I.12Рекомендации и персонализация

Huffon/sentence-klue-roberta-base — модель на базе RoBERTa для получения векторных представлений предложений и текстов. Она использует подход Sentence-BERT с сиамскими сетями и предназначена для работы с библиотекой Sentence-Transformers. Модель содержит 137,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель рассчитана на корейский язык и обучена на данных KLUE. Её можно применять для сравнения семантической близости предложений и извлечения текстовых эмбеддингов для поиска и группировки. В репозитории представлены веса PyTorch. Условия лицензии в предоставленных данных не указаны.

SigLIP so400m patch16 256 i18n — мультимодальная модель Google семейства SigLIP с архитектурой SoViT-400m, предварительно обученная на многоязычном корпусе сопоставленных изображений и текстов. Вариант использует разрешение 256; в карточке указаны обработка изображений с приведением к разрешению 384×384 и ограничение текста до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для поиска изображений по тексту и текстов по изображению. Она сопоставляет представления изображений и текста; обучение SigLIP использует sigmoid loss для пар изображение—текст. Модель построена на SoViT-400m, форме ViT, оптимизированной по вычислительным масштабам. Модель обучена на наборе WebLI. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой Transformers. Лицензия — Apache-2.0. Карточка приводит сведения об обучении и сценариях применения, но не описывает отдельную процедуру тонкой настройки для этой версии.

fancyfeast/so400m-long — это дообученная модель SigLIP 2 So400m для сопоставления изображений с текстом и классификации изображений по текстовым меткам без заранее заданного набора классов. Автор увеличил максимальную длину текста с 64 до 256 токенов, оставив визуальную башню замороженной и дообучив часть текстовой башни. Модель принимает изображения и текстовые описания, кодирует их в общее пространство и позволяет сравнивать соответствие изображения текстовым меткам. Модель подходит для классификации изображений по пользовательским категориям и поиска подходящих изображений по длинным описаниям. При дообучении использовались пары изображение–текст, включая подписи, теги, промпты и примеры вопросов и ответов по изображениям. Автор отмечает, что результаты немного лучше базовой SigLIP 2 So400m, однако модель склонна отдавать предпочтение более коротким описаниям; распознавание списков booru-тегов на фотореалистичных изображениях остаётся несовершенным. Лицензия — Apache-2.0.

VelaVec-T2I — компактная гибридная модель для поиска изображений по тексту, разработанная автором репозитория xagent2025. Текстовая часть содержит 9,8 млн параметров: замороженную таблицу представлений размером 30 522 × 256, три двунаправленных блока внимания и два слоя пулинга. Дополнительная проекционная голова переводит признаки изображений CLIP в пространство текстовых эмбеддингов VelaVec, поддерживая поиск в обоих направлениях; модель оптимизирована прежде всего для поиска изображений по тексту. В тесте на Flickr30k автор сообщает Recall@1 0,560 для поиска изображения по подписи и 0,619 для поиска подписи по изображению. Обучение проекционной головы проводилось на Flickr30k с контрастивной функцией InfoNCE. Для обработки изображений при инференсе требуются PyTorch, Transformers и признаки двух моделей CLIP — openai/clip-vit-base-patch32 и openai/clip-vit-large-patch14; их веса не включены в репозиторий. Лицензия — MIT.

timm/ViT-L-16-SigLIP2-256 — контрастивная модель «изображение–текст» семейства SigLIP 2, разработанная и преобразованная для использования в OpenCLIP из исходного контрольного набора JAX проекта Big Vision. Модель обучена на WebLI и предназначена для классификации изображений без дообучения: она сопоставляет изображение с текстовыми описаниями классов и позволяет выбирать наиболее подходящие варианты. Модель принимает изображения и текстовые метки или описания, а результатом служат оценки соответствия, пригодные для ранжирования кандидатов. В названии указаны вариант ViT-L-16 и размер изображения 256; карточка описывает мультиязычные возможности семейства SigLIP 2, но не перечисляет поддерживаемые языки этой конкретной версии. Использование весов регулируется лицензией Apache-2.0.

sararob/book-recommender — дообученный автором Sentence Transformers англоязычный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель кодирует предложения и абзацы в плотные векторы размерностью 384 и предназначена для сравнения смысловой близости, семантического поиска и подбора похожих текстов. Название и примеры обучающих пар указывают на сценарий поиска книг по описанию или предпочтениям: например, сопоставление запроса «уютный детектив в маленьком городке» с похожим описанием. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; сходство можно оценивать косинусной мерой. В метаданных указано окно контекста 512 токенов, тогда как README модели задаёт максимальную длину последовательности 256 токенов. Репозиторий содержит форматы Safetensors и ONNX и насчитывает 25,9 млн параметров. Обучение описано как дообучение на трёх парах предложений с MultipleNegativesRankingLoss, поэтому качество специализированных рекомендаций может быть ограниченным. Лицензия в предоставленных данных не указана.

CLIP-FlanT5-XL (VQAScore) — дообученная Zhiqiu Lin и соавторами генеративная модель «зрение—язык» на основе Google Flan-T5-XL. Она предназначена для задач сопоставления изображений и текста и оценки соответствия изображения текстовому описанию в сценариях поиска и ранжирования. Модель использует архитектуру T5 и содержит 1,5 млрд параметров. Она принимает текстовые инструкции; в задачах VQAScore также использует изображения и формирует текстовый ответ или оценку соответствия. Указанный в метаданных контекст — 512 токенов, основной язык карточки — английский. Лицензия — Apache-2.0.

CommerceCore — дообученная модель на 1,7 млрд параметров для преобразования естественно-языковых поисковых запросов в интернет-магазинах в структурированные ограничения каталога: например, извлечения цвета, цены, состава товара и других атрибутов. Она основана на плотной авторегрессионной архитектуре Qwen3 и обучена методом QLoRA на примерах извлечения ограничений; адаптер объединён с базовыми весами, поэтому модель поставляется как самостоятельный артефакт. Модель ориентирована на английские запросы и поддерживает контекст до 40 960 токенов. Её используют для разбора поисковых запросов и подготовки фильтров, которые затем применяются при поиске, ранжировании или объяснении рекомендаций. В карточке приведены результаты на тестовых наборах, но независимая проверка на свежих запросах показывает, что заявленное преимущество проявляется не во всех условиях. Разработчик обозначает модель как исследовательский прототип и предостерегает от использования в production без собственной проверки. Лицензия — Apache-2.0.

fusion-embedding-2-k3-vision — обученный EximiusLabs проектор для поиска изображений по текстовым запросам. Он использует замороженный визуальный энкодер MoonViT-V2 из moonshotai/Kimi-K3 и переводит его признаки в общее пространство эмбеддингов fusion-embedding-2, совместимое с текстовыми представлениями. Языковая модель Kimi K3 в работе проектора не используется. Визуальная башня содержит около 401 млн параметров, обучаемый проектор — около 3,15 млн. Проектор формирует вектор изображения размерности 2048; модель предназначена для извлечения признаков и поиска изображений по тексту, а также может включать изображения в общий индекс с другими модальностями пространства fusion-embedding-2. В README приведены результаты теста text-to-image retrieval на Flickr30k, но перенос этих результатов на другие наборы данных не гарантирован. Модель обозначена авторами как исследовательское превью. Для запуска нужны веса визуальной башни из moonshotai/Kimi-K3 и проектор из этого репозитория. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

MyAwesomeModel — модель на базе Transformers с тегом архитектуры BERT, предназначенная для извлечения признаков из текста. В метаданных Hugging Face её основной pipeline отмечен как feature-extraction, поэтому модель может использоваться для получения векторных представлений текста в задачах последующей классификации, поиска сходства и семантического анализа. README также заявляет об улучшениях рассуждений, генерации, программировании, математике, диалоге, суммаризации и function calling, однако эти сведения не согласуются с указанным в метаданных pipeline feature-extraction и не подтверждают конкретную архитектуру, размер или контекст модели. Разработчик в предоставленных данных не идентифицирован. Модель распространяется под лицензией MIT и предназначена для использования с библиотекой Transformers и PyTorch.

MyAwesomeModel — модель из репозитория sads1xcz21esa/MyAwesomeModel-TestRepo, опубликованная с использованием библиотеки Transformers и PyTorch. В метаданных Hugging Face она классифицирована как модель для извлечения признаков и имеет теги BERT, feature-extraction и transformers. Лицензия модели — MIT. Извлечённые признаки можно использовать для представления текста в виде векторов и последующей семантической обработки, например поиска похожих текстов, классификации или кластеризации. README также описывает заявленные возможности рассуждения, программирования, ответов на вопросы, суммаризации, диалога и function calling, однако эти сведения не согласуются с указанным в метаданных pipeline-тегом feature-extraction и не подтверждают конкретную архитектуру, размер, поддерживаемые языки или длину контекста. Модель можно использовать на условиях лицензии MIT. Перед применением в продуктивных сценариях необходимо проверить фактический формат входов и выходов, совместимость с задачей и соответствие заявленных в README возможностей реальной конфигурации модели.

OpenJev (Verdict) — дообученная модель принятия решений на основе ModernBERT, опубликованная heman10x. Она оценивает текст и заданные кандидаты, выдавая выбор, порядковую оценку или вероятности классов за один проход без генерации текста. Модель рассчитана на структурированные программные сценарии, где нужны быстрые семантические суждения и оценка уверенности; предусмотрен отдельный вариант отказа при недостатке свидетельств. Модель построена на GLiClass/ModernBERT с 151 378 177 параметрами и поддерживает до 25 кандидатов за один вызов. Для калибровки использованы совместная функция потерь Cross-Entropy и Brier Score, а затем температурное масштабирование. Заявлены запуск через PyTorch и ONNX Runtime, а также локально в браузере с WebGPU/WASM. Лицензия — Apache-2.0. В README приведены результаты на тестовом наборе из 1 000 примеров с пятью кандидатами: точность Top-1 — 95%, Brier Score после калибровки — 0,0785. Эти показатели относятся к указанной оценке и не гарантируют качество на других данных; модель не предназначена для свободного диалога и генерации текста.

ostoveland/SBertBaseMittanbudver3 — модель Sentence Transformers от ostoveland, дообученная на основе NbAiLab/nb-sbert-base. Она кодирует предложения и абзацы в плотные векторы размерностью 64 и предназначена для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT с усреднением токенных представлений; используется косинусное сходство. В README указан предел последовательности 75 токенов, а метаданные указывают контекст до 512 токенов. Доступны веса PyTorch и OpenVINO; библиотека для работы — sentence-transformers. Обучающие примеры включают норвежские описания услуг и похожие запросы, поэтому модель особенно подходит для сопоставления коротких норвежских текстов. Лицензия в предоставленных данных не указана.

zeromodels представляет конверсию Google SigLIP Base Patch16-224 для библиотеки Keras 3. Это мультимодальный двойной энкодер изображений и текста, обученный с попарной сигмоидной функцией потерь; модель принимает изображения и текстовые подсказки и сопоставляет их для классификации изображений без обучения на целевых классах. Реализация работает с TensorFlow, PyTorch и JAX. Модель подходит для классификации изображений по текстовым описаниям и выбора наиболее подходящей подписи или категории из заданного пользователем списка. Размер изображения — 224 × 224 пикселя, патчи — 16 × 16. Лицензия — Apache 2.0. Английский текст указан в описании базовой модели; поддержка других языков в предоставленных данных не подтверждена.

mazombieme/There-Are-No-Games — разреженный SPLADE-энкодер, созданный в рамках учебного проекта по информационному поиску с использованием Sentence Transformers. Модель дообучена на базе naver/splade-v3 и преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство оценивается скалярным произведением. Архитектура включает BertForMaskedLM и max-пулинг SPLADE с ReLU, размер модели — 136,7 млн параметров. Модель предназначена для семантического поиска и разреженного извлечения документов, в частности для рекомендации игр по их описаниям. Обучающие примеры содержат короткие запросы и описания игр. Максимальная длина последовательности — 512 токенов. Карточка указывает английские примеры, но не задаёт полный список поддерживаемых языков. Лицензия в предоставленных данных не указана.

AutoJev-27B — дообученная модель для принятия решений и классификации, созданная на основе Qwen3.8-27B. Она оценивает заданные варианты ответа и возвращает вероятности для них за один прямой проход на вопрос; модель рассчитана на мультимодальные входы. Авторы сообщают об улучшении точности и калибровки по сравнению с базовой Qwen3.8-27B на их оценочном наборе. Модель обучена полным дообучением весов на 73 000 примерах; опубликован чекпойнт после 200 обновлений. Для запуска предусмотрен API, совместимый с TypeSafe, и браузерная площадка. Веса в формате BF16 требуют около 49 ГиБ памяти GPU плюс запас для выполнения. Точный обучающий корпус не опубликован, поэтому результаты могут зависеть от соответствия пользовательских задач оценочным данным. Лицензия — Apache-2.0.

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.

InnerJev-27B-LoRA — модель принятия решений из семейства InnerJev-27B, разработанная автором репозитория и основанная на Qwen/Qwen3.8-27B. Она возвращает распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных задач Noul, а также упорядоченного оценивания Score. Обучение на 39 279 вопросах нацелено на формирование распределений решений и не включает обычное дообучение для свободного диалога. Модель использует архитектуру Qwen3.5 с 27 млрд параметров; адаптация выполнена LoRA ранга 64 и альфы 128, а веса экспортированы после слияния адаптера. Адаптированы только указанные языковые слои, тогда как эмбеддинги, выходная голова, нормализация и параметры зрения заморожены. Хотя архитектура сохраняет компоненты для изображений, обучение решений и интерфейс инференса рассчитаны на текстовый ввод. BF16-чекпойнт получил 80,1517 из 100 на фиксированном наборе из 58 бенчмарков принятия решений; это результат одного чекпойнта, а полный повтор оценки уже слитых BF16-весов не проводился. Репозиторий распространяется по лицензии Apache-2.0.

autotrust/JEV — открытая модель autotrust для выдачи калиброванных распределений вероятностей по типизированным вопросам: да/нет (noul), выбору из 2–16 вариантов (choice) и оценке по шкале 0–5 (score). Она также включает обычную генерацию текста через исходную языковую голову базовой модели. В основе — плотная архитектура Qwen3.5-9B с 7,2 млрд параметров; модель дообучена методом дистилляции ответов TypeSafe Jev 1.13 на корпусе SargeDev/jev-distill-corpus-v3. Для решений используется отдельный LoRA-адаптер и голова решений, а веса базовой модели сохранены без изменений. Модель предназначена для оценки текстов и JSON-состояний, ранжирования вариантов и получения вероятностных оценок в приложениях, где нужны структурированные ответы без отдельного разбора JSON. В README приведены результаты на отложенной выборке: AUROC 0,996 для вопросов да/нет и совпадение выбора с учителем 89,8 %. Контекст базовой модели — 262 144 токена, однако при обслуживании вход решения по умолчанию обрезается до 1 024 токенов. Лицензия — Apache-2.0. Результаты модели наследуют ошибки и смещения TypeSafe Jev 1.13; авторы отмечают слабости в многошаговых рассуждениях, арифметике, датах, подсчёте и работе с состязательными входами. Также возможна нестабильность выбора при перестановке вариантов. Корпус англоязычный, а многоязычное поведение не оценивалось. Поток разметки релевантности памяти содержит заглушечные метки, поэтому модель не рекомендуется для такой оценки без дополнительного обучения. Для ответственных решений требуется проверка на собственных данных; модель не предназначена для высокорисковых сценариев.

JevEmbed-KaLM-Embedding-V2.5 — модель эмбеддингов команды HIT-TMG, созданная дообучением KaLM-embedding-multilingual-mini-instruct-v2.5 с помощью LoRA на 1 601 157 обучающих вопросах набора JevEmbed-Data и последующим объединением адаптера с базовыми весами. Модель на архитектуре Qwen2 преобразует текстовые запросы и кандидаты в 896-мерные векторы; метаданные указывают контекст до 131 072 токенов, однако в описанном сценарии JevEmbed используется ограничение 1 024 токена с усечением. Модель предназначена для сопоставления запросов с кандидатами и определения выбора, оценки по категориям или шкале и бинарного решения Noul. В тестовом разбиении JevEmbed-Data после дообучения точность составила 76,03% для общей задачи выбора и 71,05% для подзадачи Choice; это результаты конкретной конфигурации и набора данных, а не гарантия качества на других данных. Для получения сырых эмбеддингов используется Sentence Transformers; конфигурация JevEmbed задаёт промпты и правила оценки. Модель принимает текст и выдаёт эмбеддинги, используемые для сравнения текстов; README демонстрирует применение к описаниям состояний и возможных действий в играх Doom и Snake. Репозиторий распространяется по лицензии Apache-2.0. Для загрузки KaLM требуется trust_remote_code=True; данные обучения имеют смешанные лицензии, поэтому условия распространения самого набора следует проверять отдельно.

MyAwesomeModel — модель на архитектуре BERT для извлечения признаков из текста, доступная через библиотеку Transformers. В метаданных Hugging Face для неё указан pipeline feature-extraction, поэтому основное назначение модели — преобразование текстовых входов в векторные представления для последующего анализа и использования в прикладных NLP-системах. Автор или организация-разработчик в предоставленных данных не указаны. README также заявляет о расширенных возможностях рассуждения, генерации кода и текста, ответах на вопросы, суммаризации, диалогах, вызове функций и снижении галлюцинаций, однако эти характеристики не согласуются с указанным pipeline feature-extraction и не подтверждены сведениями об архитектуре генеративной модели. Размер модели, длина контекста, поддерживаемые языки и точные сценарии обучения не приведены. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель из репозитория SDASD12SAD/MyAwesomeModel-TestRepo. По метаданным Hugging Face она предназначена для извлечения признаков и относится к архитектурному семейству BERT; модель реализуется с использованием PyTorch и библиотеки Transformers. Лицензия — MIT. README также описывает улучшения рассуждений, понимания текста, генерации кода, ответов на вопросы, классификации, анализа тональности, суммаризации, перевода и function calling, однако эти заявления не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются достаточными сведениями о конкретной архитектуре, размере или методике обучения. Поэтому наиболее надёжный сценарий применения по доступным метаданным — получение векторных представлений текста для последующей классификации, поиска или других задач машинного обучения.

gte-micro-v3 — компактная модель эмбеддингов на базе архитектуры BERT, созданная как дистилляция gte-tiny. Разработчик позиционирует её для семантического автодополнения: модель преобразует текст в векторные представления, которые можно использовать для поиска подходящего продолжения или сопоставления фраз. Модель содержит 18,8 млн параметров, рассчитана на последовательности до 512 токенов и доступна в форматах Safetensors и ONNX. Модель работает только с английским текстом. Для получения представлений в Transformers после кодирования необходимо применить подходящую операцию pooling; также доступно использование через Sentence-Transformers. Лицензия — MIT. Данных о сравнительных показателях качества в карточке нет.

MyAwesomeModel — модель из репозитория qweqwrqwr145/MyAwesomeModel-TestRepo, предназначенная прежде всего для извлечения признаков из текста. В метаданных она классифицирована как feature-extraction и связана с архитектурой BERT; для работы используется библиотека Transformers с PyTorch. README также заявляет улучшенные способности к рассуждению, математике, программированию, логике, генерации и function calling, однако эти возможности не согласуются напрямую с указанным pipeline-тегом и не подтверждены подробными техническими характеристиками модели. Модель распространяется по лицензии MIT. В доступных материалах не приведены размер модели, длина контекста, поддерживаемые естественные языки и сведения о мультимодальности. Поэтому модель следует рассматривать прежде всего как компонент для получения векторных представлений текста и последующего использования в классификации, поиске или других NLP-конвейерах.

MyAwesomeModel — модель из репозитория xcz2czasd2/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. Согласно метаданным Hugging Face, её основное назначение — извлечение признаков из текста; модель помечена как совместимая с PyTorch и связана с архитектурой BERT. Извлечённые векторы можно использовать для последующей классификации текста, семантического поиска, кластеризации, оценки сходства и других задач машинного обучения. README также заявляет о возможностях рассуждения, генерации кода и текста, ответов на вопросы, суммаризации, перевода и function calling, однако эти сведения не согласуются с указанным pipeline_tag feature-extraction и не сопровождаются точными техническими характеристиками модели. В карточке отсутствуют подтверждённые сведения о размере модели, языках, длине контекста, разработчике и точной конфигурации архитектуры. Перед использованием в продуктивных системах следует проверить фактический формат выходов, качество на целевых данных и соответствие заявленных возможностей реальной конфигурации.

unclemusclez/SmolLM-135M-Instruct-DEVINator-v0.1 — дообученная модель на базе HuggingFaceTB/SmolLM-135M-Instruct, подготовленная с помощью AutoTrain для задачи Sentence Transformers. Она предназначена для получения текстовых эмбеддингов и сравнения сходства предложений; метаданные также отмечают поддержку генерации текста и диалога. Модель имеет плотную архитектуру семейства LlamaForCausalLM, содержит 134,5 млн параметров и рассчитана на контекст до 2048 токенов. Доступны форматы safetensors и GGUF. В качестве данных для обучения указан набор skratos115/opendevin_DataDevinator. Карточка не приводит метрик валидации, поэтому качество сходства предложений по ней оценить нельзя. Базовая модель описана как компактная англоязычная модель для диалогов, инструкций и генерации текста; отдельная поддержка других языков не подтверждена. Лицензия в предоставленных данных не указана.

Модель lldois/v26_v21_product_rec_rebalance_lr22e6_ep032 — дообученная версия lldois/v21_v15_user_repair_rec_fast_lr4e6_ep055 на наборе данных exp_v21_product_rec_rebalance. Это плотная авторегрессионная языковая модель семейства Qwen3 с 532,8 млн параметров, предназначенная для генерации текста в диалоговом режиме. Контекст составляет до 40 960 токенов; модель использует библиотеку Transformers и веса в формате safetensors. По названию набора данных модель, вероятно, связана с рекомендацией товаров и балансировкой рекомендаций, однако README не описывает её назначение, качество или предполагаемые сценарии применения. Указана лицензия other, поэтому условия использования следует уточнить по карточке или у автора.

timm/ViT-B-16-SigLIP2-256 — контрастивная модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение с предложенными текстовыми вариантами и позволяет выбрать наиболее подходящий. Модель работает с изображениями и текстом и рассчитана на zero-shot классификацию. В карточке указаны архитектура ViT-B/16 с разрешением 256 и обучение на WebLI; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Результаты зависят от формулировок текстовых меток и от соответствия изображений данным обучения; модель может хуже работать на редких понятиях, специализированных изображениях и языках, для которых качество отдельно не подтверждено. Она предназначена для сопоставления изображений и текста, а не для генерации описаний или локализации объектов.

timm/ViT-B-32-SigLIP2-256 — визуально-языковая модель семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Это контрастивный энкодер изображений и текста, предназначенный прежде всего для классификации изображений по текстовым описаниям без специального дообучения под каждый набор классов. Модель подходит для сопоставления изображения с перечнем текстовых меток или описаний и выбора наиболее подходящих вариантов. Репозиторий использует библиотеку OpenCLIP; веса представлены в форматах PyTorch и Safetensors. Указана лицензия Apache-2.0. Карточка не приводит размер модели, длину контекста или конкретный перечень поддерживаемых языков.

X-CLIP base-sized patch16 — модель Microsoft для анализа видео и текста, основанная на расширении CLIP для понимания видео-языковых связей. Она обучена с учителем на наборе Kinetics-400 в контрастивном режиме на парах «видео — текст». Модель использует 8 кадров на видео с разрешением 224×224; веса доступны в форматах PyTorch и Safetensors. Модель подходит для классификации видео в режимах zero-shot, few-shot и с обучением на размеченных данных, а также для поиска соответствий между видео и текстом. Её можно применять для оценки того, насколько текстовое описание подходит к ролику. На Kinetics-400 указаны результаты 83,8% top-1 и 95,7% top-5. Лицензия — MIT.