I.12Рекомендации и персонализация

Bingsu разработал двуязычную CLIP-модель на основе архитектуры VisionTextDualEncoder: визуальная часть использует openai/clip-vit-base-patch32, а текстовая — lassl/bert-ko-small. По карточке, веса текстовой части CLIP перенесли на корейский энкодер методом, вдохновлённым дистилляцией знаний для многоязычных эмбеддингов; при обучении использовался параллельный корейско-английский корпус переводов AIHub, а pooling оставлен стандартным для модели Hugging Face. Модель предназначена для извлечения признаков и сопоставления изображений с текстом на корейском и английском языках, например для поиска изображений по запросу. Доступны веса PyTorch и safetensors. Модель распространяется по лицензии MIT. Карточка не приводит размер модели, длину контекста или оценки качества. Описанный способ переноса весов и использование переводного корпуса могут ограничивать качество за пределами корейского и английского языков и сценариев сопоставления изображения с текстом.

V-JEPA 2 — видеомодель семейства V-JEPA, разработанная FAIR, исследовательским подразделением Meta. Она обучена представлять видео и изображения в виде признаков и предназначена для классификации видео, поиска похожих видео и использования в качестве видеокодировщика для визуально-языковых моделей. Для этой версии при обработке видео требуется 64 кадра; изображение можно подать как повторяющиеся кадры. Модель имеет архитектуру VJEPA2Model и содержит 838,9 млн параметров. Репозиторий распространяет веса в формате safetensors, для запуска используется библиотека Transformers. Лицензия — MIT. README заявляет сильные возможности понимания видео, но не приводит количественных результатов для этой конкретной версии; качество зависит от способа извлечения признаков и последующей модели или классификатора.

AIMv2-1B-patch14-224 — модель компьютерного зрения из семейства AIMv2, разработанного Apple и предварительно обученного с мультимодальной авторегрессионной целью. Этот вариант содержит около 1,2 млрд параметров и предназначен для извлечения признаков изображений; в репозитории доступны веса Safetensors и Flax для использования с Transformers. Модель можно применять как визуальный энкодер для получения представлений изображений, а также как основу для задач распознавания и мультимодального понимания. В README семейство AIMv2 описано как превосходящее CLIP и SigLIP на большинстве бенчмарков мультимодального понимания, а также DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты. Эти результаты относятся к семейству и не гарантируют такие же показатели именно для данного варианта. Модель принимает изображения и выдаёт их признаки в виде векторов. Лицензия репозитория — apple-amlr; перед использованием следует учитывать её условия. Карточка не сообщает о поддерживаемых естественных языках.

BEiT-3 large — модель классификации изображений и визуальная backbone-модель, опубликованная в коллекции timm. Изначально мультимодально предобучалась на изображениях ImageNet-22k, текстовых документах объёмом 160 ГБ и крупномасштабных парах изображение–текст с помощью masked data modeling и фильтрации данных по предметной области, а затем дообучалась на ImageNet-22k и ImageNet-1k. Репозиторий содержит преобразованную версию для задач классификации только по изображениям. Модель имеет 304,6 млн параметров, обрабатывает изображения размером 224 × 224 и может использоваться для классификации, извлечения карт признаков и получения эмбеддингов изображений. В карточке Hugging Face указана библиотека timm, веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

BEiT-v2 Large — модель классификации изображений и визуальный backbone из семейства BEiT, опубликованный авторами библиотеки timm. Модель содержит 325,8 млн параметров и обрабатывает изображения размером 224 × 224 пикселя. Она обучалась на ImageNet-1k методом masked image modeling с VQ-KD визуальным токенизатором, созданным с учителем OpenAI CLIP B/16, а затем была дообучена на ImageNet-22k. Модель предназначена для классификации изображений и получения визуальных эмбеддингов, которые можно использовать как признаки в последующих задачах компьютерного зрения. В карточке также указаны вычислительная сложность 61,6 GMACs и 63,5 млн активаций. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка не приводит детальных оценок качества или ограничений по данным применения.

sentence-transformers/bert-large-nli-max-tokens — модель sentence-transformers, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024, предназначенные для поиска семантически близких текстов и кластеризации. Архитектура основана на BERT; модель содержит 433,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель можно использовать для семантического поиска, сравнения предложений и группировки текстов по смыслу. Доступны версии весов в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Репозиторий распространяется по лицензии Apache-2.0. В карточке авторы предупреждают, что модель устарела и выдаёт эмбеддинги низкого качества, поэтому для новых проектов рекомендуют выбрать более современные модели Sentence Transformers.

BotNet26t_256.c1_in1k — модель классификации изображений на основе архитектуры ResNet с блоками пространственного самовнимания. Её разработал Ross Wightman и обучил на ImageNet-1k с помощью библиотеки timm; архитектура реализована через гибкую систему BYOBNet. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Она рассчитана на изображения размером 256 × 256 пикселей, содержит около 12,5 млн параметров и требует 3,3 GMACs на изображение. При настройке использовались схема обучения ResNet Strikes Back C, оптимизатор SGD с Nesterov, адаптивное ограничение градиентов и косинусное расписание скорости обучения. Модель доступна в форматах PyTorch и safetensors. Это вариант BotNet с уменьшенным числом блоков самовнимания, настроенный на разумное время обучения; он не воспроизводит конфигурацию какой-либо конкретной научной работы. Для использования и модификации действует лицензия Apache-2.0.

Это мультимодальная модель CLIP ConvNeXt-Large-D, обученная Россом Уайтманом с помощью OpenCLIP на англоязычной подвыборке LAION-2B. Она сопоставляет изображения и текст, чтобы классифицировать изображения по заданным текстовым категориям без отдельного дообучения на этих категориях, а также выполнять поиск изображений по текстовому запросу и текста по изображению. Визуальная часть основана на ConvNeXt-Large и принимает изображения с разрешением 320 × 320 пикселей; текстовая часть имеет 16 слоёв и размерность эмбеддингов 768. По данным README, модель дообучена с повышением разрешения с 256 до 320 пикселей, а точность zero-shot классификации ImageNet составляет 76,6%. Модель рассчитана на английские сценарии: её не обучали и не оценивали целенаправленно на других языках. В README модель позиционируется для исследований и не рекомендуется для развёрнутого применения без тщательной проверки на конкретной задаче и фиксированном наборе классов. Применение для наблюдения и распознавания лиц указано как недопустимое; возможны ошибки и смещения, связанные с данными и формулировками классов. Лицензия — MIT.

Модель CLIP ConvNeXt-Large-D разработана Россом Уайтманом с использованием OpenCLIP и обучена на англоязычной подвыборке LAION-2B из LAION-5B. Она предназначена для классификации изображений по текстовым описаниям без специального обучения на заданных классах, а также для поиска изображений по тексту и текстов по изображениям. Визуальная башня основана на timm ConvNeXt-Large и принимает изображения с разрешением 320×320; текстовая башня имеет 16 слоёв и размерность эмбеддинга 768. Вариант soup получен усреднением весов трёх дообученных моделей. В тесте ImageNet zero-shot он показал точность top-1 76,9%. Модель работает с изображениями и английским текстом; обучение и оценка не охватывали другие языки. Карточка не рекомендует развёртывание модели и применение без тщательной проверки на конкретной задаче и фиксированной таксономии классов. Распознавание лиц и наблюдение указаны как недопустимые сценарии. Модель выпущена под лицензией MIT.

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup — мультимодальная модель семейства CLIP, обученная Ross Wightman с использованием OpenCLIP на английской подвыборке LAION-2B. Она сопоставляет изображения и текстовые описания в общем пространстве признаков и предназначена прежде всего для классификации изображений по текстовым меткам без дообучения, а также для поиска изображений по тексту и текстов по изображению. Визуальная часть построена на ConvNeXt-XXLarge из timm с проекционным слоем; текстовая часть имеет размерность 1024, 16 attention heads и 24 слоя. Вся модель содержит около 1,2 млрд параметров и обучалась на изображениях разрешением 256×256. В README указана точность 79,4% top-1 на ImageNet при zero-shot классификации. Модель рассчитана на англоязычные сценарии: обучение и оценка на других языках не проводились. В README не рекомендуют развёртывание без тщательной проверки на конкретной фиксированной таксономии классов; распознавание лиц и наблюдение прямо отнесены к недопустимым сценариям. Лицензия — MIT.

Карточка модели SajjadAyoubi/clip-fa-vision на Hugging Face совпадает с карточкой SajjadAyoubi/clip-fa-text, поэтому описание составлено по ней. CLIP-fa-text — текстовый энкодер персидской версии CLIP, созданной разработчиком Sajjad Ayoubi. Модель дообучена на 400 тысячах пар «изображение — текст»; в качестве текстового энкодера использована RoBERTa-fa Фарахани. Архитектура — RoBERTa, около 145,5 млн параметров, контекст — 514 токенов. Репозиторий содержит веса PyTorch. Модель преобразует персидский текст в векторы размерности 768, сопоставимые с векторами изображений, получаемыми парным визуальным энкодером CLIP-fa. Это позволяет искать изображения по персидскому запросу и находить текстовые описания, близкие к изображению, в системах поиска и сопоставления мультимодальных данных. В карточке показан текстовый компонент; сам он принимает текст и выдаёт векторные признаки. Разработчик отмечает, что для обучения использовано меньше пар, чем для исходного CLIP, поэтому качество зависит от задачи и набора изображений. Лицензия в предоставленных сведениях не указана.

timm/convnext_small.dinov3_lvd1689m — модель извлечения признаков изображений из библиотеки PyTorch Image Models (timm), основанная на архитектуре ConvNeXt Small. Она предварительно обучена на наборе LVD-1689M методом самоконтролируемого обучения DINOv3 и дистиллирована из DINOv3 ViT-7B. Модель содержит 49,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для получения карт признаков и векторных эмбеддингов изображений, а также может использоваться как основа для задач классификации изображений. Она принимает изображения и выдаёт признаки или эмбеддинги, пригодные для последующих этапов компьютерного зрения. В карточке указана лицензия DINOv3; конкретные условия её применения следует сверять с лицензией проекта.

crossencoder-camembert-large-mmarcoFR — кросс-энкодер для ранжирования франкоязычных текстов, разработанный Antoine Louis. Модель совместно обрабатывает запрос и каждый кандидатный фрагмент, учитывает взаимодействие между ними и выдаёт оценку релевантности от 0 до 1. Её используют как второй этап семантического поиска: сначала система, например BM25 или би-энкодер, извлекает кандидатов, затем модель переупорядочивает их по релевантности запросу. Модель основана на CamemBERT large и дообучена на французской части mMARCO — многоязычной версии MS MARCO. В метаданных указаны 435,4 млн параметров, библиотека Sentence Transformers и контекст длиной 514 токенов; в обучении использовались пары запрос–фрагмент длиной до 256 токенов и сложные негативные примеры. Модель предназначена для французского языка и выдаёт оценки ранжирования, а не готовые ответы. Лицензия — MIT. Поскольку модель оценивает пары отдельно, для большого числа кандидатов ранжирование может быть вычислительно затратным; качество зависит также от того, насколько подходящие фрагменты нашёл первый этап поиска.

Это франкоязычная модель переранжирования cross-encoder, разработанная Antoine Louis. Она оценивает пары «вопрос — фрагмент текста» и выдаёт оценку релевантности, по которой можно сортировать результаты семантического поиска после первичного извлечения, например BM25 или bi-encoder. Модель предназначена для повышения качества выдачи по запросам на французском языке. Модель основана на XLM-RoBERTa и дообучена на французских данных mMARCO: использовано 2,6 млн обучающих пар с положительными и сложными отрицательными примерами. В метаданных указаны 110,2 млн параметров и контекст до 514 токенов; в описании обучения максимальная длина пары составляла 256 токенов. Оценка вычисляется с помощью sigmoid и находится в диапазоне от 0 до 1. Для работы требуется оценивать каждую пару запроса и фрагмента отдельно, поэтому модель подходит для второго этапа поиска, а не для первичного поиска по большим коллекциям. Модель распространяется по лицензии MIT.

jjzha/escoxlmr_skill_extraction — модель семейства XLM-RoBERTa для извлечения навыков из текста с помощью классификации токенов. README описывает её как демо для выявления знаний, жёстких навыков, а также мягких и прикладных навыков. Модель содержит около 658,7 млн параметров, использует архитектуру XLMRobertaForTokenClassification и принимает текст с контекстом до 514 токенов. Модель подходит для автоматического выделения упоминаний навыков в текстах, например в резюме и описаниях вакансий. В карточке указана лицензия Apache-2.0. README не сообщает о качестве извлечения или поддерживаемых языках.

Это веса EVA02-Large Patch14 CLIP с разрешением изображения 224 пикселя, опубликованные командой timm для использования с OpenCLIP. Модель предназначена для классификации изображений без специального обучения на целевых классах: она сопоставляет изображение с текстовыми описаниями классов и оценивает их соответствие. В репозитории указаны форматы PyTorch и safetensors, библиотека OpenCLIP и лицензия MIT. Карточка называет веса merged2b, однако базовые модели и подробности слияния не раскрыты, поэтому точное происхождение определить нельзя. Модель работает с изображениями и текстовыми метками; сведения о языках текста и контекстном окне не приведены.

Jev-Style-2B-Decision-v3 — дообученная Chaoliang UNSW модель на базе Qwen/Qwen3.5-2B для принятия решений по заданным вариантам. Она принимает текстовое состояние или JSON и типизированные вопросы, затем за один проход выдаёт калиброванные вероятности для каждого предложенного варианта. Это текстовая плотная причинная модель Qwen3.5 с 1,7 млрд параметров и контекстом до 262 144 токенов; для совместимой локальной реализации README описывает общий бюджет входа 25 600 токенов. Модель ориентирована на классификацию, маршрутизацию запросов и оценивание вариантов, а не на свободный диалог: она не генерирует текст, не предлагает ответы за пределами заданных вариантов и не выполняет действия. В опубликованных тестах README сообщает 73,6% точности на JevBench v1.4.1 и указывает, что неуверенные решения следует передавать человеку или более крупной модели. Доступны веса в safetensors; лицензия Apache-2.0.

KcELECTRA-base-v2022 — корейская предобученная языковая модель семейства ELECTRA, разработанная Beomi. Она обучена с нуля на комментариях и ответах к комментариям новостных статей Naver, чтобы лучше работать с пользовательским корейским текстом: разговорными выражениями, сленгом, опечатками и эмодзи. В обучающем корпусе было более 180 миллионов предложений; опубликованный чекпойнт прошёл 848 тысяч шагов обучения. Модель имеет плотную архитектуру ELECTRA с 155 млн параметров, контекстное окно 512 токенов и WordPiece-токенизатор со словарём из 30 тысяч токенов. Это базовый предобученный энкодер для последующей тонкой настройки: его применяли, в частности, для классификации тональности, распознавания именованных сущностей, оценки сходства и ответов на вопросы. В приведённых автором сравнениях версия v2022 улучшила результаты относительно KcELECTRA-base предыдущей версии на большинстве задач. Модель рассчитана прежде всего на корейский шумный пользовательский текст; для более общих текстовых задач автор отмечает, что KoELECTRA может работать лучше. Для прикладного решения обычно требуется дообучение под целевую задачу. Модель распространяется по лицензии MIT.

LLM2CLIP-EVA02-L-14-336 — модель семейства CLIP, разработанная исследователями Tongji University и Microsoft. Это визуальный backbone на архитектуре EVA-CLIPModel, предназначенный для сопоставления изображений с текстовыми описаниями и поиска по изображениям или тексту. Модель улучшает текстовую различимость представлений CLIP с помощью обучения LLM в пространстве подписей и контрастивного обучения; подход поддерживает длинные и сложные описания и расширяет возможности кросс-языкового поиска. Модель обучалась на данных CC3M, CC12M, YFCC15M и подмножестве Recap-DataComp-1B. В карточке Hugging Face основная задача обозначена как zero-shot классификация изображений; веса представлены в формате PyTorch. Лицензия — Apache-2.0. В опубликованной работе улучшения оценки приведены для PyTorch-весов, и авторы предупреждают, что результаты на версии Hugging Face могут отличаться.

Lumma-Fev-9B — плотная модель принятия решений семейства FEV от FrontiersMind. Она обрабатывает один документ или состояние, представленное текстом, JSON-объектом либо массивом, и набор типизированных вопросов, возвращая распределение вероятностей для каждого вопроса за один проход. Модель не генерирует текст; доступны ответы форматов yes/no, выбор из вариантов и оценка по упорядоченной шкале. Модель предназначена для классификации и структурированных решений по содержимому документов: например, для присвоения категории, определения эмоции или извлечения ответа на типизированный вопрос. В README приведены результаты на Typed-decisions, AG News и DAIR Emotion, однако они не гарантируют качество на пользовательских данных. Вопросы обрабатываются независимо друг от друга. Репозиторий использует библиотеку Transformers и формат safetensors; точное число параметров в предоставленных сведениях не указано. Лицензия — Apache-2.0. Уверенность и вероятности являются оценками модели, поэтому их калибровку следует проверить на размеченных данных перед использованием для автоматических решений.

M3E-small — компактная модель текстовых эмбеддингов, обученная MokaAI на крупных наборах пар текстов. Она основана на архитектуре BERT и содержит 27,6 млн параметров; модель преобразует текст в плотные векторы и предназначена прежде всего для китайских текстов. Модель подходит для оценки сходства предложений, поиска похожих вопросов и семантического поиска по текстам. README указывает на обучение на китайских данных из разных областей и описывает поддержку английского в серии M3E, однако сравнительная таблица для версии small отмечает поддержку китайского, но не английского. Поэтому для этой версии следует ориентироваться на китайский язык. Максимальная длина контекста — 512 токенов; модель доступна в формате PyTorch и совместима с Sentence Transformers. В README приведены результаты оценки на задачах классификации и поиска, но качество зависит от набора данных и сценария. Для M3E-small отмечены ограничения в поиске между текстом запроса и фрагментом документа и отсутствие поиска по коду. Метаданные и предоставленный фрагмент README не содержат сведений о лицензии.

Mizan-Rerank-v2 — разработанный ALJIACHI арабский реранкер на базе Alibaba-NLP/gte-multilingual-reranker-base, дообученный для оценки релевантности пар «запрос — документ». Модель предназначена для повторной сортировки кандидатов в поиске и RAG, включая поиск по фетвам и длинным текстам. Использует архитектуру Cross-Encoder с 305,3 млн параметров и принимает последовательности длиной до 8192 токенов. В карточке указана поддержка арабского и английского языков. Модель помечена как устаревшая: разработчик рекомендует перейти на Mizan-Rerank-v3-Turbo или Mizan-Rerank-v3, которые показывают лучшие результаты на приведённых контрольных наборах. Для работы через Sentence Transformers требуется trust_remote_code=True; оценки разных версий не калиброваны между собой, поэтому при переходе следует перенастроить пороги фильтрации. Лицензия — Apache 2.0.

mLateOn-unsupervised — многоязычная модель поиска LightOn на архитектуре ColBERT, реализованная с PyLate и дообученная на базе jhu-clsp/mmBERT-base. Это промежуточный чекпойнт первого этапа обучения: контрастивное предобучение на 2,8 млрд пар запрос–документ, включая 25% межъязыковых пар, без последующего обучения на сложных негативных примерах. Модель содержит 306,9 млн параметров и обрабатывает до 8192 токенов в запросе или документе. Она предназначена для извлечения и ранжирования документов по запросу с использованием позднего взаимодействия ColBERT и оценки MaxSim. Подходит для многоязычного и межъязыкового поиска, а также как основа для дообучения на собственных данных, дистилляции и экспериментов с рецептами обучения. Поддерживаются английский, французский, немецкий, итальянский, испанский, португальский, шведский, норвежский и арабский языки. Выход модели — представления токенов размерностью 128. Чекпойнт рассчитан на адаптацию и исследования отдельных этапов обучения; для большинства производственных сценариев в карточке рекомендуется полностью обученная mLateOn. Модель распространяется по лицензии Apache 2.0.

Карточка модели musafa901/modernbert-ja-310m на Hugging Face совпадает с карточкой sbintuitions/modernbert-ja-310m, поэтому описание составлено по ней. 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.

Mogan-ColBERT-TR — MoganAI tarafından geliştirilen, Türkçe metinler için 148,7 milyon parametreli çok vektörlü arama ve yeniden sıralama modelidir. ModernBERT tabanlı kodlayıcı, 768 boyutlu token temsillerini 128 boyuta izdüşürür ve sorgu ile belge arasındaki uygunluğu MaxSim geç etkileşim yöntemiyle hesaplar. Model PyLate ile çalışır; bağlam uzunluğu metаданныхına göre 8192 токен, README бойынша сұраныстар 32 токенге дейін толықтырылып, құжаттар 512 токенге дейін кодталады. Модель MoganBERT-Embed негізінде дообучение арқылы жасалып, bge-reranker-v2-m3 бағалауларынан KL-дистилляцияланған. Ол түрік тіліндегі іздеу жүйелерінде бастапқы нәтижелерді қайта ранжирлеуге арналған; ұсынылған өндірістік сценарий — алдымен MoganBERT-Embed арқылы үміткер құжаттарды табу, содан кейін осы модельмен ранжирлеу. README бес түрік іздеу жиынында нөлдік атылым нәтижелерін келтіреді. Модель Apache-2.0 лицензиясымен таратылады. Көп векторлы индекстер тығыз векторлы индекстерден ондаған есе үлкен болуы мүмкін, сондықтан сақтау көлемі мен есептеу шығынын ескеру керек; жарияланған бағалау құжаттар үшін 300 токенмен жүргізілген, ал модель 512 токенге дейін оқытылған.

castorini/monobert-large-msmarco-finetune-only — модель на архитектуре BERT Large, преобразованная из чекпойнта, обученного на MS MARCO. Она предназначена для ранжирования пассажей: оценивает пары запроса и текста, чтобы выбрать наиболее релевантные фрагменты. Модель относится к классу BertForSequenceClassification, содержит 433,9 млн параметров и принимает текст с контекстом до 512 токенов. Чекпойнт представлен в форматах PyTorch и Flax. В карточке указана лицензия Apache-2.0. Модель ориентирована на поиск и ранжирование текстовых фрагментов; сведений о поддержке других языков, кроме английского языка датасета MS MARCO, нет.

Это модель MonoT5, разработанная Castorini: вариант T5, дообученный на наборе MS MARCO Passage в течение 100 тысяч шагов (примерно 10 эпох) для переранжирования текстовых фрагментов. Она предназначена для оценки релевантности найденных отрывков запросу и их сортировки в поисковых системах и системах ответа на вопросы. В основе — архитектура T5; модель работает с текстом, а указанный для неё контекст составляет 512 токенов. MonoT5 можно применять для повторного ранжирования результатов первичного поиска, например, передавать ей запрос и найденные документы, чтобы повысить релевантность верхних результатов. README ссылается на статью «Document Ranking with a Pretrained Sequence-to-Sequence Model» и библиотеку PyGaggle с примерами использования. Репозиторий содержит веса PyTorch; в метаданных указано 385,2 млн параметров. Язык данных для дообучения в предоставленной карточке не обозначен, поэтому языковая поддержка не уточняется. Условия лицензии в предоставленных данных не описаны.

Passage Ranker v1 XS EN — англоязычный реранкер компании Sinequa для поиска. Модель получает запрос и текстовый фрагмент, оценивает их релевантность и помогает упорядочить результаты поиска. Это компактная модель на архитектуре BERT-Mini с примерно 12 млн параметров, обученная по схеме MonoBERT; она нечувствительна к регистру и диакритическим знакам. Контекст составляет 512 токенов. Модель предназначена для повторного ранжирования найденных фрагментов и улучшения поиска по запросам на английском языке. В README приведена средняя оценка NDCG@10 0,438 по 14 англоязычным наборам BEIR. Для работы с FP16 требуется GPU с CUDA compute capability выше 6.0, для других указанных режимов — выше 5.0; README также указывает минимальную версию Sinequa 11.10.0. Лицензия в предоставленных сведениях не описана.

Карточка модели Lencebo/rarium-clip-l14 на Hugging Face совпадает с карточкой laion/CLIP-ViT-L-14-laion2B-s32B-b82K, поэтому описание составлено по ней. CLIP ViT-L/14 — мультимодальная модель семейства CLIP, обученная LAION с помощью OpenCLIP на англоязычной подвыборке из 2 млрд пар данных LAION-5B. В карточке указано, что обучение проводил Росс Уайтман на суперкомпьютере JUWELS Booster. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве признаков; основная задача в каталоге — классификация изображений без примеров обучения по текстовым меткам. Её также применяют для поиска изображений по тексту и текста по изображению, линейной классификации и как компонент конвейеров генерации изображений. Для ImageNet-1k заявлена точность zero-shot top-1 75,3%. Модель обучалась на английских данных и не предназначена для сценариев на других языках. Авторы рекомендуют ограничивать применение исследованиями; развёрнутые сценарии и использование без тщательной проверки на фиксированной таксономии не рекомендуются. Применение для наблюдения и распознавания лиц исключено из допустимых сценариев. Лицензия — MIT.

sentence-transformers/roberta-base-nli-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на основе RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура содержит около 151,8 млн параметров, а максимальная длина контекста составляет 514 токенов. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для семантического поиска, сравнения предложений и кластеризации. Репозиторий содержит веса в форматах PyTorch, TensorFlow, ONNX и OpenVINO; лицензия — Apache-2.0. В README модель помечена как устаревшая: качество её эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель для эмбеддингов предложений. Карточка не указывает поддерживаемые естественные языки.