I.12Рекомендации и персонализация

prithivida/Splade_PP_en_v2 — независимая реализация модели SPLADE++ для поиска по текстовым документам, разработанная Donkey Stereotype. Это модель-энкодер на базе BERT с 136,7 млн параметров, формирующая разреженные представления текста через MLM-голову: она расширяет текст контекстуальными токенами и помогает находить документы при несовпадении формулировок запроса и текста. Модель предназначена для кодирования документов в поисковых и retrieval-системах; для запросов автор указывает на отдельную модель. В README описаны настройки для индустриального поиска: ограничение длины документов 128 токенами, оптимизация разреженности и ориентир на баланс качества поиска, задержки и размера индекса. Модель обучалась с использованием MS MARCO; заявлены показатели MRR@10 и времени retrieval, но они зависят от набора данных и конфигурации системы. Поддерживается английский язык, контекст — до 512 токенов. Доступны форматы PyTorch и ONNX. Для применения модель выдаёт признаки и разреженные представления текста, которые можно индексировать и использовать для поиска документов и оценки сходства предложений. Лицензия — Apache-2.0. Ограничения BERT и конкретного дообучения сохраняются; для пользовательских доменов качество следует проверять отдельно.

prhegde/t5-query-reformulation-RL — генеративная модель для переформулирования поисковых запросов. Это модель типа T5 с архитектурой encoder-decoder и примерно 123,8 млн параметров, разработанная на основе Google T5-base. Она сначала обучалась на парах запросов MS MARCO, а затем дообучалась с подкреплением методом policy gradient, чтобы создавать разнообразные и релевантные варианты запросов. Модель предназначена для расширения охвата поиска: переформулированные запросы можно использовать со sparse retrieval, например BM25. Сценарии применения включают веб-поиск, поиск в электронной коммерции, информационный поиск, а также подготовку запросов для виртуальных помощников и чат-ботов. Она принимает текстовый запрос и генерирует его текстовые варианты; указанный родной контекст — 512 токенов. Карточка ориентирует модель на английский язык. Лицензия — Apache-2.0. Разнообразие генерации можно настраивать семплированием и штрафом за повторения. Награды при обучении рассчитывались эвристически, поэтому качество может зависеть от предметной области и целевой функции; README допускает замену наград на специализированные. Оценки качества и гарантии пригодности для конкретного поискового домена в карточке не приведены.

TabRankStandardSFT — дообученная модель на базе Qwen3-8B, созданная для переранжирования таблиц по релевантности вопросу. Она принимает вопрос и список таблиц-кандидатов в одном текстовом запросе и генерирует их полный рейтинг за один вызов, без попарного сравнения. Модель обучена методом SFT с дистилляцией рассуждений: для обучения использовались 6 728 трасс рассуждений учителя, а функция потерь учитывала и рассуждение, и итоговый рейтинг. Архитектура — плотная причинная языковая модель Qwen3 на 7,6 млрд параметров; контекст — 40 960 токенов. Модель работает с текстом на английском языке и выдаёт ранжированный список позиций в JSON вместе с рассуждением. Подходит для повторной сортировки результатов поиска таблиц, например, списка из первых 25 кандидатов, перед ответом на вопрос по табличным данным. В опубликованной оценке показала средний nDCG@10 0,700 на пяти наборах, близких к обучающим, и семи наборах вне распределения. По описанию автора, её обобщение на данные вне обучающего распределения менее надёжно, а генерация примерно в 4,3 раза медленнее метода TabRank с обусловливанием рассуждением. Модель опубликована в формате safetensors; веса в bfloat16 занимают около 16 ГБ. Лицензия — Apache-2.0.

VideoPrism-LvT-L — фундаментальная модель видео- и текстовых энкодеров, разработанная Google DeepMind. Она преобразует видео и текст в компактные глобальные эмбеддинги, сходство между которыми можно измерять косинусным расстоянием. Модель предназначена для задач понимания видео, включая классификацию действий, пространственно-временную локализацию, поиск видео по текстовому запросу и open-set-классификацию. Модель построена на архитектуре ViViT с backbone ViT-L и содержит около 580 млн параметров; размер файла контрольной точки составляет примерно 2,30 ГБ. Видео подаются в формате num_frames × 288 × 288 × 3. Во время обучения использовалось 8 кадров, но модель поддерживает произвольное число кадров за счёт интерполяции временных позиционных эмбеддингов. Текст токенизируется моделью SentencePiece c4_en, поэтому заявлена поддержка английского текста. Для одной из модальностей вычисление эмбеддингов можно пропустить. Сильной стороной VideoPrism является высокая обобщающая способность: один замороженный checkpoint превзошёл предыдущие foundation-модели на 31 из 33 публичных бенчмарков понимания видео без дообучения на целевых наборах данных. Ограничения связаны с возможными смещениями и шумом обучающих данных, включая ASR-транскрипции, а также с недостаточно развитым пониманием длинных видео, геометрической информации и несемантических визуальных признаков. Модель распространяется по лицензии Apache-2.0; перед применением в чувствительных сценариях рекомендуется оценить риски безопасности и справедливости.

timm/vit_base_patch16_224.dino — модель извлечения признаков изображений на базе Vision Transformer, предоставленная проектом timm. Она обучена без учителя методом DINO на ImageNet-1k и может использоваться как визуальный backbone для классификации и получения эмбеддингов изображений. Модель содержит 85,8 млн параметров, разбивает изображение на патчи 16×16 и рассчитана на вход размером 224×224 пикселя. Модель предназначена для построения визуальных признаков, которые можно применять в классификационных и других компьютерно-зрительных конвейерах. Репозиторий распространяет веса в форматах PyTorch и safetensors, библиотека — timm. Лицензия Apache-2.0.

Модель vit_base_patch16_clip_384.laion2b_ft_in12k_in1k — визуальный трансформер (ViT) для классификации изображений и извлечения визуальных признаков, опубликованный в библиотеке timm. Она предварительно обучена с помощью OpenCLIP на парах изображение–текст из LAION-2B, а затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 86,9 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации изображений и получения их эмбеддингов в компьютерном зрении. Веса доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Карточка также ссылается на рецепты обучения и воспроизводимые результаты в timm.

Это модель компьютерного зрения на основе Vision Transformer (ViT), опубликованная в библиотеке timm. Она предварительно обучена OpenAI на парах изображений и текстов WIT-400M с помощью CLIP, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 86,9 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и получения эмбеддингов изображений. Такое представление подходит для последующих задач компьютерного зрения и поиска по визуальному сходству. Веса доступны в форматах PyTorch и Safetensors; библиотека карточки — timm. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специальные ограничения по применению или гарантии качества; результат классификации зависит от соответствия входных изображений обучающим данным и набора меток.

Это модель компьютерного зрения timm/vit_base_patch32_clip_224.metaclip_400m на архитектуре CLIP ViT-B/32 с вариантом активации QuickGELU. Она использует визуальную и текстовую части CLIP и обучена на наборе MetaCLIP-400M; доступна через библиотеки open_clip и timm. Основной сценарий — классификация изображений по текстовым описаниям без отдельного дообучения на целевых классах. Модель сопоставляет изображение с текстовыми метками или описаниями и позволяет выбирать наиболее подходящий вариант. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), опубликованная командой timm. Модель с 304,2 млн параметров предварительно обучена на парах изображение–текст LAION-2B с помощью OpenCLIP, затем дообучена на ImageNet-12k и ImageNet-1k. Она принимает изображения размером 224 × 224 пикселя и может использоваться как классификатор или как основа для извлечения признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов и других классов изображений, а также для получения визуальных представлений, которые можно применять в последующих задачах компьютерного зрения. Репозиторий использует timm и содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

Карточка модели kas1293/xclip-base-patch32 на Hugging Face совпадает с карточкой microsoft/xclip-base-patch32, поэтому описание составлено по ней. X-CLIP — базовая модель семейства CLIP для понимания видео и текста, разработанная Microsoft и представленная Ni и соавторами. Она обучена контрастивным способом на парах «видео–текст» и полностью контролируемым образом на наборе Kinetics-400. Видеоклип обрабатывается по 8 кадрам с разрешением 224×224; модель использует архитектуру X-CLIP с визуальными патчами размером 32 пикселя. Модель предназначена для классификации видео с нулевым или малым числом примеров, а также для классификации с учителем и поиска соответствий между видео и текстом. Она может оценивать, насколько текст подходит к видео; для Kinetics-400 указана точность top-1 80,4% и top-5 95,0%. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

xDecision — многоязычная модель структурированной оценки решений примерно на 322 млн параметров, разработанная автором репозитория mccoysc. Она дообучена на основе Laya Multilingual с энкодером mmBERT-base и объединяет компоненты этих моделей. Предназначена для классификации запросов с контекстом и кандидатами: выбора варианта, оценки истинности утверждения и выставления балла по упорядоченной шкале. Возвращает вероятности кандидатов и рекомендацию действовать или передать решение на эскалацию. Поддерживает многоязычный ввод; доступны веса Safetensors и GGUF F16/Q8_0, а для Apple Silicon — backend MLX. Лицензия Apache-2.0. Модель подходит для маршрутизации рабочих процессов, оценки утверждений и структурированной поддержки решений. В диагностической оценке точность составила 58,75% на типизированных задачах выбора и 34,40% на невиданных сценариях рабочего процесса; эти результаты относятся к указанным наборам и настройкам. Есть ошибки в оценке относительной пригодности вариантов, чувствительность к порядку фактов и расхождения между форматами вопросов. Требуется проверка на целевой области; высокорисковые решения должны проходить независимую проверку и рассмотрение человеком. GGUF сейчас не поддерживается llama.cpp и Ollama.

odunola/yoruba-embedding-model — модель эмбеддингов на основе BGE-base, разработанная для семантической работы с текстами на языке йоруба. Согласно карточке, её обучали для многоязычных семантических представлений с использованием дистилляции знаний по подходу Making Monolingual Sentence Embeddings Multilingual. Модель содержит 136,7 млн параметров, использует архитектуру BERT и библиотеку Sentence Transformers; максимальная длина контекста — 512 токенов. Она преобразует предложения в векторы, подходящие для сравнения семантической близости и поиска похожих текстов. Доступны веса в формате safetensors. Модель предназначена прежде всего для текстов на йоруба. В README не указаны сведения о лицензии, поэтому условия использования следует уточнить на странице репозитория.

OFA-Sys разработала базовую версию Chinese CLIP — мультимодальную модель сопоставления изображений и текста. В ней используется ViT-B/16 как визуальный энкодер и RoBERTa-wwm-base как текстовый энкодер; модель обучена на наборе примерно из 200 миллионов китайских пар «изображение — текст». Репозиторий содержит веса PyTorch. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения: пользователь задаёт варианты классов текстом, а модель оценивает их соответствие изображению. Она также формирует эмбеддинги изображений и текста и оценивает сходство между ними, что подходит для поиска и сопоставления изображений с китайскими текстами. Карточка приводит результаты на задачах поиска по MUGE, Flickr30K-CN и COCO-CN, а также на zero-shot классификации. Модель ориентирована на китайский язык; сведения о лицензии в предоставленных данных отсутствуют.

Это модель сопоставления изображений и текста семейства CLIP, разработанная LAION и обученная Россом Уайтманом с помощью OpenCLIP. Визуальная часть основана на ConvNeXt-Large с MLP-головой, текстовая часть имеет 16 слоёв и размерность эмбеддингов 768. Обучение проводилось на английской части LAION-2B; модель принимает изображения и текстовые описания и предназначена прежде всего для классификации изображений без дообучения по заданным текстовым классам. Модель также подходит для поиска изображений по тексту и текста по изображению, а её представления можно использовать для последующего дообучения классификаторов и в задачах генерации изображений. При разрешении обучения 256×256 она показала 75,9% top-1 точности в zero-shot классификации ImageNet. Поддержка языков, кроме английского, не подтверждена; качество зависит от набора текстовых классов и предметной области. Автор карточки рекомендует ограничить применение исследованиями и не использовать модель в развёрнутых сценариях без тщательной проверки на конкретной фиксированной таксономии. Распознавание лиц и наблюдение отнесены к недопустимым сценариям. Лицензия — MIT.

Это мультимодальная CLIP-модель LAION с визуальным энкодером ViT-B/32, обученная с помощью OpenCLIP на 1,4 миллиарда примеров набора DataComp-1B. Она сопоставляет изображения и текст, чтобы классифицировать изображения по текстовым описаниям без дополнительного обучения, а также поддерживает поиск изображений по тексту и поиск текстов по изображениям. Модель подходит для исследовательских экспериментов с классификацией и retrieval; её можно дообучать для задач классификации, использовать для линейного пробника и как условие для генерации изображений. В оценке на наборе из 38 датасетов модель показала точность top-1 72,7% на ImageNet-1k при классификации без обучения. Результаты могут зависеть от выбранной таксономии классов и предметной области, поэтому для конкретной задачи требуется отдельная проверка. README не рекомендует развёртывание модели, в том числе коммерческое, без тщательного тестирования; распознавание лиц и наблюдение прямо отнесены к недопустимым сценариям. Модель опубликована под лицензией MIT.

Clothes_Pattern_Classification_v2 — модель IrshadG для классификации узоров и фактур на одежде по изображению. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров; модель доступна в формате safetensors и распространяется по лицензии MIT. Модель относит одежду к одному из классов: например, однотонная ткань, полоска, клетка, горошек, деним, кружево, вышивка, блестящая поверхность или принт. Она предназначена для распознавания типа узора на фотографии одежды; README отмечает, что результаты лучше после кадрирования изображения вокруг предмета. Поддерживается задача image-classification; основной язык метаданных — английский, но вход модели — изображение, поэтому язык не определяет её работу.

facebook/dinov2-with-registers-small — небольшая модель Vision Transformer (ViT), опубликованная командой DINOv2 и представленная в работе «Vision Transformers Need Registers» Дарсе и соавторов. Это предварительно обученный визуальный энкодер без настроенных под конкретные задачи выходных голов; в репозитории используются веса Safetensors, библиотека Transformers, размер модели — 28,3 млн параметров. Модель предназначена для извлечения признаков и эмбеддингов изображений, которые можно использовать в последующих задачах компьютерного зрения. Например, поверх представления токена [CLS] можно обучить линейный классификатор для размеченного набора изображений. Добавленные при обучении register-токены помогают уменьшить артефакты на картах внимания и делают их более интерпретируемыми. Модель принимает изображения и выдаёт их векторные представления. В карточке не заявлена поддержка текстового ввода или других модальностей. Модель распространяется по лицензии Apache-2.0. Для решения прикладных задач вроде классификации потребуется обучить соответствующую голову или выбрать дообученную версию; сама модель таких голов не содержит.

naver/efficient-splade-V-large-query — асимметричный разреженный энкодер SPLADE от Naver, предназначенный для кодирования поисковых запросов при поиске по коллекции документов. Модель преобразует текстовые запросы в разреженные векторы размерности 30 522; релевантность оценивается скалярным произведением. Для поиска требуется парная документная модель naver/efficient-splade-V-large-doc. Модель построена на DistilBERT и рассчитана на последовательности длиной до 512 токенов; для воспроизведения оценки в README указана длина 256 токенов. Она ориентирована на семантический поиск и разреженное извлечение фрагментов, а карточка приводит результаты на MS MARCO. Доступны веса PyTorch и safetensors; для запуска подходит Sentence Transformers. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

Eklav-7B-Reranker-CotGen — экспериментальная модель Adarsh Singh, дообученная на базе Qwen/Qwen2.5-7B. Это baseline для метода CotGen: во время обучения модель продолжает частичную цепочку рассуждений учителя и самостоятельно формирует ответ; в данном чекпойнте используется стандартное обучение на полных цепочках рассуждений. Модель предназначена для попарного ранжирования passage по релевантности, в частности в задачах, представленных наборами BRIGHT и NevIR. Модель имеет плотную архитектуру Qwen2ForCausalLM, 7,1 млрд параметров и контекст до 131 072 токенов. При ранжировании она генерирует цепочку рассуждений, завершающуюся меткой true или false; релевантность рекомендуется оценивать по логитам финального токена, а не по разобранному тексту генерации. Для инференса автор рекомендует vLLM с условием остановки по строке: при генерации через Transformers с фиксированным лимитом токенов модель иногда продолжает длинный текст, повторяется и не завершает ответ. Лицензия в предоставленных данных не указана.

EMO355 — модель эмбеддингов на базе RoBERTa, разработанная procesaur и дообученная на Jerteh-355. Она предназначена для получения векторных представлений текста, в том числе для оценки сходства предложений и работы с эмоциями и эмоционально-выразительными оттенками на сербском языке. Модель содержит 453 млн параметров, принимает текст и рассчитана на контекст до 514 токенов; для загрузки и использования применяется библиотека sentence-transformers. Модель подходит для сравнения сербских предложений по смыслу и эмоциональной окраске, а также для поиска текстов со сходными эмоциональными характеристиками. Репозиторий распространяется под лицензией Apache-2.0. В предоставленном фрагменте карточки нет количественных оценок качества, поэтому пригодность для конкретного приложения следует проверять на его данных.

chs20/FARE4-ViT-B-32-laion2B-s34B-b79K — CLIP-модель с архитектурой ViT-B/32, дообученная методом FARE для повышения устойчивости к состязательным возмущениям. Базовая модель — laion/CLIP-ViT-B-32-laion2B-s34B-b79K; дообучение проводилось на ImageNet с ограничением L∞ и радиусом 4/255. Модель предназначена для сравнения изображений по перцептивному сходству и классификации изображений по текстовым описаниям без дополнительного обучения. В README приведены результаты на задаче перцептивного сходства NIGHTS: 91,1 на чистых данных, 71,8 при возмущениях L∞ с ε=4/255 и 70,6 при L2 с ε=3. Репозиторий использует библиотеку open_clip и содержит веса PyTorch и safetensors. Лицензия — MIT. Модель обрабатывает изображения и текстовые метки, формируя оценки соответствия; документация не сообщает о поддержке конкретных естественных языков.

Модель timm/gemma4_vit_167m.gemma4_e4b_it — визуальный энкодер признаков, выделенный из мультимодальной модели Google Gemma 4 E4B-it и адаптированный для работы с библиотекой timm. Она преобразует изображения в признаки и эмбеддинги; поверх токенов изображения добавлены усреднение и RmsNorm, что упрощает дообучение линейной классификационной головы. Архитектура — пользовательская Vision Transformer с 2D RoPE, gated MLP с GELU-tanh и RMS-нормализацией; размер модели — 167,4 млн параметров, заявленный размер изображения — 768 × 768. Энкодер подходит для извлечения признаков, построения эмбеддингов и классификации изображений после дообучения головы. Он принимает изображения с пикселями в диапазоне [0, 1], поддерживает переменное разрешение в стиле NaFlex, а также фиксированный квадратный вход. Веса импортированы из vision tower Gemma 4 E4B-it; README сообщает о побитовом совпадении выходов с реализацией Gemma4VisionModel в Transformers при одинаковых входах. Лицензия — Apache 2.0.

hotchpotch разработала японский ранжировщик CrossEncoder для переоценки релевантности пар текста, например запросов и найденных документов. Модель построена на XLM-RoBERTa и имеет 6 слоёв со скрытым размером 384; в метаданных указано 110,2 млн параметров и контекст до 514 токенов. Она распространяется в формате safetensors и работает с библиотекой Sentence Transformers. Модель предназначена для повторного ранжирования результатов поиска и оценки соответствия текста запросу на японском языке. В README приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD, а среди обучающих данных каталог указывает JQaRA, JGLUE, MIRACL, Mr.TyDi и mMARCO. Лицензия — MIT. Показатели качества относятся к указанным наборам оценки и сами по себе не гарантируют результат на других данных.

hotchpotch/japanese-reranker-tiny-v2 — небольшая японская модель для повторного ранжирования текстов, разработанная hotchpotch. Она оценивает релевантность пар запроса и документа, чтобы упорядочивать результаты поиска или кандидаты, полученные на первом этапе поиска. Модель предназначена для японских сценариев, включая улучшение поиска и RAG-систем, где важны низкая задержка и работа на ограниченных вычислительных ресурсах. Модель дообучена на основе cl-nagoya/ruri-v3-pt-30m и использует плотную архитектуру ModernBERT с 3 слоями и размером скрытого состояния 256; содержит 29,4 млн параметров и принимает последовательности длиной до 8192 токенов. В README приведены оценки на японских наборах JQaRA, JaCWIR, MIRACL и JSQuAD, а также замеры скорости для GPU, Apple Silicon и CPU; производительность зависит от оборудования и конфигурации. Доступны форматы Safetensors и ONNX, для использования описаны Transformers и Sentence Transformers. Лицензия — MIT.

MobileCLIP2-S0-OpenCLIP — адаптированная версия чекпойнта MobileCLIP2-S0 от Apple, представленная в формате и конфигурациях OpenCLIP. Это компактная мультимодальная модель семейства CLIP, состоящая из визуального и текстового энкодеров и предназначенная для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на этих метках. Модель подходит для мобильных и других сценариев с ограниченными ресурсами. В README указано, что MobileCLIP-S0 достигает качества zero-shot, сопоставимого с OpenAI ViT-B/16, при меньшем размере и более высокой скорости. Для MobileCLIP2-S0 приведены 11,4 млн параметров у визуальной части и 42,4 млн у текстовой; на ImageNet указана точность zero-shot top-1 71,5%. Репозиторий использует OpenCLIP, а веса доступны в форматах PyTorch и safetensors. Модель принимает изображения и текстовые описания для вычисления их соответствия; основной сценарий — zero-shot классификация изображений с текстовыми метками. В карточке не указаны поддерживаемые языки, поэтому языковые возможности сверх наличия текстового энкодера не уточняются. Лицензия — Apple AMLR.

MobileViT-v2 0.75 — модель классификации изображений и компактная визуальная основа, обученная авторами статьи на ImageNet-1k. Она содержит около 2,9 млн параметров и требует изображения размером 256 × 256 пикселей; архитектура сочетает мобильные сверточные блоки с механизмом self-attention, описанным в статье «Separable Self-attention for Mobile Vision Transformers». Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов, в том числе в сценариях с ограниченными вычислительными ресурсами. Репозиторий распространяет веса в форматах PyTorch и safetensors. Лицензия обозначена как other; конкретные условия следует уточнить по лицензии репозитория.

monoELECTRA — англоязычный cross-encoder-реранкер, разработанный Castorini на базе google/electra-base-discriminator. Модель обучена на passages из MS MARCO в течение 300 тысяч шагов с размером батча 16; при обучении использовались сложные негативные примеры от сильных поисковых систем и функция потерь Localized Contrastive Estimation с группами до 31 негатива на один положительный пример. Модель оценивает релевантность пары «запрос — фрагмент текста» и предназначена для повторного ранжирования результатов первичного поиска. В карточке указано, что такой подход превосходит стандартный monoBERT и базовые варианты с hinge- и cross-entropy-функциями потерь, особенно при ранжировании верхних результатов, содержащих близкие по смыслу passages. Число параметров — 136,7 млн, контекст — до 512 токенов; формат весов — PyTorch. Модель подходит для англоязычного поиска и ранжирования текстовых passages. Лицензия в предоставленных данных не указана.

MyAwesomeModel-TestRepo — репозиторий с моделью на основе BERT, опубликованный пользователем Hongxuan111. По метаданным Hugging Face, модель использует Transformers и PyTorch и предназначена для извлечения признаков из входного текста; лицензия — MIT. Извлечённые признаки можно использовать как векторные представления текста в последующих задачах машинного обучения. В доступных метаданных не указаны размер модели, языки и длина контекста. Поиск обнаружил лишь вторичное описание репозитория как тестового и не подтвердил его назначение независимой карточкой разработчика.

NaFlexCLAP mediumd pf4 pt20 moderntextp — чекпойнт аудиотекстовой модели CLAP из семейства NaFlexCLAP; в карточке приведены результаты сравнительных тестов, но разработчик модели явно не назван. Модель содержит около 139,7 млн параметров. Аудиобашня имеет ширину 512, 20 слоёв и 8 голов внимания, использует gated attention; карточка описывает также текстовую башню, но не сообщает модальности через конкретный формат входа или выходов.

ResNet101.tv2_in1k — модель классификации изображений семейства ResNet-B, опубликованная командой timm. Она обучена на ImageNet-1k в torchvision с рецептами обучения версии 2; архитектура использует активации ReLU, свёртку 7×7 с пулингом и проекции 1×1 для нисходящих shortcut-соединений. Модель содержит 44,5 млн параметров и требует изображение размером 224×224 пикселя на этапе тестирования. Модель предназначена для классификации изображений по классам ImageNet, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и SafeTensors, а лицензия — BSD 3-Clause. Карточка не приводит оценки качества именно этой модели, поэтому сравнивать её точность по представленным данным нельзя.