I.12Рекомендации и персонализация

VideoMAEv2-Base — базовая видеомодель OpenGVLab, предварительно обученная 800 эпох методом самообучения на наборе UnlabeledHybrid-1M. Модель относится к семейству VideoMAE-v2 и предназначена для извлечения признаков из видео и классификации видеоконтента. Модель принимает видео и выдаёт признаки, пригодные для последующей классификации. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает использование некоммерческими целями.

Это визуальный энкодер timm на архитектуре Vision Transformer Huge с патчами 16×16 из семейства DINOv3. Модель содержит около 840,5 млн параметров, принимает изображения размером 256×256 и извлекает визуальные признаки и эмбеддинги для последующих задач компьютерного зрения. Модель дистиллирована на наборе LVD-1689M из DINOv3 ViT-7B. Её можно использовать для извлечения карт признаков и эмбеддингов, а также как основу для классификации изображений, сегментации и анализа сцен. В README приведены результаты оценок моделей DINOv3, однако отдельные показатели именно этой конфигурации не приведены. README отмечает особенности реализации RoPE и отключённые смещения QKV; возможны небольшие численные расхождения с оригинальной реализацией. В метаданных указана лицензия `other`, а README называет лицензию DINOv3, поэтому перед использованием следует проверить её условия.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), обученная авторами исследований на ImageNet-21k и дообученная на ImageNet-1k с дополнительной аугментацией и регуляризацией. Модель перенесена из JAX в PyTorch Россом Уайтманом и доступна через библиотеку timm. Модель содержит около 22,9 млн параметров, рассчитана на изображения размером 384 × 384 пикселя и может использоваться как для классификации, так и как основа для извлечения признаков и получения эмбеддингов изображений. Основной сценарий — отнесение изображения к одному из классов ImageNet-1k. Модель принимает изображения и выдаёт метки классов либо векторные представления изображений. Она обучена на ImageNet, поэтому её применимость к узким предметным областям и изображениям, существенно отличающимся от обучающих данных, может быть ограничена. Лицензия репозитория — Apache-2.0.

Wald-Q4B v2.1 — открытая модель решений на 4 млрд параметров от org2ai, дообученная на базе Qwen/Qwen3.5-4B. Она принимает описание ситуации и типизированные варианты ответа и выдаёт калиброванные вероятности для каждого варианта; модель рассчитана на маршрутизацию агентов и инструментов, классификацию, проверку фактов, оценку соответствия правилам и выбор действий в веб-интерфейсах. Для неуверенных ответов режим Auto может выполнить дополнительный проход рассуждения до 512 токенов. Модель использует плотную архитектуру Qwen3.5 и предназначена для текстовых решений; базовая модель также поддерживает изображения и видео через неизменённую башню зрения, а README описывает работу с ними через Jev-совместимый сервер. В карточке приведены результаты собственных запусков на Decision Index, JevBench и задачах выбора элементов веб-страниц; это не результаты независимого лидерборда. Вероятность не гарантирует правильность, поэтому пороги следует настраивать на собственных данных. Для весов и кода указана лицензия Apache-2.0.

Albertina 900M Portuguese PT-BR No-brWaC — энкодер семейства BERT на архитектуре Transformer и DeBERTa V2, разработанный совместной командой Лиссабонского и Портуского университетов. Модель предназначена для бразильского варианта португальского языка и содержит около 1,1 млрд параметров, 24 слоя, размер скрытого состояния 1536 и контекст до 512 токенов. Модель обучена на 3,7 млрд токенов отобранных португалоязычных документов OSCAR, с фильтрацией по доменам Бразилии; версия No-brWaC не обучалась на корпусе brWaC. Основной сценарий применения по карточке и метаданным — заполнение пропусков в тексте. Авторы также оценивали её как основу для дообучения на задачах семантического сходства, распознавания следования и парафраза на португальском языке. Карточка сообщает о конкурентных результатах на бенчмарках для PT-BR, но для прикладных задач классификации и сходства может потребоваться дополнительное дообучение. Модель распространяется по лицензии MIT; метаданные Hugging Face указывают лицензию «other», поэтому перед использованием следует сверить условия с файлами репозитория.

Stffens разработала bge-small-rrf-lme-v1 — компактную модель эмбеддингов на базе BERT, дообученную на BAAI/bge-small-en-v1.5 для поиска по истории разговоров. Она преобразует запрос пользователя и фрагменты переписки в векторы, помогающие находить подходящие прошлые сессии и заметки для памяти чат-ассистентов, агентных систем и персональных RAG-сценариев. Модель содержит около 40 млн параметров по метаданным, создаёт 384-мерные эмбеддинги и имеет контекст до 512 токенов. Использует библиотеку Sentence Transformers и распространяется под лицензией MIT. На англоязычном LongMemEval-s модель показала улучшение поиска относительно исходной BGE-small: README сообщает NDCG@10 0,6878 на holdout из 102 запросов, а прирост Recall@3 и Recall@5 — статистически значимый в описанном тесте. Она предназначена именно для извлечения воспоминаний из разговоров и не является универсальным улучшением для поиска по произвольным корпусам. Модель обучена и проверена только для английского языка; перенос на другие языки и качество на других наборах оценки памяти не подтверждены. Для общих retrieval-задач README рекомендует другую модель семейства, а для повышения точности первого результата отмечает возможную пользу отдельного reranker.

CLIP-convnext_base_w-laion2B-s13B-b82K — модель семейства CLIP, обученная Россом Уайтманом с помощью OpenCLIP на английской выборке LAION-2B. Она объединяет визуальный энкодер ConvNeXt-Base с широким пространством эмбеддингов и текстовый энкодер CLIP глубиной 12 слоёв с размерностью эмбеддинга 640. Базовое разрешение изображений при обучении — 256×256 пикселей; обучение охватило около 13 млрд примеров. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно использовать в исследованиях, для поиска изображений в ограниченных коллекциях и как основу для дальнейшей настройки задач компьютерного зрения. В README для варианта указана точность ImageNet zero-shot top-1 70,8%. Модель обучалась на англоязычных данных и не предназначена для сценариев на других языках без отдельной проверки. Разработчики не рекомендуют развёртывание и применение в чувствительных сценариях; распознавание лиц и наблюдение указаны как недопустимые области использования. Обучающие данные LAION не проходили полной фильтрации и могут содержать нежелательный контент. Лицензия модели — MIT.

Italian CLIP — модель для сопоставления изображений и текстов на итальянском языке, разработанная командой проекта Contrastive Language-Image Pre-training for the Italian Language. Это двухэнкодерная архитектура VisionTextDualEncoder: текстовый энкодер основан на итальянской BERT от dbmdz, а визуальный — на Vision Transformer от OpenAI. Модель обучали на 1,4 млн примеров из WIT, MSCOCO-IT, Conceptual Captions и La Foto del Giorno; доступны веса PyTorch и Flax. Модель предназначена для получения признаковых представлений изображений и текстов, поиска изображений по итальянским подписям и классификации изображений без дополнительного обучения. В описанной оценке она превзошла multilingual CLIP на поиске по MSCOCO-IT и zero-shot классификации ImageNet с переведёнными метками. Результаты могут зависеть от перевода меток, а использование MSCOCO-IT при обучении могло дать преимущество в оценке поиска. Лицензия репозитория — GPL-3.0.

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.

Это модель CLIP ViT-L/14, разработанная LAION с использованием OpenCLIP и обученная на 1,4 млрд примеров набора DataComp-1B на кластере Stability AI. Она сопоставляет изображения и текстовые описания в общем пространстве представлений и предназначена прежде всего для классификации изображений без дообучения по произвольным текстовым меткам, а также для поиска изображений по тексту и текстов по изображению. Модель можно применять в исследованиях и как основу для дообучения классификаторов, линейных проб и систем генерации изображений. В оценке на 38 наборах данных модель показала точность top-1 79,2% на ImageNet-1k при классификации без дообучения. Модель принимает изображения и текстовые метки или запросы и выдаёт оценки соответствия; карточка не указывает языки текстового энкодера, поэтому не следует считать её специально ориентированной на русский язык. Авторы не рекомендуют развёртывание модели, в том числе коммерческое, и применение без тщательной проверки на конкретной задаче и фиксированном наборе классов. Использование для наблюдения и распознавания лиц исключено из допустимых сценариев. Модель выпущена по лицензии MIT.

Luyu/co-condenser-marco — модель семейства coCondenser, опубликованная Luyu Gao и соавторами для подготовки к плотному поиску по текстовым коллекциям. Это encoder на архитектуре BERT с примерно 136,7 млн параметров и контекстом до 512 токенов; модель обучена на коллекции MS MARCO. На странице Hugging Face она представлена как masked language model с задачей fill-mask, поэтому её можно использовать для предсказания замаскированных токенов. Для retrieval-сценариев это чекпойнт предварительного обучения, который можно дообучать или использовать как основу для моделей извлечения текстовых представлений. Поддерживаемый язык — английский, что соответствует англоязычной коллекции MS MARCO. Лицензия в предоставленных метаданных и карточке не установлена.

timm/convnext_tiny.eupe_lvd1689m — визуальный энкодер признаков на архитектуре ConvNeXt-Tiny из библиотеки timm. Модель разработана в рамках метода Efficient Universal Perception Encoder (EUPE) и дистиллирована на датасете LVD-1689M от прокси-учителя, обученного на основе нескольких специализированных визуальных моделей. Веса доступны в формате safetensors; модель содержит около 27,8 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предназначена для извлечения векторных признаков, карт признаков и представлений изображений, а также может использоваться как энкодер для классификации изображений или как визуальный компонент более крупных систем. Карточка приводит результаты сравнений по нескольким визуальным тестам, но не описывает языковой интерфейс модели. Лицензия FAIR Noncommercial Research License ограничивает использование некоммерческими исследовательскими целями.

HRNet-W64 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. По карточке timm, её обучили авторы работы Deep High-Resolution Representation Learning for Visual Recognition на ImageNet-1k; модель также доступна через библиотеку timm. Веса содержат около 128,1 млн параметров, а указанное входное разрешение составляет 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, получения карт признаков и визуальных эмбеддингов, которые можно использовать в последующих задачах компьютерного зрения. Карточка не сообщает о поддержке текстового или иных не-изобразительных входов. Репозиторий распространяется по лицензии MIT.

laya-ara — дообученная Mohammad Alkhenizan модель ConvAI Laya для арабских задач понимания текста и принятия решений по заданным вариантам ответа. Она основана на convaiinnovations/laya-multilingual и использует архитектуру ModernBERT с плотными весами; размер модели — 306,9 млн параметров, контекст — до 8192 токенов. Это не генеративная языковая модель: она выбирает ответ, оценивает бинарное следование выводу и при необходимости выдаёт порядковую оценку. Модель предназначена для классификации намерений и сценариев, вывода по естественному языку и ранжирования небольшого списка кандидатов на арабском языке. В карточке приведены результаты на MASSIVE-ar, OSACT4-A и арабской части XNLI; также сообщается об улучшении выбора предложений в TyDiQA-ar и ранжирования коротких списков по сравнению с базовой моделью. Результаты зависят от задачи: например, XNLI уступает типичным дообученным AraBERT, а на некоторых задачах определения токсичности качество ниже базовой модели. Для запуска карточка рекомендует библиотеку Laya. Модель выпущена под лицензией с ограничением использования в исследованиях и некоммерческих целях из-за включения данных XNLI с лицензией CC BY-NC 4.0. У неё нет головы для токенной разметки NER или извлечения фрагментов текста; оценку распознавания оскорбительной речи нельзя считать гарантией для модерации. Разнообразие арабских диалектов исследовано ограниченно.

Matryoshka Hypencoder — англоязычная модель нейронного поиска, разработанная в рамках магистерской диссертации как расширение архитектуры Hypencoder. Она использует двойной энкодер с замороженными BERT-base и обучаемой Matryoshka hyper-head, которая генерирует для запроса сеть оценки релевантности Q-Net. Доступны вложенные размерности Q-Net 128, 256, 512 и 768, что позволяет выбирать компромисс между скоростью оценки документов и качеством поиска без обучения отдельных моделей. Модель предназначена для ранжирования пассажей по запросу и поиска по большим корпусам. Она обучалась на MS MARCO Passage Ranking с дистилляцией оценок учителя и усреднённой невзвешенной Matryoshka Margin-MSE. В README приведены результаты nDCG@10 на TREC DL 2019 и 2020 и ускорение оценки документов при уменьшении Q-Net. Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуется специальный код проекта hypencoder-cb; модель не работает напрямую через стандартные pipeline Transformers. Приведённые результаты относятся к тестам на MS MARCO и TREC DL, поэтому качество на других корпусах может отличаться.

castorini/mdpr-tied-pft-msmarco-ft-all — модель семейства BERT, разработанная Castorini и дополнительно дообученная на всех обучающих данных Mr. TyDi. Она основана на castorini/mdpr-tied-pft-msmarco и предназначена для получения векторных представлений текстов, в частности для многоязычного поиска и извлечения документов по запросу. Модель содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт признаки, пригодные для последующего поиска или ранжирования. В README указано дообучение на Mr. TyDi; метаданные не перечисляют языки, а конкретные поддерживаемые языки и показатели качества не приводятся. Репозиторий содержит веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

OpenJEV E4B 1.0 — модель для классификации с выбором из заданного набора вариантов, разработанная командой OpenJEV на базе Gemma 4 E4B Instruct. На вход подаются текстовое состояние, вопрос и два или более вариантов; модель возвращает вероятность для каждого варианта напрямую, без генерации текста. Подходит для классификации тональности, тем, намерений и проверки следования из текста. Модель использует плотную архитектуру и обучалась на текстовых данных. В экспериментальном режиме можно подавать изображения и аудио, сохраняя энкодеры Gemma, однако адаптер, обновления основной модели и классификационная голова обучались только на тексте. Публичная поставка включает адаптер, обновления выбранных слоёв и голову принятия решений; для загрузки требуется базовая модель google/gemma-4-E4B-it. Лицензия — Apache-2.0. Оценки на опубликованных тестах показывают неоднородные результаты: улучшения на некоторых задачах с вариантами ответа и небольшое либо отсутствующее преимущество на других. Авторы отмечают чувствительность к порядку вариантов и то, что тесты не позволяют отделить вклад отдельных компонентов модели. Мультимодальный режим экспериментальный и проверялся только на небольших синтетических примерах.

RLHFlow/pair-preference-model-LLaMA3-8B — модель предпочтений, разработанная авторами работы «RLHF Workflow: From Reward Modeling to Online RLHF» (TMLR, 2024). Она обучена на основе LLaMA 3 8B Instruct и предназначена для сравнения ответов языковой модели: принимает пару запросов и ответов и помогает определить, какой ответ предпочтительнее. Для ранжирования более двух ответов авторы рекомендуют турнирный подход. Модель имеет плотную архитектуру LLaMA с 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. В README приведены результаты RewardBench: Chat 98,6, Char-hard 65,8, Safety 89,6 и reasoning 94,9; это показатели на соответствующих наборах оценки, а не гарантия качества в каждом применении. Файлы модели представлены в формате Safetensors. Лицензия — Llama 3.

chancharikm/qwen2.5-vl-7b-cam-motion — дообученная модель Qwen/Qwen2.5-VL-7B-Instruct, созданная для распознавания движений камеры в видео и поиска видео по текстовым описаниям таких движений. Разработчики обучили её на общедоступном наборе данных CameraBench; карточка называет модель предварительной версией и заявляет лучшие на момент публикации результаты в классификации движений камеры и поиске видео по тексту с оценкой VQAScore. Модель основана на плотной мультимодальной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает видео и текстовые запросы, а также может генерировать текстовые ответы. Для оценки соответствия видео описанию в README рекомендован подход VQAScore через пакет t2v_metrics. Контекст модели — до 128 000 токенов. Модель подходит для классификации движений камеры в роликах и оценки соответствия видео текстовым подписям при поиске и ранжировании. Указана лицензия other; точные условия следует проверять в карточке репозитория и у базовой модели. Это предварительная версия, поэтому заявленные результаты могут не переноситься на другие наборы данных и сценарии.

R3-Qwen3-14B-4k — языковая reward-модель из семейства R3, разработанная на базе Qwen3-14B. Она дообучена на наборе R3-Dataset-4K, собранном из 45 источников. Модель оценивает ответы по заданным критериям: вход включает инструкцию и описание задачи, данные, один или несколько ответов и рубрики оценки; результат содержит оценку и обоснование. Модель предназначена для классификации и оценки качества ответов, сравнения предпочтений и задач вопросно-ответного типа. Это плотная причинная языковая модель на 14 млрд параметров с контекстом до 40 960 токенов. В карточке заявлен английский язык; доступны формат safetensors и лицензия Apache 2.0. Хотя на Hugging Face указана задача text-generation, её специализированное назначение — оценивание ответов по рубрикам.

regnety_640.seer — модель визуального backbone семейства RegNetY-64GF, опубликованная в экосистеме timm. Она предварительно обучена компанией Meta методом самообучения SwAV на наборе из 2 млрд случайных изображений из интернета и предназначена для извлечения признаков, карт признаков и эмбеддингов изображений, а также может использоваться как основа для классификации изображений. Модель содержит 276,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; вычислительная сложность составляет 64,2 GMACs. Реализация timm включает стохастическую глубину, контрольные точки градиентов, послойное уменьшение скорости обучения и настраиваемый выходной stride с дилатацией. Весам назначена лицензия SEER компании Meta с ограничениями на использование и распространение, включая некоммерческий характер лицензии. Модель вычислительно тяжёлая, а результаты для конкретной задачи могут требовать дополнительной настройки или классификационной головы.

reranker-amharic-base — это модель Cross Encoder, созданная автором репозитория rasyosef и дообученная на базе rasyosef/roberta-base-amharic с помощью библиотеки sentence-transformers. Она оценивает пары «запрос — текст» и предназначена для переранжирования результатов поиска и семантического поиска на амхарском языке. Модель имеет архитектуру XLM-RoBERTa для классификации последовательностей, 137,8 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 510 токенов. Выдаёт один числовой балл релевантности для каждой пары текстов. На наборе amh-passage-retrieval-dev модель показала MRR@10 0,830 и nDCG@10 0,856. Она подходит для повторной сортировки найденных документов после первичного поиска, но требует передавать запрос и текст вместе и ограничена длиной контекста. Лицензия — MIT.

MarcusLoren/Reranker-job-description — это дообученная модель переранжирования на основе BAAI/bge-reranker-base. Она оценивает соответствие фрагмента описания вакансии запросу, чтобы упорядочивать найденные сведения о требованиях и условиях работы. Обучение проведено на наборе из 89 тысяч примеров с метками, извлечёнными из объявлений о вакансиях и сайтов компаний; запросы формулировались с префиксом «Example of». Модель также нацелена на поиск сведений о продуктах, услугах и планируемых предложениях компаний. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. В репозитории есть веса Safetensors и версия ONNX; README описывает использование с FlagReranker, Transformers и .NET. Лицензия — MIT. Автор отмечает, что качество не идеально и связывает это с ограниченным временем обучения. Для применения нужны запрос и текстовый фрагмент; оценка релевантности полезна для ранжирования, но сама по себе не извлекает и не формулирует ответ.

ResNetRS-270 — сверточная модель семейства ResNetRS для классификации изображений и извлечения визуальных признаков. Репозиторий timm содержит веса модели, обученной авторами статьи на ImageNet-1k в TensorFlow; версия представлена в формате PyTorch и safetensors. Модель имеет около 129,9 млн параметров, использует активации ReLU, свёртку 7×7 с пулингом и проекции 1×1 в обходных соединениях. Размер входа при обучении — 256×256 пикселей, при тестировании — 352×352. Модель подходит для определения категорий объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Это крупная модель с вычислительной стоимостью около 27,1 GMAC на изображение; качество и скорость в конкретном приложении зависят от разрешения и оборудования. Лицензия — Apache-2.0.

SPLADE-Small — компактная модель разреженного поиска rasyosef на основе BERT-Small, дообученная с дистилляцией Cross-Encoder ms-marco-MiniLM-L6-v2 на данных MS MARCO. Модель кодирует запросы и документы в разреженные векторы размерности 30 522; релевантность оценивается скалярным произведением. Число параметров — 32,4 млн, максимальная длина входа — 512 токенов. Модель предназначена для поиска и ранжирования документов по текстовому запросу, включая локальный поиск по небольшим коллекциям без GPU. В README приведены результаты оценки на MS MARCO и указано, что модель достигает 91% результата SPLADE-v3-distilbert при вдвое меньшем размере. Модель рассчитана на английский язык и обучена на MS MARCO. Распространяется под лицензией MIT. Качество и применимость за пределами англоязычного поиска по тематике MS MARCO в карточке не подтверждены.

Карточка модели SYNAPSEai1/SynapseMusicV12-Captioner на Hugging Face совпадает с карточкой ACE-Step/acestep-captioner, поэтому описание составлено по ней. ACE-Step Captioner — модель для подробного описания музыкального аудио, используемая ACE-Step v1.5 для аннотирования обучающих данных. Она построена на архитектуре Qwen2.5 Omni и принимает аудио, формируя текстовые описания музыки. Модель анализирует жанры и стилистические влияния, распознаёт инструменты, описывает структуру произведения и её развитие, тембр, текстуру, пространственные характеристики и динамику. Её можно применять для разметки музыки при подготовке данных для генеративных моделей, создания поисковых метаданных аудиокаталогов, музыкального анализа и документирования звукового дизайна. В карточке заявлено качество выше Gemini Pro 2.5 в задачах описания музыки; независимая проверка этого сравнения не представлена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Размер модели и ограничение контекста в предоставленных данных не приведены.

Taiyi-CLIP-Roberta-102M-Chinese — китайская модель для сопоставления изображений и текста, разработанная командой Fengshenbang. Она использует архитектуру CLIP с визуальным энкодером ViT-B/32 и текстовым энкодером RoBERTa-base на основе chinese-roberta-wwm; при предобучении визуальный энкодер был заморожен, а текстовый дообучался. Модель обучали на 123 млн пар изображение–текст из наборов Noah-Wukong и Zero; текстовый энкодер содержит около 129,5 млн параметров по метаданным, контекст ограничен 512 токенами. Модель предназначена для получения общих визуально-языковых представлений на китайском языке. Её можно применять для классификации изображений без дополнительного обучения и поиска изображений по текстовому запросу; в README приведены результаты на ImageNet1k-CN, Flickr30k-CNA, COCO-CN и wukong50k. Заявленные возможности и обучающие данные ориентированы на китайский язык, поэтому качество для других языков не установлено. Распространяется по лицензии Apache-2.0.

facebook/timesformer-base-finetuned-k600 — модель Meta на базе архитектуры TimeSformer, дообученная для классификации видео на наборе Kinetics-600. Она принимает видеокадры и относит ролик к одной из 600 категорий действий Kinetics-600, поэтому подходит для распознавания действий и тематической сортировки коротких видео. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. TimeSformer применяет пространственно-временное внимание для анализа содержания видео. Карточка указывает на классификацию по меткам Kinetics-600; сведений о поддержке других языков или задач не приведено. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

Модель dvs/videomae-base-finetuned-kinetics-finetuned-movienet — дообученная видеомодель для классификации видео, созданная на основе MCG-NJU/videomae-base-finetuned-kinetics. Она использует архитектуру VideoMAEForVideoClassification и содержит 113,2 млн параметров. По карточке, дообучение проводилось на наборе данных, который не назван. Модель принимает видео и относит его к категориям. На оценочной выборке указана точность 0,7865 после 4,1 эпохи обучения. В карточке не раскрыты набор классов, языки и детали подготовки данных. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это модель классификации изображений на базе Vision Transformer (ViT), опубликованная в библиотеке timm. Веса предварительно обучены OpenAI с помощью CLIP на парах изображение–текст WIT-400M, а затем дообучены в timm на ImageNet-12k и ImageNet-1k. Модель содержит около 304,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и эмбеддингов изображений. Её можно применять для распознавания объектов и категорий на фотографиях, а также для построения систем поиска и анализа изображений на основе визуальных представлений. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт классы или признаки; языковая генерация и обработка текста не являются её задачами.