I.12Рекомендации и персонализация

MAGRec-0.6B (en-zh) — модель ранжирования новостей по вероятности клика, разработанная Zetik-Dev. Она оценивает набор кандидатов с учётом краткого профиля пользователя и недавно просмотренных новостей, выдавая логит для каждой позиции кандидата; сигмоида от логита интерпретируется как вероятность клика. Модель предназначена для персонализированной сортировки новостной ленты и рекомендаций новостей. Архитектура включает стек декодера в стиле Qwen3 с 28 слоями, 16 головами и скрытым размером 1024, а также ItemEncoder. Текстовые представления заголовков, аннотаций и профиля заранее вычисляются энкодером microsoft/harrier-oss-v1-270m и имеют размерность 640; общий размер модели — 507,9 млн параметров. Контекст — до 40960 токенов. Модель принимает текстовые векторные представления и возвращает оценки релевантности кандидатов. Карточка ориентирует модель на английские и китайские новости. Для корректной работы необходим тот же энкодер Harrier, без инструкции или промпта и с L2-нормализацией; автор предупреждает, что кандидаты за пределами обучающего новостного корпуса оцениваются ненадёжно. Лицензия в предоставленных данных не указана.

STaR-GATE — дообученная языковая модель из основного эксперимента исследовательской работы «STaR-GATE: Teaching Language Models to Ask Clarifying Questions». Она основана на архитектуре Mistral и содержит 7,1 млрд параметров; модель принимает текст и рассчитана на диалоговое применение с контекстом до 32 768 токенов. Модель предназначена для диалогов, в которых нужно уточнить неявные предпочтения пользователя, прежде чем выполнять задачу, а затем подготовить персонализированный ответ. Авторы обучали её итеративно на синтетических примерах с персонами и задачами, вознаграждая вопросы, повышающие вероятность качественных ответов. В описанном эксперименте ответы после такого самоулучшения предпочитались ответам исходной модели в 72% задач. Модель распространяется в формате safetensors по лицензии MIT. Для получения ожидаемого поведения авторы рекомендуют использовать промпты для elicitation и генерации финального ответа, приведённые в приложении к статье; результаты описаны в контексте исследовательского эксперимента.

NLPBada/kobart-chat-persona-extraction-v2 — модель на базе KoBART, разработанная для извлечения сведений о персоне пользователя из его повседневных диалогов на корейском языке. Она преобразует историю чата в краткие утверждения о характеристиках и привычках собеседника, например о возрасте, роде занятий, интересах и распорядке дня. Модель имеет архитектуру BART, содержит 79,7 млн параметров и принимает последовательности длиной до 1026 токенов. Версия v2 обучена на корейских диалогах AIHub в неформальном стиле речи; для преобразования данных из предыдущей версии использовалась squarelike/korean-style-converter-6b. Для проверки приведены метрики BLEU и ROUGE. Репозиторий содержит веса PyTorch и распространяется под лицензией apache-2.0.

ARC-Hunyuan-Video-7B — мультимодальная модель TencentARC для структурированного понимания коротких видео из реального мира. Это плотная модель на 7 млрд параметров, построенная на Hunyuan-7B vision-language model и дополненная аудиоэнкодером для совместного анализа визуальных, звуковых и текстовых сигналов. Механизм временных меток на кадрах помогает связывать события с моментами видео. Модель отвечает на открытые вопросы о видео, создаёт описания и сводки с временными метками, определяет временные фрагменты, связанные с запросом, и рассуждает о содержании аудио и видео. Она рассчитана, в частности, на короткие пользовательские ролики; авторы сообщают о поддержке входных видео длительностью до пяти минут. Для более длинных видео рекомендуется разбивать запись на фрагменты и объединять результаты внешней LLM. В README указана возможность локального запуска на одной NVIDIA A100 40 ГБ; для развёртывания через vLLM рекомендованы две такие GPU. Модель ориентирована на китайские платформы коротких видео, однако README не задаёт полный список поддерживаемых языков. Авторы отмечают быстрый анализ и синхронизированное аудиовизуальное рассуждение; результаты демо могут отличаться от опубликованных из-за сжатия видео. Лицензия в предоставленных данных не указана.

Aaron757/Qwen2.5-7B-Instruct-v9-mixed-SFT — дообученная методом полного SFT модель Qwen2.5-7B-Instruct, созданная с помощью LLaMA-Factory. Чекпойнт выбран из экспериментов с профилями пользователей, интерпретацией обратной связи и исправлением ответов; он содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для трехэтапного диалогового конвейера: извлечения структурированного профиля из истории пользователя, интерпретации запроса, ответа и обратной связи в пяти полях, а затем подготовки скорректированного ответа на основе профиля и интерпретации. В оценке на отложенной выборке из 100 пользователей она превзошла исходный чекпойнт по метрикам всех трех этапов; результаты относятся ко всему конвейеру и не показывают отдельный причинный эффект профиля. Модель обучена преимущественно на англоязычных данных обратной связи, полученных из WildChat. Она специализирована под точные структурированные промпты этого конвейера, поэтому прямые запросы на генерацию ответа могут не соответствовать обучающему распределению. Метки для интерпретации были псевдометками, созданными моделью и прошедшими проверку конвейера, а не подтвержденными людьми; корректность профиля и интерпретации следует проверять по предоставленным данным. Лицензия — Apache-2.0.

Extended-Mind-Mpt-7b-chat — модель генерации текста, разработанная Normal Computing на основе архитектуры и кода Mosaic ML. Она сохраняет исходные веса MPT-7B без дообучения и добавляет механизм внешней памяти: во время генерации модель извлекает и использует переданные ей текстовые воспоминания в виде последовательностей token ID. Это позволяет дополнять контекст диалога внешними сведениями и обновлять набор памяти между запросами. Модель предназначена для генерации ответов с опорой на внешний кэш ключей и значений; память можно передавать вручную или связывать с векторной базой данных. Качество представлений памяти зависит от stride при построении кэша: меньший шаг требует больше вычислений. Для загрузки требуется библиотека Transformers и параметр trust_remote_code=True. Модель распространяется по лицензии Apache 2.0; авторы отмечают, что это часть продолжающегося исследования Normal Computing.

Computer-8 — плотная языковая модель семейства Llama, разработанная в проекте Computer / Model C. Это полноразмерное продолжение обучения Computer-7 с 69,5 млрд параметров и контекстом 131 072 токена; модель принимает документный текст с описанием беседы и продолжает его, не используя специальный шаблон чата. Модель обучалась на предпочтениях между вариантами ответов Computer-5, а также проходила повторное обучение на архивных текстах и данных о сохранении передачи хода. Она предназначена для генерации продолжений беседы в заданном формате и изучения предпочтений ответов в рамках линейки Computer. В описанной проверке Computer-8 чаще отдавала предпочтение вариантам с самым высоким целевым рейтингом, но её оценки были более резкими и хуже отражали полные распределения предпочтений, чем у Computer-7. Также отмечен сдвиг к более прямому и межличностному ответу на сообщения о переживаниях в контексте беседы с существующим пользователем. Computer-8 не использовала reward model, PPO или онлайн-генерацию при этом этапе обучения. Её формальные способности к рассуждению и сравнительная оценка с Computer-7 ещё не проверены; фактические утверждения модели следует перепроверять, поскольку она может развивать заданную предпосылку вместо её исправления. Репозиторий указывает лицензию Llama 3.1.

anismizi разработала модель классификации изображений кожи лица на основе ResNet50, дообученной с пользовательской классификационной головой. Она принимает RGB-изображения размером 224 × 224 пикселя и относит кожу к одному из двух классов: сухая или жирная. Модель предназначена для оценки типа кожи, персонализации ухода и рекомендаций косметических продуктов, а также для исследовательских сценариев. Она выдаёт оценки вероятности для каждого класса и работает на PyTorch с библиотекой Transformers. Репозиторий распространяется по лицензии MIT. Модель рассчитана на изображения лица с хорошо освещённой и различимой кожей. Её результаты могут различаться в зависимости от тона кожи и этнической принадлежности; модель не предназначена для постановки медицинского диагноза. В README не приведены численные метрики качества.

Artistic_Interests_continuous — модель классификации текста на базе DeBERTa-v3-base, дообученная ajrayman. Она предназначена для предсказания непрерывной оценки, связанной с художественными интересами, по тексту. В карточке приведены результаты оценки: RMSE 0,2337, MAE 0,1878 и корреляция 0,2377; описание набора данных и подробности сценариев применения отсутствуют. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa и принимает последовательности длиной до 512 токенов. Доступна в формате safetensors; лицензия — MIT.

LFM2.5-350M-Memory-Extractor — компактная специализированная языковая модель Jepoxy, полученная дообучением LFM2.5-350M-Base. Она преобразует текст диалога в краткие сведения, которые могут быть полезны для долговременной памяти, например извлекает предпочтения и устойчивые факты о пользователе. Модель обучалась на 64 тысячах синтетических примеров, созданных с помощью модели-учителя, и предназначена для экспериментов с конвейерами извлечения памяти, где использование более крупной модели для каждого извлечения может быть затратным. Модель имеет плотную авторегрессионную архитектуру LFM2 и содержит 444,6 млн параметров. Она принимает текст и генерирует текст; метаданные указывают поддержку английского языка и контекст до 128 000 токенов. Это экспериментальная модель для проверки идеи извлечения памяти, а не готовая система управления памятью: качество и стабильность ответов могут заметно снижаться за пределами типов примеров, встречавшихся при обучении. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не описаны.

Go-Gourmet — дообученная модель Sadiah на базе mistralai/Mistral-7B-Instruct-v0.2 для создания структурированных карточек ресторанов по названию и местоположению. Это плотная авторегрессионная модель Mistral на 7,1 млрд параметров с контекстом до 32 768 токенов; она обучена методом QLoRA с помощью SFT Trainer на пользовательском наборе ресторанных данных. Карточки могут включать кухню, часы работы, адрес, рейтинг, средний чек, рекомендуемые блюда, необходимость бронирования, дресс-код и сайт. Модель подходит для ресторанных и туристических приложений, которым нужно формировать краткие структурированные справки по заведениям. Основной язык карточки — английский. Сведения могут быть неточными или устаревшими, особенно если данных о заведении нет в обучающем наборе, поэтому их следует проверять по официальным источникам. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель cds1/icdu_dpo_qwen3.5_9b_v2 разработана Overture System Solutions на базе Qwen/Qwen3.5-9B. Это текстовая причинная языковая модель, дообученная в два этапа: сначала на инструкциях и материалах по коучингу, затем методом DPO на примерах выбора инструментов. Адаптеры объединены с базовыми весами, после чего модель преобразована в GGUF и квантована до Q4_K_M для запуска в llama.cpp. Модель предназначена для диалоговых ответов на английском языке по темам повседневной жизни и работы, а также для задач, где требуется выбрать подходящий инструмент. В репозитории указаны 9 млрд параметров, контекст до 262 144 токенов и архитектура Qwen3.5 с чередованием слоёв линейного и полного внимания. Размер файла GGUF — около 5,24 ГиБ; фактическое потребление памяти также зависит от KV-кэша и длины контекста. Квантование уменьшает требования к памяти и позволяет запускать модель на совместимом CPU или GPU, но может снижать точность относительно исходных весов. Карточка описывает обучение выбора инструментов, однако не приводит независимых оценок качества. Лицензия — Apache-2.0.

Scarlett — диалоговая языковая модель, созданная ajibawa-2023 на базе Llama-1 от Meta. Она обучена на более чем 10 000 наборов диалогов по темам философии, советов и юмора и предназначена для ответов на вопросы, рекомендаций, обсуждения личных отношений и помощи в принятии решений. Автор указывает, что модель не предназначена для ролевых игр. Модель использует плотную архитектуру LlamaForCausalLM, содержит 32,3 млрд параметров и принимает текст, генерируя текст. Родной контекст составляет 2048 токенов; в метаданных указан английский язык. Для обучения использовались четыре ускорителя A100 80 ГБ и DeepSpeed. Указана лицензия CC BY-NC-ND 4.0, ограничивающая распространение производных версий и коммерческое использование.

Scarlett-Phi — разговорная языковая модель, разработанная ajibawa-2023 и дообученная на Phi-1.5 от Microsoft. По карточке, обучение охватило более 10 тысяч наборов диалогов; модель предназначена для ответов на вопросы, рекомендаций, философских бесед, обсуждения отношений и помощи в принятии решений. Она использует архитектуру MixFormer Sequential и формат диалогов Vicuna 1.1, поддерживает генерацию текста на английском языке и имеет контекст длиной 2048 токенов. Для обучения применялись Axolotl и DeepSpeed. Модель ориентирована на диалоговые сценарии и заявлена как не предназначенная для ролевых игр. README описывает её как «разумный ИИ», однако это формулировка карточки, а не подтверждение наличия сознания. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных версий; автор также указывает исследовательское назначение.

Модель ppp57420/ocean-personality-distilbert разработана на базе DistilBERT и дообучена для регрессионной оценки пяти черт личности по тексту: открытости опыту, добросовестности, экстраверсии, доброжелательности и нейротизма. Она выдаёт пять нормализованных оценок в диапазоне от 0 до 1 и использует архитектуру DistilBertForSequenceClassification. Модель предназначена для автоматизированного прогнозирования личностных характеристик по англоязычному тексту. В README приведены метрики на использованной оценке: MAE 0,108, RMSE 0,1762, корреляция Пирсона 0,7688 и корреляция Спирмена 0,7498. Максимальная длина контекста — 512 токенов. Модель распространяется по лицензии MIT.

T5LA — экспериментальная текстовая модель автора hrezi, представленная в работе «Interactive Text Games: Lookahead Is All You Need!». Это вариант архитектуры T5, дообученный на базе google-t5/t5-base на выборке HuggingFaceFW/fineweb sample-10BT; в метаданных указано 38,5 млн параметров. Модель обучена предсказывать несколько будущих токенов по исходному контексту, что предназначено для приближённого ранжирования возможных продолжений или ответов по их вероятности. Модель не обучалась на инструкциях или отзывах людей. Для генерации следует использовать только предсказание ближайшего токена: предсказания более дальних токенов не учитывают взаимозависимость между ними. Автор также сообщает о снижении качества предсказания ближайшего токена из-за многокомпонентной функции потерь. Для загрузки требуется специальная ветка Transformers с реализацией T5LA; сведения о лицензии в предоставленных источниках отсутствуют.

KevSun/Personality_LM — дообученная модель Kev Sun для оценки выраженности черт личности «Большой пятёрки» по тексту или предложению. Она построена на архитектуре RoBERTa и предназначена для классификации текста; размер модели — 151,8 млн параметров, максимальный контекст — 514 токенов. Модель выдаёт непрерывные оценки черт личности. В README автор сообщает об accuracy 80%, F1 79%, MSE 0,07 и MAE 0,14 на использованной оценке, однако подробности протокола и независимая проверка этих результатов не приведены. Модель распространяется под лицензией Apache-2.0. Язык обучающих данных и поддерживаемые языки не указаны.

onebee-gf-distill-v1 — мультимодальная диалоговая модель-компаньон из исследовательского проекта small-mind-companion. Она основана на google/gemma-4-E2B-it и дообучена последовательными этапами LoRA SFT, DPO и дистилляции по ответам модели-учителя google/gemma-4-E4B-it; затем адаптер объединён с основными весами. Архитектура Gemma 4, эффективный размер базовой модели — около 2 млрд параметров; модель принимает текст и изображения и генерирует текстовые ответы. Модель предназначена для разговоров в заданной персоне и ответов на вопросы о пользователе с опорой на найденные во внешнем хранилище воспоминания. Самостоятельной памяти у неё нет: для описанного авторами сценария требуется отдельная система поиска и передачи релевантных фактов. В тестировании на персонализированном бенчмарке PMB авторы сообщают точность 18,59% по метрике pra_lenient и калибровку воздержания 71,25%; эти результаты получены на одном запуске и не подтверждены несколькими случайными инициализациями. Модель выпущена под лицензией Apache-2.0. Авторы не рекомендуют её для медицинских, юридических или финансовых советов и других сценариев, где ошибочный ответ может причинить вред. Для GGUF-квантизаций авторы отмечают неисправность варианта Q2_K и рекомендуют Q3_K_S или выше.

onebee-gf-sft-v0 — ранний экспериментальный LoRA-чекпойнт проекта, дообученный на Gemma 4 E2B IT. Он предназначен для воспроизведения результатов версии v0 в задачах диалога с персоной, ответы которой учитывают небольшой набор извлечённых воспоминаний. Модель мультимодальная, с архитектурой Gemma4 и поддержкой текста и изображений; базовая модель содержит около 2 млрд эффективных параметров, адаптер имеет ранг 16. Карточка указывает задачу image-text-to-text и поддержку английского языка. Дообучение выполнено на 202 примерах для четырёх персон. На этом этапе значимого DPO-выравнивания не применялось. В README приведены низкие результаты без памяти и более высокие при её подключении, а также отмечены проблемы с ошибочными отказами; авторы считают эту версию устаревшей и рекомендуют для новых работ v1 или distill-v1. Чекпойнт не оценивался для критически важных решений и медицинских, юридических или финансовых консультаций. Лицензия — Apache 2.0.

Qwen2.5-Omni-7B-Omni-Persona-RLVR — исследовательская мультимодальная модель Yeongtak, полученная дообучением Qwen/Qwen2.5-Omni-7B методом RLVR с алгоритмом GSPO. Она предназначена для персонализированных ответов по контекстам с изображениями, аудио и текстовой памятью: определить подходящую персону, ответить на вопрос по её контексту или воздержаться от ответа, если данных недостаточно. Модель содержит около 10,7 млрд параметров, распространяется полными объединёнными весами в формате safetensors и использует стек предобработки базовой модели. Карточка описывает оценку на английском языке и обучение на синтетических персонах; длина контекста в данных не приведена. Дообучение повысило долю ответов на вопросах с ответом, но ухудшило калиброванную точность и резко снизило долю корректных отказов: версия 7B пытается ответить почти на все разрешимые вопросы и корректно отказывается лишь на небольшой части вопросов без ответа. Модель не проверялась на реальных распределениях идентичностей, длинных или иначе устроенных контекстах и других языках; унаследованы ограничения базовой модели, а безопасность отдельно не дообучалась. Это исследовательский артефакт, не предназначенный для идентификации людей, биометрической проверки или решений о реальных людях. Лицензия указана как other; дополнительных условий использования карточка не сообщает.

Lukamac/PlayPart-AI-Personal-Trainer — дообученная авторегрессионная модель GPT-2, опубликованная пользователем Lukamac. Она генерирует текст по вопросам о фитнесе, спорте и занятиях в тренажёрном зале; её предполагаемые сценарии — чат-бот персонального тренера, составление тренировочных рекомендаций и ответы на вопросы о физических упражнениях. Модель основана на openai-community/gpt2 и обучалась на датасетах Strava с беговыми активностями и MegaGym. Она использует архитектуру GPT-2, формат весов Safetensors и поддерживает контекст до 1024 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Рекомендации модели не следует считать профессиональной медицинской или спортивной оценкой; качество и безопасность советов в карточке не подтверждены.

Minej/bert-base-personality — модель классификации текста на основе BERT Base Uncased, дообученная разработчиком на подборке данных о чертах личности. Она оценивает по тексту пять черт модели «Большая пятёрка»: экстраверсию, нейротизм, доброжелательность, добросовестность и открытость; результат для каждой черты представлен значением от 0 до 1. Модель предназначена для самостоятельной оценки текста и получения ориентировочных предположений о чертах личности. Она содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и поддерживает английский язык. Лицензия — MIT. Оценки отражают только закономерности в тексте и не дают полной картины личности. Точность может снижаться для людей и культур, недостаточно представленных в обучающих данных; возможны ложные выводы. Не используйте предсказания для решений о найме, образовании, правовых вопросах или других важных оценок людей. Текст может содержать личные сведения, поэтому учитывайте требования к его защите.

onebee-gf-sft-v0 — ранний экспериментальный LoRA-адаптер с supervised fine-tuning, созданный поверх мультимодальной Gemma 4 E2B IT. Разработчик использовал 202 примера, составленных для четырёх персон; адаптер имеет ранг 16. Базовая модель насчитывает около 2 млрд эффективных параметров, поддерживает текст и изображения, а репозиторий содержит веса в формате Safetensors. Модель предназначена для воспроизведения результатов раннего этапа проекта и диалоговых ответов в роли компаньона с учётом небольшой подборки извлечённых воспоминаний. README приводит результаты на PMB и отмечает, что на этом этапе значимого выравнивания предпочтений методом DPO не проводилось. Чекпойнт уступает последующим версиям проекта и не рекомендуется как основа для новых разработок. Лицензия — Apache-2.0. Модель не оценивалась для критически важных решений и не предназначена для медицинских, юридических или финансовых советов; при малом объёме данных отмечены ошибочные отказы от ответа.

MMDuet2 — видеомультимодальная модель для проактивного взаимодействия во время воспроизведения видео. Она может отвечать на реплики пользователя и самостоятельно выбирать подходящие моменты для ответа по ходу видео. Модель разработана авторами проекта MMDuet2 и дообучена на базе Qwen2.5-VL-3B-Instruct с помощью многоходового обучения с подкреплением. Модель построена на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. Она рассчитана на лёгкую работу и взаимодействие в реальном времени; авторы отмечают, что ответы не должны быть чрезмерно редкими, частыми или повторяющимися. Карточка указывает поддержку английского языка. Лицензия в предоставленных данных не указана.

Soorya03 разработал диалоговую модель для помощи с фитнесом и физическими упражнениями. В README указана настройка методом LoRA на датасете onurSakar/GYM-Exercise для рекомендаций по упражнениям, составления тренировочных планов и ответов на общие вопросы о фитнесе. Метаданные Hugging Face указывают архитектуру LlamaForCausalLM семейства Llama, 1,2 млрд параметров, контекст до 131072 токенов и формат safetensors. Модель предназначена для интерактивных фитнес-сценариев и выдаёт текстовые ответы на английском языке. README противоречиво называет базовую модель: в одном месте указана Llama-2-7b-chat, в другом — сама Soorya03/Llama-3.2-1B-FitnessAssistant; поэтому базовую модель достоверно определить нельзя. Лицензия отсылает к лицензии исходной модели. Модель не предназначена для медицинских рекомендаций; автор отмечает ограниченность обучающих данных и отсутствие формального бенчмаркинга.

Ananya2029 разработала Ananya-Qwen2.5-finetuned — компактную языковую модель Qwen2.5-1.5B-Instruct, дообученную методом LoRA на вопросах и ответах о личном профиле. Адаптер объединён с базовой моделью; архитектура — плотная Qwen2ForCausalLM, формат весов — safetensors. Модель принимает текст и генерирует текст, поддерживает диалог и контекст до 32 768 токенов. Модель предназначена для ответов на вопросы о профиле Ананьи: можно запросить профиль целиком или отдельные сведения, например роль. В обучении использовались 616 пар вопросов и ответов с разными формулировками, с системным промптом и без него. Лицензия — Apache-2.0. Это учебный эксперимент, обученный только на одном личном профиле; автор не позиционирует его как универсального помощника. Ответы за пределами профильных сведений могут быть ненадёжными.

Assistify Recommendation Model — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для поиска и сопоставления текстов. Она использует архитектуру BERT с усредняющим pooling и преобразует предложения и абзацы в плотные векторы размерности 384; сходство оценивается косинусной мерой. Модель принимает текст. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога указывают контекстное окно 512 токенов. Модель предназначена для семантического поиска, извлечения подходящих документов и рекомендаций по текстовому запросу. Обучение проводилось на 35 910 парах предложений с MultipleNegativesRankingLoss; примеры включают запросы о медицинских товарах на арабском и английском языках. Лицензия в предоставленных данных не указана.

KhaledReda/all-MiniLM-L6-v24-pair_score — англоязычная модель Sentence Transformer, созданная KhaledReda дообучением KhaledReda/all-MiniLM-L6-v23-pair_score. Она преобразует предложения и короткие тексты в плотные эмбеддинги размерности 384, предназначенные для оценки семантического сходства с помощью косинусной близости. Модель основана на архитектуре BERT и содержит 25,9 млн параметров. Модель подходит для сравнения запросов и описаний, поиска похожих текстов и ранжирования пар по смысловой близости, в том числе в сценариях поиска товаров по коротким запросам и развернутым описаниям. Она обучена на парах текстов со скалярными оценками сходства; в README указаны 12,58 млн обучающих примеров. Метаданные задают контекст до 512 токенов, тогда как карточка модели указывает максимальную длину последовательности 256 токенов, поэтому фактическое ограничение следует проверять в используемой конфигурации. Для использования доступна лицензия Apache-2.0. Модель ориентирована на английский язык; качество для других языков не подтверждено. Она выдает эмбеддинги, а не готовые текстовые ответы.

Trendyol разработала модель для получения визуальных эмбеддингов изображений товаров в каталоге электронной коммерции. Она предназначена для поиска одинаковых и похожих товаров, объединения дублей и ранжирования товаров по визуальному сходству; эмбеддинги также можно использовать для кластеризации, визуального поиска и рекомендаций по изображениям. В основе лежит ConvNeXt-Base с входным разрешением 224×224 и проекционной головой размерности 512. Модель обучена с функцией потерь ArcFace на изображениях товаров Trendyol; выходные эмбеддинги нормализованы по L2, что позволяет сравнивать их косинусным сходством. Она принимает изображения и возвращает векторы признаков. В метаданных указан базовый чекпойнт timm/convnext_base.fb_in22k_ft_in1k; библиотека — timm. Модель оптимизирована для изображений товаров, поэтому может хуже работать на изображениях из других областей, низкого качества или с сильными искажениями; качество также может различаться между категориями, брендами и стилями. Условия коммерческого использования требуют указания Trendyol как создателя и предварительного уведомления Trendyol. Перераспространение модели или её производных на сторонних платформах требует предварительного письменного согласия; лицензия в метаданных — CC BY-SA 4.0.

Карточка модели coderancer/movie-recommender-model на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.