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

Это контрольная точка предобучения CanViT — Canvas Vision Transformer, модели активного компьютерного зрения, которая воспринимает сцену последовательностью фрагментов и сохраняет информацию о ней на общей для сцены «холсте». Репозиторий предоставляет веса для JAX и Flax NNX; класс модели — CanViTForPretraining. Карточка указывает исходный чекпойнт canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in1k-dv3b16-2026-06-22. Модель предназначена для извлечения признаков изображений и исследований активного зрения. Для использования требуется библиотека canvit-nnx. Веса опубликованы в формате safetensors по лицензии MIT. В карточке не приведены размер модели, поддерживаемые языки и длина контекста.

joe611/chickens — дообученная модель обнаружения объектов на основе facebook/detr-resnet-50, разработанная автором репозитория joe611. Она предназначена для поиска объектов на изображениях и выдачи их классов и ограничивающих рамок; название модели указывает на задачу обнаружения кур, но карточка не описывает классы объектов и набор данных. Модель построена на архитектуре DETR с ResNet-50 и распространяется в формате safetensors. В README приведено значение loss 0,2613 на оценочной выборке, но без описания методики и набора данных этот результат трудно интерпретировать. Лицензия — Apache-2.0.

ContaLLM-Beauty-8B-Instruct — китайская инструкционная языковая модель ContaAI для маркетинга в индустрии красоты и косметики. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на общедоступных, синтетических и размеченных людьми маркетинговых материалах. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и работает через библиотеку Transformers; заявленный контекст — 131 072 токена. Модель генерирует маркетинговые тексты с учётом требований пользователя, ключевых слов, тем, хэштегов, сезонных кампаний, персонажей, исходных материалов и желаемой длины. Она рассчитана прежде всего на китайский язык и подходит для подготовки разнообразных рекламных материалов для компаний в сфере красоты и косметики. Доступна лицензия Llama 3.1 Community License Agreement. При генерации могут появляться проблемные ответы: на этапе инференса нет автоматической фильтрации, аналогичной фильтрации ChatGPT. Результаты следует проверять и при необходимости фильтровать перед использованием.

Cosmos-Reason2-2B-GGUF — набор GGUF-квантизаций модели NVIDIA Cosmos Reason 2, опубликованный apolo13x на основе nvidia/Cosmos-Reason2-2B. Модель предназначена для задач physical AI и робототехники: анализа изображений и видео, пространственно-временного рассуждения, курирования данных, планирования действий роботов, обнаружения объектов, определения 2D- и 3D-точек локализации и работы с ограничивающими рамками. Она также понимает базовые законы физики и пространственные взаимосвязи. Это мультимодальная vision-language model с примерно 2 млрд параметров, дообученная на базе Qwen3-VL-2B-Instruct. Заявлена поддержка контекста до 256K входных токенов и английского языка. Модель поставляется в форматах F16, Q8_0 и Q4_K_M для запуска через llama.cpp и совместимые инструменты; F16-версия занимает около 3,8 ГБ, Q8_0 — 2,1 ГБ, Q4_K_M — 1,2 ГБ. Визуальный энкодер mmproj сохраняется в точности F16 и занимает около 782 МБ. Сильными сторонами являются мультимодальный анализ, работа с видео, физическое и пространственно-временное рассуждение, а также возможность выбора между несколькими уровнями квантизации для баланса качества и требований к памяти. Ограничения включают сравнительно небольшой размер в 2 млрд параметров и зависимость от совместимого ПО для запуска GGUF; конкретные показатели качества и поддерживаемые аппаратные конфигурации в карточке не указаны. Модель распространяется по NVIDIA Open Model License.

drone-audio-detection-05-17-trial-0 — модель классификации аудио на основе Audio Spectrogram Transformer (AST), дообученная автором preszzz от MIT/ast-finetuned-audioset-10-10-0.4593. Она предназначена для распознавания звуков дронов в аудиозаписях. В README приведены результаты оценки: accuracy 0,996, precision 0,9987, recall 0,9962 и F1 0,9974. Данные оценки получены на тестовом наборе; состав и происхождение датасета не описаны, поэтому результаты не подтверждают качество на других записях и условиях. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и формат safetensors. Лицензия — BSD-3-Clause. README не сообщает подробностей о настройке и ограничениях применения.

Fashion Florence — модель на базе Florence-2-large от Microsoft, дообученная Anushree Berlia для извлечения структурированных характеристик одежды по изображению. Она принимает изображение предмета одежды и возвращает JSON с тегами категории, основного цвета, материала и другими атрибутами; базовая Florence-2 также поддерживает задачи компьютерного зрения по текстовым запросам. Модель основана на архитектуре Florence-2 и содержит 0,77 млрд параметров; LoRA-адаптер слиянием включён в веса базовой модели. В тесте на 3 915 примерах из iMaterialist точность категории составила 89,5%, а точное совпадение цвета — 52,7%; для обуви и аксессуаров в тестовой выборке было мало примеров. Лицензия — MIT.

Модель manucos/final-ft__roberta-clinical-wl-es__70k-ultrasounds — дообученная испаноязычная RoBERTa с архитектурой RobertaForMaskedLM и 153,2 млн параметров. Она предназначена для задачи fill-mask: предсказания замаскированных слов в тексте. Контекст составляет до 514 токенов. Модель дообучена на базе plncmm/roberta-clinical-wl-es; README указывает, что использовался датасет None, поэтому состав обучающих данных неясен. В карточке приведён результат оценки Loss 0,6177, но подробности тестирования отсутствуют. Модель распространяется в формате safetensors по лицензии Apache-2.0.

udit74j разработал дообученную мультимодальную модель SmolVLM2-500M для извлечения информации о продуктах питания из изображений. Она принимает изображение и текстовый запрос и формирует текстовый ответ; модель основана на HuggingFaceTB/SmolVLM2-500M-Video-Instruct и дообучена с помощью TRL. В каталоге указаны архитектура SmolVLM, плотная модель, поддержка диалога и формат safetensors. Модель предназначена для визуального анализа еды и ответов на вопросы по изображениям продуктов или блюд. В README приведён пример для text-generation, однако он не демонстрирует работу модели с изображениями и содержит заглушку в идентификаторе модели, поэтому практические сценарии подтверждаются главным образом названием и назначением базовой модели. Лицензия в предоставленных данных не указана.

Hermes Spam Filter — компактный классификатор спама от hidan616 для первичной фильтрации сообщений в Discord, чатах прямых трансляций, игровых сообществах и других системах с большим потоком сообщений. Это двоичная модель классификации последовательностей на основе Transformer Encoder с 1,7 млн параметров, двумя слоями энкодера, четырьмя головами внимания и размерностью эмбеддингов 128. Модель принимает текст и относит сообщение к классу HAM или SPAM; для токенизации используется собственный BPE-токенизатор, максимальная длина последовательности — 512 токенов. Модель рассчитана на быструю фильтрацию очевидного спама как первого этапа конвейера модерации, чтобы передавать сомнительные сообщения более сложным системам. Она обучена для английского языка и ориентирована на низкую задержку и работу с высокой нагрузкой. Hermes не предназначена для универсальной модерации, выявления всех видов злоупотреблений или фишинга. Лицензия — Apache-2.0.

Boson AI HuBERT Base — базовый чекпойнт HuBERT от Boson AI, используемый как семантический учитель во внутренней ветви токенизатора Higgs Audio. Модель построена на архитектуре HuBERT-Base с 12 трансформерными слоями, скрытым размером 768 и примерно 95 млн параметров по README; метаданные указывают 113,3 млн параметров. Принимает аудио с частотой дискретизации 16 кГц и через Transformers AutoModel выдаёт последовательности скрытых представлений размерности 768; можно извлекать состояния всех слоёв. Основной сценарий — получение семантических признаков речи и аудио для последующей дистилляции или использования в аудиотокенизаторе. В карточке также заявлена задача feature extraction. Модель распространяется под лицензией Apache-2.0. Для загрузки README указывает trust_remote_code=True.

interiordesignsuperm — модель Stable Diffusion от StableDiffusionAPI, предназначенная для генерации изображений по текстовому описанию. В карточке приведён пример API-запроса с настройками генерации и примером фотореалистичного промпта; название модели указывает на применение в дизайне интерьеров, однако подробности о специализированных возможностях в README не описаны. Модель доступна в формате Diffusers/PyTorch и опубликована под лицензией CreativeML OpenRAIL-M. Для работы через описанный API нужен ключ ModelsLab.

Карточка модели jingheya/lotus-depth-d-v1-0 на Hugging Face совпадает с карточкой jingheya/lotus-depth-g-v1-0, поэтому описание составлено по ней. Lotus Depth G v1.0 — модель из официального семейства Lotus, разработанного Jing He и соавторами. Это визуальная фундаментальная модель на основе диффузии для плотного предсказания; данный вариант предназначен для оценки глубины по изображению. Модель рассчитана на получение карты глубины, где каждому участку изображения соответствует оценка расстояния. Её можно использовать в задачах компьютерного зрения, которым нужна пространственная структура сцены. Репозиторий подготовлен для библиотеки Diffusers и содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не содержит сведений о размере, поддерживаемых языках или численном качестве; инструкции по применению вынесены на внешнюю страницу.

NemoraAi разработала modernbert-chat-moderation-X-V2 — англоязычный классификатор текста на базе encoder-модели answerdotai/ModernBERT-base. Модель содержит 149 млн параметров, принимает последовательности длиной до 8192 токенов и выдаёт один из двух классов: обычный текст или заблокированный контент. Она дообучена для дополнительной модерации запросов и сообщений в чатах.

Qwen2-Wildfire-2B — разработанная hiko1999 мультимодальная модель для анализа изображений лесных пожаров. Это дообученная версия Qwen2-VL-2B-Instruct с архитектурой Qwen2-VL и примерно 1,5 млрд параметров. Модель принимает изображение и текстовый запрос, а в ответ описывает сцену на естественном языке; контекст составляет 32 768 токенов. Модель предназначена для распознавания типа пожара и характеристик пламени и дыма, оценки распространения огня и затронутой территории, описания видимых действий пожарных и техники, а также окружающего рельефа и качества изображения. При дообучении использовались 4 135 вручную проверенных и размеченных изображений. Карточка заявляет поддержку английского, китайского и японского языков. Модель опубликована под лицензией Apache-2.0. Описание модели указывает на возможное будущее развёртывание на мобильных устройствах, но не приводит результатов таких испытаний; численные показатели качества также не указаны.

mlx-community публикует конверсию в формате MLX модели facebook/sapiens2-normal-0.4b, разработанной Meta и основанной на семействе Sapiens2. Она предназначена для оценки нормалей поверхности по каждому пикселю на изображениях с людьми. Модель содержит около 402,7 млн параметров; веса сохранены в bfloat16 в файле safetensors, а проекции q/k/v объединены в тензор wqkv для ожидаемой MLX архитектуры Sapiens2. Модель принимает изображение и выдаёт плотную карту нормалей поверхности с разрешением входного изображения. Репозиторий рассчитан на запуск через mlx-vlm. В метаданных указана лицензия other; README отсылает к исходной карточке модели за условиями лицензии, поэтому конкретные условия использования здесь не уточнены.

SciHigh2026-Task2-BART-large — дообученная командой проекта SciHigh 2026 модель BART-large для генерации заголовков научных статей по их аннотациям. Она преобразует текст аннотации в краткий заголовок, стремясь передать основную тему и вклад работы; модель предназначена для SciHigh 2026 Task 2, воспроизводимых экспериментов и подготовки вариантов заголовков. Модель построена на encoder-decoder Transformer BART, содержит около 406 млн параметров и использует библиотеку Hugging Face Transformers. Контекст модели — 1024 токена; при дообучении входные аннотации ограничивались 512 токенами, а заголовки — 64 токенами. Обучение проводилось на 2 778 парах аннотация–заголовок из SpringerSSAT; набор связан с социальными науками. На валидации лучшая версия получила ROUGE-L 37,64, но это не официальный результат на закрытой тестовой выборке. Модель рассчитана прежде всего на англоязычные научные аннотации. Результаты могут ухудшаться на других научных областях и стилях письма; сгенерированные заголовки могут быть неполными, слишком общими или содержать формулировки, не подтверждённые аннотацией, поэтому их следует проверять. Информация о лицензии в предоставленных данных отсутствует.

SegFormer — модель сегментации изображений на базе nvidia/mit-b1, дообученная пользователем kasumi222 на наборе данных kasumi222/busigt5. Она предназначена для семантической сегментации изображений: модель присваивает метки областям изображения. В README приведены результаты на оценочной выборке: mean IoU 0,4458, mean accuracy 0,6980 и overall accuracy 0,6969. Для отдельных категорий указаны IoU 0,6551 и 0,6821; назначение категорий в карточке не раскрыто. Репозиторий содержит веса PyTorch и обозначает лицензию как other. Метрики относятся только к описанной оценочной выборке и не гарантируют качество на других данных.

julian-schelb/SPhilBerta-emb-lat-intertext-v1 — модель Sentence Transformer, дообученная Julian Schelb на основе bowphs/SPhilBerta для получения эмбеддингов латинских текстов и поиска межтекстовых параллелей между авторами античности. Она связана с бенчмарком Loci Similes и оценивалась на подтверждённых экспертами связях между текстами; для обучения применялась схема с одним положительным и десятью отрицательными примерами. Модель построена на архитектуре RoBERTa, содержит 162,4 млн параметров и принимает текст, выдавая векторные представления для сравнения предложений и фрагментов. Указанное окно контекста — 514 токенов. Модель предназначена прежде всего для латинского языка. Распространяется по лицензии Apache 2.0.

ViGoRL-7b-Spatial — мультимодальная модель для визуального рассуждения и пространственного анализа, разработанная авторами проекта ViGoRL: Gabriel Sarch, Snigdha Saha, Naitik Khandelwal, Ayush Jain, Michael J. Tarr, Aviral Kumar и Katerina Fragkiadaki. Модель дообучена на базе Qwen2.5-VL-7B-Instruct с использованием supervised fine-tuning на визуально обоснованных трассах рассуждений, созданных методом MCTS, и последующего обучения с подкреплением GRPO. Модель связывает шаги текстового рассуждения с координатами на изображении и поддерживает визуальное обоснование с увеличением отдельных областей для детального анализа. Она предназначена для пространственных задач и визуального поиска, включая SAT-2, BLINK, RoboSpatial и V*Bench, а также может применяться для визуального взаимодействия с веб-интерфейсами и привязки элементов на экране. Архитектура — Qwen2.5-VL, 7,1 млрд параметров; контекст — 128 000 токенов. Репозиторий использует Transformers и формат safetensors. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Модель описана как вариант для пространственного домена; отдельные результаты оценки качества не приведены.

Wiola13M — компактная авторегрессионная языковая модель с архитектурой decoder-only Transformer, разработанная OSCOWL-AI и обученная с нуля. Модель содержит 12,1 млн параметров, принимает токенизированный текст и генерирует продолжение; длина контекста составляет 512 токенов. Она реализована на PyTorch и интегрируется с экосистемой Hugging Face Transformers, для загрузки требуется поддержка пользовательской архитектуры Wiola. Архитектура включает Spiral Rotary Positional Encoding, Gated Cross-Layer Attention, Dual-Stream Feed Forward Network и WiolaRMSNorm; Adaptive Token Merging применяется при обучении. Модель предназначена для экспериментов с языковыми моделями, дообучения, обучения и сравнения архитектур. Карточка указывает английский язык. Лицензия — Apache-2.0. Модель может генерировать недостоверную информацию и унаследовать смещения из обучающих данных; результаты требуют проверки человеком. Она не предназначена для медицинских, юридических или финансовых решений и других критически важных сценариев.

AeroYOLO — компактная модель обнаружения объектов на базе YOLO11n (nano), опубликованная QuincySorrentino. Она находит на изображениях три класса: самолёты, беспилотники и вертолёты. Модель рассчитана на входной размер 640×640 и содержит 2,59 млн параметров; для работы используется библиотека Ultralytics, а веса представлены в формате PyTorch. Модель подходит для анализа снимков с камер и беспилотников, авиационного наблюдения и обнаружения летательных аппаратов на периферийных устройствах. В карточке приведены mAP50-95 0,703, mAP50 0,966 и точность 0,924. Лицензия в предоставленных данных не указана, поэтому условия использования по ним установить нельзя.

Модель alldaypa/autotrain-nyc_airbnb-71855138766 — модель суммаризации, обученная с помощью AutoTrain. Она построена на архитектуре T5 и содержит 38,5 млн параметров; принимает текст и генерирует краткое текстовое резюме. В метаданных указаны английский язык и контекст до 512 токенов, а в карточке приведены метрики проверки, включая ROUGE-1 16,234 и ROUGE-L 14,048. Модель предназначена для краткого пересказа текста; обучающий датасет связан с объявлениями Airbnb в Нью-Йорке, поэтому её применение к похожим текстам может быть уместно. Метрики проверки указывают на ограниченное качество суммаризации, а опубликованные сведения не описывают проверку на других типах текста. Лицензия в предоставленных данных не указана.

Aux 2015 — плотная авторегрессионная языковая модель семейства Ministral, разработанная Fin AI Lab в рамках проекта Frontier to Point-in-Time. Она обучена с нуля на корпусе с отсечкой знаний 31 декабря 2015 года и дополнительно настроена на образцах, дистиллированных из более крупной модели, чтобы перенять её шаблон чата и стиль ответов. Модель предназначена прежде всего для использования как вспомогательная модель Divergence Decoding: вместе с парной Aux 2024 её разность логитов помогает уменьшать влияние знаний, появившихся после заданной даты, при генерации ответов большой моделью. Её также можно использовать как самостоятельную модель для диалогов и ответов на вопросы с временной привязкой. В модели около 3,6 млрд параметров, 28 слоёв, архитектура MinistralDualRope с чередованием скользящего и полного внимания и контекстом до 131 072 токенов. Она принимает текст и генерирует текст; поддерживает интерфейс чата и вызова инструментов. Для загрузки требуется Transformers и доверенная загрузка пользовательского кода архитектуры. Лицензия — Apache-2.0. README приводит размер около 3,4 млрд параметров, тогда как метаданные указывают 3,6 млрд. Модель подходит для экспериментов и прикладных сценариев, где ответы должны отражать состояние знаний на конец 2015 года, а также для построения системы временного ограничения знаний на базе большой языковой модели. Качество самостоятельной модели в README заявлено как сильное в следовании инструкциям, однако результаты могут уступать более крупной модели; для Divergence Decoding необходима парная Aux 2024 и модель frontier, а также соответствующая логика инференса. Не следует считать отсечку гарантией фактического удаления любых более поздних сведений из ответов.

BBox-Mask-Pose (BMP) — набор моделей и метод, разработанный Мirosлавом Пуркрабеком, Константином Коломиетсом и Иржи Матасом. Он связывает обнаружение людей, оценку позы и сегментацию экземпляров в цикл, где задачи взаимно уточняют результаты. В репозитории представлены варианты ViTPose, MaskPose, PMPose и дообученный RTMDet; модельная карточка указывает задачу обнаружения ключевых точек. Модели предназначены для оценки позы нескольких людей на изображениях, в том числе в плотных и перекрывающихся сценах. MaskPose и PMPose используют RGB-изображение и маски сегментации экземпляров; RTMDet предсказывает рамки, маски и классы объектов. Варианты ViTPose и MaskPose используют backbone ViT-B и многослойный декодер; результаты позы представлены тепловыми картами или картами вероятностей ключевых точек. Метод обучался или оценивался на COCO, AIC, MPII и OCHuman. Это компьютерное зрение, поэтому естественный язык не требуется. Лицензия — GPL-3.0. Подход с масками вместо рамок рассчитан на сцены с большим числом людей и может повысить качество оценки позы при перекрытиях. Вход MaskPose и PMPose включает предварительно оценённую сегментацию, поэтому результат зависит от качества масок; README не сообщает количественных метрик или требований к оборудованию.

julian-schelb/bge-m3-emb-lat-intertext-v2 — модель эмбеддингов предложений, дообученная на основе BAAI/bge-m3 для поиска интертекстуальных связей между текстами классических латинских авторов. Она входит в бенчмарк Loci Similes и оценивалась на связях, проверенных экспертами. Модель построена на Sentence Transformers и архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст, формируя векторные представления для сравнения смысловой близости. Модель обучалась с online contrastive loss на одном из пяти разбиений данных бенчмарка. Для сохранения качества поиска README рекомендует использовать соответствующие обучению имена prompt-префиксов. Версия v2 заменяет v1 для актуального набора данных и совместима с тем же интерфейсом; v1 остаётся доступной для воспроизведения прежних результатов. Поддерживается латинский язык, максимальная длина контекста — 8194 токена. Лицензия — Apache 2.0.

CAT-Tryoff-Flux — модель для виртуального снятия одежды, разработанная автором Black Magic An. Она извлекает и реконструирует вид одежды спереди по изображению человека в этой одежде; для работы используются изображение человека, маска человека и изображение предмета одежды, а seed задаёт случайность результата. Модель основана на FLUX.1-Fill-dev и использует подход CATVTON-FLUX. Её можно применять в сценариях виртуальной примерки и подготовки изображений одежды. В качестве обучающих данных указан датасет VITON-HD. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой Diffusers. Лицензия — CC BY-NC 2.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Карточка не приводит количественных оценок качества и подробностей об ограничениях применимости.

Это экспериментальная модель распознавания речи на лугандском языке, дообученная Trevor Kasule на базе KasuleTrevor/cdli-qwen3-asr-lg-typical-1p7b-base-finetune. Она предназначена для транскрибирования атипичной речи носителей из Уганды. Модель Qwen3-ASR обучалась на датасете cdli/ugandan_luganda_nonstandard_speech_v1.0; использует сведения о тяжести и типе речевого расстройства, а также его этиологии, передаваемые в prompt. Транскрипция должна сохранять повторы, запинки, ложные старты и незавершённые слова. В README приведены метрики тестирования: нормализованный WER 0,633 и CER 0,340; средние ограниченные значения WER и CER составили 0,491 и 0,229 соответственно. Prompt использует метаданные говорящего как oracle, поэтому результаты следует оценивать отдельно от базовых сценариев развёртывания. Карточка указывает лицензию Apache-2.0.

CHATWhisper-en — англоязычная модель автоматического распознавания речи из серии CHATWhisper, разработанной проектом TalkBank для анализа языковых образцов (Language Sample Analysis, LSA). Модель построена на Whisper Large v2 и дообучена с помощью LoRA ранга 16 и коэффициента alpha 32; содержит около 905,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для транскрибирования разговорной речи и особенно ориентирована на сохранение особенностей, важных для анализа речевых образцов: заполненных пауз, повторных формулировок и заикания. Её можно использовать как ASR-модель семейства Whisper или вместе с набором инструментов TalkBank Batchalign в режиме transcribe с флагом --whisper. Обучающие данные включали англоязычные образцы Control Protocol из трёх корпусов AphasiaBank. Модель принимает аудио и выдаёт текстовую транскрипцию. В карточке указано, что оценка качества будет добавлена позднее, поэтому опубликованных в README численных результатов нет. Базовая модель — openai/whisper-large-v2; лицензия в предоставленных данных не указана.

Koichi Yasuoka разработал модель DeBERTaV2 для морфосинтаксической разметки текстов на айнском языке. Модель дообучена на основе KoichiYasuoka/deberta-base-ainu и присваивает каждому слову тег части речи UPOS; карточка также указывает назначение для синтаксического анализа зависимостей. Поддерживаются тексты на айнском, записанные катаканой, латиницей и кириллицей. Модель содержит 118,5 млн параметров, использует архитектуру DeBERTaV2 и обрабатывает последовательности длиной до 512 токенов. Она предназначена для запуска через Transformers как модель классификации токенов. Распространяется по лицензии CC BY-SA 4.0.

Depth Anything V2 Small — компактная модель для оценки глубины по одному изображению, разработанная командой Depth Anything. Она предсказывает относительную глубину объектов и областей сцены по обычному RGB-изображению и предназначена для задач монокулярного анализа глубины. Модель относится к семейству Depth Anything V2. Семейство обучалось на 595 тысячах синтетических изображений с разметкой глубины и более чем 62 миллионах реальных изображений без разметки. В README отмечены более детализированные предсказания и устойчивость по сравнению с Depth Anything V1, а также высокая скорость и меньший размер по сравнению с моделями на основе диффузии. Версия Small ориентирована на более лёгкий запуск; конкретный размер и длина контекста для этой версии в предоставленных данных не приводятся. Модель можно использовать для получения карты глубины сцены из изображения, например, в робототехнике, дополненной реальности и системах компьютерного зрения. Это не генеративная модель: она выдаёт оценку глубины, а не текст. Лицензия — Apache-2.0.