I.11Классификация, ранжирование и сопоставление

Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

Plek-1 — модель классификации решений от sharhabeel, построенная на архитектуре T5ForConditionalGeneration и методологии Jev System One. Она оценивает заданные варианты параллельно за один проход и возвращает вероятности и структурированные решения, ограниченные списком вариантов. Модель предназначена для классификации намерений и настроений, определения срочности, маршрутизации запросов и фильтрации угроз; в карточке заявлена работа с контекстом, вопросом или подсказкой и набором вариантов. Модель содержит 385,2 млн параметров, использует формат safetensors и имеет контекстное окно 512 токенов. Метаданные указывают английский язык и лицензию Apache-2.0. Карточка заявляет высокую скорость и снижение риска произвольных текстовых ответов благодаря выбору из предложенных вариантов, однако не приводит независимых оценок качества. Упоминание в README оценки контекста свыше 200 000 токенов не согласуется с указанным в метаданных размером контекста.

polish-reranker-large-ranknet — польская модель для переранжирования результатов поиска, разработанная на основе Polish RoBERTa и обученная с функцией потерь RankNet. Она оценивает релевантность документов запросу и упорядочивает их, используя попарное сравнение документов. Обучение проводилось на 1,4 млн запросов и 10 млн документов: польской части MS MARCO, переведённом на польский ELI5 и наборе польских медицинских вопросов и ответов. Для разметки релевантности использовалась модель unicamp-dl/mt5-13b-mmarco-100k; базовая модель выступала учеником в дистилляции. Модель предназначена для второго этапа информационного поиска: она принимает запрос и найденные документы и выдаёт оценки или ранжированный список. В тесте Polish Information Retrieval Benchmark достигла NDCG@10 62,65; авторы сообщают, что она быстрее и компактнее модели-учителя. Это модель RoBERTa для классификации последовательностей с 533,7 млн параметров, контекстом 514 токенов и форматом safetensors; доступна через Sentence-Transformers и Transformers. Лицензия — Apache-2.0.

Карточка модели Traii/predictindustryforcallcenter на Hugging Face совпадает с карточкой intfloat/e5-base-v2, поэтому описание составлено по ней. E5-base-v2 — англоязычная модель эмбеддингов текста, разработанная Liang Wang, Nan Yang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 12 слоёв, размерность эмбеддинга 768, около 136,7 млн параметров. Модель принимает текст и выдаёт векторные представления для сравнения предложений и поиска по смыслу. Модель подходит для семантического сходства, поиска документов и пассажей, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Для асимметричного поиска рекомендуется добавлять к запросам префикс «query: », а к документам — «passage: »; для сходства и других симметричных задач используется префикс «query: ». Контекст ограничен 512 токенами, длинные тексты обрезаются; модель предназначена только для английского языка. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_random_gist_checkpoint_epoch_1_step_190 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Rebine/Qwen3.5-Embedding-0.8B — текстовая модель эмбеддингов, дообученная на базе Qwen/Qwen3.5-0.8B-Base для семантического поиска, в первую очередь для извлечения воспоминаний агентами. Она принимает запросы и фрагменты текста, кодирует их в векторы размерностью до 1024 и поддерживает уменьшение размерности до 128, 256, 512 или 768. Контекст составляет 2048 токенов; архитектура — плотная текстовая модель Qwen3.5 с 24 слоями, включая линейное и полное внимание. Модель рассчитана на китайский и английский языки и подходит для поиска по базам знаний, архивам диалогов и технической документации, в том числе по коротким ключевым запросам и вопросам на естественном языке. Для запросов README предписывает добавлять инструкцию, использовать pooling по последнему токену и L2-нормализацию; для фрагментов текста инструкция не нужна. Модель распространяется под лицензией Apache-2.0. README приводит результаты сравнений на наборах для поиска воспоминаний и обычного контента; на некоторых тестах модель уступает Qwen3-Embedding-0.6B, а на других превосходит её, поэтому качество следует оценивать на собственном корпусе. Для корректной работы нужно самостоятельно реализовать предписанные обработку запросов и pooling: готовой обёртки sentence-transformers нет.

Это дообученная плотная модель для поиска по тексту, подготовленная Steve0927 для соревнования XIR 1170. Она основана на Qwen3-Embedding-0.6B и содержит около 507,6 млн параметров; для векторного представления текста используется архитектура Qwen3. Модель рассчитана на создание эмбеддингов и извлечение релевантных документов в сценариях агентного поиска по фиксированному корпусу, в том числе в задачах формата XIR и BrowseComp-Plus. При обучении применялся метод Trajectory Utility Calibration: строки запросов, положительных и отрицательных примеров из официальных траекторных данных LRAT проверялись и взвешивались с целью снизить влияние слабых положительных примеров и вероятных ложных отрицаний. Модель поддерживает контекст до 32 768 токенов. Карточка указывает английский язык; метаданные относят базовую модель к многоязычным эмбеддинговым моделям Qwen3. Лицензия в предоставленных данных не указана.

Qwen3 Embedding 0.6B LRAT Full-v1 to Broad Extrapolation a1.25 — экспериментальный текстовый энкодер для получения признаковых представлений и семантического поиска. Это дообученная модель семейства Qwen3 с плотной архитектурой Qwen3Model и примерно 507,6 млн параметров; она основана на Qwen/Qwen3-Embedding-0.6B. Модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 32 768 токенов. Чекпойнт получен экстраполяцией направления между двумя версиями ретривера команды: full-v1 и broad-g16-v2. Обе версии обучались на предоставленных организаторами траекториях LRAT и корпусе. Выбор чекпойнта опирался на локальную оценку с фиксированными seed в процессе BrowseComp-Plus Agent и Judge; авторы не заявляют эти оценки как официальные результаты. Лицензия — Apache-2.0.

vincolle/reranker-bert-italian-uncased-mmarco-mnrl — италоязычный reranker от разработчика vincolle, созданный дообучением ModernBERT как cross-encoder для поиска информации. Модель оценивает релевантность пары «запрос — фрагмент текста» и переупорядочивает найденные документы; её предполагаемый сценарий — второй этап конвейера retrieve-then-rerank после первичного поиска биэнкодером. Архитектура — ModernBertForSequenceClassification, около 134,9 млн параметров; нативный контекст — 8192 токена. Модель обучалась на смеси mMARCO-it и итальянского набора GooAQ, включая 75 тысяч обучающих троек с hard negatives. В README приведены результаты на отложенной выборке из того же распределения: NDCG@10 0,9235, MRR@10 0,9102 и MAP 0,9105; эти оценки не гарантируют аналогичного качества на других данных. Модель ориентирована на итальянский язык и работает с текстом на входе и оценками релевантности на выходе. Распространяется по лицензии Apache-2.0.

retrieval-mpnet-bn — модель Sentence Transformers, разработанная Asif Faisal Chowdhury для семантического поиска и извлечения релевантных текстов на бенгальском языке. Она преобразует предложения и абзацы в плотные векторы размерности 768 и поддерживает поиск по запросу в корпусе документов, кластеризацию и задачи сравнения предложений. Модель построена на XLM-RoBERTa large с усреднением токенов и дообучена методом многоязычной дистилляции с использованием multi-qa-mpnet-base-cos-v1 как учительской модели. Репозиторий содержит веса PyTorch; максимальная длина контекста — 514 токенов, но обучение проводилось на текстах до 250 токенов, поэтому более длинные входы могут обрезаться или обрабатываться хуже. Эмбеддинги не нормализованы: для поиска сходства рекомендуется косинусная мера. Лицензия в предоставленных данных не указана.

Модель dstefa/roberta-base_topic_classification_nyt_news — дообученная FacebookAI RoBERTa-base модель для тематической классификации новостных заголовков. Она относит текст к одной из восьми категорий: спорт, искусство и развлечения, бизнес и финансы, здоровье и благополучие, образ жизни и мода, наука и технологии, политика или преступность. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. Она обучена на наборе из 256 тысяч заголовков New York Times, опубликованных с 2000 года. В README указаны точность, F1, precision и recall по 0,91 на тестовой выборке из 51 200 примеров; качество различается между категориями. Подходит для автоматической сортировки новостных заголовков по тематике и тематической разметки новостных текстов. Обучение и оценка выполнены на заголовках NYT, поэтому показатели могут не переноситься на другие издания, языки или более длинные тексты. Лицензия — MIT.

Модель frozi/setfit-ethos-multilabel-example — модель Sentence-Transformers на архитектуре MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. В карточке указано обучение с CosineSimilarityLoss; репозиторий содержит веса PyTorch. Для работы доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Лицензия и целевые языки в предоставленных данных не описаны.

Это дообученная модель Sentence Transformers, созданная автором dragonkue на основе Snowflake/snowflake-arctic-embed-l-v2.0 и дополнительно обученная на корейских данных для поиска по документам. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; для сравнения текстов используется косинусное сходство. Архитектура основана на XLM-RoBERTa с CLS-пулингом, а заявленная максимальная длина последовательности составляет 8192 токена. Модель предназначена для семантического поиска и оценки сходства текстов на корейском и английском языках. Её можно использовать для поиска по документам, в том числе по запросам в разных формулировках и по содержимому таблиц Markdown; README приводит оценки на корейских наборах для поиска в медицинской, финансовой, юридической, государственной и других областях. Модель опубликована под лицензией Apache-2.0. При этом обучение проводилось с длиной текста до 1300 токенов, поэтому качество поиска по существенно более длинным документам может снижаться; для длинных текстов README рекомендует рассмотреть альтернативы. Заявленная максимальная длина последовательности не гарантирует сохранения качества на всей этой длине.

cnmoro/static-nomic-384-pten — статическая модель текстовых эмбеддингов, созданная cnmoro с помощью Tokenlearn на базе nomic-ai/nomic-embed-text-v2-moe. Она преобразует текст в векторы размерностью 384 и подходит для семантического поиска, извлечения документов и сравнения сходства предложений. Модель использует подход Model2Vec; в обучении применялись инкрементальный PCA до 384 измерений и ограничение словаря до 32 тысяч эффективных токенов. Модель дообучена на данных, связанных с AllTripletsMsMarco-PTBR, и поддерживает английский и португальский языки. Для работы автор рекомендует библиотеку model2vec; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка сообщает, что оценка проводилась именно на этой дистиллированной модели и что она меньше и, по утверждению автора, лучше cnmoro/nomic-embed-text-v2-moe-distilled-high-quality. Подробностей о сравнительной методике или известных ограничениях качества карточка не приводит.

TabRankStandardSFT — дообученная модель на базе Qwen3-8B, созданная для переранжирования таблиц по релевантности вопросу. Она принимает вопрос и список таблиц-кандидатов в одном текстовом запросе и генерирует их полный рейтинг за один вызов, без попарного сравнения. Модель обучена методом SFT с дистилляцией рассуждений: для обучения использовались 6 728 трасс рассуждений учителя, а функция потерь учитывала и рассуждение, и итоговый рейтинг. Архитектура — плотная причинная языковая модель Qwen3 на 7,6 млрд параметров; контекст — 40 960 токенов. Модель работает с текстом на английском языке и выдаёт ранжированный список позиций в JSON вместе с рассуждением. Подходит для повторной сортировки результатов поиска таблиц, например, списка из первых 25 кандидатов, перед ответом на вопрос по табличным данным. В опубликованной оценке показала средний nDCG@10 0,700 на пяти наборах, близких к обучающим, и семи наборах вне распределения. По описанию автора, её обобщение на данные вне обучающего распределения менее надёжно, а генерация примерно в 4,3 раза медленнее метода TabRank с обусловливанием рассуждением. Модель опубликована в формате safetensors; веса в bfloat16 занимают около 16 ГБ. Лицензия — Apache-2.0.

Alibaba-NLP/UEmbed-9B — мультимодальная модель эмбеддингов на базе декодерной архитектуры Qwen3.5 с 9 млрд параметров. Она за один проход формирует плотные векторы и разреженные SPLADE-представления, пригодные для поиска по смыслу и по лексическим совпадениям. Модель принимает текст, изображения, видео и смешанные входы, представляя их в общем пространстве поиска. Модель предназначена для построения текстовых и мультимодальных поисковых систем, включая поиск по изображениям и визуальным документам. Плотные нормализованные векторы подходят для семантического поиска, а разреженные активации связаны с терминами словаря и могут использоваться в обратном индексе. Согласно карточке, модель обучена на 3,94 млн публичных примеров, включая данные для текстового и мультимодального поиска. Репозиторий использует библиотеку Transformers и формат safetensors; лицензия — CC BY 4.0.

Это визуальный энкодер ViT-Base с патчами 16×16, обученный как часть CLIP на данных LAION-2B. Модель распространяется через timm; в репозитории находятся только веса image encoder, без текстового энкодера CLIP. Она предназначена для извлечения признаковых векторов из изображений, например для поиска похожих изображений, кластеризации и построения визуальных представлений для последующих моделей. Доступны веса в форматах PyTorch и safetensors; лицензия — Apache-2.0. Энкодер принимает изображения и выдаёт векторы признаков. Для сравнения изображений с текстом или вычисления CLIP-сходства потребуется отдельно получить совместимый текстовый энкодер. Размер модели и точный входной размер в предоставленных сведениях не приводятся.

Это визуальный энкодер SigLIP 2 на архитектуре Vision Transformer (ViT) с патчами 16×16 и входным разрешением 384 пикселя, подготовленный для библиотеки timm. Он соответствует визуальной части мультимодальной модели SigLIP 2 и обучен на наборе данных WebLI. Модель предназначена для извлечения признаков и визуальных представлений изображений, которые можно использовать в поиске по изображениям, сопоставлении изображений с текстовыми представлениями и других задачах анализа изображений. Это только image encoder: карточка не описывает генерацию изображений или обработку текста самой моделью. Модель распространяется под лицензией Apache-2.0. Для запуска используется библиотека timm; веса доступны в форматах PyTorch и safetensors. Карточка не сообщает оценок качества или отдельных ограничений применения.

Это визуальный энкодер CLIP из библиотеки timm: модель ViT-Huge с патчами 14×14, входным размером изображения 224 пикселя и весами, обученными на LAION-2B. Репозиторий содержит только энкодер изображений, а не полный CLIP с текстовым энкодером. Модель извлекает признаки изображений для построения эмбеддингов и последующего использования в поиске по изображениям, кластеризации или других задачах компьютерного зрения. Для сравнения изображений с текстом потребуется отдельный совместимый текстовый энкодер. Весовые файлы доступны в форматах PyTorch и safetensors по лицензии Apache-2.0.

Это визуальный энкодер SigLIP 2 на архитектуре ViT-Large с патчами 16×16, предназначенный для библиотеки timm. Модель соответствует только визуальной башне SigLIP 2 и обучена на датасете WebLI; она извлекает признаки изображений и не включает текстовый энкодер. Модель подходит для получения визуальных представлений, которые можно использовать в системах поиска изображений, сопоставления и последующей обработки визуальных данных. В карточке указано разрешение 384 в названии модели. Репозиторий распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0.

Это визуальный энкодер SigLIP из библиотеки timm с архитектурой ViT-Large, патчами 16×16 и входным разрешением 384 пикселя. Модель преобразует изображение в признаки для последующего сравнения, поиска или использования в других системах машинного обучения; применяется глобальное усреднение признаков (global average pooling). Веса доступны в форматах PyTorch и Safetensors. Модель предназначена для извлечения визуальных признаков, а не для генерации текста или изображений. Карточка не сообщает о поддерживаемых естественных языках или специализированных предметных областях. Лицензия Apache-2.0 разрешает использование и модификацию на её условиях.

Это модель кодировщика изображений SigLIP из библиотеки timm: вариант ViT SO400M с патчами 14×14 и входным разрешением 384 пикселя, обученный на данных WebLI. В репозитории представлены только веса кодировщика изображений с исходным attention pooling. Модель предназначена для извлечения признаковых представлений изображений и может использоваться как визуальный энкодер в системах поиска по изображениям, сопоставления изображений с текстом и других задачах, где нужны визуальные признаки. Карточка указывает форматы PyTorch и safetensors; лицензия — Apache-2.0.

Модель dinalzein/xlm-roberta-base-finetuned-language-identification — дообученная версия XLM-RoBERTa с классификационной головой для определения языка текста. Она принимает текст документа и относит его к одному из 20 языков: арабскому, болгарскому, немецкому, греческому, английскому, испанскому, французскому, хинди, итальянскому, японскому, нидерландскому, польскому, португальскому, русскому, суахили, тайскому, турецкому, урду, вьетнамскому или китайскому. Модель содержит 305,2 млн параметров, имеет контекст до 514 токенов и доступна в формате PyTorch. В README сообщается о точности 99,59% на оценочном наборе и 99,5% на тестовой выборке из 1000 предложений. Её можно использовать для автоматического определения языка коротких текстов и документов, например, перед маршрутизацией запросов или выбором языкового конвейера. Лицензия — MIT.

nahiar/xlm-roberta-indonesian-languages — модель классификации текста для определения индонезийского языка и региональных языков Индонезии. Она дообучена на базе FacebookAI/xlm-roberta-base и предназначена для распознавания 11 языков Индонезии, включая индонезийский, а также английского языка. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она принимает текст и возвращает метку языка; максимальная длина контекста — 514 токенов. В README заявлены accuracy 0,9783 и macro F1 0,9783. Подходит для автоматической маршрутизации текстов по языку, разметки многоязычных корпусов и предварительной фильтрации данных. Лицензия Apache-2.0.

MatinGhiasi/agah-finetuned-e5-base — модель Sentence Transformer, дообученная на базе intfloat/multilingual-e5-base для преобразования предложений и абзацев в плотные векторы размерностью 768. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; сходство векторов оценивается косинусной мерой. Максимальная длина последовательности составляет около 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных фрагментов по запросам. В примерах обучающего набора показаны персидские запросы и документы по финансовым услугам компании Агаҳ, поэтому модель подходит для поиска по подобным материалам. README указывает библиотеку Sentence Transformers и формат Safetensors в метаданных. Лицензия в предоставленных сведениях не указана.

Это модель классификации текста на основе ALBERT-base-v2, дообученная TextAttack на наборе данных AG News для отнесения новостных текстов к тематическим категориям. Она принимает последовательность текста и выдаёт метку класса; модель обучалась пять эпох с максимальной длиной последовательности 128 токенов. В карточке указана точность 0,947 на проверочной выборке. Модель предназначена для классификации новостных публикаций по категориям AG News. Архитектура — ALBERT для классификации последовательностей; размер составляет 136,3 млн параметров, нативное окно контекста — 512 токенов. Лицензия в предоставленных данных не указана.

leafxyz/arabic-ecom-cross-encoder-v4 — текстовый Cross-Encoder, дообученный разработчиком leafxyz на базе cross-encoder/mmarco-mMiniLMv2-L12-H384-v1 с библиотекой Sentence Transformers. Модель принимает пары текстов и выдаёт оценку их релевантности, которую можно использовать для переупорядочивания результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и имеет 124,3 млн параметров. Модель обучалась на 334 256 примерах и проверялась на 6 822 примерах. README указывает максимальную длину последовательности 128 токенов; метаданные каталога указывают нативный контекст 514 токенов. Примеры обучающих данных относятся к поиску товаров на арабском языке, поэтому модель ориентирована на ранжирование запросов и товарных описаний в арабской электронной коммерции. Модель возвращает один числовой показатель для пары текстов, а не готовый список или текстовый ответ. Лицензия в предоставленных данных не указана.

arabic-MARBERT-news-article-classification — модель Ammar-alhaj-ali для классификации арабских новостных статей. Это дообученная MARBERT на базе архитектуры BERT модель классификации последовательностей объёмом 190 млн параметров с контекстом до 512 токенов. Модель относит статью к одной из семи категорий: культура, финансы, медицина, политика, религия, спорт или технологии. Она предназначена для тематической разметки арабских новостей и построения каталогов или потоков новостей по рубрикам. Обучение проводилось на наборе SANAD: Single-Label Arabic News Articles Dataset. Для работы требуются входной текст статьи; результатом служит метка класса. Репозиторий содержит веса PyTorch и карточка предлагает использовать модель через Transformers pipeline. Лицензия в доступных данных не указана.

A-Vision — русскоязычная визуально-языковая модель, разработанная Авито и адаптированная для анализа изображений объявлений и других визуальных задач. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct; архитектура — Qwen2.5-VL, размер по метаданным — 6,6 млрд параметров, контекст — до 128 000 токенов. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. A-Vision предназначена для описания фотографий, ответов на вопросы по изображению, сопоставления фотографии с текстовым описанием, распознавания брендов и надписей, а также извлечения визуальных признаков. Среди продуктовых сценариев Авито — создание описаний и ключевых слов для объявлений, подготовка объявления по фото, OCR и инструменты разметки и модерации. Модель обучали на русскоязычном мультимодальном корпусе, локализованных наборах данных и парах «изображение — вопрос — ответ»; README сообщает об ускорении обработки русскоязычных примеров и улучшении качества на русских и доменных тестах. Модель поддерживает русский и английский языки, но её адаптация ориентирована прежде всего на русский; README отмечает возможное снижение результатов на части англоязычных тестов. Заявлены безопасные ответы после этапа DPO. Репозиторий распространяется по лицензии Apache-2.0.

BEiT Base Patch16 384 — модель семейства BEiT для классификации изображений и извлечения визуальных признаков. Модель разработана авторами BEiT и опубликована в библиотеке timm; она содержит 86,7 млн параметров и обрабатывает изображения размером 384 × 384 пикселя. Предобучение выполнено на ImageNet-22k с помощью masked image modelling: для визуальной токенизации использовался DALL-E dVAE. Затем модель дообучили на ImageNet-22k и ImageNet-1k. Она подходит для классификации изображений и получения эмбеддингов визуального содержимого. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Это модель для работы с изображениями, а не генератор изображений.