CMA-1M Mini — крошечная экспериментальная языковая модель для продолжения текста и исследований механизма Channel-Mixing Attention.

Подходит для: исследование смешивания каналов внимания на малой модели · сравнение вариантов архитектуры языковых моделей · учебные эксперименты с авторегрессионными языковыми моделями

RoBERTa-модель Sentence Transformers создаёт векторные представления предложений и абзацев для семантического поиска, сравнения и кластеризации.

Подходит для: семантический поиск по коллекции текстов · сравнение смысловой близости предложений · кластеризация предложений и абзацев

Производная модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7. RoBERTa-модель Sentence Transformers создаёт векторные представления предложений и абзацев для семантического поиска, сравнения и кластеризации.

Подходит для: семантический поиск по коллекции текстов · сравнение смысловой близости предложений · кластеризация предложений и абзацев

Производная модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7. RoBERTa-модель Sentence Transformers создаёт векторные представления предложений и абзацев для семантического поиска, сравнения и кластеризации.

Подходит для: семантический поиск по коллекции текстов · сравнение смысловой близости предложений · кластеризация предложений и абзацев

Производная модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7. RoBERTa-модель Sentence Transformers создаёт векторные представления предложений и абзацев для семантического поиска, сравнения и кластеризации.

Подходит для: семантический поиск по коллекции текстов · сравнение смысловой близости предложений · кластеризация предложений и абзацев

Производная модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7. RoBERTa-модель Sentence Transformers создаёт векторные представления предложений и абзацев для семантического поиска, сравнения и кластеризации.

Подходит для: семантический поиск по коллекции текстов · сравнение смысловой близости предложений · кластеризация предложений и абзацев

Зрительная модель Apple AIMv2 для извлечения признаков изображений и последующего решения задач визуального понимания.

Подходит для: извлечение признаков изображений для последующей классификации · поиск изображений по визуальному сходству · подготовка визуальных представлений для мультимодальных систем

Визуальная модель Apple семейства AIMv2 с 2,7 млрд параметров для извлечения признаков изображений и поддержки задач компьютерного зрения.

Подходит для: извлечение визуальных признаков из изображений · подготовка представлений изображений для мультимодального поиска · использование визуального энкодера в системах распознавания