I.12Рекомендации и персонализация

General Video Embedder (GVE-3B) — мультимодальная модель эмбеддингов для поиска видео, разработанная Alibaba-NLP на базе Qwen2.5-VL-3B-Instruct и дообученная с помощью LoRA на 13 млн собранных и синтезированных мультимодальных данных. Она кодирует текст, изображения и видео в представления для сопоставления запросов с видео без дополнительного обучения на целевом домене. Модель предназначена для текстового, визуального и комбинированного поиска по видео, включая запросы о пространственных и временных деталях, длинном контексте и частично релевантных фрагментах. Поддерживает запросы из текста, изображения, видео и их комбинаций; архитектура — плотная Qwen2.5-VL, размер — 3,1 млрд параметров, контекст — до 128 000 токенов. В метаданных указан английский язык. В README заявлены результаты zero-shot оценки на бенчмарке UVRB, включая пространственный и временной поиск. Модель доступна под лицензией Apache-2.0. Она предназначена для извлечения и сопоставления видео, а не для генерации описаний; численные результаты приведены для конкретного бенчмарка и не гарантируют качество на иных данных.

BM-K/KoSimCSE-bert — модель для получения векторных представлений корейских предложений. Репозиторий Korean-Sentence-Embedding предоставляет предварительно обученные модели для немедленного использования и средства для обучения собственных моделей. По метаданным это плотная модель архитектуры BERT с 137,8 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Safetensors. Модель предназначена для кодирования корейского текста в эмбеддинги, пригодные для сравнения семантической близости предложений и поиска похожих текстов. В README приведены результаты тестирования на задаче семантического сходства текста, однако конкретные показатели этой модели в предоставленном фрагменте не видны. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

lod-stor-4B — плотная модель с 4 млрд параметров для оценки вариантов ответа, разработанная mrn-dk на базе Qwen3-4B-Base. Она принимает текстовое состояние и один или несколько вопросов с вариантами и критериями, после чего возвращает вероятности по заданным вариантам и отдельную оценку уверенности, что правильный ответ вообще присутствует в списке. Модель работает без генерации токенов и поддерживает интерфейсы choice, noul для оценки истинности утверждения и score для шкалы от 2 до 10. Модель обучена с LoRA, адаптер слит с базовыми весами; обучение использовало перекрёстную энтропию по частотам исходов. Вопросы и варианты оцениваются независимо, а для 64 лучших вариантов применяется дополнительный слой сравнения. Принимается до 32 768 токенов суммарно за проход; состояние может занимать до 30 720 токенов. Карточка сообщает об английском языке и лицензии Apache-2.0. Модель подходит для выбора из заданных ответов, ранжирования вариантов, проверки утверждений по предоставленному контексту и сценариев селективного предсказания с отказом при низкой уверенности. Качество существенно меняется в зависимости от задачи; вероятности калиброваны в среднем, но могут быть неточны на отдельных задачах. Модель не может выбрать ответ вне списка, а при отсутствии правильного варианта полезна только оценка confidence.

along26/mpnet-base-manglish-triplet — текстовая Sentence Transformer-модель, созданная дообучением microsoft/mpnet-base разработчиком along26 на триплетах Manglish. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов по косинусному сходству. Подходит для поиска семантически близких текстов, выявления перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Модель основана на MPNet и использует усреднение токенных представлений; максимальная длина последовательности — 512 токенов (514 нативных токенов по метаданным). В карточке указан английский язык. Опубликована в формате safetensors, использует библиотеку Sentence Transformers и распространяется по лицензии Apache-2.0. В README для оценки на manglish-dev и manglish-test приведена точность cosine_accuracy 0.0, поэтому качество на этих наборах вызывает сомнения; перед применением следует проверить модель на целевых данных.

MyAwesomeModel — модель из репозитория asdad456/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и предназначенная для извлечения признаков из входных данных. В метаданных Hugging Face для неё указан pipeline-тег feature-extraction, а также совместимость с PyTorch и семейством BERT. README описывает обновлённую версию модели с улучшениями рассуждений, понимания текста, генерации кода, ответов на вопросы, классификации, анализа тональности, суммаризации и других задач. Однако эти заявления не согласуются с указанным в метаданных назначением feature-extraction, поэтому модель следует прежде всего рассматривать как инструмент получения векторных представлений для последующих NLP-задач. Модель распространяется по лицензии MIT. Размер, длина контекста и поддерживаемые естественные языки в доступных данных не указаны.

MyAwesomeModel — модель семейства BERT для извлечения признаков из текста, опубликованная в репозитории dfdfdgghh677/MyAwesomeModel-TestRepo. Она предназначена для получения векторных представлений текста, которые могут использоваться в последующих задачах анализа и машинного обучения. Модель работает с библиотекой Transformers и фреймворком PyTorch. В метаданных указана задача feature-extraction и архитектурный тег BERT; размер модели, поддерживаемые естественные языки и длина контекста не указаны. README также описывает возможности генерации текста, рассуждений, function calling и работы с веб-поиском, однако эти сведения не согласуются с указанным в метаданных pipeline-тегом и не подтверждают назначение модели как генеративной. Модель распространяется по лицензии MIT. Для практического применения следует проверить конфигурацию, токенизатор и фактическое поведение модели перед использованием в продуктивных системах.

manasp2025/my-embedding-gemma — дообученная модель Sentence Transformers на базе google/embeddinggemma-300m, разработанной Google. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству; архитектура — Gemma3TextModel, размер — 302,8 млн параметров. Модель принимает текст длиной до 2048 токенов и предназначена для семантического поиска, оценки сходства, поиска перефразировок, классификации и кластеризации текстов. Дообучение описано на наборе из трёх парных примеров с anchor, positive и negative, с функцией потерь MultipleNegativesRankingLoss. Такой малый объём данных ограничивает основания для ожидания надёжного улучшения качества в широком круге задач. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

NeoAraBERT_MSA — арабская модель для получения текстовых эмбеддингов на архитектуре NeoBERT, разработанная совместно подразделением U4RASD Арабского центра исследований и политических исследований и Американским университетом Бейрута. Чекпойнт дообучен на базе U4RASD/NeoAraBERT и предназначен для современного литературного арабского языка (MSA). Модель содержит 314,2 млн параметров и распространяется в формате safetensors для Transformers. Её можно применять для извлечения признаков текста, поиска семантически близких фраз и других задач понимания арабского текста. Авторы сообщают о сравнении семейства NeoAraBERT с арабскими моделями на 23 задачах; результаты относятся к семейству и не гарантируют качество на каждом отдельном сценарии этого чекпойнта. Лицензия — CC BY-SA 4.0.

Perception Encoder PE-Core-S16-384 — визуальный энкодер семейства Perception Encoder, разработанный Meta. Модель использует vision-language обучение с контрастивным предобучением и дообучением на синтетически выровненных видеоданных; конфигурация S/16-384 в README отдельно не описана, поэтому её размер и точные параметры здесь не приводятся. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах. Семейство PE также рассчитано на получение визуальных признаков для классификации, поиска и задач понимания видео. Репозиторий содержит веса PyTorch; лицензия Apache-2.0.

Это модель Sentence Transformer, дообученная на базе vinai/phobert-base-v2 — вьетнамского RoBERTa-энкодера. Она преобразует предложения и абзацы в плотные векторы размерностью 768, которые сравниваются с помощью косинусного сходства. Модель содержит 162,4 млн параметров и принимает последовательности длиной до 258 токенов по метаданным; в README указан максимум 256 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Её можно применять для поиска вьетнамских документов по смыслу и группировки похожих высказываний. README приводит результаты оценки поиска информации, включая точность cosine_accuracy@1 0,7045 и cosine_accuracy@5 0,8767. Модель принимает текст и выдаёт векторы признаков; архитектура включает RoBERTa-энкодер и усреднение токенных представлений. Основной язык — вьетнамский, поскольку базовая PhoBERT рассчитана на обработку вьетнамского языка. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

henry202/prism-performance-rm-downscaled-creativity — дообученная с помощью TRL модель на базе meta-llama/Llama-3.2-1B-Instruct. Она предназначена для оценки текста и выдачи скалярной оценки качества или предпочтительности, например для сравнения ответов и применения в контурах обучения с наградой. Модель построена на плотной архитектуре LlamaForSequenceClassification, содержит 1,2 млрд параметров, принимает текст и возвращает оценку. Контекстная длина составляет до 131 072 токенов; базовая модель поддерживает несколько языков. Модель распространяется в формате safetensors по лицензии базовой модели Llama 3.2 — Community License от Meta, условия которой следует проверить перед использованием.

Модель dariolopez/roberta-base-bne-finetuned-msmarco-qa-es-mn — испаноязычная модель эмбеддингов на базе RoBERTa, созданная с помощью Sentence Transformers и дообученная на испанском переводе набора MS MARCO для задач вопросно-ответного поиска. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации текстов. Модель содержит 151,8 млн параметров, принимает текстовые последовательности длиной до 514 токенов; более длинный текст обрезается. Обучение на примерах запросов, положительных и отрицательных ответов с функцией потерь MultipleNegativesRankingLoss ориентирует векторное пространство на сопоставление вопроса с релевантным текстом. Распространяется по лицензии Apache 2.0.

uer/sbert-base-chinese-nli — это модель эмбеддингов предложений на базе BERT, предварительно обученная с помощью UER-py. Она предназначена для преобразования китайских предложений в векторы и сравнения их смысловой близости, например с помощью косинусного сходства. Модель содержит 129,5 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска и ранжирования похожих китайских фраз. Для обучения использовался набор ChineseTextualInference. Репозиторий распространяется по лицензии Apache-2.0. Карточка показывает извлечение эмбеддингов и вычисление сходства; результаты могут зависеть от домена и качества исходных текстов.

SEA-CLIP-Tiny — компактная мультиязычная модель совместного представления текста и изображений, созданная авторами репозитория и дистиллированная из MetaCLIP2-ViT-B-16-worldwide. Она предназначена для поиска изображений по текстовому запросу и классификации изображений без дообучения на заданных классах. Модель содержит 46,11 млн параметров: визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384 с размерностью эмбеддингов 512. Использует токенизатор CLIP BPE с контекстом 77 токенов и библиотеку open_clip. Модель поддерживает английский и семь языков Юго-Восточной Азии: индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. В README сообщается о лучших средних показателях retrieval R@1/R@5/R@10 среди компактных моделей, сравнивавшихся в статье, и о меньшей задержке на CPU по сравнению с MobileCLIP2. Лицензия — MIT. Модель выдаёт совместимые векторы текста и изображений, а результаты классификации зависят от формулировки текстовых меток и качества соответствия обучающим данным.

peulsilva/sentence-transformer-trained-tweet — дообученная модель Sentence Transformer на базе whaleloops/phrase-bert, разработанная пользователем peulsilva. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений; метаданные указывают 136,7 млн параметров. Контекст по карточке ограничен 128 токенами, хотя метаданные указывают 512 токенов, поэтому практический предел следует уточнять в используемой конфигурации. Модель обучалась на парах текстов с оценками сходства; среди примеров есть короткие сообщения из Twitter о футболе. Для сравнения обычно используют косинусное сходство. По приведённой оценке Spearman cosine составил 0,1537 на валидационном наборе, поэтому качество на конкретных данных стоит проверять отдельно. Репозиторий использует safetensors и библиотеку Sentence Transformers; лицензия в предоставленных данных не указана.

zeromodels/siglip2_base_p16_512 — конверсия модели Google SigLIP 2 Base Patch16 512 в реализацию на Keras 3 для библиотеки zeromodels. Модель сопоставляет изображения с текстовыми описаниями и поддерживает классификацию по текстовым меткам без специального обучения на целевом наборе классов: при инференсе ей передают изображения и текстовые подсказки. Размер входного изображения — 512 пикселей; мультиязычный токенизатор основан на словаре Gemma. Реализация работает с TensorFlow, PyTorch и JAX. SigLIP 2 использует sigmoid loss и предварительное обучение с подписями к изображениям, самодистилляцией и masked prediction, что улучшает семантическое понимание и плотные визуальные признаки. Модель подходит для zero-shot классификации и сопоставления изображения с текстом. Основана на google/siglip2-base-patch16-512; распространяется по лицензии Apache 2.0.

Veritone распространяет текстовую башню модели SigLIP 2 So400m patch14-384 от Google: это отдельная копия текстового энкодера исходной модели google/siglip2-so400m-patch14-384. Она преобразует текстовые запросы в общее пространство эмбеддингов, сопоставимое с представлениями изображений, и предназначена для использования при поиске отдельно от визуальной башни, что позволяет сократить расход памяти и время загрузки. Модель подходит для классификации изображений по текстовым меткам без дообучения, поиска изображений по запросу и в качестве текстового компонента систем сопоставления текста и изображений. Семейство архитектуры — SigLIP; модель работает с текстом и сама по себе не содержит визуальную башню. Контекст составляет 64 токена. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. README указывает предварительное обучение SigLIP 2 на наборе WebLI.

zeromodels/siglip_base_p16_256 — конверсия SigLIP от Google в формате Keras 3, подготовленная для zeromodels. Это двухэнкодерная модель зрения и текста, обученная сопоставлять изображения с текстовыми описаниями с помощью попарной сигмоидной функции потерь. Она предназначена для классификации изображений без примеров: при выводе модель получает изображения и текстовые подсказки и оценивает их соответствие. Реализация работает с TensorFlow, Torch и JAX; базовая модель — google/siglip-base-patch16-256. Лицензия — Apache 2.0.

mrp/simcse-model-roberta-base-thai — модель эмбеддингов предложений на основе XLM-R, обученная с использованием SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Архитектура XLM-RoBERTa содержит около 305,2 млн параметров; модель принимает текст и выдаёт векторные представления. Длина контекста — до 514 токенов. Репозиторий содержит веса PyTorch.

Squirtle — компактная модель эмбеддингов на архитектуре BERT, созданная Mihaiii дистилляцией bge-base-en-v1.5. Она предназначена прежде всего для семантического автодополнения, а также может использоваться для сравнения сходства предложений и извлечения признаков текста. Модель содержит 16,4 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Для получения эмбеддингов в сценарии semantic-autocomplete README рекомендует использовать CLS-пулинг и нормализацию; модель также доступна в форматах Safetensors и ONNX. Лицензия — MIT. README не приводит оценок качества или подробностей о поддерживаемых языках; название базовой модели указывает на англоязычное назначение.

Модель sentence-transformers-testing/stsb-bert-tiny-openvino-quantized-only предназначена для преобразования предложений и абзацев в плотные векторные представления размерностью 128. Она разработана для использования с библиотекой Sentence Transformers и подходит для семантического поиска, кластеризации и оценки семантического сходства текстов. Конкретный разработчик в представленных данных не указан. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов и без приведения текста к нижнему регистру. Архитектура включает Transformer и mean pooling по токенам с учётом attention mask; используются только средние значения токенов, без CLS-, max- и других вариантов pooling. Языки, точный размер BERT и характеристики OpenVINO-квантизации в README не указаны. Модель удобна для получения компактных эмбеддингов и интеграции в стандартный конвейер Sentence Transformers. Ограничения — отсутствие опубликованных результатов оценки, сведений о языковой специализации, точных параметрах квантизации и гарантий качества для конкретных прикладных сценариев. В README также отсутствует информация о лицензии, поэтому условия распространения и коммерческого использования следует уточнить отдельно.

Tianmu-Emb-Uni-8B — мультимодальная модель эмбеддингов семейства Tianmu от TianmuLab для поиска и сопоставления данных разных типов. Она объединяет основу Qwen3-VL-Embedding-8B с аудиоветвью, инициализированной из Qwen2.5-Omni-7B; обученные аудиомодули, соединитель, проекцию, адаптер и прототипные модули связывают аудио с общим пространством эмбеддингов. Размерность представления — 3584. Модель предназначена для текстово-визуального и аудиопоиска, поиска по видео и визуальным документам, мультимодального RAG и семантического сопоставления; её оценивали на MMEB-V3. Репозиторий содержит только дообученные модули, а не полные веса базовых моделей. Для запуска нужно отдельно подготовить Qwen3-VL-Embedding-8B и Qwen2.5-Omni-7B и использовать код проекта: штатная загрузка через transformers.AutoModel.from_pretrained не поддерживается. Карточка описывает выпуск как предназначенный главным образом для исследований и оценки; качество может снижаться за пределами доменов MMEB-V3, а поиск по аудио в текущем чекпойнте сложнее классификации аудио. Лицензия репозитория — Apache-2.0; для базовых моделей и зависимостей нужно соблюдать их отдельные условия использования.

TPIPS-ActDiff-Qwen3VL-8B — модель для оценки перцептивного сходства изображений с учётом текста, разработанная на основе Qwen/Qwen3-VL-Embedding-8B. Она вычисляет многослойное расстояние между скрытыми представлениями пары изображений, а небольшая текстовая MLP-сеть задаёт веса слоёв. Чем выше попарная оценка, тем изображения похожее; на её основе также можно рассчитывать вероятности выбора отличающегося изображения и сравнивать кандидатов с эталоном. Модель дообучена с помощью channel LoRA (r=16, α=32) и отдельной текстовой MLP-головы. Репозиторий содержит checkpoint activation distance и предназначен для сценариев сравнения изображений по текстовому условию. Для работы предлагается библиотека TPIPS и Python 3.10 или новее. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

newmindai/TurkEmbed4STS — модель Sentence Transformers, разработанная newmindai путём дообучения Alibaba-NLP/gte-multilingual-base на турецком наборе all-nli-tr. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости по косинусному сходству; также подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 512 токенов, а метаданные каталога сообщают о контексте базовой архитектуры до 8192 токенов. Модель ориентирована на турецкий язык. Для обучения использованы функции потерь MatryoshkaLoss, MultipleNegativesRankingLoss и CoSENTLoss; приведены результаты оценивания на наборах для сходства предложений и триплетах. Веса опубликованы в формате safetensors и используются библиотекой sentence-transformers. Лицензия в предоставленных данных не указана.

VideoPrism-LvT-B — фундаментальный видеоэнкодер, разработанный Google DeepMind. Модель принимает последовательность кадров и преобразует видео в компактные embedding-представления, которые можно использовать в классификаторах, LLM, системах поиска и retrieval-моделях. Вариант LvT дополнительно включает текстовый энкодер, поэтому поддерживает сопоставление видео и текста по косинусному сходству. Модель предназначена для классификации видео и действий, пространственно-временной локализации, video-text retrieval и open-set classification. Архитектура основана на факторизованном видеоэнкодере ViViT и включает Vision Transformer ViT-B, а также временные attention-слои Transformer; размер модели составляет 248 млн параметров, размер файла — около 991 МБ. Видео подаются в формате (num_frames, 288, 288, 3), а видео- и текстовый энкодеры формируют глобальные embedding-векторы. Для токенизации текста используется SentencePiece-модель c4_en. Поддерживается произвольное число кадров за счёт интерполяции временных позиционных embedding. Сильной стороной VideoPrism является высокая универсальность: на 31 из 33 публичных тестов в четырёх категориях задач модель превзошла предыдущие лучшие foundation-модели без дообучения на целевых наборах данных. Ограничения связаны с возможными смещениями и шумом обучающих данных, включая автоматически полученные текстовые транскрипции; также заявлена недостаточная проработка длинных видео, геометрической информации и несемантических признаков. Модель распространяется по лицензии Apache-2.0. Перед применением в чувствительных сценариях, включая наблюдение и модерацию, необходима отдельная оценка рисков безопасности и справедливости.

Это модель CLIP семейства ViT-B/32, опубликованная в репозитории timm и обученная на наборе LAION-400M. Она совместима с open_clip и timm; вариант в OpenCLIP называется ViT-B-32-quickgelu. Модель сопоставляет изображения и текст в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Модель можно применять для поиска изображений по тексту и первичной категоризации изображений с помощью заранее заданных текстовых меток. Она принимает изображения и текстовые описания и выдаёт оценки соответствия между ними. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или список поддерживаемых языков.

timm/ViT-L-16-SigLIP2-512 — модель «зрение–язык» семейства SigLIP 2, обученная на наборе данных WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Она сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах: пользователь задаёт возможные категории словами, а модель оценивает соответствие изображения каждой из них. Модель использует контрастивное обучение изображений и текста с сигмоидной функцией потерь. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — Apache 2.0. Карточка указывает многоязычную направленность семейства SigLIP 2, но не перечисляет конкретные поддерживаемые языки или размеры модели.

timm/ViT-SO400M-14-SigLIP2-378 — контрастивная модель «изображение—текст» семейства SigLIP 2, обученная на наборе WebLI. Чекпойнт из исходных JAX-весов Big Vision преобразован для использования в OpenCLIP; модель предназначена для классификации изображений без дообучения по текстовым описаниям классов. Модель сопоставляет изображение с текстовыми вариантами и позволяет выбирать наиболее подходящее описание. Её можно применять для категоризации изображений по произвольным текстовым меткам и поиска изображений по смысловому соответствию. Репозиторий предоставляет веса PyTorch в формате safetensors и использует библиотеку OpenCLIP. Лицензия — Apache-2.0.

ViT-SO400M-14-SigLIP-384 — контрастивная модель сопоставления изображений и текста семейства SigLIP, обученная на наборе WebLI. Исходные веса созданы в JAX в проекте Big Vision и преобразованы в PyTorch; разработчик конвертированной версии в репозитории — timm. Модель доступна в форматах PyTorch и safetensors и предназначена для работы через OpenCLIP с изображениями и текстом либо через timm для получения эмбеддингов изображений. Основной сценарий — классификация изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов словами, а модель оценивает соответствие изображения каждому варианту. Контрастивное обучение связывает визуальные и текстовые представления, что также позволяет использовать модель для получения эмбеддингов изображений. В карточке указана лицензия Apache-2.0. Размер модели, длина контекста и поддерживаемые языки в предоставленных источниках не указаны.

VLM2Vec-LLaVa-Next — мультимодальная модель TIGER-Lab, дообученная на базе llava-v1.6-mistral-7b-hf с помощью LoRA. Она преобразует изображение и текст в мультимодальные представления для задач поиска и сопоставления, включая оценку на наборах MMEB и Flickr30K. В метаданных указаны архитектура LLaVA-NeXT, формат safetensors и поддержка диалогового взаимодействия с изображениями. Модель рассчитана на англоязычные запросы и изображения; размер контекста и число параметров в предоставленных данных не приведены. По README, обучение использовало контрастивное обучение на MMEB-train с внутрипакетными отрицательными примерами. Лицензия — Apache-2.0. README приводит сравнительные заявления о результатах, но не содержит самих численных метрик.