I.12Рекомендации и персонализация

xiomi0504/bge-m3-peliculas-finetuned — Sentence Transformer на базе BAAI/bge-m3, дообученный для семантического поиска по текстам о фильмах. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024; для сравнения используется косинусное сходство. Архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию векторов. Модель предназначена для получения эмбеддингов и поиска релевантных текстов о фильмах. Она принимает текст, поддерживает последовательности до 256 токенов согласно README, а в метаданных указано ограничение контекста 8194 токена. Обучение выполнено на 1600 примерах с функцией MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

DialogRPT-width — модель ранжирования ответов в диалоге, разработанная группой Microsoft Research NLP. Она оценивает, насколько вероятно, что на данный ответ последуют прямые ответы, и помогает выбирать между кандидатами, например при переранжировании ответов, созданных DialoGPT. Модель относится к семейству GPT-2 и использует классификационную архитектуру GPT2ForSequenceClassification; контекст ограничен 1024 токенами. DialogRPT обучена на данных человеческой обратной связи и предназначена для оценки диалоговых ответов, а не для самостоятельной генерации текста. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Echo-DSRN-v0.1.3-Embed-Exp — экспериментальная модель эмбеддингов предложений от ethicalabs на архитектуре Echo-DSRN Recurrent-Hybrid. Она предназначена для вычисления векторных представлений и оценки семантического сходства текстов; в карточке приведены результаты на задачах STS из набора MTEB. Модель содержит 98,26 млн параметров по README и 49,9 млн по метаданным, имеет 8 слоёв, скрытую размерность 512, размер эмбеддинга 2048 и контекст до 2048 токенов. Указана линейная сложность по длине последовательности. Модель обучалась на AllNLI и MTEB STS-B, поддерживаемый язык по карточке — английский. В README отмечено, что результаты бенчмарков воспроизводятся при левом заполнении последовательностей; при пакетной обработке это может влиять на согласованность эмбеддингов. Разработчик обозначает модель как экспериментальную и ограничивает её академической оценкой и исследованиями, без гарантий качества и ответственности за результаты применения. Лицензия в предоставленных данных не указана.

JevBerta — модель leobitz для классификации с нулевым обучением на структурированных задачах с переменным числом вариантов ответа. Она принимает контекст, запрос и список вариантов, а для интерфейса JEV сопоставляет состояние с контекстом, инструкции — с запросом, а критерии — с вариантами. Для каждого варианта формируется пара текстов, которую обрабатывает Transformer-энкодер на базе microsoft/deberta-v3-base; затем блоки внимания по набору вариантов учитывают их взаимосвязь, а MLP выдаёт нормированные вероятности. Размер модели в README указан как 198 млн параметров. В приведённом снимке точность составляет 0,854 на validation и 0,627 на ood_eval; результаты зависят от набора данных и не гарантируют качество на конкретной задаче. Модель предназначена для выбора среди заданных кандидатов, а не для свободной генерации ответов. Лицензия — MIT.

LanguageBind_Video_merge — видеоязыковая модель из семейства LanguageBind, опубликованная авторами проекта LanguageBind. Она относится к архитектуре CLIP и предназначена для сопоставления видео и текста в общем семантическом пространстве, в том числе для классификации видео по текстовым описаниям без специального обучения на целевых классах. Подход LanguageBind использует язык как связующее звено между модальностями; в проекте описаны предварительное обучение на видеотекстовых данных и способы расширения модели на другие модальности. Модель принимает видео и текстовые описания и выдаёт представления, пригодные для оценки их сходства. В карточке указана задача zero-shot-image-classification, однако README описывает именно видеоязыковое сопоставление; конкретные размер модели, длина контекста и поддерживаемые языки в предоставленных данных не приведены. Репозиторий использует формат PyTorch. Лицензия — MIT.

MobileCLIP2-S2-OpenCLIP — веса модели MobileCLIP2-S2, разработанной Apple и адаптированные для использования с OpenCLIP: в репозитории применены стандартные конфигурации OpenCLIP и имена весов. Это двухбашенная модель, которая сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дообучения, а также для оценки сходства между изображением и текстом. Вариант S2 содержит 35,7 млн параметров в визуальной части и 63,4 млн в текстовой; в таблице результатов указана точность zero-shot на ImageNet-1k 77,2%. По данным авторов, S2 быстрее и компактнее сопоставляемой SigLIP ViT-B/16. Модель подходит для мобильных и других сценариев, где важны скорость и размер, например для классификации по пользовательским категориям и поиска изображений по текстовому запросу. Она принимает изображения и текстовые описания и выдаёт оценки соответствия; это не генеративная модель. Карточка не приводит сведения о поддерживаемых языках и длине контекста. Указана лицензия apple-amlr.

MyAwesomeModel — модель из репозитория PrevetDurgan279/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. В метаданных Hugging Face она обозначена как BERT-модель, работающая через библиотеку Transformers и pipeline feature-extraction. Автор или организация-разработчик в предоставленных данных не названы. README описывает обновлённую версию модели как систему с улучшенными рассуждениями, математикой, программированием, классификацией, анализом тональности, суммаризацией, переводом и поддержкой function calling. Однако эти заявления не согласуются с указанным в метаданных pipeline-тегом feature-extraction и не подтверждают конкретные параметры, размер, языки или длину контекста модели, поэтому их следует рассматривать с осторожностью. Модель может использоваться как основа для получения векторных представлений текста и последующих задач машинного обучения, включая классификацию, поиск сходства и кластеризацию. Для работы заявлена библиотека Transformers. Лицензия MIT разрешает использование, модификацию и распространение при соблюдении её условий.

SaAMPLIFY_350M — белковая языковая модель семейства AMPLIFY, опубликованная организацией chandar-lab на Hugging Face. Она предназначена для получения признаковых представлений белковых последовательностей и их использования в последующих задачах анализа белков. В карточке показан пример запуска как image-feature-extraction с trust_remote_code, однако метаданные автора указывают pipeline feature-extraction; архитектура описана как плотная AMPLIFY, размер — около 471,9 млн параметров, файлы представлены в safetensors. Карточка модели автоматически сгенерирована и не сообщает разработчика, обучение, лицензии, языки, контекст или оценки качества. В коллекции Hugging Face модель включена в набор белковых языковых моделей, дообученных конвейером структурного выравнивания; отдельная связь с базовой моделью в доступных метаданных не установлена. Лицензионные условия по найденным сведениям определить нельзя.

Shingi 27B — 審議 — — это локальная модель принятия решений от kortexa-ai, дообученная на базе prism-ml/Ternary-Bonsai-2-27B-gguf. Она принимает текстовый контекст, вопрос и варианты ответа и выбирает вариант, выдаёт калиброванные вероятности или порядковую оценку, считывая логиты кандидатов без генерации текста. Также модель может принимать изображения через проектор зрения Bonsai 2; изображения не входили в обучение Shingi. Модель распространяется как один файл GGUF размером 7,2 ГБ с тернарными весами PQ2_0 и переобученными блочными масштабами. В README приведены результаты на задачах классификации намерений, эмоций, тональности, вопросов с вариантами ответа, медицинских и юридических задачах, а также на тестах понимания изображений. Заявленная поддержка — только английский язык; для обработки изображений в поставке указан отдельный файл mmproj.gguf. По данным README, для GPU-варианта требуется не менее 20 ГБ видеопамяти, хотя указанный расход самой модели составляет около 8–9 ГиБ. Лицензия репозитория — Apache-2.0. Результаты JevBench и DecisionBench использовались при выборе обучающих данных, поэтому авторы считают их результатами разработки, а не независимой проверкой. В тесте Mind2Web сайты пересекаются с обучающей выборкой. Производительность на Mac заметно ниже, чем на NVIDIA GPU.

SigLIP base patch16 384 — мультимодальная модель Google для сопоставления изображений и текста, предварительно обученная на англоязычных парах WebLI. Она использует архитектуру SigLIP и sigmoid loss для обучения на парах изображение–текст; входные изображения обрабатываются с разрешением 384×384, а текст токенизируется с ограничением в 64 токена. Модель подходит для классификации изображений по текстовым меткам без дополнительного обучения и для поиска изображений по текстовому запросу или текста по изображению. Модель принимает изображения и текст, а для задач поиска формирует совместимые представления изображения и текста. Обучение проводилось на 16 TPU-v4 в течение трёх дней. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель обучалась на англоязычных данных, поэтому её текстовые возможности в первую очередь рассчитаны на английский. Результаты зависят от формулировок текстовых меток и запроса; карточка рекомендует применять её для задач классификации и поиска по парам изображение–текст.

SigLIP Large — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Архитектура SigLIP использует sigmoid loss для обучения на парах изображение–текст; эта версия обрабатывает изображения с разрешением 256×256, а текст — последовательности длиной до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска соответствий между изображениями и текстом. Она может быть полезна для поиска изображений по запросу и сортировки изображений по описаниям. Обучение на англоязычных данных ограничивает основания ожидать сопоставимое качество для других языков. Модель распространяется по лицензии Apache 2.0.

SigLIP SoViT-400m — мультимодальная модель сопоставления изображений и текста, разработанная Google и представленная в статье о функции потерь Sigmoid Loss for Language Image Pre-Training. Модель предварительно обучена на наборе WebLI; это shape-optimized вариант архитектуры SoViT-400m. Она принимает изображения с разрешением 384×384 и текстовые описания длиной до 64 токенов и предназначена для классификации изображений по текстовым меткам без дообучения и поиска соответствий между изображениями и текстом. SigLIP использует сигмоидную функцию потерь для пар изображение–текст, которая не требует нормализации по глобальной матрице попарного сходства. Это поддерживает масштабирование размера обучающей выборки и, согласно карточке, может улучшать результаты при меньших размерах батча. Доступные веса сохранены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Модель рассчитана на задачи сопоставления визуального содержимого с текстом; карточка не указывает конкретные поддерживаемые языки. Её можно применять для поиска изображений по описаниям и классификации по заранее заданным текстовым категориям, но результаты зависят от формулировок этих категорий и данных предварительного обучения.

ahmedHamdi/story-similarity-mpnet-plots-es-en — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для оценки семантического сходства текстов. Её можно применять для получения эмбеддингов сюжетов и сравнения описаний на испанском и английском языках, например для поиска похожих сюжетов или их группировки. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текстовые входы; максимальная длина контекста составляет 514 токенов. README указывает на обучение через AutoTrain и приводит значение loss 0,8079, но не описывает набор данных, метрику качества на прикладных примерах или лицензию.

timm/ViT-SO400M-16-SigLIP2-384 — визуально-языковая модель семейства SigLIP 2, обученная на наборе WebLI и подготовленная для использования в библиотеке OpenCLIP. Репозиторий содержит конверсию исходных контрольных точек JAX из Big Vision; веса доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Модель сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений без дообучения: пользователь задаёт варианты классов текстом, а модель оценивает их соответствие изображению. Подходит для поиска по изображениям и семантической сортировки по текстовым запросам. В карточке также упомянута многоязычная направленность семейства SigLIP 2, но конкретный перечень поддерживаемых языков и размер контекста не приведены.

Activity Generation Model v1.1 — дообученная языковая модель на базе Qwen2.5-0.5B-Instruct, опубликованная разработчиком mjpsm как самостоятельная модель после объединения LoRA-адаптера с базовыми весами. Она предназначена для образовательных систем MyVillage: по общей учебной цели, названию последнего выполненного задания и сообщению ученика о том, что он усвоил или где ему нужна помощь, предлагает один небольшой следующий шаг. Ответ содержит поля title, description и instructions и рассчитан на структурированный JSON-вывод. Модель построена на плотной архитектуре Qwen2 и содержит около 494 млн параметров; заявленная длина контекста — 32 768 токенов. Карточка указывает английский язык. Версия 1.1 настроена на короткие задания и постепенное продвижение в обучении. На фиксированном наборе из 20 тестовых примеров она обеспечила корректный JSON и точную схему во всех случаях, а инструкции из одного предложения — в 95% случаев; это автоматические проверки, а не оценка качества обучения людьми. Модель распространяется по лицензии Apache-2.0. Модель может неверно предположить, какое задание должно идти следующим, или добавить неподтверждённые требования; краткость ответа не гарантирует правильной педагогической последовательности. Оценка основана на небольшом фиксированном наборе, человеческая оценка качества не завершена, а перенос на иные учебные сценарии может быть менее надёжным. Результирующий JSON следует проверять, а предложения модели — рассматривать как рекомендации.

CLM-Qwen3.5-2B — модель на основе Contrastive Language Models, разработанная Jayavibhav с использованием метода CLM, созданного Jacky Kwok, Hangoo Kang, Tarun Suresh, Jon Saad-Falcon, Marco Pavone, Christopher Ré и Azalia Mirhoseini. Это дообучение Qwen3.5-2B: замороженный языковой энкодер с двумя небольшими проекционными головами для представления состояния и ответа. Модель кодирует контекст и кандидаты в общем векторном пространстве, оценивает варианты по косинусному сходству и выдаёт относительное распределение вероятностей. Для повторно используемых вариантов можно кэшировать их представления. Модель предназначена для ранжирования вариантов ответа, классификации документов и типизированных решений по длинным текстовым контекстам. Она принимает состояния длиной до 131 тыс. токенов и обучена на английских данных, включая синтетические документы более чем 200 типов и задачи решений из нескольких прикладных областей. По заявлению авторов, модель превосходит CLM-v0.1-8B в тесте классификации документов, но уступает Jev на 4,6 процентного пункта; результаты на синтетических документах могут отличаться от результатов на реальных файлах. Для новых рабочих процессов решений качество без дополнительной настройки низкое: для таких задач авторы рекомендуют подгонку голов на нескольких сотнях примеров. Модель оценивает только переданный набор кандидатов, поэтому вероятности относительны к нему; головы также требуют эмбеддингов последнего токена Qwen3.5-2B в заданном формате. Веса распространяются по лицензии Apache 2.0.

LanguageBind_Video_FT — полностью дообученный видеоэнкодер проекта LanguageBind, разработанного авторами одноимённой работы, принятой на ICLR 2024. Он связывает видео с языковым семантическим пространством и предназначен для сопоставления видеоданных с текстовыми описаниями, в том числе для классификации видео по текстовым меткам без отдельного обучения классификатора. В карточке Hugging Face задача модели обозначена как zero-shot image classification. Модель использует архитектуру LanguageBindVideo на базе CLIPModel и распространяется в формате PyTorch. README рекомендует полностью дообученную версию как более сильную по сравнению с LoRA-вариантом LanguageBind_Video. Подход LanguageBind выравнивает модальности через язык; в этом репозитории описаны видео- и мультимодальные сценарии, однако данный чекпойнт предназначен для видео. Лицензия — MIT. Модель подходит для поиска видео по текстовым запросам и для классификации видео на основе текстовых описаний. В предоставленных материалах нет сведений о размере модели, длине контекста или конкретных поддерживаемых языках, поэтому они не указаны. Качество зависит от соответствия текстовых меток и видеоматериала; README не приводит здесь количественных результатов именно для этого чекпойнта.

Mitsua Japanese CLIP ViT-B-16 — двуязычная модель сопоставления изображений и текста, разработанная ELAN MITSUA Project / Abstract Engine. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов и для вычисления соответствия между изображениями и японскими или английскими запросами. Модель основана на контрастивном подходе CLIP с визуальным энкодером ViT-B и обучена с нуля, без использования знаний предварительно обученных моделей. В карточке указаны японский и английский языки; веса опубликованы в формате safetensors. Авторы описывают обучающие данные как состоящие из материалов с явным согласием, открытых лицензий и общественного достояния, без AI-сгенерированных данных. Модель распространяется по лицензии CC BY-SA 4.0: требуется указать авторство, отметить изменения и распространять адаптированные материалы на тех же условиях. Качество может снижаться для изображений и понятий, слабо представленных в обучающих данных; описание не приводит количественных оценок качества.

Activity Generation Model v1 — дообученная модель mjpsm для создания следующего учебного задания в образовательной среде MyVillage. Она принимает цель обучения ученика, название предыдущего задания и описание того, что ученик узнал или продемонстрировал, а затем генерирует JSON с названием, описанием и инструкциями к следующему заданию. Модель построена на архитектуре Qwen2 и является причинной языковой моделью с 494 млн параметров и контекстом до 32 768 токенов. Она дообучена методом supervised fine-tuning на 1 000 синтетических примеров; LoRA-адаптер объединён с базовой моделью Qwen2.5-0.5B-Instruct. Основной язык — английский. Лицензия — Apache 2.0. Модель предназначена для прототипирования персонализированных учебных траекторий и рекомендаций следующего задания по результатам предыдущей работы ученика. Она экспериментальная: может выдавать некорректный JSON, повторять темы, слабо учитывать цель обучения или требовать уточнения инструкций. Данные синтетические, поэтому качество на реальных ответах учеников требует отдельной оценки; результаты следует проверять перед использованием в обучении.

Decision-Jef-0.1 — модель на 306,9 млн параметров, разработанная BarraHome на основе многоязычного энкодера jhu-clsp/mmBERT-base. Она за один проход оценивает несколько вопросов о заданном состоянии и выдаёт вероятности для вариантов, переданных во входном запросе; фиксированного набора классов нет. Модель предназначена для типизированных решений: выбора из вариантов, ответов «да/нет» и числовой оценки. Контекст составляет до 8192 токенов, веса опубликованы в формате safetensors под лицензией MIT. На английском тестовом наборе из 2000 решений модель показала 77,50% общей точности; особенно сильный результат — 75,70% для выбора из вариантов. Она также предназначена для новых прикладных доменов, но перенос на незнакомые форматы состояний может приводить к уверенным постоянным ответам. Качество на неанглийских языках, а также возможности модерации и защиты не проверены. Точность снижается при большом числе вариантов, оценивание числовых значений слабее других типов решений, а перестановка вариантов иногда меняет ответ.

Это модель EVA02-CLIP от команды timm, опубликованная в формате OpenCLIP. Она сопоставляет изображения и текст: принимает изображение и текстовые описания категорий, кодирует их и позволяет оценить соответствие изображения каждому описанию для классификации без обучения на конкретном наборе меток. Визуальная часть основана на Vision Transformer с патчами 16×16; модель рассчитана на изображения 224×224. В названии и карточке указано обучение на объединённом наборе данных объёмом 2 млрд примеров. Модель предназначена для нулевой классификации изображений и сопоставления изображения с текстовыми запросами. Она выдаёт оценки сходства, поэтому пригодна для задач поиска и отбора по свободно заданным категориям. Весовые файлы доступны в форматах PyTorch и Safetensors и используются через OpenCLIP. Лицензия — MIT. Карточка не сообщает целевой естественный язык; качество зависит от формулировок текстовых меток и соответствия изображений обучающим данным.

totum-labs/gemma-4-12B-it-plumb — производная модели на основе Google Gemma 4 12B IT с подключённой к модели головой принятия решений Plumb. Основные веса заморожены; репозиторий содержит обученную голову и LoRA-адаптер, активируемый при обработке решения. Модель сохраняет возможности диалога и вызова инструментов базовой модели, а Plumb оценивает варианты по скрытым состояниям модели и возвращает вероятности, conformal-набор и выбранный ответ за один проход. Модель предназначена для структурированных решений в ходе диалога: выбора одного варианта, ответа «да/нет» или выставления оценки по шкале. README приводит результаты оценки на 447 решениях и сообщает о повышении точности относительно базовой модели в описанных настройках. Для работы требуются vLLM 0.30.0, плагин Plumbify и один GPU; тензорный и конвейерный параллелизм не поддерживаются. Голова обучалась на англоязычных решениях, выбирает только из предоставленных вариантов и не проверяет их корректность; сценарии передачи решения в середине генерации не входили в обучение. Лицензия репозитория — Apache 2.0.

InnerJev-4B-LoRA — модель принятия решений семейства InnerJev-4B, созданная на базе Qwen/Qwen3.5-4B. Она выдаёт распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных Noul, а также упорядоченных оценок Score. Обучение оптимизировано под распределения решений и не включает настройку для обычного свободного диалога. Модель использует плотную архитектуру Qwen3.5 с 4 млрд параметров. В обучении применялась LoRA ранга 64; итоговые веса объединены, поэтому для загрузки не требуется PEFT или отдельная базовая модель. Хотя архитектура сохраняет компоненты обработки изображений, описанный интерфейс принятия решений рассчитан на текстовый ввод. Для BF16 указано ограничение по объёму оперативной или видеопамяти; установка для Transformers приведена с версией 5.14.1. Связанный BF16-чекпойнт набрал 73,9648 из 100 на фиксированном наборе из 58 бенчмарков принятия решений. Это результат одного чекпойнта, а не среднее по нескольким запускам; оценка объединённых BF16-весов и результаты NF4/INT8 отдельно не подтверждены. Лицензия — Apache-2.0.

Intern-Decision-2B — мультимодальная модель структурированного принятия решений, созданная дообучением Qwen/Qwen3.5-2B. Она принимает общее описание состояния, схему с именованными вопросами и вариантами ответов, а также необязательные изображения; за один проход модели выдаёт для каждого поля распределение вероятностей и типизированный ответ в JSON. Архитектура — плотная Qwen3.5ForConditionalGeneration с 2 млрд параметров; для работы используется Transformers и формат весов safetensors. Модель предназначена для пакетного выбора среди заданных вариантов, оценки по категориям и бинарных решений. В README описан masked-next-token метод: модель оценивает допустимые символы вариантов, а затем применяет к вероятностям отдельную калибровку. Можно передать от 1 до 16 вопросов, до 62 вариантов на вопрос и до 8 изображений; максимальная длина входа по умолчанию — 8192 токена, при превышении запрос отклоняется без усечения. Лицензия — Apache-2.0.

LanguageBind_Video_Huge_V1.5_FT — видеотекстовая модель проекта LanguageBind, разработанная авторами исследования LanguageBind, принятого на ICLR 2024. Это полностью дообученная версия видеокодировщика LanguageBind; суффикс Huge указывает на вариант увеличенного размера, но точное число параметров в предоставленных данных не приведено. Модель предназначена для сопоставления видеороликов с текстовыми описаниями и zero-shot классификации видео по заданным текстовым меткам. LanguageBind выравнивает представления видео и языка в общем семантическом пространстве, поэтому модель можно применять для поиска видео по тексту и оценки сходства видео с описаниями без отдельного обучения на каждом наборе классов. В основе проекта — обучение на видео- и текстовых данных VIDAL-10M; архитектура репозитория указана как CLIPModel. В карточке Hugging Face основная задача помечена как zero-shot-image-classification, однако README описывает именно видеотекстовое сопоставление. Поддерживаемая метаданными задача сохранена в классификации, а видео и текст отражены как фактические модальности из описания проекта. README не уточняет поддержку конкретных естественных языков. Модель распространяется по лицензии MIT. Указания о длине контекста и количественном размере этой версии в предоставленных данных отсутствуют.

EmotionEncoder — англоязычный RoBERTa-base энкодер, разработанный автором репозитория и дообученный на GoEmotions с многометочной контрастивной функцией потерь. Он преобразует текст в нормализованный эмбеддинг размерности 128: косинусная близость предназначена отражать сходство эмоционального содержания, а не сходство тем или формулировок. Архитектура включает masked mean pooling и двухслойную проекционную голову; число параметров — 151,8 млн, максимальная длина контекста — 514 токенов. Модель подходит для поиска и извлечения текстов по эмоциональному содержанию, сравнения эмоционального сходства пар текстов, эмоционально-ориентированного ранжирования и получения признаков для последующих моделей. В описанных автором оценках она показала перенос на наборы с другими схемами эмоциональных меток, однако выдаёт векторы, а не классы или оценки отдельных эмоций. Модель рассчитана на английский текст; обучение основано на Reddit, поэтому перенос на другие регистры и предметные области требует проверки. Она не предназначена для жёсткой классификации эмоций, анализа тональности или клинической диагностики. Доступна по лицензии Apache-2.0.

MyAwesomeModel — модель из репозитория SAD21ZD1E/MyAwesomeModel-TestRepo, доступная для использования через библиотеку Transformers. В метаданных Hugging Face она обозначена как модель извлечения признаков с тегами BERT, PyTorch и feature-extraction, поэтому её основное назначение — преобразование входных текстов в векторные представления для последующего анализа или использования в прикладных ML-системах. README также заявляет о возможностях рассуждения, генерации кода и текста, ответах на вопросы, классификации, суммаризации, переводе, диалогах и function calling, однако эти заявления не согласуются с указанным pipeline_tag feature-extraction и не сопровождаются техническими сведениями о конфигурации или подтверждёнными инструкциями запуска. Размер модели, длина контекста и поддерживаемые естественные языки не указаны. Модель распространяется по лицензии MIT. Перед использованием в задачах генерации или сложного рассуждения следует проверить фактическую архитектуру и конфигурацию репозитория, поскольку карточка содержит признаки несоответствия между метаданными и описанием.

MyAwesomeModel — модель, опубликованная в репозитории sfafasgag5657/MyAwesomeModel-TestRepo и предназначенная по метаданным Hugging Face для извлечения признаков. Она интегрируется с библиотекой Transformers и использует экосистему PyTorch; в тегах также упоминается семейство BERT. Лицензия модели — MIT. README описывает обновлённую версию модели с улучшениями рассуждений, логического вывода, математических и программных задач, понимания текста, классификации, анализа тональности, суммаризации, перевода, диалогов и вызова функций. В карточке также заявлены снижение галлюцинаций и поддержка системных промптов, однако эти сведения ориентированы на генеративное использование и не согласуются напрямую с метаданными, где основная задача обозначена как feature extraction. Модель может быть полезна как компонент Transformers-пайплайна для получения векторных представлений текста и последующей классификации, поиска или сравнения. Размер, длина контекста, поддерживаемые естественные языки и точная архитектура в доступных данных не приведены; упоминание BERT в тегах не позволяет подтвердить конкретную конфигурацию.

Это базовая модель SigLIP 2 Base с патчами 16×16 и входным разрешением 224 пикселя, опубликованная в репозитории eugenehp как промежуточная копия исходного чекпойнта Google для запуска в RLX. Она сопоставляет изображение с текстовыми метками и подходит для классификации изображений по произвольным описаниям без отдельного обучения на заданных классах. В README приведён пример выбора между метками «кошка» и «собака» для фотографии. Модель принимает изображения и текстовые метки, а результатом служат оценки соответствия изображения каждому текстовому описанию. В репозитории доступны веса Safetensors и вариант GGUF в формате F16; указанная библиотека — RLX. Репозиторий распространяется по лицензии Apache-2.0. README называет его staging-копией и рекомендует обращаться к исходному чекпойнту, когда нужен именно upstream-вариант; также эти файлы не предназначены как основной runtime-пакет RLX.

TinyCLIP ViT-39M/16 Text-19M — компактная модель семейства CLIP, опубликованная авторами метода TinyCLIP для сопоставления изображений и текста. Она получена дистилляцией крупной предварительно обученной модели с применением сопоставления межмодальных сходств и наследования весов; вариант обучен на YFCC-15M. Визуальная часть использует ViT-39M/16, текстовая — Text-19M. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: можно сравнивать изображение с набором текстовых меток и выбирать наиболее подходящую. В карточке для этого варианта указана точность ImageNet top-1 63,5% и пропускная способность 1 469 пар в секунду; авторы позиционируют TinyCLIP как компромисс между скоростью и точностью для компактных CLIP-моделей. Модель принимает изображения и текстовые описания, а для классификации вычисляет их межмодальное соответствие. Язык текстовой части и длина контекста в предоставленных данных не описаны. Репозиторий использует PyTorch и safetensors. Лицензия — MIT.