I.11Классификация, ранжирование и сопоставление

Arabic Sentiment Compass — арабоязычная модель классификации тональности текстов из социальных сетей, разработанная для приложения Arabic Sentiment Compass. Это дообученная AraBERT на базе aubmindlab/bert-base-arabertv02-twitter: архитектура BERT для классификации последовательностей, 162,4 млн параметров и контекст до 512 токенов. Модель относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Она предназначена для анализа арабских публикаций и сообщений с неформальной лексикой, диалектными вариантами, эмодзи, упоминаниями и ссылками. В README описан пользовательский конвейер предобработки: нормализация арабского письма, удаление диакритики и сведение повторов символов. На указанном тестовом наборе из ASTD и отфильтрованных данных ArSAS модель показала accuracy 88,22% и macro F1 87,73%; результат не следует считать исключительно египетским. Модель выпущена в формате safetensors, использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Ограничения включают неоднородное покрытие диалектов, возможное снижение качества вне тематики арабских соцсетей и трудности с сарказмом, иронией и контекстными выражениями. Вывод Softmax не откалиброван и не является статистически калиброванной вероятностью.

DeepPavlov/bert-base-cased-conversational — англоязычная разговорная модель BERT, разработанная DeepPavlov на основе английского BERT-base с сохранением регистра. Она обучалась на англоязычных сообщениях Twitter и Reddit, диалогах DailyDialogues, субтитрах OpenSubtitles, дебатах, блогах и комментариях к новостям Facebook. Модель предназначена для извлечения контекстных признаков из текста; карточка также сообщает о загрузке версии с MLM- и NSP-головами. Архитектура — BERT-base: 12 слоёв, скрытый размер 768 и 12 голов внимания. В README указано 110 млн параметров, а в метаданных — 135,5 млн; контекст составляет до 512 токенов. В метаданных отмечены английский язык и форматы PyTorch и Flax. Модель подходит для получения контекстных представлений разговорного английского текста, которые можно использовать в последующих NLP-задачах. Она не является генеративным чат-ботом и сама по себе не предназначена для свободной генерации ответов. Лицензия в предоставленных данных не указана.

boltuix/bert-medium — англоязычная модель BoltUIX на архитектуре BERT, дообученная на основе google/bert-base-uncased. Модель содержит 49,2 млн параметров, использует маскированное языковое моделирование и имеет контекстное окно 512 токенов. По карточке, при предобучении использовались BookCorpus и английская Википедия; модель доступна в формате safetensors и распространяется по лицензии MIT. Основная задача модели — восстановление замаскированных слов в тексте. Её также предлагают дообучать для классификации последовательностей и токенов, ответов на вопросы и распознавания текстовых следствий. BERT кодирует текст и не предназначен для генерации связного текста; карточка отмечает ограничения для неанглийских задач и возможные смещения, унаследованные от обучающих данных.

Модель bert-tiny-multi-vector — компактный многовекторный энкодер для информационного поиска, опубликованный в пространстве multi-vector-encoder-testing. Она построена на базе prajjwal1/bert-tiny и реализована с использованием Sentence Transformers. Данные о конкретной организации или команде-разработчике в карточке не указаны. Модель предназначена для задач много-векторного поиска и late interaction, включая сопоставление запросов и документов в сценариях семантического поиска и извлечения релевантной информации. Она обучалась на наборе sentence-transformers/msmarco-bm25 объёмом около 501 907 примеров с использованием MultiVectorMultipleNegativesRankingLoss. В карточке заявлен английский язык; поддержка других языков не указана. Модель относится к библиотеке feature-extraction, однако размер контекста и точные параметры архитектуры не приведены. К преимуществам относятся небольшой размер базовой архитектуры и возможность применять MaxSim-сопоставление нескольких векторов для поиска. На тестовых наборах NanoMSMARCO и NanoNQ указаны метрики accuracy, precision, recall, NDCG, MRR и MAP для разных значений k; например, accuracy@10 составляет 0,70 на NanoMSMARCO и 0,66 на NanoNQ. Ограничения включают узкую специализацию на поиске, отсутствие данных о размере контекста и детальных ресурсных требованиях, а также заявленную ориентацию на английский язык. Лицензия модели — MIT.

bge-m3-ko-public-admin — Gimhae Geunamja разработала эту модель для поиска по корейским административным документам и административному праву, а также для извлечения релевантных фрагментов в системах RAG. Это дообученная модель эмбеддингов Sentence Transformers на базе dragonkue/bge-m3-ko, построенная на XLM-RoBERTa; размер — 658,7 млн параметров, размерность векторов — 1024. На обучении использовались пары «вопрос — документ» из корейских наборов данных по административным документам и праву. Модель кодирует запросы и документы в векторы для поиска и сравнения сходства. README сообщает о настройке длины последовательности до 1024 токенов; вход сверх этого предела при обычной загрузке может быть обрезан. Хотя архитектура поддерживает более длинный контекст, качество на длинных последовательностях не проверено. Векторы используют CLS-пулинг, поэтому они не рассчитаны на прямую совместимость с методами, которым нужны усреднённые эмбеддинги фрагментов токенов. Основной язык — корейский; качество на других языках и вне административно-правовой области может отличаться от базовой модели. Модель распространяется по лицензии Apache-2.0, при этом для обучающих данных действуют отдельные условия AI Hub; исходные данные не входят в репозиторий.

Amdestya/bm25cat-minilm-l12 — англоязычный cross-encoder-реранкер на базе Microsoft MiniLM-L12, обученный по методу CEBM25CAT из работы Askari et al. (ECIR 2023). Модель оценивает релевантность passage запросу, принимая нормализованный BM25-балл как часть текстового ввода. В README она представлена как исследовательский артефакт для воспроизведения метода информационного поиска. Вход состоит из текстового запроса и passage, а также BM25-балла: формат первой части — «балл [SEP] запрос», затем passage. Балл требуется нормализовать глобально по фиксированному диапазону 0–50, умножить на 100 и усечь до целого; при обучении использовались оценки Pyserini/Lucene с BM25Similarity(k1=0.82, b=0.68). Модель имеет архитектуру BERT для классификации последовательностей, около 40 млн параметров и контекст 512 токенов; обучалась с дистилляцией по MSE на парах MS MARCO с использованием ансамбля BERTCAT в роли учителя. Модель предназначена для переранжирования результатов поиска, когда доступны BM25-оценки. README предупреждает, что порядок полей и способ нормализации важны: другой формат ввода или распределение баллов может приводить к ненадёжным оценкам. Лицензия — Apache-2.0.

caformer_m36.sail_in1k — модель классификации изображений семейства CAFormer и архитектуры MetaFormer, опубликованная авторами статьи о базовых архитектурах MetaFormer для компьютерного зрения. Она обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 56,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует 13,3 GMACs на проход. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; использовать модель можно через библиотеку timm. Лицензия — Apache-2.0. Обучение на ImageNet-1k задаёт область распознавания классов этого набора данных; качество на других задачах и типах изображений может отличаться.

CamemBERTav2-base — франкоязычная языковая модель, разработанная командой Almanach и предварительно обученная на корпусе из 275 млрд токенов французского текста. Она основана на архитектуре DeBERTa-v2 и обучена с задачей Replaced Token Detection. Модель содержит 138,4 млн параметров и принимает последовательности длиной до 1024 токенов. Модель предназначена для получения контекстных представлений текста и как основа для дообучения под задачи французского NLP, включая классификацию, распознавание сущностей, разметку частей речи, синтаксический анализ и ответы на вопросы. В сравнении с предыдущей версией использует WordPiece-токенизатор на 32 768 токенов с поддержкой эмодзи, табуляции и переноса строки; для работы нужен Fast Tokenizer. В README приведены результаты дообучения на ряде французских бенчмарков, включая NER, вопросно-ответные и классификационные задачи. Это не готовая чат-модель: для прикладных задач классификации или генерации ответов обычно требуется соответствующая голова и дообучение. Распространяется по лицензии MIT.

Clothes_Pattern_Classification_v2 — модель IrshadG для классификации узоров и фактур на одежде по изображению. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров; модель доступна в формате safetensors и распространяется по лицензии MIT. Модель относит одежду к одному из классов: например, однотонная ткань, полоска, клетка, горошек, деним, кружево, вышивка, блестящая поверхность или принт. Она предназначена для распознавания типа узора на фотографии одежды; README отмечает, что результаты лучше после кадрирования изображения вокруг предмета. Поддерживается задача image-classification; основной язык метаданных — английский, но вход модели — изображение, поэтому язык не определяет её работу.

maastrichtlawtech/colbert-legal-french — модель поиска и сопоставления предложений для юридических текстов на французском языке. Она дообучена на базе antoinelouis/colbertv1-camembert-base-mmarcoFR и предназначена для поиска релевантных фрагментов в системах извлечения информации и RAG. Архитектура основана на CamemBERT и ColBERT; модель содержит 137,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт оценки сходства и релевантности. В метаданных указан датасет maastrichtlawtech/lleqa и библиотека RAGatouille. Модель опубликована под лицензией MIT.

Модель jonghwi/ColBERT-XLMR-Mixed-Distill-enfa-fa — мультиязычный поисковый энкодер на архитектуре ColBERT с поздним взаимодействием токенов, разработанный для поиска по персоязычным документам. В основе лежит XLM-RoBERTa-large, дообученная методом дистилляции по оценкам релевантности; размер модели — 658,7 млн параметров, размер проекции — 128, максимальный контекст — 514 токенов. Модель сопоставляет запросы на английском, персидском или смешанном английско-персидском языке с фрагментами документов на персидском языке. Для ранжирования использует MaxSim по токенным эмбеддингам и рассчитана на двуязычный веб-поиск и поиск по персидским коллекциям, когда запросы содержат переключение языков. Заявленная лицензия — Apache-2.0.

ConvNeXt Tiny — модель классификации изображений из библиотеки timm, разработанная Ross Wightman. Её предварительно обучили на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом, а затем дообучили на ImageNet-1k. Модель также можно использовать как основу для извлечения признаков и эмбеддингов изображений. Архитектура ConvNeXt содержит 28,6 млн параметров и требует 4,5 GMACs на изображение. Размер изображения при обучении — 224 × 224 пикселя, при тестировании — 288 × 288. Для загрузки доступны веса PyTorch и safetensors; модель предназначена для обработки изображений и выдаёт метки классов. Модель подходит для классификации изображений общего назначения и извлечения визуальных признаков. Её обучение и оценки в карточке связаны с ImageNet, поэтому качество на других предметных областях и распределениях данных может отличаться. Лицензия — Apache-2.0.

nghuyong/ernie-2.0-large-en — англоязычная версия ERNIE 2.0, модели Baidu, созданной в рамках подхода continual pre-training с последовательным обучением набора задач посредством многозадачного обучения. В репозитории опубликована версия PyTorch, преобразованная из официальной модели ERNIE для PaddlePaddle; автор README сообщает, что точность преобразования проверялась экспериментами. Модель имеет плотную архитектуру ErnieModel с 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для извлечения контекстных признаковых представлений текста, которые можно использовать в NLP-конвейерах и как основу для последующих задач. В README описаны результаты ERNIE 2.0 на англоязычных задачах GLUE и ряде распространённых китайских задач, но карточка этой конкретной версии указывает на английскую направленность. Для использования доступны веса PyTorch и загрузка через Transformers AutoTokenizer и AutoModel. Лицензия в предоставленных данных не указана.

ssmits/Falcon2-8B-Czech — чешская текстовая модель семейства Falcon, созданная слиянием предварительно обученных языковых моделей с помощью mergekit и метода passthrough. В качестве исходной модели указана ssmits/Falcon2-5.5B-Czech; архитектура — плотная причинная модель FalconForCausalLM, файлы опубликованы в формате safetensors. По метаданным, модель содержит 11,8 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового взаимодействия на чешском языке; каталог также относит к поддерживаемым задачам ответы на вопросы и классификацию текста и токенов. Она распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества, поэтому практическую точность для конкретных сценариев следует проверять отдельно.

FinDeBERTa — модель на базе DeBERTa-v3-Large, дообученная для многометочной классификации финансовых новостных заголовков. Она относит текст к одному или нескольким из 18 типов событий, включая дивиденды, занятость, слияния и поглощения, финансовую отчётность, юридические события и изменения стоимости ценных бумаг. Модель имеет 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст до 512 токенов. При обучении применялись Focal Loss и подбор порогов отдельно для каждого класса. В README указаны Macro F1 0,692 и Micro F1 0,691; результаты различаются по категориям событий. Модель предназначена для автоматической разметки коротких финансовых новостей и может использоваться для мониторинга событий и сортировки публикаций по типам. Она оптимизирована для заголовков финансовых новостей и может хуже работать на длинных текстах и в других предметных областях; редкие классы распознаются менее надёжно. Лицензия — MIT.

Карточка модели arjunraim/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

LenDigLearn/formality-classifier-mdeberta-v3-base — дообученная модель классификации текста, созданная для определения степени формальности высказывания. Она относит входной текст к одному из трёх классов: formal, informal или neutral; нейтральный класс предназначен для фраз без явных признаков формального или неформального стиля. Модель основана на Microsoft mDeBERTa V3 Base с архитектурой DeBERTa V2 и содержит 306 млн параметров. Модель рассчитана на классификацию текстов на английском, немецком, испанском, французском и португальском языках; при подборе обучающих данных особое внимание уделялось языкам с формальными формами обращения. Для английского использовались также примеры из osyvokon/pavlick-formality-scores. Максимальная длина контекста — 512 токенов. На указанном в карточке тестовом наборе общая точность составила 88,93%, для английского — 79,20%, для французского — 100%; эти результаты относятся к тестовым данным карточки и не гарантируют аналогичное качество на других текстах. Модель распространяется по лицензии MIT.

Immerwinter/gbert-large-privacy-policy-content-processing — немецкоязычная модель классификации текста, разработанная на базе deepset/gbert-large и предназначенная для разметки фрагментов политики конфиденциальности по темам обработки данных. В карточке перечислены категории Audience, Contact, Control, Deletion, LegalBasis, Policy, Processing, Purpose, Retention, Security/Privacy, Selling, Sharing, ThirdParty и UserRights; README также упоминает контекст и тему. Модель использует архитектуру BERT с классификационной головой BertForSequenceClassification и содержит 434,5 млн параметров. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов. Доступны веса в форматах Safetensors и ONNX; базовая модель распространяется по лицензии Apache-2.0. Специализация на немецком языке следует из метаданных, а англоязычная версия упоминается в README.

Immerwinter/gbert-large-privacy-policy-content-thirdparty — немецкоязычная модель классификации текста, дообученная на базе deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к теме ThirdParty в аналитическом конвейере, где также перечислены темы обработки персональных данных и прав пользователей. Модель основана на BERT, содержит 434,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель подходит для автоматической тематической разметки текста политик конфиденциальности. Доступны веса в форматах Safetensors и ONNX; лицензия — Apache-2.0. Карточка не сообщает о дополнительных языках или возможностях за пределами классификации текста.

trt19/gemma-300m-legal-ft1 — модель Sentence Transformers, дообученная на базе google/embeddinggemma-300m для представления юридических текстов в виде плотных эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и других задач, где нужно находить близкие по смыслу документы. Для сравнения используется косинусное сходство. Модель основана на плотной текстовой архитектуре Gemma 3 и содержит 302,8 млн параметров. Максимальная длина входной последовательности — 2048 токенов. В карточке приведены примеры на португальском языке из обучающего набора размером 1000 пар и троек текстов; поддержка других языков не подтверждена. Репозиторий использует safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

GLM-10B — плотная языковая модель семейства GLM, разработанная командой авторов статьи GLM: General Language Model Pretraining with Autoregressive Blank Infilling. Модель предварительно обучена на наборе данных The Pile с авторегрессионной целью заполнения пропусков; архитектура включает 48 слоёв Transformer, размер скрытого состояния 4096 и 64 головы внимания в каждом слое. В метаданных указано 13,1 млрд параметров и реализация на PyTorch. Модель предназначена для дообучения и применения в задачах понимания и генерации естественного языка, включая языковое моделирование, задачи формата seq2seq и классификацию вариантов ответа. Она может извлекать признаки из текста; основное назначение в карточке Hugging Face отмечено как feature-extraction. В метаданных указан английский язык. Условия лицензирования в предоставленных данных не описаны. Практическое использование требует учитывать, что опубликована базовая предварительно обученная модель, а примеры и инструкции вынесены в репозиторий проекта.

GLM-Edge-V-5B — мультимодальная модель семейства GLM, разработанная zai-org. Она предназначена для диалоговой работы с изображениями и текстом, а также поддерживает генерацию текста и классификацию текста. Модель имеет плотную архитектуру GlmForCausalLM и содержит 4,1 млрд параметров; максимальная длина контекста составляет 4096 токенов. В метаданных указан формат safetensors и возможность чата. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах репозитория. Карточка README не содержит подробностей о поддерживаемых языках и ограничениях качества.

Immerwinter/google-bert-privacy-policy-content-contact — немецкоязычная модель классификации текста, созданная на основе google-bert/bert-base-german-cased. По карточке она предназначена для анализа политик конфиденциальности и отнесения текста к темам, включая сведения о контактах; перечислены также аудитория, контроль, удаление данных, правовое основание, обработка, цели, хранение, безопасность и права пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,3 млн параметров и принимает текст длиной до 512 токенов. Модель дообучена для тематической классификации немецкоязычных текстов. Доступны форматы Safetensors и ONNX. Лицензия — Apache-2.0. Карточка содержит заголовок «English version», однако метаданные указывают немецкий язык модели, поэтому поддержку английского по имеющимся данным подтвердить нельзя.

Severian/Jamba-Nexus-4xMoE — дообученная компанией Severian языковая модель на базе ai21labs/Jamba-v0.1. Она использует гибридную архитектуру Jamba с Mamba, Transformer и смесью экспертов (MoE); заявленный размер — 7,2 млрд параметров. Модель предназначена для генерации текста и может применяться для классификации текста. В метаданных указан датасет Internal-Knowledge-Map и английский язык, что указывает на настройку под работу с внутренними знаниями. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не содержит дополнительных сведений о качестве и конкретных ограничениях.

Legal-BERTimbau-sts-base-ma-v2 — модель Sentence-Transformers на основе BERT, разработанная для сравнения предложений и абзацев на португальском языке в юридической области. Она формирует плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и оценки смыслового сходства. Модель обучена для задачи семантического сходства на португальских наборах ASSIN, ASSIN2 и STS-B Multi-MT; при обучении также применялась мультиязычная дистилляция знаний. Модель содержит 136,1 млн параметров, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и Safetensors. В приведённой оценке STS она показывает средний результат 0,79307 на трёх португалоязычных наборах. README указывает Legal-BERTimbau-base как основу модели, производную от BERTimbau base. Условия лицензии в предоставленных данных не указаны.

legal-bge-m3 — модель эмбеддингов на базе BGE-M3, разработанная Yuriy Perezhohin для поиска по юридическим текстам. Она преобразует документы, их фрагменты, предложения и запросы в плотные векторные представления для семантического поиска, сравнения предложений и извлечения релевантных фрагментов в системах RAG. Модель дообучена с помощью функции потерь multiple negative ranking на примерно 400 тысячах строк синтетических юридических данных, подготовленных на основе LEGALBENCH-RAG. В метаданных указаны архитектура XLM-RoBERTa, 658,7 млн параметров, контекст до 8194 токенов и английский язык. Базовая модель BGE-M3 рассчитана на многоязычный семантический, лексический и гибридный поиск, однако карточка этой версии заявляет английский язык. Модель подходит для поиска релевантных фрагментов юридических документов и вычисления сходства текстов. Ограничение — обучение на синтетических данных, поэтому возможны унаследованные от них смещения. Сведения о лицензии в предоставленных источниках отсутствуют.

RESMP.DEV выпустила исследовательскую модификацию двунаправленного энкодера LiquidAI/LFM2.5-Encoder-230M для многоязычного поиска по коду. Модель содержит около 221,2 млн параметров; её полный энкодер дообучен контрастивным обучением, а голова masked language modeling удалена. Для получения эмбеддингов доступны запросы с префиксом «query: » и фрагменты кода с префиксом «passage: ». Максимальный контекст — 128 000 токенов, хотя в описанном тесте длина запросов и документов ограничивалась отдельными лимитами. Репозиторий обозначен как MXFP4-GPTQ и предназначен для получения векторных представлений кода и поиска подходящих фрагментов. На отложенном наборе из 6 995 пар вариант с калиброванной MXFP4-квантизацией показал MRR 0,211 против 0,396 у BF16 модели и 0,081 у контрольной MXFP4-квантизации без калибровки; размер артефакта составил около 225,5 МБ. Это заметно компактнее BF16 версии, но качество поиска ниже. README не указывает лицензию репозитория; метаданные обозначают её как other.

LimiX-2 — модель семейства LimiX для работы со структурированными табличными данными, разработанная StableAI. В репозитории опубликованы веса на 400 млн параметров и код для инференса; модель использует архитектуру contextual mechanism network (CMN) и предварительно обучена методом context-conditional masked modeling на синтетических данных, созданных структурными причинными моделями. Модель выполняет классификацию и регрессию табличных данных, а также импутацию пропущенных значений одним предобученным чекпойнтом, без обновления параметров под конкретную задачу. В README сообщается о результатах на наборах TabArena, TALENT и BCCO и о способности восстанавливать причинный скелет по вниманию к признакам. В карточке Hugging Face основная задача обозначена как классификация табличных данных. Для запуска README указывает Python 3.12 или новее и зависимости PyTorch; для PyTorch и flash-attn требуется сборка, соответствующая локальной CUDA. Лицензия StableAI LimiX Non-Commercial License ограничивает использование некоммерческими целями.

MambaOut Base Tall RW — модель компьютерного зрения для классификации изображений и извлечения признаков, реализованная Ross Wightman в библиотеке timm. Она обучена на ImageNet-1k по рецепту обучения на основе Swin и ConvNeXt и содержит 86,5 млн параметров. Для обучения использовались изображения размером 224 × 224, для оценки — 288 × 288; доступны сценарии извлечения карт признаков и эмбеддингов изображений. Модель предназначена для отнесения изображений к классам ImageNet-1k и может служить визуальной основой для систем, которым нужны признаки или векторы изображений. Репозиторий распространяет веса в форматах PyTorch и safetensors по лицензии Apache-2.0. Карточка приводит результаты Top-1 для других вариантов MambaOut, но не указывает отдельную оценку качества именно этой модели.

Matryoshka Hypencoder — англоязычная модель нейронного поиска, разработанная в рамках магистерской диссертации как расширение архитектуры Hypencoder. Она использует двойной энкодер с замороженными BERT-base и обучаемой Matryoshka hyper-head, которая генерирует для запроса сеть оценки релевантности Q-Net. Доступны вложенные размерности Q-Net 128, 256, 512 и 768, что позволяет выбирать компромисс между скоростью оценки документов и качеством поиска без обучения отдельных моделей. Модель предназначена для ранжирования пассажей по запросу и поиска по большим корпусам. Она обучалась на MS MARCO Passage Ranking с дистилляцией оценок учителя и усреднённой невзвешенной Matryoshka Margin-MSE. В README приведены результаты nDCG@10 на TREC DL 2019 и 2020 и ускорение оценки документов при уменьшении Q-Net. Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуется специальный код проекта hypencoder-cb; модель не работает напрямую через стандартные pipeline Transformers. Приведённые результаты относятся к тестам на MS MARCO и TREC DL, поэтому качество на других корпусах может отличаться.