IV.1Ритейл, электронная коммерция и fashion-tech

SwiftFormer XS distill для ImageNet-1k — модель классификации изображений и извлечения визуальных признаков из семейства SwiftFormer. Она обучена авторами статьи на ImageNet-1k и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 3,5 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность около 0,6 GMACs; архитектура использует эффективное аддитивное внимание для мобильных приложений компьютерного зрения реального времени. Модель распространяется в форматах PyTorch и Safetensors и поддерживается библиотекой timm. Лицензия — Apache-2.0. Карточка не сообщает измерения точности или задержки, поэтому пригодность для конкретного устройства и сценария следует оценивать отдельно.

Swin-Base — модель компьютерного зрения, разработанная Qualcomm на основе реализации Swin-Base из torchvision. Она предназначена для классификации изображений из датасета ImageNet, а также может использоваться как backbone при создании более сложных решений для специализированных задач. Модель оптимизирована для устройств Qualcomm и поддерживает развертывание через ONNX, QNN_DLC и TFLite с использованием Qualcomm AI Hub Models. Модель принимает изображения с разрешением 224×224 и содержит 88,8 млн параметров. Размер контрольной точки составляет около 339 МБ в формате float и 90,2 МБ в варианте w8a16. Это одномодальная модель для работы с изображениями; сведения о поддерживаемых естественных языках и текстовых входах отсутствуют. Предэкспортированные версии рассчитаны на выполнение преимущественно на NPU различных платформ Snapdragon и Qualcomm Dragonwing, а также допускают экспорт с пользовательскими весами, формами входов и конфигурациями целевого устройства. К сильным сторонам относятся адаптация к экосистеме Qualcomm, наличие оптимизированных форматов и вариантов точности, а также возможность использования как готового классификатора или базовой модели. Ограничения включают специализацию на задачах анализа изображений и зависимость производительности от конкретного устройства, runtime и точности; универсальность для других типов данных README не подтверждает. Модель распространяется по лицензии BSD 3-Clause.

SwinV2 Tiny Window16 256 — модель классификации изображений из библиотеки timm, основанная на архитектуре Swin Transformer V2. Авторы статьи предварительно обучили её на ImageNet-1k. Модель содержит 28,3 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель подходит для классификации изображений по категориям, а также может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Вычислительная сложность указана как 6,7 GMACs. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT. Классификация ограничена набором категорий ImageNet-1k и доменом обучающих данных, поэтому качество на специализированных изображениях может быть ниже. Модель принимает изображения и выдаёт метки классов и оценки.

SwinV2 Tiny window8 256 ms in1k — модель классификации изображений и извлечения признаков из семейства Swin Transformer V2, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k и рассчитана на изображения размером 256 × 256 пикселей. Модель содержит 28,3 млн параметров и требует около 6,0 GMACs на проход. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как основу компьютерного зрения в приложениях и как визуальный backbone для последующих задач. Доступна по лицензии MIT.

tf_efficientnet_lite4.in1k — сверточная модель EfficientNet-Lite для классификации изображений. Её обучили авторы оригинальной работы на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. Модель предназначена для присвоения изображениям меток из ImageNet-1k и может использоваться как базовая сеть для извлечения признаковых карт и эмбеддингов изображений. Она содержит около 13 млн параметров, требует изображения размером 380 × 380 пикселей и рассчитана на обработку визуальных данных. Веса доступны в форматах PyTorch и safetensors. Лицензия репозитория — Apache-2.0. Карточка не приводит показателей точности и не описывает специальные ограничения модели.

Карточка модели Ares-Realm-Studios/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.

Это зеркало модели TRELLIS.2-4B, разработанной Microsoft и опубликованной пользователем chibifire. Модель предназначена для создания текстурированных 3D-мешей с PBR-материалами по одному изображению, а также для текстурирования входного меша. В репозитории размещены конфигурации конвейера и чекпойнты компонентов модели. В основе лежат flow-matching-трансформер и разреженный 3D VAE; для представления 3D-объектов используется O-Voxel, поддерживающий произвольную топологию. Модель распространяется в формате safetensors и используется с кодом проекта TRELLIS.2. Лицензия — MIT.

Карточка модели CShah2218/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 E234v/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 IAMPS2026/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.

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 nf5/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 rogrocks123/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 shintaka/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 E234v/TRELLIS.2-4B3 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.

tresnet_l.miil_in1k_448 — модель классификации изображений семейства TResNet, опубликованная авторами статьи и обученная на ImageNet-1k. Вариант содержит около 56 млн параметров и рассчитан на изображения размером 448 × 448 пикселей. Модель присваивает изображению метку класса и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Веса преобразованы для работы со стандартным BatchNorm вместо InplaceABN; репозиторий предоставляет их в форматах PyTorch и Safetensors. Модель подходит для классификации изображений и получения визуальных представлений в задачах компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество на специализированных областях могут не соответствовать конкретной прикладной задаче без адаптации. Лицензия — Apache-2.0.

UltraFlux-v1-1-Transformer — дообученная на базе Black Forest Labs FLUX.1 [dev] модель диффузионного трансформера для генерации изображений по текстовым описаниям. Разработчики позиционируют её для нативной генерации изображений в разрешении 4K с сохранением качества при разных соотношениях сторон, включая квадратные, портретные и сверхширокие форматы. В описании заявлены специализированный для 4K DiT, набор данных MultiAspect-4K-1M, постобучение VAE и целевые функции, учитывающие высокое разрешение и разные пропорции кадра. Модель рассчитана на создание изображений из текстовых запросов; для запуска авторы предлагают библиотеку Diffusers. В репозитории указаны веса Safetensors, лицензия Apache-2.0. Заявления о качестве и поддержке нативного 4K приведены в карточке модели.

zeromodels/vgg16_bn_tv_in1k — преобразованный для библиотеки zeromodels чекпойнт VGG16 с BatchNorm, основанный на timm/vgg16_bn.tv_in1k и описанный в работе Very Deep Convolutional Networks for Large-Scale Image Recognition. Это свёрточная сеть с последовательными свёртками 3×3, предназначенная для классификации изображений и использования в качестве визуального backbone. Модель выдаёт логиты классов; вариант VGGModel может возвращать признаки, а также многоуровневые признаки для последующих задач компьютерного зрения. Реализация выполнена на Keras 3 и может работать с TensorFlow, PyTorch или JAX в зависимости от выбранного backend. Карточка представляет её как классификатор ImageNet и backbone; конкретные размер входа и число параметров здесь не приведены. Лицензия репозитория — BSD-3-Clause.

google/vit-base-patch32-384 — базовая модель Vision Transformer (ViT), представленная в исследовании Dosovitskiy и соавторов. Весовые файлы были конвертированы из timm в формат PyTorch; модель опубликована под лицензией Apache 2.0. Модель принимает изображения и классифицирует их по 1 000 классам ImageNet. Она использует трансформерный энкодер: делит изображение на патчи 32×32, преобразует их в последовательность векторов и обрабатывает с позиционными эмбеддингами и токеном [CLS]. Предобучение выполнено на ImageNet-21k с разрешением 224×224, затем модель дообучена на ImageNet 2012 с разрешением 384×384. Размер модели — 113,2 млн параметров. ViT подходит для классификации изображений и как основа для извлечения признаков и обучения классификаторов на целевых размеченных данных. Классы и качество распознавания ограничены обучением на ImageNet; для других задач может потребоваться дообученная версия. Поддерживаются веса PyTorch, TensorFlow и Flax, а также формат safetensors.

VOLO-D4 — модель семейства Vision Outlooker для классификации изображений и извлечения визуальных признаков. Она обучена авторами статьи на ImageNet-1k с разметкой токенов; карточка опубликована в репозитории timm. Модель содержит около 193 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную сложность 44,3 GMACs. Модель подходит для классификации изображений по категориям ImageNet-1k и получения эмбеддингов изображений, например как визуальный backbone в компьютерном зрении. Репозиторий предоставляет веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Классификатор обучен на ImageNet-1k, поэтому его категории и качество ориентированы на этот набор данных; для иных предметных областей может потребоваться адаптация. Работа с изображениями другого размера может требовать изменения предобработки.

timm/wide_resnet50_2.tv_in1k — модель классификации изображений семейства Wide ResNet, опубликованная разработчиками библиотеки timm. Она основана на torchvision-варианте Wide ResNet-50-2 и обучена на ImageNet-1k. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и свёрточные обходные соединения 1×1 для уменьшения размерности. Модель содержит около 68,9 млн параметров и рассчитана на изображения размером 224×224. Модель предназначена для определения объектов и категорий на изображениях, извлечения признаковых карт и получения векторных представлений изображений. Её можно использовать как базовую сеть компьютерного зрения или как готовый классификатор на задачах, близких к ImageNet. Репозиторий предоставляет веса PyTorch и safetensors; модель доступна по лицензии BSD-3-Clause. Классификатор обучен на ImageNet-1k, поэтому его категории и качество могут не соответствовать специализированным областям или данным, отличающимся от обучающего набора. Для пользовательских категорий может потребоваться адаптация модели.

timm/xcit_nano_12_p8_224.fb_in1k — компактная модель классификации изображений на архитектуре XCiT (Cross-Covariance Image Transformer), опубликованная авторами статьи и представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений и использования в качестве визуального backbone для получения признаков. Модель содержит около 3 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную стоимость 2,2 GMACs. Модель подходит для прикладных сценариев, где важны компактность и извлечение признаков из изображений. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Absolute Reality v1.6 — модель генерации изображений по текстовому описанию, опубликованная Yntec на Hugging Face. Она представлена в формате Diffusers и предназначена для создания разнообразных иллюстраций и стилизованных сцен по промптам, включая фотореалистичные изображения, пейзажи, персонажей и аниме или chibi-арт. Карточка показывает примеры промптов для портретов, сюжетных сцен и цифровых иллюстраций. Модель принимает текст и выдаёт изображения; сведения об архитектуре, размере и длине контекста в предоставленных данных отсутствуют. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

AWARES-Qwen2.5-VL-7B — дообученная модель Kimhi на базе Qwen2.5-VL-7B-Instruct, предназначенная для ответов на вопросы по изображениям с адаптивным запросом дополнительных деталей. При получении изображения низкого разрешения и вопроса модель оценивает, достаточно ли ей информации; при необходимости она вызывает инструмент GET_CROPS, указывая один или несколько из девяти предопределённых участков для увеличения, а затем формирует ответ по исходному изображению и полученным фрагментам. Модель использует архитектуру Qwen2.5-VL с 7,1 млрд параметров, поддерживает чат и зрительный ввод, а её нативная длина контекста составляет 128 000 токенов. Обучение выполнено методом GRPO. Для полноценного сценария требуется обработать вызов GET_CROPS, извлечь указанные фрагменты изображения и передать их модели в следующем ходе; карточка указывает поддержку английского языка. Модель распространяется по лицензии Apache-2.0.

liam168 разработал модель классификации текста на базе BERT для определения тональности китайских отзывов. Она обучена на корпусе диалогов на китайском языке и различает два класса: оптимистичный и пессимистичный. Модель имеет архитектуру BertForSequenceClassification, содержит 129,5 млн параметров и принимает текст длиной до 512 токенов. Модель подходит для автоматической разметки тональности китайских отзывов и диалогов, например, для сортировки отзывов по позитивной и негативной оценке. В README указан размер 410 млн, который расходится с размером из метаданных; поэтому размер в параметрах приведён по метаданным. Лицензия в предоставленных данных не указана.

coatnet_rmlp_nano_rw_224.sw_in1k — модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Она предназначена для присвоения изображениям категорий из набора ImageNet-1k и может использоваться как визуальная основа для извлечения признаковых карт и эмбеддингов. Архитектура CoAtNet сочетает свёрточные блоки MBConv на ранних этапах с блоками трансформера с self-attention на поздних. Вариант rMLP использует MLP Log-CPB — смещение относительных позиций, мотивированное Swin Transformer V2. Модель содержит около 15,15 млн параметров, рассчитана на изображения размером 224 × 224 и имеет показатель 2,62 GMACs. В таблице результатов для неё указаны точность top-1 82,05% и top-5 95,87% на ImageNet-1k. Модель принимает изображения и выдаёт оценки классов; текстовые языки к её задачам не относятся. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Результаты и назначение привязаны к ImageNet-1k, поэтому для других наборов категорий или предметных областей может потребоваться адаптация.

CogView3-Plus-3B — модель генерации изображений по текстовому описанию, разработанная командой Z.ai. Это версия семейства CogView3 на основе архитектуры DiT; она создаёт изображения с разрешением от 512 до 2048 пикселей при условии, что ширина и высота кратны 32. В README приведены замеры скорости и потребления памяти на A100: около секунды на шаг, 19–23 ГБ памяти без выгрузки модели на CPU и около 11 ГБ с ней. Модель рассчитана на генерацию изображений по текстовым запросам. В README для инференса указаны точности BF16 и FP32; FP16 не поддерживается из-за переполнения, которое может приводить к чёрным изображениям. Репозиторий использует форматы Diffusers и Safetensors. Лицензия — Apache-2.0.

ConvFormer-B36 — модель компьютерного зрения семейства MetaFormer из библиотеки timm, опубликованная авторами статьи Metaformer baselines for vision. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 99,9 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не описывает отдельные предметные области или языковую поддержку; качество на данных, отличающихся от ImageNet, зависит от последующей адаптации.

ConViT Small — модель классификации изображений и визуальный backbone из библиотеки timm. Её обучили авторы работы ConViT на ImageNet-1k; модель сочетает подход Vision Transformer с мягкими свёрточными индуктивными смещениями. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель предназначена для классификации изображений и извлечения визуальных признаков. Она рассчитана на изображения размером 224 × 224 пикселя и содержит 27,8 млн параметров; вычислительная стоимость составляет 5,8 GMACs. Обучение на ImageNet-1k делает её подходящей для стандартных задач распознавания объектов и как основу для прикладных систем компьютерного зрения. Карточка не описывает ограничения качества вне ImageNet-1k или специальные гарантии для иных наборов данных и сценариев. Для таких применений результаты следует проверять отдельно.

ConvNeXT Large — свёрточная модель компьютерного зрения, обученная на ImageNet-1k для классификации изображений с разрешением 384×384 пикселя. Архитектуру разработали Liu и соавторы; модель впервые опубликована в этом репозитории, а карточку подготовила команда Hugging Face. Модель использует чистую сверточную архитектуру ConvNet, дизайн которой модернизирован с оглядкой на Vision Transformers и Swin Transformer. Она присваивает входному изображению один из 1000 классов ImageNet-1k и подходит как готовый классификатор или отправная точка для дообучения под другие задачи компьютерного зрения. Доступны веса PyTorch, SafeTensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Карточка описывает применение для классификации изображений; другие задачи требуют подходящей дообученной версии.