IV.9Медиа, журналистика, культура, архивы и игры

timm/resnetv2_34.ra4_e3600_r224_in1k — модель классификации изображений семейства ResNet, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone и извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,8 млн параметров и требует 3,7 GMACs; размер изображения при обучении составлял 224×224, при тестировании — 288×288. Обучение использовало гиперпараметры, вдохновлённые MobileNet-V4 Small и подходами timm и «ResNet Strikes Back». Доступны веса PyTorch и safetensors. Подходит для распознавания объектов из ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Модель принимает изображения и выдаёт классы либо признаки. Лицензия — Apache-2.0.

ResNeXt-50 32x4d Gluon IN1k — сверточная модель классификации изображений из библиотеки timm, разработанная на основе архитектуры ResNeXt и обученная на ImageNet-1k по рецептам Bag of Tricks в Apache Gluon. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 25 млн параметров, использует ReLU, начальную свертку 7×7 с пулингом, групповые свертки 3×3 в bottleneck-блоках и проекции 1×1 в shortcut-соединениях. Рекомендуемый размер входного изображения — 224×224. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель рассчитана на распознавание объектов из ImageNet-1k; перенос на другие наборы классов или предметные области может потребовать дополнительного обучения. В карточке не приведены языковые возможности, поскольку модель обрабатывает изображения и выдаёт классы, а не текст.

RF-DETR Seg Large — модель сегментации отдельных объектов от Roboflow, относящаяся к семейству real-time detection transformer RF-DETR. Она построена на ViT-энкодере в стиле DINOv2 with registers с чередованием оконного и полного внимания, многомасштабном проекторе и декодере типа Deformable DETR с головкой предсказания масок. Модель обрабатывает изображение и для каждого обнаруженного объекта выдаёт маску, ограничивающую рамку и оценку класса. Чекпойнт обучен для 80 категорий объектов COCO 2017 и предназначен для сегментации экземпляров на изображениях, в том числе в сценариях компьютерного зрения, где нужно локализовать и разделить объекты по отдельности. Модель доступна в формате safetensors и интегрирована с библиотекой Transformers. Лицензия — Apache 2.0. Качество и область применения связаны с метками COCO: модель ориентирована на распознавание объектов из этого набора категорий, поэтому результаты для иных классов или специфичных предметных областей могут быть ограничены. В README не приведены численные показатели качества или скорости для этого чекпойнта.

SafeGuard-VL-RL — мультимодальная модель для оценки безопасности изображений, разработанная как часть исследования к статье CVPR 2026. Она дообучена методом GRPO на Qwen/Qwen2.5-VL-7B-Instruct и содержит 7,1 млрд параметров. Модель принимает изображение и текстовую политику безопасности, затем оценивает, соответствует ли изображение этой политике, и может объяснять основания оценки. Модель предназначена для контекстной модерации изображений с учётом заданных пользователем категорий и определений. Она также сохраняет возможности визуальных вопросов и ответов, а обучение заявлено как способствующее обобщению на незнакомые политики. Репозиторий использует Transformers и формат safetensors; заявленная длина контекста — 128 000 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. Автор предупреждает, что оценки зависят от формулировки политики и модель предназначена для исследований безопасности. Её не следует использовать как единственный арбитр безопасности контента в производственной системе без проверки человеком.

SegFormer B2 для семантической сегментации людей на изображениях: модель дообучена автором репозитория yolo12138 на наборе human_parsing_29_mix на основе mattmdjaga/segformer_b2_clothes. Она присваивает пикселям классы частей тела и одежды, включая волосы, лицо, руки, ноги, юбки и элементы верхней одежды. В оценке на тестовом наборе указаны Mean IoU 0,6023 и Overall Accuracy 0,9780. Модель подходит для анализа одежды и позиций частей тела на фотографиях, например для каталогизации изображений или подготовки масок сегментации. Метрики показывают неодинаковое качество по классам: для лица, волос, рук и брюк результаты высокие, тогда как для перчаток, очков, обуви, пальто и сумок низкие или нулевые. Репозиторий распространяется по лицензии MIT.

Swin Large Patch4 Window12 384 — модель компьютерного зрения семейства Swin Transformer, опубликованная Microsoft и предобученная на ImageNet-21k: 14 млн изображений и 21 841 класс. Она предназначена прежде всего для классификации изображений; иерархические карты признаков также позволяют использовать архитектуру как основу для задач плотного распознавания. Модель разбивает изображение на патчи и выполняет self-attention в локальных окнах, сдвигая окна между слоями. Это обеспечивает линейную сложность вычислений относительно размера изображения. Вариант обучался при разрешении 384×384. Карточка не сообщает число параметров и поддерживаемые естественные языки. Доступны веса PyTorch и TensorFlow. Для работы модели требуется изображение; результат классификации — метка класса. Модель предобучена на ImageNet-21k, поэтому её классы и качество на других наборах данных могут не соответствовать конкретному сценарию без дополнительной настройки. Лицензия — Apache-2.0.

Это модель классификации изображений на базе Swin Transformer V2, опубликованная авторами статьи и представленная в библиотеке timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 87,9 млн параметров и рассчитана на обработку изображений размером 384 × 384 пикселя. Модель предназначена для определения классов на изображениях; её также можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов в задачах компьютерного зрения. В README приведены вычислительные характеристики: 55,3 GMACs и 280,4 млн активаций. Веса доступны в форматах PyTorch и Safetensors и используют библиотеку timm. Лицензия — MIT. Модель специализирована на классификации изображений ImageNet и может хуже работать на изображениях из других областей или при существенно отличающемся разрешении; показатели качества в предоставленных материалах не приведены.

tf_efficientnet_b0.aa_in1k — сверточная модель семейства EfficientNet для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы EfficientNet на ImageNet-1k с применением AutoAugment в TensorFlow; Ross Wightman перенёс веса в PyTorch. Репозиторий timm предоставляет модель в форматах PyTorch и safetensors. Модель содержит около 5,3 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и может использоваться как классификатор или визуальный backbone для получения карт признаков и эмбеддингов. Она подходит для распознавания объектов и категорий из ImageNet-1k, а также как компактная основа для компьютерного зрения. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k; её классы и качество вне этого набора могут не соответствовать конкретным прикладным данным без дополнительной настройки.

tf_efficientnet_b1.aa_in1k — свёрточная модель EfficientNet для классификации изображений. Её обучили авторы оригинальных работ на ImageNet-1k с автоаугментацией, а Ross Wightman перенёс веса в PyTorch для библиотеки timm. Модель содержит около 7,8 млн параметров, использует изображения размером 240 × 240 пикселей и требует около 0,7 GMAC на проход. Помимо предсказания классов ImageNet, её можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Модель подходит для задач распознавания объектов из набора классов ImageNet и как компактный визуальный бэкбон. Она не предназначена для генерации изображений или понимания произвольных текстовых запросов. Распространяется по лицензии Apache-2.0.

tinyvit_5m_224.dist_in22k_ft_in1k — компактная модель TinyViT для классификации изображений и извлечения визуальных признаков, распространяемая в экосистеме timm. Она содержит около 5,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предварительно обучена на ImageNet-22k с дистилляцией, затем дообучена авторами статьи на ImageNet-1k. Модель подходит для классификации изображений, получения карт признаков и визуальных эмбеддингов, в том числе как лёгкая основа для компьютерного зрения. В README приведены примеры работы с классификацией и признаками; метаданные указывают pipeline image-classification и библиотеку timm. Модель принимает изображения и выдаёт метки классов либо визуальные признаки в зависимости от сценария использования. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Это компактный вариант Vision Transformer, однако документация не приводит оценки качества или сведения о других разрешениях, поэтому применимость вне указанного размера изображения стоит проверять отдельно.

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

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.

Это модель Vision Transformer для классификации изображений, обученная Alibaba MIIL на ImageNet-21k-P. Она также может использоваться как визуальный backbone для получения признаковых представлений изображений. Модель содержит 94,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует патчи 16 × 16; репозиторий распространяет веса в форматах PyTorch и safetensors, а для работы указана библиотека timm. Лицензия — Apache-2.0. Модель подходит для классификации изображений и извлечения визуальных признаков. Её обучение на ImageNet-21k-P ориентирует её на распознавание широкого набора объектов; специфические ограничения в карточке не описаны.

Это гибридная модель ResNet и Vision Transformer (ViT) для классификации изображений и получения их признаковых представлений. Её обучили авторы исходной работы на ImageNet-21k, затем дообучили на ImageNet-1k; реализацию перенёс из JAX в PyTorch Росс Уайтман. Модель доступна в библиотеке timm и в форматах PyTorch и safetensors. Модель содержит около 99 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Она подходит для классификации изображений по категориям ImageNet и извлечения эмбеддингов для дальнейших задач компьютерного зрения. Репозиторий распространяется по лицензии Apache-2.0.

vit_giant_patch14_reg4_dinov2.lvd142m — визуальная модель семейства Vision Transformer из библиотеки timm, предварительно обученная командой DINOv2 на наборе LVD-142M методом самообучения. Она предназначена для извлечения признаков изображений и может использоваться как основа для классификации и получения векторных представлений. Архитектура ViT-Giant содержит около 1,14 млрд параметров, использует патчи 14×14 и четыре регистра; указанный размер входного изображения — 518×518 пикселей. Модель подходит для формирования визуальных эмбеддингов и построения систем компьютерного зрения, включая классификаторы, обучаемые поверх извлечённых признаков. Входом служат изображения, выходом — признаки изображения; естественный язык модель не обрабатывает. Для использования доступны веса PyTorch и Safetensors, лицензия — Apache-2.0.

Это большая модель Vision Transformer (ViT) для классификации изображений и извлечения признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса из JAX в PyTorch. Модель распространяется через timm и доступна в форматах PyTorch и safetensors под лицензией Apache 2.0. Модель содержит около 304,3 млн параметров, использует патчи размером 16×16 и рассчитана на изображения 224×224 пикселя. Она подходит для распознавания объектов из набора ImageNet-1k и получения визуальных эмбеддингов как основы для других задач компьютерного зрения. Высокая вычислительная нагрузка может ограничивать её применение на устройствах с малым объёмом памяти или без ускорителя.

Это модель классификации изображений на основе Vision Transformer (ViT) с патчами 16×16 и входным размером 384×384 пикселя. Авторы обучили её в JAX на ImageNet-21k и дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель содержит около 304,7 млн параметров и также может использоваться как основа для извлечения признаков изображений. Модель предназначена для присвоения изображениям классов из набора ImageNet-1k и получения визуальных представлений для последующих задач компьютерного зрения. Для запуска доступны форматы PyTorch и Safetensors, библиотека timm. Лицензия — Apache-2.0.

vit_large_r50_s32_224.augreg_in21k_ft_in1k — гибридная модель ResNet и Vision Transformer для классификации изображений и извлечения визуальных признаков. Исходное обучение на ImageNet-21k и дообучение на ImageNet-1k с аугментацией и регуляризацией выполнены авторами исследования в JAX; Ross Wightman перенёс модель в PyTorch для библиотеки timm. Модель содержит 329 млн параметров, обрабатывает изображения размером 224 × 224 и может использоваться как классификатор или визуальный backbone для получения эмбеддингов. Она предназначена для распознавания объектов и категорий на изображениях, особенно в сценариях, близких к ImageNet. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не сообщает об ограничениях помимо специализации на классификации изображений фиксированного размера.

vit-mini-explicit-content — модель классификации изображений, дообученная разработчиком prithivMLmods на базе Vision Transformer ViT-Base/16. Она использует архитектуру ViTForImageClassification и относит изображение к одному из пяти классов: аниме, чувственное содержание, хентай, порнография или безопасный для просмотра контент. Модель предназначена для фильтрации и модерации изображений, проверки наборов данных и настройки поиска по наличию контента для взрослых. Модель принимает изображения и выдаёт метку класса. Размер составляет 113,2 млн параметров; карточка указывает библиотеку Transformers и формат Safetensors. В тегах указан английский язык, но модель классифицирует изображения, а не обрабатывает текстовые запросы. Лицензия — Apache-2.0. Классификация может ошибаться, поэтому результаты не следует использовать для автоматических решений без проверки человеком; особенно важно учитывать риск неверной маркировки.

Это модель классификации изображений на основе Vision Transformer (ViT), опубликованная Ross Wightman в библиотеке timm. Вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков; модель также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она рассчитана на изображения размером 256×256 пикселей и содержит 134,1 млн параметров. В README приведены показатели сравнения с другими вариантами семейства, но не отдельные результаты этой модели. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Это модель Vision Transformer для классификации изображений из семейства timm, обученная разработчиками timm на ImageNet-1k. Вариант wee использует патчи 16×16, один register-токен и глобальное усреднение признаков; в модели около 13,4 млн параметров, она рассчитана на изображения 256×256 пикселей. Модель предсказывает классы изображений и может использоваться как энкодер признаков для извлечения карт признаков и эмбеддингов. Она подходит для классификации изображений, а также как визуальный компонент в прикладных конвейерах компьютерного зрения. Веса доступны в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия Apache-2.0.

VOLO-D2 — модель классификации изображений семейства Vision Outlooker, опубликованная в timm и обученная авторами статьи на ImageNet-1k с разметкой токенов. Она предназначена для определения классов на изображениях и может использоваться как визуальный backbone для извлечения признаков. Модель содержит 58,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса PyTorch и safetensors; для работы с моделью используется библиотека timm. Apache-2.0 разрешает её коммерческое и иное использование на условиях этой лицензии. Карточка также показывает сценарий получения эмбеддингов изображений, однако основной задачей остаётся классификация. Описанные характеристики и обучение относятся к ImageNet-1k; качество на других наборах данных отдельно не указано.

facebook/webssl-dino7b-full8b-518 — визуальный энкодер семейства DINOv2, разработанный Meta и представленный в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это Vision Transformer с шириной 4096, глубиной 32 и 32 головами внимания, содержащий 8,6 млрд параметров по метаданным. Модель обучена методом самообучения на 8 млрд веб-изображений из данных MetaCLIP без языковой супервизии; рассчитана на изображения размером 518×518 пикселей. Основное назначение — извлечение визуальных признаков для последующего использования в задачах компьютерного зрения. В README также отмечены результаты на традиционных визуальных тестах и потенциал для мультимодальных задач, включая визуальные вопросы и распознавание текста и диаграмм; при этом сама модель классифицирована как экстрактор признаков изображений, а не как генеративная VLM. Метаданные указывают формат safetensors и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это модель XLM-RoBERTa для извлечения ответов на вопросы из текста на языке луганда. Она создана как дообученная версия masakhane/afriqa_afroxlmr_squad_v2 и содержит около 305,2 млн параметров. Модель принимает вопрос и текстовый контекст и возвращает ответ, найденный в контексте; базовая модель обучена для задачи question answering на африканских языках. Модель подходит для систем вопросов и ответов по текстам на луганда, например для поиска сведений в документах или информационных материалах. В README указана оценка на наборе проверки после четырёх эпох, однако сам набор данных неизвестен, а описания обучения и ограничений отсутствуют. Контекст модели — до 514 токенов. Репозиторий содержит формат TensorFlow; лицензия — MIT.

vblagoje/bart_lfqa — англоязычная модель Владимира Благожевича для генерации ответов на вопросы с опорой на контекст. Она основана на архитектуре BART и обучена на наборах LFQA и LFQA Support Docs; подходит для развёрнутых ответов на вопросы по предоставленным подтверждающим документам. Модель содержит 252,8 млн параметров, принимает и генерирует текст, её контекст ограничен 1024 токенами. Модель распространяется в форматах PyTorch и Safetensors по лицензии MIT. Карточка содержит мало сведений о качестве ответов и рекомендуемых сценариях; перед применением стоит проверить её на своих данных.

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

ConvFormer B36 SAIL IN1K — модель классификации изображений и извлечения визуальных признаков на архитектуре ConvFormer, относящейся к семейству MetaFormer. Модель обучена авторами статьи на ImageNet-1k; в карточке Hugging Face указаны библиотека timm и задача image-classification. Она содержит около 99,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу компьютерного зрения в приложениях, которым нужно распознавать объекты и анализировать изображения. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

ConvFormer S36 — сверточная модель семейства MetaFormer для классификации изображений и извлечения визуальных признаков. Модель предварительно обучена авторами статьи на ImageNet-22k, а затем дообучена на ImageNet-1k. Веса доступны в формате PyTorch и safetensors; модель предназначена для использования через библиотеку timm. Модель содержит около 40 млн параметров, обрабатывает изображения размером 224 × 224 и требует примерно 7,7 GMACs на проход. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Лицензия — Apache-2.0.

Модель fefofico/crisis_trained_f2llm_selection — классификатор текста SetFit, дообученный на базе codefuse-ai/F2LLM-v2-80M для выявления текстов о кризисах международной безопасности. Она кодирует текст с помощью Sentence Transformer на архитектуре Qwen3, а затем передаёт признаки классификатору LogisticRegression. Модель выдаёт один из двух классов: positive или negative; в примерах положительный класс связан с эскалацией международных конфликтов и угрозами безопасности. Модель предназначена для классификации коротких текстов и новостных фрагментов по тематике кризисов. В карточке указана максимальная длина последовательности 40960 токенов, однако обучающие примеры преимущественно короткие. Для оценки на тестовых данных указаны F1 Macro 0,8303 и F1 Binary 0,8105. Распространяется в формате safetensors по лицензии базовой модели, сведения о которой в предоставленных данных отсутствуют.

timm/cspresnet50.ra_in1k — сверточная модель CSP-ResNet50 для классификации изображений и извлечения признаков, разработанная в экосистеме timm. Она обучена на ImageNet-1k с рецептом RandAugment; при обучении использовались оптимизатор RMSProp с поведением TF 1.0, усреднение весов EMA и ступенчатое экспоненциальное уменьшение скорости обучения с разогревом. Модель содержит 21,6 млн параметров, требует 4,5 GMACs и рассчитана на изображения размером 256 × 256 пикселей. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Модель предназначена для задач компьютерного зрения общего назначения. Карточка описывает обучение на ImageNet-1k, поэтому качество на других наборах данных и предметных областях может зависеть от дополнительной настройки.