I.12Рекомендации и персонализация

Venusaur — компактная модель эмбеддингов на основе архитектуры BERT от автора Mihaiii, созданная дистилляцией Mihaiii/Bulbasaur на наборе данных qa-assistant. Она предназначена для семантического автодополнения: преобразует английские тексты в векторы, которые можно использовать для сравнения смысловой близости предложений и поиска релевантных вариантов. Модель содержит 16,4 млн параметров, поддерживает работу через Sentence-Transformers и Transformers; доступны форматы safetensors и ONNX. Модель рассчитана исключительно на английский язык. Контекст ограничен 512 токенами, а более длинные тексты обрезаются. Лицензия — MIT.

Wartortle — компактная модель эмбеддингов на базе BERT, созданная Mihaiii как дистилляция bge-base-en-v1.5. Она предназначена прежде всего для семантического автодополнения: преобразует текст в векторы, которые можно использовать для поиска подходящего продолжения или сопоставления фраз. Модель содержит 18,8 млн параметров, работает с контекстом до 512 токенов и доступна в форматах Safetensors и ONNX. Для корректного использования в сценарии семантического автодополнения README рекомендует CLS-пулинг и нормализацию эмбеддингов; модель также можно применять в задачах сходства предложений и извлечения признаков. Базовая модель ориентирована на английский язык. Лицензия — MIT.

Activity Generation Model v0.2 — языковая модель, разработанная для проекта MyVillage и дообученная на базе Qwen/Qwen2.5-0.5B-Instruct с помощью supervised fine-tuning и LoRA. Она принимает описание того, что ученик изучил, практиковал, создал, исследовал или испытал, и предлагает одно небольшое следующее учебное занятие, которое развивает предыдущий опыт. Результат содержит название, описание, инструкции и тип занятия из семи категорий: REFLECTION, RESEARCH, COLLABORATE, CREATE, PRACTICE, EXPERIENCE и TEACH. Модель имеет плотную архитектуру Qwen2, около 494 млн параметров и контекст до 32 768 токенов. Карточка указывает английский язык; лицензия — Apache-2.0. Модель предназначена для генерации конкретных следующих шагов в адаптивном обучении и для передачи структурированных занятий в прикладные системы. Среди ограничений: в обучающих данных есть синтетические примеры, качество не подтверждено полным отложенным бенчмарком, а соответствие, уместность и сложность предложений требуют проверки, особенно для тем за пределами обучающего распределения.

Это компактная модель Sentence Transformers, дообученная автором swardiantara на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 128 для поиска и сравнения по смыслу. Архитектура состоит из двухслойного BERT с mean pooling; метаданные указывают 4,4 млн параметров, формат safetensors и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска, извлечения текстовых признаков и оценки сходства предложений. В обучении использовался набор из 2 925 010 пар текстов с метками и OrdinalProxyContrastiveLoss; примеры в карточке связаны с отзывами Yelp, поэтому применение к другим жанрам и доменам может потребовать проверки качества. Лицензия в предоставленных данных не указана.

EVA02-Large-CLIP — модель сопоставления изображений и текста, опубликованная командой PyTorch Image Models (timm) и доступная через OpenCLIP. Она предназначена для классификации изображений без специального дообучения: модель сравнивает изображение с текстовыми описаниями категорий и оценивает соответствие. Архитектура относится к семейству EVA-02 и CLIP; вариант рассчитан на изображения 224×224 пикселя и использует патч 14×14. Входы — изображения и текст, выходы — оценки сходства, пригодные для ранжирования вариантов или выбора метки. Модель имеет лицензию MIT. Её результат зависит от формулировки текстовых меток и охвата обучающих данных; это не универсальный распознаватель объектов и он может ошибаться на необычных доменах или тонких различиях между категориями.

MyAwesomeModel — модель из репозитория sfdsfaff333/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers. В метаданных Hugging Face она классифицирована как BERT-подобная модель для извлечения признаков и совместима с PyTorch. README описывает обновлённую версию с улучшенными возможностями рассуждения, понимания текста, генерации, ответов на вопросы, классификации, суммаризации, программирования и function calling, однако эти заявления не согласуются с указанным pipeline-тегом feature-extraction и не подтверждают конкретную архитектуру, размер или контекст модели.

Qwen3-Embedding-0.6B-4bit-DWQ — это 4-битная квантованная версия модели Qwen3-Embedding-0.6B, разработанная сообществом mlx-community и преобразованная в формат MLX из исходной модели Qwen/Qwen3-Embedding-0.6B с использованием mlx-lm 0.24.1. Модель предназначена для задач feature extraction и вычисления семантического сходства текстов; в метаданных также указана совместимость с Transformers и sentence-transformers. Модель содержит около 0,6 млрд параметров и ориентирована на запуск в экосистеме MLX. Квантование 4-bit DWQ должно снижать требования к памяти по сравнению с полноразмерной версией, однако README не содержит количественных данных о качестве, поддерживаемых языках, размере контекста, точной архитектуре эмбеддингов или доступных модальностях. В примере показан текстовый ввод и загрузка через mlx-lm; дополнительные сценарии применения и ограничения не описаны. Модель распространяется по лицензии Apache-2.0. Для использования требуется установка пакета mlx-lm; README демонстрирует интерфейс генерации текста, хотя основное назначение модели по метаданным связано с получением признаков и оценкой сходства предложений.

Bulbasaur — компактная модель эмбеддингов, созданная автором Mihaiii дистилляцией gte-tiny на датасете qa-assistant. Она предназначена для семантического автодополнения: преобразует английский текст в векторы, которые можно использовать для сравнения смысловой близости запросов и вариантов продолжения. Модель построена на архитектуре BERT, содержит 18,8 млн параметров и принимает текст длиной до 512 токенов; доступны форматы Safetensors и ONNX. Модель подходит для семантического поиска и подбора релевантных подсказок в интерфейсах автодополнения. Лицензия MIT разрешает широкое использование. Она рассчитана исключительно на английский язык, а входные тексты длиннее 512 токенов обрезаются.

Decision-1.0-Kai-0.6B — модель для структурированного выбора и оценки решений, разработанная командой vllm-sr. Она принимает контекст вместе с вопросами и описаниями кандидатов, а затем возвращает ответы и распределения вероятностей; генерация текста не используется. Модель дообучена на многоязычном энкодере Vela-1.0-Encoder-307M и имеет архитектуру Decision1Model с тремя двунаправленными путями по 22 слоя, общими входными эмбеддингами и отдельными слоями взаимодействия для разных типов решений. Модель предназначена для выбора между действиями или категориями, проверки условий и оценивания по упорядоченным критериям. Кандидаты задаются при каждом запросе; вопросы можно объединять для одного контекста или применять к пакетам контекстов. Полный запрос ограничен 1 024 токенами, включая контекст, вопросы, кандидатов и специальные токены; более длинные запросы отклоняются. В README приведены результаты бенчмарков на английском и китайском языках, но широкие многоязычные результаты относятся к предыдущим весам. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для обслуживания через vLLM требуется совместимая среда vLLM Semantic Router Decision; локальный запуск возможен через Transformers с включением trust_remote_code. Вероятности не гарантируют правильность решения, порядок кандидатов может влиять на прогнозы, а в тестах Transfer модель уступала англоязычной Laya.

mmE5-mllama-11b-instruct — мультимодальная многоязычная модель эмбеддингов, представленная авторами работы «mmE5: Improving Multimodal Multilingual Embeddings via High-quality Synthetic Data» в 2025 году. Она дообучена на базе Llama-3.2-11B-Vision и предназначена для получения эмбеддингов изображений и текста, в том числе для классификации изображений по текстовым описаниям без специального обучения на классах.

MyAwesomeModel — модель на базе BERT, опубликованная под идентификатором ASD123SAD21/MyAwesomeModel-TestRepo. Она предназначена прежде всего для извлечения признаков из текста с использованием библиотеки Transformers и PyTorch, поэтому может применяться для построения векторных представлений и последующей обработки текста в прикладных системах. В README также заявлены улучшенные способности к рассуждению, пониманию текста, классификации, анализу тональности, ответам на вопросы, суммаризации, переводу и генерации кода, однако метаданные Hugging Face классифицируют модель как feature-extraction.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в репозитории ASDASD12321WSX/MyAwesomeModel-TestRepo и предназначенная для извлечения признаков из текста. В метаданных Hugging Face указаны библиотеки Transformers и PyTorch, а также задача feature-extraction. Модель можно использовать для получения векторных представлений текста в задачах семантического поиска, кластеризации, сравнения текстов и построения прикладных классификаторов поверх эмбеддингов. README также содержит заявления о способностях к рассуждению, генерации кода, диалогу, суммаризации и другим задачам, однако эти возможности не подтверждены указанным pipeline-тегом и описанием архитектуры. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные сведения о разработчике в доступных данных не указаны.

MyAwesomeModel — модель из репозитория eeeeerrrr4/MyAwesomeModel-TestRepo, опубликованная на Hugging Face и предназначенная для извлечения признаков из текста. В метаданных она классифицирована как feature-extraction; среди тегов указана совместимость с BERT, PyTorch и библиотекой Transformers. README также описывает улучшенные способности к рассуждению, математике, программированию, пониманию текста, диалогу, суммаризации и вызову функций, однако эти сценарии не подтверждены отдельным pipeline-тегом или подробными техническими характеристиками в предоставленных данных. В карточке приведены результаты внутренних бенчмарков и рекомендации по использованию чат-версии модели. Модель распространяется по лицензии MIT. Для практического применения следует учитывать, что точные сведения об архитектуре, размере, поддерживаемых языках и длине контекста в предоставленных данных отсутствуют, а заявленные результаты README требуют самостоятельной проверки.

MyAwesomeModel — модель из репозитория SAD1D1321321/MyAwesomeModel-TestRepo, опубликованная для извлечения признаков из текста. В метаданных Hugging Face она обозначена как модель для задачи feature-extraction и связана с экосистемой Transformers и PyTorch; тег BERT указывает на использование архитектуры или семейства BERT. Модель предназначена для получения векторных представлений текста, которые можно применять в семантическом поиске, кластеризации, классификации, оценке сходства и других задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации текста, ответов на вопросы, программирования, вызова функций и снижении галлюцинаций, однако эти характеристики не согласуются с основным pipeline-тегом feature-extraction и не подтверждены техническими сведениями о конфигурации модели. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные архитектурные параметры в доступных данных не приведены. Для практического использования следует проверить конфигурацию и фактическое назначение модели перед применением в продуктивных системах.

Qwen3-12B-20pct-Compressed-14B-EN-V1.5 — сжатая и дообученная для чата модель проекта Efficient and Robust AI System (E-AI), разработанного Vincent-Daniel Yun. В ней удалены 8 из 40 слоёв Qwen3-14B; в репозитории указано около 12 млрд параметров, а метаданные указывают 11,3 млрд. Модель принимает текст и генерирует текст, имеет контекст 40 960 токенов и ориентирована прежде всего на английский язык. Репозиторий распространяет веса в формате safetensors. Основное назначение модели — быстрая классификация и оценка текста: анализ тональности, тематики и намерений, модерация содержимого, проверка предпочтений, понимание прочитанного и ответы по материалам RAG. README также сообщает о результатах в медицинских и биомедицинских задачах. Для фактологических вопросов рекомендуется использовать поиск или RAG, а ответы держать короткими: модель может галлюцинировать факты, а длинная генерация, сложные рассуждения, математика и задачи с длинным контекстом не рекомендуются. В версии V1.5 включён контроль повторов по умолчанию; веса, согласно карточке, не изменились относительно V1. Модель основана на Qwen/Qwen3-14B и прошла сжатие удалением слоёв, восстановление и инструкционное дообучение для чата; методы сжатия и восстановления не раскрыты. Лицензия — Apache-2.0. Для Transformers требуется trust_remote_code=True из-за пользовательского слоя декодера; для vLLM в репозитории предусмотрен плагин.

DatologyAI CLIP Retrieval Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на базе архитектуры CLIP и обученная с помощью OpenCLIP. Она предназначена для поиска соответствий между изображениями и текстовыми запросами: поддерживает поиск изображений по описанию и подбор описаний к изображениям, а также классификацию изображений по текстовым меткам без отдельного обучения на этих классах. Модель использует визуальный энкодер ViT-B/32 с патчами 32×32 и входным размером изображения 224×224, а также 12-слойный текстовый Transformer с контекстом 77 токенов; размерность эмбеддингов — 512. Обучающие пары изображений и текста отобраны из DataComp-XL с использованием пайплайна курирования DatologyAI. В README приведены результаты на MSCOCO и Flickr30K, однако они не гарантируют аналогичного качества на других распределениях данных. Модель принимает изображения и текст, выдаёт векторные представления для сопоставления и оценки близости. Лицензия — Apache 2.0.

textattack/bert-base-uncased-STS-B — англоязычная модель классификации текста, опубликованная TextAttack. Это BERT-base uncased с архитектурой BertForSequenceClassification, дообученный для оценки семантического сходства пар предложений на датасете STS-B. Модель принимает текстовые пары и предсказывает оценку сходства; в каталоге Hugging Face для неё указан pipeline text-classification. Размер — 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель подходит для сравнения смысловой близости предложений и экспериментов с оценкой семантического сходства. Она рассчитана на английский текст: вариант uncased не различает регистр. Ограничения включают предел контекста в 512 токенов и узкую настройку под STS-B; карточка Hugging Face не содержит подробных сведений о лицензии.

gte-micro — компактная модель эмбеддингов на архитектуре BERT, разработанная как дистилляция gte-small. Она предназначена для семантического автодополнения: преобразует английский текст в векторы, которые можно использовать для поиска подходящих продолжений или сравнения смысловой близости. Модель содержит 18,8 млн параметров, принимает текстовые входы и рассчитана на контекст до 512 токенов; доступны форматы Safetensors и ONNX. Модель подходит для сценариев семантического поиска и ранжирования вариантов автодополнения по смыслу. Лицензия — MIT. Она предназначена только для английского текста; более длинные входы обрезаются до 512 токенов.

gte-micro-v2 — компактная модель эмбеддингов на архитектуре BERT, опубликованная пользователем Mihaiii. Это дистиллят gte-tiny, предназначенный прежде всего для семантического автодополнения: модель преобразует текст в векторные представления, которые можно использовать для оценки смыслового сходства. Размер модели — 18,8 млн параметров, контекст ограничен 512 токенами; для работы указана библиотека Sentence Transformers, а веса доступны в форматах ONNX и safetensors. Модель рассчитана исключительно на английские тексты. Длинные входы усекаются до 512 токенов, поэтому она не подходит для прямого сравнения полного текста, превышающего это ограничение. Лицензия — MIT.

gte-micro-v4 — компактная модель эмбеддингов на архитектуре BERT, разработанная как дистилляция gte-tiny. Она предназначена для семантического автодополнения: преобразует английские тексты в векторные представления, которые можно использовать для поиска близких по смыслу вариантов. Модель рассчитана на Sentence-Transformers или Transformers с подходящей операцией pooling; доступны форматы Safetensors и ONNX. В ней 21,2 млн параметров, контекст ограничен 512 токенами. Модель ориентирована исключительно на английский язык; более длинные тексты обрезаются до 512 токенов. Лицензия MIT.

MyAwesomeModel — модель из репозитория MalaniAro/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. По метаданным Hugging Face она предназначена для извлечения признаков из входных данных и относится к архитектурному семейству BERT. Модель можно применять для получения векторных представлений текста, последующей классификации, кластеризации, семантического поиска и других задач, использующих эмбеддинги. README также описывает заявленные возможности рассуждения, программирования, математики и работы с диалогами, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не содержат проверяемых технических характеристик модели. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные сведения о разработчике в доступных данных не приведены.

MyAwesomeModel — модель на базе BERT, опубликованная пользователем VioletteHunter на Hugging Face и предназначенная для извлечения признаков из текста через библиотеку Transformers и PyTorch. Метаданные классифицируют её по pipeline-задаче feature-extraction и указывают лицензию MIT. Извлечённые векторные представления можно использовать как входные данные для последующей классификации, поиска похожих текстов, кластеризации и других задач машинного обучения. README дополнительно заявляет о возможностях рассуждения, генерации кода, ответов на вопросы, суммаризации, диалога и function calling, однако эти сведения не согласуются с указанным в метаданных pipeline-тегом feature-extraction и не подтверждают размер, контекст, языки или точную архитектуру конкретного репозитория. Модель распространяется по лицензии MIT. Практическое применение следует проверять на целевых данных, поскольку README содержит общие заявления о результатах и не приводит воспроизводимых сведений о тестовой конфигурации, датасетах или ограничениях.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная пользователем или организацией ZXC13ESDS на Hugging Face. Модель предназначена для получения векторных представлений текста, которые можно использовать в задачах семантического поиска, сравнения текстов, классификации и других downstream-сценариях обработки естественного языка. Для работы заявлена библиотека Transformers с поддержкой PyTorch. В README также заявлены возможности рассуждения, генерации кода, диалогов, суммаризации, function calling и работы с веб-поиском, однако эти сведения не согласуются с метаданными, где модель указана как feature-extraction с тегом BERT. Архитектура, число параметров, поддерживаемые естественные языки и длина контекста в доступных данных не указаны. Модель распространяется по лицензии MIT.

ProCIR — мультимодальная модель размером 0,8 млрд параметров, разработанная для поиска товаров по составному запросу, который сочетает изображение и текст. Модель дообучена на FashionMV на базе Qwen/Qwen3.5-0.8B и использует диалоговую архитектуру, разделяющую восприятие и рассуждение, а также выравнивание изображений и текста для представления знаний о товарах. Модель предназначена для многоракурсного поиска товаров в каталогах одежды: например, чтобы найти товар, похожий на изображение, но с заданными текстом изменениями. В README приведены результаты на DeepFashion, Fashion200K и FashionGen-val; для запуска предлагается использовать Transformers и AutoProcessor. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. Описание не уточняет поддерживаемые языки или длину контекста.

Qwen3-1.7B-plumb — модель на базе Qwen3-1.7B от Totum Labs для диалогов и генерации текста с дополнительной головой принятия решений. Она выбирает из заданных вариантов, отвечает «да» или «нет» либо выставляет оценку, выдавая вероятности для вариантов и калиброванное решение за один проход по уже накопленному KV-кэшу. В репозитории веса Qwen3-1.7B сохранены без изменений; добавлены обученная голова решений на 51,5 млн параметров и адаптер LoRA, активный при обработке решений. Общий размер базовой модели — 1,7 млрд параметров, длина контекста — до 40 960 токенов. Модель предназначена для принятия структурированных решений в диалоге, в том числе выбора варианта по контексту, ранжирования заданных вариантов и выставления оценок; она также сохраняет возможности базовой Qwen3 для генерации текста и общения. README сообщает о тестировании на 447 отложенных решениях и приводит более высокую точность, чем у базовой модели в указанных настройках. Для работы требуются vLLM 0.30.0 и плагин Plumbify; указано ограничение на запуск на одном GPU без tensor и pipeline parallelism. Обучающие решения были на английском, а голова выбирает только из предложенных вариантов и не проверяет их корректность. Лицензия — Apache-2.0.

zeromodels/siglip2_so400m_p14_224 — конверсия модели SigLIP 2 Google в формат Keras 3 для библиотеки zeromodels. Это мультимодальная модель нулевой классификации изображений: при инференсе она сопоставляет изображение или изображения с текстовыми подсказками и оценивает, какие из них лучше соответствуют содержимому. Реализация работает с TensorFlow, PyTorch и JAX. Модель основана на google/siglip2-so400m-patch14-224. SigLIP 2 использует мультиязычный словарь Gemma на 256 тысяч токенов; предварительное обучение включает обучение по подписям, самодистилляцию и предсказание маскированных областей для улучшения семантических и плотных визуальных признаков. Для загрузки рекомендован соответствующий Processor, чтобы согласовать размер изображений и токенизатор. Модель подходит для классификации изображений по заданным текстовым меткам и сопоставления изображений с текстовыми описаниями. В репозитории указана лицензия Apache 2.0. Конкретные показатели качества и контекстные ограничения в предоставленных данных не приведены.

GPTasty/TastyRecipesEmbedder — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2 для работы с текстами рецептов. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 768; для сравнения используется косинусное сходство. Архитектура основана на MPNet с усреднением токенов, максимальная длина последовательности в README — 384 токена, а контекст модели по метаданным — 514 токенов. Модель подходит для семантического поиска и сравнения рецептов, поиска перефразировок, кластеризации и классификации текстов. Её можно применять для подбора похожих рецептов по описанию или ингредиентам. Данные карточки не сообщают условия лицензии, поэтому условия использования здесь не описаны.

Карточка модели Salesforce/blip2-itm-vit-g-coco на Hugging Face совпадает с карточкой Salesforce/blip2-itm-vit-g, поэтому описание составлено по ней. Salesforce/blip2-itm-vit-g — модель семейства BLIP-2 для классификации изображений без предварительного обучения на заданных категориях. Она сопоставляет изображение с текстовыми описаниями или метками и позволяет выбирать наиболее подходящие варианты. Архитектура реализована классом Blip2ForImageTextRetrieval; файлы доступны в форматах PyTorch и safetensors, модель предназначена для использования с библиотекой Transformers. Модель подходит для поиска изображений по тексту и классификации изображений по наборам пользовательских меток. Карточка автоматически сгенерирована и не содержит сведений о разработчике, обучающих данных, языках или результатах оценки. В карточке указано, что выпуск предназначен для исследовательских целей и что перед внедрением следует оценивать точность, безопасность и справедливость модели. Лицензия — MIT. Модель принимает изображение и текстовые варианты для сопоставления и возвращает оценки соответствия; она не предназначена для генерации изображений.

DeepShopper Reward V0 — модель на базе Qwen3-4B, дообученная командой flavianv на наборах одежды из Amazon Apparel 2023. Она генерирует комплект одежды в ответ на текстовое описание потребности; при оценке кандидатов используется правдоподобие их последовательности при принудительной подаче токенов, преобразованное в оценку на основе средней отрицательной логарифмической вероятности. Модель предназначена для сравнительной оценки комплектов одежды в рекомендациях, а не для универсальной оценки качества. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors. Метаданные указывают контекст до 262 144 токенов, интерфейс чата и задачу генерации текста. Лицензия — Apache-2.0. README описывает обучение на отобранных комплектах Amazon Apparel 2023 и применение в распределении, близком к обучающим данным.

DivyaMereddy007/RecipeBert1 — модель на базе BERT из библиотеки Sentence Transformers, разработанная пользователем DivyaMereddy007. Она преобразует предложения и абзацы в плотные векторы размерности 768 для кластеризации, семантического поиска и сравнения сходства текстов. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для обучения использовалась функция потерь CosineSimilarityLoss. Модель подходит для построения поиска по рецептам и другим текстам, группировки похожих описаний и получения векторных представлений для последующего сравнения. В карточке указана лицензия Apache 2.0.