I.11Классификация, ранжирование и сопоставление

VuongQuoc выпустил эту модель как дообученную версию VuongQuoc/checkpoints_30_9_microsoft_deberta_V1.0_384 для выбора наиболее подходящего ответа из нескольких вариантов. Модель построена на DeBERTa-v2, содержит 533,8 млн параметров и обрабатывает входы длиной до 512 токенов. В README указаны результаты на оценочном наборе: Loss 0,7688, MAP@3 0,8458 и accuracy 0,75. Набор данных назван None, поэтому результаты не позволяют оценить переносимость на другие данные. Условия лицензии в предоставленных сведениях не описаны.

iestynmullinor/climatebert-rereranker-f-cf — дообученная модель на базе iestynmullinor/climatebert-rereranker-fever для классификации текстов. Она использует архитектуру RoBERTa с головой RobertaForSequenceClassification и содержит 95,4 млн параметров. Модель предназначена для классификации текста; конкретные классы и целевой сценарий в карточке не раскрыты. Модель принимает текст и выдаёт результат классификации. Длина контекста составляет 514 токенов. Она опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В README приведено значение loss 0,2653 на оценочном наборе, однако состав набора и методика оценки не описаны.

microsoft/deberta-v2-xlarge — англоязычная предварительно обученная модель понимания текста семейства DeBERTa V2, разработанная Microsoft. Она использует плотную архитектуру с disentangled attention и улучшенным декодером маски; версия XLarge содержит 24 слоя и скрытый размер 1536. В метаданных указаны 1,1 млрд параметров, контекст до 512 токенов и веса в форматах PyTorch и TensorFlow. Модель предназначена прежде всего для заполнения пропусков в тексте и может служить основой для дообучения на задачах понимания естественного языка, включая классификацию текста и ответы на вопросы. В карточке приведены результаты дообучения на SQuAD и наборах GLUE; исходная модель обучалась на больших текстовых корпусах. Лицензия — MIT.

khalidalt/DeBERTa-v3-large-mnli — модель классификации текста на основе DeBERTa-v3-large от Microsoft, дообученная на наборе MultiNLI для распознавания логических отношений между парами текстов. Она сопоставляет посылку и гипотезу и может применяться для классификации без примеров: пользователь задаёт возможные метки в виде гипотез, а модель оценивает их соответствие входному тексту. Архитектура DeBERTa-v2 для классификации последовательностей содержит 533,8 млн параметров; модель работает с текстом на английском языке и поддерживает контекст до 512 токенов. Модель подходит для проверки текстового следования, выявления противоречий и тематической разметки текстов через набор гипотез. В README указано обучение на MultiNLI, содержащем пары предложений с отношениями следования; для других языков и задач карточка не приводит результатов. Лицензия в предоставленных данных не указана.

Decision-Jef-0.1 — модель на 306,9 млн параметров, разработанная BarraHome на основе многоязычного энкодера jhu-clsp/mmBERT-base. Она за один проход оценивает несколько вопросов о заданном состоянии и выдаёт вероятности для вариантов, переданных во входном запросе; фиксированного набора классов нет. Модель предназначена для типизированных решений: выбора из вариантов, ответов «да/нет» и числовой оценки. Контекст составляет до 8192 токенов, веса опубликованы в формате safetensors под лицензией MIT. На английском тестовом наборе из 2000 решений модель показала 77,50% общей точности; особенно сильный результат — 75,70% для выбора из вариантов. Она также предназначена для новых прикладных доменов, но перенос на незнакомые форматы состояний может приводить к уверенным постоянным ответам. Качество на неанглийских языках, а также возможности модерации и защиты не проверены. Точность снижается при большом числе вариантов, оценивание числовых значений слабее других типов решений, а перестановка вариантов иногда меняет ответ.

wnic00/distilbert-p1 — дообученная модель классификации текста на основе lxyuan/distilbert-base-multilingual-cased-sentiments-student, построенной на архитектуре DistilBERT. Она предназначена для отнесения текста к категориям; базовая модель классифицирует тональность на 12 языках, но набор меток и языков, проверенных именно для этой версии, не описан. Модель использует формат PyTorch и принимает текстовые последовательности длиной до 512 токенов. На указанном в README наборе оценки модель достигла accuracy 0,6886 и loss 1,9133. Данные для дообучения, классы классификации и сведения о практических ограничениях не приведены. Лицензия — Apache-2.0.

maticzav/e5-base-legal — англоязычная модель Sentence Transformers, дообученная на базе intfloat/e5-base-v2 на 4 371 паре юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768 и оценивает семантическое сходство с помощью косинусного сходства. Модель подходит для семантического поиска и сопоставления формулировок в юридических документах, а также для кластеризации и поиска перефразировок. В основе — архитектура BERT; максимальная длина входа составляет 512 токенов. Для дообучения использован набор данных с парами текстов и оценками сходства. В README приведены результаты на contradiction-eval: Pearson 0,8482 и Spearman 0,623; это отдельная оценка сходства, а не гарантия качества для любых юридических задач. Модель не генерирует юридические заключения и её результаты требуют проверки специалистом. Лицензия в предоставленных данных не указана.

German Electra Uncased — немецкоязычная модель семейства ELECTRA, созданная German NLP Group совместно Филипом Маем из Deutsche Telekom и Филиппом Райселем из ambeRoad. Это базовая модель для дообучения на прикладных задачах обработки немецкого языка, включая ответы на вопросы и анализ тональности; её можно использовать как замену BERT в большинстве задач такого типа. Модель содержит 138,4 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Она обучена без учёта регистра, но сохраняет диакритические знаки, в том числе немецкие умляуты. В версии 2 обучение продолжили до 1,5 млн шагов на корпусах немецкого Common Crawl, Википедии, субтитрах и новостях. Для решения прикладных задач модель нужно дообучить. В README приведены результаты оценки на немецких наборах данных, но они относятся к моменту выпуска модели в 2020 году. Лицензия — MIT.

google/electra-large-discriminator — англоязычный текстовый энкодер семейства ELECTRA, разработанный Google. Модель основана на трансформере и обучена распознавать подменённые токены: она отличает исходные токены текста от искусственно сгенерированных. В репозитории представлены веса примерно на 433,9 млн параметров; максимальная длина входа — 512 токенов. Модель предназначена для извлечения контекстных представлений текста и адаптации к задачам классификации, ответов на вопросы и разметки последовательностей. Её можно применять как основу для последующего дообучения на конкретных задачах; сама карточка приводит примеры GLUE и SQuAD. Доступны версии для PyTorch, TensorFlow и Flax. Лицензия — Apache 2.0.

Модель cartgr/embeddings-for-preferences-st5-xl — дообученный энкодер предложений на базе sentence-transformers/sentence-t5-xl, разработанный для сравнения текстов с мнениями по политическим и социальным вопросам. Она преобразует тексты в эмбеддинги, пригодные для ранжирования по смысловой близости и предпочтениям; архитектура — T5EncoderModel, размер — 385,2 млн параметров, контекст — до 512 токенов. Модель обучена с LoRA-адаптером на синтетических контрфактических триплетах и предназначена для содержательных высказываний, обычно длиной не менее предложения. В оценке на 11 наборах данных онлайн-обсуждений средняя точность на естественных триплетах составила 68,6%, а на сложных контрфактических — 80,0%. Модель может помогать находить наиболее близкие к позиции пользователя аргументы или мнения, однако не является классификатором взглядов и не выдаёт откалиброванную вероятность согласия. Её применимость к фактическим и научным вопросам, личным предпочтениям и абстрактной философии не проверена; коротким комментариям может не хватать смыслового сигнала. Лицензия — Apache-2.0.

Bofandra/fine-tuning-use-cmlm-multilingual-quran-translation — модель Sentence Transformers, созданная дообучением Bofandra/fine-tuning-use-cmlm-multilingual-quran. Она кодирует предложения и абзацы в плотные векторы размерности 768 для оценки семантического сходства, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; метаданные указывают 498,1 млн параметров, формат safetensors и контекст до 512 токенов. Обучение описано на 6 225 парах предложений с MegaBatchMarginLoss; примеры связывают арабский текст Корана с английским переводом. Для сравнения векторов модель использует косинусное сходство. Лицензия в предоставленных данных не указана.

Finnish ModernBERT base — энкодерная модель архитектуры ModernBERT, разработанная TurkuNLP и предварительно обученная на финском, шведском, английском, коде, латыни и северносаамском языках. Модель содержит около 142,7 млн параметров, состоит из 22 слоёв и обучалась на 410,2 млрд токенов. Метаданные указывают контекстное окно 16 000 токенов; в карточке также отмечена теоретическая возможность экстраполяции до 128 тысяч токенов. Модель предназначена для заполнения маскированных токенов и получения контекстных представлений текста. Её можно применять как основу для задач обработки естественного языка и поиска по текстам; авторы сообщают о сильных результатах в задачах поиска вне обучающего домена на финском, шведском и английском языках. Модель конкурентоспособна в задачах NLU на коротком контексте, хотя в приведённом сравнении XLM-R-large показала лучшие результаты. Модель выпущена под лицензией Apache-2.0. Обучающие данные содержат источники с предвзятым и потенциально вредным содержанием, поэтому представления модели могут отражать эти свойства; их следует оценивать с учётом возможного влияния на уязвимые группы.

NeuML/glove-6B-quantized — квантованный экспорт английских векторов слов GloVe-6B размерности 300 для библиотеки staticvectors. Модель использует 10×256 Product Quantization и рассчитана на быстрый запуск инференса в Python с NumPy; по отдельным словам возвращает статические эмбеддинги. Модель подходит для вычисления семантического сходства предложений и построения признаков для задач NLP. Это квантованное представление базовой модели NeuML/glove-6B, распространяемое в формате safetensors по лицензии PDDL. Оно поддерживает английский язык; ограничение статических векторов — одно и то же представление слова используется независимо от его контекста.

GPT-5 Mini — компактная версия GPT-5 от OpenAI для задач рассуждения с умеренной вычислительной нагрузкой. Она рассчитана на сценарии, где важны меньшие задержки и стоимость при сохранении навыков следования инструкциям и настройки безопасности, характерных для GPT-5.

General Video Embedder (GVE-3B) — мультимодальная модель эмбеддингов для поиска видео, разработанная Alibaba-NLP на базе Qwen2.5-VL-3B-Instruct и дообученная с помощью LoRA на 13 млн собранных и синтезированных мультимодальных данных. Она кодирует текст, изображения и видео в представления для сопоставления запросов с видео без дополнительного обучения на целевом домене. Модель предназначена для текстового, визуального и комбинированного поиска по видео, включая запросы о пространственных и временных деталях, длинном контексте и частично релевантных фрагментах. Поддерживает запросы из текста, изображения, видео и их комбинаций; архитектура — плотная Qwen2.5-VL, размер — 3,1 млрд параметров, контекст — до 128 000 токенов. В метаданных указан английский язык. В README заявлены результаты zero-shot оценки на бенчмарке UVRB, включая пространственный и временной поиск. Модель доступна под лицензией Apache-2.0. Она предназначена для извлечения и сопоставления видео, а не для генерации описаний; численные результаты приведены для конкретного бенчмарка и не гарантируют качество на иных данных.

Mitchins разработал классификатор изображений на базе EfficientNet-B0 из timm, дообученный для отнесения изображений к одному из трёх классов: anime, real и rendered. Модель принимает RGB-изображения размером 224×224 пикселя и содержит 5,3 млн параметров. Классификатор предназначен для быстрой проверки, является ли изображение фотографией, аниме-кадром или 3D-рендером. В README указана точность 97,44% на валидационной выборке; скорость инференса около 20 мс на RTX 3060. Модель опубликована в формате safetensors и распространяется по лицензии OpenRAIL. Ошибки возможны на пограничных примерах: фотореалистичные игровые сцены могут распознаваться как фотографии, стилизованные игры — как аниме, а изображения в стиле Pixar могут давать смешанную уверенность. Для важных решений README рекомендует учитывать порог уверенности выше 85% и анализировать матрицу ошибок.

jp-parallel-gloss — англоязычный sentence-transformer, разработанный для оценки семантического сходства японских глосс и их английских определений. Модель дообучена на более чем 4 млн пар параллельных и непараллельных глосс из JMDict, а также на парах синонимов и антонимов из WordNet. В основе — BERT-энкодер sentence-transformers/all-MiniLM-L6-v2; модель содержит 25,9 млн параметров и создаёт нормализованные векторы размерности 384. README указывает предел длины входа 256 токенов, а метаданные — контекст до 512 токенов. Основное применение — поиск и сопоставление английских определений японских слов по смыслу. Векторы также подходят для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для сравнения используется косинусное сходство. В README приведены результаты оценки бинарной классификации, но они не гарантируют такое же качество на других данных и задачах. Модель работает с текстом на английском языке; лицензия в предоставленных сведениях не указана.

Это англоязычный cross-encoder на архитектуре BERT, разработанный ManasaKaza и дообученный на основе cross-encoder/ms-marco-MiniLM-L6-v2 с помощью библиотеки Sentence Transformers. Модель оценивает пары «поисковый запрос — документ» и выдаёт один числовой балл релевантности, который можно использовать для переранжирования результатов поиска и семантического поиска. Модель содержит 25,9 млн параметров, принимает текст и обрабатывает последовательности длиной до 512 токенов. В README описан обучающий набор из 2 932 пар запросов и документов с метками релевантности; примеры относятся к научной литературе по биомедицине. Лицензия в предоставленных данных не указана.

labse-hard-part2 — дообученная модель на базе sentence-transformers/LaBSE, созданная автором репозитория Alamin2230. Она предназначена для классификации текстовых последовательностей. Модель использует архитектуру BERT, содержит 498,1 млн параметров и принимает последовательности длиной до 512 токенов. Базовая LaBSE строит эмбеддинги предложений для 109 языков, однако конкретные языки и набор классов этой дообученной модели не описаны. В README приведены результаты на оценочном наборе: F1 0,9894, точность 0,9915, полнота 0,9873, FPR 0,0084 и FNR 0,0127. Данные для обучения и оценки не названы, поэтому эти показатели нельзя переносить на другие наборы данных или сценарии. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Xenova/larger_clap_music_and_speech — аудиомультимодальная модель на основе laion/larger_clap_music_and_speech, подготовленная в формате ONNX для работы с библиотекой Transformers.js. Репозиторий Xenova предоставляет веса, совместимые с JavaScript-средой и браузерными сценариями. Модель предназначена для классификации аудио без дополнительного обучения по текстовым описаниям классов (zero-shot audio classification). Она может сопоставлять аудиозапись с кандидатными метками, например отличать речь от музыкального произведения. Также модель поддерживает получение текстовых и аудиоэмбеддингов размерности 512, что позволяет сравнивать аудио и текст в общем векторном пространстве и использовать модель для поиска или семантического сопоставления. В README не указаны точный размер модели, внутреннее число параметров, архитектурные детали исходной модели, поддерживаемые языки и максимальная длина контекста. К сильным сторонам относятся работа без обучения на заданных категориях, поддержка отдельных текстового и аудиокодировщиков и возможность запуска через Transformers.js с ONNX-весами. Ограничения включают зависимость качества от формулировок кандидатных меток и отсутствие в предоставленных данных сведений о точности, языковом покрытии и производительности. Лицензия в README не указана.

laya-ara — дообученная Mohammad Alkhenizan модель ConvAI Laya для арабских задач понимания текста и принятия решений по заданным вариантам ответа. Она основана на convaiinnovations/laya-multilingual и использует архитектуру ModernBERT с плотными весами; размер модели — 306,9 млн параметров, контекст — до 8192 токенов. Это не генеративная языковая модель: она выбирает ответ, оценивает бинарное следование выводу и при необходимости выдаёт порядковую оценку. Модель предназначена для классификации намерений и сценариев, вывода по естественному языку и ранжирования небольшого списка кандидатов на арабском языке. В карточке приведены результаты на MASSIVE-ar, OSACT4-A и арабской части XNLI; также сообщается об улучшении выбора предложений в TyDiQA-ar и ранжирования коротких списков по сравнению с базовой моделью. Результаты зависят от задачи: например, XNLI уступает типичным дообученным AraBERT, а на некоторых задачах определения токсичности качество ниже базовой модели. Для запуска карточка рекомендует библиотеку Laya. Модель выпущена под лицензией с ограничением использования в исследованиях и некоммерческих целях из-за включения данных XNLI с лицензией CC BY-NC 4.0. У неё нет головы для токенной разметки NER или извлечения фрагментов текста; оценку распознавания оскорбительной речи нельзя считать гарантией для модерации. Разнообразие арабских диалектов исследовано ограниченно.

curiousily/layoutlmv3-financial-document-classification — модель автора curiousily, дообученная на базе microsoft/layoutlmv3-base для классификации финансовых документов по изображению и распознанному тексту. Она относит документы к одному из пяти классов: отчёт о прибылях и убытках, баланс, отчёт о движении денежных средств, примечания или прочие документы. Для распознавания текста при обучении использовались данные EasyOCR. Модель основана на LayoutLMv3, имеет около 151,8 млн параметров и контекст длиной до 514 токенов. Карточка указывает английский язык. Модель подходит для автоматической сортировки и предварительной маршрутизации финансовой отчётности; качество на других типах документов и языках не описано. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое использование.

johnbrumett-uofu/legal-ft-v0 — текстовая Sentence Transformer-модель, дообученная на базе Snowflake/snowflake-arctic-embed-l для семантического поиска и сопоставления предложений и документов. Модель использует архитектуру BERT с пулингом по CLS-токену и нормализацией векторов; она преобразует текст в плотные эмбеддинги размерности 1024, а сходство оценивается косинусной мерой. Модель рассчитана на поиск релевантных документов по запросу, оценку семантического сходства, поиск перефразирований, кластеризацию и классификацию текста. Максимальная длина последовательности — 512 токенов. В README приведены результаты оценки информационного поиска на небольшом наборе, а также описание 156 обучающих примеров; этого недостаточно, чтобы судить о качестве на широком спектре юридических задач. Лицензия в предоставленных данных не указана.

ysmeta/legal-ko-v7 — корейскоязычная модель Sentence Transformer, дообученная разработчиком репозитория на базе dragonkue/BGE-m3-ko для представления предложений и абзацев в виде плотных векторов. Она построена на XLM-RoBERTa с пулингом CLS и нормализацией: выдаёт векторы размерности 1024, а близость текстов оценивается косинусным сходством. Максимальная длина последовательности в README указана как 384 токена; в метаданных длина контекста — 8194 токена. Модель предназначена для семантического поиска и сравнения корейских текстов, в том числе юридических вопросов и документов. Также её можно применять для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. README приводит результаты на наборе legal-hard-slice: cosine_accuracy@1 — 0,92 и @10 — 0,99. Модель принимает текст и выдаёт векторы; она не генерирует ответы. Обучение описано на наборах pairs и verified, а лицензия — MIT. Результаты оценки относятся к указанному набору и не гарантируют такое же качество на других корпусах; указанная в README длина последовательности может ограничивать обработку длинных документов.

argsearch/llama-7b-rm-float32 — модель классификации последовательностей на архитектуре Llama с 6,6 млрд параметров. Согласно README, она обучена с нуля на неизвестном наборе данных; дополнительных сведений о разработчике и обучении карточка не содержит. Модель предназначена для классификации текста и может применяться в сценариях, где требуется отнести входной текст к одному из классов. Репозиторий содержит веса в формате Safetensors. Длина контекста составляет 2048 токенов. Данных о языках, лицензии, качестве и ограничениях применения нет, поэтому нельзя надёжно определить поддерживаемые языки или рекомендовать модель для конкретной предметной области.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_4 — модель классификации текста на платформе Hugging Face, опубликованная пользователем Jeevesh8. Она основана на BERT-base uncased и предназначена для задач обработки английского текста, в частности для классификации и вывода о соответствии между текстовыми высказываниями после дообучения на MNLI. Архитектура представляет собой двунаправленный Transformer-энкодер BERT Base: 12 слоёв, скрытое представление размерности 768, 12 attention heads и около 110 млн параметров. Модель работает только с текстом, использует uncased-токенизацию английского языка; в идентификаторе указана длина последовательности 128 токенов. Она пригодна для прикладной текстовой классификации и inference через библиотеку Transformers. Сильные стороны — проверенная архитектура BERT и специализация на задаче текстовой классификации после дообучения на MNLI. Ограничения включают поддержку преимущественно английского языка, ограниченную длину входа и отсутствие опубликованной карточки модели, подробных метрик, описания набора данных и явных сведений о дополнительной оценке качества. Лицензия именно производного репозитория не указана; исходная реализация BERT распространяется по Apache 2.0.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_7 — модель классификации текста, опубликованная пользователем или организацией Jeevesh8 на Hugging Face. По идентификатору и карточке каталога она основана на BERT-base-uncased и предназначена для задачи QQP (Quora Question Pairs), то есть для классификации пар вопросов, в частности определения их семантической эквивалентности. Модель относится к семейству BERT и работает с текстом на входе; заявленная максимальная длина последовательности при дообучении составляет 128 токенов. Суффикс ft указывает на fine-tuning, а название отражает использованные настройки обучения, включая clipping, warmup и перемешивание данных. Данные о точном числе параметров, языках, метриках качества, ограничениях и лицензии в доступных результатах поиска не установлены, поэтому сильные стороны и условия использования нельзя надёжно описать.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_8 — модель классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. Она основана на BERT-base-uncased и дообучена для задачи QQP (Quora Question Pairs), то есть для классификации пар вопросов, вероятно с целью определения их семантической эквивалентности или дубликатов. Репозиторий поддерживает загрузку через Transformers как AutoModelForSequenceClassification и имеет тип Text Classification. Базовая архитектура BERT-base-uncased разработана Google: это англоязычный bidirectional Transformer с примерно 110 млн параметров, 12 слоями, 12 attention heads и размерностью скрытого состояния 768. Модель не учитывает регистр, а имя репозитория указывает на ограничение длины последовательности 128 токенов. Она предназначена для англоязычных текстовых задач, связанных с классификацией пар вопросов, но не является генеративной моделью и не предназначена для свободной генерации текста. Сильная сторона модели — использование предварительно обученного BERT и специализация на задаче QQP. При этом у репозитория отсутствует заполненная карточка модели: не указаны точные метрики, параметры классификационных меток, подробности обучения, подтверждённые ограничения и рекомендации по применению. Лицензия для этой конкретной производной модели явно не указана; лицензия базовой модели BERT-base-uncased не должна автоматически считаться лицензией данного репозитория.

LumynaX Embed IBM Granite 278M Multilingual — архивный эксперимент AbteeX AI Labs на базе многоязычной модели эмбеддингов IBM Granite. Веса базовой модели сохранены без изменений; интеграция выполнялась через маршрутизацию во время работы и привязку идентичности. Архитектура — плотный энкодер XLM-RoBERTa с 305,2 млн параметров, реализованный на Sentence Transformers; репозиторий содержит веса PyTorch в формате Safetensors. Нативная длина контекста — 514 токенов. Модель предназначена для получения текстовых эмбеддингов, семантического поиска, извлечения релевантных документов и сравнения предложений. В метаданных отмечены английский и маори; базовая модель заявлена как многоязычная. Карточка помечает выпуск как устаревший и не рекомендует его для промышленного применения. Лицензия — Apache 2.0.

M-BERT Distil 40 — мультиязычная текстовая модель проекта Multilingual-CLIP, дообученная на базе distilbert-base-multilingual для согласования текстовых эмбеддингов с пространством текстового энкодера CLIP, используемого вместе с визуальным энкодером ResNet-50x4. Она извлекает признаки из текста и предназначена для мультиязычного поиска по изображениям и сопоставления текста с изображениями в сочетании с исходным CLIP-энкодером и дополнительными линейными весами. Модель дообучали на парах предложений и описаний изображений для 40 языков: предложения брали из GCC, MSCOCO и VizWiz, а переводы создавали с помощью AWS Translate. Контекст модели составляет 512 токенов. В карточке отмечены приемлемые качественные результаты для французского, немецкого, испанского, русского, шведского и греческого языков; результаты могут различаться между языками из-за неодинакового качества переводов. Для применения требуется исходный визуальный энкодер CLIP и дополнительные веса. Лицензия в предоставленных данных не указана.