I.12Рекомендации и персонализация

Distilled MetaCLIP 2 ViT-L/14 (worldwide) — мультимодальная модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Чекпойнт соответствует ViT-L-14-worldwide из оригинальной реализации; для работы используется библиотека Transformers. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь задаёт изображение и варианты описаний, а модель оценивает их соответствие. Вариант worldwide рассчитан на многоязычные данные. Веса опубликованы в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

webis/monoelectra-large — модель ранжирования текстовых пар, представленная в работе Rank-DistiLLM, посвящённой повышению эффективности переранжирования пассажей. Это плотный cross-encoder семейства Mono на базе Google ELECTRA Large, дообученный для оценки релевантности пары запроса и текста. Модель предназначена для переранжирования найденных пассажей в поисковых системах и конвейерах поиска информации. Модель содержит около 433,9 млн параметров, принимает текст и выдаёт оценку для ранжирования. Максимальная длина контекста — 512 токенов. Репозиторий использует формат safetensors и библиотеку lightning-ir. Лицензия — Apache-2.0. В доступных сведениях не описаны языковое покрытие и дополнительные ограничения качества.

rank1-32b — модель-реранкер для информационного поиска, разработанная JHU CLSP и основанная на дообученной Qwen2.5-32B. Она принимает запрос и документ, формирует цепочку рассуждений, затем выносит бинарное суждение о релевантности и оценивает уверенность по логитам токенов true и false. Такой подход предназначен для переоценки результатов поиска, особенно когда релевантность зависит от сложных или неочевидных связей. Модель имеет плотную архитектуру Qwen2, 32 млрд параметров и контекст до 131 072 токенов. Для работы указана библиотека Transformers; репозиторий содержит веса Safetensors. В карточке отмечен английский язык. Модель обучена на jhu-clsp/rank1-training-data и совместима с оцениванием через MTEB. Лицензия — MIT. Большой размер модели предполагает значительные требования к вычислительным ресурсам. Описание сообщает о сильных результатах на задачах переоценки, требующих рассуждений, но не приводит численных результатов; для конкретных метрик и edge cases карточка отсылает к статье и официальному репозиторию.

RepLLaMA-7B-Passage-MRL — модель семейства LLaMA, разработанная Xueguang Ma, Liang Wang, Nan Yang, Furu Wei и Jimmy Lin для многоэтапного текстового поиска. Это дообученная с помощью LoRA модель на базе LLaMA-2-7B, обученная один проход на обучающей части набора MS MARCO Passage Ranking. Модель кодирует запросы и текстовые фрагменты в эмбеддинги для вычисления сходства и ранжирования документов. Благодаря Matryoshka Representation Learning размерность эмбеддингов можно выбирать гибко вплоть до 4096. Число параметров — 6,6 млрд, контекст — до 4096 токенов; вход и результат представлены текстом и векторами соответственно. Репозиторий содержит веса в формате safetensors. Лицензия указана как Llama 2 Community License. Модель подходит для поиска по текстовым коллекциям и многоэтапного извлечения релевантных фрагментов; обучение на MS MARCO Passage Ranking специализирует её на поиске пассажей, поэтому качество на других языках и доменах отдельно не подтверждено.

Conversational RuBERT — русскоязычная модель семейства BERT, разработанная DeepPavlov для извлечения признаков из текста. Её обучали на субтитрах OpenSubtitles, данных Dirty и Pikabu, а также сегменте социальных сетей корпуса Taiga; словарь создан специально для этой модели, а веса инициализированы RuBERT. В карточке указаны 12 слоёв, размер скрытого представления 768 и 12 голов внимания; метаданные каталога указывают 205,1 млн параметров и контекст до 512 токенов. Модель подходит для получения контекстных векторных представлений русскоязычных разговорных текстов, которые можно использовать в последующих задачах NLP. Репозиторий содержит варианты PyTorch и Flax, а в README упомянуты MLM- и NSP-головы. Сведения о лицензии в предоставленных данных отсутствуют.

Ruri-Reranker-Large — разработанная cl-nagoya японская модель Sentence Transformer для ранжирования текстов. Она оценивает релевантность пары запрос–документ и подходит для повторной сортировки результатов семантического поиска и поиска по японским материалам. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification; содержит 436,2 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты на японских наборах JQaRA, JaCWIR и MIRACL, где модель показывает лучшие значения среди перечисленных вариантов Ruri-Reranker. Модель дообучена на cl-nagoya/ruri-pt-large и распространяется в формате safetensors под лицензией Apache 2.0. Основной язык — японский; метаданные также указывают поддержку задач text-ranking и text-classification. Карточка не описывает ограничения помимо максимальной длины последовательности.

Ruri-Small v2 — модель эмбеддингов японских текстов от cl-nagoya, созданная дообучением cl-nagoya/ruri-pt-small-v2. Это Sentence Transformer на архитектуре DistilBERT с 68 млн параметров. Модель кодирует предложения и тексты в векторы размерностью 768; для сравнения используется косинусное сходство. Модель предназначена для поиска по смыслу, оценки сходства предложений, ранжирования и других задач, где нужно сопоставлять японские тексты. Максимальная длина входа — 512 токенов. На JMTEB модель получила среднюю оценку 73,30; в README указано, что доступны более новые модели Ruri v3. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache 2.0.

SciNCL — англоязычная модель на архитектуре BERT для получения векторных представлений научных документов. Её разработчики обучили её для работы с исследовательскими статьями; модель содержит 137,1 млн параметров и рассчитана на вход длиной до 512 токенов. Для контрастивного обучения использовались соседства статей в графе цитирований S2ORC. Инициализация выполнена весами SciBERT scibert-scivocab-uncased. SciNCL подходит для поиска и сравнения научных публикаций по смыслу, рекомендаций статей и задач ранжирования или группировки документов. В README приведены результаты оценки на SciDocs. Модель выдаёт эмбеддинги, а не готовые ответы на вопросы. Для применения к медицинским статьям README предлагает специализированную альтернативу PubMedNCL. Лицензия модели — MIT.

Sentence-CamemBERT-Large — модель эмбеддингов предложений для французского языка, разработанная La Javaness. Она преобразует предложения векторы, отражающие их смысл, и предназначена для семантического поиска и сравнения текстов по смыслу. Модель основана на CamemBERT Large и дообучена с помощью Siamese BERT-Networks и Augmented SBERT на STS-B; при обучении также использовались стратегии попарной выборки. По метаданным, модель содержит 435,4 млн параметров и поддерживает контекст до 514 токенов. Доступны форматы PyTorch, safetensors, ONNX и OpenVINO. README приводит высокие результаты корреляции на французских наборах STS, включая STS-B и SICK-fr. Модель подходит для поиска семантически близких предложений и документов, сопоставления запросов с текстами и оценки семантического сходства. Она ориентирована на французский язык, поэтому её не следует считать универсальной многоязычной моделью; README оценивает её на наборах семантического сходства, что не гарантирует качество для других задач. Лицензия — Apache-2.0.

Карточка модели Veritone/siglip2-base-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-512, поэтому описание составлено по ней. 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.

Карточка модели Veritone/siglip2-so400m-patch14-224 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch14-224, поэтому описание составлено по ней. SigLIP 2 So400m — модель визуального энкодера от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для понимания связей между изображениями и текстом. Модель поддерживает классификацию изображений по заданным текстовым меткам без специального дообучения, поиск изображений по текстовому запросу и использование в качестве визуального энкодера для VLM и других задач компьютерного зрения. Модель принимает изображения и текстовые метки или запросы, сопоставляет их семантически и выдаёт оценки соответствия. Вариант So400m использует патчи 14 × 14 и входное разрешение 224 × 224. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий.

SigLIP 2 So400m — модель визуального кодировщика от Google, обученная для совместного понимания изображений и текста. Она развивает подход SigLIP, объединяя несколько методов предобучения; в карточке Hugging Face указана архитектура семейства SigLIP и библиотека Transformers. Модель предварительно обучена на наборе WebLI. Модель подходит для классификации изображений по текстовым меткам без специального обучения, поиска соответствий между изображениями и текстом, а также для использования в качестве визуального энкодера в мультимодальных языковых моделях и других задачах компьютерного зрения. Она принимает изображения и текстовые описания или метки и формирует представления, используемые для сопоставления и классификации. Модель распространяется по лицензии Apache-2.0. Оценочные результаты приведены в README со ссылкой на исследовательскую работу; конкретные ограничения и показатели качества для отдельных сценариев в доступных материалах не описаны.

Skywork-Critic-Llama3.1-70B — модель-судья от команды SkyworkAI Alignment Team для попарного сравнения ответов и оценки их качества или соответствия критериям. Она построена на плотной архитектуре Llama и дообучена на базе meta-llama/Meta-Llama-3.1-70B-Instruct; содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает текстовые инструкции и ответы, формирует текстовые оценки и обоснования; в примере из карточки анализирует полезность, релевантность, точность, глубину, творческий подход и безопасность. Карточка сообщает о высоких результатах на RewardBench по состоянию на сентябрь 2024 года. Модель предназначена для отбора предпочтительных ответов, оценки пар ответов, подготовки данных для обучения и генерации оценок с пояснениями. Метаданные указывают поддержку чата и интерфейса вызова инструментов. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке модели. Разработчики просят не развёртывать её в интернет-сервисах без проверки безопасности; оценки могут быть ошибочными, а модель — введена в заблуждение.

Skywork-Critic-Llama-3.1-8B — языковая модель-критик, разработанная командой SkyworkAI Alignment Team для попарного сравнения ответов и оценки их относительного качества или уместности. Модель построена на архитектуре Llama 3.1, содержит 7,5 млрд параметров и дообучена на базе meta-llama/Meta-Llama-3.1-8B-Instruct. Она принимает текст и генерирует текстовую оценку; заявленная длина контекста — 131 072 токена. Модель предназначена для улучшения данных, оценки ответов и построения моделей вознаграждения. В README приведены результаты RewardBench за сентябрь 2024 года: версия 8B заняла первое место среди генеративных моделей менее чем с 10 млрд параметров; эти результаты относятся к указанному бенчмарку и дате. Метаданные указывают поддержку чата и интерфейса вызова инструментов. В карточке указана лицензия other, поэтому условия использования следует сверить с файлами и условиями репозитория. Разработчики просят проводить проверку безопасности перед развертыванием в интернет-сервисах и предупреждают о возможных непредсказуемых рисках, включая ошибки при вводе модели в заблуждение или ненадлежащем использовании.

swinv2_cr_tiny_ns_224.sw_in1k — модель классификации изображений и извлечения признаков на основе Swin Transformer V2. Это независимая реализация, выпущенная до публикации официального кода; её разработали Christoph Reich и Ross Wightman, а предобучение на ImageNet-1k выполнил Ross Wightman. Модель содержит 28,3 млн параметров, рассчитана на изображения размером 224 × 224 и реализована с использованием библиотеки timm. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. По сравнению с официальной реализацией Swin Transformer V2 в ней иначе рассчитывается относительное смещение позиций, предусмотрена нормализация в конце каждого этапа для вариантов «ns», а выходные признаки представлены в формате NCHW. Модель принимает изображения и выдаёт метки классов при классификации; промежуточные признаки и эмбеддинги доступны при использовании как визуального backbone. В карточке указана лицензия Apache-2.0. Она предобучена на ImageNet-1k, поэтому её назначение — задачи общего распознавания изображений, а качество на других наборах данных может потребовать дополнительной настройки.

Карточка модели john-syin/ViT-B-16-SigLIP-i18n-256 на Hugging Face совпадает с карточкой timm/ViT-B-16-SigLIP-i18n-256, поэтому описание составлено по ней. 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_large_patch14_reg4_dinov2.lvd142m — визуальный энкодер на основе Vision Transformer (ViT), опубликованный в timm. Модель содержит около 304,4 млн параметров и предварительно обучена на наборе LVD-142M методом самообучения DINOv2; в архитектуре используются register-токены. Рекомендуемый размер изображения — 518 × 518 пикселей. Модель предназначена для извлечения визуальных признаков и эмбеддингов изображений, а также может служить основой для классификации изображений и других задач компьютерного зрения. Её можно применять как визуальный backbone в системах поиска по изображениям, кластеризации и анализа визуального содержимого. Репозиторий использует timm и содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0.

Англоязычная модель Sentence Transformer, разработанная на базе sentence-transformers/all-MiniLM-L6-v2 и дообученная для сопоставления описаний профессий и должностей. Энкодер BERT преобразует предложения и абзацы в плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения описаний вакансий и профессий, а также может применяться для поиска перефразирований, кластеризации и классификации текстов. Она обучена на 897 примерах и показала точность cosine_accuracy 0,7289 на указанной в карточке оценке TripletEvaluator. Лицензия в предоставленных данных не указана.

AltCLIP-m18 — мультиязычная модель сопоставления изображений и текста, разработанная командой FlagAI. Это CLIP-подобная архитектура AltCLIP: она кодирует изображения и текст в общее пространство признаков, что позволяет сравнивать их и классифицировать изображения по текстовым описаниям без отдельного обучения на целевых классах. В метаданных Hugging Face указан сценарий zero-shot-классификации изображений; в README также приведены результаты классификации и поиска по изображениям и текстам. Модель поддерживает 18 языков: английский, китайский, японский, тайский, корейский, хинди, украинский, арабский, турецкий, вьетнамский, польский, нидерландский, португальский, итальянский, испанский, немецкий, французский и русский. Разработчики также указывают, что модель может служить текстово-графической основой для AltDiffusion-m18. Код открыт на FlagAI, веса доступны через ModelHub; лицензия самих весов в предоставленной карточке не определена. Условия использования датасетов не следует трактовать как лицензию модели.

Карточка модели AzeerDev/arabic-reranker на Hugging Face совпадает с карточкой oddadmix/arabic-reranker, поэтому описание составлено по ней. oddadmix/arabic-reranker — арабоязычный реранкер, дообученный на базе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, которая, согласно README, основана на aubmindlab/bert-base-arabertv02. Модель использует архитектуру BERT и оценивает релевантность пары «запрос — текст», чтобы переупорядочивать результаты поиска или варианты ответа. Модель предназначена для повторного ранжирования арабских документов и абзацев в информационном поиске, поисковых системах и сценариях вопросно-ответных систем с выбором среди кандидатов. Она обучалась на синтетических арабских триплетах, созданных с помощью LLM, и дополнительно настраивалась методом оценки. Размер модели — 162,4 млн параметров, максимальная длина входа — 512 токенов; в README приведён пример использования через sentence-transformers CrossEncoder. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

mrm8488/bert-mini-finetuned-age_news-classification — англоязычная модель классификации новостей, созданная разработчиком mrm8488 дообучением BERT-Mini на наборе данных AG News. Это компактный классификатор последовательностей на архитектуре BERT с примерно 12 млн параметров и контекстом до 512 токенов. Модель принимает текст и присваивает ему категорию новости; в карточке Hugging Face для тестовой выборки AG News указана точность около 0,934. Модель предназначена для автоматической тематической сортировки новостных материалов и демонстрации классификации текста. Карточка предоставляет варианты весов PyTorch и Flax, а также формат safetensors. Условия лицензии в доступных источниках не подтверждены.

Amdestya/ce-cat-distilbert — перекрёстный ранжировщик текстовых пар на базе DistilBERT, обученный Amdestya для диссертационного исследования по воспроизведению работ в информационном поиске. Модель получает запрос и фрагмент текста отдельно и оценивает их релевантность одним логитом: чем выше оценка, тем релевантнее фрагмент. Вход следует подавать в формате «запрос» и «фрагмент»; числовой балл BM25 в запрос добавлять не следует. Модель обучена с функцией потерь cross-entropy на бинарной релевантности и ранней остановкой по nDCG@10 на валидации. Это парный no-injection baseline для сравнения с Amdestya/ce-bm25cat-distilbert; README указывает, что варианты различаются только построением входа. Контекст ограничен 512 токенами, используется библиотека sentence-transformers и формат safetensors. Модель ориентирована на английский язык. Лицензия Apache-2.0.

Это конверсия CLIP ViT-B/32 от OpenAI для библиотеки Keras 3, подготовленная командой zeromodels. Модель использует два энкодера — изображений и текста — обученных сопоставлять пары «изображение — подпись» в общем пространстве эмбеддингов. Репозиторий содержит версию в формате TensorFlow; реализация Keras может работать с TensorFlow, Torch и JAX. Модель предназначена для классификации изображений по текстовым запросам без дообучения: при выводе ей передают изображения и текстовые подсказки, между которыми она оценивает соответствие. Архитектура также поддерживает поиск изображений по тексту и получение эмбеддингов изображений и текста. Лицензия — MIT. Качество результатов зависит от формулировок текстовых подсказок и соответствия изображений данным обучения. Модель сопоставляет изображения с текстом, поэтому не заменяет специализированный детектор объектов или систему распознавания текста на изображениях.

Корейская модель ColBERT, разработанная dragonkue и дообученная от skt/A.X-Encoder-base с помощью PyLate. Она предназначена для поиска по текстовым коллекциям и переранжирования результатов: кодирует запросы и документы в последовательности токенных эмбеддингов и сравнивает их оператором MaxSim. Модель построена на ModernBERT с проекцией 768→128; поддерживает матрёшечные размерности эмбеддингов 32, 64, 96 и 128. Документы могут содержать до 2048 токенов, запросы — до 32; контекст энкодера — до 16 384 токенов. Модель ориентирована на корейский язык, имеет 148,7 млн параметров и распространяется по лицензии Apache-2.0. Подходит для семантического поиска и ранжирования корейских документов, в том числе с использованием PyLate и PLAID для приближённого поиска по большим коллекциям. В README приведены результаты на AutoRAG, Ko-StrategyQA и NanoBEIR-Ko; выбор меньшей размерности сокращает размер векторов в 2–4 раза при небольших изменениях метрик. PyLate использует размерность 128; для переключения между размерностями требуется другой путь загрузки, указанный в карточке.

ConGen-WangchanBERT-Small — модель семейства ConGen на базе WangchanBERT-Small, разработанная автором репозитория kornwtp. Она преобразует предложения в плотные векторы размерностью 128 и предназначена для семантического поиска и сравнения смысла предложений. Модель использует архитектуру BERT, содержит 32,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель рассчитана на тайский язык; её оценивали на бенчмарке Thai Sentence Embeddings Benchmark для задачи семантического сходства. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Описание не сообщает результаты оценки и конкретные ограничения качества.

Это визуальная модель семейства ConvNeXt, подготовленная Россом Уайтманом и распространяемая в библиотеке timm. Визуальная башня CLIP предварительно обучена в OpenCLIP на LAION-2B, затем модель дообучена последовательно на ImageNet-12k и ImageNet-1k для классификации изображений. Модель содержит около 200,1 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Она предсказывает классы изображений, а также может служить визуальным backbone для извлечения карт признаков и эмбеддингов. В карточке приведены результаты на ImageNet-1k, включая точность top-1 и top-5. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги. Лицензия — Apache-2.0. Карточка не описывает поддержку естественного языка как входа для классификации и не приводит специальных ограничений помимо вычислительной стоимости крупной модели.

team-lucid/deberta-v3-base-korean — корейская базовая модель на архитектуре DeBERTa V3, опубликованная командой team-lucid. Она использует disentangled attention, улучшенное маскирование языковой модели и предобучение в стиле ELECTRA с Gradient-Disentangled Embedding Sharing. В карточке показан вариант применения для классификации последовательностей; модель подходит для задач понимания корейского текста, включая анализ тональности, распознавание смыслового сходства и классификацию пар предложений. Модель содержит 162,5 млн параметров и рассчитана на контекст до 512 токенов. В репозитории представлены веса PyTorch, Flax и safetensors. В README приведены результаты на корейских наборах NSMC, PAWS, KorNLI, KorSTS и Question Pair, однако точные значения для этой модели в доступной части таблицы не видны. Лицензия Apache-2.0 допускает использование и распространение на её условиях. Для прикладных задач классификации последовательностей может потребоваться подходящая голова классификации и настройка под целевой набор данных.

facebook/dinov2-large — большая модель Vision Transformer (ViT), обученная командой DINOv2 методом самообучения на коллекции изображений. Модель содержит около 402,7 млн параметров и представляет собой трансформерный энкодер: изображение разбивается на фиксированные патчи, которые преобразуются в последовательность токенов для обработки. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель предназначена для извлечения признаков из изображений и построения на их основе решений для последующих задач. Полученные представления можно использовать, например, для обучения классификатора на размеченном наборе данных. В самой модели нет дообученных голов для конкретных задач, поэтому для классификации или других прикладных сценариев потребуется отдельная голова или дополнительное обучение.

facebook/dinov2-with-registers-giant — гигантская модель Vision Transformer семейства DINOv2 с дополнительными register-токенами, опубликованная командой DINOv2; карточку подготовила команда Hugging Face. Это предобученный трансформерный энкодер изображений для извлечения признаков и эмбеддингов. Модель не содержит дообученных классификационных голов, поэтому для классификации или другой целевой задачи обычно требуется отдельная голова или дообученная версия. Вариант с register-токенами предназначен для уменьшения артефактов в картах внимания и получения более интерпретируемых представлений. Число параметров — около 1,5 млрд; модель принимает изображения и выдаёт векторные представления. Лицензия — Apache-2.0. Карточка указывает на применение для извлечения признаков, но не приводит конкретные сведения о поддерживаемых размерах входа или языках.

DINOv3 ViT-L/16 — модель извлечения визуальных признаков на основе Vision Transformer, разработанная Meta AI. Репозиторий содержит веса, предварительно обученные на LVD-1689M и дистиллированные от учителя DINOv3 ViT-7B; в метаданных указан размер 402,7 млн параметров. Модель принимает изображения и возвращает вектор CLS, патч-токены и register-токены. При размере изображения 224×224 получается 196 патч-токенов и пять специальных токенов; поддерживаются большие изображения с размерами, кратными 16. Признаки можно использовать без дообучения или подключать к небольшим классификаторам и другим downstream-модулям для классификации, поиска изображений, сегментации, оценки глубины и анализа видео. Карточка приводит сравнительные результаты на наборах для классификации, сегментации, оценки глубины и других задач, но отмечает различия в качестве между регионами и группами дохода. Лицензия указана как DINOv3 License; условия её применения следует проверять перед использованием.