I.12Рекомендации и персонализация

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-vits8 — конвертированная в Keras 3 модель-визуальный энкодер на базе facebook/dino-vits8, подготовленная проектом zeromodels. Это самообученный Vision Transformer, обученный по подходу DINO: модель сопоставляет представления учителя и ученика для разных фрагментов одного изображения без меток и возвращает токены или карты признаков, а не результаты отдельной классификационной задачи. Модель предназначена для извлечения семантических признаков изображений и использования как основы для других задач компьютерного зрения. Реализация рассчитана на запуск с TensorFlow, PyTorch или JAX через Keras 3. Лицензия — Apache 2.0.

nghuyong/ernie-3.0-mini-zh — версия ERNIE 3.0 на PyTorch, преобразованная из официальной модели PaddlePaddle и проверенная экспериментами на корректность конверсии. Это плотная модель архитектуры ERNIE с 29,5 млн параметров и контекстом до 2048 токенов. Модель предназначена для извлечения признаковых представлений текста на китайском языке. Её можно использовать как основу для получения векторных представлений, которые затем применяются в поиске, сравнении текстов и других NLP-сценариях. Для загрузки README указывает Transformers и классы BertTokenizer и ErnieModel. Репозиторий содержит формат PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

timm/eva_giant_patch14_clip_224.merged2b — веса модели EVA-CLIP, опубликованные командой timm для использования через OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь передаёт изображение и варианты подписей, а модель оценивает их соответствие. В названии указаны архитектура EVA с патчами 14×14 и входным размером изображения 224 пикселя. Модель сопоставляет визуальные и текстовые представления, поэтому принимает изображения и текстовые метки и выдаёт оценки соответствия. Репозиторий содержит веса PyTorch и Safetensors и предназначен для библиотеки OpenCLIP. Лицензия — MIT.

FG-CLIP 2 — двуязычная модель визуально-текстового выравнивания для детального понимания изображений и текста. В карточке указаны авторы Chunyu Xie, Bin Wang и коллеги; модель доступна в репозитории qihoo360 и предназначена для английского и китайского языков. Модель сопоставляет изображения с текстовыми описаниями и поддерживает классификацию изображений без дополнительного обучения, а также поиск по изображению и тексту. Авторы сообщают о проверке на 29 наборах данных и восьми задачах, где FG-CLIP 2 превзошла ряд сильных базовых моделей, включая SigLIP 2 и MetaCLIP 2. Архитектура FG-CLIP 2 представлена классом Fgclip2Model; для загрузки в README приведён интерфейс Transformers с обработкой изображений и токенизатором. Модель принимает изображения и текстовые запросы и формирует выравненные представления для сопоставления и классификации. Репозиторий содержит веса в формате Safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

OpenGVLab/InternVL-14B-Flickr30K-FT-364px — дообученная мультимодальная модель InternVL для поиска соответствий между изображениями и текстами. Она принимает изображения размером 364 × 364 пикселя и текстовые описания; обучение для задач retrieval выполнено на Flickr30K на основе OpenGVLab/InternVL-14B-224px. Архитектура InternVL объединяет зрительный трансформер ViT с языковой моделью; размер модели — 14 млрд параметров. Модель предназначена для извлечения признаков и поиска текста по изображению или изображения по тексту. При использовании README требует добавлять префикс «summarize:» и устанавливать tokenizer.pad_token_id в 0, иначе результаты могут быть некорректными. Репозиторий распространяется по лицензии MIT.

masahiroid/japanese-reranker-xsmall-v2-mlx — японская версия модели переранжирования hotchpotch/japanese-reranker-xsmall-v2, преобразованная сообществом в формат MLX. Исходная модель построена на ModernBERT и использует архитектуру cross-encoder с классификационной головой; версия содержит 36,7 млн параметров и поддерживает контекст до 8192 токенов. Модель оценивает релевантность пары текстов и помогает переупорядочивать результаты поиска или документы в RAG. Она рассчитана прежде всего на японский язык и также поддерживает английский. Формат MLX предназначен для запуска в экосистеме Apple MLX; README предлагает использовать библиотеку mlx-embeddings. Это неофициальная конверсия, авторство исходной модели принадлежит её разработчику. Лицензия — MIT.

Карточка модели BM-K/KoSimCSE-Unsup-BERT на Hugging Face совпадает с карточкой BM-K/KoSimCSE-Unsup-RoBERTa, поэтому описание составлено по ней. BM-K/KoSimCSE-Unsup-RoBERTa — модель корейских векторных представлений предложений из семейства KoSimCSE. Она основана на RoBERTa и предназначена для получения эмбеддингов текста, которые можно использовать для сравнения семантической близости предложений. Модель подходит для семантического поиска и кластеризации корейских текстов. В карточке указано 137,8 млн параметров и контекст до 514 токенов; доступны веса PyTorch и Safetensors. README описывает обучение KoSimCSE без разметки на корпусе Wikipedia и приводит семантический поиск и кластеризацию как downstream-задачи. Сведения о лицензии в предоставленных данных отсутствуют.

Redis разработала sentence-transformers bi-encoder, дообученный на базе Alibaba-NLP/gte-modernbert-base для семантического кэширования в LangCache. Модель кодирует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. В карточке указаны архитектура ModernBERT, библиотека Sentence Transformers и Apache-2.0. Модель подходит для сравнения текстовых запросов и поиска семантически близких формулировок, например для повторного использования результатов кэша при перефразированных запросах. README сообщает максимальную длину последовательности 100 токенов, тогда как метаданные каталога указывают нативный контекст 8192 токена; для практического применения следует учитывать ограничение из карточки модели. В README приведены метрики retrieval-оценки, но их результаты относятся к указанному тестовому набору и не гарантируют качество на других данных.

laion/larger_clap_music — модель CLAP (Contrastive Language-Audio Pretraining), опубликованная LAION и специально обученная на музыкальных данных. Она сопоставляет аудио и текст в общем векторном пространстве: аудиокодировщик на основе Swin Transformer получает признаки из лог-мел-спектрограммы, а текстовый кодировщик на основе RoBERTa — из текстового описания. Число параметров — 132,1 млн; модель представлена в формате PyTorch и распространяется по лицензии Apache-2.0. Модель подходит для извлечения аудио- и текстовых эмбеддингов, классификации аудио с нулевым обучением и поиска текстовых описаний, наиболее соответствующих музыкальному фрагменту. Можно, например, ранжировать заданные пользователем подписи по сходству с аудио. Оценки сходства помогают сравнивать варианты, но сами по себе не являются вероятностями или гарантией точной классификации. Карточка не приводит сведения о поддерживаемых языках текста, длине аудио или контексте. Качество зависит от соответствия музыкальных данных и текстовых меток, а заявленная специализация на музыке не подтверждает одинаковую точность на других типах звука.

Llama-3.3-Nemotron-70B-Select — языковая модель NVIDIA на архитектуре Transformer семейства Llama 3.3, дообученная на основе meta-llama/Llama-3.3-70B-Instruct с помощью масштабированного моделирования Bradley–Terry. Она предназначена для оценки ответов, сгенерированных другими языковыми моделями: на вход получает текстовый запрос и ответ, а на выходе выдаёт одно число с оценкой качества; более высокое значение означает более полезный ответ. Модель рассчитана на отбор ответа в системах inference-time scaling для открытых задач общего назначения и диалоговых сценариев. Модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Для работы через Transformers README указывает не менее двух GPU с 80 ГБ памяти и 150 ГБ свободного места. Заявлена готовность к коммерческому использованию, однако метаданные указывают лицензию «other», поэтому перед применением следует проверить условия NVIDIA. В README также отмечен риск токсичных, предвзятых, неточных, неполных или избыточных оценок и результатов, особенно на токсичных запросах.

LLM2CLIP-Openai-B-16 — модель семейства CLIP, опубликованная Microsoft и исследователями из Tongji University. Это визуальный бэкбон для сопоставления изображений и текста: модель преобразует изображения и текстовые описания в эмбеддинги, которые можно использовать для поиска и классификации без отдельного обучения на каждом наборе классов. Подход LLM2CLIP переносит языковые возможности большой языковой модели в текстовые представления CLIP с помощью контрастивного обучения и использует её как учителя для визуального энкодера. В README описаны улучшения поиска по коротким и длинным текстам, а также многоязычного поиска. Модель подходит для поиска изображений по текстовому запросу и zero-shot-классификации изображений по заданным текстовым меткам. В качестве обучающих данных использовались CC3M, CC12M, YFCC15M и подмножество Recap-DataComp-1B. Репозиторий содержит веса safetensors и лицензирован по Apache-2.0. Авторы предупреждают, что результаты статьи получены на PyTorch-весах и производительность версии Hugging Face может отличаться.

Seraphic663 выпустил полно-параметрический чекпойнт текстового ретривера для соревнования CCIR LRAT, дообученный за одну эпоху на базе Qwen/Qwen3-Embedding-0.6B. Модель создаёт нормализованные текстовые эмбеддинги и предназначена для поиска фрагментов, релевантных веб-поисковым запросам. Она использует архитектуру Qwen3 с плотной моделью примерно на 507,6 млн параметров и контекстом до 32 768 токенов; для обучения применялись длины до 128 токенов для запросов и 512 для документов. Основной язык карточки — английский. При обучении использованы только официальные пары LRAT: 96 504 записи, один положительный и пять отрицательных примеров на группу. На локальной диагностике по фиксированному набору из 500 кандидатов указаны Recall@1/5/10 0,672/0,934/0,984 и MRR 0,78037; это не официальные результаты таблицы лидеров BC-Plus. Чекпойнт содержит полные параметры модели и не требует отдельного адаптера при использовании. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0.

MetaCLIP L/14 — модель семейства CLIP, разработанная командой MetaCLIP и представленная в работе Demystifying CLIP Data. Это крупная версия с разрешением патчей 14, обученная на 2,5 млрд примеров CommonCrawl. Модель сопоставляет изображения и текст в общем пространстве эмбеддингов, поэтому подходит для классификации изображений без дополнительного обучения и поиска изображений по текстовому описанию или текстов по изображению. Модель принимает изображения и текстовые запросы и формирует их представления для сравнения по сходству. Весовые файлы представлены в формате PyTorch; лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое. Карточка не приводит сведений о контекстном окне или перечне поддерживаемых языков.

qilowoq/mmarco-mMiniLMv2-L12-H384-v1-en-ru — компактная двуязычная версия модели jeffwan/mmarco-mMiniLMv2-L12-H384-v1 для ранжирования пар «запрос — текст». Её разработчик сократил словарь до токенов английского и русского языков; в карточке указана архитектура XLM-RoBERTa с классификационной головой, 51,5 млн параметров и контекстом до 514 токенов. Модель обучена как cross-encoder на MMARCO — машинном переводе MS MARCO на 14 языков. README описывает применение для поиска: оценивать пары запроса и найденного фрагмента, затем сортировать фрагменты по оценкам релевантности. Модель предназначена для этапа reranking в информационном поиске, например после первичного поиска в ElasticSearch. Несмотря на словарь, ограниченный английским и русским, автор сообщает о хороших результатах и на других языках. Лицензия — Apache-2.0. README не приводит количественных оценок качества; контекст ограничивает длину обрабатываемой пары.

MMLW-retrieval-roberta-large — польскоязычный плотный текстовый энкодер семейства RoBERTa от разработчиков MMLW, предназначенный для информационного поиска. Он кодирует запросы и фрагменты текста в векторы размерности 1024; для запросов требуется префикс «zapytanie: ». Модель содержит 533,7 млн параметров, использует контекст до 514 токенов и распространяется в форматах PyTorch и safetensors. Обучение проходило в два этапа: дистилляция знаний англоязычных моделей FlagEmbeddings (BGE) на корпусе из 60 млн польско-английских пар, затем дообучение с контрастивной функцией потерь на польской обучающей выборке MS MARCO. В README приведён результат NDCG@10 58,46 на польском бенчмарке информационного поиска. Модель подходит для поиска по смыслу и сопоставления запросов с текстами; в качестве ограничений следует учитывать необходимость специального префикса для запросов и контекст до 514 токенов. Лицензия — Apache-2.0.

cross-encoder/ms-marco-MiniLM-L2-v2 — англоязычная модель ранжирования от команды Sentence Transformers, обученная на задаче MS MARCO Passage Ranking. Она оценивает релевантность пары «поисковый запрос — пассаж» и подходит для повторной сортировки результатов, предварительно найденных поисковой системой. Модель построена на архитектуре BERT и имеет 16,4 млн параметров; принимает текстовые пары и выдаёт оценку релевантности. Длина контекста — до 512 токенов. В README приведены результаты на TREC Deep Learning 2019 и наборе MS MARCO Passage Reranking; скорость измерялась на V100. Доступны форматы PyTorch, Safetensors, ONNX, OpenVINO и Flax. Модель предназначена прежде всего для англоязычного поиска. Для каждого кандидата запрос и пассаж оцениваются совместно, поэтому её обычно применяют после первичного поиска, а не для сравнения с большим корпусом напрямую. Распространяется по лицензии Apache-2.0.

Это англоязычный многовекторный текстовый энкодер ColBERT на базе GTE ModernBERT, разработанный для семантического поиска с поздним взаимодействием токенов. Модель обучена библиотекой Sentence Transformers на 20 тысячах примеров датасета ms-marco-en-bge-gemma с дистилляцией от bge-reranker-v2-gemma. Модель содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. Для каждого токена она формирует вектор размерности 128, а релевантность запроса и документа оценивает функцией MaxSim. Подходит для многошагового поиска по коллекциям документов и ранжирования результатов по запросу; README приводит оценки на NanoMSMARCO, NanoNQ и NanoFiQA2018. Модель работает с текстом на английском языке. Для инференса указана библиотека Sentence Transformers; веса доступны в формате safetensors. Лицензия Apache-2.0. Результаты в карточке получены на небольших тестовых наборах, поэтому сами по себе не гарантируют качество на иных корпусах; для поиска требуется система, реализующая позднее взаимодействие MaxSim.

MyAwesomeModel — модель из репозитория asd21ecxxz12/MyAwesomeModel-TestRepo, распространяемая по лицензии MIT и предназначенная для извлечения признаков из текста. Согласно метаданным, модель использует экосистему Transformers и PyTorch, а также относится к семейству BERT по тегам Hugging Face. README позиционирует модель как обновлённую версию с улучшенными возможностями рассуждения, понимания текста, классификации, анализа тональности, ответов на вопросы, суммаризации, генерации кода и диалогов, а также с поддержкой function calling. Однако заявленные в README генеративные и диалоговые сценарии не согласуются с pipeline-тегом feature-extraction, поэтому их следует рассматривать как заявления карточки, требующие проверки по конфигурации и файлам модели.

AhmadAfles/my-first-AraGenre — дообученная модель Sentence Transformers на базе U4RASD/NeoAraBERT, разработанная AhmadAfles. Она преобразует предложения и абзацы на арабском языке в плотные векторы размерности 768 и предназначена для поиска и сравнения текстов по косинусному сходству. Модель обучена на 899 парах предложений с использованием MultipleNegativesRankingLoss; максимальная длина входной последовательности — 512 токенов. Модель принимает текст и возвращает векторные представления. Примеры обучающих данных включают разговорный египетский и литературный арабский, но карточка не заявляет отдельную специализацию по диалектам. Она подходит для семантического поиска и поиска похожих предложений. Лицензия в предоставленных данных не указана.

NorBERTo-large — предобученный текстовый encoder ModernBERT для бразильского португальского языка, разработанный Itaú Unibanco и ICTi. Модель содержит около 394,7 млн параметров, использует 28 слоёв и поддерживает контекст до 8 192 токенов. Веса доступны в форматах PyTorch и Safetensors; модель запускается через Transformers. Модель предназначена для заполнения пропусков в тексте и может служить основой для получения текстовых эмбеддингов и последующей настройки задач понимания языка. В карточке приведены результаты на португалоязычных бенчмарках PLUE и ASSIN 2, включая классификацию и текстовое следование. Для некоторых прикладных задач, таких как классификация последовательностей и ранжирование пар текстов, могут потребоваться соответствующая настройка или отдельная голова модели. Модель рассчитана прежде всего на бразильский португальский и обучена на корпусе Aurora-PT объёмом 331 млрд токенов. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные материалы на тех же условиях и запрещает коммерческое использование.

thang1943/phobert-base-v2-c-loss — модель Sentence Transformers, дообученная автором на базе вьетнамского энкодера vinai/phobert-base-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости с помощью косинусного сходства. Архитектура включает RoBERTa-энкодер с усреднением токенных представлений; модель содержит 162,4 млн параметров и обрабатывает последовательности длиной до 256 токенов по README и до 258 токенов по метаданным. Модель предназначена для поиска семантически похожих текстов, поиска перефразировок, кластеризации, классификации текста и задач информационного поиска. Базовый PhoBERT ориентирован на вьетнамский язык, поэтому основное применение этой модели — вьетнамские предложения и документы. В карточке приведены результаты оценки информационного поиска, но данных недостаточно, чтобы установить их переносимость на другие наборы данных. Репозиторий использует библиотеку sentence-transformers и формат safetensors; лицензия в предоставленных данных не указана.

0xnu/pmmlv2-fine-tuned-flemish — модель эмбеддингов на архитектуре BERT, созданная Finbarrs Oketunji на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообученная для фламандского языка. Она преобразует предложения в векторы для сравнения семантического сходства, поиска похожих фраз и использования в системах поиска по смыслу. Модель рассчитана на работу с библиотекой Sentence-Transformers, содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Метаданные также отмечают поддержку множества языков; основное назначение дообучения — фламандский. Лицензия — MIT.

timm/qwen3_vit_306m_merge.qwen3_5_2b — модель-энкодер изображений, созданная как перенос весов визуальной части Qwen3.5-2B в формат timm. Она предназначена для извлечения признаков и получения векторных представлений изображений; выходной классификационной головы в чекпойнте нет, её нужно обучить отдельно для классификации. Модель содержит около 330,6 млн параметров, использует визуальный backbone шириной 1024 и проекцию до 2048 измерений. Визуальная архитектура включает абсолютные позиционные эмбеддинги с интерполяцией, 2D RoPE и пространственный merger; для изображения применяется свёртка Conv2d, полученная суммированием временных весов исходной Conv3d. Модель принимает RGB-изображения, поддерживает прямоугольные размеры, кратные 16; варианты с merger 2×2 требуют кратности 32. Типичный размер изображения — 768×768. В README указана нормализация каналов со средним и стандартным отклонением 0,5. Исходные веса визуальной части извлечены из Qwen3.5-2B без дополнительного обучения; языковые веса в репозитории отсутствуют. Лицензия — Apache 2.0. Высокая вычислительная стоимость (973,6 GMACs) может ограничивать применение на ресурсах с малой производительностью.

rank1-0.5b — модель-реранкер на основе Qwen2.5-0.5B, разработанная JHU CLSP для поиска информации. Она принимает запрос и документ, генерирует цепочку рассуждений, затем выносит бинарное решение о релевантности и оценивает уверенность по логитам токенов true и false. Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для переоценки результатов поиска, особенно когда релевантность зависит от анализа нескольких аспектов запроса и документа. Её можно применять для ранжирования найденных документов и оценки пар «запрос—документ»; README сообщает о результатах на задачах поиска, требующих сложных рассуждений, но конкретные показатели здесь не приведены. Модель дообучена на Qwen/Qwen2.5-0.5B и наборе данных jhu-clsp/rank1-training-data. Лицензия — MIT.

SigLIP 2 Large — визуальная модель Google на архитектуре SigLIP, обученная для сопоставления изображений и текста. Версия Large с патчами 16×16 и входным разрешением 512 пикселей расширяет исходную схему предобучения SigLIP методами для улучшения семантического понимания, локализации и получения плотных признаков. Модель использует библиотеку Transformers и распространяется в формате Safetensors. Модель предназначена для классификации изображений по произвольным текстовым меткам без отдельного обучения, поиска изображений по текстовому запросу и использования в качестве визуального энкодера для VLM и других задач компьютерного зрения. Она предобучена на наборе WebLI. Карточка не сообщает об ограничениях качества для конкретных типов изображений. Лицензия — Apache 2.0.

TAMEV-Medium-Qwen3.5-0.8B — модель принятия решений и маршрутизации, разработанная Tamkimd. Она оценивает переданный список вариантов относительно состояния и вопроса и возвращает вероятности выбора за один проход, не генерируя свободный текст. Подходит для маршрутизации запросов и агентов, выбора инструмента, классификации намерений, сортировки очередей, ответов на вопросы с вариантами и порядковой оценки по заданной шкале. Модель основана на Qwen3.5-0.8B-Base с обученным указательным слоем; README сообщает, что для работы слоя требуется базовая модель с объединённым LoRA-адаптером jaredpalmer/kev-0.8b. Репозиторий содержит обученный указательный слой, а базовая модель загружается отдельно. Модель предназначена для англоязычного текста. В README приведены измерения top-1 71,36% и ECE 0,0866 на наборе из 838 примеров, но этот набор не проверялся на пересечение с обучающими данными; авторы характеризуют этот вариант как находящийся в разработке и рекомендуют более компактные варианты семейства для практического применения. Лицензия — Apache-2.0. Результаты чувствительны к порядку и формулировке вариантов: при перестановке списка измеренный дрейф вероятностей составил 0,032, а top-1 менялся на 6% элементов проверочного набора. Калибровка зависит от набора данных, поэтому модель следует проверять на собственных примерах; авторы не рекомендуют использовать её как непроверенный механизм безопасности. Она не предназначена для свободной генерации текста или ответов на фактические вопросы.

Это точечная модель-реранкер для оценки релевантности пары «запрос — фрагмент документа». Её разработали на базе Qwen3-8B с использованием инструментария Tevatron 3.0; модель имеет плотную архитектуру Qwen3ForSequenceClassification с 7,6 млрд параметров и дообучена методом contrastive с помощью LoRA, веса которой объединены с базовой моделью. Модель принимает запрос и заголовок с текстом фрагмента в формате «query: … passage: …», добавляет EOS и выдаёт один регрессионный логит как оценку релевантности. Её можно применять для переупорядочивания результатов поиска и ранжирования фрагментов при информационном поиске. Максимальная длина контекста — 32 768 токенов; основная область применения — англоязычные запросы и документы, указанные в обучающей карточке. Для загрузки используется AutoModelForSequenceClassification. Лицензия — Apache-2.0.

Это англоязычный BERT-ранжировщик на основе google-bert/bert-base-uncased, дообученный командой UtahNLP с помощью Tevatron-Elastic. Он предназначен для повторного ранжирования найденных документов по их релевантности запросу в системах информационного поиска. Модель поддерживает эластичное сокращение глубины: один чекпойнт позволяет выбирать число используемых слоёв и балансировать качество и вычислительные затраты. Модель обучена на наборе rlhn/rlhn-680K, использует префиксы query: и passage:, максимальная длина входа — 512 токенов. Для полной конфигурации авторы сообщают BEIR-15 nDCG@10 0,453. Для выбора режима работы нужны инструменты Tevatron-Elastic; модель выпущена как ресурс для воспроизводимости исследования и не заявлена как достижение нового уровня качества. Весовые файлы доступны в формате safetensors, лицензия — Apache-2.0.

wkcn/TinyCLIP-ViT-40M-32-Text-19M-LAION400M — компактная модель семейства CLIP, основанная на сопоставлении изображений и текста. Она разработана в рамках метода TinyCLIP, представленного на ICCV 2023: при обучении используются дистилляция межмодальных связей и наследование весов, чтобы уменьшить размер модели при сохранении полезности для задач CLIP. Вариант из репозитория сочетает визуальный энкодер ViT примерно на 40 млн параметров с текстовым энкодером примерно на 19 млн параметров; предобучение выполнено на LAION-400M. Модель предназначена для классификации изображений по произвольным текстовым описаниям без отдельного обучения на каждом наборе классов. Её можно применять для поиска изображений по текстовым запросам и сопоставления изображения с набором подписей. Компактная архитектура рассчитана на более быстрый и экономный инференс по сравнению с крупными CLIP-моделями, хотя конкретные показатели качества и скорости именно этого варианта в карточке не приведены. Репозиторий содержит веса PyTorch и SafeTensors и предназначен для использования с Transformers. Лицензия — MIT.