I.12Рекомендации и персонализация

sentence-transformers/distilbert-base-nli-max-tokens — модель sentence-transformers, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Архитектура основана на DistilBERT; модель принимает текст и формирует эмбеддинги. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Карточка помечает её как устаревшую и предупреждает о низком качестве эмбеддингов, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов.

Eklav-0.6B-Reranker-CotGen — дообученная командами Eklav модель на базе Qwen/Qwen3-0.6B для ранжирования текстовых фрагментов по релевантности запросу. Это базовая линия CotGen: модель обучалась на задачах BRIGHT и NevIR методом полной дистилляции цепочки рассуждений. При использовании как поточечного реранкера она генерирует рассуждение, завершающееся меткой true или false; релевантность оценивают по логитам финального токена. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 508 млн параметров и контекст до 40 960 токенов. Она принимает текст и выдаёт текст; заявлена поддержка диалогового режима. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. В README отмечено, что генерация с фиксированным лимитом токенов иногда затягивается, переходит в повторения и не завершает ответ. Для реранжирования авторы рекомендуют запуск через vLLM с условием остановки по строке.

EVA-02 Large Patch14 224 MIM Merged-38M — модель визуальных представлений, опубликованная в формате timm. Это Vision Transformer с усреднением токенов, SwiGLU, Rotary Position Embeddings и дополнительной нормализацией в MLP. Модель содержит около 303,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предварительно обучена авторами статьи на объединённом наборе данных Merged-38M, включающем изображения из ImageNet-22K, CC12M, CC3M, COCO, ADE20K, Object365 и OpenImages. Обучение выполнялось методом masked image modeling с EVA-CLIP в роли учителя. Модель предназначена для извлечения визуальных признаков и эмбеддингов, а также может служить основой для задач классификации изображений. Репозиторий содержит веса PyTorch и Safetensors в формате float32; авторы отмечают, что исходные контрольные точки доступны в float16 или bfloat16. Лицензия — MIT. Для использования нужны изображения; модель выдаёт признаки и векторные представления. В README приведены примеры применения для классификации и получения эмбеддингов, но нет сведений о показателях качества именно этой версии.

hotchpotch разработала japanese-reranker-xsmall-v2 — компактную модель для переранжирования японских текстов. Она основана на ModernBERT и дообучена на базе cl-nagoya/ruri-v3-pt-30m; размер составляет 36,7 млн параметров, контекст — до 8192 токенов. Модель принимает пары текстов и оценивает их релевантность, чтобы упорядочить кандидатов по соответствию запросу. Модель рассчитана на повышение качества поиска и RAG-систем, в том числе при работе на CPU, Apple Silicon и устройствах с ограниченными ресурсами. В README приведены результаты оценок на японских наборах задач и замеры скорости для GPU, MPS и CPU; фактическая производительность зависит от оборудования и конфигурации. Для запуска описана поддержка sentence-transformers и ONNX. Модель поддерживает японский язык и распространяется по лицензии MIT.

x2bee/KoModernBERT_SBERT_compare_mlmlv5 — модель Sentence Transformers, дообученная разработчиком x2bee на базе x2bee/KoModernBERT-base-mlm_v02 на корейском NLI-датасете. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска по смыслу, поиска перефразировок, кластеризации и классификации текста. Сходство между векторами оценивается косинусной мерой. Архитектура основана на ModernBERT, число параметров — 185,7 млн; метаданные указывают контекст до 8192 токенов, тогда как README задаёт максимальную длину последовательности 512 токенов. Модель рассчитана прежде всего на корейский язык. В README приведены результаты оценки сходства на sts_dev: коэффициент корреляции Спирмена для косинусного сходства — 0,6328. Модель принимает текст и выдаёт векторы; качество для языков помимо корейского не подтверждено приведёнными данными. Лицензия в предоставленных сведениях не указана.

macavaney/laff — модель, разработанная Sean MacAvaney для оценки обучаемого сходства между парами документов в задачах информационного поиска. Она используется в PyTerrier Adaptive и связана с подходом Quam: Adaptive Retrieval through Query Affinity Modelling, где оценки близости помогают строить граф связей между документами и выполнять адаптивное переранжирование результатов поиска. Модель основана на архитектуре BERT и имеет около 136,7 млн параметров; максимальная длина входного контекста составляет 512 токенов. По связанным материалам она дообучена на англоязычных данных MS MARCO и предназначена для вычисления affinity score между двумя текстами документов. Сильная сторона модели — применение семантической близости документов в графовых и адаптивных поисковых системах. Она не является универсальной генеративной моделью, не предназначена для диалога или генерации текста, а её оценки зависят от домена и качества входных документов. В доступных источниках лицензия самой модели не подтверждена.

LocRet-small — компактная модель текстовых эмбеддингов, разработанная LocalDoc для семантического поиска по текстам на азербайджанском языке. Это дообученная версия intfloat/multilingual-e5-small на архитектуре BERT; модель содержит 124,3 млн параметров, формирует векторы размерности 384 и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска релевантных документов по запросу, подбора фрагментов текста и ранжирования кандидатов по сходству. По данным README, её обучали на примерно 3,5 млн пар «запрос — фрагмент» из веб-вопросов и ответов, книг, новостей, политики и истории, используя дистилляцию ранжирования и контрастивное обучение. В описанном бенчмарке AZ-MIRAGE модель показала лучшие результаты среди приведённых систем для поиска на азербайджанском языке. Модель оптимизирована для азербайджанского языка, поэтому качество на других языках может быть ниже, чем у базовой многоязычной модели. Тексты длиннее 512 токенов следует разбивать на фрагменты. Репозиторий распространяется по лицензии Apache-2.0.

MetaCLIP 2 (worldwide) — мультимодальная модель семейства CLIP, представленная Meta в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-H-14-quickgelu-worldwide и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт возможные классы, а модель оценивает соответствие изображения каждому из них. Модель принимает изображения и текстовые описания и выдаёт оценки сходства, поддерживая многоязычные сценарии. Она реализована как MetaCLIP2Model и распространяется в формате safetensors для Transformers. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

Mesolitica/mistral-embedding-191m-8k-contrastive — текстовая модель для извлечения признаков и получения эмбеддингов. Согласно карточке, модель семейства Mistral обучена на задаче создания эмбеддингов для малайзийского текста с контрастивной функцией потерь; обучение использовало усечённые последовательности длиной до 8 тысяч токенов. Метаданные указывают 166,1 млн параметров и нативный контекст до 32 768 токенов. Модель предназначена для преобразования текста в векторы, которые можно использовать в поиске и сопоставлении текстов. В README приведён размер выхода (12, 768), но подробности обработки и оценки качества не описаны. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

MobileCLIP-B (LT) — мультимодальная модель Apple из семейства MobileCLIP, опубликованная в рамках работы «MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training» (CVPR 2024). Этот репозиторий содержит чекпойнт для библиотеки timm в формате PyTorch. Модель сопоставляет изображения и текст, поддерживая классификацию изображений с нулевым обучением по текстовым описаниям классов. В README для MobileCLIP-B (LT) указана точность 77,2% top-1 на ImageNet в режиме zero-shot. Модель принимает изображения и текстовые запросы и выдаёт оценки соответствия; число параметров и длина контекста для этого чекпойнта в предоставленных данных не приведены. Лицензия — Apple AMLR. Модель подходит для классификации изображений по пользовательским категориям и поиска изображений по текстовому описанию. Фактическое качество может зависеть от формулировок текстовых меток и набора изображений.

MobileCLIP-S2 — компактная модель сопоставления изображений и текста от Apple, представленная в работе MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training на CVPR 2024. Этот репозиторий содержит чекпойнт для timm в формате PyTorch. Модель предназначена для классификации изображений и распознавания объектов по текстовым описаниям без дополнительного обучения (zero-shot). Вариант S2 включает 35,7 млн параметров в визуальном энкодере и 63,4 млн в текстовом. По данным авторов, он показывает 74,4% точности top-1 на ImageNet в zero-shot режиме и в среднем 63,7% на 38 наборах данных; авторы также сообщают, что он быстрее и компактнее SigLIP ViT-B/16. Модель принимает изображения и текстовые описания, а для поиска и классификации сопоставляет их представления. Лицензия — Apple AMLR. В README не приведены сведения о длине контекста или перечне поддерживаемых естественных языков; результаты зависят от набора меток и описаний, используемых при zero-shot классификации.

ModernBERT-Ja-310M — плотный энкодер на архитектуре ModernBERT, разработанный SB Intuitions и обученный для заполнения пропусков в тексте. Модель содержит около 314,6 млн параметров, использует локальное и глобальное внимание, RoPE и контекст до 8192 токенов. Для токенизации применяется SentencePiece с unigram-моделью, словарём из 102 400 токенов и byte fallback; предварительная сегментация японского текста не требуется. Модель обучена на корпусе японских и английских текстов объёмом около 4,09 трлн токенов, включая два этапа расширения контекста. Она предназначена прежде всего для дообучения на прикладных задачах и подходит как энкодер для задач понимания текста; сама по себе не предназначена для генерации связного текста. Разработчик отмечает, что токенизация может ухудшать результаты задач разметки токенов, например распознавания именованных сущностей и извлечения фрагментов. Лицензия — MIT.

Модель cross-encoder/msmarco-MiniLM-L12-en-de-v1 разработана для Sentence Transformers и предназначена для повторного ранжирования текстовых фрагментов в поисковых системах. Она обучена на задаче ранжирования passage из MS MARCO и оценивает релевантность пары «запрос — документ»; обычно её применяют после первичного поиска, например BM25. Поддерживает англо-немецкие сценарии, включая запросы на одном из этих языков и документы на другом, а также английский и немецкий поиск. Это плотная модель на архитектуре BERT, класс BertForSequenceClassification, с 124,3 млн параметров и контекстом до 512 токенов; доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Лицензия Apache-2.0. Как cross-encoder, она оценивает пары по отдельности, поэтому обычно медленнее bi-encoder-поиска и подходит для ранжирования ограниченного набора кандидатов, а не для первичного поиска по всему корпусу.

cross-encoder/msmarco-MiniLM-L6-en-de-v1 — компактная модель cross-encoder на архитектуре BERT, разработанная Sentence Transformers и дообученная на задаче ранжирования пассажей MS MARCO. Она оценивает релевантность пары «запрос — документ» и предназначена для повторного ранжирования результатов информационного поиска. Модель поддерживает английские и немецкие запросы и документы, включая англо-английский, немецко-английский и немецко-немецкий сценарии. Размер модели — 110,2 млн параметров, максимальная длина контекста — 512 токенов. Модель показала улучшение ранжирования относительно BM25 в приведённых оценках TREC-DL19 и GermanDPR; указанная скорость составляет 1600 пар «запрос — документ» в секунду на GPU V100. Её можно применять как второй этап поиска после первичного извлечения кандидатов. Лицензия — Apache-2.0.

cross-encoder/ms-marco-TinyBERT-L2 — компактная модель ранжирования от Sentence Transformers, обученная на задаче MS MARCO Passage Ranking. Это дообученная BERT-модель с архитектурой BertForSequenceClassification и 4,4 млн параметров; она принимает пару «запрос — текстовый фрагмент» и оценивает релевантность фрагмента запросу. Контекст модели — до 512 токенов. Модель предназначена для информационного поиска по схеме retrieve-and-rerank: после первичного поиска, например в ElasticSearch, она пересчитывает релевантность найденных фрагментов и сортирует их по убыванию оценки. Подходит для ранжирования passages в поисковой выдаче и для оценки релевантности пар текстов. Поддерживает английский язык. Доступны варианты весов PyTorch, safetensors, ONNX, OpenVINO и Flax. Компактный размер делает модель пригодной для повторного ранжирования множества кандидатов, но её применение ограничено текстовыми парами и контекстом до 512 токенов. Она рассчитана на переоценку уже найденных документов, а не на генерацию текста или самостоятельный поиск по коллекции. Лицензия — Apache-2.0.

cross-encoder/ms-marco-TinyBERT-L4 — компактная модель семейства BERT от Sentence Transformers, дообученная на задаче ранжирования фрагментов MS MARCO Passage. Она принимает запрос и кандидатный фрагмент текста совместно и оценивает их релевантность, чтобы упорядочить результаты поиска, например после первичного извлечения документов поисковой системой. Модель предназначена для информационного поиска и повторного ранжирования результатов; в каталоге также указана поддержка классификации текста. Модель содержит 15,6 млн параметров, имеет контекстное окно 512 токенов и рассчитана на английский язык. Доступны веса в форматах PyTorch, safetensors, ONNX, OpenVINO и Flax; для работы в README рекомендуется интерфейс CrossEncoder библиотеки Sentence Transformers. Лицензия — Apache-2.0. Ограничение контекста и обучение на MS MARCO Passage означают, что оценка релевантности может хуже подходить для длинных документов или предметных областей, отличных от поисковых пассажей.

ResNeXt-50 32x4d — сверточная модель классификации изображений и извлечения признаков из семейства ResNeXt, представленная авторами библиотеки timm. Она предварительно обучена на хэштегах Instagram-1B методом полу-слабого обучения с учителем, а затем дообучена на ImageNet-1k. Архитектура использует остаточные блоки с групповыми свёртками 3×3, свёртками 1×1 и активациями ReLU; модель содержит около 25 млн параметров и рассчитана на изображения размером 224×224. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Указанная лицензия CC BY-NC 4.0 ограничивает коммерческое использование; перед применением следует соблюдать её условия.

AvaXiao/ReToken-InternVL3.5-8B — модель на базе InternVL3.5-8B с методом ReToken для визуального поиска. ReToken добавляет обучаемый токен-запрос, который выбирает из предварительно заполненного визуального KV-кэша разреженный набор визуальных токенов, релевантных запросу. Репозиторий связан с работой «ReToken: One Token to Improve Vision–Language Models for Visual Retrieval». Модель принимает изображения и текстовые запросы и предназначена для визуального поиска по содержимому изображений. Весы опубликованы в формате safetensors, лицензия — MIT. README не уточняет размер контекста, поддерживаемые естественные языки и оценочные показатели качества.

Ruri v3 30M — модель эмбеддингов японского текста, разработанная cl-nagoya на базе ModernBERT-Ja и дообученная от cl-nagoya/ruri-v3-pt-30m. Она преобразует предложения и фрагменты текста в векторы размерностью 256 для сравнения смысловой близости, поиска, ранжирования и кластеризации. Модель содержит 36,7 млн параметров, поддерживает последовательности до 8192 токенов и использует токенизатор SentencePiece; для токенизации не требуется внешняя сегментация японского текста. Модель предназначена для японских текстовых задач. В оценке JMTEB версия 30M показала средний результат 74,51; карточка также приводит метрики поиска, семантического сходства, классификации, переранжирования и кластеризации. Указана функция сходства cosine similarity. Репозиторий содержит веса safetensors, лицензия — Apache 2.0.

dangvantuan разработал sentence-camembert-base — модель для получения векторных представлений французских предложений и оценки их семантического сходства. Она дообучена на базе facebook/camembert-base с помощью Siamese BERT-сетей и библиотеки sentence-transformers на данных STSb. Модель содержит 137,8 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно применять для сравнения предложений по смыслу, поиска похожих фраз и построения семантического поиска на французском языке. В тестах на французской части STSb указаны корреляции Пирсона 82,36 и Спирмена 81,64. Модель распространяется по лицензии Apache-2.0. Контекст ограничен 514 токенами; заявленные результаты относятся к оценке на STSb и не гарантируют такое же качество на других данных или задачах.

Карточка модели Veritone/siglip2-base-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-256, поэтому описание составлено по ней. SigLIP 2 Base Patch16-256 — визуальный энкодер, разработанный Google. Модель обучена на наборе WebLI по унифицированной схеме предобучения SigLIP 2; в репозитории доступны веса Safetensors для Transformers. Размер изображения на входе — 256 пикселей, патч — 16 пикселей. Модель предназначена для классификации изображений по пользовательским текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для VLM и других задач компьютерного зрения. Лицензия — Apache-2.0. README описывает улучшенное семантическое понимание, локализацию и плотные визуальные признаки как цели SigLIP 2. В карточке нет сведений о поддерживаемых естественных языках или длине контекста. Для классификации необходимо передавать изображение и варианты меток; сама модель не является диалоговой генеративной VLM.

Veritone/siglip2-base-patch32-256-text — текстовая башня модели SigLIP 2 Base, основанной на архитектуре SigLIP и разработанной Google. Это сокращённая копия google/siglip2-base-patch32-256, содержащая только текстовый энкодер: она преобразует текстовые запросы в общее пространство эмбеддингов и предназначена для отдельной загрузки на этапе поиска. Парная зрительная башня находится в Veritone/siglip2-base-patch32-256-vision. Модель используют для сопоставления текстовых запросов с изображениями, поиска по изображениям и как текстовый энкодер в мультимодальных системах. В составе полной модели SigLIP 2 поддерживает классификацию изображений без примеров по заданным текстовым меткам. Указанная длина контекста — 64 токена; модель доступна в формате safetensors и предназначена для библиотеки Transformers. Лицензия — Apache-2.0. Этот репозиторий содержит только текстовую башню, поэтому сам по себе не кодирует изображения и не выполняет классификацию изображений без парной зрительной башни. README не приводит сведений о поддерживаемых естественных языках.

Veritone/siglip2-so400m-patch14-224-text — текстовая башня модели SigLIP 2 So400m, разработанной Google и опубликованной Veritone как отдельный компонент. Она кодирует текстовые запросы в общее пространство эмбеддингов для сопоставления с представлениями изображений, полученными совместимой моделью Veritone/siglip2-so400m-patch14-224-vision. Такое разделение позволяет загружать только нужную башню при поиске и сокращать расход памяти и время загрузки. Модель предназначена для zero-shot классификации изображений и поиска по соответствию текста и изображения; для этих сценариев требуется совместимая башня изображений. Также текстовый энкодер может применяться как часть систем с визуальным вводом. Архитектура — SigLIP 2 So400m, класс SiglipModel; опубликованные веса в формате safetensors, библиотека — Transformers. По карточке модель предобучена на WebLI. Лицензия — Apache-2.0. Метаданные указывают контекст 64 токена.

Карточка модели Veritone/siglip2-so400m-patch14-384 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch14-384, поэтому описание составлено по ней. 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.

HuggingFaceM4/siglip-so400m-14-980-flash-attn2-navit — вариант SigLIP от HuggingFaceM4 с изменениями в зрительной части модели. Максимальное разрешение изображений увеличено с 384 × 384 до 980 × 980 за счёт интерполяции позиционных эмбеддингов; реализация в стиле NaViT позволяет обрабатывать изображения переменного разрешения с сохранением соотношения сторон. Текстовая часть не изменена, а реализация заявлена как обратно совместимая с исходной моделью. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Поддерживает изображения высокого и переменного разрешения; задача в метаданных — zero-shot image classification. Репозиторий использует формат safetensors и лицензию Apache-2.0. Размер модели и конкретные поддерживаемые естественные языки в предоставленных данных не определены.

Карточка модели castorini/tct_colbert-v2-hn-msmarco на Hugging Face совпадает с карточкой castorini/tct_colbert-v2-hnp-msmarco, поэтому описание составлено по ней. castorini/tct_colbert-v2-hnp-msmarco — модель семейства TCT-ColBERT-V2, опубликованная Castorini для воспроизведения варианта плотных моделей поиска, описанного в статье о дистилляции знаний для dense retrieval. Она предназначена для извлечения векторных представлений текстов и их использования в поиске по коллекции документов, в частности в сценариях, связанных с MS MARCO. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. README связывает её с исследовательской работой и отчётом о воспроизведении в Pyserini. Лицензия в доступных данных не приведена.

zeromodels/tipsv2-g14 — это преобразованная для библиотеки zeromodels версия TIPSv2 g/14 от Google DeepMind, модели для сопоставления изображений и текста. Она использует двухэнкодерную архитектуру CLIP/SigLIP: визуальный энкодер на основе ViT в стиле DINOv2 с register-токенами и двунаправленный текстовый энкодер, обученные контрастивной функцией потерь с масштабированием температуры. Модель предназначена для классификации изображений по текстовым меткам без дообучения: пользователь передаёт изображение и набор описаний классов, а модель оценивает их соответствие. В репозитории доступна загрузка полной модели и обоих энкодеров; конверсия на Keras 3 работает с TensorFlow, PyTorch и JAX. Обработка изображения масштабирует пиксели в диапазон [0, 1], разрешение входа — 448 пикселей. Модель принимает изображения и текстовые метки и выдаёт оценки соответствия для классификации. Репозиторий содержит конверсию весов google/tipsv2-g14, а не отдельное дообучение; лицензия — Apache-2.0, совпадает с лицензией исходного чекпойнта. Поддерживаемые языки и ограничения качества в доступных сведениях не описаны.

timm/vit_base_patch16_dinov3.lvd1689m — визуальный энкодер семейства DINOv3, опубликованный командой PyTorch Image Models (timm). Это ViT-Base с патчами 16×16, содержащий 85,6 млн параметров. Модель обучена на наборе LVD-1689M методом дистилляции из DINOv3 ViT-7B; стандартный размер изображения — 256×256 пикселей. Энкодер преобразует изображение в признаки и эмбеддинги для последующего использования в классификации, сегментации, поиске похожих изображений и других задачах компьютерного зрения. README приводит результаты сравнений DINOv3 на глобальных и плотных задачах, но отдельные метрики именно этой версии не указаны. Веса доступны в форматах PyTorch и safetensors. README отмечает, что реализация timm отключает нулевые смещения QKV и иначе хранит периоды RoPE, что может вызывать небольшие численные отличия от исходной реализации. Лицензия обозначена как DINOv3; её конкретные условия следует сверять с лицензией проекта DINOv3.

vit_large_patch14_dinov2.lvd142m — визуальный энкодер Vision Transformer из библиотеки timm, предварительно обученный разработчиками DINOv2 на наборе LVD-142M методом самообучения. Модель содержит около 304,4 млн параметров и рассчитана на обработку изображений размером 518 × 518 пикселей. Модель извлекает признаки и эмбеддинги изображений; эти представления можно использовать для классификации и как визуальный бэкбон в других системах компьютерного зрения. Она не генерирует текст и не предназначена для понимания естественного языка. Для запуска используется библиотека timm; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

V-JEPA 2 — модель понимания видео, разработанная FAIR в Meta. Это плотная модель семейства VJEPA2 с 1,3 млрд параметров; репозиторий содержит веса в формате Safetensors и предназначен для использования через Transformers. Модель кодирует видео и изображения в представления для классификации видео, поиска по видео и использования в качестве видеоэнкодера для VLM. Для этого варианта при обработке видео требуется выбирать 64 кадра; изображение можно повторить до нужного числа кадров. Модель ориентирована на визуальные данные, поэтому естественный язык не является её основным входом или выходом. Лицензия — Apache-2.0.