IV.1Ритейл, электронная коммерция и fashion-tech

repvit_m0_9.dist_450e_in1k — модель классификации изображений семейства RepViT, обученная авторами статьи на ImageNet-1k с дистилляцией. Репозиторий распространяется для библиотеки timm в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель содержит 5,5 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 0,8 GMAC. Её можно использовать для классификации изображений, а также как визуальную основу для извлечения карт признаков и эмбеддингов. Карточка не указывает специализированную предметную область или поддержку других размеров входного изображения.

timm/resnet18d.ra2_in1k — свёрточная модель семейства ResNet-D для классификации изображений, опубликованная разработчиками timm. Она обучена на ImageNet-1k по рецепту RA2 с RandAugment, оптимизатором RMSProp, усреднением весов EMA и ступенчатым расписанием скорости обучения. Архитектура использует активации ReLU, трёхслойный блок начальных свёрток 3×3 с пулингом и shortcut-соединения с усредняющим пулингом 2×2 и свёрткой 1×1. Модель содержит 11,7 млн параметров и предназначена для классификации изображений; также её можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. При обучении использовались изображения 224×224, для тестирования — 288×288. Репозиторий доступен в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель подходит для классификации изображений общего назначения и получения визуальных признаков в приложениях компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классификационные возможности связаны с этим набором данных; README не описывает специализированные предметные области или поддержку других типов входных данных.

zeromodels/sam2_hiera_tiny — веса модели SAM 2 Hiera Tiny в формате Keras 3, опубликованные zeromodels как зеркало исходной модели. Модель предназначена для сегментации изображений по подсказкам: она выделяет объекты и формирует для них маски. В README указан класс SAM2PromptableSegment, а метаданные относят модель к задаче mask-generation и формату TensorFlow. Репозиторий распространяется по лицензии Apache-2.0. Это перенос весов в экосистему Keras 3; сам README описывает его как зеркало исходной модели. Размер модели и поддерживаемые виды подсказок в предоставленных сведениях не указаны.

Shuttle Jaguar — модель генерации изображений по текстовому описанию, разработанная ShuttleAI. Она предназначена для создания эстетичных, кинематографичных и реалистичных изображений по промптам, включая сценарии локального запуска через Diffusers или ComfyUI, а также использования через API ShuttleAI. Согласно README, изображение можно получить за четыре шага диффузионного процесса. Модель распространяется как pipeline для библиотеки Diffusers и основана на shuttleai/shuttle-3-diffusion. Доступны варианты в форматах bfloat16, FP8 и GGUF, оптимизированные для различного оборудования. В примере указана генерация изображений размером 1024×1024, максимальная длина последовательности — 256 токенов, guidance scale — 3.5. Поддерживаемый язык — английский. README не содержит сведений о точной архитектуре и количестве параметров, а также об ограничениях качества или безопасности. Модель лицензирована по Apache License 2.0.

SpatialThinker-7B — мультимодальная модель Hunar Batra и соавторов из Оксфордского университета и Калифорнийского университета в Санта-Крузе для пространственного анализа изображений. Она основана на Qwen2.5-VL-7B-Instruct и дообучена методом GRPO с плотными пространственными наградами на наборе STVQA-7K из 7 587 примеров. Модель принимает изображения и текстовые вопросы, строит ориентированный на вопрос граф сцены с объектами, рамками и отношениями, а затем формирует текстовый ответ. Модель рассчитана на девять типов пространственных задач: отношения между объектами, досягаемость, размер, ориентацию, местоположение экземпляров, глубину, расстояние, подсчёт и определение наличия объектов. Имеет 7,1 млрд параметров и контекст до 128 000 токенов; формат весов — safetensors. В карточке заявлено превосходство над GPT-4o на бенчмарках пространственного понимания при обучении на небольшом наборе данных. Это заявление относится к результатам авторов и не гарантирует качество на других задачах. Лицензия — Apache-2.0.

Карточка модели OX-PIXL/SpatialThinker-7B на Hugging Face совпадает с карточкой hunarbatra/SpatialThinker-7B, поэтому описание составлено по ней. SpatialThinker-7B — мультимодальная модель Hunar Batra и соавторов из Оксфордского университета и Калифорнийского университета в Санта-Крузе для пространственного анализа изображений. Она основана на Qwen2.5-VL-7B-Instruct и дообучена методом GRPO с плотными пространственными наградами на наборе STVQA-7K из 7 587 примеров. Модель принимает изображения и текстовые вопросы, строит ориентированный на вопрос граф сцены с объектами, рамками и отношениями, а затем формирует текстовый ответ. Модель рассчитана на девять типов пространственных задач: отношения между объектами, досягаемость, размер, ориентацию, местоположение экземпляров, глубину, расстояние, подсчёт и определение наличия объектов. Имеет 7,1 млрд параметров и контекст до 128 000 токенов; формат весов — safetensors. В карточке заявлено превосходство над GPT-4o на бенчмарках пространственного понимания при обучении на небольшом наборе данных. Это заявление относится к результатам авторов и не гарантирует качество на других задачах. Лицензия — Apache-2.0.

Swin Transformer V2 Small — модель компьютерного зрения семейства Vision Transformer, разработанная авторами Swin Transformer V2 и представленная в статье Liu et al. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений по 1000 классам этого набора данных; также может служить основой для плотных задач распознавания после соответствующей адаптации. Модель строит иерархические карты признаков, объединяя патчи на более глубоких уровнях, и выполняет внимание внутри локальных окон. Версия V2 использует residual post-norm с cosine attention, непрерывное смещение позиций для переноса на более высокие разрешения и метод самоконтролируемого предобучения SimMIM. Размер модели — около 33 млн параметров; предобучение выполнено на изображениях разрешением 256×256. Для практического применения модель принимает изображение и выдаёт метки классов ImageNet. Она подходит для базовой классификации и как визуальный backbone для дальнейшей настройки. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Для задач, отличных от классификации, потребуется соответствующая донастройка или другая модельная голова.

tagasenti_model v6 — это дообученная jjjardev модель XLM-RoBERTa-large для трёхклассовой классификации тональности текстов на тагальском языке и таглише, включая переключение между тагальским и английским. Она определяет отрицательную, нейтральную или положительную тональность отзывов, комментариев и других коротких текстов. Модель содержит 658,7 млн параметров по метаданным, использует архитектуру XLM-RoBERTa для классификации последовательностей и имеет контекст длиной 514 токенов по метаданным; README указывает усечение входов до 128 токенов. Модель обучена на датасете TagaSenti v6, объединяющем реальные и дополненные примеры. В README указаны точность 84,8% и macro-F1 0,848 на отложенном тесте для тагальского; перенос на хилигайнон заметно слабее. В репозитории также есть динамически квантованная INT8-версия ONNX для развёртывания на CPU и устройствах без PyTorch. Модель распространяется по лицензии Apache-2.0. Она подходит для анализа отзывов и комментариев, мониторинга пользовательских мнений и исследования тональности в низкоресурсных языках и код-свитчинге. Модель выдаёт только три грубых класса: она не определяет отдельные эмоции или тональность аспектов. README отмечает ошибки на идиомах, отсутствие калибровки уверенности и риск усечения длинных текстов; для серьёзных решений требуется проверка человеком.

tinynet_a.in1k — компактная модель компьютерного зрения семейства TinyNet, представленная авторами статьи «Model Rubik’s Cube: Twisting Resolution, Depth and Width for TinyNets» и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 6,2 млн параметров, требует примерно 0,3 GMAC на проход и рассчитана на входные изображения размером 192 × 192 пикселя. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы используется библиотека timm. Компактный размер и низкая вычислительная стоимость подходят для классификации изображений при ограниченных ресурсах. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; для специализированных категорий может потребоваться адаптация. Лицензия репозитория — Apache-2.0.

tinynetc.in1k — компактная модель классификации изображений из семейства TinyNet, опубликованная авторами статьи и обученная на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone: модель может извлекать карты признаков и эмбеддинги изображений. Модель содержит около 2,5 млн параметров, требует изображения размером 184 × 184 пикселя и имеет вычислительную сложность около 0,1 GMAC. Небольшой размер делает её подходящей для сценариев, где важны низкие вычислительные затраты; качество и классы классификации связаны с обучением на ImageNet-1k. Доступны веса PyTorch и SafeTensors, библиотека timm. Лицензия — Apache-2.0.

tiny-sd — облегчённый конвейер генерации изображений по текстовому описанию, разработанный Segmind. Модель получена дистилляцией SG161222/Realistic_Vision_V4.0 на подмножестве recastai/LAION-art-EN-improved-captions и распространяется в формате Diffusers/PyTorch. Для обучения указаны 125 000 шагов, разрешение 512 пикселей, fp16 и пакет 32 примера; авторы сообщают об ускорении до 80% относительно базовых моделей SD 1.5 на A100 80GB. Модель предназначена для быстрого создания изображений по текстовым промптам. В карточке показан сценарий использования через StableDiffusionPipeline из библиотеки Diffusers. Лицензия — CreativeML OpenRAIL-M, её условия следует учитывать при использовании и распространении результатов.

Карточка модели cavargas10/TRELLIS на Hugging Face совпадает с карточкой microsoft/TRELLIS-image-large, поэтому описание составлено по ней. TRELLIS Image Large — модель генерации 3D-объектов по изображению, основанная на проекте TRELLIS. Она принимает изображение как условие и предназначена для создания трёхмерного представления объекта. Модель представлена в исследовательской работе «Structured 3D Latents for Scalable and Versatile 3D Generation». В метаданных указаны библиотека TRELLIS, формат весов Safetensors и лицензия MIT. Карточка описывает вариант TRELLIS с большим размером, но не приводит число параметров, детали архитектуры, сведения о поддерживаемых языках или ограничения качества.

Карточка модели Mordrag/trellis2-gguf-q4 на Hugging Face совпадает с карточкой ilintar/trellis2-gguf, поэтому описание составлено по ней. ilintar/trellis2-gguf — набор весов TRELLIS.2, преобразованный в формат GGUF для запуска через trellis.cpp, автономную среду C++/GGML с поддержкой CUDA и Vulkan, а также через Lemonade как медиа-бэкенд GGML. Модель предназначена для преобразования изображения в 3D-объект. Репозиторий содержит компоненты полного конвейера: DINOv3, блоки потока и декодирования разреженной структуры, формы и текстур для разрешений 512 и 1024, а также опциональный BiRefNet для удаления фона. GGUF — формат поставки весов; README указывает исходную модель TRELLIS.2, но не сообщает её идентификатор или точную лицензию, отсылая к лицензии исходной модели.

chibifire/TRELLIS-image-large — зеркало крупной модели TRELLIS Image Large, разработанной Microsoft. Модель по одному изображению генерирует 3D-ассет; репозиторий содержит конфигурацию пайплайна и контрольные точки преобразователей потоков для разреженной структуры и структурированных латентных представлений, а также энкодеры и декодеры. Декодеры формируют 3D-гауссианы, радиационные поля и сетки. Модель предназначена для создания 3D-объектов по изображению с использованием кода проекта TRELLIS. В репозитории веса представлены в формате safetensors. Лицензия — MIT. Для запуска требуется пайплайн и код TRELLIS.

Карточка модели Surn/TRELLIS-image-large на Hugging Face совпадает с карточкой microsoft/TRELLIS-image-large, поэтому описание составлено по ней. TRELLIS Image Large — модель генерации 3D-объектов по изображению, основанная на проекте TRELLIS. Она принимает изображение как условие и предназначена для создания трёхмерного представления объекта. Модель представлена в исследовательской работе «Structured 3D Latents for Scalable and Versatile 3D Generation». В метаданных указаны библиотека TRELLIS, формат весов Safetensors и лицензия MIT. Карточка описывает вариант TRELLIS с большим размером, но не приводит число параметров, детали архитектуры, сведения о поддерживаемых языках или ограничения качества.

VisioniX Alpha — модель генерации изображений по текстовому описанию, созданная ehristoforu на основе Stable Diffusion XL Base 1.0. Она дообучена на реалистичных изображениях и предназначена для создания фотореалистичных сцен, портретов и детализированного художественного изображения с вниманием к общей эстетике и анатомии. Модель рассчитана на широкий круг задач генерации изображений. В карточке рекомендуются 22–25 шагов инференса, CFG 5–7 и сэмплеры DPM++ 3M SDE (Karras) или DPM++ SDE (Karras). Репозиторий использует Diffusers и формат SafeTensors. Лицензия — CreativeML OpenRAIL-M.

Это компактная модель Vision Transformer (ViT) для классификации изображений и извлечения признаковых представлений. Её обучили авторы исследований о масштабировании и регуляризации ViT на ImageNet-21k с дополнительной аугментацией и регуляризацией; затем Ross Wightman перенёс веса в PyTorch для библиотеки timm. Модель содержит около 9,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображениям классов ImageNet-21k и получения признаковых представлений, которые можно использовать в компьютерном зрении. Архитектура разбивает изображение на патчи 16 × 16 и обрабатывает их трансформером. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Модель предназначена для изображений и не обрабатывает текстовые запросы как мультимодальная система. Её качество и область распознавания связаны с обучением на ImageNet-21k; описание не приводит результатов для других наборов данных или прикладных областей.

Z-Image Base GGUF — это квантизированная в формате GGUF версия модели Tongyi-MAI/Z-Image, разработанной командой Alibaba Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на использование в ComfyUI через расширение ComfyUI-GGUF. Она подходит для сценариев text-to-image, где важны поддержка CFG, negative prompts и LoRA. Модель построена на архитектуре Lumina2 на базе DiT и содержит около 6 млрд параметров. Это non-distilled-версия, для которой рекомендуется использовать 28–50 шагов генерации. Доступны варианты z_image_base_Q8_0.gguf размером 6,8 ГБ с ориентировочной потребностью в 7–8 ГБ VRAM и BF16-размером 12,4 ГБ с потребностью примерно в 13 ГБ VRAM; вариант Q8_0 обеспечивает лучшее соотношение размера и качества, тогда как BF16 соответствует исходному представлению. Языки, максимальный контекст и другие модальности в представленных данных не указаны. Модель распространяется по лицензии Apache 2.0, как и исходная Z-Image. Для работы требуются ComfyUI и пользовательские узлы ComfyUI-GGUF; файл модели размещается в каталоге моделей UNet и загружается через специальный узел. Ключевые ограничения связаны с необходимостью совместимого окружения ComfyUI и достаточного объёма видеопамяти, а также с тем, что квантизация может влиять на качество по сравнению с исходной моделью.

unsloth/Z-Image-Turbo-GGUF — это GGUF-квантизированная версия модели Z-Image-Turbo, разработанной Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и относится к семейству эффективных моделей генерации изображений на основе single-stream Diffusion Transformer. Версия подготовлена с использованием методологии Unsloth Dynamic 2.0, в рамках которой наиболее важные слои переводятся в более высокую точность для сохранения качества. Модель содержит около 6 млрд параметров и ориентирована на быстрый инференс: исходная Z-Image-Turbo является дистиллированной версией, рассчитанной на 8 шагов вычисления, с заявленной задержкой менее секунды на H800 и возможностью работы на потребительских устройствах с 16 ГБ видеопамяти. Сильные стороны включают фотореалистичную генерацию, следование инструкциям и рендеринг текста на английском и китайском языках. В представленном README сведения о точных требованиях к запуску GGUF-файла, поддерживаемых разрешениях и ограничениях качества не указаны. Модель распространяется по лицензии Apache-2.0. Она подходит для локальной генерации изображений, прототипирования визуального контента и приложений text-to-image, однако конкретные языковые возможности и характеристики относятся к базовой Z-Image-Turbo, тогда как для GGUF-версии влияние выбранного уровня квантизации на качество отдельно не описано.

Z-Image-Turbo-Realism-LoRA — это лёгкий LoRA-адаптер, разработанный suayptalha для базовой модели Z-Image-Turbo от Tongyi-MAI. Адаптер дообучен на отобранной подвыборке датасета CC12M с реалистичными изображениями и предназначен для генерации высококачественных ультрареалистичных изображений по текстовым описаниям. Модель подходит для создания реалистичных портретов, сцен, предметных и кинематографичных изображений с детализированными текстурами, освещением и атмосферой. Для активации нужного стиля рекомендуется использовать триггерное слово Realism. Это именно адаптер, поэтому его необходимо применять совместно с базовой моделью Z-Image-Turbo; заявлена совместимость с конвейерами Hugging Face diffusers. Архитектура, размер адаптера, поддерживаемые языки, модальности помимо text-to-image и максимальная длина контекста в README не указаны. К сильным сторонам относятся специализация на реалистичной визуальной стилистике, единообразный характер генерации и небольшой объём LoRA-адаптера по сравнению с полной моделью. Ограничение заключается в зависимости от базовой Z-Image-Turbo и необходимости корректно подключать адаптер и использовать триггерное слово. Модель распространяется по лицензии Apache-2.0.

Карточка модели rmaser/aloe-siglip2-base-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

Карточка модели arabago96/ASM-model на Hugging Face совпадает с карточкой microsoft/TRELLIS-image-large, поэтому описание составлено по ней. TRELLIS Image Large — модель генерации 3D-объектов по изображению, основанная на проекте TRELLIS. Она принимает изображение как условие и предназначена для создания трёхмерного представления объекта. Модель представлена в исследовательской работе «Structured 3D Latents for Scalable and Versatile 3D Generation». В метаданных указаны библиотека TRELLIS, формат весов Safetensors и лицензия MIT. Карточка описывает вариант TRELLIS с большим размером, но не приводит число параметров, детали архитектуры, сведения о поддерживаемых языках или ограничения качества.

AWPortrait-Z — это LoRA-адаптер для генерации портретов и изображений в эстетике beauty на базе Tongyi-MAI/Z-Image-Turbo. Модель опубликована под идентификатором Shakker-Labs/AWPortrait-Z; в разделе благодарностей указано, что релиз выполнен DynamicWang. Адаптер предназначен для text-to-image-сценариев, в которых важны реалистичная кожа, естественное освещение и разнообразие внешности. По заявлению авторов, он уменьшает характерный для базовой модели мелкозернистый шум и высокочастотные артефакты на коже, смягчает чрезмерный HDR-эффект, восстанавливает контраст и насыщенность, а также улучшает отображение искусственного студийного света. Дополнительно заявлено расширение представленности разных этнических особенностей лица. Архитектура, размер, поддерживаемые языки, максимальный контекст и точные параметры использования в README не указаны. Ограничения качества и совместимости также не описаны; результат зависит от базовой модели Z-Image-Turbo и настроек применения LoRA. Модель распространяется по лицензии Apache-2.0.

BAAR4-IMG-335M-Realistic4 — компактная модель генерации изображений по текстовому описанию, представленная автором репозитория aixk. В README заявлено около 335 млн параметров и нативное понимание запросов на 20 языках без отдельного перевода. Модель предназначена для запуска в браузере и на мобильных или периферийных устройствах, включая сценарии с WebGPU, WebAssembly и INT8-квантизацией. Модель ориентирована на создание фотореалистичных изображений. Для генерации автор рекомендует разрешение 512×512 и 15–25 шагов с планировщиками Euler A или DPM++ 2M Karras. Репозиторий содержит файлы Diffusers и safetensors; эти сведения не подтверждают, что опубликованные веса уже квантованы. Лицензия обозначена как некоммерческая; для коммерческого использования требуется связаться с автором. В README нет независимых оценок качества или подробностей об архитектуре, поэтому заявления о качестве и поддержке устройств следует считать авторскими.

ZhengPeng7/BiRefNet-HRSOD — официальные веса BiRefNet, разработанной авторами из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Модель предназначена для высокодетального обнаружения заметных объектов (High-Resolution Salient Object Detection, HRSOD) и сегментации таких объектов на изображениях. Она обучена на наборах DUTS, HRSOD и UHRSD; архитектура указана как BiRefNet. Модель принимает изображения и выдаёт сегментационные маски. Репозиторий распространяет веса в формате safetensors, библиотека для работы — birefnet. Лицензия — MIT. В карточке не приведены конкретные ограничения качества или условия эксплуатации помимо лицензии.

Pardhiv17/bizinsight-complaint-embedder — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2 для кодирования текстов обращений в плотные векторы. Она принимает предложения и короткие абзацы, формирует 768-мерные эмбеддинги и сравнивает их по косинусному сходству; архитектура включает MPNet, усредняющий pooling и нормализацию. Модель подходит для семантического поиска и сопоставления жалоб, например для поиска похожих обращений в базе знаний или группировки сообщений по смыслу. Обучение проведено на 5 000 примерах с BatchHardTripletLoss. Максимальная длина последовательности в README — 384 токена; в метаданных указано нативное окно контекста 514 токенов. Модель обрабатывает текст и возвращает векторы, не предназначена для генерации ответов. Лицензия в предоставленных данных не указана.

Bunny-v1.1-4B — компактная мультимодальная модель семейства Bunny, разработанная командой Bunny. Она сочетает визуальный энкодер SigLIP с языковой моделью Phi-3-mini-4k-instruct и использует S²-Wrapper. Модель предназначена для диалога по изображениям: пользователь может задавать вопросы о визуальном содержимом и получать текстовые ответы. Поддерживается разрешение изображений до 1152×1152 пикселей; размер модели составляет 3,7 млрд параметров, контекст — 4096 токенов. Модель ориентирована на прикладные сценарии визуального понимания при умеренных вычислительных ресурсах. Карточка описывает семейство как лёгкое и отмечает использование отобранных обучающих данных, однако независимые показатели качества не приведены. Репозиторий содержит веса Safetensors и заявлен pipeline text-generation; для задач по изображениям требуется соответствующий мультимодальный способ подачи входа. Лицензия — Apache 2.0.

CogVideoX-Fun-5b-InP — разработанная Alibaba PAI модель генерации видео по изображению на основе архитектуры CogVideoX и Video Diffusion Transformer. Она создаёт видеоклип, используя исходное изображение и текстовое описание движения или сцены; авторская карточка также описывает поддержку генерации примерно шестисекундных роликов длительностью до 49 кадров при 8 кадрах в секунду. Для семейства заявлена работа с разными разрешениями вплоть до 1024×1024 и обучение собственных базовых моделей и LoRA для переноса стиля. Модель предназначена для создания коротких видеороликов из изображений, творческих визуальных материалов и прототипов видео. В репозитории доступны веса в форматах Diffusers и Safetensors; для запуска README указывает среду с PyTorch и CUDA и ориентировочно 60 ГБ свободного места. Карточка сообщает о поддержке английского языка, а в планах проекта упоминается будущая поддержка китайского. Проект опубликован под Apache License 2.0, однако README отдельно указывает, что Transformer-модуль версии CogVideoX-5B распространяется по лицензии CogVideoX; условия использования весов следует сверять с этой лицензией. В описании приведены проверенные GPU-конфигурации и разрешения для семейства, но конкретный контекстный лимит не заявлен.

Это конвертированная в Core ML модель SAM 2 Large из семейства Segment Anything, разработанного FAIR. Она предназначена для сегментации изображений и видео по подсказкам и подходит для использования с демонстрационным приложением SAM2 Studio. Веса сохранены в формате Core ML с точностью float16 и распространяются по лицензии Apache-2.0. Модель принимает визуальные данные и формирует маски сегментации. Репозиторий представляет собой преобразование исходной модели для запуска в экосистеме Core ML; README не описывает дополнительные ограничения качества или поддерживаемые языки.

Карточка модели chili-raw/coreml-sam2-tiny на Hugging Face совпадает с карточкой apple/coreml-sam2-tiny, поэтому описание составлено по ней. Это конвертированная в Core ML версия SAM 2 Tiny — модели семейства Segment Anything от FAIR для сегментации изображений и видео по подсказкам. Репозиторий предназначен для использования в демонстрационном приложении SAM2 Studio. Модель принимает визуальные данные и создаёт маски объектов. Веса преобразованы из исходной модели в формат Core ML с точностью float16; метаданные указывают задачу генерации масок. Лицензия — Apache 2.0.