I.12Рекомендации и персонализация

Parveshiiii/Embedding — конвертированная модель на архитектуре XLM-RoBERTa large с объединением представления CLS для получения эмбеддингов текста. В README указано, что модель ещё не обучена; её можно дообучить для задач векторного представления текста. Модель основана на FacebookAI/xlm-roberta-large и содержит 658,7 млн параметров. Она принимает текст и формирует векторные представления, которые могут использоваться для поиска похожих предложений и извлечения признаков. Базовая XLM-RoBERTa рассчитана на 100 языков; у самой модели нет подтверждённых результатов обучения эмбеддингов. Репозиторий использует Sentence Transformers и формат safetensors, лицензия — Apache-2.0.

KARAKURI LM 7B APM v0.1 — текстовая авторегрессионная модель на архитектуре decoder-only Transformer, разработанная KARAKURI Inc. и дообученная на основе google/gemma-7b. Модель оценивает ответы языковых моделей по различным аспектам, связанным с желательностью ответа, и предназначена для сценариев оценки и ранжирования ответов в диалогах. Модель содержит 8,2 млрд параметров, принимает текст и выдаёт текстовую оценку. Поддерживает английский и японский языки; в карточке основным указан английский. Контекст составляет до 8192 токенов. Обучение проводилось на OASST2 и HelpSteer. Лицензия — Gemma Terms of Use.

argos1111/modernbert-ja-310m-jev — неофициальный кросс-энкодер на базе sbintuitions/modernbert-ja-310m, дообученный для использования в качестве ModernBERT-бэкенда Jev Local. Модель объединяет вопрос и ситуацию с одним кандидатом в текстовую последовательность и выдаёт оценку; после нормализации оценок кандидатов softmax можно получить вероятности для выбора варианта, ступенчатой оценки или ответа «да/нет». Архитектура — ModernBERT с классификационной головой на один выход, около 314,6 млн параметров. Контекст модели — до 8192 токенов, однако в описанном формате состояния длиннее 512 токенов обрезаются. Модель обучена на японских наборах JGLUE и предназначена для распознавания отношений между текстами, вопросов на здравый смысл, классификации намерений, оценивания по шкале и проверки утверждений. В карточке приведены результаты на отложенных задачах JGLUE и примеры оценки вне обучающего распределения; автор отмечает, что модель лучше подходит для коротких суждений о японском тексте, чем для задач, требующих широких знаний или новых схем классификации. Это не генеративная языковая модель и не следует ожидать от неё следования инструкциям как у LLM. Модель принимает только текст; изображения не поддерживаются. Японский — основной язык, английский также упоминается как поддерживаемый базовой моделью, но README указывает, что языки помимо японского и английского не оценивались. Точность не гарантируется для форматов вопросов вне обучающих задач, а оценки уверенности не являются калиброванной вероятностью правильного ответа. Веса опубликованы по лицензии CC BY-SA 4.0; при использовании требуется сохранять атрибуцию источников датасетов.

NVIDIA-Nemotron-3-Ultra-550B-A55B-GenRM — генеративная модель оценки ответов, разработанная NVIDIA Corporation и дообученная на основе NVIDIA-Nemotron-3-Ultra-550B-A55B-BF16. Она принимает историю диалога, запрос пользователя и два варианта ответа ассистента, а затем выдаёт отдельную оценку полезности каждого ответа и сравнительный рейтинг. При необходимости оценивание можно направить заданными пользователем принципами. Модель построена на гибридной архитектуре LatentMoE, сочетающей Mamba-2, Mixture of Experts, механизм внимания и Multi-Token Prediction. В ней 550 млрд параметров, из которых активны 55 млрд; контекст по README составляет до 1 млн токенов. Модель принимает и выдаёт текст. Она предназначена для оценки качества ответов, в том числе в сценариях обучения с подкреплением на основе обратной связи от людей. Заявлена поддержка английского, французского, испанского, итальянского, немецкого, японского, корейского, хинди, бразильского португальского и китайского языков. Для запуска рекомендованы системы с GPU NVIDIA; в README перечислены NeMo и PyTorch, а также совместимое оборудование NVIDIA. Карточка сообщает о готовности модели к коммерческому и некоммерческому использованию, но метаданные указывают лицензию «other» без её условий. Показатели полезности и сравнительного рейтинга предназначены для оценки ответов в рамках заданной схемы и сами по себе не гарантируют качество или безопасность модели в конкретном применении.

SEA-CLIP-Tiny-abl-loss-clip — экспериментальный вариант мультиязычной модели CLIP, представленный как строка абляции в работе SEA-CLIP-Tiny для ACCV 2026. Модель обучена только с контрастивной функцией потерь, без компонента дистилляции. Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без дополнительного обучения. Архитектура включает визуальную башню ViT-T/16 и 12-слойную текстовую башню шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Текстовый энкодер использует CLIP BPE с контекстом 77 токенов. В карточке заявлены английский и ряд языков Юго-Восточной Азии. Модель загружается через open_clip, веса доступны в формате PyTorch. В опубликованных результатах указаны точность zero-shot на ImageNet 31,4% и средний retrieval R@1 7,3% по наборам XM3600, Flickr30k-200 и XTD-200. Это контрольный вариант абляции, поэтому результаты относятся к конкретным экспериментальным настройкам и могут уступать основной модели SEA-CLIP-Tiny. Лицензия — MIT.

Veritone/siglip2-base-patch16-384-text — текстовая башня модели SigLIP 2 Base, представленная Veritone как облегчённая копия google/siglip2-base-patch16-384. Она кодирует текстовые запросы в общее пространство эмбеддингов с изображениями и рассчитана на отдельную загрузку при поиске, когда в индексирующей части используется соответствующая модель Veritone/siglip2-base-patch16-384-vision. Такое разделение позволяет загружать только нужную башню и экономить память и время загрузки. Модель предназначена для текстовой стороны поиска по изображениям и классификации изображений по кандидатным текстовым меткам без отдельного обучения на этих метках. SigLIP 2 использует единый рецепт предобучения для улучшения семантического понимания, локализации и плотных визуальных признаков; исходная модель предобучена на WebLI. Карточка не указывает языковую специализацию текстовой башни, поэтому конкретные поддерживаемые языки не заявляются. Репозиторий содержит только текстовую башню, поэтому сам по себе не принимает изображения: для сопоставления нужны эмбеддинги изображений, полученные совместимой визуальной башней. Модель распространяется по лицензии Apache-2.0.

SetFit/test-setfit-sst2-diff-head — модель классификации текста на основе BERT и подхода SetFit. В репозитории SetFit её использовали как тестовый пример; разработчики отмечают, что модель не обучалась для достижения высокого качества. Чекпойнт содержит около 25,9 млн параметров и рассчитан на входные последовательности длиной до 512 токенов. SetFit сочетает дообучение Sentence Transformer контрастивным обучением и обучение классификационной головы на полученных признаках. Модель предназначена для классификации текста; каталог также отмечает извлечение признаков и оценку сходства предложений. Поддерживает обработку текста и выдаёт классы и текстовые эмбеддинги. Используется формат PyTorch; лицензия Apache-2.0.

wkcn/TinyCLIP-ViT-61M-32-Text-29M-LAION400M — компактная модель семейства CLIP, основанная на совместном представлении изображений и текста. Она создана в рамках работы TinyCLIP, посвящённой дистилляции крупных моделей CLIP методом имитации близости и наследования весов. Конкретная конфигурация использует визуальный энкодер ViT на 61 млн параметров и текстовый энкодер на 29 млн параметров; модель предобучена на LAION-400M. Модель предназначена для классификации изображений по текстовым описаниям без отдельного дообучения на целевых классах: пользователь передаёт изображение и варианты подписей, а модель оценивает их соответствие. Это подходит для категоризации изображений по заданным меткам и поиска подходящей подписи. В README TinyCLIP описан как способ получить более компактные и быстрые модели с конкурентным качеством, однако приведённые показатели относятся к другим конфигурациям, поэтому их нельзя напрямую переносить на этот чекпойнт. Лицензия — MIT.

Albertina 900M PT-BR — крупная языковая модель-энкодер для бразильского варианта португальского языка, разработанная совместной командой Лиссабонского и Портского университетов. Модель построена на Transformer и архитектуре DeBERTa v2, относится к семейству BERT и содержит около 1,1 млрд параметров по метаданным; в карточке указаны 24 слоя и размер скрытого состояния 1536. Контекст составляет 512 токенов. Модель обучена на корпусе brWaC объёмом 2,7 млрд токенов и предназначена для маскированного языкового моделирования и получения представлений текста на португальском языке. Её можно применять для заполнения пропусков в тексте, а также дообучать для задач понимания языка, включая определение перефразирования, семантического сходства и текстового следования. В карточке приведены результаты на португалоязычных вариантах GLUE. Модель выпущена для академических исследований. Условия лицензии корпуса brWaC запрещают коммерческое применение; перед использованием следует учитывать это ограничение и условия лицензии, обозначенной в метаданных как other. Модель принимает и обрабатывает текст, не является генеративным чат-ассистентом и ориентирована на португальский язык Бразилии.

Bingsu/clip-vit-large-patch14-ko — корейская модель CLIP, разработанная автором репозитория Bingsu и обученная с использованием подхода Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation. Она сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений по текстовым меткам без отдельного обучения на этих метках. Для обучения использовались корейско-английские параллельные данные AIHUB. Модель относится к архитектуре CLIPModel; репозиторий содержит веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. Карточка не сообщает размер модели и длину контекста.

FG-CLIP 2 SO400M — двуязычная модель выравнивания изображений и текста, разработанная командой Qihoo 360 для детального понимания визуального содержимого на английском и китайском языках. В репозитории указана архитектура FG-CLIP 2; модель загружается через Transformers как AutoModelForCausalLM, однако её назначение — сопоставление визуальных и текстовых признаков, а не обычная генерация текста. Модель предназначена для классификации изображений без дополнительного обучения по текстовым меткам, поиска изображений по запросу и поиска текста по изображению. В карточке заявлены результаты на 29 датасетах и 8 задачах, с превосходством над SigLIP 2 и MetaCLIP 2; это заявление авторов, а не независимая оценка. Поддерживаются английский и китайский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит подробностей о размере модели, длине контекста или известных ограничениях качества. Пример использования требует Transformers и загрузки модели с trust_remote_code=True; модель ориентирована на визуально-текстовые задачи, а не на универсальный диалог.

Fusion Embedding 1 2B Preview — мультимодальная модель эмбеддингов EximiusLabs, дообученная на базе Qwen/Qwen3-VL-Embedding-2B. Она создаёт векторы текста, изображений, видео и аудио в общем пространстве для поиска и сопоставления между модальностями. Базовая модель заморожена; обучен только коннектор примерно на 16 млн параметров, который связывает признаки аудиобашни Qwen2.5-Omni с пространством эмбеддингов Qwen. Репозиторий содержит веса коннектора в формате safetensors; для работы требуются исходные замороженные башни. Эмбеддинги поддерживают Matryoshka-размерности от 64 до 2048 измерений. Модель предназначена для мультимодального поиска: например, по текстовому описанию аудиозаписей, по аудио среди изображений или по изображению среди других модальностей. Проверенные результаты особенно сильны для сопоставления аудио и текста, а аудио и изображений связываются без прямого обучения на парах аудио–изображение. Модель находится на стадии исследовательского preview v0.3; обучение ориентировано на звуковые события, поэтому распознавание содержания речи, характеристик диктора и описание музыки пока слабее. Входное аудио — моно, 16 кГц, окна до 30 секунд с разбиением более длинных записей; обучающие подписи на английском языке. Для корректной работы важно соблюдать шаблоны ввода базовой модели. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Jev-Style-Qwen3.5-2B-Decision-MLX-bf16 — дообученная модель на базе Qwen/Qwen3.5-2B-Base, опубликованная chaoliangUNSW в формате MLX и bf16. Это модель принятия решений: по состоянию, вопросу и заданному списку вариантов она за один проход выбирает вариант и выдаёт распределение вероятностей. Поддерживаются выбор одного из вариантов, оценка истинности утверждения и распределение по упорядоченным уровням оценки. Модель предназначена для классификации, ранжирования ограниченного набора ответов и оценки уверенности, в том числе в сценариях, где важна калибровка вероятностей. В карточке сообщается об обучении на пяти англоязычных семействах задач и о тестировании на отложенных примерах; заявленные результаты и скорость получены авторами и не гарантируют аналогичного качества на других данных. Для работы требуется специальный формат промпта, заканчивающийся на Answer:. Модель не предназначена для свободной генерации текста или обычного диалога; она ограничена объявленными вариантами и указанным в карточке лимитом до 26 вариантов. Лицензия — Apache-2.0.

MaMMUT2 NaFlex ViT-B/32 CC12M — исследовательский чекпойнт модели для сопоставления изображений и текста, классификации изображений без дообучения и генерации подписей к изображениям. Модель разработана в рамках сравнения архитектур и обучающих целей на CC12M: визуальная часть — NaFlexViT-Base с патчами 32, текстовый декодер — трансформер с перекрёстным вниманием через каждый второй блок. Обучение проводилось 32 эпохи на pixparse/cc12m-wds с bf16 и целью InfoNCE плюс двойная функция потерь для подписей. Модель принимает изображения и текстовые запросы, формируя представления для сопоставления и текстовые подписи. В карточке указано окно контекста текстового декодера 77 токенов. В приведённых экспериментах MaMMUT2 показала более высокий результат image-to-text retrieval, чем доступные CLIP-базовые прогоны; сравнение ограничено различиями в оптимизаторе и размере батча. Это экспериментальный исследовательский чекпойнт, а не готовая производственная модель. Лицензия — Apache-2.0.

Это конверсия MetaCLIP 2 ViT-L/14 от zeromodels, основанная на facebook/metaclip-2-worldwide-l14. Модель использует архитектуру CLIP с двумя энкодерами: один обрабатывает изображения, другой — текстовые описания. Реализация выполнена на Keras 3 и работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений без предварительного обучения на заданных классах: она сопоставляет изображение с текстовыми метками или описаниями и оценивает их соответствие. Worldwide-вариант обучен на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов, поэтому поддерживает текстовые запросы на разных языках без отдельного мультиязычного чекпойнта. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях.

Xenova/mobileclip_s2 — экспорт модели MobileCLIP S2 в формате ONNX, подготовленный Xenova для совместимости с библиотекой Transformers.js. Модель семейства CLIP сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений по произвольным текстовым категориям без отдельного обучения классификатора; её можно использовать в JavaScript-приложениях, поддерживающих Transformers.js. Модель принимает изображения и текстовые варианты категорий и выдаёт оценки соответствия, на основе которых выбирается наиболее подходящая категория. В карточке подтверждены формат ONNX и задача zero-shot image classification. Лицензия указана как other, поэтому конкретные условия использования по имеющимся сведениям определить нельзя.

iApp OpenThai-SystemOne-Ollama — сборка модели OpenThai-SystemOne v0.3 для Ollama. Это дообученная модель Qwen3.5 с 0,8 млрд параметров, предназначенная для классификации и выбора действий по заданным вариантам на тайском и английском языках. Вместо свободного текста она оценивает вероятности для выбора одного из вариантов, ответа «да/нет» и оценки по упорядоченной шкале; входное состояние может быть текстом или JSON. Сборка использует формат GGUF и Ollama System One API, работает локально и не требует API-ключа. Для неё указаны варианты BF16, Q8_0 и Q4_K_M; контекст Ollama настроен на 8192 токена. Модель дообучена на запросах, подготовленных для этого API, и README приводит результаты оценки на публичных и тайских наборах данных. Модель рассчитана на структурированные решения, например классификацию и ранжирование вариантов, а не на чат или генерацию текста. В Ollama для одного вопроса допускается от 2 до 26 вариантов, отсутствует режим воздержания; для сомнительных решений рекомендуется передавать запрос более крупной модели или человеку. Лицензия — Apache-2.0.

0xnu/pmmlv2-fine-tuned-yoruba — модель эмбеддингов Finbarrs Oketunji, дообученная на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для работы с йоруба. Она использует архитектуру BERT и библиотеку Sentence Transformers; размер — 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель преобразует текст в векторные представления и предназначена для сравнения смысловой близости предложений на йоруба. Её можно применять для поиска похожих фраз и семантического поиска. Метаданные также указывают поддержку множества других языков. Лицензия — MIT. README не сообщает подробностей о данных дообучения и оценке качества.

Это дообученная модель Liquid AI семейства LFM2.5, созданная langleu на основе LiquidAI/LFM2.5-1.2B-Base с применением LoRA и обучающих данных QMD v2. Она предназначена для расширения поисковых запросов: по исходному запросу формирует строки для лексического и векторного поиска, а также HyDE; поддерживает указание намерения запроса и директивы выбора типа расширения. Модель имеет плотную архитектуру Lfm2ForCausalLM и содержит 1,5 млрд параметров. Контекст составляет до 128 000 токенов. В репозитории доступны объединённый BF16-чекпойнт Transformers и варианты GGUF Q4_K_M, Q5_K_M и Q8_0; для QMD следует использовать GGUF. В проверке опубликованного варианта Q5_K_M средняя награда составила 95,17%, соблюдение формата — 100%, сохранение сущностей — 98,31%; результаты проверки относятся к указанному набору данных и не гарантируют аналогичное качество на других запросах. Модель принимает текст запроса и выдаёт текстовые расширения с метками lex, vec или hyde. README не определяет поддерживаемые естественные языки, поэтому языковую специализацию установить нельзя. Производная модель распространяется по LFM Open License v1.0; лицензию необходимо сохранять с условиями атрибуции и коммерческого использования. Лицензия набора данных на зафиксированной версии явно не указана, поэтому пользователям и распространителям следует самостоятельно подтвердить право на его использование.

SEA-CLIP-Tiny — вариант модели CLIP от авторов проекта SEA-CLIP-Tiny, представленный как абляция для статьи ACCV 2026. Это модель сопоставления изображений и текста с визуальной башней ViT-T/16 и 12-слойной текстовой башней шириной 384; размер эмбеддингов — 512, всего 46,11 млн параметров. Токенизатор CLIP BPE использует словарь из 49 408 токенов и контекст длиной 77 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дообучения на целевых классах, а также для поиска соответствий между изображениями и текстом. В этой абляции использована дистилляция с контрастивным и интерактивным контрастивным обучением; авторы приводят метрики поиска по изображениям и тексту и zero-shot точность на ImageNet. В README перечислены языки Юго-Восточной Азии, включая индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский; метаданные также отмечают английский. Лицензия — MIT. Веса доступны в формате PyTorch.

Standard One 3B — мультиязычная модель решений от StandardThinking на базе дообученной и слитой версии Ministral 3 3B Instruct. Она оценивает заданный сценарий и возвращает вероятности для вариантов ответа: выбора из списка, ответа «да/нет» или порядковой шкалы; свободный текст модель не генерирует. Поддерживается ввод изображений, однако приведённые в карточке результаты относятся к текстовым решениям. Модель рассчитана на сценарии, где нужно ранжировать ограниченный набор вариантов или оценить их вероятности, включая вопросы с большим числом ответов и длинными документами. Контекст при описанной конфигурации обслуживания — до 32 768 токенов. Обучающая смесь включает английский, японский, китайский, испанский, французский, немецкий, португальский, русский и в меньшей доле корейский языки. Контрольные результаты зависят от распределения задач и способа обслуживания; для существенно отличающегося распределения рекомендуется повторно настроить температуры. Вероятности в локальном и серверном режимах могут различаться. Лицензия — Apache-2.0.

Web-SSL DINO ViT-3B — визуальный трансформер, разработанный авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Модель обучена методом самообучения DINOv2 на 2 млрд веб-изображений из данных MetaCLIP без языковой супервизии. Модель содержит около 3,9 млрд параметров и обрабатывает изображения с разрешением 224×224 пикселя. Её основное назначение — извлечение визуальных признаков для задач компьютерного зрения; в README также сообщается о результатах на традиционных тестах зрения, визуальных вопросах, OCR и понимании диаграмм. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка описывает визуальные возможности, однако не приводит ограничений или оценок качества для отдельных сценариев.

X-CLIP — видеоязыковая модель семейства CLIP, разработанная Microsoft Research и представленная Ni et al. Это базовая версия с патчами 16×16, обученная на наборе Kinetics-400 контрастным способом на парах видео и текста. Для каждого видео при обучении использовались 32 кадра разрешением 224×224. Модель сопоставляет описание с видео и предназначена для классификации видео без дополнительного обучения, классификации с несколькими примерами или с учителем, а также поиска видео по тексту. Она может оценивать соответствие текста заданному видео. В README приведены результаты zero-shot классификации: top-1 accuracy 44,6% на HMDB-51, 72,0% на UCF-101 и 65,2% на Kinetics-600. Входные данные включают видео и текстовые описания, выход — оценки соответствия, используемые для классификации или поиска. Карточка указывает английский язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Результаты зависят от набора данных и подготовки кадров; базовая модель может уступать специализированным версиям, дообученным под конкретную задачу.

X-CLIP Large Patch14 — видеотекстовая модель Microsoft для распознавания действий и классификации видео. Это расширение CLIP, обученное контрастивным способом на парах видео и текста; архитектура модели обозначена как XCLIPModel. Модель обучена с учителем на наборе Kinetics-400, используя 16 кадров на видео с разрешением 336×336 пикселей. Модель оценивает соответствие текста видеоролику и подходит для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствий между видео и текстом. На Kinetics-400 указаны результаты 87,7% top-1 и 97,4% top-5. Репозиторий содержит веса PyTorch; лицензия — MIT.

Модель star092304/cefr-level-deberta-v3-base — англоязычный классификатор слов по уровням владения лексикой CEFR от A1 до C2. Она разработана на основе microsoft/deberta-v3-base и дообучена на аннотациях CEFR из набора star092304/CEFR-Annotated-WordNet. Архитектура DeBERTa-v2 для классификации последовательностей содержит 211,6 млн параметров и обрабатывает контекст до 512 токенов; файлы модели представлены в формате safetensors. Модель предназначена для оценки сложности слов, профилирования словарного запаса и подбора лексики в приложениях для изучения английского языка и адаптивных обучающих системах. На обучении использовались отдельные лексические единицы после лемматизации и сопоставления значений; из данных исключались многословные выражения и имена собственные. Оценка относится к сложности слова, а не к конкретному контексту: многозначные слова могут соответствовать разным уровням в зависимости от употребления. Результаты следует трактовать как приблизительную оценку, а не как достоверную разметку или основание для важных образовательных решений. Модель распространяется по лицензии MIT.

CLIP ConvNeXt-Base w-laion_aesthetic-s13B-b82K — модель сопоставления изображений и текста, обученная командой LAION с использованием OpenCLIP. Визуальная часть построена на ConvNeXt-Base с широким размером эмбеддинга, а текстовая использует башню OpenAI CLIP RN50x4 глубины 12 и размерности эмбеддинга 640. Модель обучалась на подмножестве LAION-Aesthetic с разрешением изображений 256×256 и 13 млрд примеров. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без отдельного обучения, а также для поиска изображений по тексту и поиска текста по изображению. В описанной серии нулевая точность top-1 на ImageNet составляет 71,0%. Модель работает с английскими текстовыми запросами; применение для других языков не оценивалось. Авторы позиционируют её как исследовательскую модель и не рекомендуют развёртывание без тщательной проверки на конкретной задаче и фиксированном наборе классов. Использование для наблюдения и распознавания лиц исключено из допустимых сценариев. Обучающий набор собран из неотфильтрованных веб-данных, поэтому возможны смещения и нежелательные ассоциации. Лицензия — MIT.

Это модель классификации изображений одежды, разработанная Touchtech и дообученная на датасете touchtech/fashion-images-gender-age. Она основана на Vision Transformer ViT-Large с патчами 16×16, предобученном на ImageNet-21k; содержит 402,7 млн параметров и предназначена для определения пола и возраста по изображениям из сферы моды. На оценочном наборе автор сообщает точность 0,9960 и функцию потерь 0,0223. Модель принимает изображения и выдаёт метки классов. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не раскрывает состав классов, методику оценки и подробности обучающих данных, поэтому приведённые метрики не гарантируют аналогичного качества на других изображениях.

gme-Qwen2-VL-2B-Instruct-i1-GGUF — это набор квантованных GGUF-файлов мультимодальной модели gme-Qwen2-VL-2B-Instruct, разработанной Alibaba-NLP и квантованной mradermacher. Модель предназначена для задач работы с текстом и изображениями, включая семантическое сходство, эмбеддинги и мультимодальный поиск; в метаданных также указана совместимость с MTEB, Sentence Transformers и Vidore. Заявлены английский и китайский языки. В основе лежит архитектура Qwen2-VL с размером 2B параметров; модель относится к vision-моделям, поэтому для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. README не указывает размер контекстного окна и подробные характеристики модальностей. Доступны варианты квантования примерно от 0,5 до 1,4 ГБ: более компактные варианты экономят память, но могут заметно уступать в качестве; для баланса скорости и качества рекомендован вариант Q4_K_M. Модель удобна для локального запуска в формате GGUF и сценариев, где важны небольшие требования к ресурсам и обработка визуально-текстовых данных. Ограничениями являются снижение качества у низкобитных квантов, необходимость совместимого ПО и возможных mmproj-файлов, а также отсутствие в README результатов бенчмарков и сведений о безопасной эксплуатации. Лицензия — Apache-2.0.

Julia 1 — первая модель семейства Julia и тест обучающей системы SupersonicLabs. Это дообученный мультиязычный энкодер JHU CLSP mmBERT-small на архитектуре ModernBERT: 144,3 млн параметров, веса в формате SafeTensors. Модель принимает состояние, вопрос и от 2 до 20 вариантов ответа, затем выбирает или ранжирует вариант; один интерфейс поддерживает классификацию, маршрутизацию, упорядоченные оценки и булевы решения. Это не генеративная модель и не готовый модуль Transformers для классификации текста. Julia 1 предназначена для задач, где решение должно опираться на переданный контекст и явно заданные варианты: например, для классификации категорий и маршрутизации запросов. Контекст выполнения — до 8 192 токенов суммарно; исторические тесты использовали 1 024 токена. Карточка приводит результаты тестов на AG News, DAIR Emotion и MASSIVE, включая 71,50% точности по сценариям на 52 локалях, но небольшие пилотные выборки не гарантируют качество в новых сценариях. Лицензия — Apache-2.0. Модель может ошибаться при неоднозначной формулировке, незнакомых темах и длинных списках меток; в тесте Banking77 она набрала 64 из 100 при маршрутизации через предварительный список кандидатов. Она сравнивает заданные варианты и не должна рассматриваться как источник недостающих фактов или надёжный решатель многошаговых вычислений. Для крупных списков используется группировка с повторным ранжированием, которая может отсеять верный вариант; перед применением в значимых сценариях следует проверить модель на собственных данных.

LiteraLevel v4 — модель регрессии для оценки сложности английской прозы с точки зрения изучающих язык. Она разработана как итоговый проект модуля программы по науке о данных в FES Acatlán, UNAM. Модель дообучена на distilroberta-base и содержит 95,2 млн параметров по метаданным; в README указаны 6 слоёв и 82 млн параметров базовой архитектуры. Контекст модели — до 514 токенов. Модель оценивает текст по шкале от 0 до 5, сопоставленной с уровнями CEFR от A1 до C2; пользовательская шкала приложения преобразует эту оценку в диапазон 0–2. Она предназначена для подбора английских книг и оценки сложности глав или отрывков. Для длинного текста рекомендуется разбивать его на фрагменты примерно по 250 слов и усреднять оценки после ограничения каждого результата диапазоном 0–5. По приведённым автором проверкам модель хорошо упорядочивает тексты по уровню, однако точность зависит от набора данных, а оценка может быть завышена для текстов начального уровня. Это не сертификация владения языком. Модель рассчитана только на связную прозу на английском; для меню, списков, таблиц и стихов оценка не имеет смысла. Обучающие данные происходят из одного корпуса, что ограничивает обобщение. Лицензия CC BY-NC-SA 4.0 требует указания источника, запрещает коммерческое использование и требует распространять производные материалы на тех же условиях.