I.12Рекомендации и персонализация

APUS-OpenJev-v1-4B — дообученная модель на базе Qwen3.5-4B от APUS AI Lab, предназначенная для выбора действий в браузере, маршрутизации рабочих процессов и вынесения суждений по текстовым принципам. Репозиторий содержит слитые BF16-веса контрольной точки 5949; модель использует языковые представления и проекцию словаря Qwen. В метаданных указана архитектура Qwen3.5 и поддержка диалога. Модель оценивает кандидатов, динамически переданных в запросе, и возвращает распределение предпочтений; приложение может преобразовать решение в структурированный результат рабочего процесса. В README приведена оценка 66 из 80 на панели Frozen80, включающей задачи для браузера, HelpSteer3, BoolQ, MNLI и принятия решений по атрибутам. Это не независимый слепой тест и не показатель успешности браузерных действий в целом. Указаны режимы вычисления с 16 и 32 слоями; для генерации текста рекомендуется режим высокой глубины. Модель принимает текст и выдаёт текстовые решения и оценки кандидатов. В карточке указаны английский и китайский языки. Лицензия — Apache-2.0. Вероятности кандидатов отражают относительные предпочтения и требуют калибровки перед интерпретацией как вероятностей правильного ответа; слияние BF16 может менять значения вероятностей.

aki-0421/clip-anime-patch400-10k-v1 — CLIP-модель для поиска и извлечения персонажей аниме по сходству. В метаданных указана архитектура CLIPQwenVLModel, объединяющая модели cl-nagoya/ruri-v3-310m и Qwen/Qwen2.5-VL-7B-Instruct; репозиторий использует Sentence Transformers и формат safetensors. Модель предназначена для подбора похожих персонажей и поиска по мультимодальным представлениям. Карточка связывает её с японским языком; лицензия — Apache-2.0. Размер модели и длина контекста не установлены по доступным данным.

Laya Multilingual LiteRT — это преобразованный в LiteRT формат мультиязычной модели классификации текста convaiinnovations/laya, опубликованный сообществом litert-community. Модель основана на энкодере mmBERT-base с типизированными классификационными головами и предназначена для запуска на Android GPU и Qualcomm NPU. Она принимает текст или JSON-состояние и по вопросу, заданному во время запроса, выбирает вариант, оценивает текст по порядковой шкале либо выдаёт вероятность ответа «да» или «нет». Поддерживаются английский, японский и, согласно карточке, более 100 языков; проверка в README проведена на английском и японском. Доступны варианты с окнами 256 и 512 токенов; рекомендуемый телефонный комплект занимает около 0,68 ГБ. Для каждого вопроса выполняется один проход модели. В проверке на Samsung Galaxy S26 с LiteRT 2.2.0 обработка графа при окне 256 токенов занимала 51 мс на GPU и 36 мс на NPU. Для работы приложения хост выполняет токенизацию, подготовку промпта и обработку вероятностей; основной граф принимает эмбеддинги, а не идентификаторы токенов. Лицензия — Apache-2.0. Проверена работа только на указанном устройстве, поэтому совместимость и производительность на других Android GPU и NPU не подтверждены.

PlotTwist Embedder — модель эмбеддингов, разработанная Raz Sarusi и Tomer Dariel для поиска подходящих киносюжетов. Она кодирует короткий питч фильма и логлайны в векторы, чтобы находить наиболее близкие совпадения в каталоге из 10 000 синтетических записей. Модель дообучена на базе sentence-transformers/all-mpnet-base-v2 с помощью MultipleNegativesRankingLoss; архитектура MPNet содержит 136,7 млн параметров, а контекст составляет до 514 токенов. Модель предназначена для семантического поиска логлайнов по пользовательскому описанию идеи фильма. В тесте на 600 питчах среди 10 000 записей дообученная версия достигла recall@1 0,845, recall@5 0,933 и recall@10 0,953; эти результаты относятся к описанному авторами набору данных и оценке. Репозиторий также содержит FAISS-индекс и каталог для приложения PlotTwist. Модель принимает текст и выдаёт эмбеддинги; карточка не указывает специально поддерживаемые естественные языки. Лицензия — Apache-2.0.

Technographics Marketing Matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком репозитория на базе BAAI/bge-base-en-v1.5 на 396 парах примеров по тематике маркетинга и technographics. Модель кодирует предложения и абзацы в плотные текстовые векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Контекст ограничен 512 токенами. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, связанных с маркетингом, сегментацией клиентов и технологическими профилями. Обучение Matryoshka позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64. Лицензия Apache-2.0. Небольшой обучающий набор ограничивает основания для ожиданий широкой предметной точности; качество следует оценивать на целевых данных.

Это модель SomosNLP, дообученная на базе facebook/wav2vec2-base для классификации эмоциональной окраски испанской речи по аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification; размер модели — 113,3 млн параметров. На тестовой выборке MESD указаны точность 0,9308 и потеря 0,3071. Модель подходит для анализа настроения в голосовых записях и классификации аудиоматериалов по эмоциональной окраске. В README также описаны возможные сценарии подбора музыки и медиа по настроению и обнаружения звуковых событий при расширении набора классов. Однако исходная модель обучена именно на эмоциях в речи и не заявлена как детектор драк или других событий. MESD содержит около 1200 студийных записей длительностью примерно одну секунду; для обучения использовали 890 записей. Поэтому качество может снижаться на шумном аудио и при фоновой музыке, а класс «страх» распознаётся хуже остальных. Лицензия — Apache-2.0.

GLAP (Generalized Language Audio Pretraining) — модель для сопоставления аудио с текстом, представленная проектом MiSpeech. Она оценивает пары аудио и текстовых описаний, что позволяет находить подходящие звуковые фрагменты по текстовому запросу или ранжировать описания по соответствию аудио. Модель предназначена для поиска по речи, музыке и другим звукам, включая сценарии retrieval и zero-shot оценки. GLAP заявлена как многоязычная модель, поддерживающая более восьми языков; среди примеров указаны японский, немецкий, испанский, китайский и нидерландский. Для музыки и звуковых событий README сообщает о сопоставимой с прежними базовыми решениями результативности на английском и о поддержке поиска на других языках. Репозиторий содержит веса в формате safetensors и использует библиотеку glap_model. Лицензия — Apache-2.0.

kushalpatil/jevify-gemma4-26b-a4b — мультимодальная модель на базе Gemma 4 26B A4B IT от Google DeepMind, дообученная автором репозитория Kushal Patil методом LoRA с последующим слиянием весов. Она предназначена для классификации по заданным вариантам ответа и оценки вероятностей меток по текстовому описанию состояния и вопросу. Модель использует интерфейс image-text-to-text и поддерживает анализ изображений согласно метаданным, хотя README описывает сценарий с текстовым состоянием и вопросом. Вместо генерации развёрнутого ответа предполагается один проход предварительной обработки и чтение распределения вероятностей следующего токена по меткам ответа. Дообучение выполнено на наборах с жёсткими метками, распределениями человеческих оценок и синтетически построенными длинными состояниями до 24 тысяч токенов; в README указан KL-loss и отсутствие модели-учителя. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Gemma.

hendrydong/Mistral-RM-for-RAFT-GSHF-v0 — модель вознаграждения на базе Mistral-7B-Instruct-v0.2, предназначенная для классификации последовательностей. Её загружают через AutoModelForSequenceClassification с одним выходным значением; такой формат подходит для оценки ответов или предпочтений в сценариях обучения с обратной связью от человека. Модель имеет плотную архитектуру Mistral и около 7,1 млрд параметров. Метаданные указывают контекст длиной до 32 768 токенов и формат весов safetensors. README называет базовую модель, но не уточняет данные обучения, метрики качества или условия лицензии.

hroth/psais-all-mpnet-base-v2-5shot — модель Sentence-Transformers на архитектуре MPNet, дообученная с помощью SetFit на пяти высказываниях для университетского проекта по распознаванию намерений. Она преобразует предложения и абзацы в плотные векторы размерности 768; метаданные указывают 136,7 млн параметров и контекст до 514 токенов. Основной сценарий — классификация пользовательских намерений; также модель можно применять для поиска семантически похожих текстов и кластеризации. Модель принимает текст и выдаёт векторные представления, подходящие для сравнения сходства. В README отмечено, что другие варианты применения не проверялись, поэтому качество за пределами распознавания намерений не подтверждено. Лицензия в предоставленных данных не указана.

Standard One 8B — дообученная модель на базе Ministral-3-8B-Instruct-2512-BF16, разработанная авторами репозитория StandardThinking. Она оценивает ограниченный набор вариантов для заданного сценария и рубрики, возвращая вероятности для меток выбора, ответов «да/нет» или порядковой шкалы. Свободный текст модель не генерирует; для работы предусмотрен серверный API POST /v1/systemone. Модель использует архитектуру Mistral 3 и объединённый BF16-чекпойнт с весами LoRA, дообучавшими языковые проекции. Контекст составляет 32 768 токенов. Базовая модель сохраняет возможность принимать изображения, однако в карточке не приведены отдельные оценки качества принятия решений по изображениям. Обучающая смесь охватывает английский, японский, китайский, испанский, французский, немецкий, португальский, русский и в меньшей доле корейский языки. Модель подходит для классификации сценариев и выбора ответа из заданных вариантов; вероятности масштабируются фиксированной температурой, которую может потребоваться перенастроить для другого распределения вопросов. Качество зависит от набора задач: на публичном сложном тесте результат ниже указанного для Jev 1.13, а точность по изображениям не установлена. Лицензия — Apache-2.0.

TinyLLaMA 1.1B Fine-Tuned — дообученная модель семейства Llama, созданная Rahul Madhugiri на базе TinyLLaMA-1.1B методом supervised fine-tuning. Она получает абзац контекста, сформированный из ближайших документов, и генерирует короткое продолжение, семантически похожее на целевой абзац. При обучении сходство оценивалось по косинусному расстоянию между эмбеддингами Sentence-BERT; использовалась модель all-MiniLM-L6-v2. Модель имеет плотную архитектуру LlamaForCausalLM, около 1 млрд параметров и контекст длиной 2048 токенов. Карточка Hugging Face указывает задачи sentence-similarity и text-generation; основной сценарий по описанию — генерация текста по контексту с семантическим соответствием. Репозиторий использует формат safetensors. Лицензия — Apache-2.0. Модель оптимизирована для коротких ответов в структуре контекста, обогащённого данными Pinecone. За пределами такого сценария качество обобщения может быть низким; сведения о поддерживаемых естественных языках не приведены.

UltraRM-13B — модель оценки вознаграждения, разработанная OpenBMB для исследований выравнивания языковых моделей. Она основана на LLaMA 2 13B и дообучена на смеси UltraFeedback, Anthropic HH-RLHF, Stanford SHP и Summarization. Модель оценивает текстовые ответы по предпочтениям и предназначена, в частности, для сравнения вариантов ответа и выбора лучшего при best-of-N генерации. Модель имеет плотную архитектуру LlamaRewardModel с 12,9 млрд параметров, принимает текст и выдаёт оценку предпочтительности. Указанная длина контекста — 4096 токенов. В README сообщается о результатах на открытых наборах тестов предпочтений и об использовании в экспериментах по выравниванию; конкретные языки не перечислены. Лицензия — MIT.

waon-siglip2-base-patch16-256 — визуально-текстовая модель llm-jp, полученная дообучением google/siglip2-base-patch16-256 на крупном японском наборе пар изображение–текст WAON. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Модель содержит 375 млн параметров и построена на архитектуре SigLIP 2; для работы с ней в карточке указана библиотека Transformers. Модель ориентирована на японские изображения и культурно-специфичную классификацию. По результатам README она показывает лучшие значения среди сравниваемых моделей на японских бенчмарках Recruit и WAON-Bench. Для применения задают изображение и текстовые метки, а модель оценивает их соответствие. Репозиторий распространяется по лицензии Apache-2.0.

Llama-3.1-Tulu-3-8B-DPO-RM-RB2 — англоязычная модель оценки предпочтений, разработанная Allen Institute for AI и выпущенная в наборе из семи серий reward-моделей для RewardBench 2. Это классификатор последовательностей на архитектуре Llama, дообученный на бинарных данных предпочтений; в метаданных указано 7,5 млрд параметров и контекст до 131 072 токенов. Модель присваивает оценку тексту или ответу, помогая сравнивать варианты и выбирать более предпочтительный. Модель предназначена для ранжирования ответов и исследований методов обучения с подкреплением по предпочтениям, включая оценку Best-of-N и PPO. Для основной версии в README приведены результаты RewardBench 2; также доступны ревизии с разными обучающими данными и гиперпараметрами. Указанные обучающие наборы включают llama-3.1-tulu-3-8b-preference-mixture и Skywork-Reward-Preference-80K-v0.2. Модель принимает текст и выдаёт классификационную оценку, а не готовый ответ пользователю. В README и метаданных указан английский язык. Репозиторий использует PyTorch и формат Transformers; лицензия — Llama 3.1 Community License Agreement.

kalpeshk2011/rankgen-t5-base-all — англоязычная модель-энкодер из семейства RankGen на архитектуре T5. Она преобразует текстовые префиксы и варианты продолжения, созданные языковой моделью, в векторы общего пространства. В этой версии 123,8 млн параметров; модель распространяется в формате PyTorch по лицензии Apache-2.0. Модель предназначена для ранжирования нескольких сгенерированных продолжений, оценки текста при поиске по лучу и плотного поиска по литературным текстам. В карточке RankGen заявлено улучшение качества генерации при переранжировании и высокие результаты на литературном поиске. Для корректной токенизации и предварительной обработки README рекомендует обёртку RankGenEncoder. Модель работает с английским текстом и выдаёт векторные представления для последующего сравнения и ранжирования. Она не является самостоятельной генеративной моделью: для переранжирования ей нужны кандидаты, подготовленные другой языковой моделью. Заявленные результаты относятся к оценкам в карточке RankGen; независимые гарантии качества для этой конкретной версии не приведены.

Это дообученная Mohammad Khosravi модель RoBERTa Large для определения уровня владения английским языком по шкале CEFR. Она относит текст учащегося к одному из шести уровней — от A1 до C2 — с помощью классификационной головы и совместной функции потерь, учитывающей дисбаланс классов и порядковое расстояние между уровнями. Модель содержит около 454,1 млн параметров, принимает текст и рассчитана на последовательности до 514 токенов; карточка указывает английский язык и формат весов safetensors. Модель предназначена для автоматической оценки ученических работ, отслеживания прогресса изучающих английский и подбора учебных материалов по уровню. В README приведены высокие метрики на внутренней проверке и отдельном тесте, но они получены на данных EFCAMDAT и не гарантируют такой же точности на других текстах. Лучше всего модель подходит для сочинений неносителей английского; на художественной прозе, речи носителей и узкоспециализированных текстах качество может снижаться. Тексты длиннее лимита токенизатора могут обрезаться. Лицензия — MIT.

Nexusflow Athene-RM-70B — открытая по весам reward-модель команды Nexusflow, дообученная на Meta Llama 3 70B Instruct. Она оценивает ответы языковой модели и предназначена для ранжирования вариантов и поддержки обучения с обратной связью от предпочтений. Модель использует плотную архитектуру Llama с классификационной головой, содержит 69,5 млрд параметров и принимает текстовые данные; контекст — до 8192 токенов. В карточке заявлен английский язык. Модель распространяется по Nexusflow Research License; условия лицензии следует проверить перед использованием.

Jev-Omni — мультимодальная модель-классификатор решений, созданная независимым разработчиком на основе Gemma 4 12B IT и дообученная на 30 000 вопросах. Она принимает вопрос и варианты ответа и выдаёт вероятность для каждого варианта, а не текстовое объяснение. Модель предназначена для классификации и выбора ответа по тексту, изображениям, аудио и видео. По данным карточки, модель построена на архитектуре Gemma4 Unified; веса опубликованы в формате safetensors. Разработчик сообщает результаты на DecisionBench, JevBench и MMAU, а также оценку калибровки вероятностей. Для запуска требуется CUDA GPU; веса FP32 занимают около 50 ГБ до учёта накладных расходов среды. Аудиовход требует ffmpeg. Наиболее надёжно использовать до 20 вариантов ответа: хотя классификационная голова принимает до 256, качество при большем числе вариантов не подтверждено. Модель выдаёт вероятности и не генерирует объяснения. Лицензия — Apache-2.0.

AbdullahBarayan/ModernBERT-base-reference_AllLang2-Cefr2 — дообученная модель классификации текста на архитектуре ModernBERT, разработанная AbdullahBarayan. Она основана на answerdotai/ModernBERT-base, содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. По названию репозитория модель предназначена для многоязычной классификации с привязкой к уровням CEFR, однако карточка не описывает метки и оценку качества. Модель распространяется в формате safetensors по лицензии Apache-2.0.

netique/ModernBertForMultipleChoice — модель на базе семейства ModernBERT, опубликованная пользователем netique на Hugging Face для решения задач выбора одного ответа из нескольких вариантов. Она предназначена для классификации вариантов ответа и может применяться в тестировании, оценивании соответствия текста вопросу и ответа, а также в прикладных системах, где требуется ранжировать или выбирать предложенные решения. Модель поддерживает pipeline multiple-choice и работает с библиотекой Transformers.

MusiLingo-long-v1 — модель семейства MusiLingo от m-a-p для извлечения признаков и ответов на длинные инструкции о музыке по аудиозаписи. Она объединяет музыкальный энкодер MERT-v1-300M, языковой декодер Vicuna-7b-delta-v0 и линейный проекционный слой; в метаданных указаны 6,6 млрд параметров, контекст 2048 токенов и формат safetensors. Чекпойнт доработан на наборе MusicInstruct (MI)-long и предназначен для запросов о музыкальном аудио, в том числе о субъективных ощущениях. Модель принимает аудио и текстовые инструкции, формирует текстовые ответы, а pipeline Hugging Face обозначен как feature-extraction. Карточка указывает лицензию CC BY 4.0; заявлена поддержка английского языка.

zagreus-0.4B-ita-embeddings — модель для построения плотных векторных представлений итальянских текстов, созданная на базе Zagreus 0.4B авторами модели. Генеративную модель на архитектуре Llama преобразовали в экстрактор эмбеддингов и дообучили на парах и тройках из итальянской версии набора mMARCO; число параметров составляет 437,7 млн, максимальная длина последовательности в карточке — 4096 токенов. Для получения вектора применяется пулинг по последнему токену и L2-нормализация. При поиске рекомендуется задавать запросы с префиксом `query:`, а документы — с префиксом `passage:`. Модель предназначена для семантического поиска и сравнения сходства запросов и документов, в том числе для поиска по итальянским корпусам. Авторы сообщают о результатах оценки на mMARCO, включая MRR@5 1,0 и точность на тестовых тройках 100%; эти результаты относятся к описанному набору и не гарантируют качество на других данных. README характеризует проект как учебный и исследовательский эксперимент и не рекомендует его для производства. Лицензия — MIT.

RM-Gemma-7B — модель вознаграждения, дообученная автором репозитория на базе google/gemma-7b-it для оценки предпочтительности ответов. Она принимает текстовые последовательности и выполняет классификацию, связанную с ранжированием вариантов ответа; её можно использовать как компонент контура обучения с обратной связью от предпочтений и для сравнительной оценки ответов. Модель основана на плотной архитектуре GemmaForSequenceClassification, содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. Для обучения использована смесь наборов HH-RLHF, SHP, UltraFeedback, Capybara, HelpSteer и Orca, всего около 250 тысяч пар сравнений. Карточка приводит результаты оценки на наборах предпочтений и бенчмарках, но не содержит полного описания формата входа и интерпретации выходных оценок. Репозиторий распространяется в формате Safetensors; сведения о лицензии в доступных данных отсутствуют.

OmniEdu-27B — мультимодальная образовательная модель, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена полным параметрическим обучением на основе Qwen/Qwen3.8-27B и предназначена для обучения и преподавания в школе: решает задачи по разным предметам, связывает вопросы и решения с учебной программой, выявляет пробелы в знаниях и помогает подбирать учебную поддержку. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и 27 млрд параметров. Она принимает текст и изображения и генерирует текст; длина обучающей последовательности составляет 32 768 токенов, но это не гарантирует аналогичную длину контекста при использовании. В README не перечислены поддерживаемые языки, поэтому языковую специализацию определить нельзя. Модель показала лучшие результаты среди сравниваемых моделей в указанных образовательных тестах, включая K12-Bench, MathFish и LongTutor Teaching. Она предназначена для образовательных исследований, вспомогательных инструментов для учителей и прототипов поддержки обучения. Лицензия указана как other; необходимо учитывать условия лицензий обучающих наборов и исходных материалов. Модель может ошибаться в решениях и привязке к учебной программе, а рекомендации могут быть неподходящими; результаты тестов не подтверждают улучшение учебных результатов в классе.

OpenAssistant/reward-model-deberta-v3-base — модель оценки ответов, разработанная OpenAssistant на базе DeBERTa-v3-base. Получая вопрос и сгенерированный ответ, она предсказывает, насколько ответ предпочтителен по человеческим оценкам; модель предназначена для сравнения качества ответов в системах вопросов и ответов и для использования в качестве функции вознаграждения при RLHF. Модель построена на архитектуре DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. Она обучена на наборах сравнений WebGPT, резюме и синтетических инструкций. В README приведена точность на проверочных выборках, но отдельно отмечено, что результаты на синтетических парах могут быть завышены из-за поверхностных признаков. Лицензия — MIT.

Модель vivianhuang88/bert_twitter_hashtag — англоязычная модель на архитектуре BERT, дообученная на более чем 30 тысячах твитов, собранных из Twitter. Она предназначена для заполнения позиции [MASK] хештегом, подходящим к контексту твита, и подбора возможных трендовых тем. Модель содержит 137,5 млн параметров, использует формат PyTorch и поддерживает контекст до 512 токенов. Для работы с ней передают текст с маркером [MASK]; модель предсказывает токены для заполнения пропуска. Лицензия — AFL-3.0.

Delexa-V0.1-7b — текстовая генеративная модель семейства Mistral, выпущенная командой lex-hue. В карточке описано обучение на примерах с одним вопросом и тремя вариантами ответа; модель оценивали на выборе лучшего ответа и на наборах задач для проверки рассуждений и здравого смысла. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. README не сообщает, какие языки представлены в обучающих данных. Карточка заявляет, что модель допускает контент для взрослых, а также упоминает ограничения на незаконный контент; такие защитные меры могут обходиться. Результаты в карточке относятся к указанным оценочным наборам и не гарантируют качество в других сценариях. Модель распространяется по лицензии Apache-2.0.

aurantium/clip-ViT-B-32-multilingual-v1 — репозиторий с весами ONNX для использования через Transformers.js. README указывает, что ONNX-веса вынесены в отдельный репозиторий как временное решение для поддержки работы в веб-среде. Метаданные описывают архитектуру как DistilBERT и задают контекст до 512 токенов; задача модели — извлечение признаков. Данных о разработчике исходной модели, языках и прикладных сценариях в предоставленной карточке нет.

Это исследовательский чекпойнт rwightman: двухбашенная модель CLIP с визуальной башней NaFlexViT-B/32 и текстовым трансформером CLIP. Модель обучена на датасете CC12M с контрастивной целью InfoNCE; во время обучения размер патча менялся между 24, 32 и 40 пикселями, а длина последовательности изображений — между 36 и 81 токенами. В текстовой башне используется BPE-токенизатор с контекстом 77 токенов. Модель предназначена для классификации изображений без примеров классов: она сопоставляет изображение с текстовыми описаниями классов и выбирает наиболее подходящее. В карточке приведены результаты zero-shot ImageNet-1k; обучение с варьируемым размером патча улучшает результаты при некоторых размерах патча, отличных от базового. Для загрузки и работы используется библиотека open_clip. Лицензия — Apache-2.0. Это экспериментальный исследовательский чекпойнт, а не готовая к производственному использованию модель. Качество зависит от числа визуальных токенов и размера патча: патч 16 пикселей показал низкие результаты, а длины последовательности свыше 81 токена выходят за диапазон обучения. Карточка не приводит полный набор результатов на других задачах, поэтому их качество не следует предполагать по результатам ImageNet.