I.12Рекомендации и персонализация

Distilled MetaCLIP 2 ViT-B/16 (worldwide) — модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-B-16-worldwide оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах: пользователь задаёт варианты меток, а модель сопоставляет с ними изображение. Модель мультимодальная: принимает изображения и текстовые описания и оценивает их соответствие. В карточке указано применение через Transformers; веса опубликованы в формате safetensors. Языковая метка — multilingual, поэтому модель рассчитана на многоязычные текстовые запросы. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. Размер модели и длина контекста в предоставленных данных не указаны. Это дистиллированный чекпойнт, поэтому его результаты могут отличаться от исходной модели; README не приводит количественных оценок качества или подробных ограничений по языкам.

mirror-bert-base-uncased-word — бессупервизорный кодировщик слов, предложенный Liu и соавторами в 2021 году. Модель обучена на наборе неразмеченных слов на основе bert-base-uncased; для получения представления входного слова в качестве вектора следует использовать токен [CLS]. Модель предназначена для извлечения векторных представлений слов и задач сравнения их семантической близости. Это BERT-архитектура с 136,7 млн параметров и контекстом до 512 токенов. Доступны веса PyTorch и Safetensors; в карточке указан английский язык. Модель подходит для поиска похожих слов и построения признаков для последующей обработки текста. Лицензия в предоставленных сведениях не указана.

BCCard/MoAI-Embedding-4B — корейская модель текстовых эмбеддингов для финансовых материалов BC Card, разработанная с помощью LoRA дообучения Qwen/Qwen3-Embedding-4B на данных предметной области. Это плотный энкодер семейства Qwen3 с 3,7 млрд параметров, представленный в safetensors и рассчитанный на создание векторов для поиска и сравнения текстов. Модель предназначена прежде всего для bi-encoder этапа извлечения кандидатов в RAG-системе BC Card, а также для поиска по вопросам и документам. Эмбеддинги имеют размерность 2560, нормализуются по L2 и сравниваются по косинусному сходству. README указывает ограничение входной последовательности в 1024 токена; для запросов при использовании следует добавлять обучающий instruction prefix. На отложенном тесте внутри предметной области авторы сообщают улучшение NDCG@10 на 6,1% и Accuracy@1 на 8,9% относительно базовой Qwen3-Embedding-4B. Модель специализирована на корейских финансовых текстах BC Card, поэтому её качество на других языках и вне этой области не гарантируется. Как bi-encoder, она подходит для первичного извлечения, но для точной сортировки рекомендуется дополнительный reranker; числовые факты могут требовать лексического поиска. Это модель для извлечения, а не генерации ответов, и она требует больше ресурсов и времени на инференс, чем вариант 0,6B. Лицензия — Apache-2.0.

isy-thl/multilingual-e5-base-course-skill-tuned — модель эмбеддингов на базе XLM-RoBERTa, дообученная Institut für Interaktive Systeme при Университете прикладных наук Любека и партнёрами в проекте WISY@KI на основе intfloat/multilingual-e5-base. Она предназначена для семантического поиска и сопоставления описаний курсов с релевантными профессиональными навыками на немецком языке, в том числе из таксономий ESCO и GRETA. Модель кодирует запросы и навыки в векторы размерности 768, которые сравниваются по косинусному сходству; поддерживаются входные последовательности до 514 токенов по метаданным репозитория. Модель может применяться для поиска навыков в каталоге курсов, построения образовательных рекомендательных систем и связывания учебных программ с компетенциями. В README сообщается об улучшении retrieval-метрик относительно базовой модели на задачах ESCO и GRETA; для повышения точности предлагается дополнительно использовать отдельный reranker. Лицензия — MIT. Оптимизация выполнена для немецкого языка, поэтому качество на других языках и незнакомых таксономиях навыков не подтверждено.

KGESH/nsfw-bge-m3-v6e — текстовая модель Sentence Transformer на базе XLM-RoBERTa, предназначенная для получения эмбеддингов предложений и абзацев и оценки их сходства. Она преобразует текст в плотные векторы размерности 1024, нормализует их и использует косинусное сходство; максимальная длина последовательности — 8192 токена. Модель обучена на 200 парах текстов с OnlineContrastiveLoss. Модель подходит для семантического поиска и извлечения текстов по сходству, в том числе для запросов и материалов с сексуальной тематикой. README указывает на обучение на примерах с откровенной лексикой, поэтому такие результаты могут быть чувствительны к тематике и малому объёму обучающих данных. Лицензия в предоставленных данных не указана.

OBLIQ-IR-3B-no-distill — полноценно обученный плотный текстовый ретривер, созданный исследовательской группой DataScience-UIBK как абляционная версия OBLIQ-IR. Модель основана на nvidia/llama-nv-embed-reasoning-3b и дообучена без дистилляции по графу k ближайших соседей авторского стиля; в остальном использованы те же обучающие данные, конфигурация LoRA и расписание, что и в основном варианте. Вес модели — 3,2 млрд параметров, архитектура — двунаправленная Llama, контекст — до 131 072 токенов. Модель предназначена для плотного поиска по тексту и сравнения смысловой близости запросов и документов. В статье её оценивают на поиске по авторскому стилю, математике, публикациям в Twitter и материалам Конгресса США. На задаче поиска текстов по стилю её NDCG@10 составляет 0,096, тогда как дистилляция в основном варианте повышает этот показатель до 0,211; на остальных трёх задачах различия невелики. Репозиторий содержит объединённые веса bf16, поэтому они немного отличаются от исходного адаптера. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

OmniRewardModel — дообученная мультимодальная дискриминативная модель оценки предпочтений, разработанная авторами проекта OmniReward на базе MiniCPM-o-2_6. К модели добавлена value head, которая выдаёт скалярную оценку вознаграждения для входных данных и свободно сформулированных человеческих предпочтений. Модель предназначена для тонкой оценки соответствия предпочтениям в задачах с текстом, изображениями и видео, а также для оценки моделей на наборах OmniRewardBench. В метаданных указаны архитектура MiniCPMO, 7,1 млрд параметров и контекст 32 768 токенов; для работы используются веса Safetensors и библиотека Transformers. Базовая MiniCPM-o-2_6 также поддерживает аудио, но README OmniRewardModel явно упоминает текст, изображения и видео, поэтому поддержку аудио самой модели нельзя подтвердить. Модель полезна для ранжирования ответов и оценки генераций по заданным предпочтениям. В README не приведены численные результаты качества или конкретные ограничения применимости. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

PIXIE-Spell-Reranker-Preview-0.6B — кросс-энкодерный реранкер TelePIX Co., Ltd. на основе архитектуры Qwen3. Модель содержит около 507,6 млн параметров и предназначена для повторной оценки релевантности пар запроса и документа, чтобы улучшать порядок результатов семантического поиска и retrieval-систем. Модель обучена на корейских и английских наборах для информационного поиска и оптимизирована для этих языков. Разработчик отмечает специализацию на аэрокосмической тематике, а также применение для поиска по документам, технических вопросов и ответов и поиска в предметных областях с высокими требованиями к точности. Максимальная длина последовательности — 40 960 токенов; модель доступна через Sentence Transformers. В README приведены сравнительные оценки на корейских и англоязычных бенчмарках, но результаты на конкретных корпусах могут отличаться от рабочих сценариев. Для продуктивного применения рекомендуется проверять качество на данных целевой системы. Лицензия — Apache-2.0.

sdadas/polish-reranker-large-mse — модель ранжирования польских текстов, разработанная командой sdadas. Она оценивает пары «запрос — документ» и помогает переставить результаты поиска по релевантности. Модель построена на Polish RoBERTa и обучена методом дистилляции с функцией потерь MSE: она воспроизводит оценки учительской модели unicamp-dl/mt5-13b-mmarco-100k. Обучение проводилось на 1,4 млн запросов и 10 млн документов, включая польскую часть MS MARCO, переведённый на польский ELI5 и подборку польских медицинских вопросов и ответов. В бенчмарке Polish Information Retrieval Benchmark модель показала NDCG@10 60,27 в категории rerankers. Она принимает текстовые пары и выдаёт оценку релевантности; модель содержит 533,7 млн параметров, а длина контекста составляет 514 токенов. Модель подходит для reranking в польскоязычном поиске и информационном поиске, в том числе по медицинским материалам. Это не генеративная модель: она оценивает соответствие документа запросу, а не формирует ответ. Распространяется по лицензии Apache-2.0.

MEGHT разработал Qwen3 0.6B Fine-Tuned for Search Query Generation — дообученную плотную авторегрессионную языковую модель семейства Qwen3 с 507,9 млн параметров. Она генерирует поисковые запросы по сообщению пользователя и контексту предыдущего разговора. Модель рассчитана на подсказки для поисковых систем, чат-ботов и виртуальных помощников, а также на поиск контента по запросу. Для дообучения использован собственный набор пар «ввод — вывод»; модель обучалась и предназначена для запуска через библиотеку Transformers. В метаданных указан контекст до 40 960 токенов, тогда как README сообщает ограничение в 1 024 токена; фактический предел зависит от используемой конфигурации. Доступны форматы Safetensors и GGUF. В README приведены оценки perplexity 12,5, BLEU 0,35 и ROUGE-L 0,45, но методика оценки не описана. Модель ориентирована на английский язык. README предупреждает о возможном ухудшении качества в незнакомых предметных областях и о наследовании смещений из обучающих данных. Лицензия — Apache 2.0.

ler001/SLIT_scoring — модель оценки текста на базе архитектуры Qwen2, дообученная с помощью TRL как reward model. Она предназначена для присвоения входному тексту числовой оценки, например для ранжирования вариантов ответа или оценки качества текста. Модель содержит 14 млрд параметров, принимает текст и выдаёт оценку; максимальный контекст составляет 32 768 токенов. В карточке не названа базовая модель: указано значение «None», поэтому определить её идентификатор нельзя. Репозиторий использует Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

TinyCLIP ViT-8M/16 Text-3M — компактная модель семейства CLIP, созданная авторами метода TinyCLIP для сопоставления изображений и текста. Она получена дистилляцией с применением методов affinity mimicking и weight inheritance; вариант обучен на YFCC-15M. Репозиторий содержит веса в форматах PyTorch и safetensors и распространяется по лицензии MIT. Модель предназначена для классификации изображений без примеров с заданными текстовыми метками: пользователь задаёт варианты описаний, а модель оценивает соответствие изображения каждому из них. В таблице модели указана точность top-1 41,1% на ImageNet-1K и вычислительная стоимость 2,0 MACs(G); результаты относятся к приведённой в карточке оценке. Компактный размер ориентирован на более быстрый инференс, однако карточка не приводит отдельного сравнения скорости именно этого варианта с базовой моделью.

UW1-SPPO — дообученная командой promotion модель Qwen2.5-7B-Instruct для генерации диалоговых ответов. Она обучена методом SPPO на парах ответов, сравниваемых по предпочтениям: использовались 319 обучающих и 83 проверочных запроса, для которых сформировали 8 932 обучающие пары. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалогов и генерации ответов с настройкой на предпочтения пользователей. В карточке приведены результаты оценки на нескольких наборах тестов, но они получены одним запуском обучения и локальными судьями, поэтому их нельзя трактовать как результаты публичных лидербордов или надёжное доказательство превосходства. В эксперимент вошли только отфильтрованные запросы с положительным излишком в модели переговоров, а различия между пятью вариантами обучения не превышали одну стандартную ошибку ни по одному показателю. Лицензия в предоставленных данных не указана.

X-CLIP base с размером патчей 16 — видеоязыковая модель Microsoft, представленная в работе Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Она расширяет CLIP для понимания видео и обучена контрастивно на парах видео и текста; эта версия обучалась в few-shot режиме с K=8 на UCF101. Модель предназначена для классификации видео в zero-shot, few-shot и supervised сценариях, а также для поиска соответствия между видео и текстом. При обучении использовались 32 кадра на видео с разрешением 224×224. В README указана точность top-1 88,3% на оценивании, однако подробности протокола оценки не приведены. Модель принимает видео и текстовые описания, выдаёт оценки их соответствия и подходит для извлечения признаков при видео-языковых задачах. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Обучение на UCF101 и few-shot настройка ограничивают основания для переноса опубликованной точности на другие наборы данных и сценарии.

X-CLIP — базовая модель семейства CLIP для понимания видео и текста, разработанная Microsoft и представленная Ni и соавторами. Она обучена контрастивным способом на парах «видео–текст» и полностью контролируемым образом на наборе Kinetics-400. Видеоклип обрабатывается по 8 кадрам с разрешением 224×224; модель использует архитектуру X-CLIP с визуальными патчами размером 32 пикселя. Модель предназначена для классификации видео с нулевым или малым числом примеров, а также для классификации с учителем и поиска соответствий между видео и текстом. Она может оценивать, насколько текст подходит к видео; для Kinetics-400 указана точность top-1 80,4% и top-5 95,0%. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

X-CLIP Large Patch14 — видеоязыковая модель Microsoft, представленная в статье Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Это расширение CLIP для работы с видео и текстом, обученное контрастным способом на парах «видео—текст» и полностью под наблюдением на наборе Kinetics-400. Модель предназначена для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствий между видео и текстом. При обучении использовались 8 кадров на видео с разрешением 224×224; для классификации на основе сходства модель оценивает, насколько текст подходит к видео. В оценке на Kinetics-400 указаны точности top-1 87,1% и top-5 97,6%. Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии MIT. Карточка описывает обучение на Kinetics-400; результаты и пригодность для других наборов данных могут отличаться.

Это модель Sentence Transformers, разработанная командой sentence-transformers на базе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель имеет 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для извлечения эмбеддингов и задач семантического сходства; репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. В карточке модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и не рекомендуют её использовать.

CEFR BERT Classifier — дообученная на размеченных данных модель на базе XLM-RoBERTa для классификации английского текста по пяти уровням владения языком: A1, A2, B1, B2 и объединённому уровню C1/C2. Разработчик описывает её как часть ансамблевой системы оценки уровня языка. Модель предназначена для автоматической оценки сложности английских текстов и может использоваться в образовательных инструментах, например для подбора материалов по уровню ученика. Она имеет архитектуру RoBERTa с классификационной головой, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Использует библиотеку Transformers и формат весов safetensors. В README указаны точность 98,17% и QWK 0,9908 на внутридоменном тесте, но на внешнем тесте показатели значительно ниже: точность 25,43% и QWK 0,3367. Это указывает на слабый перенос на тексты вне обучающего домена; заявленные результаты не следует считать гарантией качества на произвольных текстах. Лицензия — MIT.

dksysd/cefr-classifier — англоязычный классификатор текста, дообученный на базе microsoft/deberta-v3-large для определения уровня сложности английского текста по шкале CEFR от A1 до C2. Он подходит для оценки учебных материалов, сортировки текстов по уровню владения языком и подбора материалов для изучающих английский. Модель использует архитектуру DeBERTa V3 Large с классификационной головой и содержит 533,8 млн параметров. Она принимает текст и возвращает классификацию уровня; нативная длина контекста — 512 токенов. Карточка упоминает обучение на датасете dksysd/cefr-classification, но не приводит численных результатов качества. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции, распространения производных материалов на тех же условиях и не допускает коммерческого использования. Предсказания относятся к английским текстам и не заменяют комплексную оценку языковой компетенции человека.

Worthify Decision-1 — текстовая модель принятия решений с ограниченным выбором, разработанная Worthify путём полного дообучения 11,9 млрд параметров Gemma 4 12B. На вход она получает текстовое описание состояния, вопрос и меню из 2–16 описанных вариантов; на выходе выбирает идентификатор варианта и выставляет ему условную оценку относительно этого меню. Модель предназначена для маршрутизации запросов, отбора свидетельств и выбора шага рабочего процесса, когда приложение заранее задаёт допустимые варианты. Модель основана на плотной архитектуре Gemma4UnifiedForCausalLM, поддерживает диалог и принимает текст. Заявленная длина контекста — 262 144 токена, однако в обучающем промпте использовалось ограничение в 2 048 токенов, а более длинные входы не проверялись. В описанной отложенной оценке на семи наборах Decision-1 превзошла исходную Gemma 4 12B по основному показателю, но это исследовательский предварительный результат на одном случайном зерне и он не подтверждает работу в реальных условиях. Оценки не откалиброваны и не являются вероятностями истинности или безопасности; приложение должно проверять варианты и при необходимости запрашивать проверку человеком. Модель распространяется по лицензии Apache-2.0.

goff Lite — модель Whadupapp для оценки решений и ранжирования кандидатов. Это дообученная на базе microsoft/harrier-oss-v1-0.6b модель Qwen3 с архитектурой Qwen3ForSequenceClassification: 28 слоёв, скрытый размер 1024, один регрессионный выход. Весит около 1,19 ГБ в bfloat16, принимает текстовые промпты и выдаёт оценки, которые можно калибровать и преобразовывать в распределение вероятностей по кандидатам. Контекстное окно — 32 768 токенов, однако обучающие промпты ограничивались 1 024 токенами. Модель предназначена для независимой оценки каждого кандидата в рамках вопроса и сравнения полученных оценок после калибровки и нормализации softmax. Она обучалась на типизированных решениях choice, noul и score, включая английские и немецкие примеры; тестирование на опубликованном наборе typed-decisions проводилось на английском языке. Это не чат-модель: она не генерирует ответы и её поведение за пределами указанного формата промптов не оценено. Сырые оценки не калиброваны, а качество на длинных контекстах и для немецкого языка не измерено. Лицензия указана как other, поэтому конкретные условия использования следует проверить в репозитории модели.

Jagle-VL-2.2B-Jagle-FineVision — мультимодальная модель зрения и языка, разработанная авторами проекта Jagle и обученная на наборах данных Jagle и FineVision. Она предназначена для обработки изображений в сочетании с языковыми запросами и извлечения признаков для мультимодальных сценариев. Архитектура вдохновлена InternVL3.0 и включает языковую модель Qwen3-1.7B, визуальный энкодер SigLIP2 SO400M и лёгкий двухслойный MLP-проектор; общий размер — 2,2 млрд параметров. Модель реализована для Transformers, веса опубликованы в формате safetensors. В карточке не описаны поддерживаемые языки и длина контекста. Модель подходит для экспериментов и приложений, которым нужны визуально-языковые признаки; метаданные указывают задачу feature-extraction. Лицензия в предоставленных данных не указана.

Llama-3.3-Nemotron-70B-Reward — языковая модель NVIDIA на архитектуре Llama 3.3, дообученная на основе Meta-Llama-3.3-70B-Instruct. Она предназначена для оценки качества ответов, сгенерированных другими языковыми моделями: на вход подаётся многоходовый диалог на английском языке длиной до 4096 токенов, а на выходе получается одно числовое значение вознаграждения. Более высокий балл означает более предпочтительный ответ в рамках одного и того же запроса; сравнивать баллы для разных запросов напрямую нельзя. Модель содержит 69,5 млрд параметров и принимает текст. Хотя заявленное контекстное окно составляет 131 072 токена, обучение проводилось на диалогах длиной до 4096 токенов. NVIDIA сообщает о результатах 73,7% на JudgeBench и 79,9% на RM-Bench. Модель подходит для ранжирования ответов, отбора кандидатов и построения оценочных конвейеров; она рассчитана на английский язык и требует значительных вычислительных ресурсов — для запуска через Transformers README рекомендует не менее двух GPU с 80 ГБ памяти. README указывает, что модель готова к коммерческому и некоммерческому использованию, однако метаданные обозначают лицензию как «other»; перед применением следует проверить условия NVIDIA для репозитория. Модель выдаёт оценку качества, а не текстовый ответ для конечного пользователя, и её баллы не следует трактовать как абсолютную шкалу качества между разными запросами.

NbAiLab/nb-sentence-bert-base-mnli-test — тестовая модель sentence-BERT (SimCSE), разработанная NbAiLab и обученная на основе nb-bert-base. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости. Модель построена на архитектуре BERT, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель не прошла валидацию, поэтому её качество и пригодность для прикладного использования не подтверждены. Репозиторий распространяется по лицензии Apache-2.0.

KGESH/nsfw-bge-m3-v6c — текстовая Sentence Transformer-модель на архитектуре XLM-RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска и сравнения текстов по косинусному сходству; контекст — до 8194 токенов. Модель обучена на 214 парах предложений с OnlineContrastiveLoss. Подходит для семантического поиска и оценки близости коротких текстов, в том числе терминов сексуальной тематики. При обучении различались близкие и несвязанные пары, поэтому качество на широких или иных тематических задачах может быть ограничено. В метаданных указана лицензия?

Prism Performance RM Downscaled Diversity — модель классификации текста, дообученная Henry202 на базе meta-llama/Llama-3.2-1B-Instruct с помощью TRL. Она предназначена для оценки текста скалярной оценкой вознаграждения: в карточке показан пример получения score для фразы. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForSequenceClassification и формат safetensors; заявленная длина контекста — 131072 токена. Базовая модель поддерживает несколько языков, однако языки и качество оценки именно этой модели отдельно не описаны. Лицензия в предоставленных данных не указана.

AraBERTv02+Word+CE — модель оценки читабельности арабского текста, разработанная CAMeL Lab дообучением AraBERTv02-base с функцией потерь cross-entropy. Модель использует вариант Word из корпуса BAREC-Corpus-v1.0 и предназначена для классификации текста по уровню читабельности; пример в карточке показывает получение уровня из результата text-classification. Модель построена на архитектуре BERT, содержит 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на арабский язык и доступна для использования через библиотеку Transformers. В карточке указана лицензия MIT.

Veritone/siglip2-so400m-patch16-384-text — текстовая башня SigLIP 2 So400m, подготовленная Google и опубликованная Veritone как отдельная копия текстового компонента модели. Она кодирует текстовые запросы в общее пространство эмбеддингов с соответствующей моделью зрения Veritone/siglip2-so400m-patch16-384-vision, чтобы выполнять поиск по изображениям и классификацию изображений по текстовым меткам. Раздельная загрузка башен позволяет использовать только нужный компонент при поиске и экономить память и время загрузки. Модель предназначена для zero-shot-классификации изображений и поиска соответствий между изображениями и текстом; её текстовые эмбеддинги также подходят как компонент мультимодальных систем. Архитектура — SigLIP 2 So400m, библиотека Transformers, веса в формате safetensors. Контекст ограничен 64 токенами. Модель распространяется по лицензии Apache-2.0. Для сопоставления с изображениями требуется совместимая башня зрения; сама эта копия содержит только текстовую башню и не принимает изображения.

Searchium обучила эту модель CLIP4Clip на первых 150 000 парах видео и текстовых описаний из WebVid. Она основана на CLIP ViT-B/32 и реализует подход из работы «CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval». Модель предназначена для поиска видео по текстовому запросу в больших коллекциях: она сопоставляет текст и видеоклипы, чтобы находить наиболее релевантные результаты. Для подготовки эмбеддингов видео README указывает на отдельную процедуру предобработки и ноутбук; веса доступны в форматах PyTorch и safetensors. В описанной авторами оценке на отложенных примерах WebVid модель показала Recall@1 50,74, Recall@5 77,30 и Recall@10 85,05. Эти результаты относятся к конкретному набору данных и протоколу оценки и не гарантируют аналогичного качества на других коллекциях. Лицензия в предоставленных данных не указана.

Bingsu/clip-vit-base-patch32-ko — корейская модель CLIP, обученная автором репозитория на основе метода Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation. Она сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений по произвольным текстовым меткам без отдельного дообучения под каждый набор классов. Для обучения использовались корейско-английские параллельные данные AIHUB; токенизатор CLIP переобучен на смеси корейских и английских текстов в пропорции 7:3. Модель доступна в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. В карточке не приведены размер модели и длина контекста.