I.11Классификация, ранжирование и сопоставление

Модель leomaurodesenv/electra-base-discriminator-disaster-tweet-jailbreaking-augmented — дообученный англоязычный энкодер ELECTRA на базе google/electra-base-discriminator для классификации текстовых последовательностей. В названии указана тематика твитов о катастрофах и jailbreaking, однако README не поясняет целевые классы и набор данных, поэтому конкретную схему классификации установить нельзя. Модель построена на архитектуре ElectraForSequenceClassification, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты на оценочной выборке: loss 0,1216 и accuracy 0,9789; без сведений о датасете и методике оценки эти показатели нельзя напрямую переносить на другие данные. Модель распространяется под лицензией Apache-2.0.

CMB-ClimateModernBERT/F_CX — англоязычная encoder-only модель семейства ModernBERT, разработанная как часть проекта ClimateModernBERT. Это версия Phase 1, полученная продолжением предобучения ModernBERT-Base на корпусе Climate Web, отфильтрованном по тематике климата. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и поддерживает контекст до 8192 токенов. Модель предназначена для исследований в области обработки климатических текстов и может служить энкодером для дообучения на классификацию, многометочную разметку и поиск по корпоративной отчётности, документам государственной политики, научным публикациям и новостям о климате. В качестве masked language model она также решает задачу заполнения пропусков в тексте. В описанной оценке на девяти климатических NLP-бенчмарках средний F1 составил 74,1; для общего использования авторы рекомендуют другую, объединённую модель из семейства. Модель работает только с английским языком и не является инструкционной системой; её оценки не дают калиброванных гарантий фактической точности. Длинный контекст не был полностью проверен в приведённой оценке, а выводы о составе корпуса относятся к климатическому NLP. README не сообщает лицензию весов.

HarmCare_continuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текста. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и рассчитана на последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 0,0326, RMSE 0,1805, MAE 0,1411 и корреляция 0,2259. Карточка не раскрывает назначение непрерывной оценки, набор меток, обучающие данные и рекомендуемые сценарии применения, поэтому интерпретировать выход модели без дополнительной документации нельзя. Модель распространяется по лицензии MIT.

IngroupLoyalty_continuous — модель классификации текста на основе DeBERTa v3 Base, дообученная автором ajrayman. Веса содержат около 211,6 млн параметров, модель принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors по лицензии MIT. Модель предназначена для оценки текстов в задаче непрерывного прогнозирования показателя, связанного с лояльностью к своей группе. В README приведены результаты на тестовой выборке: loss 0,0377, RMSE 0,1943, MAE 0,1542 и корреляция 0,3554. Описание набора данных, шкалы оценки и предполагаемых сценариев применения не предоставлено, поэтому результаты и применимость модели следует проверять на целевых данных.

unslothai/lambda — модель из репозитория unslothai на Hugging Face, опубликованная разработчиком unslothai. По метаданным репозитория она предназначена для задачи feature extraction и может загружаться через Transformers как модель для извлечения признаков из текста. Архитектура указана как LlamaModel, формат весов — Safetensors, тип данных — float32. Надёжно установить размер модели, число параметров, поддерживаемые языки, длину контекста и конкретные характеристики качества невозможно: в конфигурации эти значения указаны как нулевые, а полноценная карточка модели отсутствует. Модель не развернута через Inference Providers. Лицензия в репозитории не указана, поэтому условия использования требуют отдельной проверки.

tomerRest/line_item_categories — модель классификации текстовых последовательностей на базе DistilBERT, опубликованная на Hugging Face. По названию репозитория можно предположить, что она предназначена для присвоения категорий позициям в строках, однако карточка модели или другие первоисточники с описанием этой задачи не найдены. Метаданные указывают архитектуру DistilBertForSequenceClassification, библиотеку Transformers, формат safetensors и контекстное окно 512 токенов.

julian-schelb/multilingual-e5-small-emb-lat-intertext-v2 — модель Sentence Transformer, дообученная на базе intfloat/multilingual-e5-small для создания эмбеддингов латинских текстов и поиска межтекстовых связей между авторами классической эпохи. Она входит в настройку бенчмарка Loci Similes и обучена с online contrastive loss на одном из пяти разбиений его данных. Модель предназначена для поиска и сопоставления экспертно подтверждённых интертекстуальных связей; для сохранения качества поиска следует использовать соответствующие обучению prompt-префиксы и интерфейс пакета LociSimiles. Модель основана на архитектуре BERT, содержит 124,3 млн параметров, принимает текст и выдаёт плотные векторные эмбеддинги. Максимальная длина контекста — 512 токенов. Поддерживаемый язык для целевой задачи — латинский. Версия v2 заменяет v1 для актуальной версии бенчмарка, а v1 остаётся доступной для воспроизведения прежних результатов. Лицензия — Apache 2.0.

DeepPavlov/roberta-large-winogrande — модель DeepPavlov на архитектуре RoBERTa Large, дообученная на наборе WinoGrande-XL для классификации текста. В каждом примере модель независимо оценивает пару из части предложения и одного из вариантов заполнения пропуска, присваивая ей метку True или False; пары для правильного и неправильного вариантов перемешиваются при подготовке данных. Модель предназначена для выбора подходящего варианта в задачах на понимание контекста и здравый смысл, сформулированных как заполнение пропуска в предложении. Она содержит 454,1 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В метаданных указан английский язык и формат PyTorch. Это специализированная классификационная модель для формата WinoGrande, поэтому для получения ответа обычно требуется отдельно оценить каждую пару «контекст — вариант» и сопоставить оценки. Карточка не описывает ограничения подробнее. Модель доступна по лицензии, указанной в репозитории; в предоставленных сведениях её условия не приведены.

Модель CFIA AI Lab и Seed Lab — дообученная версия RT-DETR V2 на базе PekingU/rtdetr_v2_r50vd, предназначенная для обнаружения 101 вида семян сорных растений, связанных с регулируемыми видами REGAL. Она принимает изображения и возвращает обнаруженные объекты с локализацией и метками классов; архитектура — RT-DETR V2 Transformer. В README указаны 17 908 обучающих, 7 076 валидационных и 3 166 тестовых изображений. Модель подходит для автоматизированного выявления и локализации целевых видов семян на изображениях в задачах контроля и сортировки. Поддерживаемые классы перечислены в карточке по научным названиям. Модель опубликована в форматах safetensors и ONNX, лицензия — MIT. Карточка не приводит метрики качества и подробные ограничения применения.

satyame639291/sarcasm-distilbert — англоязычная модель на базе DistilBERT, дообученная разработчиком на бинарную классификацию заголовков новостей по признаку сарказма. Она различает саркастические заголовки The Onion и обычные заголовки HuffPost, присваивая класс «саркастический» или «не саркастический». Модель использует архитектуру DistilBertForSequenceClassification и принимает текст; максимальная длина контекста — 512 токенов. Модель предназначена для выявления сарказма в заголовках новостей. В описанном тесте на 4 276 заголовках она показала точность и взвешенную F1-меру 92%. Эти результаты относятся к указанному набору данных: метки определялись источником публикации, поэтому модель может распознавать стиль издания вместо сарказма. Она не проверена на соцсетях, отзывах, диалогах и текстах не на английском; сарказм, требующий внешних или культурных знаний, распознаётся хуже. Лицензия — MIT.

Self-consciousness_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она содержит около 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для бинарной классификации текста, однако карточка не объясняет, что именно классифицируется, и не описывает целевые сценарии применения. В README приведены результаты оценки: accuracy 0,6787, precision 0,6838, recall 0,6633, F1 0,6734 и AUC 0,7213. Эти показатели описывают оценочный набор, но без сведений о данных и метках их нельзя интерпретировать как качество для конкретного применения. Модель распространяется по лицензии MIT.

Модель nqvii/swin-tiny-rice-disease-results — дообученная версия Swin-Tiny от Microsoft для классификации изображений болезней риса. Она построена на архитектуре Swin Transformer и содержит около 33 млн параметров; модель предназначена для анализа изображений растений и отнесения их к классам из набора rice-diseases-image-dataset. На указанной в карточке оценочной выборке модель получила accuracy 0,8898, F1 0,8879, recall 0,8885 и loss 0,5802. Это может быть полезно для предварительной сортировки снимков при мониторинге посевов и поддержке оценки состояния растений. Результаты на других наборах данных и в полевых условиях могут отличаться. Модель принимает изображения и выдаёт метки классов. Для работы используется библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

PDAP/url-relevance — модель классификации текста на базе DistilBERT, опубликованная 7 марта 2024 года. По карточке она обучена с нуля на неизвестном наборе данных; подробности об авторе и назначении в README отсутствуют. Метаданные указывают на задачу text-classification и архитектуру DistilBertForSequenceClassification с контекстом до 2048 токенов. Название репозитория предполагает оценку релевантности URL, однако карточка не подтверждает, какие именно тексты или URL модель принимает и как интерпретировать её классы. Указаны веса в формате safetensors и TensorFlow. README не содержит сведений о метриках, обучающих данных, ограничениях или лицензии, поэтому применимость модели для конкретных сценариев и условия её использования подтвердить нельзя.

Activation Support Fusion v1 — экспериментальная модель второго этапа ранжирования доказательств, созданная на основе телеметрии Qwen3-4B. Она объединяет признаки активаций и метаданные кандидатов из заранее сформированного списка dense-поиска, чтобы переупорядочивать до 100 документов на запрос; модель не принимает исходный текст напрямую и не генерирует ответы. Архитектура — MLP `Linear(254,128) → ReLU → Linear(128,128) → ReLU → Linear(128,1)`, веса доступны в формате Safetensors. Для работы нужны точные признаки, полученные двумя префиллами базовой Qwen3-4B с выпущенным RMT-адаптером, а также плотные оценки и позиции кандидатов. Модель предназначена для исследовательских экспериментов по поиску экспертных свидетельств в юридических, биомедицинских, научных, политических и технических документах, особенно при наличии тематически близких нерелевантных кандидатов. В оценке на LegalBench-RAG и R2MED fusion-система улучшила nDCG@10 относительно dense-поиска на 0,0981 на 820 запросах; результаты пока ограничены двумя экспертными наборами данных и не подтверждают универсальное превосходство. Модель выпущена под лицензией MIT. Она требует точного совпадения базового чекпойнта, адаптера, токенизатора, слоя, позиции, SAE и схемы pooling; смена этих компонентов нарушает калибровку. Вычисление двух префиллов на кандидата дорого, а оценки зависят от состава списка. Релевантность в бенчмарках не подтверждает фактическую, юридическую или клиническую корректность найденной информации.

Activity_Level_continuous — дообученная модель на базе microsoft/deberta-v3-base для классификации текста. В репозитории указана оценка на тестовой выборке: loss 0,0595, RMSE 0,2439, MAE 0,1931 и корреляция 0,1839. Архитектура DeBERTa v2 с 211,6 млн параметров; модель принимает текст с контекстом до 512 токенов и выдаёт результат классификации. Назначение конкретного показателя Activity Level и состав обучающих данных в карточке не раскрыты, поэтому применимость и качество для конкретных сценариев требуют проверки. Лицензия — MIT.

ADAL Detector — классификатор текста на базе RoBERTa-large, обученный выявлять тексты, созданные ИИ, и отличать их от написанных человеком. Модель разработал Shushant; она основана на подходе RADAR и дополнена набором атак уклонения от детектирования. Размер модели — 454,1 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для проверки текстов, созданных генераторами ChatGPT, GPT-2/3/4, Cohere, Llama, Mistral и MPT. При обучении использовались примеры перефразирования, замены синонимов, подмены символов, удаления артиклей и опечаток. Она возвращает один из двух классов: текст, созданный ИИ, или написанный человеком. В README указана лучшая macro AUROC 0,9940 на оценке автора; этот показатель сам по себе не гарантирует такую же точность на других данных. Модель рассчитана на англоязычный текст и работает с последовательностями ограниченной длины. Её можно использовать для предварительной проверки текстов, но результат классификации не доказывает авторство и может быть ненадёжным для текстов вне обучающего распределения. Распространяется по лицензии Apache-2.0.

CMRCLIP — контрастивная мультимодальная модель для сопоставления изображений сердечной магнитно-резонансной томографии (CMR) с клиническими отчетами. В репозитории размещены обученные веса и минимальная конфигурация; модель сочетает текстовый энкодер Bio_ClinicalBERT, видеоэнкодер на основе Vision Transformer SpaceTimeTransformer и проекционный слой, который переводит представления обеих модальностей в общее векторное пространство. Модель предназначена для поиска и ранжирования соответствий между CMR-изображениями и отчетами, оценки сходства и использования в последующих задачах. Она принимает медицинские изображения CMR и клинический текст на английском языке, выдавая векторные представления для обеих модальностей. Модель распространяется по лицензии MIT. Карточка не приводит размер модели, длину контекста или результаты клинической валидации. Предназначение ограничено кардиальной магнитно-резонансной томографией и клиническими отчетами; качество на других типах изображений и текстов не подтверждено.

CRAB_albert_base_finetuned — дообученная модель ALBERT, разработанная на основе albert/albert-base-v2 для задачи выбора одного ответа из нескольких вариантов. Архитектура — AlbertForMultipleChoice; модель содержит 136,3 млн параметров и принимает текст с контекстом до 512 токенов. Веса опубликованы в формате Safetensors. В README указаны результаты оценки: loss 1,0693 и F1 0,7264. Датасет, предметная область и конкретный сценарий использования не описаны, поэтому результаты нельзя связать с определённым типом вопросов. Модель распространяется по лицензии Apache-2.0.

Модель cvmil/dinov2-base_rice-leaf-disease-augmented_fft — дообученная CVMIL версия визуального трансформера DINOv2 Base от Facebook для классификации изображений. Она предназначена для распознавания классов на изображениях листьев риса и может применяться для автоматизированного выявления заболеваний по фотографиям. Архитектура — Dinov2ForImageClassification; модель содержит 113,2 млн параметров и использует библиотеку Transformers. В README приведены результаты на тестовой выборке: accuracy 0,9965 и loss 0,0125. Данные обучения и перечень классов не описаны, поэтому эти показатели нельзя обобщать на другие условия съёмки или наборы данных. Модель распространяется по лицензии Apache-2.0.

Модель paulgp85/econ-ai-detector-distilroberta-v3 разработана для выявления текста, созданного языковыми моделями, в экономических рабочих статьях и журнальной прозе. Это дообученная DistilRoBERTa-base с архитектурой RoBERTa для классификации последовательностей; размер составляет 95,2 млн параметров. Модель принимает нормализованный фрагмент прозы длиной около 250 слов и до 384 токенов и выдаёт логиты для двух классов: человеческий текст и текст, сгенерированный LLM. Модель обучена на экономических статьях до 2020 года и тематически сопоставленных фрагментах, с дополнительными сложными отрицательными примерами и состязательными вариантами. Её предназначение — анализ экономической прозы; README рекомендует применять её через пакет ансамбля v3, который выполняет нормализацию и разбиение на окна, а также использует откалиброванные пороги и правило для уровня статьи. Лицензия — Apache-2.0. Отдельный классификатор может выдавать насыщенные значения softmax, поэтому README рекомендует использовать разницу логитов и калибровать её на заведомо человеческих текстах своего регистра. Приведённые показатели ошибок относятся к ансамблю и указанным наборам проверки; модель не гарантирует надёжное выявление ИИ-текста в иных областях и стилях.

R1064 — MidCtx × MidRank × MidBeta Ultra HiLR — это экспериментальный чат-чекпойнт семейства Qwen 3.5 MoE от crazyape777, полученный офлайн-дообучением методом DPO базовой модели vera6/affine-5g4yy75zuz-t6. Он создан для участия в SN120 Affine miner и оценки парных ответов по Reason v4, а не для общего общения. Обучение оптимизировало предпочтение рассуждений, повышающих оценку учительской модели; в README описаны сравнение с родительской моделью и выигрыш на тесте из 79 примеров. Модель принимает текст и генерирует текст в формате диалога. В обучении использовались пары предпочтений для дуэльной оценки, LoRA с рангом 32 и максимальной длиной последовательности 8192 токена. Репозиторий содержит веса Safetensors и предназначен для библиотеки Transformers. Лицензия — Apache 2.0. Заявленные в README результаты относятся к конкретной версии Reason v4 и протоколу оценки; они не подтверждают качество на общих задачах. Модель не позиционируется как универсальный чат-ассистент.

GovernanceBERT-base — языковая модель на архитектуре RoBERTa, разработанная авторами исследования о применении NLP для измерения ESG-коммуникации. Она дообучена предварительной языковой тренировкой на основе DistilRoBERTa и предназначена для анализа текстов по вопросам корпоративного управления в контексте ESG. Модель обучалась на материалах годовых и отчетов об устойчивом развитии, а также корпоративных и общих новостях. Задача в карточке Hugging Face — заполнение пропусков в тексте: модель предсказывает токены вместо маскированных фрагментов. Английская версия содержит около 95,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для NLP-анализа англоязычных текстов о корпоративном управлении и ESG, в том числе как компонент исследовательских и аналитических процессов. Она не предназначена сама по себе для оценки компаний или выдачи готовых ESG-рейтингов. Лицензия — Apache-2.0.

JaunBERT — баскская языковая модель, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Это энкодер ModernBERT с 307 млн параметров, дообученный на основе BSC-LT/MrBERT для задачи masked language modeling. Модель принимает текст и предсказывает замаскированные в нём токены; её можно использовать напрямую или дообучить для других задач. Модель ориентирована на баскский язык. Семейство JaunBERT предварительно обучено на корпусе latxa-corpus-v2; для отдельных вариантов использованы дополнительные юридические, новостные и научные подкорпуса. Максимальная длина контекста — 8192 токена. Для поиска и классификации текстов модель может служить основой после соответствующего дообучения, но сама карточка заявляет задачу заполнения пропусков. Лицензия — Apache 2.0.

Machiavellianism Binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста по признаку макиавеллизма; размер модели составляет 211,6 млн параметров, архитектура — DeBERTa V2 для классификации последовательностей, максимальный контекст — 512 токенов. На оценочном наборе модель получила accuracy 0,6884, precision 0,7492, recall 0,5675, F1 0,6458 и AUC 0,7389. Эти результаты характеризуют только указанный в карточке набор оценки и не гарантируют такую же точность на новых данных. Лицензия — MIT.

unslothai/other — репозиторий модели на Hugging Face от Unsloth AI. Метаданные относят её к архитектуре LLaMA и задаче извлечения признаков; модель использует библиотеку Transformers и хранится в формате safetensors. Её можно применять для извлечения представлений из входных данных в задачах, где требуется получить признаки модели. Доступные сведения не устанавливают размер модели, поддерживаемые языки, длину контекста, конкретные сценарии применения или лицензию, поэтому эти характеристики нельзя надёжно описать.

PubMed-Ophtha CLIP ViT-B-32 — модель vision-language на базе CLIP, разработанная авторами исследования «Scientific Domain Knowledge Improves Vision-Language Fundus Models» и дообученная на научных текстах и изображениях из набора PubMed-Ophtha. Она предназначена для сопоставления изображений глазного дна с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения классификатора. В README сообщается о сравнении на 110 клинических задачах и шести наборах данных для изображений глазного дна; модель также подходит для исследований контрастивного обучения и поиска по сходству. Зрительный энкодер — ViT-B/32 с размером изображения 224×224 пикселя; текстовый энкодер — 12-слойный трансформер с контекстом 77 токенов. Размерность эмбеддингов — 512. Чекпойнт инициализирован весами OpenAI CLIP и дообучен на 96 916 парах PubMed-Ophtha. Лицензия — MIT. Это исследовательский ресурс, а не клиническая диагностическая система: авторы не валидировали его для постановки диагнозов и не рекомендуют использовать для ухода за пациентами. По README модель ориентирована на изображения глазного дна; хотя исходный набор включает OCT и другие типы изображений, применимость к ним в карточке не подтверждена.

yuiseki разработал экспериментальную языковую модель qwen3-0.6b-jp-gov-v0.1: плотную Qwen3ForCausalLM с 507,9 млн параметров, полученную продолжением предобучения Qwen/Qwen3-0.6B-Base на фактах о муниципалитетах Японии. Модель генерирует текст на японском языке и рассчитана на продолжение заданного текста, а не на диалог в режиме чата. Она принимает контекст длиной до 32 768 токенов; веса опубликованы в формате safetensors по лицензии Apache-2.0. Основной сценарий — продолжение японских фраз о том, к какой префектуре относится муниципалитет, и ответы на близкие запросы о географических связях муниципалитетов Японии. На фактах и формулировках, использованных при обучении, автор сообщает точность 86,5%; на муниципалитетах, исключённых из обучающего корпуса, — 22,8%. Модель также отвечает на некоторые новые формулировки и обратные запросы, но показатели зависят от формы вопроса. Модель не предназначена для общих знаний о географии Японии: она плохо отвечает о муниципалитетах, которых не было в обучающих данных, и заметно хуже справляется с названиями в ромадзи. Обучение также изменило японский стиль ответов и повысило потерю на отложенной выборке Википедии, что указывает на забывание части общих языковых знаний. Карточка не заявляет о дообучении в формате инструкций.

Карточка модели unconst/Affine-5czsc2fc98-r1064-vera-odpo-midrank-midbeta-midctx-ultraextra-ep4-hilr-merged на Hugging Face совпадает с карточкой crazyape777/fk-unconst-affine-5czsc2fc98-r1064-vera-odpo-midrank-midbeta-mi, поэтому описание составлено по ней. R1064 — MidCtx × MidRank × MidBeta Ultra HiLR — это экспериментальный чат-чекпойнт семейства Qwen 3.5 MoE от crazyape777, полученный офлайн-дообучением методом DPO базовой модели vera6/affine-5g4yy75zuz-t6. Он создан для участия в SN120 Affine miner и оценки парных ответов по Reason v4, а не для общего общения. Обучение оптимизировало предпочтение рассуждений, повышающих оценку учительской модели; в README описаны сравнение с родительской моделью и выигрыш на тесте из 79 примеров. Модель принимает текст и генерирует текст в формате диалога. В обучении использовались пары предпочтений для дуэльной оценки, LoRA с рангом 32 и максимальной длиной последовательности 8192 токена. Репозиторий содержит веса Safetensors и предназначен для библиотеки Transformers. Лицензия — Apache 2.0. Заявленные в README результаты относятся к конкретной версии Reason v4 и протоколу оценки; они не подтверждают качество на общих задачах. Модель не позиционируется как универсальный чат-ассистент.

AraGenre E5-Large MNRL — Augmented Definitions — текстовая модель эмбеддингов, созданная Hassan Barmandah, Israa Elhosiny, Yousra El-Ghawi и Omer Nacar из сообщества NAMAA и Университета Умм-аль-Кура. Она дообучена на базе intfloat/multilingual-e5-large с функцией MultipleNegativesRankingLoss и сопоставляет арабские тексты с расширенными англоязычными определениями жанров для иерархической классификации AraGenre: определения широкого и конкретного жанра. Модель построена на XLM-RoBERTa-large, содержит 658,7 млн параметров, принимает текст и выдаёт эмбеддинги; размер контекста — 514 токенов. В карточке указаны арабский и английский языки. Лицензия — Apache-2.0. Высокий результат на небольшой выборке разработки не отражает качество на реальных данных: по описанию проекта, родственные дообученные энкодеры показали лишь 0,22–0,44 hierarchical F1 на скрытом тесте с 27 972 примерами и расширенной таксономией. Авторы выпустили эту модель для воспроизводимости экспериментов и не рекомендуют её как производственный классификатор.

BabyLM-community/babylm-multimodal-baseline-flamingo — мультимодальная модель генерации текста, опубликованная сообществом BabyLM как базовая модель для мультимодального направления BabyLM Challenge. Она предназначена для изучения того, как компактные языковые модели связывают язык с визуальной информацией; в частности, может генерировать текст с учётом изображения и использоваться для визуального заземления языка. Архитектура построена на Flamingo с текстовым декодером, обусловленным визуальными токенами; в конфигурации Hugging Face указано семейство OPT и около 138,4 млн параметров. Контекст составляет 2048 токенов. Ввод включает текст и изображения, вывод — текст. Модель ориентирована на англоязычные данные BabyLM; сведения о лицензии и более точных ограничениях в карточке не приведены.