I.12Рекомендации и персонализация

Это модель Sentence Transformers, созданная iambestfeed дообучением вьетнамского энкодера vinai/phobert-base-v2 на наборе vnexpress-data-similarity из 74 620 пар текстов. Архитектура основана на RoBERTa: токенные представления объединяются усреднением, а на выходе модель строит плотный вектор размерности 768; сходство векторов оценивается косинусной мерой. В метаданных указано 162,4 млн параметров и контекст до 258 токенов, а карточка модели описывает максимальную длину последовательности в 256 токенов. Модель предназначена для поиска семантически близких вьетнамских предложений и документов, сравнения текстов, поиска перефразирований, кластеризации и использования эмбеддингов в классификации. Обучение на новостных данных VnExpress адаптирует её к поиску сходства в этом корпусе; это не универсальная генеративная модель. Лицензия в предоставленных данных не указана.

Qwen3-VL-Reranker-2B — мультимодальная модель ранжирования из семейства Qwen, созданная командой Qwen на базе Qwen/Qwen3-VL-2B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность; запрос и документ могут содержать текст, изображения, скриншоты, видео или сочетания этих данных. Модель рассчитана на уточнение результатов поиска после первичного отбора кандидатов, например в мультимодальных и межъязыковых поисковых системах. Модель использует плотную архитектуру Qwen3-VLForConditionalGeneration, содержит 2 млрд параметров и поддерживает контекст до 32 тыс. токенов. По карточке модели она поддерживает более 30 языков и настраиваемые инструкции для задачи ранжирования. В описанных авторами тестах модель показала результаты на наборах для мультимодального поиска, визуальных документов и видео; фактическое качество зависит от данных и сценария применения. Модель предназначена для этапа переранжирования и выдаёт оценку релевантности, а не готовый список результатов или векторные эмбеддинги. Для первого этапа поиска авторы предлагают сочетать её с моделью Qwen3-VL-Embedding. Лицензия — Apache-2.0.

qwen-indic-v1-i1-GGUF — это набор квантованных GGUF-версий модели qwen-indic-v1, разработанной LingoIITGN и подготовленной к квантованию пользователем mradermacher. Модель ориентирована на получение эмбеддингов и извлечение признаков в сценариях sentence-transformers, включая семантический поиск, сопоставление текстов и другие задачи многоязычной обработки текста. Она предназначена для индийских языков, среди которых ассамский, бенгальский, гуджарати, хинди, каннада, кашмири, малаялам, маратхи, непальский, ория, пенджаби, санскрит, тамильский, телугу, урду и ряд других языков Южной Азии. Модель распространяется в формате GGUF с imatrix-квантованием и представлена в вариантах от i1-IQ1_S до i1-Q6_K размером примерно от 2,0 до 6,3 ГБ, а также отдельным файлом imatrix для создания собственных квантованных версий. README не содержит сведений о размере исходной модели, архитектуре, максимальной длине контекста, поддерживаемых модальностях помимо текста или точных показателях качества. Разные варианты предлагают компромисс между размером, скоростью и качеством: низкобитные версии требуют меньше памяти, но могут заметно ухудшать результаты, тогда как Q4_K_M отмечен как быстрый и рекомендуемый вариант. К сильным сторонам относятся специализация на индийских языках, поддержка локального запуска через GGUF и широкий выбор уровней квантования. Ограничения связаны с отсутствием подробных архитектурных и оценочных характеристик, а также с возможной потерей качества в наиболее компактных вариантах. Указана лицензия Apache-2.0.

RankVideo — мультимодальная модель для повторного ранжирования результатов текстового поиска по видео, разработанная авторами работы RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval. Она дообучена на основе Qwen/Qwen3-VL-8B-Instruct и анализирует пары «запрос — видео», чтобы оценить релевантность ролика запросу с учётом его содержания. Модель предназначена для улучшения выдачи в системах поиска видео по текстовому описанию: она принимает текстовый запрос и видео, а затем выдаёт оценку релевантности. Архитектура — плотная Qwen3-VL с 8 млрд параметров; карточка указывает английский язык и библиотеку Transformers. Обучение проводилось на MultiVENT 2.0 и RankVideo-Dataset. RankVideo распространяется по лицензии MIT. Она специализирована на ранжировании пар «текст — видео»; карточка не описывает качество на разных наборах данных и языках, поэтому результаты могут зависеть от предметной области и формата поиска.

multi-qa-MiniLM-L6-cos-v1 — модель для семантического сходства предложений, экспортированная из одноимённой upstream-модели sentence-transformers и опубликованная в формате ExecuTorch для библиотеки React Native ExecuTorch. Она предназначена для локального запуска на мобильных и других устройствах с поддержкой ExecuTorch, в том числе в сценариях семантического поиска, сопоставления запросов и документов и оценки близости текстов. В репозитории представлены программы ExecuTorch .pte для бэкендов Core ML, Vulkan и XNNPACK. Варианты используют fp16 для Core ML и Vulkan и fp32 для XNNPACK; размеры файлов составляют около 43–86 МБ. Вместе с моделями поставляются конфигурации и токенизатор. Архитектура, число параметров, поддерживаемые языки, максимальная длина контекста и перечень модальностей в README не указаны; по назначению это текстовая модель, работающая с предложениями. К сильным сторонам относятся возможность офлайн-выполнения на устройстве и наличие вариантов под разные аппаратные ускорители. Ограничения включают зависимость от совместимого ExecuTorch runtime: файлы опубликованы для ExecuTorch v1.4.1, а обратная совместимость с более старыми версиями не гарантируется. Модель распространяется по лицензии Apache-2.0.

Карточка модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_10 на Hugging Face совпадает с карточкой camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7, поэтому описание составлено по ней. camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7 — модель sentence-transformers на архитектуре RoBERTa, обученная Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. В README версия помечена как устаревшая: качество векторных представлений низкое, поэтому для новых систем рекомендуется выбрать более качественную модель эмбеддингов. Распространяется по лицензии Apache-2.0.

Ruri-Small — компактная модель Sentence Transformer, разработанная cl-nagoya для получения векторных представлений японских предложений и оценки их семантического сходства. Она дообучена на базе line-corporation/line-distilbert-base-japanese с использованием cl-nagoya/ruri-dataset-ft и предназначена для задач поиска и сравнения японских текстов. Модель использует архитектуру DistilBERT, формирует эмбеддинги размерности 768 и обрабатывает последовательности длиной до 512 токенов. Для оценки сходства применяется косинусная мера. В README приведены результаты JMTEB по поиску, семантическому сходству, классификации, переранжированию, кластеризации и классификации пар. Модель распространяется по лицензии Apache 2.0.

Fulcrum-AI/Ryze-Embed-3 — объединённая методом passthrough модель на архитектуре Qwen2, созданная с помощью mergekit на основе Alibaba-NLP/gte-Qwen2-1.5B-instruct. Веса доступны в формате safetensors; размер модели — 2,7 млрд параметров, максимальный контекст — 131 072 токена. В метаданных модель обозначена как text-generation и conversational. Базовая модель предназначена для преобразования текстов в эмбеддинги для семантического поиска, сравнения и ранжирования; карточка этой модели не уточняет, сохраняет ли объединённая версия эти возможности и как её применять. Лицензия в предоставленных данных не указана.

pushpdeep/sbertmsmarco-en_to_indic_ur-murilv1 — модель на базе BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерности 768. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. В репозитории указано обучение с MSELoss; модель доступна в формате PyTorch и опубликована под именем Sentence-Transformers. Модель принимает текст и выдаёт эмбеддинги. Контекст ограничен 512 токенами. По названию репозитория она связана с MS MARCO и индийскими языками, включая урду; точный перечень поддерживаемых языков и базовая модель в предоставленных данных не подтверждены. Лицензия в источниках не указана.

Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это плотный визуальный энкодер, обученный на датасете WebLI; вариант So400m использует патчи размером 16 пикселей и входное разрешение 256 пикселей. Модель сопоставляет изображения и текст, поддерживает классификацию изображений по произвольным текстовым меткам без дообучения и поиск изображений по тексту или текста по изображению. Модель подходит для извлечения визуальных признаков и встраивания в мультимодальные языковые модели, а также для задач локализации и получения плотных визуальных представлений. В README не приведены сведения о числе параметров, контекстном окне или языковом охвате. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели m-toman/siglip2-so400m-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-512, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это визуальный энкодер, обученный на WebLI и предназначенный для сопоставления изображений с текстовыми описаниями. Модель поддерживает классификацию изображений по произвольным текстовым меткам без отдельного обучения и поиск изображений по тексту или текста по изображению; её также можно использовать как визуальную часть мультимодальных систем и в других задачах компьютерного зрения. Модель принимает изображения и текстовые описания, кодирует их для сравнения и выдаёт оценки соответствия. Архитектура SigLIP, вариант So400m; доступные веса представлены в формате safetensors и используются через Transformers. В README отмечены улучшенное семантическое понимание, локализация и плотные визуальные признаки. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Это компактная англоязычная модель на архитектуре BERT, созданная дообучением Snowflake/snowflake-arctic-embed-xs на первых 300 000 примерах датасета Zyphra/Zyda-2. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и использует цель обучения Masked Language Modeling. Модель предназначена для построения текстовых эмбеддингов, классификации текста и заполнения пропусков в английских предложениях. В карточке приведены результаты оценки: loss 3,0689 и accuracy 0,4676. Лицензия — MIT.

Модель yjoonjang/stsb-quora-distilroberta-linear-merge — демонстрационное линейное слияние двух англоязычных Cross-Encoder-моделей на базе DistilRoBERTa: cross-encoder/stsb-distilroberta-base и cross-encoder/quora-distilroberta-base. Разработчик объединил их веса методом linear с коэффициентами 0,5 и 0,5; это пример работы функции слияния CrossEncoder в Sentence Transformers, а не выпуск модели, специально настроенной под отдельную задачу. Модель предназначена для оценки и ранжирования пар текстов по семантической близости, в частности для сценариев семантического сходства и поиска похожих вопросов. Архитектура — RobertaForSequenceClassification, размер — 95,2 млн параметров, максимальный родной контекст — 514 токенов. Модель принимает текстовые пары и выдаёт оценки релевантности или сходства. Доступны форматы safetensors, Flax и OpenVINO. Это демонстрационная объединённая модель; README не приводит результатов оценки качества, поэтому её пригодность для конкретной задачи следует проверять отдельно. Лицензия в предоставленных данных не указана.

Tasksource-JEV-Nano-v0 — англоязычная модель для принятия решений по тексту, разработанная Дамьеном Силео как дообучение LightOn LateOn на базе ModernBERT-base. Она использует многовекторное представление и позднее взаимодействие токенов, что предназначено для высокопроизводительной классификации и типизированных решений. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов; в метаданных указана библиотека sentence-transformers и формат safetensors. Базовая модель LateOn ориентирована на семантический поиск и извлечение документов.

Это экспериментальная англоязычная модель Sentence Transformer, созданная tomaarsen дообучением answerdotai/ModernBERT-base на наборе Natural Questions с функцией потерь DebiasedMultipleNegativesRankingLoss. Encoder-архитектура ModernBERT преобразует предложения и абзацы в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Модель рассчитана на семантический поиск и оценку сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текстов. Максимальная длина последовательности составляет 8192 токена. В README приведены результаты оценки на небольших наборах для поиска информации; карточка описывает модель как тестовый эксперимент с новой функцией потерь, поэтому результаты не следует считать гарантией качества в прикладной системе. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Yigit-Karaman/turkish_focused-multilingual-e5-small — дообученная модель эмбеддингов на основе intfloat/multilingual-e5-small. Разработчик адаптировал её с помощью LoRA к поиску на турецком языке и межъязыковому сопоставлению, сохранив возможности базовой модели для поиска научных и фактологических текстов на английском языке. Адаптер объединён с базовыми весами, поэтому модель можно использовать через sentence-transformers без отдельного подключения PEFT. Модель построена на архитектуре BERT, содержит 124,3 млн параметров и обрабатывает текст с контекстом до 512 токенов. Она предназначена для получения эмбеддингов, семантического поиска и сравнения предложений; карточка также сообщает об оценке на 11 задачах MTEB и приводит результаты для части из них. В обучении использовались англоязычные и турецкоязычные пары, включая общие QA-данные и специализированные данные для поиска. Лицензия в предоставленных сведениях не приведена.

Это дообученная модель Sentence Transformers, созданная на основе bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с mean pooling, содержит 162,4 млн параметров и преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина последовательности — 258 токенов по метаданным модели; в README указано ограничение 256 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текста. Обучение на 10 200 примерах использовало MatryoshkaLoss и MultipleNegativesRankingLoss; приведённые в README результаты поиска показывают качество для векторных представлений размером от 64 до 768 измерений. Модель ориентирована на вьетнамский язык и не предназначена для генерации текста. Лицензия в предоставленных данных не указана.

Это визуальный энкодер SigLIP 2 на архитектуре ViT с патчами 32×32 и входным разрешением 256 пикселей, подготовленный для библиотеки timm. Модель соответствует только визуальной башне SigLIP 2 и обучена на наборе данных WebLI. Она предназначена для извлечения признаковых представлений изображений, которые можно использовать для поиска и сопоставления изображений или как входные признаки для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache 2.0. В карточке не приведены размер модели и дополнительные сведения о качестве.

Qwen/WorldPM-72B-RLHFLow — модель предпочтений, разработанная авторами WorldPM и дообученная на 800 тысячах примеров RLHFLow. Она оценивает ответы языковых моделей по человеческим предпочтениям и предназначена для сравнения вариантов ответа, отбора кандидатов и использования в контурах обучения с обратной связью от человека. Модель основана на плотной архитектуре Qwen2, содержит 71,5 млрд параметров, принимает текст и выдаёт оценку предпочтения; максимальная длина контекста — 2048 токенов. В описанных авторами экспериментах модели WorldPM лучше выявляли намеренные ошибки, нерелевантные и неполные ответы в объективных задачах. Для субъективных оценок устойчивого улучшения при масштабировании не наблюдалось, а предпочтения стиля могут влиять на результат. Авторы рекомендуют дообучать модель под конкретную задачу для оптимального качества. Модель распространяется по лицензии Apache-2.0.

Это модель Sentence-Transformers, обученная командой sentence-transformers на основе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 768; число параметров — около 305,2 млн, длина контекста — 514 токенов. Модель подходит для сравнения смысловой близости текстов, семантического поиска и кластеризации. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель принимает текст и выдаёт векторы для последующего поиска или анализа сходства. Она предназначена для многоязычных текстов; в названии заявлена поддержка 100 языков. Разработчики пометили модель как устаревшую и предупреждают о низком качестве эмбеддингов, поэтому для новых проектов рекомендуют выбрать более современные модели. Лицензия — Apache-2.0.

sonoisa/clip-vit-b-32-japanese-v1 — японская версия CLIP для получения признаковых представлений текста и изображений. Автор адаптировал текстовый энкодер англоязычной CLIP-модели к японскому языку с помощью метода, описанного как разновидность дистилляции. В метаданных указаны архитектура BERT, 137,8 млн параметров, длина контекста 512 токенов и форматы PyTorch и safetensors. Модель предназначена для вычисления эмбеддингов текста и изображений, оценки их сходства, поиска изображений по текстовому запросу и мультимодальной классификации. Она ориентирована на японский язык; карточка демонстрирует сценарии мультимодального поиска и расчёта сходства. Репозиторий распространяется по лицензии CC BY-SA 4.0.

cupidon-base-ro — модель BlackKakapo для создания эмбеддингов румынских текстов и оценки семантической близости предложений. Это плотная модель на архитектуре XLM-RoBERTa с 305,2 млн параметров, дообученная на румынских данных STS; в карточке указан датасет BlackKakapo/RoSTSC. Контекст модели — 514 токенов. Модель принимает текст и формирует векторные представления, которые можно использовать для сравнения предложений по смыслу, поиска похожих текстов и ранжирования кандидатов по семантическому сходству. Доступны веса Safetensors и форматы ONNX и OpenVINO; использовать модель можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия — Apache-2.0.

microsoft/DialogRPT-human-vs-rand — модель классификации диалоговых ответов от Microsoft Research NLP Group, созданная в рамках семейства DialogRPT. Она оценивает, насколько ответ соответствует контексту диалога, а не является случайным; оценку можно использовать для ранжирования кандидатов, сгенерированных, например, DialoGPT. Модель основана на GPT-2 и реализована как GPT2ForSequenceClassification; максимальная длина контекста составляет 1024 токена. DialogRPT обучался на более чем 100 миллионах примеров человеческой обратной связи. Карточка описывает вариант human_vs_rand, который выдаёт оценку соответствия ответа контексту. Лицензия в предоставленных данных не указана.

sentence-transformers/distilroberta-base-msmarco-v1 — модель Sentence Transformers, обученная командой Sentence Transformers на основе архитектуры DistilRoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и кластеризации. Модель также подходит для сравнения сходства предложений; её можно использовать через библиотеку sentence-transformers или Transformers с соответствующей операцией pooling. Модель содержит 95,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Карточка предупреждает, что модель устарела и формирует эмбеддинги низкого качества, поэтому для новых проектов рекомендуются другие модели эмбеддингов.

EmbeddingGemma 300M Q8_0 GGUF — квантованная модель для создания эмбеддингов, основанная на google/embeddinggemma-300m. Репозиторий поддерживается Ente и представляет собой побитовую копию одного GGUF-артефакта, опубликованного ggml-org; Ente не изменяла, не переквантизировала и не перепаковывала файл. Модель предназначена для задач получения векторных представлений текста, в частности для локального поиска и retrieval-сценариев на устройствах. Она используется функцией on-device retrieval в Ensu и сохраняет совместимость с опубликованными Ensu knowledge packs. Из известных характеристик: размер базовой модели — 300M параметров, формат — GGUF, тип квантования — Q8_0, назначение — feature extraction и embeddings. Данные о поддерживаемых языках, длине контекста, точной архитектуре и модальностях в README не указаны. К сильным сторонам относятся локальное выполнение, формат GGUF и совместимость с экосистемой Ensu. Ограничения связаны с квантованием и узкой специализацией на получении эмбеддингов; конкретные показатели качества и требования к ресурсам не приведены. Модель распространяется на условиях Gemma Terms of Use и связанной с ними Gemma Prohibited Use Policy.

FG-CLIP Base — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых представлений. Обучение проходит в два этапа: сначала на парах изображений и подписей для глобального выравнивания, затем с дополнительными описаниями областей изображения, включая подробные описания и положительные и отрицательные примеры. Архитектура относится к семейству CLIP; карточка указывает использование Transformers и формат весов safetensors. Модель предназначена для сопоставления изображений с текстовыми описаниями и поиска по изображениям или тексту. Более детальное обучение на областях изображений помогает учитывать локальные визуальные признаки наряду с общим содержанием изображения. В README приведены сценарии извлечения признаков и поиска. Указанная лицензия — Apache-2.0.

Nessrine9/finetuned2-snli-MiniLM-L12-v2 — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 384; архитектура включает BertModel, усреднение токенных представлений и нормализацию. Модель предназначена для оценки семантического сходства по косинусному расстоянию, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В карточке указано обучение на 100 000 пар предложений с оценками сходства; максимальная длина последовательности в README — 128 токенов, а метаданные указывают контекст 512 токенов. Базовая модель англоязычная, поэтому основное применение — англоязычный текст. Модель подходит для создания эмбеддингов коротких текстов и сравнения их смысла, но доступные результаты на SNLI-dev умеренные: Spearman cosine 0,4779. Лицензионные условия в предоставленных данных не описаны.

GME-VARCO-VISION-Embedding — мультимодальная модель эмбеддингов, разработанная NCSOFT/NCAI на основе Qwen2-VL-7B-Instruct с использованием параметров Alibaba-NLP/gme-Qwen2-VL-7B-Instruct для улучшения поиска. Она преобразует текст, изображения и видео в векторы общего семантического пространства, чтобы находить соответствующие материалы по текстовому запросу. Основной сценарий — поиск видео: по сценам, описаниям и вопросам о содержимом. Модель основана на плотной архитектуре Qwen2-VL, содержит 7,1 млрд параметров, использует Transformers и формат safetensors; родной контекст — 32 768 токенов. В карточке заявлены высокая точность поиска, обобщение на разные сценарии и результаты уровня SOTA zero-shot на MultiVENT2.0 по состоянию на июль 2025 года. Модель можно применять в системах мультимодального поиска и как компонент агента, который находит видео для последующей генерации ответа. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Заявленная поддержка языка — английский; в README также упомянуты англоязычная и корейская демонстрации, но это не подтверждает поддержку корейского как языка модели.

gte-multilingual-mlm-base — многоязычный текстовый энкодер серии mGTE, разработанный Institute for Intelligent Computing группы Alibaba. Модель предназначена для представления текста и задач поиска и ранжирования; вариант MLM обучен восстанавливать замаскированные токены и также может применяться в задачах понимания текста. Энкодер построен на базе Transformer++ — сочетания BERT, RoPE и GLU — и использует словарь XLM-R. В модели около 305 млн параметров, максимальная длина контекста составляет 8192 токена. В README заявлена поддержка 75 языков; среди кодов языков в метаданных указаны, в частности, русский и английский. Модель показала результаты выше XLM-R-base того же размера на GLUE и XTREME-R. Лицензия — Apache-2.0. Это базовый MLM-энкодер, поэтому для прикладных задач классификации, извлечения сущностей или ранжирования может потребоваться соответствующая настройка и подходящая обвязка; карточка не содержит сведений о генерации текста.