I.11Классификация, ранжирование и сопоставление

prithivida/miniDense_chinese_v1 — модель эмбеддингов на архитектуре BERT для поиска и оценки сходства китайских текстов. В карточке указаны BERT и токенизатор XLM-RoBERTa со словарём около 250 тысяч токенов; модель содержит 124,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель ориентирована прежде всего на поиск фрагментов и документов на китайском языке: она кодирует текст в векторы, которые можно сравнивать для ранжирования результатов. Разработчик приводит оценки на MIRACL и позиционирует серию miniMiracle как компактные модели для поисковых и информационно-поисковых сценариев. Доступны веса PyTorch и формат ONNX; для ONNX упомянута возможность запуска через FlashEmbed. Лицензия — CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий. Контекст ограничен 512 токенами; качество за пределами китайского поиска карточка не подтверждает. Разработчик также предупреждает о возможном наследовании смещений из базовых моделей и обучающих данных.

andrerean/minilm-arsip-kampus-seranah — текстовая Sentence Transformer модель, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска и сравнения текстов по смыслу; близость оценивается косинусным сходством. Архитектура включает BertModel и mean pooling. В метаданных указаны 124,3 млн параметров и контекст до 512 токенов; README сообщает максимальную длину последовательности 384 токена. Модель обучена на 3 090 парах предложений, связанных с университетскими документами: примеры охватывают академические решения, бюджетные процедуры, охрану труда и лабораторную безопасность. Это делает её подходящей для семантического поиска и извлечения релевантных документов в подобном архиве. Базовая модель многоязычная, но основной язык обучающих примеров — индонезийский. Модель принимает текст и возвращает векторы. Лицензия в предоставленных данных не указана.

MobileViT-v2 — компактная модель классификации изображений и извлечения визуальных признаков из семейства timm. Авторы статьи предварительно обучили её на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит 14,3 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную сложность 5,5 GMACs. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Компактная архитектура и умеренная вычислительная сложность делают её подходящей для задач компьютерного зрения с ограниченными ресурсами. Карточка ссылается на статью «Separable Self-attention for Mobile Vision Transformers». Лицензия обозначена как other; конкретные условия в доступных данных не приведены.

ModernBERT Embed base Legal Matryoshka — англоязычная модель Sentence Transformers, дообученная stardriver007 на базе nomic-ai/modernbert-embed-base для получения плотных текстовых эмбеддингов. Она предназначена для семантического поиска и сравнения предложений и абзацев, поиска парафраз, кластеризации и классификации текста, в том числе юридических материалов. Архитектура включает ModernBertModel, усредняющий пулинг токенов и нормализацию; модель имеет 149 млн параметров, выдаёт векторы размерности 768 и принимает последовательности до 8192 токенов. Matryoshka-обучение позволяет использовать усечённые векторы меньшей размерности, с приведёнными в карточке метриками поиска для 512, 256, 128 и 64 измерений. Модель обучена на 5822 парах текстов, лицензия Apache-2.0. Карточка приводит результаты поиска, но не раскрывает состав и охват оценочного набора; качество для иных юридических корпусов и языков может отличаться. Поддерживаемый язык — английский.

maayans/modernbert-embed-large__ratio-address — англоязычная модель эмбеддингов на базе ModernBERT-large, дообученная для операции ADDRESS в наборе RATIO. Она кодирует запросы и предложения-кандидаты, чтобы находить научный подход или идею, отвечающие на проблему из запроса. Модель предназначена для семантического поиска по научной литературе и тематического retrieval; для запросов и документов следует использовать префиксы `search_query: ` и `search_document: ` соответственно. Модель основана на плотной архитектуре ModernBERT, содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов. Она обучена контрастивным методом на обучающей части RATIO address. Репозиторий использует библиотеку sentence-transformers и формат safetensors; лицензия — Apache-2.0. Карточка указывает на один из девяти чекпойнтов RATIO, различающихся энкодерами и операциями идеации.

Octen Law 8B v1 — мультиязычная плотная модель-энкодер на 7,6 млрд параметров для извлечения юридических текстов. Её выпустила litillabs на основе Octen/Octen-Embedding-8B: базовую модель дообучили с помощью LoRA, затем объединили адаптер с весами. Модель создаёт нормализованный вектор размерностью 4096 для каждого запроса или документа; поддерживает контекст до 40 960 токенов и распространяется в формате safetensors через SentenceTransformers. Модель предназначена для семантического поиска и сопоставления запросов с юридическими документами, включая задачи поиска по законодательству и судебным делам. Обучение проводилось на англоязычных, немецкоязычных и китайскоязычных примерах юридического поиска; оценка включала восемь задач MTEB Law. Лицензия — Apache-2.0. Модель извлекает текстовые представления и не определяет, действует ли правовой источник, является ли он обязательным, отменённым или применимым в конкретной юрисдикции. Проверялись только юридические задачи поиска на английском, немецком и китайском языках; в обучающих данных отмечены близкие дубликаты, связанные с двумя задачами бенчмарка.

PIXIE-Rune-v1.0 — модель эмбеддингов на архитектуре XLM-RoBERTa, разработанная TelePIX Co., Ltd. и дообученная для семантического поиска на корейских и английских данных. Она рассчитана прежде всего на поиск информации в аэрокосмических документах, а также подходит для поиска по текстам общего назначения на корейском и английском языках. Модель преобразует текст в векторы размерности 1024, нормализует их и поддерживает сравнение по косинусному сходству. В README указана максимальная длина последовательности 6144 токена, а метаданные указывают контекст до 8194 токенов. Доступны форматы safetensors и ONNX; в метаданных размер модели указан как 658,7 млн параметров. Модель предназначена для семантического поиска, извлечения релевантных документов и построения систем поиска и ответов на вопросы по документам. Разработчик сообщает о результатах на аэрокосмическом бенчмарке STELLA и наборах поиска на корейском и английском языках. Лицензия — Apache-2.0.

PIXIE-Spell-Preview-0.6B — модель эмбеддингов компании TelePIX Co., Ltd., построенная на архитектуре Qwen3 и оформленная как Sentence Transformer. Она предназначена для семантического поиска и извлечения релевантных документов на корейском и английском языках, с особым акцентом на аэрокосмическую тематику; также подходит для поиска по документам, технических вопросов и открытых коллекций. Модель содержит 507,9 млн параметров и выдаёт векторы размерностью 1024, которые нормализуются для сравнения косинусным сходством. В README указана максимальная длина последовательности 8192 токена, а метаданные каталога указывают контекст до 40960 токенов. Веса доступны в формате safetensors, лицензия — Apache 2.0. Модель обучалась и оценивалась для задач поиска на корейских и англоязычных бенчмарках; результаты README не гарантируют аналогичного качества на конкретных данных, поэтому качество следует проверять на целевой коллекции. Модель выдаёт эмбеддинги, а не готовые ответы или ранжированный список без отдельной системы поиска.

PIXIE-Spell-v1.5-0.6B — модель эмбеддингов на основе Sentence Transformer, разработанная TelePIX Co., Ltd. на архитектуре Qwen3. Она преобразует текст в векторы размерности 1024, нормализованные для сравнения по косинусному сходству; число параметров — около 508 млн. Модель оптимизирована для семантического поиска и извлечения информации на корейском и английском языках, особенно в аэрокосмической тематике, и также показывает результаты на открытых корейских и англоязычных задачах поиска. Модель подходит для семантического поиска по документам, поиска технических материалов и подбора контекста для систем вопросов и ответов. README указывает максимальную длину последовательности 8192 токена, а метаданные каталога — контекст до 40960 токенов. Лицензия — Apache-2.0. Оценки в README приведены на наборах STELLA, MTEB (корейский) и RTEB (английский); они не гарантируют аналогичное качество на произвольных данных.

Карточка модели unicamp-dl/ptt5-small-t5-vocab на Hugging Face совпадает с карточкой unicamp-dl/ptt5-base-portuguese-vocab, поэтому описание составлено по ней. PTT5-base-portuguese-vocab — модель семейства T5, разработанная командой Unicamp-DL и предварительно обученная на большом корпусе португалоязычных веб-страниц BrWac. Это базовая версия размера base с португальским словарём, обученным на португалоязычной Википедии; в метаданных указано 123,8 млн параметров, архитектура T5WithLMHeadModel и контекст до 512 токенов. Модель предназначена для генерации текста и может служить основой для задач на португальском языке, включая сходство предложений и определение логического следования, для которых авторы отмечают улучшение по сравнению с исходным T5. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. Карточка не описывает конкретные ограничения качества или дополнительные настройки применения.

Карточка модели uer/roberta-base-finetuned-jd-full-chinese на Hugging Face совпадает с карточкой uer/roberta-base-finetuned-chinanews-chinese, поэтому описание составлено по ней. Это китайская модель RoBERTa-Base для классификации текста, дообученная командой UER с помощью UER-py на наборе Chinanews. В карточке показан пример классификации китайской новостной фразы с меткой «политика материкового Китая». Репозиторий содержит около 129,5 млн параметров; модель использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для определения тематических классов китайских новостных текстов. Её можно загружать через Transformers и использовать для автоматической тематической разметки новостных фрагментов. Обучающие наборы также включали китайские отзывы с метками тональности, однако этот конкретный чекпойнт обучен на Chinanews. В карточке не приведены метрики качества и перечень всех меток классов. Поддерживаются форматы PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

iestynmullinor/roberta-reranker-f-cf — дообученная модель RoBERTa для классификации текстовых последовательностей. Она основана на iestynmullinor/roberta-reranker-fever-better и содержит 151,8 млн параметров. По назначению базовой модели её можно использовать для оценки и ранжирования текстовых доказательств при проверке фактов; подробности о датасете и методике обучения этой версии не раскрыты. Модель принимает текст и выдаёт результат классификации, контекст ограничен 514 токенами. Модель опубликована в формате safetensors и распространяется по лицензии MIT. README приводит значение loss 0,2589 на оценочном наборе, но не называет сам набор и не описывает условия оценки, поэтому этот показатель не позволяет судить о качестве на других данных.

RoBERTo-v2 — модель классификации текста для определения боснийского, хорватского и сербского языков. Её разработал автор репозитория absltnull как дообученную версию absltnull/RoBERTo на основе XLM-RoBERTa Base. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает до 514 токенов. Веса сохранены в формате safetensors; лицензия — MIT. Модель предназначена прежде всего для определения языка в текстах на латинице, включая формальные и неформальные тексты. В README сообщается о точности около 87% на латинском тестировании; она лучше различает хорватский и сербский, чем боснийский, который чаще путает с ними. Для кириллицы модель не подходит: автор предупреждает о сильном смещении предсказаний в сторону сербского. Короткие и неоднозначные тексты, эмодзи, символы и тексты на языках вне этой языковой группы также могут приводить к ошибкам.

TryDotAtwo/RuModernBERT-ruLaw — русскоязычная модель для анализа юридических документов на основе энкодера ModernBERT. Разработчик продолжил предобучение deepvk/RuModernBERT-base на маскированном языковом моделировании и добавил четыре головы вывода: классификацию типа документа, многометочную юридическую классификацию, выделение ключевых слов и распознавание юридических сущностей. Архитектура — ModernBertForMaskedLM, около 149 млн параметров, контекст до 8192 токенов; модель принимает текст, а для задач на уровне документа использует вместе заголовок и основной текст. Модель предназначена для разметки и классификации русскоязычных правовых документов, извлечения ключевых слов и юридических сущностей, а также предсказания замаскированных токенов. В README приведены внутренние результаты оценки MLM, но качество голов для прикладных юридических задач следует проверить на отложенных данных перед внедрением. Лицензия в предоставленных сведениях не указана.

Fulcrum-AI/Ryze-Embed-3 — объединённая методом passthrough модель на архитектуре Qwen2, созданная с помощью mergekit на основе Alibaba-NLP/gte-Qwen2-1.5B-instruct. Веса доступны в формате safetensors; размер модели — 2,7 млрд параметров, максимальный контекст — 131 072 токена. В метаданных модель обозначена как text-generation и conversational. Базовая модель предназначена для преобразования текстов в эмбеддинги для семантического поиска, сравнения и ранжирования; карточка этой модели не уточняет, сохраняет ли объединённая версия эти возможности и как её применять. Лицензия в предоставленных данных не указана.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Organizations-GoFundMe-WEF на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Skywork-Reward-Gemma-2-27B — наградная модель Skywork на архитектуре Google Gemma 2 27B IT, дообученная на примерно 80 тысячах пар предпочтений из открытых источников. Она оценивает ответы в диалогах и помогает выбирать более предпочтительный вариант при обучении или проверке языковых моделей. По данным README, модель показала высокие результаты в RewardBench, включая категории сложных диалогов, рассуждений и безопасности. Модель имеет плотную архитектуру Gemma2ForSequenceClassification, содержит 27,6 млрд параметров и поддерживает контекст до 8192 токенов. В качестве обучающих данных использована коллекция Skywork Reward Preference 80K, собранная из нескольких публичных наборов. README отдельно отмечает необходимость использовать реализацию внимания flash_attention_2 или eager для оптимальной работы 27B-модели. Модель предназначена для выставления оценок и сравнения ответов, а не для самостоятельной генерации пользовательских ответов. README просит не развёртывать её в интернет-сервисах без проверки безопасности и соблюдения применимых правил. Лицензия в предоставленных данных не указана.

SPLADE-BERT-Tiny-NQ — компактная модель разреженного кодирования, опубликованная пользователем или организацией sparse-encoder-testing. Она предназначена для семантического поиска и сопоставления текстов: модель преобразует запросы и документы в разреженные представления, пригодные для эффективного поиска релевантной информации. В карточке приведены примеры вопросов на английском языке и соответствующих текстовых фрагментов из энциклопедических данных, включая поиск ответов на вопросы о музыке, телевидении, географии и биографиях. Модель основана на архитектуре BERT и обучена с использованием SpladeLoss; точный размер модели и конфигурация не указаны. Заявлен английский язык, а размер набора данных составляет около 99 000 примеров. Поддерживаются текстовые входы; сведения о других модальностях и размере контекста отсутствуют. Разреженное представление может быть полезно для быстрых и масштабируемых систем поиска, однако README не содержит результатов оценки, сравнений качества, ограничений по длине входа или информации о пригодности для генерации текста. Модель распространяется по лицензии Apache-2.0, допускающей использование, модификацию и распространение при соблюдении её условий.

SuperPAL — модель для классификации текстовых последовательностей, опубликованная группой BIU-NLP. Она основана на архитектуре RoBERTa и предназначена для оценки согласованности между резюме и отдельными утверждениями исходного текста — задачи Summary-Source Proposition-level Alignment. Модель содержит 454,1 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и доступна в формате PyTorch. SuperPAL подходит для проверки, подтверждается ли утверждение в резюме соответствующим исходным материалом, например при анализе качества кратких изложений. Карточка ссылается на исследование 2021 года и не приводит лицензию, поэтому условия использования следует уточнить в репозитории или у разработчиков.

tramy-encoder — дообученная модель эмбеддингов на архитектуре BERT, созданная на основе alphaedge-ai/multilingual-e5-small-vie-32768. Она предназначена для поиска по запросам на вьетнамском и английском языках, особенно для туристического помощника и ответов на вопросы по сохранённым инструкциям, документам и фрагментам текста. Модель формирует векторы размерности 384 и рассчитана на асимметричный поиск в векторных базах, включая Qdrant; длина контекста — 512 токенов. Для архитектуры E5 в README указано обязательное использование префиксов при формировании входа. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Trendyol-LLM-7B-chat-v4.1.0-GGUF — чат-модель Trendyol LLM v4.1.0, разработанная Trendyol и представленная в нескольких квантизированных форматах GGUF. Модель основана на Trendyol LLM base v4.0, который получен продолжительным предварительным обучением Qwen2.5 7B на 13 миллиардах токенов. Указан турецкий язык, а исходная модель относится к категории text-generation. Модель предназначена прежде всего для задач электронной коммерции: генерации описаний товаров, извлечения атрибутов и тегов, суммаризации, определения категорий, ведения диалогов о моде, интерпретации персон и действий пользователей, а также сценариев RAG. Среди сильных сторон указаны улучшенные знания в области электронной коммерции и турецкого языка. Также заявлена частичная поддержка function calling, которая на момент публикации ещё не была полностью завершена. Размер модели — 7B параметров; точные архитектурные характеристики, размер контекста и перечень поддерживаемых модальностей в README не указаны. Модель распространяется под лицензией Apache-2.0.

tresnet_m.miil_in1k — модель классификации изображений семейства TResNet, обученная авторами статьи на ImageNet-1k. Её можно применять для отнесения изображений к классам ImageNet, а также как основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит 31,4 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 5,8 GMAC. Веса преобразованы для работы со стандартным BatchNorm вместо InplaceABN. Модель распространяется в форматах PyTorch и safetensors; библиотека для работы с ней — timm. Лицензия — Apache-2.0. Карточка описывает модель для классификации изображений и извлечения визуальных признаков; данные о точности или ограничениях на отдельных типах изображений не приведены.

josedossantos/urf-txtIndexacao-legalbertpt — модель Sentence Transformers на базе BERT, дообученная разработчиком josedossantos от raquelsilveira/legalbertpt_fp для представления юридических текстов на бразильском португальском языке. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов по косинусному сходству, а также для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Модель содержит 136,1 млн параметров, использует BERT с усреднением токеновых представлений и принимает последовательности длиной до 512 токенов. Обучение описано как контрастивное на 10 962 парах юридических текстов. Для поиска или сравнения текстов обычно требуется вычислить эмбеддинги для запросов и документов, затем оценить сходство векторов. Модель рассчитана на задачи работы с юридическими документами и законодательными текстами Бразилии. Её лицензия в предоставленных данных не указана; результаты сходства зависят от предметной области и качества исходного текста, а входные последовательности длиннее 512 токенов не помещаются в контекст модели.

Это модель классификации изображений семейства Vision Transformer (ViT), разработанная Россом Уайтманом в библиотеке timm. Вариант архитектуры использует глобальное усреднение токенов; модель содержит около 38,9 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она предназначена для присвоения изображению класса из набора категорий ImageNet и может использоваться как основа для извлечения признаков и эмбеддингов изображений. Доступна в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet, поэтому её классификационные возможности ориентированы на категории этого набора данных; качество на других предметных областях не подтверждено карточкой.

V-JEPA 2 — видеомодель семейства V-JEPA, разработанная FAIR, исследовательским подразделением Meta. Она обучена представлять видео и изображения в виде признаков и предназначена для классификации видео, поиска похожих видео и использования в качестве видеокодировщика для визуально-языковых моделей. Для этой версии при обработке видео требуется 64 кадра; изображение можно подать как повторяющиеся кадры. Модель имеет архитектуру VJEPA2Model и содержит 838,9 млн параметров. Репозиторий распространяет веса в формате safetensors, для запуска используется библиотека Transformers. Лицензия — MIT. README заявляет сильные возможности понимания видео, но не приводит количественных результатов для этой конкретной версии; качество зависит от способа извлечения признаков и последующей модели или классификатора.

VultronRetrieverPrime-Qwen3.5-8B — мультиязычная модель поиска по визуальным документам, разработанная Vultr и обученная и оценённая на Vultr Cloud. Это ретривер с поздним взаимодействием ColQwen3_5 на базе Qwen/Qwen3.5-9B: он сопоставляет запросы со страницами PDF, сканов, презентаций и отчётов по тексту, структуре макета, таблицам, диаграммам и изображениям. Модель предназначена для визуального поиска и мультимодальных RAG-систем; она ранжирует найденные страницы, но не генерирует ответы. Модель содержит около 8,4 млрд параметров и формирует многовекторные представления размерности 320 — по одному вектору на токен. Соответствие запроса и страницы оценивается методом MaxSim. В README заявлены поддержка английского, французского, немецкого, испанского, итальянского и португальского языков, обработка до 1792 визуальных токенов и первое место на ViDoRe V3 со средним nDCG@10 64,26. Компактная размерность уменьшает индекс по сравнению с моделями на 2560–4096 измерений, но многовекторный индекс всё равно занимает больше места, чем одно-векторный. Модель не предназначена для текстового семантического поиска без изображений и для генерации ответов; другие языки могут работать хуже. Лицензия — Apache-2.0.

Web-SSL DINO ViT-3B — визуальный трансформер, разработанный авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Модель обучена методом самообучения DINOv2 на 2 млрд веб-изображений из данных MetaCLIP без языковой супервизии. Модель содержит около 3,9 млрд параметров и обрабатывает изображения с разрешением 224×224 пикселя. Её основное назначение — извлечение визуальных признаков для задач компьютерного зрения; в README также сообщается о результатах на традиционных тестах зрения, визуальных вопросах, OCR и понимании диаграмм. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка описывает визуальные возможности, однако не приводит ограничений или оценок качества для отдельных сценариев.

Web-SSL DINO ViT-7B — визуальная модель семейства DINOv2, представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Она обучена методом самообучения на 8 млрд веб-изображений из данных MetaCLIP без языковой супервизии. Архитектура — Vision Transformer с шириной 4096, глубиной 32 и 32 головами внимания; разрешение входных изображений — 224×224 пикселя. В метаданных указано 8,6 млрд параметров, тогда как README округляет размер до 7 млрд. Модель предназначена для извлечения визуальных признаков и получения представлений изображений для задач компьютерного зрения. Авторы также сообщают о результатах на традиционных бенчмарках зрения и мультимодальных задачах, включая визуальные вопросы, OCR и понимание диаграмм; это описание не означает, что репозиторий предоставляет отдельную языковую модель для генерации ответов. Доступна в формате safetensors для Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

AIMv2 Large Patch14 448 — модель компьютерного зрения семейства AIMv2, разработанная Apple и предварительно обученная с мультимодальной авторегрессионной целью. Репозиторий содержит вариант с архитектурой Aimv2VisionModel и 308,3 млн параметров; модель принимает изображения и выдаёт визуальные признаки для последующего анализа или использования в других системах. Модель предназначена для извлечения признаков изображений и задач визуального понимания. В публикации семейства AIMv2 сообщается о результатах выше CLIP и SigLIP на большинстве тестов мультимодального понимания, а также выше DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты. Для этого варианта README показывает загрузку через Transformers с Flax/JAX и PyTorch. Модель распространяется по лицензии Apple AMLR. Указанные результаты относятся к семейству AIMv2 и не гарантируют аналогичное качество именно этого размера модели; в карточке также не приведены подробности о контекстном размере или поддерживаемых естественных языках.

AIMv2 Large Patch14 Native — зрительная модель семейства AIMv2 от Apple, обученная с мультимодальной авторегрессионной целью. Репозиторий содержит вариант модели для извлечения признаков изображения с архитектурой Aimv2VisionModel и примерно 308,3 млн параметров; доступны веса в форматах Flax и Safetensors для Transformers. Модель принимает изображения и формирует визуальные признаки, которые можно использовать в системах компьютерного зрения и мультимодального понимания. В карточке семейства заявлены результаты выше OAI CLIP и SigLIP на большинстве тестов мультимодального понимания, а также выше DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты. Эти сравнительные результаты относятся к семейству AIMv2 и не гарантируют те же показатели для данного варианта. Лицензия репозитория — Apple AMLR. Описание модели не уточняет ограничения или условия практического применения сверх условий этой лицензии.