I.12Рекомендации и персонализация

Карточка модели ceggian/sbert_pt_reddit_softmax_64 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

khanhpd2/sbert-vinai-phobert-large-mnr — модель семейства Sentence-Transformers на архитектуре RoBERTa, основанная на PhoBERT от VinAI. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 468,2 млн параметров и принимает последовательности длиной до 258 токенов. Модель подходит для построения векторного поиска по текстовым коллекциям, поиска похожих предложений и группировки текстов по смыслу. В README приведён способ использования с Sentence-Transformers и Transformers; при работе через Transformers нужно применять подходящую операцию pooling к контекстным представлениям токенов. Карточка не сообщает лицензию и отдельные ограничения качества. Судя по базовой модели PhoBERT и назначению, модель ориентирована на вьетнамский язык; качество на других языках не подтверждено. Формат весов — PyTorch.

AHDMK/Sentence-MNR-BioBert-snli-mnli — модель Sentence Transformers на архитектуре BERT, которая преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически похожих текстов. В метаданных указано 135,5 млн параметров, максимальная длина контекста — 512 токенов; веса доступны в формате Safetensors. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для семантического поиска и кластеризации текстов; эмбеддинги также подходят как представления для последующей обработки. README не уточняет языки обучения и использования, поэтому языковую специализацию установить нельзя. Лицензия в предоставленных данных не указана.

aammari/setfit-zero-shot-classification-pbsp-p3-freq — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель работает с текстом и выдаёт эмбеддинги. Обучение использовало CosineSimilarityLoss. Модель подходит для поиска смыслово близких фрагментов и группировки текстов по содержанию. В README не приведены результаты бенчмарков, поэтому качество для конкретного языка или предметной области по имеющимся данным оценить нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных источниках.

SILMA Arabic Matryoshka Embedding Model 0.1 — модель текстовых эмбеддингов, предназначенная прежде всего для арабского языка. Она разработана командой SILMA AI и основана на дообученной AraBERTv0.2-base, использует архитектуру BERT и библиотеку Sentence Transformers. Модель содержит 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Эмбеддинги Matryoshka позволяют использовать первые n измерений вектора, подбирая компромисс между размером представления, скоростью и точностью. В карточке показаны сценарии семантического поиска и сходства предложений, сопоставления вопроса с абзацем, привязки сообщения к названию намерения и классификации документов. Указаны арабский и английский языки; лицензия — Apache-2.0. Модель предназначена для построения векторного поиска и семантического сопоставления, а не для генерации текста. Качество может меняться при сокращении размерности эмбеддингов; README не приводит численных результатов оценки.

Atipico1/simcse-2000 — модель Sentence Transformers, созданная дообучением BM-K/KoSimCSE-bert-multitask. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смыслового сходства текстов, семантического поиска и других задач, основанных на эмбеддингах. В архитектуре используются BERT и усреднение токенных представлений; сходство рекомендуется оценивать косинусной мерой. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Базовая модель ориентирована на корейские предложения; в карточке приведена оценка cosine_accuracy 0,9314 на наборе TripletEvaluator. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

SimCSE-Small-E-Czech — компактная модель семантических эмбеддингов предложений, разработанная Seznam.cz. Она основана на Seznam/small-e-czech и дообучена с целевой функцией SimCSE; архитектура — ELECTRA, размер — 20,4 млн параметров. Модель предназначена для сравнения смысла чешских предложений и может применяться в семантическом поиске, извлечении релевантных текстов, кластеризации и классификации. Модель принимает текст и выдаёт векторные представления предложений для задач сходства. Она рассчитана на чешский язык, поддерживает контекст до 512 токенов и распространяется в формате PyTorch по лицензии CC BY 4.0. README не приводит подробных результатов оценки; качество для конкретного набора данных следует проверять отдельно.

ielabgroup/Starbucks_STS — модель Sentence Transformers на основе BERT, дообученная командой ielabgroup на наборе all-nli для создания текстовых эмбеддингов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для сравнения косинусным сходством. Модель представлена в работе Starbucks: Improved Training for 2D Matryoshka Embeddings и обучалась с использованием Matryoshka-подхода для работы с несколькими размерностями эмбеддингов. Модель предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Она принимает текст на английском языке, использует архитектуру BERT с усреднением токенов и поддерживает последовательности до 512 токенов. В README приведён результат Spearman 0,8274 на sts-test для косинусного сходства. Для работы нужны библиотека Sentence Transformers или совместимый движок эмбеддингов; веса доступны в формате safetensors. Лицензия в предоставленных данных не указана. Модель обучена на англоязычных данных, поэтому её применение к другим языкам не подтверждено.

text2vec-bge-large-chinese-i1-GGUF — это квантизированная в формате GGUF версия модели shibing624/text2vec-bge-large-chinese. Базовая модель разработана пользователем или организацией shibing624, а квантизацию выполнил mradermacher. Модель предназначена для получения векторных представлений текста, извлечения признаков и оценки семантического сходства предложений, прежде всего на китайском языке. В репозитории представлены варианты квантизации IQ и Q разных уровней, преимущественно размером около 0,2–0,4 ГБ. Для отдельных вариантов указаны компромиссы между размером, скоростью и качеством; рекомендуются i1-Q4_K_S и i1-Q4_K_M, тогда как некоторые низкобитные варианты имеют очень низкое качество. Архитектура, число параметров, размер контекста и точная размерность эмбеддингов в README не указаны. Данных о поддержке других модальностей или языков, кроме заявленного китайского, нет. Модель подходит для локального семантического поиска, кластеризации, сопоставления текстов и других задач, где нужны текстовые эмбеддинги. Основное преимущество — компактные GGUF-варианты, позволяющие выбирать баланс между ресурсами и качеством. Ограничения связаны с потерями качества при агрессивной квантизации, а также с отсутствием подробных сведений о характеристиках и результатах оценки. Лицензия базовой модели указана как Apache-2.0.

Tooka-SBERT-V2-Large — крупная модель Sentence Transformers на архитектуре BERT, разработанная PartAI на базе TookaBERT-Large. Она преобразует предложения и абзацы в плотные векторные представления для оценки семантического сходства, поиска и ранжирования текстов. Для асимметричного поиска запросы оформляются с префиксом «سوال: », а документы — «متن: ». Модель дообучена с функциями потерь CachedMultipleNegativesRankingLoss и CoSENTLoss на синтетических наборах данных. В карточке сообщается, что на бенчмарке PTEB она в среднем превосходит mE5-Base; результаты зависят от задачи. Модель рассчитана на персидский язык, имеет 451,8 млн параметров и контекст до 512 токенов. Лицензия в предоставленных данных не указана.

atasoglu/turkish-small-bert-uncased-mean-nli-stsb-tr — модель Sentence Transformers на базе BERT, разработанная Atasoglu и дообученная на турецких наборах nli_tr и emrecan/stsb-mt-turkish. Она преобразует предложения и абзацы в плотные векторы размерности 512 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 33,2 млн параметров, принимает текст на турецком языке и поддерживает контекст до 512 токенов. При подготовке данных авторы вручную приводили текст к нижнему регистру с заменой латинской I на турецкую ı перед lowercasing; входные тексты следует обрабатывать аналогично. Модель опубликована под лицензией MIT.

ddobokki/unsup-simcse-klue-roberta-small — модель на архитектуре RoBERTa, разработанная для получения векторных представлений корейских предложений и оценки их семантической близости. Её можно использовать через библиотеку Sentence-Transformers для сравнения предложений, поиска семантически похожих текстов и построения векторного поиска. Модель содержит 81,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Репозиторий содержит веса PyTorch и safetensors. Карточка не сообщает отдельную лицензию; ограничения качества и условия коммерческого использования по доступным данным определить нельзя.

Nhat1904/16-shot-twitter-2classes-new — модель Sentence Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений по сходству. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и распространяется в формате PyTorch. Название указывает на обучение на небольшом количестве примеров из набора Twitter с двумя классами; в карточке также указан CosineSimilarityLoss. Такие векторы можно использовать в семантическом поиске и других системах сравнения текстов. Язык обучения явно не указан. Лицензия в предоставленных данных не указана.

Это компактная модель Sentence Transformer, разработанная на основе prajjwal1/bert-tiny и дообученная с использованием библиотеки sentence-transformers. Модель преобразует предложения и абзацы в плотные векторы размерности 256 и предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразирований, классификации и кластеризации текста. Архитектура включает BERT-трансформер с максимальной длиной последовательности 384 токена, mean-пулингом, полносвязным Dense-слоем с преобразованием размерности с 128 до 256 и активацией Tanh, а также нормализацией выходных векторов. Для сравнения по умолчанию используется косинусное сходство. Язык и обучающий датасет в карточке не указаны; заявленный набор данных содержит 277277 примеров, а функция потерь — MultipleNegativesRankingLoss. Модель отличается малым размером и потенциально высокой скоростью инференса, что делает её подходящей для ресурсоограниченных сценариев и массового сравнения коротких текстов. Ограничения включают неизвестную языковую специализацию, ограниченный контекст в 384 токена и более низкие показатели на тестовой выборке STS по сравнению с крупными моделями: корреляция Spearman для косинусного сходства составляет 0,678, Pearson — 0,691. Лицензия в README не указана.

andreasmartin/apertus-v1.1-swiss-embed-0.4b-bidir-langmoe — экспериментальная модель эмбеддингов для семантического и межъязыкового поиска, созданная адаптацией модели andreasmartin/apertus-v1.1-swiss-embed-0.4b-bidir. Разработчик заменил финальную плотную проекцию эмбеддинга на разреженную смесь из семи экспертов с маршрутизатором Top-2; базовые модули до проекции были заморожены. Модель содержит около 446 млн параметров, принимает текст и формирует векторные представления предложений. Метаданные указывают контекст до 4096 токенов, однако качество MoE-головы обучалось на представлениях длиной до 512 токенов и отдельно не проверялось на более длинном контексте. Модель предназначена для извлечения релевантных документов и поиска сходных предложений, в том числе между языками Швейцарии. В карточке указаны немецкий, английский, французский и итальянский; эксперты также помечены для ретороманского и швейцарского немецкого, но эти метки являются экспериментальными и сами по себе не означают гарантированную поддержку языков. Внутренние диагностические результаты не являются внешними бенчмарками. Для загрузки артефакта требуется trust_remote_code=True, пока модуль не зарегистрирован в Sentence Transformers. Лицензия — Apache-2.0.

Arabic-all-nli-triplet-Matryoshka — модель Sentence Transformers, разработанная Omartificial-Intelligence-Space путём дообучения sentence-transformers/paraphrase-multilingual-mpnet-base-v2 на арабском наборе пар предложений с положительными и отрицательными примерами. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству; благодаря обучению Matryoshka доступны также укороченные векторы размерностей 512, 256, 128 и 64. Модель предназначена для семантического поиска, оценки сходства и перефразирования, кластеризации и извлечения признаков из арабского текста. В архитектуре используется XLM-RoBERTa с усреднением токенных представлений. В карточке указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога приводят нативный контекст 514 токенов. На тесте sts-test-768 указана корреляция Спирмена 0,8616 для косинусного сходства; результаты также приведены для сокращённых размерностей. Модель распространяется по лицензии Apache-2.0.

danfeg/ArabicBERT_Finetuned-EN-2481 — дообученная модель Sentence Transformers на архитектуре BERT для преобразования предложений и абзацев в плотные векторы размерностью 1024. Векторы можно использовать для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель принимает текст и формирует эмбеддинги; для работы с Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Максимальная длина контекста — 512 токенов. В карточке описано обучение с CosineSimilarityLoss. Язык модели явно не подтверждён: суффикс EN в названии сам по себе недостаточен, чтобы установить поддержку английского. Лицензия в предоставленных данных не указана.

Arabic-MiniLM-L12-v2-all-nli-triplet — модель Sentence Transformers, разработанная Omartificial-Intelligence-Space и дообученная на наборе Omartificial-Intelligence-Space/arabic-n_li-triplet на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Модель архитектуры BERT с 124,3 млн параметров преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Модель предназначена прежде всего для арабских текстов и подходит для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. В карточке указана максимальная длина последовательности 128 токенов, а в метаданных каталога — контекст 512 токенов; используйте ограничение конкретной конфигурации Sentence Transformers при развертывании. Лицензия — Apache-2.0.

SrinivasanHF/autotrain-medq — дообученная модель Sentence Transformers на основе sentence-transformers/all-MiniLM-L6-v2. Это плотный BERT-энкодер на 25,9 млн параметров, предназначенный для преобразования предложений в векторы и вычисления семантического сходства. Модель подходит для поиска похожих текстов, сопоставления запросов с документами и кластеризации предложений. Контекст ограничен 512 токенами; используется формат safetensors. Карточка указывает тип задачи Sentence Transformers и приводит значение loss 0,299 на валидации, но не описывает набор данных или методику оценки. Базовая модель ориентирована на английский язык, поэтому применимость к другим языкам не подтверждена. Лицензия в предоставленных данных не указана.

clairedhx/autotrain-transcriptions — дообученная модель эмбеддингов на архитектуре BERT, созданная с помощью AutoTrain на основе sentence-transformers/multi-qa-MiniLM-L6-cos-v1. Она предназначена для преобразования текстов в векторы и оценки семантического сходства; возможные сценарии — поиск похожих транскрипций и подбор релевантных текстовых фрагментов. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Для работы используется библиотека Sentence Transformers. В README указан тип задачи Sentence Transformers и приведена метрика loss 0,1244 на валидации. Карточка не уточняет язык и состав обучающих данных, поэтому пригодность для конкретного языка или предметной области по этим сведениям оценить нельзя. Лицензия в предоставленных данных не указана.

Augmented SBERT STSb — модель cross-encoder на основе BERT, представленная как демонстрационный пример в курсе NLP for Semantic Search. Она предназначена для оценки семантического сходства пары предложений и примеров поиска по смыслу; в README модель используется в главе о расширении внутридоменного набора данных с помощью BERT. Модель содержит 136,7 млн параметров, принимает текстовые пары, обрабатывает последовательности длиной до 512 токенов и выдаёт оценку сходства. Для работы используются PyTorch и архитектура BertForSequenceClassification. Модель пригодна для ранжирования кандидатов по сходству с запросом и поиска похожих предложений, но предназначена прежде всего для демонстрации и не является универсальной чат-моделью. В карточке не приведены сведения о лицензии и поддерживаемых естественных языках.

AXERA-TECH представила конвертированную и оптимизированную для NPU AX650 версию bge-m3. Модель использует квантизацию w8a16 и формат ONNX; в репозитории также есть файл axmodel для запуска на поддерживаемых устройствах AX650. Карточка указывает совместимость с Pulsar2 6.0-dirty и время выполнения 188,7 мс на указанной конфигурации AX650. Модель предназначена для получения эмбеддингов и вычисления сходства предложений, например, для семантического поиска и сравнения текстов на устройстве с AX650. README упоминает оптимизацию с LoRA, но не уточняет её назначение или базовый репозиторий; поэтому происхождение классифицировано как неизвестное. Репозиторий распространяется по лицензии MIT. Для запуска требуются совместимая платформа AX650 и соответствующее программное окружение.

Lajavaness/bilingual-embedding-base — модель эмбеддингов предложений, разработанная Lajavaness для английского и французского языков. Она основана на XLM-RoBERTa и реализована как SentenceTransformer: использует усреднение токенов, затем нормализует векторы. Модель содержит 305,2 млн параметров и кодирует предложения в 1024-мерное векторное пространство; максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для сравнения семантической близости предложений, семантического поиска, кластеризации текстов и ранжирования похожих фраз на английском и французском. Обучение включало данные SNLI/XNLI и STS Benchmark для обоих языков, а также дообучение с аугментацией пар предложений. Репозиторий использует формат safetensors и лицензию Apache-2.0.

DNA-VL-STEER-2B — мультимодальная модель эмбеддингов от dnotitia, дообученная на базе Qwen/Qwen3-VL-Embedding-2B. Она преобразует текст, изображения и видео в общее 2048-мерное пространство векторов; поддерживает инструкционно-зависимый интерфейс и контекст до 32 тысяч токенов. Изменены ранние слои residual stream, а остальные веса, включая vision tower, сохранены как в базовой модели. Модель предназначена прежде всего для мультиязычного поиска и сопоставления подписей с изображениями и видео. Калибровка охватывает все 36 языков XM3600 и заметно улучшает мультиязычный визуальный поиск, особенно для ряда низкоресурсных языков; README приводит результаты и для корейского. Лицензия — Apache-2.0. Улучшения ориентированы на визуальные подписи: для абстрактного текстового поиска, классификации тонких визуальных различий и составных запросов результаты могут ухудшаться. Пользователям следует сравнить модель с базовой на своей задаче; сильное сокращение размерности эмбеддингов также может существенно снизить качество отдельных сценариев.

AROY76/Embedding-gemma-300M-skills — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m для преобразования предложений и абзацев в плотные векторы размерности 768. Обучение проводилось на 4 992 примерах CSV с парами и тройками текстов; использовалась функция потерь MultipleNegativesRankingLoss. Сходство векторов оценивается косинусной мерой, максимальная длина входа — 2 048 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Примеры обучающих данных охватывают описания навыков и профессий, поэтому модель может быть полезна для сопоставления профилей, требований и категорий навыков. Она принимает текст и выдаёт эмбеддинги; заявлены библиотека Sentence Transformers и формат весов safetensors. Ограничение контекста составляет 2 048 токенов, а специализация на небольшом наборе примеров о навыках может ограничивать качество на других темах. Лицензия в предоставленных данных не указана.

Erlangshen-SimCSE-110M-Chinese — китайская модель эмбеддингов предложений из семейства Erlangshen, разработанного командой Fengshenbang (IDEA-CCNL). Она основана на BERT-base и обучена контрастивному обучению SimCSE: использованы неразмеченные данные и китайские пары из набора NLI. Модель формирует вектор предложения непосредственно из представления [CLS], поэтому может оценивать семантическое сходство без дополнительной настройки под конкретную задачу. Модель предназначена для сравнения китайских предложений и получения их векторных представлений, например для поиска семантически близких фраз или ранжирования кандидатов по сходству. Архитектура — BERT, размер по метаданным 129,5 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

F2LLM-v2-1.7B-Preview — многоязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-1.7B. Она обучена на корпусе из 27 миллионов примеров на более чем 100 естественных и программных языках и предназначена как основа для задач векторного представления текста и дальнейшего дообучения. Это preview-версия без инструкционного обучения; в карточке указана архитектура Qwen3 с плотными весами, размер 1,7 млрд параметров и контекст до 40 960 токенов. Для работы доступны форматы Transformers и Sentence Transformers; репозиторий содержит веса safetensors. Модель подходит для построения текстовых эмбеддингов в многоязычных системах поиска и других downstream-сценариях, где требуется векторное представление текста. Метаданные перечисляют поддержку 20 языков, включая русский, английский и китайский; README заявляет более 100 естественных и программных языков. Лицензия — Apache-2.0. Качество для конкретных задач следует проверять отдельно: это предварительная версия, обученная без инструкций, и карточка не приводит результатов оценки.

Карточка модели ng3owb/finance_embedding_8k на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

thetayne/finetuned_model_0613 — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для сравнения текстовых фрагментов. Она использует BERT с пулингом CLS-токена и нормализацией эмбеддингов; векторное представление имеет размерность 768, максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Модель обучалась на 1 625 парах предложений с функцией CosineSimilarityLoss и предназначена для семантического поиска, поиска перефразировок, кластеризации и сравнения предложений; её векторы также можно применять в задачах классификации. В README приведены результаты оценки семантического сходства для размерностей от 64 до 768. Лицензия Apache-2.0. Модель принимает текст и выдаёт нормализованные векторы; обучение на небольшой выборке означает, что её пригодность для конкретного домена и задач следует проверять отдельно.

GME-Qwen2-VL-2B — мультимодальная модель эмбеддингов, разработанная Tongyi Lab компании Alibaba Group на основе Qwen2-VL-2B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторы размерностью 1536 для поиска и сопоставления между текстами и изображениями. Модель поддерживает динамическое разрешение изображений и контекст до 32 768 токенов. Модель предназначена для текстового и мультимодального поиска, включая поиск изображений по тексту, похожих изображений и документов по содержимому скриншотов. Её можно применять в мультимодальных RAG-системах, например для поиска по научным статьям. В карточке сообщаются результаты оценки на английском и китайском наборах MTEB, однако обучение велось только на английских данных, поэтому качество мультиязычных мультимодальных эмбеддингов не гарантируется. Модель обрабатывает по одному изображению за раз; число визуальных токенов ограничено 1024. Данные карточки указывают лицензию Apache-2.0, а правила распространения GME дополнительно требуют заметно указывать «Built with GME» для продуктов с моделью и добавлять префикс «GME» к названиям моделей, созданных с использованием её выходов.