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

DuplexJev-B-Whisper-small-Falcon-H1-3B — компактный аудиоязыковой коннектор для классификации ответов на вопросы о речи. Он объединяет замороженный энкодер Whisper-small и замороженную языковую модель Falcon-H1-3B-Instruct через обучаемый проектор SwiGLU с объединением кадров; обучаемая часть содержит 30,4 млн параметров. Модель выдаёт распределение по вариантам ответа за один шаг, без авторегрессионной генерации, и поддерживает пакетную обработку нескольких вопросов для одного аудиофрагмента. Модель предназначена для коротких решений по аудиозаписям: устных вопросов и ответов, речевых признаков и паралингвистических характеристик, например эмоций и пола говорящего. В карточке приведены результаты на наборах spoken QA и паралингвистики; авторы рекомендуют её для коротких решений и признаков говорящего, а не для открытых вопросов на общие знания. Указаны китайский и английский языки. Для работы требуется связка исходных Whisper-small и Falcon-H1-3B-Instruct. Лицензия — Apache-2.0.

ECA-ResNet-D — свёрточная модель классификации изображений и извлечения признаков, обученная Alibaba MIIL на ImageNet-1k. Она использует остаточную архитектуру ResNet-D с трёхслойным начальным блоком из свёрток 3×3, усредняющим пулингом в shortcut-связях и механизмом Efficient Channel Attention. Модель содержит 44,6 млн параметров; для обучения использовался размер изображения 224×224, для оценки — 288×288. Модель предназначена для отнесения изображений к категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов. Её можно использовать как визуальный backbone в системах поиска по изображениям и как компонент компьютерного зрения. В репозитории доступны веса PyTorch и safetensors, библиотека — timm. Лицензия Apache-2.0.

EVA02 Base Patch14 224 MIM IN22K — модель извлечения визуальных признаков из изображений, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя и может использоваться как визуальный backbone для классификации и получения эмбеддингов изображений. Модель построена на Vision Transformer с патчами 14×14, средним pooling, SwiGLU, Rotary Position Embeddings и дополнительным LayerNorm в MLP. Она содержит около 85,8 млн параметров и рассчитана на изображения размером 224×224. Чекпойнт timm сохранён в формате float32; доступны веса PyTorch и SafeTensors. Модель подходит для извлечения признаков и эмбеддингов, а также для построения систем классификации изображений. Карточка не описывает поддержку текстового ввода или генерацию изображений. Лицензия — MIT.

FastViT-SA24 Apple Distilled — модель классификации изображений и извлечения визуальных признаков из семейства FastViT. Она обучена авторами статьи на ImageNet-1k с дистилляцией; в карточке указаны 21,6 млн параметров и входное разрешение 256 × 256 пикселей. Репозиторий содержит веса PyTorch в формате Safetensors. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений, например как визуальная основа для прикладных систем компьютерного зрения. Карточка ссылается на статью FastViT о гибридном Vision Transformer со структурной репараметризацией. Для использования следует соблюдать исходную лицензию; метаданные обозначают лицензию как other, не уточняя конкретные условия.

FlexiViT Base 300ep IN1K — модель классификации изображений семейства Vision Transformer. Её обучили авторы статьи на ImageNet-1k с использованием JAX, а Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней 86,6 млн параметров, а указанное в карточке разрешение изображения — 240 × 240 пикселей. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Обучение на ImageNet-1k позволяет применять её для распознавания объектов из набора классов ImageNet; FlexiViT разработана для работы с разными размерами патчей. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или другие специальные условия применения.

Gemma-2-9B-ArliAI-RPMax-v1.1-GGUF — набор GGUF-квантизаций модели ArliAI/Gemma-2-9B-ArliAI-RPMax-v1.1, подготовленный bartowski с использованием llama.cpp и imatrix. Модель предназначена для генерации текста и может запускаться локально, в том числе через LM Studio и совместимые инструменты на базе llama.cpp. По названию RPMax она ориентирована на сценарии ролевого общения, однако README не содержит подробного описания обучения и результатов. В основе лежит Gemma 2 с примерно 9 млрд параметров; доступна версия с весами F16 и варианты квантизации от Q8_0 до Q3 и IQ3/IQ4. Размер файлов составляет примерно от 4,49 до 18,49 ГБ, что позволяет выбирать баланс между качеством и требованиями к памяти. Квантизации Q5–Q6 и выше заявлены как высококачественные, а Q4 — как компромиссные варианты для практического использования. Отдельные форматы оптимизированы для ARM и требуют соответствующих аппаратных инструкций. Модель использует специальный формат prompt с маркерами Gemma и не поддерживает system prompt. README не указывает поддерживаемые языки, длину контекста, мультимодальные возможности или подробные ограничения качества, поэтому эти характеристики нельзя подтвердить. Распространение осуществляется по лицензии Gemma; конкретные условия следует проверять в тексте лицензии.

facebook/hiera-huge-224-hf — версия иерархического vision transformer Hiera от Meta, представленная в библиотеке Transformers. Модель содержит 234,9 млн параметров, принимает изображения размером 224 пикселя и предназначена для извлечения признаков; в карточке также указано обучение на ImageNet-1K. Архитектура распределяет разрешение и число признаков по уровням, что, согласно описанию Hiera, помогает сохранять высокую эффективность при распознавании изображений и видео. Полученные признаки можно использовать как вход для классификатора или других задач компьютерного зрения. В README также перечислены классификация изображений и masked image modeling как возможные применения семейства Hiera, но назначение именно этого чекпойнта — извлечение признаков. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

timm/hiera_small_abswin_256.sbb2_pd_e200_in12k — модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная в библиотеке PyTorch Image Models (timm). Её обучил Ross Wightman на ImageNet-12k по рецепту из работы «Searching for better ViT baselines». Модель содержит 42,7 млн параметров, использует входное разрешение 256 × 256 и имеет вычислительную сложность 7,7 GMACs. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. В обучении применялись маскирование патчей с использованием блоков Hiera и обучаемые масштабные коэффициенты слоёв. Позиционные эмбеддинги с абсолютными координатами можно адаптировать к другим разрешениям. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель обучена на ImageNet-12k; показатели качества для этой конкретной версии в карточке не приведены.

HRNet-W18 — модель классификации изображений и извлечения визуальных признаков из семейства High-Resolution Network, опубликованная авторами исследования и обученная на ImageNet-1k. Она предназначена для определения объектов на изображении, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит 21,3 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 4,3 GMACs. Модель доступна через библиотеку timm в форматах PyTorch и Safetensors. Она подходит для классификации изображений общего назначения и как визуальная основа для последующих задач компьютерного зрения. Лицензия — MIT.

hrnet_w48_ssld.paddle_in1k — модель классификации изображений семейства HRNet, опубликованная проектом timm. Она обучена с дистилляцией SSLD на ImageNet-1k и предназначена для определения класса объекта на изображении; также её можно использовать как визуальный backbone и для получения эмбеддингов изображений. Модель содержит 77,5 млн параметров и рассчитана на входные изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Репозиторий предоставляет веса PyTorch в формате Safetensors; для работы используется библиотека timm. Модель принимает изображения и выдаёт оценки классов, а при извлечении признаков — векторы эмбеддингов. Лицензия MIT.

OwenElliott разработал image-safety-classifier-l — компактную модель классификации изображений на базе SwiftFormer, дообученную для определения категорий NSFW, NSFL и SFW. Она предназначена для проверки изображений в сценариях, где важны небольшие размеры модели, низкая задержка или работа на периферийных устройствах. Модель обучена на частном наборе примерно из 320 тысяч изображений, включающем фотографии, рисунки, мемы, скриншоты и изображения, созданные ИИ. Для запуска доступны веса PyTorch и ONNX; в ONNX-вариантах предобработка, нормализация и softmax встроены в граф. Лицензия — MIT. Классификатор может ошибаться, а границы NSFW зависят от контекста. Класс NSFL представлен в обучающих данных значительно слабее, чем NSFW и SFW, поэтому качество распознавания жестокого контента может быть ограничено.

ImageShield-MMCF-2B-GGUF — мультимодальная модель для классификации изображений и модерации контента, разработанная prithivMLmods и опубликованная в формате GGUF пользователем mradermacher. Базовая модель — prithivMLmods/ImageShield-MMCF-2B, обученная с использованием набора данных ImageShield-Guardrail-Multimodal-20K. Модель предназначена для задач визуальной безопасности, обнаружения потенциально нежелательного контента и работы в качестве мультимодального guardrail-компонента. В метаданных также указаны поддержка генерации JSON, интеграция с Transformers и тег qwen3.5. Размер модели составляет около 2 млрд параметров. Она поддерживает обработку изображений совместно с текстом, а заявленный язык — английский. Контекстное окно, точный набор категорий безопасности, архитектурные детали и результаты оценки качества в README не указаны. Доступны варианты квантования GGUF от Q2_K до Q8_0, а также F16; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q8_0 — как вариант с лучшим качеством. Конкретное влияние квантования на точность зависит от выбранного варианта, поэтому модель следует проверять на собственных сценариях модерации. Лицензия — Apache-2.0.

ImageShield-MMCF-2B-vl-GGUF — мультимодальная модель классификации контента, разработанная prithivMLmods на базе Qwen/Qwen3-VL-2B-Instruct и обученная на наборе данных ImageShield-Guardrail-Multimodal-20K. Модель предназначена для анализа визуального контента и классификации его как безопасного или небезопасного. Основной сценарий применения — модерация изображений и выявление потенциально чувствительного визуального контента, в частности эротических материалов категории NSFW, а также других нарушений визуальной безопасности. Модель поддерживает обработку изображений с текстовыми инструкциями, рассчитана на английский язык и имеет около 2 млрд параметров. Точный размер контекста в README не указан. Для распространения доступны варианты GGUF с разными уровнями квантования, включая BF16, F16 и диапазон от Q3_K до Q8_0; также опубликованы отдельные мультимодальные проекторы. Релиз является экспериментальным: модель может демонстрировать неожиданное поведение и артефакты рассуждений, поэтому результаты требуют дополнительной проверки и не должны рассматриваться как безошибочные решения модерации. Она предназначена для исследовательских задач и классификации контента, а ответственность за применение результатов лежит на пользователе. Указана лицензия Apache-2.0; авторы рекомендуют использовать реализацию на базе Transformers, несмотря на доступность формата GGUF для llama.cpp.

Это модель классификации изображений Inception-v3, обученная с учётом состязательных примеров на ImageNet-1k авторами соответствующей научной работы и перенесённая из TensorFlow в timm Россом Уайтманом. Модель содержит около 23,8 млн параметров и рассчитана на изображения размером 299 × 299 пикселей. Модель определяет классы объектов на изображениях и может использоваться как основа для извлечения признаковых карт и визуальных эмбеддингов. Состязательное обучение предназначено для повышения устойчивости к некоторым состязательным воздействиям, однако карточка не приводит оценок точности или гарантий устойчивости. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0.

Карточка модели OpenGVLab/internimage_l_22k_384 на Hugging Face совпадает с карточкой OpenGVLab/internimage_t_1k_224, поэтому описание составлено по ней. InternImage-T — модель компьютерного зрения из семейства InternImage, разработанного исследователями Shanghai AI Laboratory, Университета Цинхуа и других организаций. Вариант internimage_t_1k_224 предназначен для классификации изображений и обучен на ImageNet-1K. Он использует оператор DCNv3 для адаптивного пространственного агрегирования и доступен в формате Safetensors для библиотеки Transformers. Для этого варианта README указывает 30 млн параметров, входное разрешение 224×224 и точность Top-1 83,5% на ImageNet-1K. Модель может служить визуальным энкодером и основой для задач компьютерного зрения, включая обнаружение объектов и сегментацию после соответствующей настройки. Для ускоренного вывода можно установить CUDA-реализацию DCNv3; без неё используется реализация на PyTorch, которая может требовать больше видеопамяти и работать менее эффективно. Лицензия — MIT.

JTGrammarVN-Q34BI — дообученная модель Qwen3 для редактирования вьетнамской прозы в стиле фэнтезийного романа. Её разработчик, johnnietien, сообщает, что модель исправляет орфографию и грамматику, делает неестественные фразы более плавными и придаёт тексту стилистику жанров tiên hiệp и huyền huyễn, стараясь сохранить исходный смысл. Модель основана на Qwen/Qwen3-4B-Instruct-2507 и дообучена методом GRPO с использованием Unsloth на примерах переработки вьетнамского фэнтезийного текста. Это плотная языковая модель архитектуры Qwen3 с 3,7 млрд параметров; формат весов — safetensors, контекст — до 262 144 токенов. Она принимает и генерирует текст, поддерживает диалоговый режим и предназначена прежде всего для вьетнамского языка. Модель подойдёт для литературной правки, улучшения машинного перевода и стилизации рукописей в жанре фэнтези. Карточка не приводит результатов сравнительной оценки качества, поэтому заявленное качество исправлений и сохранения смысла независимо не подтверждено. Лицензия в предоставленных данных не указана.

ko-vdr-preview — дообученная с помощью LoRA мультимодальная модель johnandru на базе Qwen/Qwen3-VL-Embedding-2B. Она предназначена для поиска страниц визуальных документов по текстовому запросу: преобразует запросы и изображения страниц в эмбеддинги, по которым можно вычислять сходство и ранжировать документы. Модель обучена на смешанном корейском и английском корпусе пар «запрос — страница» с трудными отрицательными примерами и поддерживает Matryoshka-эмбеддинги размерностью от 128 до 2048; размерность по умолчанию — 2048. В README приведены результаты оценки на шести задачах мультимодального поиска: средний nDCG@10 составляет 0,4845 против 0,3533 у исходной модели 2B и 0,5013 у модели 8B. Эти результаты относятся к указанным тестовым наборам, поэтому качество на других типах документов может отличаться. Репозиторий распространяется по лицензии Apache-2.0.

LeViT-384 — модель компьютерного зрения семейства LeViT, представленная в библиотеке timm и обученная авторами работы на ImageNet-1k с дистилляцией. Она использует свёрточный вариант архитектуры с nn.Conv2d и nn.BatchNorm2d и предназначена для классификации изображений и извлечения признаков. Модель обрабатывает изображения размером 224 × 224 пикселя. В карточке указаны 39,1 млн параметров и вычислительная сложность 2,4 GMACs; для ImageNet-1k приведены результаты 82,596% top-1 и 96,012% top-5. Веса доступны в форматах PyTorch и Safetensors, библиотека для работы — timm. Лицензия — Apache-2.0. Модель обучена для ImageNet-1k, поэтому её качество на изображениях из других предметных областей может отличаться; для прикладного использования может потребоваться дообучение или проверка на целевых данных.

keithtwesigye/lunyoro-nllb-en2lun — модель перевода, созданная дообучением NLLB-200 на параллельных данных английского и луньоро-руторо. Базовая модель — facebook/nllb-200-distilled-600M; использованы около 53 948 пар предложений, включая краудсорсинговые материалы, словарные записи и корпуса с обратным переводом и фильтрацией качества. Модель содержит около 463,7 млн параметров, использует архитектуру M2M100ForConditionalGeneration и рассчитана на контекст до 1024 токенов. Основной сценарий — перевод текста с английского на луньоро/руторо, язык банту, распространённый в западной Уганде. Для входного и целевого языков в README приведены коды eng_Latn и run_Latn. Репозиторий содержит веса в форматах ONNX и safetensors. Лицензия — MIT. Карточка описывает узкое направление перевода; качество на текстах и тематиках, отличающихся от обучающих данных, отдельно не подтверждено.

MambaVision-L3-256-21K — модель компьютерного зрения из семейства MambaVision, разработанная NVIDIA. Это гибридная иерархическая архитектура, объединяющая Mamba и блоки self-attention трансформера: блоки внимания в поздних слоях помогают моделировать дальние пространственные зависимости. Модель предназначена для классификации изображений и может использоваться как извлекатель признаков, выдающий представления промежуточных этапов и финальные усреднённые признаки. Модель предварительно обучена на ImageNet-21K и дообучена на ImageNet-1K; обучение проводилось при разрешении 256 × 256 пикселей. В README заявлена высокая точность классификации при хорошей пропускной способности. Для работы предлагается библиотека mambavision, а в метаданных указана поддержка Transformers и формат весов safetensors. Метаданные не содержат конкретного значения лицензии: указано только «other», поэтому условия использования следует уточнить в репозитории модели.

mixer_b16_224.goog_in21k — модель классификации изображений семейства MLP-Mixer, опубликованная авторами статьи и обученная на ImageNet-21k. Она использует архитектуру на основе многослойных перцептронов для обработки изображений и может служить классификатором или визуальным экстрактором признаков. Модель рассчитана на изображения размером 224 × 224 пикселя; в ней около 75,9 млн параметров. Её можно применять для классификации изображений и получения эмбеддингов изображений. Репозиторий использует библиотеку timm и содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

mnasnet_small.lamb_in1k — компактная сверточная модель для классификации изображений и извлечения признаков, опубликованная командой timm. Она обучена на ImageNet-1k; в карточке указаны 2 млн параметров, около 0,1 GMAC и входной размер изображения 224 × 224. Обучение проводилось с рецептом оптимизации LAMB и усреднением весов EMA. Модель подходит для распознавания объектов на изображениях, получения карт признаков и визуальных эмбеддингов, в том числе в сценариях с ограниченными вычислительными ресурсами. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

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.

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.

Это сверточная модель MobileNetV4 с антиалиасингом BlurPool для классификации изображений и извлечения признаков. Её обучил Ross Wightman на ImageNet-1k с помощью скриптов timm и гиперпараметров, основанных на статье MobileNetV4 и дополненных настройками timm. В карточке указано, что это одни из известных весов MobileNetV4; официальные веса моделей TensorFlow на момент публикации не были доступны. Модель содержит около 9,7 млн параметров и рассчитана на входные изображения размером 224 × 224 при обучении и 256 × 256 при тестировании. Помимо предсказания классов, её можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Она обучена на ImageNet-1k; лицензия репозитория — Apache-2.0.

MobileNetV4 Conv Medium — сверточная модель классификации изображений и извлечения признаков, опубликованная Ross Wightman в библиотеке timm. Она обучена на ImageNet-1k с гиперпараметрами, вдохновлёнными статьёй о MobileNetV4 и доработанными для timm. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель содержит 9,7 млн параметров и рассчитана на изображения размером 256 × 256 при обучении и 320 × 320 при оценке. Её можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений; вычислительная сложность составляет 1,1 GMAC. Это компактная модель для компьютерного зрения, однако её обучение на ImageNet-1k означает, что она ориентирована на категории этого набора данных и может хуже работать на изображениях из иных областей. В карточке указано, что официальные веса моделей MobileNetV4 для TensorFlow пока не выпущены.

MobileViT-v2 150 — модель классификации изображений и извлечения визуальных признаков из семейства MobileViT-v2, опубликованная авторами статьи и обученная на ImageNet-1k. Вариант содержит около 10,6 млн параметров; для классификации использует изображения размером 256 × 256. Модель доступна в форматах PyTorch и Safetensors и предназначена для работы через библиотеку timm. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Компактная архитектура MobileViT-v2 ориентирована на задачи мобильного компьютерного зрения. Обучение на ImageNet-1k определяет область распознавания объектов в рамках этого набора классов; точные условия лицензии в карточке не раскрыты, указана категория other.

vjosap/moralBERT-predict-betrayal-in-text — модель классификации текста из семейства MoralBERT, разработанного исследовательской группой Vjosa Preniqi и коллегами. Она предназначена для выявления в тексте морального измерения Loyalty/Betrayal («лояльность/предательство») в рамках Теории моральных оснований. Модель представляет собой дообученный языковой классификатор; веса опубликованы в формате safetensors. Подходит для анализа сообщений и публикаций в социальных сетях, а также для автоматической разметки текстов при изучении моральных тем и социальных дискуссий. Исследование MoralBERT описывает модели для работы с англоязычными данными социальных сетей и отмечает, что качество предсказаний зависит от соответствия предметной области обучающим данным. Репозиторий и карточка модели указывают лицензию MIT.

NaFlexViT Base Patch16 PARFAC GAP — модель классификации изображений семейства PyTorch Image Models (timm), разработанная Россом Уайтманом. Это Vision Transformer с патчами 16×16, факторизованными позиционными эмбеддингами, сохраняющими пропорции изображения, и глобальным усреднением признаков. Модель обучена на ImageNet-1k в течение 300 эпох; размер варианта — около 86,5 млн параметров. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Обучение поддерживало разные разрешения и длины последовательности, сохраняя исходные пропорции изображений; для оценки указана длина последовательности 576. В сравнении из карточки точность Top-1 составляет 83,63%, Top-5 — 96,41%. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги в соответствующих сценариях использования. Лицензия — Apache-2.0. Карточка не описывает ограничения по доменам изображений или гарантии качества вне ImageNet-1k.

Next-ViT Base — модель компьютерного зрения для классификации изображений, обученная авторами статьи Next-ViT на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 44,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для определения объектов и сцен на изображениях и может служить основой для дальнейших задач компьютерного зрения. В карточке приведены результаты классификации на ImageNet-1k и примеры извлечения признаков. Репозиторий содержит веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Языковые возможности не применимы к классификации изображений.