I.12Рекомендации и персонализация

Модель facebook/spar-marco-bm25-lexmodel-query-encoder — BERT-base по размеру, разработанная Meta AI как кодировщик запросов для лексической модели SPAR BM25 Λ. Она обучена на корпусе MS MARCO имитировать поведение BM25 и выдаёт плотные представления запросов для поиска документов. Кодировщик предназначен для совместного использования с соответствующим кодировщиком контекста; также его можно сочетать с плотным семантическим ретривером, например DPR или Contriever, чтобы объединить лексическое и семантическое соответствие в поиске и системах открытого вопросно-ответного поиска. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. В метаданных указаны PyTorch и задача feature-extraction. Карточка не сообщает лицензию, поэтому условия использования здесь уточнить нельзя.

mahiyama разработала японскую модель SPLADE для разреженного поиска, дообучив ModernBERT-Ja-310M на парах запросов и документов из набора mahiyama/auto-wiki-qa. Модель преобразует текст в разреженный вектор размерности 102 400: веса отражают исходные термины и связанные слова, что помогает находить документы даже при неполном совпадении формулировок. В основе — ModernBERT с MLM-головой и max-pooling SPLADE; модель содержит около 314,6 млн параметров и поддерживает контекст до 8192 токенов. Энкодер предназначен для японского поиска по текстам, в том числе по материалам Википедии и производным корпусам. Один и тот же энкодер используется для запросов и документов; для ранжирования рекомендуется скалярное произведение разреженных векторов. Веса доступны в формате safetensors, модель можно загрузить через SparseEncoder без дополнительных модулей. Подавление шумовых токенов встроено в веса, а разреженные представления подходят для инвертированных индексов и гибридного поиска с BM25 или плотными эмбеддингами. Модель особенно ориентирована на японский язык и обучена на корпусе с тематическим смещением в сторону Википедии, поэтому её расширение терминов может отражать особенности этого корпуса. Лицензия — MIT.

rasyosef/splade-tiny — компактная модель разреженного поиска, разработанная на основе BERT-Tiny и дообученная дистилляцией Cross-Encoder ms-marco-MiniLM-L6-v2 на данных MS MARCO. Она кодирует запросы и документы в разреженные векторы размерности 30 522, которые можно сравнивать скалярным произведением, и предназначена для поиска релевантных документов по текстовому запросу и построения поисковых систем для небольших коллекций. Модель содержит 4,4 млн параметров, принимает последовательности длиной до 512 токенов и использует архитектуру BERT с библиотекой Sentence Transformers. В описанной оценке на MS MARCO она достигла MRR@10 30,9 против 18,0 у BM25; автор также сообщает, что модель работает на CPU с коллекцией в несколько тысяч документов. Обучающие данные и метрики ориентированы на англоязычный поиск. Модель распространяется по лицензии MIT. Её оценка приведена для MS MARCO, поэтому качество на других языках, предметных областях и типах коллекций может отличаться; для больших корпусов стоимость индексации и поиска следует оценивать отдельно.

Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese-i1-GGUF — квантизированная версия модели Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese, разработанной IDEA-CCNL и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для задач сопоставления изображений и текста и извлечения мультимодальных признаков, включая поиск по изображениям и текстовым описаниям, классификацию по текстовым подсказкам и вычисление сходства между модальностями. По названию и описанию это CLIP-модель с текстовым энкодером на базе RoBERTa и визуальным энкодером ViT-L; заявленный размер текстовой части составляет около 102 миллионов параметров. Основная языковая специализация — китайский язык, однако в метаданных README указан язык en. Размер контекста, точные параметры визуального энкодера, поддерживаемые языки и результаты оценки качества не приведены. Преимущество модели — компактное GGUF-представление с большим выбором уровней квантизации, что позволяет выбирать компромисс между размером, скоростью и качеством, включая рекомендуемые варианты Q4_K_M и Q4_K_S. Ограничения связаны с потерями качества при низкобитной квантизации; некоторые варианты в README прямо отмечены как низкокачественные. Лицензия — Apache-2.0.

URM-LLaMa-3.1-8B — дообученная модель оценки ответов (reward model) на базе Skywork-Reward-Llama-3.1-8B, разработчик — LxzGordon. Модель оценивает ответы по пяти атрибутам: полезность, корректность, связность, сложность и многословность. Её можно применять для сравнения вариантов ответа, ранжирования ответов и отбора примеров для выравнивания языковых моделей. Архитектура основана на плотной LLaMA; модель содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. К базовой модели добавлена учитывающая неопределённость голова оценки атрибутов, а обученный gating-слой объединяет оценки в итоговую награду. Обучение проводилось в два этапа на HelpSteer2 и Skywork-Reward-Preference-80K-v0.1. Репозиторий содержит веса в формате safetensors. Модель предназначена для оценки текстовых ответов, а не для генерации пользовательских ответов. Карточка не приводит сведения о лицензии и языковом охвате, поэтому их нельзя определить по доступным данным.

vit_large_patch14_reg1_tipsv2.webli — визуальный энкодер на основе Vision Transformer, опубликованный в библиотеке timm. Модель извлекает признаки изображений и предназначена для получения эмбеддингов и карт признаков, а также использования в задачах классификации. Она содержит 304 млн параметров, обрабатывает изображения размером 448 × 448 и использует register-токен. Модель дистиллирована из учителя ViT-g/14 TIPSv2 с помощью выравнивания признаков патчей на отфильтрованной подвыборке WebLI из 116 млн изображений. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Энкодер принимает изображения и выдаёт векторные признаки. Описанные материалы не указывают дополнительные языковые или мультимодальные возможности.

timm/vit_small_plus_patch16_dinov3_qkvb.lvd1689m — визуальный энкодер семейства DINOv3 на архитектуре ViT, распространяемый разработчиками PyTorch Image Models (timm). Модель ViT-S+/16 содержит 28,7 млн параметров и обрабатывает изображения размером 256 × 256 пикселей. Её дистиллировали на датасете LVD-1689M из DINOv3 ViT-7B. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также может служить визуальным представлением для задач классификации и плотного анализа изображений. В варианте qkvb смещения QKV-проекций включены, но их значения равны нулю. Реализация timm использует float32 для периодов RoPE, тогда как исходные веса хранят их в bfloat16; из-за этого возможны небольшие численные расхождения с оригиналом. Лицензия указана как DINOv3 в карточке модели, а метаданные Hugging Face обозначают её как other. Языковая поддержка не относится к основной функции модели: на вход она принимает изображения, на выходе формирует признаки и эмбеддинги.

X-CLIP — видеоязыковая модель семейства CLIP, разработанная Microsoft и представленная в работе Ni et al. Это базовая версия с патчами 16×16, обученная в few-shot режиме с двумя примерами на класс на наборе UCF101. Модель сопоставляет видео и текст с помощью контрастивного обучения и принимает видеокадры вместе с текстовым описанием.

Albertina 100M PTBR — энкодер для бразильского варианта португальского языка, разработанный совместной командой Университета Лиссабона и Университета Порту. Это модель семейства BERT на архитектуре DeBERTa с 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно на 100 млн параметров с 12 слоями и размером скрытого состояния 768. Модель принимает текст и предсказывает пропущенные в нём токены, а также может служить основой для задач понимания португальского языка. Модель обучали на 3,7 млрд токенов отфильтрованных веб-документов OSCAR с отбором доменов Бразилии. В карточке приведены результаты оценки на португальской версии набора PLUE для сходства предложений, распознавания следования и кореференции. Контекст составляет до 512 токенов, формат распространения — PyTorch и Safetensors. Модель доступна по лицензии MIT. Результаты карточки относятся к отдельным downstream-тестам и не гарантируют качество на других данных и задачах.

CaiT-XXS36-384.fb_dist_in1k — модель семейства Class-Attention in Image Transformers для классификации изображений и извлечения визуальных признаков. Она представлена в библиотеке timm; веса предварительно обучены авторами статьи на ImageNet-1k с дистилляцией. Модель содержит 17,4 млн параметров, имеет вычислительную сложность 14,4 GMACs и рассчитана на изображения размером 384 × 384 пикселя. Её можно использовать для классификации изображений и получения эмбеддингов как визуального бэкбона. Модель принимает изображения и выдаёт классовые предсказания либо признаки. В карточке указана лицензия Apache-2.0. Данные о точности и поддержке изображений других размеров не приведены.

Это модель CLIP ViT-B/16, разработанная LAION с использованием OpenCLIP и обученная на наборе DataComp-1B из 1,4 млрд примеров. Она сопоставляет изображения и текст, чтобы классифицировать изображения по текстовым описаниям без дообучения; также подходит для поиска изображений по запросу и поиска текста по изображению. Модель можно применять в экспериментах с классификацией и извлечением признаков, а также для дообучения задач компьютерного зрения. Модель принимает изображения и текст и выдаёт оценки соответствия между ними. В README сообщается о точности zero-shot классификации 73,5% на ImageNet-1k. Обучающие данные собраны из общедоступного интернета и не прошли полную модерацию, поэтому возможны смещения и нежелательные ассоциации. README не рекомендует развёртывание модели и указывает на необходимость тщательного тестирования для фиксированной таксономии классов; распознавание лиц и наблюдение отнесены к недопустимым сценариям. Лицензия — MIT.

Карточка модели HERONITAMD/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Карточка модели pansonga/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

CompassJudger-2-32B-Instruct — языковая модель для оценки и ранжирования текстовых ответов, связанная с проектом OpenCompass. Базовая модель opencompass/CompassJudger-2-32B-Instruct имеет размер 32 млрд параметров и предназначена для задач judge-модели, оценки качества, reward modeling и text ranking. В данном репозитории опубликованы её квантизированные версии в формате GGUF, подготовленные mradermacher с использованием weighted/imatrix quantization. Модель ориентирована на автоматизированную оценку результатов генерации и сравнительный анализ текстовых ответов. Указан английский язык; сведения о поддерживаемых дополнительных языках, максимальном контексте и точной архитектуре отсутствуют. Доступны варианты квантизации размером примерно от 7,4 до 27 ГБ: более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству, тогда как Q4_K_M рекомендован как быстрый вариант с хорошим балансом размера, скорости и качества. Модель распространяется по лицензии Apache-2.0.

kittn/eupe_vits16 — конверсия EUPE ViT-S/16 в формат Hugging Face Transformers на базе DINOv3, опубликованная пользователем kittn. Модель предназначена для извлечения признаков изображений; её можно использовать как визуальный энкодер для получения представлений изображения и патчей через last_hidden_state. Архитектура — ViT-S/16 с 28,3 млн параметров, 12 слоями, скрытым размером 384, шестью головами внимания, четырьмя register-токенами и размером патча 16. Репозиторий содержит веса safetensors. Для минимального расхождения с исходным путём инференса README рекомендует запуск на CUDA с bf16 autocast. Реализация RoPE в стандартном Hugging Face DINOv3 согласована сама с собой, но без дополнительной правки не совпадает побитно с эталонной реализацией EUPE/DINOv3. Лицензия указана как other, поэтому конкретные права использования по имеющимся сведениям определить нельзя. Модель принимает изображения и выдаёт признаки-векторы; естественные языки для неё не применимы.

GC-ResNeXt50ts.ch_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная на ImageNet-1k в библиотеке timm. Она основана на ResNeXt с механизмом Global Context attention, трёхслойным стемом и активациями SiLU; архитектура реализована через BYOBNet. Модель содержит 15,7 млн параметров и требует изображения размером 288 × 288 для тестирования (при обучении использовался размер 256 × 256). Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка описывает её как исходную модель timm, а не как дообучение другой модели.

NeuML/glove-6B-quantized — квантованный экспорт английских векторов слов GloVe-6B размерности 300 для библиотеки staticvectors. Модель использует 10×256 Product Quantization и рассчитана на быстрый запуск инференса в Python с NumPy; по отдельным словам возвращает статические эмбеддинги. Модель подходит для вычисления семантического сходства предложений и построения признаков для задач NLP. Это квантованное представление базовой модели NeuML/glove-6B, распространяемое в формате safetensors по лицензии PDDL. Оно поддерживает английский язык; ограничение статических векторов — одно и то же представление слова используется независимо от его контекста.

Llama-3.1-Tulu-3-8B-SFT-RM-RB2 — англоязычная модель оценки предпочтений, разработанная Allen Institute for AI и выпущенная в составе набора из семи reward-моделей для бенчмарка RewardBench 2. Это плотная модель-классификатор на архитектуре Llama с 7,5 млрд параметров, дообученная на бинарных данных о предпочтениях на базе allenai/Llama-3.1-Tulu-3-8B-SFT. Она принимает текст и оценивает его для задач сравнения или ранжирования ответов.

timm/maxvit_large_tf_384.in21k_ft_in1k — модель классификации изображений на основе архитектуры MaxViT, перенесённая из официальной реализации TensorFlow в PyTorch Россом Уайтманом. Исходные авторы MaxViT предварительно обучили её на ImageNet-21k, а затем дообучили на ImageNet-1k. Модель содержит около 212 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. MaxViT сочетает свёрточные блоки MBConv с двумя видами блоков внимания: оконным и сеточным. Модель предназначена для определения категорий на изображениях; также её можно использовать как основу для извлечения признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors, библиотека для работы — timm. Лицензия — Apache-2.0.

Nathanael-Embedding-50M — компактная vision-language-модель без отдельного визуального энкодера, построенная на базе SupraLabs/Supra-1.5-50M-Base-exp. Согласно карточке, модель дистиллирована с использованием эмбеддингов SigLIP-2 и отображает визуальные токены в скрытое представление языковой модели. Она принимает текстовые токены и изображения размером 224×224; доступны веса SafeTensors и оптимизированные варианты ONNX в FP32 и FP16 для CPU, WASM и ускорения через WebGPU/WebGL. Модель предназначена для извлечения признаков из текстово-визуальных входов, в том числе в браузере или терминале. Карточка не уточняет длину контекста и конкретные сценарии работы с изображениями. Лицензия — MIT.

openMaMMUT ViT-L/14 — модель семейства MaMMUT, опубликованная LAION и обученная Jenia Jitsev на DataComp-1.4B. Это визуально-языковая модель с архитектурой ViT-L/14 и разрешением изображений 224 пикселя; обучение проводилось на 12,8 млрд примеров. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и подписей к ним, а также генерации описаний изображений. Для ImageNet-1k заявлена точность zero-shot top-1 80,34%; для поиска на MS-COCO — Recall@5 71,19% по изображениям и 85,88% по тексту. Модель принимает изображения и текстовые запросы, а выдаёт оценки соответствия и текстовые описания. В карточке указана поддержка английского языка; применение для других языков не оценивалось. Доступны веса PyTorch и Safetensors для Transformers; для OpenCLIP требуется специальная ветка с поддержкой MaMMUT. Авторы позиционируют модель как исследовательский артефакт и не рекомендуют развёртывание в конечных продуктах без тщательной проверки на конкретной задаче. Применение для наблюдения и распознавания лиц исключено из области использования. Лицензия — Apache-2.0.

passage-ranker-v1-L-en — англоязычная модель ранжирования пассажей, разработанная Sinequa. Она оценивает релевантность пары «поисковый запрос — фрагмент текста», чтобы упорядочивать результаты поиска. Модель построена на базе English BERT-Base и обучена по процедуре MonoBERT; она нечувствительна к регистру и диакритическим знакам. В README указано 109 млн параметров, тогда как метаданные Hugging Face приводят 136,7 млн. Максимальная длина контекста — 512 токенов. На BEIR по 14 англоязычным наборам данных средний NDCG@10 составляет 0,466. README приводит время вывода и требования к видеопамяти для нескольких режимов FP16 и FP32, а также минимальную версию Sinequa 11.10.0 и требования к CUDA. Модель подходит для переупорядочивания результатов поиска и оценки релевантности документов по запросу. Она обучена и проверена на английском языке, поэтому её применение для других языков не подтверждено. Лицензия в предоставленных материалах не указана.

qwen3_vit_416m_merge.qwen3_vl_30b_a3b — визуальный энкодер на основе vision-весов Qwen3-VL-30B-A3B-Instruct, преобразованных в формат timm. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также может служить визуальным backbone для последующего обучения классификатора. Она не содержит языковой модели и готовой обученной классификационной головы. Энкодер включает пространственный merger и проекцию до ширины 2048, затем усреднение признаков и LayerNorm без аффинных параметров. В README указаны 445,7 млн параметров и базовый размер изображения 768 × 768. Поддерживаются прямоугольные изображения; размеры сторон должны делиться на 16, а варианты с merger 2 × 2 требуют делимости на 32. Для классификации на целевом наборе данных необходимо обучить новую линейную голову. Репозиторий содержит safetensors, использует библиотеку timm и распространяется по лицензии Apache 2.0.

Это извлечённый из Qwen3-VL-8B-Instruct визуальный энкодер, адаптированный для библиотеки timm; модель предназначена для получения признаковых представлений изображений. Веса исходной визуальной части перенесены в формат timm без дополнительного обучения; языковые веса и обученная голова классификации не включены. Энкодер сохраняет пространственный merger и проекцию шириной 4096, затем выполняет усреднённое pooling и LayerNorm без аффинных параметров. Ширина backbone — 1152, размер модели — около 455 млн параметров, стандартный размер изображения — 768×768. Реализация принимает RGB-изображения, поддерживает прямоугольные размеры с ограничениями на кратность сторон 16 или 32 в зависимости от варианта; промежуточные карты признаков доступны отдельно. Модель подходит для извлечения эмбеддингов и признаков изображений, а также как визуальный backbone для последующего обучения классификатора на целевом наборе данных. Новая классификационная голова и языковая модель не входят в checkpoint. Лицензия — Apache-2.0.

Это модель извлечения признаков изображений на основе визуального энкодера Qwen3-VL-235B-A22B-Instruct, преобразованного в формат timm. Она предназначена для получения пространственных признаков и эмбеддингов изображений, а также для использования в качестве визуального backbone при последующем обучении классификатора. Энкодер содержит около 415 млн параметров, имеет ширину 1152 и рассчитан на изображения 768 × 768. Архитектура использует MLP с GELU-tanh, обучаемые абсолютные позиции и осевое двумерное RoPE; поддерживаются прямоугольные изображения при соблюдении требований к кратности размеров. Модель принимает изображения, а выдаёт признаки и эмбеддинги; языковые веса и обученная голова классификации в репозитории отсутствуют. По README, веса визуального энкодера перенесены из Qwen3-VL без дополнительного обучения, а temporal Conv3d преобразован для обработки одиночных изображений. Для классификации нужно обучить новую линейную голову на целевом наборе данных. Лицензия — Apache 2.0.

ResNet18.a2_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная командой timm. Это ResNet с активациями ReLU, начальной свёрткой 7×7 и пулингом, а также shortcut-свёртками 1×1 для изменения размерности. Модель содержит 11,7 млн параметров и обучена на ImageNet-1k по рецепту ResNet Strikes Back A2 с оптимизатором LAMB, функцией потерь BCE и косинусным расписанием скорости обучения с разогревом. Модель предназначена для классификации изображений на набор классов ImageNet-1k, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Размер изображения при обучении — 224×224, при тестировании — 288×288. Доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель рассчитана на изображения общего назначения; её классификация ограничена классами, на которых она обучена, и качество может снижаться на данных, отличающихся от ImageNet-1k.

hotchpotch/ruri-pt-base-retromae — модель cl-nagoya, полученная дополнительным предобучением cl-nagoya/ruri-pt-base методом RetroMAE. Это японская BERT-модель с 12-слойным энкодером, предназначенная для формирования семантически содержательных представлений предложений и последующего поиска. Число параметров — 138,4 млн, максимальный контекст — 512 токенов. Модель обучалась на японских параграфах Википедии и книг, данных вопросов и ответов и примерах JSNLI. В оценке на японских поисковых задачах RetroMAE-варианты в большинстве случаев превзошли исходные модели; лучший вариант на базе ruri-pt-base показал примерно на 2% более высокий средний результат, чем bert-base-japanese-v3. В каталоге указана задача fill-mask; для поиска модель используют как основу для получения представлений текста и обучения или построения поисковых систем. Лицензия — MIT. Модель рассчитана на японский язык и текстовый ввод; сама по себе карточка не описывает готовый поисковый сервис или отдельный прикладной реранкер.

Taiyi-CLIP-Roberta-large-326M-Chinese — китайская модель семейства Taiyi-CLIP, разработанная командой Fengshenbang. Это текстовый энкодер RoBERTa-large в модели CLIP, обученной сопоставлять изображения и китайские описания. Для визуальной части используется ViT-L-14; при предварительном обучении визуальный энкодер замораживали, а текстовый дообучали на 123 млн пар изображение–текст из наборов Noah-Wukong и Zero. В README указано 326 млн параметров для модели, тогда как метаданные репозитория сообщают 424,3 млн параметров. Модель предназначена для извлечения совместимых представлений изображений и текста, классификации изображений без дополнительного обучения и поиска изображений по китайскому текстовому запросу. В README приведены результаты zero-shot классификации ImageNet1k-CN и поиска текста по изображениям на Flickr30k-CNA, COCO-CN и Wukong50k. Метаданные указывают архитектуру BertForSequenceClassification, контекст до 512 токенов и pipeline feature-extraction; этот репозиторий представлен как текстовая часть мультимодальной системы CLIP. Лицензия — Apache-2.0.

tevatron-elastic-modernbert-reranker-depth — дообученный реранкер на базе answerdotai/ModernBERT-base, созданный с помощью Tevatron-Elastic. Один чекпойнт поддерживает несколько рабочих точек по глубине: можно выполнять ранний выход на разных слоях, выбирая баланс между стоимостью обработки и качеством ранжирования. Модель предназначена для повторного ранжирования найденных документов по релевантности запросу; обучение проводилось на rlhn/rlhn-680K с префиксами query: и passage:. В отчёте для полной конфигурации указано значение BEIR-15 nDCG@10 0,466. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает текст. Метаданные указывают контекст до 8192 токенов, а README описывает обучение с максимальной длиной 512 токенов. Для загрузки и выбора рабочей точки требуется фреймворк Tevatron-Elastic; веса опубликованы в формате safetensors. Чекпойнт представлен как ресурс для воспроизводимости исследования, а не как заявление о превосходстве над другими моделями. Лицензия — Apache-2.0.

tevatron-elastic-qwen3-0.6b-reranker-ltc — модель переранжирования документов, разработанная в рамках проекта Tevatron-Elastic на базе Qwen/Qwen3-0.6B-Base. Она оценивает релевантность passages для поискового запроса и помогает улучшить порядок результатов информационного поиска. Модель использует плотную архитектуру Qwen3 и содержит около 508 млн параметров. Это эластичный вариант с послойным сжатием токенов (M-LTC): один чекпойнт поддерживает несколько режимов с разной долей сохраняемых токенов, выбираемых через Tevatron-Elastic. Контекст модели — до 32 768 токенов, однако при обучении использовалась максимальная длина 512 и префиксы query: и passage:. Для оценки на BEIR-15 указано значение nDCG@10 0,552 в полном режиме. Чекпойнт предназначен для экспериментов и воспроизводимости результатов, а не заявлен как модель с передовым качеством. Для загрузки требуется фреймворк Tevatron-Elastic. Модель дообучена на rlhn/rlhn-680K и распространяется по лицензии Apache-2.0.