IV.1Ритейл, электронная коммерция и fashion-tech

MobileNetV4 Conv AA Large — сверточная модель классификации изображений из библиотеки timm, опубликованная Россом Уайтманом. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k; доступна в форматах PyTorch, ONNX и Safetensors под лицензией Apache-2.0. Модель содержит около 32,6 млн параметров и использует усредняющий антиалиасинговый пулинг. Карточка приводит размер обучения 448 × 448 пикселей и тестирования 544 × 544; для варианта с входом 544 пикселя указана точность Top-1 84,99% на ImageNet-1k. Модель также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Она предназначена для присвоения изображению класса из набора ImageNet-1k и применения в качестве зрительного бэкбона. Данные о поддержке других наборов классов и языковых задач в карточке не приводятся; качество зависит от соответствия входных изображений обучающим данным и разрешению.

Acly/MobileSAM-GGUF — конвертированная версия MobileSAM в формате GGUF F16 для облегчённого инференса на потребительском оборудовании с помощью vision.cpp. Модель сегментирует изображения: по точечным или прямоугольным подсказкам формирует маски объектов. Веса включают энкодер и декодер; указаны объединённая пакетная нормализация и формат памяти NHWC. Модель основана на dhkim2810/MobileSAM и опубликована по лицензии Apache-2.0. В README приведён пример локального запуска через vision-cli. Карточка не сообщает о поддержке текстовых запросов или других модальностей.

Карточка модели zimengxiong/Modelr-SPAR3D на Hugging Face совпадает с карточкой stabilityai/stable-point-aware-3d, поэтому описание составлено по ней. Stable Point Aware 3D (SPAR3D) — модель Stability AI для преобразования одного изображения в текстурированный UV-развёрнутый 3D-меш. Она использует двухэтапную архитектуру: диффузионную модель облака точек для улучшения реконструкции скрытых сторон объекта и регрессионное предсказание меша, позволяющее редактировать результат. Модель рассчитана на входное изображение 512×512 пикселей и создаёт результат менее чем за секунду. SPAR3D предназначена для создания 3D-объектов в творческих и дизайнерских проектах, образовательных инструментах и исследованиях реконструкции. Модель также выполняет делайтинг и предсказывает параметры материалов, включая шероховатость и металлические свойства, что упрощает использование объектов в игровых движках и рендеринге. Она обучалась на отобранных рендерах из Objaverse. Модель не предназначена для получения достоверных изображений людей или событий. Использование должно соответствовать Acceptable Use Policy Stability AI. Для лиц и организаций с годовой выручкой от 1 млн долларов США для коммерческого использования SPAR3D, её производных или результатов требуется отдельная корпоративная лицензия Stability AI; также применяется Community License.

Photon-v1 — модель генерации изображений по текстовому описанию, опубликованная sam749. Это начальный выпуск модели семейства Stable Diffusion, доступный для использования через библиотеку Diffusers в форматах Diffusers и safetensors. Модель ориентирована на создание фотореалистичных изображений по текстовым запросам. Модель подходит для генерации портретов, персонажей и детализированных сцен по промптам. Автор отмечает, что на этом этапе генерация кистей рук может быть несовершенной. Модель распространяется по лицензии CreativeML OpenRAIL-M; использование должно соответствовать её условиям.

PixVL-damgar-model-c-baseline-sft — опубликованный экспорт модели PixVL, подготовленный из обучающего экспорта damgar_chooseone_model_c_baseline_sft_8g_20260727. Модель разработана на основе Qwen3-VL-4B-SAMTok и предназначена для сегментации изображений; архитектура — Qwen3-VL для условной генерации, веса доступны в формате safetensors. Модель принимает изображения и текстовые инструкции и формирует результат сегментации. README указывает на исследовательское использование и наследование лицензии и ограничений исходной модели; метаданные репозитория указывают лицензию MIT. Языки и длина контекста в предоставленных сведениях не описаны.

PoolFormer S36 — модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer, представленная авторами статьи «MetaFormer Is Actually What You Need for Vision» и доступная в библиотеке timm. Она обучена на ImageNet-1k и содержит около 30,9 млн параметров; для классификации рассчитана на изображения размером 224 × 224 пикселя. Модель может присваивать изображениям классы, извлекать карты признаков и формировать эмбеддинги изображений. Модель подходит для классификации изображений общего назначения и как визуальная основа для последующей обработки признаков. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает поддержку других наборов данных или сценариев вне задач компьютерного зрения.

preCIDAUTv2 — модель классификации изображений, дообученная RicardoSLabs на базе microsoft/beit-base-patch16-224-pt22k-ft22k с использованием набора данных imagefolder. Она предназначена для присвоения изображению метки класса. В README указана точность 0,9991 и loss 0,0031 на оценочном наборе, однако состав классов, данные оценки и применимость результата к новым изображениям не описаны. Модель основана на архитектуре BEiT-base с 119,5 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0.

PVT-v2 B4 — модель компьютерного зрения семейства Pyramid Vision Transformer, обученная авторами статьи для классификации изображений на ImageNet-1k. Она также подходит как базовая сеть для извлечения признаков и карт признаков, а также получения векторных представлений изображений. Модель содержит 62,6 млн параметров, имеет вычислительную сложность 10,1 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и SafeTensors; модель предназначена для использования с библиотекой timm. Модель распознаёт объекты по изображениям общего назначения и может служить визуальным backbone в последующих задачах компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество не обязательно соответствуют специализированным предметным областям. Лицензия — Apache-2.0.

MMOPD/Qwen3-4B-OT3-tau2-3ep — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, разработанная участниками исследования MMOPD. Это контрольная точка после третьей эпохи supervised fine-tuning модели MMOPD/Qwen3-4B-OT3-2ep на агентских диалогах датасета inclusionAI/AReaL-tau2-data. Модель предназначена для агентских сценариев обслуживания клиентов в авиакомпаниях, розничной торговле и телекоммуникациях: она формирует ответы и вызовы инструментов по контексту диалога, сохраняя формат рассуждений Qwen3. Поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. В README приведены результаты оценки в τ²-bench для телекоммуникационных сценариев и инструкции по запуску через vLLM с парсерами вызовов инструментов Hermes и рассуждений Qwen3. Чекпойнт сохранён в bfloat16; лицензия — Apache-2.0. Для корректной работы с инструментами требуется совместимый агентный протокол и настроенный парсер. Оценка на телекоммуникационном наборе частично затронута пересечением сценариев с данными обучения и родственными данными, поэтому её нельзя считать полностью независимой проверкой.

DiffSynth-Studio/Qwen-Image-Edit-F2P — модель генерации и редактирования изображений, разработанная на основе Qwen-Image-Edit командой DiffSynth-Studio. Она предназначена для создания полноразмерных портретов человека по входному обрезанному изображению лица с сохранением его идентичности. Сценарий использования включает генерацию изображений человека в заданных сценах, одежде, окружении и художественных или фотореалистичных стилях по текстовому описанию. Модель распространяется как LoRA-адаптер для Qwen-Image-Edit и подключается через библиотеку DiffSynth-Studio и pipeline QwenImagePipeline. Она работает в формате image-to-image, принимает изображение лица и текстовый prompt, а на выходе формирует изображение; в README приведён пример с разрешением 1152×864 и 40 шагами инференса. Для автоматической подготовки входных данных можно использовать детектор лиц InsightFace с моделью antelopev2. Сведения о точном размере модели, архитектуре базовой модели, поддерживаемых языках и максимальном контексте не указаны. Сильная сторона модели — управление генерацией через идентичность лица и возможность получать различные портретные сцены из одного входного изображения. Ограничения включают зависимость от базовой модели Qwen-Image-Edit, необходимость корректно обрезанного лица и вычислительных ресурсов с поддержкой CUDA; качество сохранения внешности и результаты для других типов входных изображений в README не оценены. Модель распространяется по лицензии Apache-2.0.

Realistic Vision V5.0 noVAE — модель генерации изображений по тексту из семейства Stable Diffusion, представленная пользователем kp-forks. Репозиторий содержит веса в форматах Diffusers и safetensors; модель предназначена для создания реалистичных изображений по текстовым запросам. В README рекомендуются сэмплеры Euler A или DPM++ 2M Karras и CFG Scale 3,5–7. Для версии 5.0 автор карточки советует подключать VAE, чтобы повысить качество генерации и уменьшить артефакты; также приводятся примеры негативных запросов и настройки увеличения разрешения. Лицензия — CreativeML OpenRAIL-M.

Realistic Vision V5.1 noVAE — модель генерации изображений по текстовому описанию, опубликованная пользователем Hugging Face SG161222. Она предназначена для создания реалистичных изображений; автор рекомендует для версии 5.1 подключать VAE, чтобы повысить качество и уменьшить артефакты. В карточке указаны формат Diffusers и веса Safetensors, а лицензия — CreativeML OpenRAIL-M. README предлагает параметры генерации Euler A или DPM++ 2M Karras и CFG Scale 3,5–7, а также рекомендует Hires.fix с апскейлером 4x-UltraSharp. В качестве ограничений отмечены возможные артефакты, анатомические ошибки и нежелательные детали, которые автор предлагает снижать с помощью отрицательного промпта. Карточка не указывает базовую модель или размер чекпойнта.

Карточка модели zw89/Realistic_Vision_V6.0_B1_noVAE на Hugging Face совпадает с карточкой SG161222/Realistic_Vision_V6.0_B1_noVAE, поэтому описание составлено по ней. Realistic Vision V6.0 B1 noVAE — бета-версия модели генерации изображений от автора SG161222, ориентированная на реализм и фотореализм. Она создаёт изображения по текстовым запросам и рассчитана на портреты, изображения по пояс и в полный рост; в карточке приведены рекомендуемые разрешения вплоть до 1152×1152 и параметры генерации с разными сэмплерами и Hires.Fix. Это неполная версия V6.0, выпуск которой планировался поэтапно. Для версии V6.0 автор рекомендует подключать VAE, чтобы повысить качество и уменьшить артефакты; несмотря на название noVAE, в README не утверждается, что VAE не нужен для этой версии. На крупных разрешениях возможны искажения и дублирование объектов, а некоторые позы могут генерироваться некорректно. Модель распространяется по лицензии CreativeML OpenRAIL-M.

frankjoshua/realvisxlV40_v40Bakedvae — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face и основанная на RealVisXL V4.0 от SG161222. Она предназначена для создания фотореалистичных изображений людей, сцен и объектов по промптам. Модель совместима с Diffusers и StableDiffusionXLPipeline, распространяется в формате Safetensors и содержит около 3 млрд параметров. Это чекпойнт семейства Stable Diffusion XL с встроенным VAE; основной сценарий — text-to-image генерация с использованием SDXL-инструментов, включая Diffusers, ComfyUI и совместимые локальные приложения. Язык промптов явно не указан в доступных метаданных. Сильная сторона модели — ориентация на реалистичную визуальную стилистику и детализированные изображения. Ограничения включают зависимость качества от промпта, параметров сэмплирования и аппаратных ресурсов; модель не является универсальной мультимодальной системой и не предназначена для распознавания или анализа изображений. Для семейства RealVisXL V4.0 указана лицензия CreativeML Open RAIL++/openrail++; перед коммерческим применением необходимо проверить условия лицензии конкретного репозитория.

Карточка модели ollienicklin/RealVisXL_V5.0 на Hugging Face совпадает с карточкой SG161222/RealVisXL_V5.0, поэтому описание составлено по ней. RealVisXL V5.0 — модель генерации изображений по текстовому описанию от автора SG161222, ориентированная на фотореализм. Она может создавать изображения по промптам, в том числе обычного и откровенного содержания. В метаданных указаны пайплайн StableDiffusionXLPipeline и форматы Diffusers и Safetensors. Для генерации автор рекомендует сэмплеры DPM++ SDE Karras или DPM++ 2M Karras с указанным числом шагов, а для увеличения разрешения — Hires Fix с низкой силой шумоподавления. Среди ограничений отмечены возможные ошибки анатомии и лиц, включая кисти и симметрию черт. Лицензия — OpenRAIL++; применяйте модель с учётом её условий.

ReGround Qwen2.5-VL-7B — мультимодальная модель SESPOIR для визуальных рассуждений. Она дообучена в два этапа на основе Qwen/Qwen2.5-VL-7B-Instruct: полное supervised fine-tuning на структурированных траекториях рассуждений, затем оптимизация GRPO для поведения самодиагностики и повторного изучения изображения. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; при необходимости она может запросить повторную подачу исходного изображения через контроллер инференса. Модель подходит для вопросов по изображениям и сценариев, где полезно перепроверить визуальные данные перед ответом. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; нативный контекст — 128 000 токенов. В метаданных указан английский язык. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Модель может ошибаться в рассуждениях и ответах, а также запрашивать повторную проверку изображения без необходимости. Для важных решений ответы следует независимо проверять.

Модель zeromodels/res2net50_48w_2s_in1k — реализация на Keras 3 модели Res2Net-50 48w 2s, основанная на чекпойнте timm/res2net50_48w_2s.in1k. Её разработчик — zeromodels; архитектура Res2Net описана в статье «Res2Net: A New Multi-scale Backbone Architecture». Модель представляет многомасштабные признаки внутри остаточных блоков и доступна как классификатор изображений и как backbone для извлечения признаков. Классификатор выдаёт логиты классов, а вариант backbone — признаки, включая многоуровневые признаки этапов сети. Реализация работает через Keras 3 с бэкендами TensorFlow, Torch или JAX. Она предназначена для классификации изображений и использования в качестве основы компьютерного зрения. Лицензия в метаданных указана как неизвестная; README отсылает к YAML карточки и отмечает, что она обычно соответствует лицензии исходного чекпойнта.

ResNet50.gluon_in1k — сверточная модель классификации изображений из библиотеки timm, построенная на архитектуре ResNet с остаточными связями. Её разработала команда timm; модель обучена на ImageNet-1k с использованием Apache Gluon и рецептов Bag of Tricks. Она содержит 25,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации объектов на изображениях и может использоваться как основа для извлечения признаковых карт и получения эмбеддингов изображений. Архитектура использует активации ReLU, свёртку 7 × 7 с пулингом и проекционные связи с свёртками 1 × 1 для уменьшения размерности. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Модель подходит для распознавания распространённых категорий объектов из ImageNet-1k и как визуальный бэкбон в компьютерном зрении. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий. Качество классификации ограничено категориями и распределением данных ImageNet-1k; в карточке не заявлена оценка для других наборов данных.

ResNetRS-152 — сверточная модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-1k с использованием TensorFlow. В модели 86,6 млн параметров; она использует активации ReLU, начальную свёртку 7×7 с пулингом и проекции 1×1 в обходных соединениях. Для тестирования применяется размер изображения 320×320 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k, а также может служить сверточной основой для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Классификатор обучен на ImageNet-1k, поэтому его классы и качество за пределами этого набора данных могут не соответствовать конкретной предметной области. Для других задач модель может потребовать адаптации.

RobustSAM ViT-L — версия модели RobustSAM для сегментации изображений с ухудшенным качеством. Она разработана авторами проекта RobustSAM на основе Segment Anything Model (SAM) и предназначена для улучшения сегментации при низком качестве изображения с сохранением работы по подсказкам и обобщения на новые данные. Модель состоит из визуального ViT-кодировщика, кодировщика подсказок, трансформерного декодера масок и модуля Neck. В репозитории указана реализация через Transformers; веса представлены в формате safetensors. Модель принимает изображение и подсказки в виде точек, ограничивающей рамки или маски сегментации и выдаёт маски объектов с оценками качества. Также она поддерживает автоматическую генерацию масок по сетке из 1024 точек. Текстовые подсказки официальной реализацией не поддерживаются. Авторы сообщают об улучшении сегментации на изображениях с разными искажениями и о пользе для последующих задач устранения дымки и размытия. Лицензия — MIT.

zeromodels публикует порт SAM 2.1 Hiera Small на Keras 3 для сегментации объектов по подсказкам на одиночных изображениях. Модель принимает координаты точек и, при соответствующей настройке, рамки; архитектура использует backbone Hiera-S и FPN neck. Реализация работает с бэкендами TensorFlow, PyTorch и JAX. Модель подходит для выделения объектов по пользовательским указаниям, например при разметке изображений. Этот порт поддерживает только обработку изображений: у него нет видеопамяти и переноса масок между кадрами. Лицензия — Apache 2.0.

Photoreal Real v2 — модель генерации изображений на базе Stable Diffusion 1.5, дообученная для создания фотореалистичных изображений по текстовому описанию. Её можно использовать для генерации реалистичных иллюстраций и художественных изображений; автор также упоминает возможность тестирования на мобильном устройстве. Модель распространяется в форматах Diffusers и PyTorch и рассчитана на текстовый ввод с изображением на выходе. Поддержка английского языка указана в метаданных. Лицензия — GPL-3.0.

SDXL-Turbo — генеративная модель Stability AI для быстрого создания изображений по текстовому описанию. Она основана на SDXL 1.0 Base и обучена методом Adversarial Diffusion Distillation для генерации за один или несколько шагов; обычно достаточно одного прохода модели. Поддерживаются рабочие процессы text-to-image и image-to-image, в том числе через Diffusers. Предпочтительный размер изображения — 512×512 пикселей. Модель подходит для творческих инструментов, дизайна, создания иллюстраций и исследования генерации изображений в реальном времени. Она не предназначена для создания достоверных изображений реальных людей или событий. Генерация текста внутри изображения ненадёжна, лица и люди могут получаться некорректно, а фотореализм не гарантирован. Лицензия указана как other; README описывает использование для некоммерческих и исследовательских целей и отсылает за условиями коммерческого применения к отдельным правилам Stability AI.

Segment-Anything-Model от Qualcomm — реализация модели сегментации изображений SAM на основе архитектуры Transformer с энкодером ViT-L и лёгким декодером масок. Пользователь задаёт точку или маску в качестве подсказки, а модель выделяет соответствующий объект на изображении без дополнительного обучения для каждого объекта. Репозиторий предназначен для запуска и развёртывания модели на устройствах Qualcomm, включая Android. В README приведены варианты экспорта ONNX и TensorFlow Lite и измерения производительности декодера на Samsung Galaxy S23 с Snapdragon 8 Gen 2; указано разрешение входа 720p. Полный чекпойнт SAM использует ViT-L, а приведённые размер и число параметров относятся только к SAMDecoder: 19,6 МБ и 5,11 млн параметров. Модель подходит для интерактивного выделения объектов и локальной обработки изображений на мобильных устройствах. Качество масок зависит от входного изображения и выбранных подсказок; README не сообщает языковых возможностей, поскольку модель работает с изображениями. Лицензия репозитория — Apache-2.0.

Siddhanto — модель Казала Чандры Бармана для принятия решений по разговорным текстам на бенгальском, английском и бенглиш, то есть романизированном бенгальском и смешанной речи. Она дообучена на базе convaiinnovations/laya-multilingual: кодировщика mmBERT-base с 322 млн параметров. Вместо фиксированного набора классов модель принимает вопрос и варианты ответа, заданные при запросе, и возвращает распределение вероятностей по этим вариантам. Динамическая двухслойная голова оценки вариантов поддерживает типизированные интерфейсы choice, noul и score. Модель предназначена для классификации намерений и маршрутизации сообщений, в том числе в задачах поддержки, электронной коммерции и туристических сервисов. В README описаны обучение на примерно 268 тысячах примеров, калибровка вероятностей и оценки на знакомых и новых схемах и доменах. На реальных сообщениях и незнакомых данных точность ниже, чем на синтетических примерах; специализированные модели могут превосходить её в своей узкой области. Большие списки вариантов расходуют бюджет головы в 1024 токена. Лицензия — Apache-2.0.

TensorArt Stable Diffusion 3.5 Medium Turbo (SD3.5M Turbo) — модель генерации изображений по текстовому описанию, разработанная TensorArt и дистиллированная на основе Stability AI Stable Diffusion 3.5 Medium. Она предназначена для создания художественных изображений в широком диапазоне стилей, включая фотореализм и абстрактную графику, а также для творческих сценариев, где важны высокая скорость генерации и возможность обработки большого числа запросов. Модель поддерживает text-to-image и рассчитана на работу с английскими текстовыми запросами. В README не указаны точный размер модели, архитектурные параметры, максимальная длина контекста и перечень других модальностей. Заявлены высокая детализация и качество изображений, а также эффективная генерация за небольшое число шагов: в примерах используются 4–8 шагов инференса. Доступны checkpoint и LoRA-варианты; интеграция с LoRA упрощает настройку и эксперименты с моделью. Для работы рекомендованы Python 3.8+, PyTorch 2.0+ и библиотеки семейства diffusers, поддерживается использование через ComfyUI. К сильным сторонам относятся высокая скорость, универсальность по художественным стилям, детализированный вывод и возможность кастомизации через LoRA. Ограничения модели, включая типичные артефакты генерации и требования к вычислительным ресурсам, в README не описаны. Модель распространяется по лицензии Stability AI Community License; точные условия следует уточнять в файле LICENSE.md репозитория.

crynux-network/stable-diffusion-v1-5 — модель для генерации изображений по текстовому описанию, опубликованная на Hugging Face в формате библиотеки Diffusers. По идентификатору репозитория она относится к семейству Stable Diffusion версии 1.5, однако разработчик, архитектурные характеристики и параметры модели в доступной карточке не описаны. Модель предназначена для сценариев text-to-image: создания изображений по промптам, прототипирования визуальных идей и использования в приложениях на базе StableDiffusionPipeline. Метаданные указывают на совместимость с Diffusers и форматом safetensors. Лицензия и сведения о языках, размере, длине контекста, обучающих данных и результатах оценки в предоставленных источниках отсутствуют.

Карточка модели Mattral/tabfm-1.0.0-pytorch на Hugging Face совпадает с карточкой google/tabfm-1.0.0-pytorch, поэтому описание составлено по ней. TabFM 1.0.0 — табличная foundation-модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch и использует библиотеку tabfm. Модель работает с числовыми и категориальными столбцами, принимает обучающие примеры как контекст и выдаёт прогноз за один проход без дообучения на конкретном наборе данных и подбора гиперпараметров. Архитектура сочетает внимание между столбцами и строками с 24-блочным причинным ICL-трансформером; в карточке также указана размерность эмбеддингов 256. TabFM предназначена для бинарной и многоклассовой классификации до 10 классов, а также регрессии. Данные можно передавать в виде pandas DataFrame или массивов NumPy. Модель обучалась на синтетических наборах, сгенерированных структурными причинными моделями; оценка на TabArena охватывала 51 набор данных. Лицензия указана как other, а README исключает коммерческое использование. Модель не предназначена для изображений, аудио, видео и текста; качество на конкретных предметных областях и редких распределениях не полностью охарактеризовано.

TEMPO — модель временных рядов, разработанная авторами исследовательского проекта TEMPO и представленная в статье ICLR 2024. Она использует предварительно обученный трансформер GPT-2 как основу и предназначена для прогнозирования временных рядов, в том числе в режиме zero-shot на новых данных. В карточке указано около 80 млн параметров; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель рассчитана на прогнозирование временных рядов и поддерживает zero-shot эксперименты на ETTh2 и пользовательских наборах данных. README также описывает эксперименты с текстовым контекстом для временных рядов, включая данные компаний из S&P 500, однако мультимодальное обучение обозначено как будущая функция. Язык английский указан в метаданных карточки, но основной вход модели — временные ряды, поэтому естественный язык не является её основной модальностью. Модель может быть полезна для исследования и построения прогнозов по пользовательским временным рядам. README отмечает, что вероятностное прогнозирование и мультимодальное предобучение пока относятся к планируемым возможностям; показатели качества и длина контекста в предоставленных материалах не приведены.

TreeVGR-7B — мультимодальная модель для визуального рассуждения с привязкой выводов к областям изображения, представленная авторами работы Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и предназначена для вопросов по изображениям, локализации объектов и объяснения ответов с проверяемыми визуальными свидетельствами. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявленный контекст — 128 000 токенов. Обучение сочетает supervised fine-tuning и обучение с подкреплением; авторы сообщают об улучшении результатов на V* Bench, MME-RealWorld и TreeBench. Репозиторий содержит веса Safetensors, используется библиотека Transformers. TreeVGR ориентирована на сложные сцены с множеством объектов, тонкие визуальные детали, пространственные отношения и взаимодействия объектов. В README описан локальный демонстрационный запуск на TreeBench; для установки требуются зависимости проекта и FlashAttention. Лицензия — Apache 2.0. Ограничение: заявленные результаты относятся к указанным визуальным бенчмаркам; README не приводит подробностей о качестве на других типах изображений или языках.