I.12Рекомендации и персонализация

Sinequa passage-ranker-v1-XS-multilingual — компактная модель ранжирования пассажей на основе Sinequa BERT-Mini, обученная методом MonoBERT. Она принимает запрос и пассаж текста и выдаёт оценку релевантности, по которой можно упорядочить результаты поиска. Модель содержит около 17 млн параметров, поддерживает английский, французский, немецкий и испанский языки, нечувствительна к регистру и акцентам; максимальная длина контекста — 512 токенов. Модель предназначена для повышения качества поиска: она повторно оценивает найденные пассажи и помогает расположить наиболее релевантные выше. По README среднее значение NDCG@10 на 14 наборах BEIR составило 0,453; на MIRACL приведены результаты для французского, немецкого и испанского языков. Указанные ограничения включают требования к окружению: Sinequa версии не ниже 11.10.0 и CUDA с compute capability выше 5.0 (выше 6.0 для FP16). Лицензия в предоставленных данных не описана.

Turkuaz-Embeddings — модель эмбеддингов, разработанная eneSadi для поиска по турецким текстам. Она основана на XLM-RoBERTa Large и дообучена на наборе MSMARCO-TR; размер вектора эмбеддинга составляет 1024, максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска, информационного поиска, zero-shot retrieval и использования в RAG-системах с турецкими документами. В карточке заявлено улучшение результатов на нескольких турецких наборах для поиска относительно мультиязычных и турецких моделей, а также относительно исходной XLM-RoBERTa Large. Для обучения использовались пары документов с оценками релевантности от Jina Reranker v2 и функция потерь CoSENT. Модель принимает текст и выдаёт векторы; её основная специализация — турецкий язык. Распространяется по лицензии Apache-2.0.

BjarneNPO/BjarneNPO-28_08_2025_14_24_44 — дообученная BjarneNPO модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель содержит 305,2 млн параметров и рассчитана на последовательности длиной до 514 токенов по метаданным; в README указана максимальная длина 128 токенов. Обучение проведено на 72 349 парах запрос–ответ с функцией MultipleNegativesRankingLoss. Примеры обучающих данных и оценка поиска в README ориентированы на немецкоязычные обращения в службу поддержки, поэтому модель подходит для поиска релевантных ответов в подобных корпусах. Многоязычная базовая модель позволяет работать с разными языками, но основной язык и перенос качества на другие задачи отдельно не подтверждены. Опубликована в формате safetensors; лицензия в предоставленных данных не приведена.

Карточка модели roskosmos19/Coral на Hugging Face совпадает с карточкой roskosmos19/Coral-Router, поэтому описание составлено по ней. Coral-Router, также называемая Coral-MNLI в карточке, — модель классификации последовательностей на базе BART-large, дообученная на MultiNLI. Она принимает текст и список меток-кандидатов, оценивает, насколько каждая метка подходит, и подходит для классификации без обучения на конкретных классах, в том числе в режиме нескольких меток. Модель применяет подход естественного логического вывода: исходный текст рассматривается как предпосылка, а каждая метка превращается в гипотезу; оценка соответствия основана на вероятности entailment. Это позволяет использовать её для определения тематики, тональности, намерения и модерации содержимого. Размер модели — 252,8 млн параметров, контекст — до 1024 токенов. Лицензия — Apache-2.0. Для длинных текстов возможна обрезка: сохраняется начало текста, поэтому важную информацию рекомендуется размещать ближе к началу. Качество также зависит от ясности и конкретности предложенных меток.

Dolphin-2.2-Yi-34b-200k — разговорная языковая модель, разработанная Eric Hartford при спонсорской поддержке Convai. Это дообученная с помощью qLoRA плотная модель семейства Llama на базе Yi с 33,9 млрд параметров; для диалога используется формат ChatML. Хотя базовая модель рассчитана на контекст до 200 тыс. токенов, эта версия дообучалась на последовательностях длиной 16 тыс. токенов, а метаданные указывают native context в 16 384 токена. Модель предназначена для многошаговых диалогов, ответов на вопросы, творческих задач и персональных советов с эмпатичным тоном. В обучении использованы наборы Dolphin, Airoboros, а также отобранные данные Samantha и WizardLM. Модель описана автором как uncensored и склонная выполнять широкий спектр запросов, включая неэтичные; перед предоставлением пользователям автор рекомендует добавить собственный слой контроля. Модель поддерживает английский язык. Указана лицензия other; README сообщает, что применяются условия лицензии Yi.

DUSUNEN Rota 270M v1 — компактная плотная модель текстовых эмбеддингов, разработанная GoktugD на базе microsoft/harrier-oss-v1-270m. Она кодирует турецкие поисковые запросы и фрагменты документов в общее 640-мерное векторное пространство для первичного поиска, семантического поиска и отбора кандидатов для RAG. Модель содержит около 257 млн параметров, использует архитектуру Gemma3Text и имеет контекст до 32 768 токенов; для запросов требуется заданный инструкционный формат, документы подаются как обычный текст. Модель дообучена на 100 000 триплетах, происходящих из машинного перевода MS MARCO, и распространяется в форматах Safetensors и ONNX под лицензией MIT. В опубликованной оценке на небольшом наборе исторических вопросов и документов на турецком она немного превосходит Mursit Base TR Retrieval по нескольким метрикам, но уступает базовой Harrier и multilingual-e5-base по MRR@10. Это результат адаптации к домену, а не универсальное улучшение; оценка сходства служит сигналом ранжирования, а не вероятностью или проверкой фактов.

LightOn-rerank-PW-4B — мультимодальная модель-переранжировщик от LightOn на основе Qwen/Qwen3.5-4B. Это pointwise cross-encoder: он независимо оценивает каждую пару «запрос — кандидат» и выдаёт оценку как разность логитов ответов Yes и No. Модель принимает текстовый запрос и текстовый фрагмент либо изображение страницы документа; для оценки кандидатов не требуется генерация ответа. Модель предназначена для второго этапа поиска: она переупорядочивает результаты, найденные BM25, dense retrieval или ColPali-подобным поиском. Совместное дообучение на текстовых и визуальных данных позволяет использовать один переранжировщик для текстовых фрагментов и страниц PDF, слайдов и сканов. Размер модели — около 4,5 млрд параметров; веса представлены в формате safetensors и bfloat16. Обучение проводилось на английском языке; французский поддерживается с переносом без дополнительного обучения. Для корректного pointwise-скоринга необходимо отключить режим thinking в шаблоне чата. На визуальных задачах модель не показывает прироста относительно версии 2B; для таких сценариев авторы рекомендуют listwise-вариант LW-4B. Для части текстовых бенчмарков результаты затронуты пересечением обучающих данных с NQ и MS MARCO. Лицензия — Apache-2.0.

asadfgglie/mDeBERTa-v3-base-xnli-multilingual-zeroshot-v1.0 — дообученная многоязычная модель классификации текста на основе mDeBERTa-v3-base, разработанная asadfgglie. Она предназначена для классификации без примеров: пользователь задаёт категории, а модель оценивает, насколько текст соответствует каждой из них. Метаданные указывают архитектуру DeBERTa-v2, около 306 млн параметров и контекст до 512 токенов. Модель дообучена на наборе NLI для zh-TW; в README приведены результаты оценки на нескольких наборах данных, включая macro F1 0,872 на одном из них. Используются веса PyTorch в формате safetensors. Лицензия в доступных данных не указана.

JJhooww/Mistral-7B-v0.2-Base_ptbr — базовая предобученная языковая модель семейства Mistral, созданная на основе официальных весов Mistral и дополнительно обученная примерно на 1 млрд токенов португальского языка. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста на португальском языке и может служить основой для дальнейшей тонкой настройки под диалоговые и другие прикладные задачи. В README приведены результаты на наборах ASSIN2 RTE, ASSIN2 STS и BlueX, где модель превосходит базовую версию Mistral по указанным метрикам. Это базовая модель, следующая инструкциям она не обучена, поэтому для инструкционного диалога требуется дообучение. Распространяется по лицензии Apache-2.0.

Карточка модели seerware/opensearch-neural-sparse-encoding-doc-v2-mini на Hugging Face совпадает с карточкой opensearch-project/opensearch-neural-sparse-encoding-doc-v2-mini, поэтому описание составлено по ней. opensearch-project/opensearch-neural-sparse-encoding-doc-v2-mini — компактная модель OpenSearch для нейронного разреженного поиска по документам. Она основана на BERT и содержит 25,9 млн параметров; модель принимает текст и формирует разреженные векторы размерностью 30 522. Для запросов используются токенизатор и таблица весов, а релевантность вычисляется как скалярное произведение векторов запроса и документа. Модель предназначена для применения с инвертированным индексом Lucene в OpenSearch и может запускаться через Sentence Transformers или API Hugging Face. Модель подходит для поиска документов и passages, семантического поиска и расширения документов при подготовке к поиску. В README приведены результаты оценки серии моделей на подмножестве BEIR; показатели различаются между наборами данных. Контекст ограничен 512 токенами, основной язык в метаданных — английский. Распространяется по лицензии Apache-2.0.

Модель распознавания сущностей в текстах о вакансиях и профессиях, разработанная группой NLP Международного эллинского университета. Это дообученная FacebookAI/roberta-base модель RoBERTa с архитектурой RobertaForTokenClassification и примерно 151,8 млн параметров. Она размечает текст на уровне токенов и выделяет профессии, навыки, квалификации, опыт и предметные области. Модель рассчитана на английский язык и контекст до 514 токенов. Модель подходит для извлечения структурированных требований из описаний вакансий и резюме, например для поиска профессий и навыков. В README приведены строгие span-F1 оценки на тестовой части обучающего датасета: 0,83 для профессий, 0,56 для опыта и 0,30 для предметных областей; это указывает на неодинаковое качество распознавания разных категорий. Обучение проводилось на открытом датасете Green et al.; лицензия модели — MIT.

sparse-encoder-testing/splade-bert-tiny-nq-onnx — компактная англоязычная модель разреженных текстовых представлений семейства SPLADE на архитектуре BERT, опубликованная пользователем или организацией sparse-encoder-testing. Модель реализована для библиотеки Sentence Transformers, доступна в формате ONNX и содержит около 4,4 млн параметров; максимальная длина входа составляет 512 токенов. Обучение выполнено с использованием SpladeLoss на наборе sentence-transformers/natural-questions размером около 99 000 примеров. Модель преобразует запросы и документы в разреженные векторные представления, пригодные для семантического поиска, информационного поиска и построения retrieval-компонента RAG-систем. Она ориентирована на английский язык и может применяться для сопоставления пользовательских вопросов с релевантными фрагментами документов. Формат ONNX удобен для быстрого или кроссплатформенного инференса при наличии совместимого runtime. Модель не генерирует ответы и не предназначена для обычной классификации или генерации текста; её результаты требуют последующего поиска и ранжирования. Качество может снижаться на русском и других языках, на текстах, существенно отличающихся от материалов Natural Questions, а также при превышении контекста в 512 токенов. Модель распространяется по лицензии Apache-2.0.

SynthIA-7B-v2.0 — языковая модель Mistral для генерации текста, опубликованная пользователем migtissera. Это плотная авторегрессионная модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для диалогов и развёрнутых ответов в формате SYSTEM/USER/ASSISTANT. Карточка задаёт стиль ответа с развёрнутым рассуждением и примером вопроса о синтезе инсулина; это не подтверждает специализацию модели на медицине. Модель работает с текстом и ориентирована на английский язык. Доступна под лицензией Apache-2.0.

TamilSBERT — модель представлений предложений, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она основана на TamilBERT и дообучена на наборе данных NLI, чтобы строить векторные представления предложений на тамильском языке и поддерживать оценку их сходства. Модель использует архитектуру BERT с плотными выходными представлениями; размер составляет 264,8 млн параметров, а максимальная длина входа — 512 токенов. Модель подходит для поиска семантически близких тамильских предложений, ранжирования кандидатов по сходству и извлечения эмбеддингов для семантического поиска. Для получения представлений требуется pooling поверх контекстных выходов трансформера. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY 4.0. В README упомянута более качественная модель сходства, дообученная на основе этой модели.

WikiMedical_sent_biobert_multi — многоязычная модель nuvocare на базе XLM-RoBERTa, предназначенная для получения плотных векторных представлений предложений и абзацев размерностью 768. Её обучали воспроизводить эмбеддинги модели nuvocare/WikiMedical_sent_biobert: XLM-RoBERTa-base выступала ученической моделью, а исходная WikiMedical — учительской. В метаданных указано 305,2 млн параметров и контекст до 514 токенов. Модель подходит для семантического поиска, сравнения сходства, кластеризации и межъязыкового сопоставления текстов. Обучение использовало датасет TED2020 на английском, испанском, французском, немецком, итальянском, каталанском, польском, русском и нидерландском языках; приведённые в карточке оценки охватывают часть этих языков. Данные о лицензии в предоставленных источниках отсутствуют.

Apertus v1.5 Swiss multilingual retrieval embeddings — текстовая двунаправленная модель эмбеддингов для семантического поиска и межъязыкового извлечения информации. Её разработал автор andreasmartin на базе andreasmartin/apertus-v1.5-8b-text; модель распространяется как самостоятельный Sentence Transformers чекпойнт. Веса обучались с LoRA, затем адаптер был объединён с моделью. Размер по README — 4,904 млрд параметров; метаданные указывают 6,7 млрд. Поддерживаются немецкий, английский, французский, итальянский, романшский и алеманнский (швейцарский немецкий). Модель предназначена для поиска совпадающих по смыслу текстов на одном или разных языках, в том числе для швейцарских материалов. Обучение включало Wikipedia и наборы VotingBooklets-v1 и SwissGov-RSD, с использованием MultipleNegativesRankingLoss и MatryoshkaLoss. Внутренняя оценка на отложенных данных показывает сильные результаты для моноязычного поиска; для кросс-языкового поиска Recall@10 высок, но Accuracy@1 заметно ниже. Эти диагностические результаты не являются внешними бенчмарками, а разметка из Wikipedia использует пары «заголовок—абзац» как приближение поисковых примеров. Для уверенных сравнений качества нужны внешние оценки на целевых данных. Модель принимает текст и выдаёт векторные представления для поиска и сравнения сходства. Лицензия — Apache-2.0.

DIACDE/bertimbaularge_tjgo_diacde_sts — Sentence Transformer, дообученный Дирекцией искусственного интеллекта, науки о данных и статистики суда штата Гояс (TJGO) на базе neuralmind/bert-large-portuguese-cased. Модель кодирует предложения и абзацы в плотные векторы размерности 1024; архитектура включает BERT Large и усреднение токенных представлений. Максимальная длина последовательности — 512 токенов, сходство можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких португалоязычных текстов, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации. Карточка приводит результаты оценки на наборе sts-dev: корреляция Спирмена составляет 0,6928 для косинусного сходства; качество зависит от данных и метрики. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

biencoder-mMiniLMv2-L6-mmarcoFR — плотный двунаправленный энкодер предложений, разработанный Antoine Louis для семантического поиска на французском языке. Он преобразует запросы и passages в векторы размерности 384; косинусное сходство между ними служит оценкой релевантности. Модель основана на nreimers/mMiniLMv2-L6-H384-distilled-from-XLMR-Large и дообучена на французской части mMARCO с трудными отрицательными примерами, полученными от плотных поисковых моделей. Модель подходит для поиска фрагментов текста по запросу и ранжирования кандидатов в крупном корпусе. В README описана оценка на 6 980 запросах и 8,8 млн passages; максимальная длина последовательности при обучении составляла 128 токенов. В метаданных указаны архитектура XLM-RoBERTa, 110,2 млн параметров и контекст 514 токенов. Лицензия — MIT. Модель рассчитана на французский язык и выдаёт векторные представления текста, а не готовые ответы. Её специализация на mMARCO-fr может ограничивать качество на других языках и задачах; README не приводит численных результатов оценки.

E5 Uzbek Embedding Model (e5-uz-v3) — модель эмбеддингов текста на базе XLM-RoBERTa, дообученная разработчиком Dovud Asadov на multilingual-e5-base для семантического поиска и извлечения документов на узбекском языке. Она кодирует запросы и документы в векторы размерности 768; для лучшего качества запросы следует помечать префиксом «query:», а документы — «passage:». Сходство векторов оценивается косинусной функцией. Модель содержит 305,2 млн параметров, использует 12 слоёв XLM-RoBERTa и рассчитана на последовательности до 512 токенов. Она обучена на 36 306 узбекских триплетах «запрос — релевантный документ — нерелевантный документ» с функцией потерь CachedMultipleNegativesRankingLoss. По приведённой оценке, cosine_accuracy составляет 0,499 при k=1, 0,723 при k=3 и 0,801 при k=5. Модель подходит для поиска по смыслу и retrieval в узбекских текстовых корпусах; лицензия Apache-2.0 допускает её использование на условиях этой лицензии. Узкая специализация на узбекском и максимальная длина последовательности ограничивают её применение для других языков и длинных документов без дополнительной проверки.

Это веса модели EVA02 Base Patch16 CLIP с входным разрешением 224 пикселя, опубликованные timm в формате OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными категориями без отдельного обучения на этих категориях. Модель использует архитектуру CLIP с визуальным энкодером EVA02 и доступна в форматах PyTorch и safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки, поэтому эти характеристики не приводятся.

InternVL-14B-224px — модель зрения и языка OpenGVLab с 14 млрд параметров, предназначенная для извлечения признаков изображений и решения задач на изображениях и видео. Модель принимает изображения размером 224 × 224 пикселя и поддерживает классификацию без дообучения, поиск соответствий между изображениями и текстом или видео и текстом, а также создание подписей к изображениям. Модель обучена на наборах LAION-en, LAION-COCO, COYO, CC12M, CC3M, SBU, Wukong и LAION-multi. В README отмечено, что для корректной работы при использовании необходим префикс «summarize:» и значение tokenizer.pad_token_id = 0. Лицензия — MIT. Конкретные поддерживаемые языки и численные результаты оценки в предоставленных материалах не описаны.

Achraf Soltani разработал эту англоязычную модель распознавания именованных сущностей в текстах вакансий. Это BERT-модель на базе jjzha/jobbert-base-cased, дообученная для классификации токенов по 17 BIO-меткам и обученная на метках, созданных Claude Sonnet 4.6. Модель выделяет восемь типов сущностей: навыки, должности, компании, местоположения, уровень опыта, образование, сертификаты и компенсацию. Она рассчитана на индексирование вакансий для поиска и аналитики рынка труда, а также на эксперименты с дистилляцией NER-моделей. Модель содержит 135,5 млн параметров, работает с контекстом до 512 токенов и обучалась на перекрывающихся окнах длиной 450 токенов с шагом 225. Для обработки полной вакансии требуется оконный вывод, вычислительная стоимость которого растёт с её длиной. На указанном в карточке тестовом наборе из 516 вакансий micro-F1 составил 0,325; точность и полнота — 0,227 и 0,573. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

LaBSE, дообученная командой Lingtrain на парах предложений на русском и ингушском языках. Модель построена на архитектуре BERT и Sentence-Transformers и преобразует предложения и абзацы в плотные векторы размерности 768; заявленный размер модели — 498,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для сопоставления русских и ингушских текстов в общем векторном пространстве. Её можно применять для семантического поиска, сравнения предложений и кластеризации. Репозиторий содержит веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

lettuce-thymos-26m-v1 — компактная модель классификации эмоций, разработанная авторами репозитория Zeolit. Она определяет несколько эмоций одновременно по короткому разговорному тексту на 22 языках, используя 28 меток GoEmotions. Модель основана на дистиллированном энкодере XLM-RoBERTa large: 8 слоёв, размер скрытого состояния 384, 6 голов внимания и позиционное кодирование RoPE. В репозитории указаны 26,5 млн параметров и вариант ONNX размером 28 МБ в INT8; доступны также веса safetensors. Модель предназначена для автоматической разметки эмоций в сообщениях, например для анализа тональности разговоров или группировки текстов по эмоциональным меткам. Она поддерживает английский, русский и ещё 20 языков. Для решений следует применять отдельные пороги из labels.json: единый порог 0,5 заметно снижает macro-F1. Лицензия — Apache-2.0. Основные ограничения связаны с данными Reddit: модель хуже подходит для длинных, литературных и формальных текстов. Результаты для арабского и суахили ниже, чем для большинства языков; слабее также распознаются grief, relief, pride, nervousness и embarrassment. Вероятности не откалиброваны как абсолютная уверенность, а клинические, диагностические и критически важные решения для безопасности не являются целевым применением.

MetaCLIP 2 (worldwide) — модель Meta, соответствующая чекпойнту ViT-bigG-14-378-worldwide из оригинальной реализации MetaCLIP 2. Она предназначена для классификации изображений по текстовым описаниям без дообучения на конкретных метках: пользователь задаёт варианты классов, а модель оценивает соответствие изображения каждому из них. Модель имеет архитектуру MetaClip2Model и доступна в формате safetensors; для работы в карточке указана библиотека Transformers. Модель рассчитана на многоязычное применение и может использоваться для поиска изображений по категориям и быстрой разметки изображений заданным набором текстовых меток. Репозиторий опубликован по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

Distilled MetaCLIP 2 ViT-S/16 (384px) worldwide — мультиязычная модель семейства MetaCLIP 2 от Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-384-worldwide оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах. Модель принимает изображения и текстовые метки классов, сопоставляет их и позволяет выбирать наиболее подходящие описания. Архитектура — MetaClip2Model; файлы представлены в формате safetensors и доступны для использования через Transformers. Карточка отмечает модель как мультиязычную, но не приводит конкретный перечень языков. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Typeform разработала MobileBERT, дообученную на наборе Multi-Genre Natural Language Inference (MNLI) для классификации без примеров. Модель сопоставляет текст с заданными пользователем категориями и оценивает, какая из них лучше подходит; её можно применять для разметки текстов по произвольному набору меток без отдельного обучения на этих метках. Это англоязычная модель семейства MobileBERT с архитектурой MobileBertForSequenceClassification и 59,7 млн параметров. Она принимает текст, поддерживает контекст длиной до 512 токенов и выдаёт оценки классов. Веса доступны в форматах PyTorch и Safetensors. Модель может воспроизводить вредные стереотипы о защищённых группах и социальных характеристиках, поэтому результаты требуют проверки. В карточке указано, что для лицензии нужно уточнение; условия использования по имеющимся данным определить нельзя.

Qwen3-VL-8B-NSFW-Caption-V4.5 — мультимодальная модель для подробного описания изображений, созданная на базе Qwen/Qwen3-VL-8B-Instruct с помощью дообучения LoRA. Разработчик в README называет модель thesby, тогда как идентификатор репозитория указывает monkeyslikebananas. Модель генерирует развернутые описания сцен, отмечая объекты, обстановку, эмоции, материалы и освещение. Она рассчитана на автоматическую разметку и каталогизацию изображений, помощь в доступности и анализ SFW- и NSFW-контента; также заявлена поддержка описания коротких видео. В основе — плотная архитектура Qwen3-VL с 8 млрд параметров; модель принимает визуальный ввод и формирует текст. Карточка указывает поддержку китайского и английского языков. README заявляет высокое качество и длинные описания, однако эти оценки не сопровождаются независимыми результатами тестирования. Возможны галлюцинации, предвзятость и ошибки при классификации пограничного SFW/NSFW-контента; для важных решений требуется проверка человеком. Лицензия — Apache-2.0.

RoBERTa Amharic Text Embedding Medium — модель Sentence Transformers от rasyosef, дообученная на наборе amharic-passage-retrieval-dataset на базе rasyosef/roberta-medium-amharic. Она преобразует предложения и абзацы на амхарском языке в плотные векторы размерностью 512 для поиска по смыслу и сравнения текстов. Архитектура включает XLM-RoBERTa, усредняющий пулинг токенов и нормализацию; базовая модель содержит 49,9 млн параметров, максимальная длина последовательности — 512 токенов. Сходство векторов оценивается косинусной мерой. Модель подходит для семантического поиска и извлечения релевантных пассажей, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов на амхарском языке. В README приведены результаты оценки поиска на обучающем корпусе, но они не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

mrp/simcse-model-wangchanberta — модель эмбеддингов предложений на базе архитектуры CamemBERT, обученная с использованием SimCSE. По README, исходной точкой служил mBERT, а для обучения использовалась тайская Википедия. Модель преобразует предложения и абзацы в плотные векторы размерности 768; её можно применять для семантического поиска и кластеризации. Параметры распространяются в формате PyTorch, размер модели — 132,5 млн параметров, максимальный контекст — 512 токенов. Модель предназначена прежде всего для работы с тайским текстом. Лицензия в доступных данных не указана.