I.12Рекомендации и персонализация

TIPS g/14 (v1) — контрастивная модель «изображение–текст» семейства TIPS, представленная в карточке как конверсия официальных чекпойнтов. В её состав входят визуальный энкодер ViT-g/14 на 1,1 млрд параметров и текстовый трансформерный энкодер на 389 млн параметров; размерность эмбеддингов — 1664. Модель принимает изображения и текст, сопоставляет их в общем пространстве признаков и подходит для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах. Визуальный энкодер имеет 40 слоёв, патчи размером 14 пикселей и два CLS-токена; текстовый — 12 слоёв. Штатное разрешение изображений составляет 448 пикселей, также поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Для изображений требуется диапазон значений [0, 1] без нормализации ImageNet; текст обрабатывается токенизатором SentencePiece в нижнем регистре, максимум 64 токена. Пространственно насыщенные признаки позволяют использовать модель для сопоставления изображений с текстом и анализа визуальных признаков. Лицензия — Apache-2.0.

USMED — модель эмбеддингов предложений на базе Sentence Transformers, разработанная Swapnil Vishwakarma путём дообучения sentence-transformers/multi-qa-MiniLM-L6-cos-v1. Модель преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения семантической близости; сходство оценивается косинусной мерой. Архитектура включает BertModel, усреднение токенных представлений и нормализацию. Максимальная длина входа — 512 токенов; модель содержит 25,9 млн параметров. Модель предназначена для семантического поиска, сопоставления медицинских товарных наименований и других текстов, поиска перефразировок, кластеризации и классификации текста. Обучающие пары включают названия медицинских изделий и их варианты, поэтому модель может быть полезна для поиска похожих наименований в медицинских каталогах. Карточка указывает библиотеку sentence-transformers и формат safetensors. Лицензия в предоставленных данных не указана.

ViCLIP-L-14-BVD-V-50M-s50M-b32K — видеоязыковая модель семейства ViCLIP от LAION, основанная на архитектуре ViT-L/14. Она обучена на 50 млн пар видео и текста из набора BVD-V-50M и доступна через Transformers. Модель предназначена для классификации видео без дообучения, поиска соответствий между видео и текстом и изучения визуальных представлений видео. Её можно применять для линейного зондирования и дообучения под задачи классификации, строить системы поиска видео по текстовым запросам и использовать как компонент мультимодальных моделей. В README приведены результаты на Kinetics-400, UCF-101, HMDB51, MSR-VTT и MSVD. Лицензия — MIT. Разработчики позиционируют модель для исследований возможностей zero-shot-классификации видео, поиска видео по тексту и обобщения видеоязыковых моделей. Она рассчитана только на английский язык; авторы исключают применение для наблюдения и распознавания лиц, а также неконтролируемое развёртывание без проверки на целевых данных.

ViT-B-16-SigLIP-i18n-256 — модель контрастивного сопоставления изображений и текста, обученная на датасете WebLI с функцией потерь SigLIP. Чекпойнт преобразован из исходного JAX-формата Big Vision в PyTorch и совместим с OpenCLIP для работы с изображениями и текстом, а также с timm для получения эмбеддингов изображений. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: она сопоставляет изображение с набором предложенных текстовых меток. Также её можно использовать для получения эмбеддингов изображений. Метаданные Hugging Face указывают задачу zero-shot image classification, библиотеку open_clip и лицензию Apache-2.0. Обозначение i18n указывает на многоязычную версию, однако конкретный перечень поддерживаемых языков и размер входного изображения в предоставленных данных не подтверждены. Модель выдаёт оценки соответствия изображения текстовым описаниям или эмбеддинги; качество зависит от формулировок меток и покрытия обучающих данных WebLI.

timm/vit_base_patch16_clip_224.laion400m_e32 — модель семейства CLIP с визуальным энкодером Vision Transformer ViT-B/16, обученная на датасете LAION-400M. Она доступна для использования через open_clip и timm; карточка указывает имя OpenCLIP ViT-B-16. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Её можно применять для поиска изображений по тексту и сопоставления изображений с категориями, заданными текстовыми метками. Репозиторий содержит веса PyTorch и safetensors, лицензия — MIT. В описании модели не приведены сведения о размере входа, поддерживаемых языках или количественных оценках качества; название timm указывает разрешение 224 пикселя. Результаты зависят от формулировок текстовых меток и домена изображений; карточка не сообщает об отдельной адаптации для узких областей.

vit_intern300m_patch14_448.ogvl_dist — модель извлечения признаков изображений из семейства InternViT, опубликованная в экосистеме timm. Авторы статьи дистиллировали её от InternViT-6B на разнообразных данных «изображение—текст»; веса исходной модели OpenGVLab/InternViT-300M-448px преобразованы в формат timm. Модель содержит 304 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Модель можно использовать как визуальную основу для классификации, извлечения карт признаков и получения эмбеддингов изображений. Обучающие данные включают англоязычные и китайские пары «изображение—текст», а также наборы с подписями, объектами и OCR. Модель принимает изображения и выдаёт признаки, пригодные для последующей обработки; это не универсальная генеративная модель. Распространяется по лицензии MIT. В README отмечено отсутствие финальной нормализации перед признаками или головой модели.

Это визуальный энкодер из семейства CLIP, обученный на датасете MetaCLIP-400M и опубликованный в формате, совместимом с open_clip и timm. В open_clip модель называется ViT-L-14-quickgelu, а в timm — vit_large_patch14_clip_224.metaclip_400m. Архитектура объединяет визуальную часть на основе Vision Transformer с текстовым энкодером CLIP и предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: модель сопоставляет изображение с предложенными вариантами текста. Подходит для прототипирования классификаторов с произвольными текстовыми метками, поиска изображений по описанию и оценки соответствия изображения подписи. Репозиторий содержит веса PyTorch в формате safetensors и поддерживает работу через open_clip и timm. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

Perception Encoder Core B/16 — разработанная Meta модель визуального энкодера, представленная в репозитории в виде remapped-варианта весов только для обработки изображений в библиотеке timm. Это базовая модель семейства Perception Encoder, обученная на изображениях с контрастивным предобучением и дополнительно настроенная на данных, созданных синтетическим видеодвижком. Архитектура включает vision-трансформер с патчами 16×16, 12 слоями и шириной 768; размер изображения — 224 пикселя. Визуальная башня имеет около 90 млн параметров, а для глобального представления используется блок attention pooling и class token. Модель предназначена для извлечения визуальных признаков, которые можно использовать в классификации изображений, поиске и сопоставлении изображений, а также как представления для последующих задач компьютерного зрения. В карточке семейства также приведены результаты для классификации и поиска по видео, но этот репозиторий содержит только энкодер изображений. Веса опубликованы в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Perception Encoder (PE) Core Large Patch14 336 — визуальный энкодер Meta, опубликованный в remapped-версии для библиотеки timm. Это image encoder only вариант исходных весов PE: модель преобразует изображения в визуальные признаки и эмбеддинги, пригодные для последующих задач понимания изображений и видео. Семейство PE обучалось с помощью контрастивного vision-language предобучения и дообучения на синтетически выровненных видео; среди заявленных сценариев — классификация и поиск по изображениям. Версия в этом репозитории предназначена для извлечения признаков, а не для генерации текста или изображений. Модель принимает изображения; карточка описывает PE как крупномасштабный энкодер, но точное число параметров и контекст изображения для этого чекпойнта в предоставленных данных не приведены. Репозиторий содержит веса PyTorch и safetensors и использует библиотеку timm. Разработчик модели — Meta; лицензия — Apache-2.0. Для этой версии доступна только модальность визуального энкодера, поэтому её признаки обычно используют как вход для отдельной downstream-модели или системы поиска.

Это зрительная модель ViT-S+/16 семейства DINOv3, подготовленная для Apple MLX Framework и опубликованная mlx-vision. Модель обучена в режиме самообучения на наборе LVD-1689M, а её веса дистиллированы от учителя DINOv3 ViT-7B. В репозитории размещён порт весов Meta AI в формате safetensors; классификационная голова не обучалась, поэтому модель предназначена для извлечения признаков изображений, а не для непосредственной классификации. Модель содержит 29 млн параметров, использует патчи размером 16 пикселей, размерность эмбеддинга 384 и блок SwiGLU в FFN. Для изображения 224×224 формируются 201 токен: классовый, четыре регистра и 196 патчей. Поддерживаются изображения большего размера с размерами, кратными 16; неподходящие размеры обрезаются до ближайшего меньшего значения, кратного размеру патча. Полученные признаки можно использовать в системах поиска изображений, классификации, сегментации и других задачах компьютерного зрения. Лицензия указана как other, без подробных условий в предоставленных данных. В README отмечены сохраняющиеся различия качества по географическим регионам и уровням дохода; дообучение может усилить эти смещения.

sentence-transformers/xlm-r-bert-base-nli-mean-tokens — модель Sentence-Transformers, обученная командой sentence-transformers на основе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов; поддерживаемые форматы включают PyTorch, TensorFlow, ONNX и OpenVINO. В README модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели для получения векторов предложений. Лицензия — Apache-2.0.

sentence-transformers/xlm-r-bert-base-nli-stsb-mean-tokens — модель Sentence Transformers, обученная командой sentence-transformers на основе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. Доступны варианты весов в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель многоязычная благодаря основе XLM-RoBERTa, однако README предупреждает, что качество её эмбеддингов низкое и модель устарела, поэтому для новых задач рекомендуются более современные модели эмбеддингов. Лицензия — Apache-2.0.

apple/aimv2-3B-patch14-448 — визуальная модель семейства AIMv2 от Apple, предварительно обученная с мультимодальной авторегрессионной целевой функцией. Вариант содержит около 2,7 млрд параметров и предназначен для извлечения признаков из изображений; карточка показывает загрузку через Transformers и обработку изображений с помощью AutoImageProcessor. Репозиторий включает веса Flax и safetensors. По данным карточки, AIMv2 превосходит CLIP и SigLIP на большинстве бенчмарков мультимодального понимания, а также DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты. AIMv2-3B достигает 89,5% на ImageNet при замороженном визуальном энкодере. Лицензия — Apple AMLR.

AIMv2 Huge Patch14 448 — зрительная модель семейства AIMv2, разработанная Apple и предварительно обученная с мультимодальной авторегрессионной целевой функцией. Она принимает изображения и извлекает визуальные признаки; её можно использовать как основу для распознавания изображений, поиска по визуальному содержимому и других задач понимания изображений. Модель содержит около 679,5 млн параметров и доступна для Transformers в форматах Flax и Safetensors. В README семейство AIMv2 описано как превосходящее OAI CLIP и SigLIP на большинстве мультимодальных тестов понимания, а также DINOv2 в обнаружении объектов с открытым словарём и понимании ссылочных выражений. Для загрузки приведены примеры на PyTorch и JAX. Лицензия — Apple AMLR.

google/bert_uncased_L-6_H-768_A-12 — компактная англоязычная модель BERT из набора BERT Miniatures, разработанного Google и описанного в работе «Well-Read Students Learn Better». Это плотный трансформерный энкодер с 6 слоями, размерностью скрытого представления 768 и 12 головами внимания; в модели около 80,1 млн параметров. Она принимает текст без учёта регистра, обучена с WordPiece-маскированием и поддерживает контекст до 512 токенов. Модель предназначена для тонкой настройки на задачах понимания английского текста, например классификации и оценки сходства предложений. Компактный размер рассчитан на среды с ограниченными вычислительными ресурсами; авторы также отмечают пользу дистилляции, когда обучающие метки создаёт более крупная модель-учитель. Карточка приводит результаты на GLUE для других вариантов набора, но не отдельную оценку этой конфигурации. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

ClassOne Gemma 4 E2B — дообученная модель принятия решений, разработанная devops-thiago на основе google/gemma-4-E2B-it. Она классифицирует входной текст за один проход и возвращает типизированные вероятностные результаты без пошаговой генерации текста: булеву оценку Noul, выбор из нескольких вариантов Choice или оценку по шкале Score. Модель предназначена для проверок условий, выбора между вариантами и выставления оценок по заданным рубрикам, в том числе в локальных сценариях, где важны малая задержка и конфиденциальность. В README приведены результаты на JevBench и RLCDAlignBench; на сложном уровне JevBench точность существенно ниже, чем на простом, а оценки безопасности охватывают ограниченный набор тестов. Архитектура — плотная Gemma 4; веса опубликованы в формате safetensors. Лицензия — Apache 2.0.

Это дообученная модель CLIP ViT-B/32 на базе openai/clip-vit-base-patch32, созданная для поиска соответствий между изображениями и подписями. Разработчик продолжил предобучение на парах изображение–подпись из датасета Flickr30K с помощью симметричной функции потерь InfoNCE и низкой скорости обучения. Модель подходит для сопоставления изображения с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на целевых классах. В описанной оценке на Flickr30K дообучение увеличило разрыв сходства между подходящей подписью и отвлекающей подписью, преимущественно за счёт снижения сходства с отвлекающими подписями. README сообщает, что обучающие и оценочные индексы датасета не пересекались. Модель принимает изображения и текст, а вычисляет их совместные представления и оценки сходства; метаданные указывают формат safetensors. Лицензия — MIT. Результаты оценки приведены для Flickr30K, поэтому качество на других наборах данных и доменах из этих сведений не следует.

ConvNeXt-XXLarge — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработал Ross Wightman: веса визуального блока CLIP предварительно обучены в OpenCLIP на LAION-2B, затем модель дообучена на ImageNet-12k. В карточке указаны 879,7 млн параметров и типичный размер изображения 256 × 256 пикселей. Модель можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В таблице сравнения для варианта с разрешением 256 указаны точности top-1 88,612% и top-5 98,704%. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка не приводит ограничений по применению или поддерживаемых текстовых языков.

crossencoder-camembert-base-mmarcoFR — франкоязычная модель ранжирования от Antoine Louis на базе CamemBERT, дообученная на данных mMARCO-fr. Архитектура Cross-Encoder выполняет совместное кодирование запроса и отрывка с перекрёстным вниманием и выдаёт оценку релевантности от 0 до 1. Модель содержит 137,8 млн параметров, использует Sentence-Transformers и принимает пары текстов; максимальная длина входной последовательности при обучении составляла 256 токенов, а нативный контекст — 514 токенов. Модель предназначена для второго этапа семантического поиска: она переоценивает отрывки, предварительно найденные быстрым поисковым механизмом, например BM25 или плотным биэнкодером, и сортирует их по релевантности запросу. Обучение проводилось на французских данных mMARCO с трудными отрицательными примерами; качество оценивали на dev-наборе mMARCO-fr. Лицензия — MIT. Поскольку Cross-Encoder отдельно обрабатывает каждую пару запроса и отрывка, переоценка большого набора кандидатов может быть затратной по сравнению с первичным поиском; модель предназначена для ранжирования отрывков, а не для поиска по всему корпусу сама по себе.

Карточка модели computer-vision-ai-lab/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.

DRAGON-RoBERTa Query Encoder — плотный энкодер запросов для поиска, разработанный Facebook. Это модель семейства RoBERTa, инициализированная RoBERTa-base и дополнительно обученная на данных, расширенных из корпуса MS MARCO, по подходу DRAGON. Она входит в асимметричную двухэнкодерную систему: для запросов и контекстов используются отдельные модели с разными параметрами. Энкодер преобразует текстовые запросы в векторные представления для плотного поиска и извлечения релевантных документов. В карточке приведены результаты системы DRAGON-RoBERTa: 39,4 на MS MARCO Dev и 47,2 на BEIR. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Для поиска контекстов требуется соответствующий DRAGON-RoBERTa Context Encoder; лицензия в предоставленных данных не указана.

danielheinz/e5-base-sts-en-de — модель эмбеддингов на базе multilingual-e5-base, дообученная для оценки семантического сходства немецких текстов. Разработчик дообучил её на немецких поднаборах корпуса парафразов Philip May, PAWS-X и STS-Benchmark Multilingual: сначала с Multiple Negatives Ranking Loss на данных парафразов, затем с Cosine Similarity Loss на данных семантического сходства. Архитектура — XLM-RoBERTa с плотными векторами, около 305 млн параметров; принимает текст и выдаёт векторные представления. Контекст — до 514 токенов. Модель предназначена для сравнения значений немецких предложений, поиска парафразов и семантического поиска. В README указаны результаты 0,920 на валидационной и 0,904 на тестовой части STS, без описания метрики. Лицензия — MIT. Карточка сообщает, что модель продолжает обновляться; заявленные результаты и качество на других задачах или языках не подтверждены.

tardellirs/embeddinggemma-pt-br-128k — португалоязычная модель для создания текстовых эмбеддингов, полученная из google/embeddinggemma-300m. Разработчик сократил словарь токенизатора до 128 тысяч токенов, обрезав матрицу эмбеддингов токенов; трансформерный энкодер и слои pooling и Dense сохранены без изменений. В репозитории указаны 202,1 млн параметров в метаданных и около 207 млн в README. Модель предназначена для семантического поиска, сравнения предложений и других сценариев, где нужны векторные представления текста на португальском языке. README приводит результат MTEB(por) mean_16 0,7192 — 99,1% результата исходной модели при меньшем размере. Контекст модели — 2048 токенов; для использования подходят Sentence Transformers и text-embeddings-inference. Это артефакт сокращения словаря, а не дообучение: README сообщает, что обучение не проводилось. Модель распространяется по лицензии Gemma; качество за пределами португальских задач не подтверждено, а сокращение словаря может ограничивать работу с текстами на других языках.

Gecko-110m-en — вариант модели эмбеддингов Gecko, опубликованной в исследовательской работе Gecko, подготовленный сообществом LiteRT для развёртывания на Android и iOS. Модель преобразует текст в векторные представления, которые можно использовать для поиска по смыслу и построения RAG-систем; README указывает интеграцию с Google AI Edge RAG SDK. Репозиторий содержит варианты в формате LiteRT TFLite, включая dynamic_int8 с весами int8 и активациями float. README приводит мобильные бенчмарки, измеренные на Samsung S23 Ultra, и описывает выполнение на CPU с делегатом XNNPACK и на GPU с делегатом LiteRT. По метаданным модель ориентирована на английский язык и распространяется по лицензии Apache-2.0. Ее применение в первую очередь связано с созданием эмбеддингов, хотя Hugging Face указывает задачу question-answering.

Sahajtomar/German-semantic — модель семейства BERT на базе Sentence Transformers, предназначенная для сравнения смысловой близости предложений на немецком языке. README приводит результаты на немецком наборе STS: 87,9% на dev и 84,3% на test. Модель преобразует предложения в плотные векторные представления, которые подходят для вычисления семантического сходства и поиска похожих фраз. В метаданных указаны форматы PyTorch и поддержка задач sentence-similarity и feature-extraction. Лицензия в предоставленных данных не указана.

Ita-Search — плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная для семантического поиска на итальянском языке. Её разработчик — DeepMount00. Модель преобразует запросы и документы в векторы размерностью 1024; сходство оценивается косинусной мерой. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для поиска итальянских документов по запросам, ранжирования passages, поиска в академических и технических материалах, систем вопросов и ответов и баз знаний. Она ориентирована на понимание разговорных запросов и итальянской терминологии; в обучающих данных представлены медицина, STEM, финансы, право, сельское хозяйство, разработка ПО и другие области. Модель использует библиотеку Sentence Transformers и формат safetensors. Лицензия — Apache-2.0. Она оптимизирована для итальянского языка, а качество может снижаться на узкоспециализированных темах, не представленных в обучении.

Japanese Stable CLIP ViT-L/16 — модель Stability AI, которая сопоставляет японские тексты и изображения в общем пространстве эмбеддингов. Она подходит для классификации изображений без специального обучения и поиска изображений по текстовому запросу, а также может быть компонентом систем генерации изображений и описаний. В модели используется визуальный энкодер ViT-L/16 и 12-слойный текстовый энкодер BERT с японским токенизатором на основе rinna/japanese-roberta-base. Для обучения применялась функция потерь SigLIP; среди обучающих данных — CC12M с переводами описаний на японский и MS-COCO со STAIR Captions. Модель рассчитана на японский язык и задачи сопоставления текста с изображением. Модель распространяется по STABILITY AI COMMUNITY LICENSE; по вопросам коммерческого использования Stability AI предлагает обращаться отдельно. Обучающие данные могли содержать неприемлемые материалы, несмотря на фильтрацию, поэтому результаты требуют осторожной проверки при использовании в производственных системах.

Marianodo/labels-per-job-title-fine-tune — модель sentence-transformers на базе MPNet, разработанная Marianodo для сопоставления предложений и абзацев с названиями должностей и метками. Она преобразует текст в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. В README указано, что модель обучалась с функцией потерь BatchHardSoftMarginTripletLoss. Её можно применять для поиска похожих формулировок должностей, группировки названий вакансий и подбора меток по текстовому описанию. Данные о языке обучения или использования в карточке не приведены. Модель поставляется в формате PyTorch. Лицензия в предоставленных метаданных и README не указана.

Seraphic663 разработал полно-параметрический чекпойнт LRAT Qwen3-Embedding-0.6B, дообученный на базе Qwen/Qwen3-Embedding-0.6B для соревнования CCIR LRAT. Модель преобразует текстовые запросы и фрагменты документов в нормализованные эмбеддинги для поиска релевантных пассажей по запросу. Используется архитектура Qwen3 с 507,6 млн параметров; заявленная длина контекста — 32 768 токенов. Для обучения применялись только официальные пары LRAT, два этапа обучения и пулинг последнего токена. Модель предназначена для извлечения признаков и семантического поиска, в частности для подбора фрагментов, отвечающих на веб-поисковые запросы. В README приведены высокие метрики Recall и MRR на диагностической выборке, однако все 500 запросов этой выборки встречались в обучении, поэтому результаты не являются оценкой на отложенных данных и не подтверждают качество на лидерборде. В метаданных указан английский язык. Лицензия в предоставленных данных не указана.

Distilled MetaCLIP 2 ViT-S/16 (mT5 Tokenizer) — мультиязычная модель сопоставления изображений и текста от Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-mT5-worldwide из оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения. Модель принимает изображения и текстовые метки или описания, сопоставляет их и позволяет выбирать наиболее подходящие варианты. В карточке указана архитектура ViT-S/16 и токенизатор mT5; репозиторий распространяет веса в формате safetensors и предназначен для работы через Transformers. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.