I.12Рекомендации и персонализация

Карточка модели huyhuung/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

zeromodels/dino-vitb8 — преобразованная в формат Keras 3 версия модели facebook/dino-vitb8 от Facebook AI Research. Это Vision Transformer с архитектурой ViT-B/8, обученный методом самообучения DINO: модель сопоставляет представления разных фрагментов одного изображения без использования меток и возвращает токены и карты признаков, а не результаты специализированной классификационной головы. Реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для извлечения семантических признаков изображений и использования в качестве визуального бэкбона при обучении классификаторов и решении других задач компьютерного зрения. Лицензия — Apache 2.0.

facebook/dragon-plus-query-encoder — часть поисковой модели DRAGON+, разработанной командой Facebook. Это плотный двуэнкодерный ретривер на базе BERT-base: данный чекпойнт кодирует запросы, а отдельный контекстный энкодер — документы. Модель инициализирована из Shitao/RetroMAE и дополнительно обучена на данных, расширенных на основе корпуса MS MARCO, по подходу Diverse Augmentation Towards Generalizable Dense Retrieval. Энкодер преобразует текст запроса в векторные признаки для поиска релевантных документов. DRAGON+ рассчитана на асимметричный поиск, где для запросов и контекстов используются отдельные параметры; в README приведены результаты на MS MARCO Dev и BEIR. Архитектура — плотная BERT-модель примерно на 136,7 млн параметров, формат весов — PyTorch, длина контекста — 512 токенов. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.

EVA-Giant Patch14 336 CLIP — модель классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи EVA-CLIP и доступная в библиотеке timm. Визуальная башня CLIP предварительно обучена на LAION-400M и дообучена на ImageNet-1k. Модель содержит около 1,013 млрд параметров и рассчитана на изображения размером 336 × 336 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k, а также для извлечения эмбеддингов изображений. README описывает обучение с использованием визуальных и текстовых башен CLIP, предварительного обучения MIM, прореживания патчей FLIP и оптимизаций, ускоряющих обучение. В репозитории timm веса сохранены в float32; исходные веса доступны в float16 или bfloat16. Лицензия — MIT. Модель ориентирована на изображения и сама по себе не предназначена для диалога или генерации текста; сведения об ограничениях точности и поведении на данных вне ImageNet-1k в карточке не приведены.

Модель bespin-global/klue-sroberta-base-continue-learning-by-mnr разработана JaeHyeong AN из Bespin Global. Это корейская модель эмбеддингов предложений на базе RoBERTa, дообученная в два этапа на KLUE/NLI и KLUE/STS: сначала с MultipleNegativeRankingLoss, затем с CosineSimilarityLoss. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, кластеризации и оценки сходства предложений. В тесте STS автор сообщает среднее значение 0,889 по метрикам корреляции сходства. Модель содержит 137,8 млн параметров, принимает текст, поддерживает контекст до 514 токенов и распространяется в форматах PyTorch и safetensors. Лицензия — CC BY 4.0.

daekeun-ml/KoSimCSE-unsupervised-roberta-large — модель эмбеддингов предложений на основе RoBERTa large и метода SimCSE, опубликованная разработчиком daekeun-ml. Она обучена без размеченных пар предложений с помощью контрастивного обучения и предназначена для получения векторных представлений корейского текста. Эмбеддинги можно использовать для поиска семантически близких предложений и оценки сходства по косинусному или другим расстояниям. В README приведены результаты на корейских наборах KLUE-STS и Kor-STS: средние показатели для большой несупервизируемой модели составляют 81,96 и 81,71 соответственно. В руководстве по обучению рекомендована максимальная длина последовательности 32 токена; эти параметры описывают эксперимент обучения и не гарантируют качество для других данных. Модель опубликована в формате Safetensors под лицензией MIT. README также описывает учебный код для самостоятельного обучения SimCSE, включая supervised и distributed варианты.

Redis LangCache Embed v3 Small — англоязычная Sentence Transformer модель Redis для построения плотных векторов предложений и абзацев. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 на наборе LangCache Sentence Pairs и содержит около 25,9 млн параметров. Архитектура состоит из BERT-энкодера и среднего pooling; векторы размерности 384 сравниваются по косинусному сходству. Модель предназначена для оценки семантического сходства, семантического поиска и поиска похожих запросов для семантического кэширования. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога задают нативный контекст 512 токенов. Обучение включало около 8 млн парных примеров; в карточке приведён результат nDCG@10 0,788 на тестовой оценке LangCache. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она выдаёт эмбеддинги для сравнения текстов, но качество и применимость за пределами английского языка и сценариев, близких к обучающим данным, не установлены.

Laya-English-MXFP8 — квантованный англоязычный энкодер ModernBERT-large, подготовленный для MLX на Apple Silicon и опубликованный как часть проекта ConvAI Innovations Laya. Репозиторий содержит только двунаправленную энкодерную основу примерно на 394,7 млн параметров; отдельная голова принятия решений Laya сюда не включена. В отличие от генеративной языковой модели, энкодер извлекает признаки из текста и сам не генерирует ответы. Модель подходит для получения текстовых представлений и построения собственных MLX-классификаторов или других небольших голов поверх энкодера. В README указана MXFP8-квантизация и проверка совместимости с исходным энкодером; метаданные указывают контекст 8192 токена. Репозиторий не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

LLM2CLIP-Openai-L-14-336 — модель семейства CLIP, опубликованная Microsoft и исследователями из Университета Тунцзи. Это визуальный backbone для сопоставления изображений и текста: модель строит эмбеддинги, которые можно использовать для поиска соответствий между изображениями и текстовыми описаниями, включая длинные и сложные подписи. Подход LLM2CLIP переносит текстовые возможности больших языковых моделей в пространство эмбеддингов CLIP с помощью контрастивного дообучения, а затем использует полученные представления для обучения визуального энкодера. В README описаны улучшения поиска по коротким и длинным текстам и многоязычного поиска; приведённый вариант предназначен для изображений и retrieval. Репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0. README предупреждает, что результаты статьи получены на весах PyTorch и производительность версии Hugging Face может отличаться.

Chaitanya30/maatri-hindi-crossencoder — текстовый Cross Encoder, дообученный разработчиком на базе BAAI/bge-reranker-v2-m3 с библиотекой Sentence Transformers. Модель принимает пару текстов и выдаёт оценку их соответствия, которую можно использовать для переранжирования результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и имеет около 658,7 млн параметров; максимальная длина последовательности — примерно 8192 токена. Модель предназначена прежде всего для работы с текстами на хинди: в README приведена оценка на наборе Hindi-dev. В описанной проверке на Hindi-dev указаны accuracy 0,7699 и F1 0,5031. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

MetaCLIP B/16 — модель семейства CLIP, разработанная командой MetaCLIP и обученная на 400 миллионах примеров CommonCrawl. Вариант base использует разрешение патчей 16; веса доступны в формате PyTorch. Модель сопоставляет изображения и текст в общем пространстве представлений. Её можно применять для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений по текстовому запросу и поиска текста по изображению. Модель ориентирована на исследование связи между подбором обучающих данных и качеством CLIP. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

MetaCLIP ViT-B/16 — модель семейства CLIP, разработанная командой MetaCLIP и обученная на 2,5 млрд примеров CommonCrawl. Она сопоставляет изображения и текст в общем пространстве представлений, поэтому подходит для классификации изображений без дополнительного обучения по текстовым меткам, поиска изображений по описанию и поиска текста по изображению. Модель опубликована в рамках исследования Demystifying CLIP Data, посвящённого отбору данных для обучения CLIP. Репозиторий содержит веса PyTorch; в метаданных указана задача zero-shot image classification. Лицензия — CC-BY-NC-4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

MetaCLIP L14-400M — модель семейства CLIP, разработанная командой MetaCLIP и представленная в репозитории facebook. Это крупная версия с разрешением патчей 14, обученная на 400 миллионах примеров CommonCrawl. Модель представлена в формате PyTorch и предназначена для сопоставления изображений и текстов в общем пространстве представлений. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений по текстовому запросу и поиска текста по изображению. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. README не приводит конкретных сведений о языках или длине контекста.

MMLW-retrieval-e5-small — польскоязычный плотный текстовый энкодер семейства BERT, разработанный для поиска информации. Он преобразует запросы и фрагменты текста в векторы размерности 384 и рассчитан на сопоставление их релевантности. Для запросов требуется префикс «query: », для документов — «passage: ». Модель содержит 124,3 млн параметров и поддерживает контекст длиной до 512 токенов. Модель инициализирована мультиязычным чекпойнтом E5, дистиллирована на 60 млн польско-английских пар текстов с использованием английских FlagEmbeddings (BGE) как учителей, а затем дообучена с contrastive loss на польском разделении MS MARCO. На польском бенчмарке поиска информации PIRB указано значение NDCG@10 52,34. Модель подходит для семантического поиска и retrieval-систем по польским текстам. Она распространяется по лицензии Apache-2.0. Требует корректных префиксов; контекст ограничен 512 токенами, а заявленные результаты относятся к польскому бенчмарку.

BounharAbdelaziz/ModernBERT-Morocco-Sentence-Embeddings-v0.2-bs-32-lr-2e-05-ep-2-wp-0.05-gacc-1-gnm-1.0-v0.3 — модель Sentence Transformers, дообученная Abdelaziz Bounhar на базе BounharAbdelaziz/ModernBERT-Morocco для создания эмбеддингов предложений на марокканской дариже. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство оценивается косинусной мерой. Модель построена на ModernBERT с mean pooling и поддерживает последовательности до 8192 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. В карточке приведены результаты оценки на наборах для триплетного ранжирования, семантического сходства и перевода между английским и марокканской дариже; эти результаты зависят от конкретных тестовых данных. Модель выпущена под лицензией Apache-2.0.

johnnyboycurtis/ModernBERT-small — англоязычная модель эмбеддингов Sentence Transformers, разработанная Johnny Boy Curtis. Это компактный ModernBERT с 47,7 млн параметров, mean pooling, выходными векторами размерности 384 и максимальной длиной последовательности 1024 токена. Модель обучена с нуля, затем прошла контрастивное обучение на наборах all-nli, trivia-qa-triplet и MS MARCO, дистилляцию по BAAI/bge-base-en-v1.5 и дообучение на STSB для оценки семантического сходства; используется косинусное сходство. Модель подходит для поиска семантически близких предложений, сравнения текстов и построения векторного поиска на английском языке. В README приведены результаты на STS-dev и STS-test, но автор предупреждает, что это ранний эксперимент с неудачным масштабированием архитектуры и не рекомендует его для production; предлагается перейти на ModernBERT-small-v2. Веса доступны в формате safetensors, лицензия MIT.

unicamp-dl/monoptt5-small — компактная модель T5, разработанная командой Unicamp-DL для переранжирования текстовых результатов поиска на португальском языке. Модель дообучена от unicamp-dl/ptt5-v2-small на смеси португальских и английских данных набора mMARCO в течение 100 тысяч шагов. Модель содержит 38,5 млн параметров, принимает текст и имеет контекст до 512 токенов. Её применяют для переоценки и сортировки документов по релевантности запросу, в том числе через пакет rerankers с Transformers. В метаданных задача обозначена как text-generation, однако назначение, описанное авторами, — переранжирование; для каталога это соответствует text-ranking. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная на Hugging Face в формате, совместимом с библиотекой Transformers. В метаданных модель классифицирована для задачи feature extraction; размер, длина контекста и поддерживаемые естественные языки не указаны. README описывает обновлённую версию модели с заявленными улучшениями рассуждений, логического анализа, программирования, классификации, суммаризации, диалогов и function calling, однако эти возможности не подтверждены pipeline-тегом feature-extraction и приведёнными техническими характеристиками. На практике модель следует рассматривать прежде всего как источник векторных представлений текста для последующей обработки. Модель распространяется по лицензии MIT. Для прикладного использования необходимо отдельно проверить фактическую архитектуру, качество на нужном языке и совместимость заявленных в README сценариев с доступными весами и конфигурацией.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в формате Hugging Face Transformers с поддержкой PyTorch. По метаданным она предназначена прежде всего для извлечения признаков из текста, то есть получения векторных представлений, пригодных для последующей классификации, поиска и других задач машинного обучения. В README заявлены улучшения рассуждений, понимания языка, генерации кода и текста, ответов на вопросы, суммаризации, перевода, диалогов, вызова функций и работы с файлами или результатами веб-поиска. Однако эти описания относятся к широкому набору возможностей и не согласуются напрямую с pipeline-тегом feature-extraction, поэтому для каталога основной подтверждённой задачей следует считать извлечение признаков. К сильным сторонам относятся совместимость с Transformers и PyTorch, а также заявленная эффективность на математических, логических и языковых тестах. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны. Модель распространяется по лицензии MIT.

diwash-barla/my-embeddinggemma-news-vibe — дообученная модель Sentence Transformers на базе google/embeddinggemma-300m, созданная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерности 768; максимальная длина входа — 2048 токенов, для сравнения используется косинусное сходство. Модель подходит для семантического поиска и сравнения новостных текстов, поиска перефразировок, классификации и кластеризации. В README указано дообучение на наборе из четырёх примеров с меткой MY_FAVORITE_NEWS с использованием MultipleNegativesRankingLoss, поэтому применимость специализации на новостях стоит проверять на целевых данных. Модель использует архитектуру Gemma 3 Text, содержит около 302,8 млн параметров и распространяется в формате safetensors через библиотеку sentence-transformers. Лицензия — OpenRAIL.

Noql — компактная модель эмбеддингов предложений на персидском языке от shekar-ai. Она основана на ALBERT, использует mean pooling и L2-нормализацию и предназначена для поиска и сравнения текстов. README сообщает о 11,9 млн параметров, тогда как метаданные Hugging Face указывают 142,4 млн; размер модели поэтому не удаётся согласовать. Контекст составляет 512 токенов. Модель обучена на наборе Shiraz в два этапа: на парах запрос–документ с внутрипакетными отрицательными примерами, затем с добавлением сложных отрицательных примеров. Matryoshka-обучение позволяет сокращать 768-мерные эмбеддинги до 512, 256, 128 или 64 измерений с небольшим снижением результатов на FaMTEB. Подходит для семантического поиска, извлечения документов и оценки сходства персидских текстов. Модель распространяется по лицензии Apache-2.0. Ее область применения ограничена персидским языком; результаты на других языках не описаны.

NorBERTo-base — предварительно обученный текстовый энкодер ModernBERT для бразильского португальского языка, разработанный Itaú Unibanco и ICTi. Модель содержит около 149 млн параметров и обучена на корпусе Aurora-PT объёмом 331 млрд токенов. Основная задача модели — предсказывать пропущенные токены в тексте. Её также можно применять для получения текстовых эмбеддингов и адаптировать под задачи классификации, семантического сходства и текстового следования. Контекст поддерживает до 8 192 токенов; в архитектуре используются эффективное локально-глобальное внимание и RoPE. В карточке сообщается о результатах на португалоязычных бенчмарках PLUE и ASSIN 2. Это базовая предобученная модель, а показатели для отдельных задач могут относиться к дообученным вариантам. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространения производных материалов на тех же условиях и не допускает коммерческого использования.

Sinequa passage-ranker.mango — многоязычная модель ранжирования фрагментов текста по релевантности поисковому запросу. Она принимает пару «запрос — фрагмент» и выдаёт оценку, по которой можно упорядочить результаты поиска. Модель построена на архитектуре BERT для классификации последовательностей и обучена методом MonoBERT на MS MARCO Passage Ranking, включая переведённые данные для поддерживаемых языков. Модель обучена и протестирована на китайском (упрощённом), нидерландском, английском, французском, немецком, итальянском, японском, португальском и испанском языках; базовая модель также позволяет ожидать ограниченную поддержку других языков. Она нечувствительна к регистру и диакритическим знакам, а длина контекста составляет 512 токенов. В README приведён средний NDCG@10 0,480 по 14 наборам BEIR и результаты по части языков MIRACL. Для запуска Sinequa указывает минимальную версию 11.10.0 и GPU с CUDA compute capability выше 7.5. Лицензия в предоставленных данных не описана.

Perception Encoder PE-Core-G14-448 — визуальный энкодер Meta из семейства PE, обученный на изображениях с помощью контрастивного vision-language обучения и дообученный на синтетически выровненных видеоданных. Модель содержит визуальную башню G/14 с разрешением 448 пикселей; для глобального представления использует блок attention pooling с 8 головами. Число параметров и длина текстового контекста именно этого чекпойнта в предоставленных данных не указаны. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для получения визуальных представлений, поиска и переноса признаков в downstream-задачи. В карточке отмечены результаты на наборах ImageNet, ObjectNet и ImageNet-A, а также на задачах поиска и классификации видео. Репозиторий предоставляет веса PyTorch. Лицензия — Apache-2.0.

0xnu/pmmlv2-fine-tuned-igbo — модель векторных представлений предложений, дообученная для языка игбо на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT и библиотеку Sentence-Transformers; в репозитории указано 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для получения эмбеддингов и сравнения сходства предложений, в том числе на игбо. Модель принимает текст и выдаёт векторные представления, применимые для семантического поиска, сопоставления предложений и группировки похожих текстов. Метаданные указывают поддержку множества языков, включая игбо, русский и английский. Лицензия — MIT. README не приводит результатов оценки качества, поэтому надёжность на разных вариантах орфографии и диакритики игбо по предоставленным данным определить нельзя.

R3-Rerank-0.6B — компактный реранкер, разработанный Tencent для поиска навыков, подходящих агенту с учётом запроса. Это cross-encoder на базе Qwen3, который совместно оценивает запрос и каждый кандидат-навык, чтобы упорядочить результаты поиска. В двухэтапном поиске R3-Skill он выполняет этап ранжирования после извлечения кандидатов; для этапа отбора кандидатов используется R3-Embedding-0.6B. Модель содержит 507,6 млн параметров, принимает текст и выдаёт оценки релевантности для сортировки. Контекст — до 40 960 токенов. В метаданных указана задача text-ranking; также отмечена возможность text-generation, однако README описывает применение именно для реранжирования. Лицензия — Apache-2.0.

cl-nagoya/ruri-large-v2 — японская модель эмбеддингов предложений, разработанная командой cl-nagoya и построенная как Sentence Transformer на базе cl-nagoya/ruri-pt-large-v2. Она преобразует текстовые фрагменты в векторы размерностью 1024; сходство между ними можно оценивать косинусной мерой. Модель основана на архитектуре BERT, содержит 436,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, где нужно сопоставлять тексты по семантической близости. В README приведена оценка 74,55 в среднем по JMTEB, а также результаты по поиску, семантическому сходству, классификации, ранжированию и кластеризации. Разработчики отмечают, что доступны более новые модели Ruri v3 и рекомендуют их для дальнейшего использования. Модель ориентирована на японский язык. Распространяется под лицензией Apache 2.0.

SigLIP 2 Base — базовая модель семейства SigLIP 2 от Google, предназначенная для сопоставления изображений и текста. Это плотная vision-архитектура; вариант patch16-384 принимает изображения с разрешением 384 пикселя и обучен на датасете WebLI с использованием объединённой схемы предобучения SigLIP и ранее разработанных методов. Модель подходит для классификации изображений по произвольным текстовым меткам без дополнительного обучения, поиска изображений по тексту и текста по изображению, а также как визуальный энкодер для VLM и других компьютерно-зрительных задач. В README отмечены улучшенное семантическое понимание, локализация и извлечение плотных признаков. Модель распространяется под лицензией Apache-2.0. README не приводит численный размер модели или результаты оценки, поэтому их нельзя уточнить по доступным сведениям.

SigLIP 2 Base — базовая модель семейства SigLIP 2, разработанная Google. Она обучена на наборе данных WebLI и предназначена для сопоставления изображений и текста: модель поддерживает классификацию изображений по заданным текстовым меткам без дополнительного обучения и поиск изображений по текстовым запросам или текста по изображениям. Её также можно использовать как визуальный энкодер для мультимодальных языковых моделей и других задач компьютерного зрения. Модель принимает изображение и текстовые описания-кандидаты и оценивает их соответствие; визуальный энкодер формирует представления изображений для дальнейшего использования. В карточке указана архитектура SigLIP, библиотека Transformers и формат весов safetensors. Модель доступна по лицензии Apache-2.0. README не приводит сведений о размере параметров и длине контекста.

SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это плотный визуально-языковой энкодер класса Siglip2Model, обученный на наборе WebLI; веса доступны в формате safetensors по лицензии Apache-2.0. Модель предназначена для классификации изображений по заданным текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для мультимодальных языковых моделей и других задач компьютерного зрения. Архитектура использует патчи 16×16 с обработкой NaFlex; размер модели и длина контекста в предоставленных данных не указаны.