Англоязычная cross-encoder-модель на базе MiniLM для оценки релевантности поисковых запросов и повторного ранжирования найденных пассажей.

Подходит для: повторное ранжирование результатов поисковой системы · сортировка найденных пассажей по релевантности запросу · улучшение поиска по документам после первичного поиска

Модель Wav2Vec 2.0 оценивает возбуждение, доминирование и валентность в речи по аудиосигналу.

Подходит для: оценка возбуждения и спокойствия в голосе · измерение эмоциональной валентности речи · анализ доминирования в разговоре

Диалоговая модель на базе Llama 2 для генерации ответов на инструкции на корейском и английском языках.

Подходит для: ответы на вопросы в диалоге на корейском языке · ответы на вопросы в диалоге на английском языке · общение с виртуальным персонажем

Дообученная 10,7-миллиардная модель Llama для текстовой генерации и диалогов в платформе AI Companion.

Подходит для: генерация ответов в диалоговом AI-компаньоне · ведение текстового чата с использованием шаблона инструкций · создание реплик для разговорного сервиса

Иерархический Swin Transformer с 87,9 млн параметров для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · извлечение карт признаков для компьютерного зрения · получение визуальных эмбеддингов изображений

Swin Transformer V2 Base — модель компьютерного зрения для классификации изображений, извлечения признаков и получения эмбеддингов.

Подходит для: классификация изображений по категориям · извлечение карт признаков из изображений · получение эмбеддингов изображений

Swin Transformer V2 с 109,3 млн параметров, предварительно обученный на ImageNet-22k для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям · извлечение карт визуальных признаков · получение эмбеддингов изображений

Swin Transformer Large классифицирует изображения и может служить backbone для извлечения визуальных признаков и эмбеддингов.

Подходит для: классификация изображений по категориям ImageNet · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений для визуального поиска

SwinV2 Large — визуальная модель для классификации изображений и извлечения признаков, предварительно обученная на ImageNet-22k и дообученная на ImageNet-1k.

Подходит для: классификация объектов на изображениях · извлечение карт признаков для компьютерного зрения · получение векторных представлений изображений

Swin Transformer V2 с 87,9 млн параметров классифицирует изображения и может служить основой для извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · извлечение карт признаков для компьютерного зрения · получение визуальных эмбеддингов изображений

Swin Transformer Base — модель для классификации изображений и извлечения визуальных признаков, предварительно обученная на ImageNet-22k.

Подходит для: классификация изображений по категориям · извлечение карт визуальных признаков для компьютерного зрения · получение эмбеддингов изображений

Swin Transformer Large — модель для классификации изображений и извлечения визуальных признаков, предварительно обученная на ImageNet-22k.

Подходит для: классификация объектов на изображениях · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений

Swin Transformer V2 Large классифицирует изображения и извлекает признаки и эмбеддинги для задач компьютерного зрения.

Подходит для: классификация изображений по категориям · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений

Swin Transformer Base, обученный на ImageNet-1k, классифицирует изображения и извлекает визуальные признаки.

Подходит для: классификация изображений по категориям ImageNet · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений

Крупная модель Swin Transformer V2, предварительно обученная на ImageNet-22k для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений для визуального поиска

Англоязычный разреженный SPLADE-энкодер для семантического поиска и извлечения релевантных текстов.

Подходит для: поиск релевантных документов по текстовому запросу · разреженное индексирование коллекции текстов · поиск ответов и фрагментов на наборах MS MARCO и BEIR

Слитая 7,1-миллиардная модель семейства Mistral для генерации текста с контекстом до 32 768 токенов.

Подходит для: генерация продолжения текста · подготовка черновиков и текстовых ответов · суммаризация текста

Слитая большая языковая модель Mistral для диалогов и генерации текста с акцентом на художественное повествование.

Подходит для: создание художественных историй и сцен · диалоговое общение с языковой моделью · генерация длинных текстов в формате ChatML

Англоязычный кросс-энкодер для оценки релевантности пар «запрос — текст» и переранжирования поисковой выдачи.

Подходит для: переранжирование найденных документов по запросу · оценка релевантности отрывков для семантического поиска · сортировка ответов-кандидатов перед подачей в RAG-систему

Экспериментальная объединённая модель Mistral на 12,1 млрд параметров для ролевых диалогов, продолжения историй и творческой прозы.

Подходит для: продолжение ролевых сцен в SillyTavern · генерация реплик персонажей в диалоге · пошаговое развитие художественной истории

Дообученная cross-encoder-модель оценивает релевантность пары текстов для повторного ранжирования результатов поиска.

Подходит для: повторное ранжирование найденных документов по запросу · оценка релевантности пары «запрос — фрагмент текста» · улучшение порядка результатов семантического поиска

Англоязычный кросс-энкодер MiniLM для оценки релевантности пар текстов и повторного ранжирования результатов поиска.

Подходит для: Переранжирование найденных документов по запросу · Переоценка результатов первичного поискового движка · Сортировка ответов-кандидатов по релевантности вопросу

pytorch: формат, квантизация, runtime и память принадлежат одному artifact

safetensors: формат, квантизация, runtime и память принадлежат одному artifact