IV.1Ритейл, электронная коммерция и fashion-tech

mixer_l16_224.goog_in21k_ft_in1k — модель классификации изображений на архитектуре MLP-Mixer, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k; содержит около 208,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель также можно использовать как основу для извлечения признаковых представлений изображений. Модель предназначена для классификации изображений и получения их эмбеддингов в задачах компьютерного зрения. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache 2.0.

mobilenetv2_050.lamb_in1k — модель классификации изображений семейства MobileNetV2, опубликованная проектом timm. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях; её также можно использовать как компактную основу для извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 2 млн параметров, требует примерно 0,1 GMAC на изображение и рассчитана на вход размером 224 × 224 пикселя. При обучении применялась схема с оптимизатором LAMB и усреднением весов EMA; репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Компактный размер делает модель подходящей для задач классификации с ограниченными вычислительными ресурсами. Её классы и качество ориентированы на ImageNet-1k, поэтому для других предметных областей может потребоваться адаптация; сведения о других языковых или мультимодальных возможностях в карточке не приводятся.

Это сверточная модель MobileNetV3 Large для классификации изображений и извлечения признаковых карт и эмбеддингов. Её обучил Ross Wightman с помощью скриптов timm на ImageNet-1k; обучение использовало гиперпараметры, вдохновлённые MobileNetV4 Small и рецептами timm и «ResNet Strikes Back». Модель содержит около 5,5 млн параметров и рассчитана на мобильные сценарии с ограниченными вычислительными ресурсами: для обучения указано разрешение 224 × 224, для тестирования — 256 × 256. Модель предсказывает классы изображений ImageNet-1k и может служить компактной основой для получения признаковых представлений. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает поддержку других наборов классов или языковых входов; качество за пределами ImageNet-1k не охарактеризовано.

MViTv2 Tiny — модель компьютерного зрения семейства многомасштабных Vision Transformer, опубликованная авторами статьи и представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения признаков. Модель содержит около 24,2 млн параметров, выполняет около 4,7 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель принимает изображения и выдаёт классы ImageNet либо визуальные признаки, пригодные для дальнейшей обработки. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества и подробных ограничений применения; характеристики классификации относятся к ImageNet-1k.

NSFWVision Qwen3 VL 8B V3 — мультимодальная модель на базе Qwen3-VL-8B-Instruct и prithivMLmods/Qwen3-VL-8B-Instruct-abliterated-v2, разработанная GitMylo. По карточке, дообучена башня зрения Qwen3-VL: во время обучения веса были разморожены, а после обучения модель вернули к исходным весам abliterated-версии, чтобы сохранить стиль письма и следование инструкциям базовой модели. Предназначена для диалога с изображениями и их анализа; каталог также указывает поддержку зрения и задачу image-text-to-text. В метаданных указана архитектура Qwen3-VL с плотной моделью условной генерации. Базовая модель насчитывает 8 млрд параметров; библиотека — Transformers, формат файлов — safetensors. README сообщает о наличии GGUF-версии, но её файлы не описаны в метаданных этого репозитория. Языки, контекстное окно и конкретные ограничения качества в доступных источниках не указаны. Лицензия в предоставленных данных не указана.

nunchaku-flux.1-fill-dev — это квантизированная версия модели FLUX.1-Fill-dev, разработанная командой Nunchaku и предназначенная для эффективного выполнения задач image-to-image. Модель заполняет или восстанавливает области существующих изображений на основе текстового описания, что подходит для редактирования изображений и генеративного дорисовывания. Она интегрируется с Diffusers и ComfyUI. Модель использует 4-битное квантование SVDQuant и поставляется в вариантах INT4 для видеокарт до серии 50 и NVFP4 для видеокарт Blackwell 50-й серии. Квантование ориентировано на повышение эффективности инференса при минимальной потере качества по сравнению с исходной FLUX.1-Fill-dev. В метаданных указан английский язык; сведения о размере модели, архитектуре и длине контекста не приведены. Для запуска используются движок nunchaku и библиотека квантования deepcompressor. Лицензия — flux-1-dev-non-commercial-license, унаследованная от исходной модели Black Forest Labs; коммерческое использование не разрешено условиями этой лицензии.

PictSure — модель для классификации изображений в режиме few-shot learning, разработанная авторами проекта PictSure. Она использует изображения и метки классов из контекста, чтобы классифицировать новые изображения, для которых доступно мало размеченных примеров. Архитектура включает предварительно обученный визуальный энкодер, проекции признаков и меток, трансформерный энкодер и классификационную голову; доступны варианты с ResNet18 примерно на 53 млн параметров и ViT-Base примерно на 128 млн параметров. Модель принимает изображения размером 224 × 224 пикселя и рассчитана на сценарии быстрого освоения новых классов. В карточке также указано обучение на ImageNet-21k и использование предварительно обученных энкодеров ImageNet. Модель подходит для прототипирования классификаторов при малом количестве размеченных изображений, метаобучения и задач компьютерного зрения с быстрой адаптацией к новым классам. Качество зависит от представительности контекстных примеров; модель предназначена только для классификации, а не для обнаружения объектов или сегментации. Она может наследовать смещения ImageNet и ImageNet-21k, а трансформерные варианты требуют значительных ресурсов памяти. Репозиторий распространяется по лицензии MIT.

PoolFormer S24 — модель классификации изображений семейства MetaFormer, опубликованная авторами статьи «MetaFormer Is Actually What You Need for Vision» и обученная на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,4 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 3,4 GMACs. Репозиторий распространяет веса в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0.

Модель LucyintheSky/pose-estimation-front-side-back классифицирует изображения человека по положению тела относительно камеры: спереди, сбоку или сзади. Она создана дообучением Vision Transformer ViT-Base с патчами 16×16 на базе google/vit-base-patch16-224-in21k и предназначена для распознавания ориентации человека на изображении. Модель обучена на изображениях Lucy in the Sky. В карточке указаны точность 0,9355 и loss 0,2524 на оценочном наборе. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Qwen3.6 Plus — мультимодальная модель семейства Qwen. В доступной карточке она описана как использующая гибридную архитектуру с эффективным линейным механизмом внимания и разреженной маршрутизацией смеси экспертов, что предназначено для масштабирования и производительного вывода. Каталог относит модель к задаче image-text-to-text, то есть к обработке изображений с выдачей текстового ответа. Карточка README обрывается до описания конкретных сценариев и не содержит сведений о разработчике, размере, языках, длине контекста, лицензии или ограничениях. Поэтому эти характеристики и условия использования установить по предоставленным данным нельзя.

unsloth/Qwen-Image-2512-GGUF — это GGUF-квантизированная версия фундаментальной модели Qwen-Image-2512 для генерации изображений по текстовому описанию. Базовую модель разработала команда Qwen, а данную версию подготовила Unsloth с использованием методологии Unsloth Dynamic 2.0. Модель предназначена для сценариев text-to-image, включая создание реалистичных изображений людей, природных сцен, животных, иллюстраций и композиций с текстовыми элементами. Модель поддерживает английский и китайский языки. Она ориентирована на повышение реалистичности людей, детализацию природных объектов, а также точность и качество отображения текста и мультимодальных композиций. GGUF-квантизация снижает требования к ресурсам, а критически важные слои переведены в более высокую точность; конкретный размер модели, параметры, контекст и варианты квантования в README не указаны. Для запуска рекомендуются ComfyUI или stable-diffusion.cpp; также упоминается интеграция с инструментами ComfyUI-GGUF. Ограничениями являются зависимость от совместимого программного обеспечения и отсутствие в карточке подробностей о производительности, требованиях к оборудованию и точной конфигурации. Модель распространяется по лицензии Apache-2.0.

Realistic Vision — модель генерации изображений по текстовому описанию, представленная StableDiffusionAPI и доступная через API ModelsLab. В карточке показан сценарий создания фотореалистичного портрета с настройкой отрицательного промпта, размера изображения, числа шагов генерации и guidance scale; также упомянуты параметры улучшения промпта, апскейлинга, panorama и подключения LoRA или embeddings. Модель предназначена для генерации реалистичных изображений из текстовых запросов. Метаданные указывают форматы Diffusers и PyTorch, а лицензию CreativeML OpenRAIL-M. Пример API-запроса использует изображение 512×512 и 30 шагов; это параметры примера, а не заявленные ограничения модели.

Realistic Vision 5.1 — модель Stable Diffusion для генерации фотореалистичных изображений по текстовому описанию, опубликованная stablediffusionapi. В карточке приведён пример работы через API ModelsLab с настройками размера изображения, числа шагов генерации и guidance scale; также указаны параметры negative prompt и усиления промпта. В метаданных указаны формат Diffusers/PyTorch и лицензия CreativeML OpenRAIL-M. Модель подходит для создания реалистичных портретов и сцен по промптам. Пример карточки демонстрирует генерацию изображения 512×512 за 30 шагов, однако это настройки примера, а не заявленные ограничения модели. Карточка не сообщает размер модели, длину контекста и подтверждённый список языков. Условия лицензии CreativeML OpenRAIL-M применяются к использованию весов; генерация через API ModelsLab может также регулироваться условиями этого сервиса.

RegNetX-8GF — свёрточная модель классификации изображений из семейства RegNetX, опубликованная авторами статьи Designing Network Design Spaces и доступная в реализации timm. Модель предварительно обучена на ImageNet-1k; в карточке указано 39,6 млн параметров, 8,0 GMAC и рекомендуемый размер изображения 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов. Реализация timm поддерживает, среди прочего, stochastic depth, gradient checkpointing и настраиваемый output stride. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — MIT.

RepGhostNet 1.0 — модель классификации изображений и извлечения визуальных признаков из семейства RepGhostNet. Она обучена авторами статьи на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также для использования в качестве компактной основы для извлечения карт признаков и эмбеддингов. В модели около 4,1 млн параметров; заявлены вычислительная сложность 0,2 GMAC и размер входного изображения 224 × 224. Репозиторий предоставляет веса PyTorch и SafeTensors, библиотека модели — timm. Модель рассчитана на классификацию изображений общего назначения и может применяться как лёгкая визуальная основа в компьютерном зрении. Лицензия — MIT. Карточка не описывает ограничения точности и состав классов подробнее, чем обучение на ImageNet-1k.

ResNet-18 — сверточная модель компьютерного зрения семейства ResNet, опубликованная Microsoft и обученная на ImageNet-1k. Карточка модели подготовлена командой Hugging Face; архитектура использует остаточные связи, которые помогают обучать глубокие нейронные сети. Модель предназначена для классификации изображений: она принимает изображение и предсказывает его класс. Её можно использовать как готовый классификатор или как основу для дальнейшей адаптации под специализированные задачи компьютерного зрения. Репозиторий содержит веса в форматах PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Обучение на ImageNet-1k ограничивает её распознавание классами этого набора данных; для других предметных областей может потребоваться дообучение.

timm/resnetrs101.tf_in1k — модель классификации изображений семейства ResNetRS-B, представленная библиотекой timm. Она обучена авторами статьи на ImageNet-1k и может использоваться для присвоения изображению метки класса, извлечения карт признаков и получения эмбеддингов изображений. Архитектура использует активации ReLU, начальную свёртку 7×7 с pooling и свёртки 1×1 в обходных соединениях. Модель содержит 63,6 млн параметров и требует 6,0 GMACs; размер изображения при обучении — 192×192, при тестировании — 288×288. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для классификации изображений общего назначения; точность зависит от данных и условий применения, а карточка не описывает гарантии качества вне ImageNet-1k.

ResNeXt-50 32x4d A1 — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, остаточные связи с проекцией 1×1 и групповые свёртки 3×3 в bottleneck-блоках. В модели около 25 млн параметров и 4,3 GMACs. Модель предназначена для отнесения изображений к классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке указаны размеры изображений 224×224 для обучения и 288×288 для тестирования. Доступны веса PyTorch и safetensors; модель распространяется по лицензии Apache-2.0. Классификация ограничена набором классов ImageNet-1k и не гарантирует корректную работу на изображениях, существенно отличающихся от обучающих данных. README не приводит языковых возможностей: модель работает с изображениями и выдаёт классовые предсказания, карты признаков или эмбеддинги.

ReXNet-130 — сверточная модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению класса из набора ImageNet и может использоваться как базовая сеть для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 7,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. В карточке приведены показатели вычислительных затрат: 0,7 GMACs и 9,7 млн активаций. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

Это порт модели SAM 2.1 Hiera Base Plus, подготовленный zeromodels в формате Keras 3. Модель использует backbone Hiera с FPN neck и выполняет сегментацию изображений по визуальным подсказкам: точкам и, при соответствующей настройке, рамкам. Реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для выделения объектов на одном изображении по заданным подсказкам. В этом порте доступен только путь обработки изображений: память видео и перенос масок между кадрами не поддерживаются. Лицензия — Apache 2.0.

DMetaSoul/sbert-chinese-qmc-domain-v1-distill 是 DMetaSoul 发布的蒸馏型 модель на базе BERT для сопоставления вопросов в открытой предметной области. Она преобразует китайские предложения в векторы, пригодные для оценки семантического сходства и поиска похожих вопросов; описанные сценарии включают поиск перефразировок о товарах, услугах и банковских операциях. Модель содержит 4 слоя BERT и около 54 млн параметров, принимает текст, имеет контекст до 512 токенов и распространяется в формате PyTorch. По README, относительно модели-учителя с 12 слоями она примерно вдвое снижает задержку и увеличивает пропускную способность, при этом средняя точность в приведённой оценке ниже примерно на 4,2 процентного пункта. Это ориентир из теста на V100, а результаты зависят от данных и условий эксплуатации. Модель предназначена прежде всего для китайского языка. Лицензия в предоставленных данных не указана.

Карточка модели sensenova/SenseNova-MARS-32B на Hugging Face совпадает с карточкой sensenova/SenseNova-MARS-8B, поэтому описание составлено по ней. SenseNova-MARS-8B — мультимодальная модель для визуального рассуждения и поиска, разработанная SenseNova. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для вопросов по изображениям, требующих поиска внешних знаний и детального анализа. В описанной системе модель взаимодействует с инструментами текстового и визуального поиска, а также обрезки изображений, чтобы решать сложные задачи на визуальное понимание. Модель использует архитектуру Qwen3-VL и принимает текст и изображения, формируя текстовые ответы. В README заявлены обучение с подкреплением и алгоритм BN-GSPO; приведённые результаты относятся преимущественно к версии MARS-32B, поэтому их нельзя напрямую считать оценкой версии 8B. Модель выпущена под лицензией MIT.

SenseNova-U1.5-8B-MoT-pose-bf16 — это вариант SenseNova-U1.5-8B-MoT с адаптером RefControl для переноса позы, подготовленный mlx-community для запуска через MLX на Apple Silicon. Адаптер Pose LoRA объединён с базовыми весами; результат приведён к формату bf16. Базовая модель содержит 8 млрд параметров согласно названию репозитория. Модель переносит человека с фотографии-образца во позу, заданную отдельным изображением скелета в стиле OpenPose, стараясь сохранить внешность, одежду и сцену. Это редактирование по двум изображениям: первым подают скелет, вторым — фотографию человека. Также сохраняются возможности базовой модели по генерации и редактированию изображений, однако поток генерации смещён в сторону позы. Модель рассчитана на sensenova-u1-swift и MLX на Apple Silicon; лицензия — Apache-2.0. В README указано, что bf16-вариант занимает 35,1 ГБ памяти после загрузки на M5 Max; 8-битный вариант рекомендован для большинства сценариев и, по сообщению автора, воспроизводит результаты bf16 на пяти тестовых примерах при меньшем потреблении памяти. Модель не подходит как нейтральный вариант базового чекпойнта для обычной генерации изображений из-за смещения в сторону переноса позы.

Shuttle 3.1 Aesthetic — модель генерации изображений по текстовому описанию, разработанная ShuttleAI на базе shuttleai/shuttle-3-diffusion. Она предназначена для создания детализированных и эстетичных изображений по промптам, включая сцены со сложными описаниями и текстом внутри изображения. Модель поддерживает работу через Diffusers, ComfyUI и API ShuttleAI. Модель ориентирована на эффективную генерацию за 4–6 шагов и заявляет улучшенное качество изображений, типографики, понимание сложных промптов и экономичность по ресурсам. В README указаны варианты в форматах bfloat16 и fp8; пример запуска использует разрешение 1024×1024, guidance scale 3.5 и максимальную длину последовательности 256 токенов. Заявлена поддержка английского языка. Архитектура и точное число параметров не указаны. К сильным сторонам относятся высокая скорость генерации, улучшенные детали и цвета, а также способность создавать изображения, сопоставимые с Flux Dev, за четыре шага. Ограничения включают отсутствие подробных сведений о размере модели, архитектуре, поддерживаемых языках помимо английского и других модальностях. Модель частично дедистиллирована в процессе обучения. Лицензия Apache 2.0.

timm/skresnet18.ra_in1k — сверточная модель классификации изображений семейства SKNet (Selective-Kernel ResNet), обученная Россом Уайтманом в библиотеке timm на ImageNet-1k с рецептом RA, вариантом B подхода ResNet Strikes Back. Модель содержит около 12 млн параметров, имеет вычислительную сложность 1,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как сверточная основа для извлечения карт признаков и векторов изображений. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0.

Stable Diffusion v1-2 — модель генерации изображений по текстовому описанию, разработанная CompVis. Это латентная диффузионная модель, опубликованная в формате Diffusers и PyTorch; репозиторий также содержит веса Safetensors. Чекпойнт продолжает обучение Stable Diffusion v1-1: его дообучали 515 тысяч шагов при разрешении 512×512 на отфильтрованной эстетически оценённой подвыборке LAION-2B. Модель предназначена для создания изображений по текстовым запросам, включая фотореалистичные изображения. Обучающие данные описаны как подмножество LAION-2B-en, поэтому основная языковая ориентация — английский. В README приведена оценка на случайных запросах из COCO2017 при разрешении 512×512; она не была оптимизирована для метрики FID. Модель распространяется по лицензии CreativeML Open RAIL-M. Она генерирует изображения из текста; качество и соответствие результата запросу зависят от формулировки запроса и настроек генерации.

timm/swiftformer_l1.dist_in1k — модель классификации изображений на архитектуре SwiftFormer, обученная авторами статьи на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 12,1 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 1,6 GMACs. SwiftFormer применяет эффективный механизм additive attention и предназначена для производительной компьютерного зрения, в том числе на мобильных устройствах. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

tf_mobilenetv3_large_075.in1k — модель MobileNetV3 для классификации изображений. Её обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm и распространяется по лицензии Apache-2.0. Это компактная модель примерно с 4 млн параметров, рассчитанная на изображения размером 224 × 224. Она классифицирует изображения по категориям ImageNet-1k и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. По данным карточки, вычислительная сложность составляет около 0,2 GMACs. Модель подходит для классификации изображений и компактных компьютерно-зрительных конвейеров. Её обучение ограничено классами ImageNet-1k; карточка не сообщает о поддержке других наборов классов или языковых возможностей.

This Is Real v1 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. README демонстрирует примеры портретов, персонажей и предметных сцен; метаданные указывают на использование библиотеки Diffusers и форматов safetensors.

TimeOmni-1-7B — языковая модель для рассуждений о временных рядах, опубликованная в репозитории anton-hugging. Это дообученная методом SFT и последующего обучения с подкреплением модель Qwen2.5-7B-Instruct с архитектурой Qwen2 и 7,1 млрд параметров. Она принимает текстовые запросы с данными или описаниями временных рядов и генерирует текстовые ответы; заявленная длина контекста — 32 768 токенов. Модель предназначена для решения разных задач анализа и рассуждений о временных рядах в единой системе, при этом авторы заявляют, что базовые способности к общим рассуждениям сохраняются. Карточка сообщает об оценке на бенчмарках, но сами таблицы результатов в доступном README опущены. Репозиторий содержит веса в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0.