I.14Автоматизация процессов и AI-агенты

mamba-gpt-3b-v3 — языковая модель на 3,3 млрд параметров от CobraMamba, дообученная на основе openlm-research/open_llama_3b_v2. Она предназначена для генерации текста, диалогов и ответов на инструкции; в обучающих данных использованы Stanford Alpaca, Open Assistant, LIMA и CodeAlpaca 20k. Модель построена на архитектуре LlamaForCausalLM и запускается через библиотеку Transformers. Контекст составляет 2048 токенов; карточка указывает английский и многоязычные данные Open Assistant. В README приведены результаты тестов MMLU, ARC и HellaSwag, однако их следует считать заявлениями авторов. Модель подходит для экспериментов и приложений с генерацией текста, включая ответы на вопросы и помощь с кодом. Она может выдавать неточные, нерелевантные или предвзятые ответы, а небольшой контекст ограничивает работу с длинными запросами. Лицензия репозитория — Apache-2.0.

Карточка модели Kailune-AI/mamba-gpt-3b-v3 на Hugging Face совпадает с карточкой CobraMamba/mamba-gpt-3b-v3, поэтому описание составлено по ней. mamba-gpt-3b-v3 — языковая модель на 3,3 млрд параметров от CobraMamba, дообученная на основе openlm-research/open_llama_3b_v2. Она предназначена для генерации текста, диалогов и ответов на инструкции; в обучающих данных использованы Stanford Alpaca, Open Assistant, LIMA и CodeAlpaca 20k. Модель построена на архитектуре LlamaForCausalLM и запускается через библиотеку Transformers. Контекст составляет 2048 токенов; карточка указывает английский и многоязычные данные Open Assistant. В README приведены результаты тестов MMLU, ARC и HellaSwag, однако их следует считать заявлениями авторов. Модель подходит для экспериментов и приложений с генерацией текста, включая ответы на вопросы и помощь с кодом. Она может выдавать неточные, нерелевантные или предвзятые ответы, а небольшой контекст ограничивает работу с длинными запросами. Лицензия репозитория — Apache-2.0.

Marcoro14-7B-slerp_v2 — слитая модель Mistral для генерации текста. Её создал автор oz1115 с помощью mergekit, объединив OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B методом SLERP; в конфигурации базовой моделью указана OpenPipe/mistral-ft-optimized-1218. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста на входе текстовых запросов. В репозитории указаны веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. В предоставленных материалах не описаны конкретные языки или специализированные области применения.

Mending-Hearts-12B — объединённая языковая модель, созданная автором Sorihon из предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве базовой использована djuna/MN-Chinofun-12B-4; также в объединение вошли Vortex5/Nether-Moon-12B и MarinaraSpaghetti/NemoMix-Unleashed-12B. Модель семейства Mistral имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров. Она предназначена для генерации текста и диалогового общения; заявленная длина контекста — 131 072 токена. Данные о поддерживаемых естественных языках и специализированных предметных областях в карточке не приведены. Карточка не содержит сведений о качестве на конкретных тестах или об известных ограничениях. Лицензия в предоставленных данных не указана.

mahiatlinux/merged1and2 — объединённая автором модель семейства Mistral, созданная с помощью LazyMergekit слиянием mahiatlinux/merged1 и mahiatlinux/merged2 методом SLERP. Это плотная авторегрессионная языковая модель с архитектурой MistralForCausalLM и 7,1 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста — 32 768 токенов. Весовые файлы представлены в формате Safetensors, тип данных при слиянии — bfloat16. Модель принимает текст и генерирует текст. Сведения о языковой специализации и лицензии в предоставленных данных отсутствуют, поэтому их нельзя определить. Качество и ограничения унаследованы от объединённых моделей, но карточка не описывает их отдельно.

mergekit-community/mergekit-slerp-xirdwrw — объединённая языковая модель на архитектуре Llama, созданная сообществом с помощью mergekit. В слиянии методом SLERP использованы anthracite-org/magnum-v3-34b и abacusai/Smaug-34B-v0.1; модель содержит 33,9 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. В конфигурации слияния задан профиль, который сочетает влияние моделей в разных слоях; метаданные также указывают поддержку чата. Модель доступна в формате safetensors и использует библиотеку Transformers. README и метаданные не сообщают лицензию и конкретные результаты оценки качества. Практическое качество ответов и пригодность для отдельных сценариев следует проверять на собственных задачах.

Это преобразованная в формат MLX версия модели Meta-Llama-3.1-8B-Instruct-abliterated, подготовленная сообществом mlx-community на основе mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated. Модель относится к семейству Llama, имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров; поддерживает диалоговую генерацию текста и контекст до 131 072 токенов. Модель предназначена для генерации ответов в чате и других текстовых сценариев. В названии и тегах она обозначена как abliterated и uncensored. README указывает на преобразование исходной модели в MLX с помощью mlx-lm 0.16.1. Репозиторий распространяется по лицензии Llama 3.1; при использовании необходимо соблюдать её условия. Языковая поддержка в предоставленных данных не определена.

MEXMA — мультиязычный кросс-языковой энкодер предложений, разработанный авторами исследования «MEXMA: Token-level objectives improve sentence representations». Модель дообучена на основе FacebookAI/xlm-roberta-large и объединяет цели обучения на уровне предложений и токенов: представление предложения на одном языке используется для предсказания маскированных токенов на другом языке. Модель предназначена для получения представлений предложений и сопоставления текстов на разных языках. Авторы сообщают о более высоком качестве в поиске соответствующих переводных фрагментов и ряде последующих задач по сравнению с другими предварительно обученными кросс-языковыми энкодерами предложений. В репозитории указаны архитектура XLM-RoBERTa, 658,7 млн параметров и контекст до 514 токенов; модель использует Transformers и формат safetensors. Для представления предложения следует брать выход энкодера CLS напрямую: pooler модели не обучался. Лицензия — MIT. README не приводит количественные результаты по конкретным задачам и не перечисляет поддерживаемые языки по отдельности.

MFANNv0.16.10 — диалоговая языковая модель, созданная netcat420 слиянием моделей методом TIES с помощью mergekit. В основе использована MaziyarPanahi/Llama-3-8B-Instruct-v0.4; в слияние также вошли netcat420/MFANNv0.15 и netcat420/MFANNv0.16. Модель построена на архитектуре Llama и предназначена для генерации текста в диалоговом формате, включая ответы ассистента. Она содержит 7,5 млрд параметров, поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors для библиотеки Transformers. Карточка не приводит специальных ограничений или сведений о лицензии; условия использования следует сверять с лицензией базовой модели и компонентов слияния.

MiniCPM-V 2.6 — мультимодальная модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео. Она сочетает визуальный энкодер SigLIP-400M с языковой моделью Qwen2-7B и содержит 8 млрд параметров. Модель отвечает на вопросы по визуальному содержимому, сравнивает изображения, распознаёт текст и создаёт подробные описания видео с учётом пространственно-временной информации. Поддерживаются изображения с произвольным соотношением сторон размером до 1,8 млн пикселей; заявлены многоязычные возможности, включая английский, китайский, немецкий, французский, итальянский и корейский. Модель рассчитана на запуск через Transformers, а также на локальный инференс с llama.cpp и Ollama; README отмечает её эффективность при обработке изображений и видео. Заявлены сильные результаты на тестах понимания изображений, OCR и видео, однако приведённые сравнения основаны на оценках разработчиков и не гарантируют аналогичного качества в конкретных сценариях. Модель может ошибаться и галлюцинировать. Лицензия в предоставленных данных не указана.

unsloth/Mistral-Nemo-Base-2407-bnb-4bit — это 4-битная версия базовой языковой модели Mistral Nemo, подготовленная Unsloth и предназначенная для работы с библиотекой Transformers. В README также упоминается вариант Mistral Nemo на 12 миллиардов параметров, однако точный размер именно этой сборки явно не подтверждён. Модель предназначена для дальнейшего дообучения и выполнения задач генерации и продолжения текста, включая настройку на собственных наборах данных. Unsloth предоставляет сценарии дообучения через Google Colab и заявляет снижение потребления памяти и ускорение процесса; модель также можно экспортировать в форматы GGUF и vLLM. Указан английский язык, но другие языки и мультимодальные возможности не описаны. Ключевая особенность сборки — 4-битное квантование в формате bnb, что снижает требования к памяти по сравнению с полноразмерной моделью, но может повлиять на точность. Архитектурные параметры, размер контекста, результаты оценки и ограничения применения в README не приведены. Модель распространяется по лицензии Apache-2.0.

Mixolar-4x7b — языковая модель с архитектурой Mixture of Experts на основе Mixtral, созданная с помощью mergekit (ветка mixtral). Она объединяет четыре базовые модели: kyujinpy/Sakura-SOLAR-Instruct, jeonsworld/CarbonVillain-en-10.7B-v1, rishiraj/meow и kyujinpy/Sakura-SOLRCA-Math-Instruct-DPO-v2. В репозитории доступны веса safetensors; число параметров составляет 10,6 млрд, контекст — до 4096 токенов. Модель предназначена для генерации текста и диалогового общения. В состав смеси входят модели для инструкций, английского языка и математики; это указывает на сценарии ответов на запросы, рассуждений и решения математических задач. В README приведены результаты Open LLM Leaderboard, включая среднее значение 74,18, ARC 71,08 и HellaSwag 88,44. Модель опубликована под лицензией Apache-2.0. В предоставленных материалах не описаны поддерживаемые языки и ограничения применения; качество для конкретных задач следует проверять отдельно.

mmE5-mllama-11b-instruct — мультимодальная многоязычная модель эмбеддингов, представленная авторами работы «mmE5: Improving Multimodal Multilingual Embeddings via High-quality Synthetic Data» в 2025 году. Она дообучена на базе Llama-3.2-11B-Vision и предназначена для получения эмбеддингов изображений и текста, в том числе для классификации изображений по текстовым описаниям без специального обучения на классах.

vllm-sr разработала ModernBERT-base-32K — дообученную версию ModernBERT-base для обработки длинного контекста и заполнения пропусков в тексте. Это encoder-only модель архитектуры ModernBERT с 149 млн параметров. В карточке указано расширение контекста до 32 768 токенов с помощью масштабирования YaRN и специального обучения для сохранения зависимостей между удалёнными фрагментами; метаданные при этом указывают native context в 8 192 токена. Основная задача модели — предсказывать замаскированные токены. Её также можно использовать для извлечения признаков и построения downstream-решений, например классификации длинных текстов и семантического поиска по документам. Модель обучалась на длинных веб-текстах из Slimpajama; основным языком карточка указывает английский. Лицензия — Apache-2.0. Среди ограничений карточка отмечает снижение точности поиска удалённых фрагментов на больших расстояниях, ограниченную пользу контекста свыше 16K токенов и потребность примерно в 16 ГБ или более GPU-памяти для обработки 32K токенов; качество на узкоспециализированных текстах может быть ниже.

ModernBERT-Large-Instruct — слегка дообученная на инструкциях версия ModernBERT-large, разработанная Answer.AI. Модель с плотной архитектурой ModernBERT и головой masked language modeling обучена на 20 млн примеров из коллекции FLAN со смешанной целью: предсказание токена ответа и вспомогательная задача заполнения маски. Модель предназначена для заполнения пропусков в тексте и может служить основой для классификации и других задач обработки текста с нулевым обучением или дополнительной тонкой настройкой. В README приведены результаты на наборах для оценки знаний и классификации. Модель содержит 394,7 млн параметров, принимает текстовые последовательности длиной до 8192 токенов и поддерживается библиотекой Transformers. Обучающие данные преимущественно на английском языке и включают код, поэтому лучше всего модель работает с английским текстом и кодом. README предупреждает, что это первая версия и у неё вероятны ошибки. Лицензия — Apache-2.0.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_1 — модель классификации текста на базе BERT, опубликованная пользователем Jeevesh8 на Hugging Face. Она дообучена для задачи QQP (Quora Question Pairs), то есть для определения семантической эквивалентности или дублирования пар вопросов. Модель содержит около 136,7 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Основной сценарий применения — классификация пар англоязычных текстов, прежде всего вопросов, по признаку смыслового соответствия. Модель не предназначена для генерации текста и ориентирована на узкую задачу, связанную с QQP.

MOSS-Transcribe-Diarize LiteRT — это порт модели OpenMOSS-Team/MOSS-Transcribe-Diarize, опубликованный Luigi и предназначенный для автоматического распознавания речи с одновременной диаризацией говорящих и разметкой временных интервалов высказываний. Модель обрабатывает аудио и генерирует текст с тегами говорящих и временными метками; заявлены поддерживаемые языки Chinese и English. Архитектура объединяет Whisper-medium encoder, модуль VQAdaptor и 4-кратное объединение временных отсчётов с языковой частью на базе Qwen3-0.6B. Исходная модель имеет размер около 0,9 млрд параметров. Реализация LiteRT разделена на encoder, embedder и decoder в формате TFLite; производственный набор использует int8-квантизированные encoder и embedder и int4 decoder. Доступны варианты f32, fp16, q8 и int4, включая конфигурации с KV cache для окон длительностью примерно до 90 секунд или более, в зависимости от варианта. Сильные стороны модели — единый конвейер распознавания речи и определения говорящих, точное соответствие эталонной PyTorch-реализации для f32-варианта и высокая близость к ней для квантизированных версий. Версия v2 с QAT повышает устойчивость int4-модели к тишине и устраняет зацикленные галлюцинации на беззвучных фрагментах. Ограничения включают заметные требования к памяти и вычислительным ресурсам, зависимость производительности от явной настройки числа CPU-потоков и снижение точности при агрессивной квантизации. Для Android GPU рекомендуется fp16, а для CPU — q8 или int4. Лицензия Apache-2.0.

zelk12/MT2-Gen4-gemma-2-9B — языковая модель для генерации текста и диалогового общения, созданная объединением двух предварительно обученных моделей с помощью mergekit и метода SLERP: zelk12/MT2-Gen4-IMU-gemma-2-9B и zelk12/MT2-Gen4-MAGBMM-gemma-2-9B. В конфигурации указана первая модель как базовая, а коэффициент смешивания — 0,25. Модель основана на плотной архитектуре Gemma 2 с 9 млрд параметров, рассчитана на контекст до 8192 токенов и распространяется в формате safetensors. Подходит для генерации ответов и ведения диалогов. В README приведены результаты отдельных тестов Open LLM Leaderboard, включая IFEval и BBH. Для использования требуется соблюдать лицензию Gemma. Карточка не описывает целевые языки и специализированные области применения, поэтому модель следует рассматривать как языковую модель общего назначения.

Карточка модели zelk12/MT2-GP-gemma-2-RIv0.1RAv0.1-9B на Hugging Face совпадает с карточкой zelk12/MT5-IF-gemma-2-RIv0.1RAv0.1-9B, поэтому описание составлено по ней. zelk12 выпустил объединённую модель Gemma 2 для диалогов и генерации текста. Она создана методом SLERP с помощью mergekit из моделей zelk12/recoilme-gemma-2-Ifable-9B-v0.1 и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1. Модель имеет плотную архитектуру Gemma2ForCausalLM и содержит 9 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Модель подходит для ведения диалогов и генерации ответов по текстовым инструкциям. README и метаданные не сообщают о специальных прикладных областях или ограничениях качества. Лицензия в предоставленных данных не указана.

zelk12/MT3-Gen4-gemma-2-9B — объединённая разговорная языковая модель на 9 млрд параметров, созданная с помощью mergekit методом SLERP из zelk12/MT3-Gen4-MAMM-gemma-2-9B и zelk12/MT3-Gen4-GBMUI-gemma-2-9B. В основе лежит плотная архитектура Gemma 2 для причинной генерации текста; модель рассчитана на диалоговое применение и работает через библиотеку Transformers. Модель подходит для генерации ответов и ведения диалога в пределах контекста до 8192 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH, однако они сами по себе не гарантируют качество в конкретных сценариях. Модель распространяется по лицензии Gemma.

zelk12/MT4-GMA-gemma-2-9B — языковая модель, созданная разработчиком zelk12 слиянием двух предварительно обученных моделей с помощью mergekit и метода SLERP. Это плотная модель Gemma 2 с 9 млрд параметров для генерации текста и диалогового использования; она принимает текст и выдаёт текст. Контекст составляет 8192 токена, модель рассчитана на работу через Transformers и распространяется в формате safetensors. Модель предназначена для генерации ответов в диалоге и других задач генерации текста. README не описывает специализированные области применения или поддерживаемые естественные языки, поэтому определить их по карточке нельзя. Модель объединяет zelk12/MT4-GP-gemma-2-RIv0.1RGDv0.1-9B и zelk12/MT4-MA-gemma-2-RPMHv0.1RGDv0.1-9B; лицензия в предоставленных данных не указана.

zelk12 выпустил объединённую модель Gemma 2 для диалогов и генерации текста. Она создана методом SLERP с помощью mergekit из моделей zelk12/recoilme-gemma-2-Ifable-9B-v0.1 и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1. Модель имеет плотную архитектуру Gemma2ForCausalLM и содержит 9 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Модель подходит для ведения диалогов и генерации ответов по текстовым инструкциям. README и метаданные не сообщают о специальных прикладных областях или ограничениях качества. Лицензия в предоставленных данных не указана.

Mtrini-SVL-1.1-Merged — открытая модель Compiwer AI примерно на 8 млрд параметров, дообученная на базе Qwen3-VL-8B-Instruct. Это мультимодальная архитектура Qwen3-VL, рассчитанная на диалог и задачи рассуждения; в карточке также заявлены кодирование, математика, марокканская дариджа и многоязычные сценарии. Модель принимает текст и изображения и генерирует текстовые ответы. Обучение проводилось с LoRA / PEFT на 58 574 примерах: данных для вопросов и рассуждений на марокканской даридже, OpenCodeReasoning-2 и OpenMathInstruct-2. Концепция Self-Verifying Loop направлена на проверку и улучшение ответов, но в README она описана как продолжающееся исследовательское направление, а не как подтверждённая гарантия качества. Указаны точность BF16 и контекст обучения 4096 токенов. Модель подходит для диалога, помощи с кодом и математическими задачами, особенно в сценариях с марокканской дариджей. Она экспериментальная: может галлюцинировать, ошибаться в коде и математике или неверно понимать запросы, поэтому важные результаты нужно проверять. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе BERT, опубликованная под идентификатором ASD123SAD21/MyAwesomeModel-TestRepo. Она предназначена прежде всего для извлечения признаков из текста с использованием библиотеки Transformers и PyTorch, поэтому может применяться для построения векторных представлений и последующей обработки текста в прикладных системах. В README также заявлены улучшенные способности к рассуждению, пониманию текста, классификации, анализу тональности, ответам на вопросы, суммаризации, переводу и генерации кода, однако метаданные Hugging Face классифицируют модель как feature-extraction.

Nemotron-3.5 ASR Streaming 0.6B — мультиязычная модель автоматического распознавания речи, разработанная NVIDIA. Данная версия портирована в CoreML для локального запуска на устройствах Apple Silicon и предназначена для пакетной и потоковой транскрипции аудио. Модель поддерживает 40 языковых локалей, включая английский, немецкий, французский, русский, китайский, японский и хинди, а также выполняет пунктуацию и капитализацию. На вход подаётся монофонический звук с частотой 16 кГц. Архитектура представляет собой кэшируемый FastConformer с RNN-T и механизмом языкового кондиционирования. Модель содержит около 600 млн параметров; кодировщик состоит из 24 слоёв и квантизован в INT8, а декодер и joint-сеть используют FP16. Потоковая обработка выполняется фрагментами по 320 мс с сохранением внутренних кэшей. Размер набора на диске составляет около 612 МБ. Сильными сторонами являются низкая задержка, высокая скорость потоковой обработки и почти неизменная точность после квантизации. Ограничения включают ориентацию на экосистему CoreML и Apple Silicon, значительное потребление оперативной памяти — около 1 ГБ после загрузки и до 1,24 ГБ во время работы, — а также зависимость качества от языка и акустических условий. Модель распространяется по лицензии OpenMDW 1.1, соответствующей лицензии исходной модели NVIDIA; для исходной модели NVIDIA указана возможность коммерческого использования.

Luigi публикует объединённый GGUF-пакет Nemotron-3 Diarization и X-ASR для потоковой транскрибации с разметкой говорящих. Это упаковочное объединение двух моделей: веса не переобучались и не изменялись. X-ASR — потоковая модель распознавания речи на архитектуре Zipformer2 transducer; Nemotron-3 Diarization на базе Sortformer определяет до восьми говорящих и временные границы их реплик. На вход подаётся аудио с частотой 16 кГц, на выходе — текст с метками говорящих на общей временной шкале. Пакет рассчитан на потоковую работу на CPU, в том числе на телефонах; для X-ASR поддерживаются размеры чанков 160, 480, 960 и 1920 мс. В состав входят компоненты GilgameshWind/X-ASR-zh-en и nvidia/Nemotron-3-Diarization. README приводит результаты проверок на английских и китайских тестовых аудиозаписях, но они не гарантируют качество на других данных. Компоненты распространяются на условиях Apache-2.0 и OpenMDW-1.1; при использовании и распространении нужно соблюдать требования обеих лицензий и сохранять соответствующие уведомления.

NeuralJaskier-7b-dpo — языковая модель на 7,1 млрд параметров, созданная слиянием моделей bardsai/jaskier-7b-dpo-v6.1 и CultriX/NeuralTrix-7B-dpo с помощью LazyMergekit. Использует плотную архитектуру MistralForCausalLM и предназначена для генерации текста; заявленная длина контекста составляет 32 768 токенов. Модель подходит для генерации ответов и диалогового текста, а также для других сценариев, где требуется продолжение текста. Веса опубликованы в формате safetensors. Лицензия — MIT.

NeuralsirkrishnaShadow_Experiment24Experiment26 — объединённая языковая модель, опубликованная MaziyarPanahi. Она создана слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment24Experiment26-7B и предназначена для генерации текста. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors под лицензией Apache-2.0. README не описывает специальные области применения или языки, поэтому её можно охарактеризовать как модель общего назначения; качество и поведение могут зависеть от использованных при слиянии моделей.

NeuralsirkrishnaShadow_Experiment27Yam — объединённая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment27Yam-7B и предназначена для генерации текста по текстовому запросу. Репозиторий содержит веса в формате safetensors, модель поддерживает контекст до 32 768 токенов. Модель подходит для генерации и продолжения текста в приложениях на базе Transformers. Для неё указана лицензия Apache-2.0. README и метаданные не уточняют специализацию модели, языки, качество на отдельных задачах или результаты оценки, поэтому их нельзя определить по доступным сведениям.

NLLB-CLIP-Large-SigLIP — мультиязычная модель для сопоставления изображений и текста, объединяющая текстовый энкодер NLLB и визуальный энкодер SigLIP. Её можно применять для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты подписей, а модель оценивает их соответствие изображению. Модель расширяет возможности CLIP на 201 язык набора Flores-200 и, согласно карточке, особенно хорошо работает с языками с ограниченными ресурсами. В README заявлено, что версия превосходит стандартный вариант и показывает state-of-the-art результат на Crossmodal-3600. Модель интегрирована с OpenCLIP; веса доступны в формате PyTorch. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. Карточка не приводит численный размер модели или длину контекста.