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

DeiT Small Distilled Patch16 224 — модель компьютерного зрения семейства DeiT для классификации изображений и получения визуальных признаковых представлений. Она разработана авторами статьи о data-efficient image transformers и обучена на ImageNet-1k с использованием токенов дистилляции. Модель содержит 22,4 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и требует около 4,6 GMACs на проход. Модель подходит для классификации изображений по категориям ImageNet-1k и извлечения эмбеддингов изображений как признаков для последующих задач компьютерного зрения. Реализация доступна через библиотеку timm, веса представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

dm_nfnet_f5.dm_in1k — модель семейства NFNet для классификации изображений, обученная авторами работ о Normalization-Free Networks на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Архитектура построена по мотивам ResNet с предварительной активацией, но без слоёв нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит около 377,2 млн параметров; рекомендуемый размер изображения при тестировании — 544 × 544 пикселя. Репозиторий предоставляет веса PyTorch и Safetensors. Модель предназначена для распознавания объектов и других классов ImageNet-1k, а также для получения визуальных признаков и эмбеддингов. Лицензия Apache-2.0 разрешает использование и распространение с соблюдением её условий. Высокая вычислительная стоимость и специализация на классификации ImageNet-1k могут ограничивать применение в системах с малым бюджетом ресурсов или на других наборах классов без дополнительной адаптации.

FastSam-X — модель для сегментации изображений, основанная на FastSAM и подготовленная Qualcomm для устройств на базе чипсетов Qualcomm. Разработчики FastSAM позиционируют её как быстродействующее решение на базе сверточной нейронной сети для задачи Segment Anything: модель выделяет объекты на изображении по различным пользовательским подсказкам. Репозиторий содержит конфигурации и средства экспорта, оптимизированные для устройств Qualcomm AI Hub. Модель предназначена для задач компьютерного зрения, требующих семантической сегментации и обработки изображений в реальном времени, включая сценарии на Android и других устройствах Qualcomm. Указано входное разрешение 640×640, контрольная точка fastsam-x.pt, 72,2 млн параметров и размер модели в формате float около 276 МБ. Поддерживаются экспорт и выполнение в формате ONNX; приведены варианты float, w8a16 и w8a16_mixed_int16, использующие NPU различных чипсетов Snapdragon и Qualcomm Dragonwing. Заявленная производительность зависит от устройства: например, задержка составляет 20,018 мс в формате float и 12,897 мс в формате w8a16 на Snapdragon 8 Elite Gen 5 Mobile. Сильные стороны модели — сниженные вычислительные затраты по сравнению с более тяжёлыми решениями Segment Anything, ориентация на работу в реальном времени и оптимизация для NPU Qualcomm. Ограничения включают зависимость производительности и потребления памяти от конкретного чипсета, а также отсутствие сведений о поддерживаемых языках, точной архитектуре backbone, наборе данных и качестве сегментации. Предварительно экспортированные файлы не распространяются из-за лицензионных ограничений; для экспорта собственных конфигураций требуется библиотека Qualcomm AI Hub Models. Указанная лицензия — AGPL-3.0.

gernet_s.idstcv_in1k — модель семейства GENet (GPU-Efficient Networks) для классификации изображений, реализованная в библиотеке timm на основе настраиваемой архитектуры BYOBNet. Её обучили авторы статьи на ImageNet-1k; модель содержит около 8,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель присваивает изображению класс из набора категорий ImageNet-1k. Её также можно использовать как визуальную основу для извлечения признаковых карт и эмбеддингов изображений. В карточке указаны вычислительная сложность 0,7 GMACs и объём активаций 2,7 млн. Модель предназначена для задач компьютерного зрения общего назначения. Весы доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Halo+BoTNet50ts — модель классификации изображений, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Архитектура основана на ResNet и реализована через BYOBNet с блоками BYOANet, сочетающими свёрточные слои и пространственное внимание. Конфигурация настроена на разумное время обучения и использует меньше блоков self-attention, чем описанные в исходных работах варианты. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она содержит 22,6 млн параметров, рассчитана на изображения размером 256 × 256 и имеет вычислительную сложность 5,0 GMACs. Обучение проведено по рецепту ResNet Strikes Back A1 с оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0.

HGNet-V2 B6 — сверточная модель классификации изображений и извлечения визуальных признаков из семейства High Performance GPU Net. Модель обучена авторами на данных ImageNet-22k с дистилляцией SSLD, затем дообучена на ImageNet-1k. Она содержит около 75,3 млн параметров; указаны вычислительная сложность 16,9 GMAC и размеры изображений 224 × 224 для обучения и 288 × 288 для тестирования. Модель предназначена для отнесения изображений к классам ImageNet, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке приведена точность Top-1 86,36% и Top-5 97,934% при размере изображения 288 пикселей. Поддерживается библиотекой timm; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Языковых входов или текстовых выходов модель не использует.

facebook/hiera-large-224-hf — контрольная точка визуального трансформера Hiera, разработанного Meta. Архитектура Hiera имеет иерархическое представление изображения и предназначена для извлечения признаков; в карточке также указаны классификация изображений и masked image modeling как возможные сценарии применения. Эта версия обучена на ImageNet-1K и рассчитана на входные изображения размером 224 пикселя; число параметров — 74,3 млн. Модель можно использовать как визуальный энкодер для получения признаков изображений в задачах компьютерного зрения. В README архитектура описана как более простая и эффективная альтернатива иерархическим визуальным трансформерам со специализированными модулями. Репозиторий содержит веса Safetensors и предназначен для использования с Transformers. Лицензия CC BY-NC 4.0 допускает использование с ограничениями, включая запрет коммерческого применения.

HRNet-W44 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её обучили авторы работы «Deep High-Resolution Representation Learning for Visual Recognition» на ImageNet-1k; модель доступна в библиотеке timm и опубликована на Hugging Face в форматах PyTorch и Safetensors под лицензией MIT. Модель содержит 67,1 млн параметров, имеет вычислительную сложность 14,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Помимо классификации, её можно применять как основу для извлечения карт признаков и эмбеддингов изображений. Она обрабатывает изображения и выдаёт предсказанные классы либо визуальные признаки. В README не приведены сведения о точности и дополнительных ограничениях; качество зависит от сценария и способа применения.

Indic-Speak — мультиязычная система синтеза речи, разработанная Bodhan AI на базе дообученной языковой модели Llama 3.2 3B. Она преобразует текст в речь на английском и индийских языках, с особым вниманием к учебным материалам: корректно читает математические выражения, единицы измерения, дроби, степени и химические формулы, а также естественно произносит фразы, в которых смешаны английский и индийский языки. Темп речи рассчитан на объяснения и обучение. Модель построена как языковая модель речи: Llama генерирует аудиокоды SNAC, а дообученный декодер Vocos преобразует их в звуковую волну. В репозитории указаны 3,78 млрд параметров и формат bf16. Поддерживаются 13 производственных языков и ещё 10 языков в предварительном режиме; доступны разные голоса, записанные с согласия дикторов. Модель также предназначена для аудиокниг, озвучивания приложений, голосовых помощников и доступности. Модель лучше всего справляется с объяснительным содержанием; редкие слова могут произноситься неверно, а сложные формулы могут требовать подготовки. Управление стилем пока нестабильно, звуковые эффекты и клонирование голоса не поддерживаются. Лицензия — Indic Open Model License v1.0; условия также требуют учитывать лицензии и условия использования базовой Llama и компонентов SNAC и Vocos.

Mask2Former-Swin-Large для семантической сегментации изображений на наборе ADE20K. Модель основана на архитектуре Mask2Former с крупным Swin-бэкбоном и предсказывает набор масок и соответствующих меток. Подход Mask2Former также применим к сегментации объектов и паноптической сегментации; эта версия обучена для семантической сегментации ADE20K. Модель разработана командой Mask2Former и опубликована вместе с исследовательской работой о Masked-attention Mask Transformer for Universal Image Segmentation. Она предназначена для анализа изображений и выделения областей, относящихся к разным классам. В репозитории доступны веса PyTorch и safetensors. Лицензия указана как other, поэтому условия использования следует проверить в репозитории модели.

MiniLMv2-toxic-jigsaw-onnx — англоязычная модель классификации токсичности текста, разработанная minuva. Она дообучена на наборе данных первого соревнования Jigsaw по классификации токсичных комментариев с использованием unitary/toxic-bert в качестве учителя. Модель предназначена для выявления токсичных, оскорбительных и содержащих hate speech комментариев, включая сценарии автоматической модерации и фильтрации пользовательского контента. В основе лежит MiniLMv2-L6-H384, дистиллированная версия BERT Large, адаптированная для sequence classification. Модель экспортирована в формат ONNX и подвергнута int8-квантизации; заявленный размер — около 23 млн параметров. Поддерживается английский язык, максимальная длина входа составляет 256 токенов. Для запуска предусмотрены Optimum с ONNX Runtime и прямое использование ONNX Runtime, включая CPU- и CUDA-выполнение. По ROC-AUC на тестовом наборе модель получила 0,98130 против 0,98636 у модели-учителя unitary/toxic-bert размером 110 млн параметров. К сильным сторонам относятся существенно меньший размер по сравнению с учителем, квантизация и возможность облегчённого развёртывания, в том числе на CPU. Ограничения включают англоязычную специализацию, ограничение длины входа и некоторое снижение качества относительно teacher-модели; README не содержит подробностей о точности на других доменах и языках. Модель распространяется по лицензии Apache-2.0.

facebook/mms-tts-tnk — модель синтеза речи на языке квамера (Kwamera, код tnk), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для одного языка, предназначенный для преобразования текстовой последовательности в речевую аудиоволну. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и новее. Модель генерирует речь сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв создаёт аудиоволну. Стохастический предсказатель длительности позволяет варьировать ритм произнесения; поэтому одинаковый текст может давать разные варианты звучания, а для воспроизводимого результата нужен фиксированный seed. Репозиторий распространяется в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Mountain NER — модель классификации токенов на основе BERT, дообученная для распознавания названий гор. Она присваивает токенам метки O, B-MOUNTAIN и I-MOUNTAIN, позволяя выделять упоминания гор в английском тексте. По результатам оценки на отложенной выборке из 831 предложения точность составила 0,9448, полнота — 0,9377, F1 — 0,9413. Модель содержит 135,5 млн параметров, использует контекст до 512 токенов и распространяется в формате safetensors через библиотеку Transformers. Базой послужил чекпойнт BERT для NER из CoNLL-2003; веса дообучены под метки гор. Лицензия — MIT.

OmniDimen-v1.1-4B-Emotion — дообученная модель OmniDimen, созданная на базе Qwen/Qwen3-4B-Instruct-2507 для распознавания эмоций и генерации текста с учётом эмоционального контекста. Это плотная причинная языковая модель с 3,7 млрд параметров и контекстом до 262 144 токенов; она принимает и генерирует текст, поддерживает диалоговый режим. В карточке указана поддержка английского и китайского языков. Модель доступна в формате safetensors и в вариантах GGUF с весами fp16 и квантизацией q4_K_M; для развёртывания авторы рекомендуют GGUF. Модель предназначена для эмоционально ориентированных диалогов и ответов, учитывающих состояние собеседника. Авторы отмечают, что её возможности могут быть уже, чем у базовой модели, а указание модели того, как обращаться к пользователю, может уменьшать галлюцинации в эмоциональном общении. Рекомендуется осторожность при работе с чувствительным содержанием. Лицензия — MIT.

AlphaAvatar Persona Speaker Vector — модель для получения вектора признаков голоса, используемая плагином AlphaAvatar Persona. Это ERes2NetV2 в формате ONNX, побайтная копия артефакта из репозитория AlphaAvatar; README указывает, что веса происходят от ModelScope iic/speech_eres2netv2_sv_zh-cn_16k-common. Модель принимает последовательность 80-мерных Kaldi filterbank-признаков и выдаёт 192-мерный вектор говорящего. Для работы нужны монофонические аудиоданные с частотой 16 кГц и предварительная обработка: log-mel filterbank из 80 полос, без dithering, с нормализацией среднего по времени. Вектор модели сам по себе не L2-нормализован; перед вычислением косинусного сходства его нужно нормализовать. AlphaAvatar использует окна длительностью 3 секунды с шагом 1 секунда. Артефакт проверен с ONNX Runtime на CPU для нескольких размеров пакета и длины последовательностей. Модель подходит для построения эмбеддингов и сравнения голосов, включая проверку совпадения говорящего. README отмечает порог same/different 0,360 в конфигурации исходной модели, но AlphaAvatar применяет собственный порог сопоставления. Применяется лицензия Apache 2.0. Код экспортировавшего модель и скрипт экспорта не установлены; подтверждена идентичность ONNX-артефакта и отдельных тензоров исходному чекпойнту.

PoolFormerV2 S24 — модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer, обученная авторами статьи на ImageNet-1k. Она содержит 21,3 млн параметров, использует изображения размером 224 × 224 и имеет вычислительную сложность 3,4 GMACs. Модель подходит для присвоения изображению класса из набора ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в системах компьютерного зрения. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

PVT-v2 B2 — модель компьютерного зрения семейства Pyramid Vision Transformer, представленная авторами статьи PVT v2 и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный бэкбон для извлечения признаков и эмбеддингов. Модель содержит около 25,4 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 4,0 GMACs. Репозиторий предоставляет веса PyTorch и SafeTensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Модель подходит для классификации изображений и получения визуальных признаков в последующих задачах компьютерного зрения. Её обучение на ImageNet-1k задаёт основной набор классов и область применения; характеристики качества на иных наборах данных в карточке не приведены.

RecBERT — модель на архитектуре BERT, разработанная для рекомендаций. Она предварительно обучена на промышленном наборе данных CMCC, собранном China Mobile, и предназначена для кодирования объектов рекомендаций в векторы, объединяющие сигналы коллаборативной фильтрации и семантическую информацию текста. Её можно применять как энкодер элементов в рекомендательных системах, а также для вычисления сходства между текстовыми представлениями. Модель содержит 129,5 млн параметров и обрабатывает до 512 токенов; доступны веса PyTorch. Для использования предусмотрены Sentence-Transformers и Transformers. Карточка не сообщает лицензию и подробные ограничения по качеству или составу данных; специализированное обучение на видеорекомендациях CMCC может ограничивать перенос на другие предметные области.

regnetx_016.tv2_in1k — модель классификации изображений на архитектуре RegNetX, распространяемая авторами timm. Она предварительно обучена на ImageNet-1k с весами torchvision ImageNet-1K V2 и может использоваться как классификатор или как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Вариант содержит около 9,2 млн параметров, требует 1,6 GMACs и рассчитан на изображения размером 224 × 224 пикселя. Реализация timm поддерживает stochastic depth, gradient checkpointing, настройку выходного шага и выбор слоёв активации и нормализации. Модель подходит для классификации объектов на изображениях и получения признаковых представлений в компьютерном зрении. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — BSD-3-Clause.

regnety_320.seer_ft_in1k — модель компьютерного зрения семейства RegNetY-32GF, доступная в библиотеке timm. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предварительно обучена методом самообучения SwAV на наборе из 2 млрд случайных интернет-изображений, затем дообучена авторами соответствующей работы на ImageNet-1k. Сеть содержит около 145 млн параметров, требует 95 GMACs и рассчитана на изображения размером 384 × 384 пикселя. В карточке приведены результаты ImageNet-1k и примеры применения для классификации, извлечения карт признаков и эмбеддингов. Модель принимает изображения и выдаёт метки классов либо признаки в зависимости от выбранного сценария. Использование и распространение регулируются лицензией SEER от Meta Platforms; она некоммерческая и содержит ограничения. Большой размер сети и вычислительная стоимость могут затруднять запуск на устройствах с ограниченными ресурсами.

regnetz_d32.ra3_in1k — модель классификации изображений семейства RegNetZ, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она также подходит как визуальная основа для извлечения карт признаков и эмбеддингов изображений. Архитектура реализована через BYOBNet в timm: использует инвертированный bottleneck, трёхслойный ступенчатый stem без pooling и ширину групп 32. Модель содержит около 27,6 млн параметров и требует около 6 млрд GMACs; указанный размер изображений при обучении — 256×256, при тестировании — 320×320. Доступны веса PyTorch и safetensors. Модель предназначена для распознавания объектов на изображениях и извлечения визуальных признаков. Карточка не описывает поддержку языковых или иных модальностей. Лицензия — Apache-2.0.

RepGhostNet-150 — модель классификации изображений и извлечения признаков, обученная авторами статьи на ImageNet-1k. Она относится к семейству RepGhostNet и использует эффективные Ghost-модули с репараметризацией; модель содержит около 6,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений, получения карт признаков и создания визуальных эмбеддингов. Компактность и заявленная аппаратная эффективность делают её подходящей как backbone для компьютерного зрения и для сценариев, где важны низкая вычислительная нагрузка и размер модели. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — MIT. Обучение проводилось на ImageNet-1k, поэтому назначение модели — распознавание объектов из набора классов этого датасета. README не приводит результатов оценки и конкретных ограничений качества; перенос на другие предметные области может потребовать адаптации.

ResMLP-24 — модель классификации изображений из семейства ResMLP, опубликованная авторами timm под идентификатором timm/resmlp_24_224.fb_distilled_in1k. Она обучена на ImageNet-1k с дистилляцией, использует архитектуру на основе полносвязных сетей для обработки изображений и может служить основой для извлечения признаковых представлений. Модель содержит около 30 млн параметров, рассчитана на изображения размером 224 × 224 и требует библиотеку timm для описанного сценария использования. Основное применение — классификация изображений по классам ImageNet-1k; также модель можно использовать для получения эмбеддингов изображений. В репозитории доступны веса PyTorch и SafeTensors. Лицензия Apache-2.0 разрешает коммерческое и иное использование на её условиях. Модель ориентирована на изображения стандартного размера и набор классов ImageNet-1k; карточка не описывает гарантии качества для иных предметных областей.

LFTW R3 Target — модель классификации текста на базе RoBERTa, представленная в исследовании Learning from the Worst: Dynamically Generated Datasets to Improve Online Hate Detection. Она предназначена для обнаружения и классификации оскорбительной и ненавистнической речи в тексте, в том числе в сценариях онлайн-модерации. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые последовательности длиной до 514 токенов. В метаданных указан английский язык. Репозиторий содержит веса PyTorch. Модель связана с исследовательским проектом по улучшению обнаружения ненавистнической речи; лицензия в предоставленных данных не указана.

rtmdet-tiny — детектор объектов из семейства RTMDet, портированный для совместимости с Hugging Face из OpenMMLab MMDetection. Модель использует CSPNeXt в качестве backbone, CSPNeXtPAFPN в качестве шеи и RTMDetHead; она предварительно обучена на COCO и распознаёт 80 классов объектов. В README указан масштаб backbone около 5 млн параметров и входной размер 640×640. Модель предназначена для обнаружения объектов в изображениях в реальном времени и особенно подходит для выявления людей как первого этапа перед оценкой позы всего тела с RTMW. Для загрузки требуется включить trust_remote_code=True. Репозиторий распространяется по лицензии Apache-2.0.

SegFormer-B3-Fashion — модель семантической сегментации изображений, разработанная на основе nvidia/mit-b3 и дообученная автором репозитория на наборе sayeed99/fashion_segmentation. Она предназначена для выделения одежды и модных аксессуаров на изображении с присвоением пикселям классов из 47 категорий, включая типы одежды, обувь, сумки и детали вроде рукавов, воротника и молнии. Модель использует архитектуру SegFormer и распространяется в форматах PyTorch и safetensors. Модель подходит для анализа предметов одежды на фотографиях, разметки изображений для каталогов и исследования сегментации в fashion-сценариях. Обучение проводилось на исходных размерах изображений без изменения размера. Карточка указывает лицензию «other», но не приводит её конкретных условий. Оценки качества, поддерживаемые языки или ограничения по размеру входного изображения в карточке не описаны.

sequencer2dm.in1k — модель для классификации изображений на основе архитектуры Sequencer2d с LSTM. Она обучена авторами статьи на ImageNet-1k и может использоваться как классификатор или как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит 38,3 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 6,6 GMACs. Репозиторий содержит веса в форматах PyTorch и Safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Подходит для распознавания объектов и категорий на изображениях, а также получения признаковых представлений для последующих задач компьютерного зрения. Карточка описывает обучение на ImageNet-1k; другие языковые или мультимодальные возможности не заявлены.

SERENE — модель классификации аудио, созданная дообучением facebook/wav2vec2-base на наборе данных mali111222333/SERENE_DATA. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. На указанной в карточке оценочной выборке модель достигла accuracy 0,8262 и loss 0,5125. Подходит для классификации аудиозаписей в задачах, соответствующих меткам обучающего набора; состав меток и конкретное целевое применение в карточке не раскрыты. Модель принимает аудио и выдаёт классы. В репозитории используются веса Safetensors, библиотека Transformers; лицензия — Apache-2.0. Язык данных и длина контекста не приведены, поэтому их нельзя определить по карточке.

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.

tinynete.in1k — компактная модель компьютерного зрения семейства TinyNet для классификации изображений. Она обучена авторами исследования на ImageNet-1k и содержит около 2 млн параметров; модель также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В карточке указано входное разрешение 106 × 106 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k и для сценариев, где нужен небольшой классификатор или компактные признаки изображения. Репозиторий использует библиотеку timm, веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.