I.12Рекомендации и персонализация

Funnel Transformer medium — англоязычная предварительно обученная модель семейства Funnel Transformer, разработанная командой, представившей это семейство. Это версия B6-3x2-3x2 с декодером, обученная без разметки на текстах с задачей выявления заменённых токенов, подобной ELECTRA. Модель регистронезависимая и принимает текст; её контекст составляет 512 токенов. Модель предназначена прежде всего для извлечения векторных представлений текста, которые можно использовать при дообучении для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Она не предназначена для генерации текста. Доступны реализации для PyTorch и TensorFlow; обучение проводилось на англоязычных данных, включая BookCorpus, Wikipedia, ClueWeb, GigaWord и Common Crawl. Лицензия — Apache-2.0.

QuantFactory/mem-agent-GGUF — это квантизированная версия модели driaforall/mem-agent, подготовленная QuantFactory с использованием llama.cpp. Исходная модель основана на Qwen3-4B-Thinking-2507 и дообучена методом GSPO на агентном каркасе с файловой системой памяти, напоминающей Obsidian. Модель предназначена для интеллектуальной работы с долговременной памятью: поиска релевантных сведений, фильтрации или полного сокрытия извлечённой информации, добавления и обновления данных, а также запроса уточнений при неясных или противоречивых пользовательских запросах. Она взаимодействует с инструментами для чтения, создания, обновления и удаления файлов и каталогов. Память организована в виде Markdown-файлов с ссылками между профилем пользователя и сущностями. Модель может использоваться самостоятельно, но разработчики рекомендуют подключать её как MCP-сервер к более крупной языковой модели. Известно, что модель содержит около 4 млрд параметров и ориентирована на текстовую генерацию и агентное взаимодействие; сведения о поддерживаемых языках, размере контекста и конкретных параметрах квантизации в карточке не указаны. На тесте md-memory-bench она получила общий результат 0,75, показав особенно сильные результаты в извлечении, обновлении и фильтрации памяти по сравнению с базовой Qwen3-4B-Thinking-2507. Ограничения включают зависимость от заданного формата Markdown-памяти и инструментального каркаса, а также меньшие возможности по сравнению с более крупными моделями в отдельных сценариях. Лицензия в карточке модели не указана.

Metis-27B — мультимодальная диалоговая модель с постоянной памятью, разработанная IAAR-Shanghai на основе Qwen/Qwen3.5-27B. Репозиторий содержит полные объединённые веса модели; архитектура плотная, число параметров — 26,8 млрд. Модель предназначена для диалога и работы с памятью, а метаданные также указывают поддержку входов с изображениями и текста. Модель загружается через Transformers; для неё требуется версия 5.4.0 или новее и код Transformers из репозитория. В README приведён пример загрузки в формате bfloat16. Лицензия — Apache-2.0. Карточка не приводит сведений о длине контекста и конкретных языках, поэтому они не уточняются.

omai-research/milco-300m — плотная модель семейства MILCO для извлечения разреженных представлений текста и многоязычного поиска. Она разработана исследовательской группой OMAI и описана в работе для ICLR 2026. Модель переводит запросы и документы на разных языках в общее лексическое пространство английского языка, сохраняя возможность одноязычного и межъязыкового поиска. Архитектура сочетает многоязычный трансформерный энкодер, линейный multilingual connector и LexEcho head. Голова формирует разреженное представление по английскому словарю и дополнительный исходно-языковой вид, который помогает сохранить имена, редкие термины и элементы смешанной речи. В README для конфигурации указаны naver/splade-v3 и Alibaba-NLP/gte-multilingual-base. Репозиторий содержит веса PyTorch и использует библиотеку Transformers; загрузка описана через AutoModel с trust_remote_code=True. Модель предназначена для построения поисковых представлений запросов и документов и заявлена как эффективная для многоязычного и межъязыкового поиска. В README приведены результаты оценки на более чем 39 языках и сравнительные результаты для варианта MILCO 560M, но они не являются отдельной оценкой именно версии 300M. Доступна по лицензии Apache-2.0.

SAIRA NASEEM разработала модель классификации новостных статей на базе DistilBERT. Она относит текст к одной из четырёх категорий: мировые новости, спорт, бизнес или наука и технологии. Модель предназначена для автоматической разметки новостных материалов и построения тематических лент или архивов. Модель дообучена на наборе AG News и использует архитектуру DistilBertForSequenceClassification. Для входа она принимает текст; максимальная длина контекста — 512 токенов. В README указаны accuracy 91,25%, F1 91,23% и precision 91,44%. Лицензия в предоставленных данных не указана.

Модель samandar1105/news-classifier — классификатор новостных статей на основе DistilBERT, дообученный на датасете AG News из 120 000 обучающих примеров. Она относит текст к одной из четырёх категорий: World, Sports, Business или Sci/Tech. Модель предназначена для автоматической тематической сортировки новостей и разметки новостных потоков. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Контекст составляет до 512 токенов. В README указаны accuracy и F1 по 0,9447; лицензия в предоставленных данных не приведена.

OdiaSBERT-STS — модель семейства SBERT от команды L3Cube-Pune, входящая в проект MahaNLP. Это модель на архитектуре BERT, дообученная на датасете оценки семантического сходства предложений (STS) поверх l3cube-pune/odia-sentence-bert-nli. Она преобразует тексты на одия в плотные векторные представления для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 264,8 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для оценки сходства пар предложений, семантического поиска и кластеризации текстов на одия. Для работы с эмбеддингами в Transformers требуется применять соответствующую операцию pooling к контекстным представлениям токенов; README также описывает использование Sentence-Transformers. Лицензия — CC BY 4.0. Карточка не сообщает результаты качества или ограничений помимо указанных характеристик.

zeromodels представляет конверсию SigLIP Base Patch16 384 в формате Keras 3 для классификации изображений без дополнительного обучения. Модель использует двухбашенную архитектуру, кодирующую изображения и текст, и sigmoid loss при обучении вместо contrastive softmax, характерного для CLIP. Размер изображения — 384 пикселя; реализация работает с TensorFlow, PyTorch и JAX. При инференсе модель принимает изображения и текстовые подсказки, а затем сопоставляет их для классификации по произвольным текстовым меткам. Это подходит для категоризации изображений, когда набор классов задаётся в запросе. Модель основана на google/siglip-base-patch16-384; лицензия — Apache 2.0.

Splade++ SelfDistil finetuned on MS MARCO — англоязычный разреженный энкодер SPLADE, дообученный на базе naver/splade-cocondenser-selfdistil с использованием Sentence Transformers. Он преобразует запросы и документы в разреженные векторы размерностью 30 522 для семантического поиска и извлечения релевантных документов; сходство оценивается скалярным произведением. Архитектура включает BERT MLM-трансформер и слой SPLADE pooling с max-пулингом и активацией ReLU. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для sparse retrieval, в частности поиска документов по коротким запросам; в карточке приведены результаты оценки на NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Она работает с английским текстом и распространяется по лицензии Apache-2.0. Карточка не описывает поддержку генерации ответов: модель выдаёт разреженные векторы признаков, которые используются поисковой системой для ранжирования.

SPLADE-v3 Spanish — разреженный энкодер на базе BERT, разработанный как испаноязычная адаптация naver/splade-v3. Он преобразует запросы и документы в разреженные векторы размерности 30 522 по словарю BERT WordPiece; сходство оценивается скалярным произведением. Модель содержит 136,7 млн параметров, работает через Sentence Transformers и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска, ранжирования документов и конвейеров RAG, особенно для испанского и двуязычного испанско-английского поиска с лексическим сопоставлением и семантическим расширением терминов. Она обучалась контрастивно на данных для поиска на испанском языке; в карточке приведены результаты оценки на MS MARCO, BEIR и MIRACL. Это не генеративная модель: она выдаёт разреженные векторы, а не текст. Качество зависит от предметной области, токенизации и настроек индексации и поиска, поэтому модель следует оценить на целевой системе. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий ShareAlike.

this-that-model-1.0 — модель типизированных решений, разработанная FLock-io и дообученная на базе decider-2b. Она принимает текстовый контекст и заданный пользователем набор вариантов, затем за один проход оценивает варианты и возвращает распределение вероятностей; генерация текста не требуется, поэтому ответ не может выйти за пределы допустимых вариантов. Поддерживается до 255 вариантов. Архитектура — плотная Qwen3.5-style модель с 1,7 млрд параметров по метаданным (в README указано 1,88 млрд): 18 из 24 слоёв используют линейное внимание DeltaNet, остальные — полное внимание. Контекст — до 262 144 токенов. Модель предназначена для классификации и структурированных решений, где результат можно выразить одним из заранее заданных вариантов и использовать вероятность как порог: например, проверять соответствие правилам или выбирать действие по состоянию системы. README сообщает о калибровочных результатах и высокой точности на пространственном бенчмарке, но отмечает, что формы вопросов этого бенчмарка встречались при обучении; качество на иных формулировках и задачах может отличаться. В примере авторов модель ошибочно оценивает вопрос о лимите запросов и отвечает с низкой уверенностью, что показывает необходимость учитывать уверенность и проверять перенос на свою задачу. Лицензия модели — MIT; базовая модель decider-2b указана как Apache-2.0.

zeromodels/tipsv2-l14 — конверсия модели TIPSv2-L/14 от Google DeepMind, опубликованная zeromodels в формате Keras 3. Это двухбашенная vision-language модель в стиле CLIP/SigLIP: визуальная башня на основе ViT в стиле DINOv2 с register-токенами и двунаправленная текстовая башня, обученные сопоставлять изображения с текстовыми описаниями контрастивным методом. Репозиторий содержит полную модель и обе башни; реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений по заданным текстовым названиям классов без дополнительного обучения: пользователь задаёт возможные категории, а модель оценивает соответствие изображения каждому текстовому описанию. Входное разрешение изображений — 448 пикселей. Лицензия — Apache-2.0, совпадает с лицензией исходного чекпойнта Google.

arabic-MARBERT-news-article-classification — модель Ammar-alhaj-ali для классификации арабских новостных статей. Это дообученная MARBERT на базе архитектуры BERT модель классификации последовательностей объёмом 190 млн параметров с контекстом до 512 токенов. Модель относит статью к одной из семи категорий: культура, финансы, медицина, политика, религия, спорт или технологии. Она предназначена для тематической разметки арабских новостей и построения каталогов или потоков новостей по рубрикам. Обучение проводилось на наборе SANAD: Single-Label Arabic News Articles Dataset. Для работы требуются входной текст статьи; результатом служит метка класса. Репозиторий содержит веса PyTorch и карточка предлагает использовать модель через Transformers pipeline. Лицензия в доступных данных не указана.

nielsr/canine-s — репозиторий с весами CANINE-S, опубликованный nielsr на Hugging Face; сама модель разработана Google и представляет собой многоязычный энкодер-трансформер для представления текста. Модель содержит 113,2 млн параметров и принимает текст на уровне символов Unicode без обычного токенизатора; при предобучении она предсказывает субсловные токены по символьному вводу. Метаданные указывают контекст до 16 384 токенов. Модель предназначена прежде всего для извлечения признаков и последующей тонкой настройки для задач классификации последовательностей и токенов, а также ответов на вопросы. Она обучалась на многоязычных данных Википедии для 104 языков. Это не модель для генерации текста; лицензия Apache-2.0 указана для исходной модели Google CANINE-S.

Erlangshen-TCBert-330M-Sentence-Embedding-Chinese — китайская модель семейства BERT, разработанная командой Fengshenbang/IDEA-CCNL. Это TCBert с заявленными в карточке 330 млн параметров; метаданные указывают 424,3 млн параметров. Модель предварительно обучена на многочисленных наборах данных классификации тем с помощью контрастного обучения на основе промптов, чтобы формировать представления предложений для задач тематической классификации. Модель рассчитана на китайский текст, имеет контекст до 512 токенов и опубликована в формате PyTorch. Её можно применять для получения векторных представлений предложений, тематической классификации и оценки сходства предложений, в том числе с промптами и whitening, как описано в карточке. Метаданные Hugging Face задают задачу fill-mask, поэтому модель также может предсказывать замаскированные токены. Лицензия — Apache-2.0. Карточка приводит результаты экспериментов на TNEWS, CSLDCP и IFLYTEK; показатели зависят от шаблонов промптов и обработки представлений. Для получения векторов и выполнения задач классификации потребуется подходящий downstream-код; самой карточкой не заявлены отдельные специализированные области применения помимо классификации тем.

Kimi-K3-W4A8-K512-GPTQ-Mixed-Cal72-Seq1024 — производная версия мультимодальной модели Kimi K3 от Moonshot AI, подготовленная проектом open-inference. В ней квантованы только маршрутизируемые экспертные блоки: используются знаковые INT4-значения с группировкой K512 и масштабами FP32; остальные исходные тензоры сохранены без изменений. Файлы представлены в формате safetensors и compressed-tensors. Артефакт рассчитан на извлечение признаков и, согласно каталожным метаданным, может использоваться для генерации текста. README указывает, что сборка предназначена для специального runtime W4A8 и не гарантирует совместимость с произвольными загрузчиками. Базовая модель — moonshotai/Kimi-K3; лицензия указана как other.

Модель bespin-global/klue-sentence-roberta-base-kornlu разработана Jaehyeong из Bespin Global на базе архитектуры RoBERTa. Это модель Sentence-Transformers, которая преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. В README указано обучение с CosineSimilarityLoss; среди метаданных также отмечена поддержка извлечения признаков и семантического сходства предложений. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторы; контекст — до 514 токенов. Модель связана с датасетом kor_nlu и предназначена прежде всего для корейского языка. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. В README не приведены результаты оценки, поэтому качество для конкретного набора данных следует проверять отдельно.

Mankei-326M-Reranker — немецкий кросс-энкодерный ранжировщик от Keyvan AI с 326,4 млн параметров на архитектуре Llama. Он оценивает пары «запрос — фрагмент текста» и переупорядочивает найденные документы, уточняя результаты первого этапа поиска в RAG-системе. Модель рассчитана на немецкоязычный поиск и локальное развёртывание; контекст — до 2048 токенов. В README сообщается о результатах на отложенных вопросах GermanDPR: Acc@1 92,8% и MRR 0,963; это результаты указанного автора тестирования. Модель обучена с учителем на GermanDPR с listwise loss и жёсткими негативными примерами; использует last-token pooling и линейный слой релевантности, а LoRA применялась к немецкой базовой модели Mankei. Лицензия — Apache-2.0. Предназначена для ранжирования текстовых кандидатов, а не для генерации ответов; качество за пределами описанного немецкоязычного бенчмарка README не устанавливает.

BEE-spoke-data разработала MEGA-энкодер mega-encoder-small-16k-v1 для маскированного языкового моделирования и последующего дообучения под задачи, совместимые с энкодерами. Модель имеет 8 слоёв, размер скрытого состояния 768 и около 122 млн параметров по README; метаданные указывают 100 млн параметров. Архитектура MEGA использует чанки длиной 1024 токена и поддерживает контекст до 16 384 токенов. Для токенизации используется словарь BART, совпадающий со словарём RoBERTa. Модель обучалась преимущественно предсказывать замаскированные токены, с дополнительными этапами обучения для ряда задач. Её можно дообучать для классификации, сопоставления предложений и других задач на последовательностях; README приводит результаты на GLUE. Указана лицензия Artistic-2.0. При длинном контексте обучение требует значительной видеопамяти; README отмечает рост её использования с длиной последовательности и рекомендует gradient checkpointing для дообучения на 16k токенах.

rasyosef разработал амхароязычную модель эмбеддингов предложений Sentence Transformers, дообученную из rasyosef/roberta-base-amharic на наборе amharic-passage-retrieval-dataset. Модель на базе XLM-RoBERTa содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и преобразует предложения и абзацы в плотные векторы размерностью 768 с нормализацией; сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска и извлечения амхароязычных фрагментов, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. В опубликованной оценке поиска на амхарском наборе данных точность cosine_accuracy@5 составляет 0,8712 для полного 768-мерного представления и 0,8649 при усечении до 256 измерений. Модель поддерживает амхарский язык и распространяется по лицензии Apache-2.0. Это модель векторных представлений, поэтому она возвращает эмбеддинги, а не готовые ответы или сгенерированный текст; результаты за пределами амхарского поиска и перечисленных оценок README не характеризует.

Sentence-ModernBERT-JP-0.5B — японская модель эмбеддингов предложений, разработанная автором репозитория и дообученная на базе iamtatsuki05/Sentence-ModernBERT-JP-0.5B-PT с помощью supervised contrastive learning на cl-nagoya/ruri-v3-dataset-ft. Она предназначена для сравнения семантической близости текстов, поиска по смыслу, классификации и кластеризации японских текстов. Модель основана на архитектуре ModernBERT и содержит около 677,5 млн параметров. Она преобразует текст в векторы размерности 1280 с mean pooling; сходство рекомендуется оценивать косинусной метрикой. Модель принимает последовательности длиной до 8192 токенов. Карточка указывает поддержку японского языка; лицензия — MIT. В таблице оценки приведены результаты на JMTEB, включая средние показатели для поиска, семантического сходства, классификации, переранжирования и кластеризации. Они показывают качество на этих бенчмарках, но сами по себе не гарантируют результат на конкретных данных. Модель рассчитана на японские тексты, поэтому её пригодность для других языков не подтверждена.

IsaacRodgz обучил модель представлений предложений на архитектуре BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель насчитывает 25,9 млн параметров, принимает текстовые входы с контекстом до 512 токенов; доступны веса PyTorch и ONNX. Название репозитория указывает на настройку для определения позиции в заголовках испанских новостей, однако README описывает прежде всего модель эмбеддингов и не приводит метрик качества или подробностей обучения. Для использования доступны Sentence-Transformers и задачи поиска сходства; лицензия в предоставленных данных не указана.

Ransaka/sinhala-sentence-transformer — модель на базе RoBERTa, опубликованная пользователем Ransaka на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 81,2 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Обучение проводилось с TripletLoss и евклидовой метрикой расстояния. Модель предназначена для работы с сингальским языком, что отражено в её названии. Её можно применять для семантического поиска и группировки похожих предложений и документов. Репозиторий содержит веса PyTorch и поддерживает использование через Sentence-Transformers либо Transformers с соответствующим pooling. Сведения о лицензии в предоставленных данных отсутствуют.

Sayan01/tiny-bert-qnli-distilled — компактная дистиллированная модель семейства BERT, опубликованная пользователем Sayan01 на Hugging Face. Она предназначена для классификации пар текстов в задаче QNLI и может использоваться через Transformers как модель text-classification для sequence classification. Модель имеет около 15,6 млн параметров, архитектурную основу BERT и максимальную длину входа 512 токенов. Она ориентирована на английский язык и подходит для определения отношения между вопросом и текстовым фрагментом, например для проверки, содержит ли фрагмент ответ на вопрос. Компактный размер упрощает локальный запуск и снижает требования к ресурсам, но модель специализирована на классификации, не генерирует ответы и не предназначена для произвольного многоязычного применения. Сведения о лицензии в доступных источниках не установлены.

google/bert_uncased_L-4_H-256_A-4 — компактная англоязычная модель BERT из набора BERT Miniatures, разработанного Google и описанного в работе «Well-Read Students Learn Better». Это трансформерный энкодер с 4 слоями, размером скрытого представления 256 и 4 головами внимания; модель содержит около 12 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с токенизацией WordPiece и предназначена для задач понимания английского текста с ограниченными вычислительными ресурсами. Модель можно дообучать для классификации и других задач обработки текста. Авторы отмечают, что она особенно эффективна при дистилляции, когда метки для дообучения созданы более крупной моделью-учителем. По результатам GLUE BERT-Mini показывает качество ниже более крупных вариантов из набора, что отражает компромисс между размером и точностью. Доступны веса в форматах PyTorch и Flax. Лицензия — Apache-2.0.

Bespoke-Nimble-9B — это LoRA-адаптер для базовой модели Qwen/Qwen3.5-9B, разработанный Bespoke Labs. Модель предназначена для выбора ответов, классификации, структурированного предсказания и оценки по заданным критериям на основе предоставленного контекста. Она напрямую оценивает вероятности разрешённых токенов ответа, поэтому рабочий процесс не предполагает генерацию рассуждений или свободного текста. Адаптер рассчитан на обработку текстовых данных на английском языке и поддерживает логические значения, варианты из перечисления и целочисленные уровни рубрик. Для каждого поля можно задать до 26 вариантов, а для оценок модель возвращает выбранное значение и вероятностно-взвешенную ожидаемую оценку. Максимальная длина входного запроса составляет 2 048 токенов; слишком длинные запросы отклоняются без усечения. Репозиторий содержит адаптер размером около 165 МиБ, токенизатор, построитель промптов и эталонный код инференса, но требует отдельной загрузки полной базовой модели Qwen/Qwen3.5-9B. Для запуска рекомендуется CUDA GPU с поддержкой BF16; исходный прогон выполнялся на PyTorch 2.8.0 и CUDA 12.8. Сильными сторонами являются контекстно-обоснованная классификация, предсказуемый структурированный вывод и получение вероятностей по допустимым ответам. Ограничения включают зависимость от базовой модели, английский язык, работу только с заранее заданными вариантами и требование GPU с BF16. Лицензия — Apache 2.0.

bizreach-inc/light-splade-japanese-56M — японская модель SPLADE для разреженного информационного поиска, опубликованная BizReach. Она кодирует запросы и документы в интерпретируемые разреженные векторы с весами токенов, пригодные для семантического поиска, извлечения документов и ранжирования. Модель основана на компактной архитектуре BERT с 12 слоями и 8 головами внимания, содержит 67,1 млн параметров по метаданным и обрабатывает последовательности длиной до 2048 токенов. Для токенизации используются японский токенизатор BERT, MeCab и WordPiece; модель обучена на японской части mMARCO с алгоритмом SPLADE++. На dev-наборе mMARCO-ja указаны MRR@10 0,4022, NDCG@10 0,45 и Recall@10 0,6411. Модель предназначена прежде всего для японского текста; качество может снижаться на предметных корпусах, отличающихся от mMARCO. Разреженные представления удобны для поиска по термам, но могут не передавать все нюансы семантики плотных векторов; также возможны ограничения словаря и смещения обучающих данных. Репозиторий распространяется по лицензии Apache-2.0.

zer0int выпустил дообученную версию Long-CLIP ViT-L/14 с обучением на основе разреженного автоэнкодера (SAE) и состязательных примеров. Это модель семейства CLIP для сопоставления изображений с текстовыми описаниями и классификации изображений без примеров для заданных классов. Увеличенная длина текстового ввода позволяет лучше работать с длинными описаниями и следовать сложным промптам; автор также рекомендует её для использования с HunyuanVideo через специальный узел ComfyUI. Модель принимает изображения и текстовые описания, кодирует их для сопоставления и выдаёт оценки соответствия. Она рассчитана на сценарии zero-shot-классификации и поиска изображений по тексту, а также может служить текстовым энкодером в генеративных видеопроцессах. Опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

M-BERT Base ViT-B — многоязычная текстовая модель проекта Multilingual-CLIP, основанная на BERT-base-multilingual и настроенная так, чтобы представления текста соответствовали пространству эмбеддингов текстового энкодера CLIP для ViT-B/32. Она предназначена для получения текстовых признаков, которые можно сопоставлять с визуальными представлениями CLIP, например для поиска изображений по запросу на разных языках. По карточке, обучение охватывало 69 языков: использовались пары предложений и переводов, составленные из описаний GCC, MSCOCO и VizWiz. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов; метаданные указывают реализации в PyTorch, TensorFlow и Flax. Для использования вместе с исходным визуальным энкодером CLIP требуются код и дополнительные линейные веса из репозитория Multilingual-CLIP. Карточка отмечает, что качество использованных AWS Translate переводов не оценивалось и может различаться между языками; сведения о лицензии в предоставленных данных отсутствуют.

MetaCLIP 2 (worldwide) — мультимодальная модель семейства CLIP, разработанная Meta и представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-H-14-378-worldwide из оригинальной реализации; для работы с ним предусмотрена библиотека Transformers. Модель предназначена для классификации изображений по текстовым описаниям без предварительного обучения на конкретных классах. Она сопоставляет изображения и текстовые метки, что позволяет задавать категории на естественном языке. Карточка указывает на многоязычную поддержку. Веса опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.