером 224 × 224 и имеет вычислительную стоимость 19,5 GMACs. Репозиторий предоставляет веса PyTorch и Safetensors; модель доступна через библиотеку timm. Лицензия — MIT.

ConvNeXT Base — сверточная модель компьютерного зрения, разработанная авторами статьи «A ConvNet for the 2020s» (Liu и соавторы). Она обучена на ImageNet-22k и дообучена для классификации изображений на ImageNet-1k при разрешении 224×224. Архитектура использует чистую сверточную сеть, дизайн которой основан на ResNet и модернизирован с учетом идей Swin Transformer. Модель предназначена для отнесения изображения к одному из классов ImageNet-1k и может служить основой для прикладных систем классификации изображений. Доступны веса в форматах PyTorch, SafeTensors и TensorFlow. Лицензия — Apache-2.0.

facebook/convnextv2-tiny-1k-224 — свёрточная модель классификации изображений, разработанная командой ConvNeXt V2 и опубликованная в репозитории Hugging Face. Модель предварительно обучена в рамках FCMAE, затем дообучена на ImageNet-1K для классификации изображений с разрешением 224 × 224 пикселя. Архитектура ConvNeXt V2 — чистая свёрточная сеть с полностью свёрточным masked autoencoder-подходом FCMAE и слоем Global Response Normalization (GRN). Модель предназначена для отнесения изображений к одному из 1000 классов ImageNet-1K и может служить основой для дальнейшей адаптации под другие задачи распознавания изображений. Доступны веса PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Карточка не приводит специальных ограничений, кроме назначения для классификации изображений и набора классов ImageNet-1K.

ConvNeXt-V2 Tiny — свёрточная модель для классификации изображений и извлечения признаков, опубликованная в семействе timm. Она предварительно обучена методом FCMAE, а затем дообучена на ImageNet-22k и ImageNet-1k. Модель содержит около 28,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель присваивает изображению классы ImageNet-1k и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Её можно применять для категоризации изображений и построения визуальных представлений в компьютерном зрении. Репозиторий содержит веса PyTorch и safetensors; для работы подходит библиотека timm. Лицензия CC BY-NC 4.0 разрешает использование с соблюдением её условий, включая ограничения на коммерческое применение. Модель предназначена для классификации изображений ImageNet и может хуже работать на изображениях, классах и распределениях данных, отличных от обучающих.

Это конвертированная в Core ML модель SAM 2 Tiny из семейства SAM 2, разработанного FAIR. Она предназначена для сегментации объектов по запросу на изображениях и видео и подходит для использования в демонстрационном приложении SAM2 Studio. Модель представлена в формате Core ML и преобразована с точностью float16. Модель принимает визуальные данные и создаёт маски сегментации. Карточка описывает её как Core ML-версию SAM 2 Tiny; лицензия репозитория — Apache-2.0. Карточка не приводит дополнительные сведения о языковой поддержке или контексте.

Hemanthhebbal/custom-image-classifier — модель компьютерного зрения на архитектуре MobileNetV2, дообученная для классификации изображений. Её можно использовать через библиотеку Transformers с конвейером image-classification для получения предсказанных классов изображения. Модель хранится в формате safetensors и распространяется по лицензии Apache-2.0. Карточка заявляет высокую производительность инференса, но не приводит метрик качества, набора классов или данных, на которых модель обучалась.

CyberIllustrious — модель генерации изображений по текстовому описанию от Cyberdelia, также известная как CyberRealistic. Это фотореалистичная адаптация чекпойнта Illustrious-XL, сохранённая в формате safetensors и включающая встроенный VAE. Модель предназначена для создания детализированных изображений, особенно портретов и сцен с людьми, а также модных, редакционных и кинематографических сюжетов. Для генерации достаточно текстового запроса; модель рассчитана на простые промпты и хорошо передаёт реалистичный вид. В README рекомендуются 30 и более шагов сэмплирования, сэмплеры DPM++ SDE Karras, DPM++ 2M Karras или Euler a и разрешения 896×1152 либо 832×1216. Лицензия — CreativeML Open RAIL++-M; её условия следует учитывать при использовании и распространении результатов.