I.1Поиск и навигация по информации

alex-apostolo/legal-bert-small-cuad — дообученная версия nlpaueb/legal-bert-small-uncased для ответов на вопросы по юридическим документам. Модель построена на архитектуре BERT, содержит 40,8 млн параметров и принимает текстовые запросы и фрагменты документов; максимальная длина контекста — 512 токенов. Она дообучена на наборе CUAD и предназначена для извлечения ответов на вопросы по договорам. В карточке указана потеря 0,0371 на оценочном наборе, но подробности оценки не приведены. Лицензия — CC-BY-SA-4.0.

nishp24/legalmind-embedder-v2 — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2 для получения семантических векторов предложений и абзацев. Модель кодирует текст в плотные векторы размерности 384 и предназначена для поиска и сравнения фрагментов по косинусному сходству; в архитектуре используются BertModel, усредняющий pooling и нормализация. В карточке приведён пример обучения на 5 993 парах текстов, связанных с законодательством, что указывает на специализацию для поиска по правовым материалам. Модель принимает только текст. Метаданные указывают 25,9 млн параметров и лимит контекста 512 токенов, а README сообщает максимальную длину последовательности 256 токенов. Базовая модель англоязычная, и примеры обучающих данных также на английском, поэтому применение ориентировано прежде всего на английские юридические тексты. Лицензия в предоставленных данных не указана.

Lemone-Embed-L-Boost — модель эмбеддингов, разработанная Louis Brulé Naudet для поиска по французским налоговым и юридическим текстам. Она дообучена на intfloat/multilingual-e5-large и предназначена для извлечения информации из больших корпусов, включая производственные RAG-системы в налоговой сфере. Модель использует архитектуру XLM-RoBERTa и Sentence Transformers: усредняет токенные представления, нормализует результат и кодирует текст в плотный вектор размерности 1024. README сообщает о максимальной длине последовательности 512 токенов; метаданные указывают контекст 514 токенов. Основной язык — французский. Модель поддерживает семантический поиск и сравнение текстов, а также может применяться для кластеризации и классификации текстов. Лицензия — Apache 2.0.

Mungert/Llama-xLAM-2-8b-fc-r-GGUF — это GGUF-версия модели Llama-xLAM-2-8b-fc-r из семейства xLAM-2, разработанного Salesforce AI Research. Модель предназначена для построения AI-агентов, которые интерпретируют намерения пользователя, планируют действия и вызывают внешние функции или инструменты. Она ориентирована на многоходовые диалоги и сценарии function calling, включая автоматизацию рабочих процессов и взаимодействие с API. Модель содержит около 8 млрд параметров, работает с текстом и поддерживает контекст до 128 тысяч токенов. В карточке указан английский язык. Данная версия сгенерирована в формате GGUF с использованием llama.cpp и включает экспериментальный подход к квантованию: отдельные важные слои переводятся на более высокую точность, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. При этом квантование в целом может снижать точность по сравнению с исходной моделью. Модель заявлена как эффективная для многоходового использования инструментов и стабильного выполнения агентских сценариев; семейство xLAM-2 демонстрирует высокие результаты на бенчмарках BFCL и τ-bench. Релиз предназначен только для исследовательских целей. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование ограничено условиями лицензии.

LLM2CLIP-EVA02-L-14-336 — модель семейства CLIP, разработанная исследователями Tongji University и Microsoft. Это визуальный backbone на архитектуре EVA-CLIPModel, предназначенный для сопоставления изображений с текстовыми описаниями и поиска по изображениям или тексту. Модель улучшает текстовую различимость представлений CLIP с помощью обучения LLM в пространстве подписей и контрастивного обучения; подход поддерживает длинные и сложные описания и расширяет возможности кросс-языкового поиска. Модель обучалась на данных CC3M, CC12M, YFCC15M и подмножестве Recap-DataComp-1B. В карточке Hugging Face основная задача обозначена как zero-shot классификация изображений; веса представлены в формате PyTorch. Лицензия — Apache-2.0. В опубликованной работе улучшения оценки приведены для PyTorch-весов, и авторы предупреждают, что результаты на версии Hugging Face могут отличаться.

LLM2CLIP-Openai-B-16 — модель семейства CLIP, опубликованная Microsoft и исследователями из Tongji University. Это визуальный бэкбон для сопоставления изображений и текста: модель преобразует изображения и текстовые описания в эмбеддинги, которые можно использовать для поиска и классификации без отдельного обучения на каждом наборе классов. Подход LLM2CLIP переносит языковые возможности большой языковой модели в текстовые представления CLIP с помощью контрастивного обучения и использует её как учителя для визуального энкодера. В README описаны улучшения поиска по коротким и длинным текстам, а также многоязычного поиска. Модель подходит для поиска изображений по текстовому запросу и zero-shot-классификации изображений по заданным текстовым меткам. В качестве обучающих данных использовались CC3M, CC12M, YFCC15M и подмножество Recap-DataComp-1B. Репозиторий содержит веса safetensors и лицензирован по Apache-2.0. Авторы предупреждают, что результаты статьи получены на PyTorch-весах и производительность версии Hugging Face может отличаться.

LUKE — предварительно обученная контекстная модель понимания языка, разработанная для представления слов и сущностей. Она основана на трансформере и использует механизм entity-aware self-attention, учитывающий, является ли токен словом или сущностью. Версия luke-base содержит 12 слоёв со скрытым размером 768; в метаданных указано 151,9 млн параметров, контекст — до 514 токенов. README приводит другое число параметров — 253 млн. Модель обучена на версии Википедии за декабрь 2018 года. Её представления применимы в задачах заполнения масок, распознавания именованных сущностей, типизации сущностей, классификации отношений и извлечения ответов на вопросы. В README приведены результаты LUKE на нескольких языковых бенчмарках, но не все результаты относятся именно к luke-base. Модель рассчитана на английский язык и распространяется по лицензии Apache 2.0.

MetaCLIP L/14 — модель семейства CLIP, разработанная командой MetaCLIP и представленная в работе Demystifying CLIP Data. Это крупная версия с разрешением патчей 14, обученная на 2,5 млрд примеров CommonCrawl. Модель сопоставляет изображения и текст в общем пространстве эмбеддингов, поэтому подходит для классификации изображений без дополнительного обучения и поиска изображений по текстовому описанию или текстов по изображению. Модель принимает изображения и текстовые запросы и формирует их представления для сравнения по сходству. Весовые файлы представлены в формате PyTorch; лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое. Карточка не приводит сведений о контекстном окне или перечне поддерживаемых языков.

arianraje/mimo-7b-gdn-hybrid-400M-OPD — экспериментальный чекпойнт MiMo для генерации текста и диалогов, созданный в рамках исследования преобразования моделей с полным вниманием в гибридные модели GDN (gated DeltaNet) с сохранением части слоёв полного внимания. Это снимок Stage-3 OPD после обучения на 403,27 млн сгенерированных токенов; базой и учителем служила XiaomiMiMo/MiMo-7B-RL-0530, 7-миллиардная языковая модель Xiaomi для математических и программных рассуждений, дообученная с подкреплением. Модель использует плотную архитектуру MiMoGDNForCausalLM с линейным вниманием и контекстом до 65 536 токенов. В карточке приведены результаты GSM8K и RULER-lite, включая извлечение ключевой информации из длинного контекста. Для загрузки требуется зарегистрировать пользовательскую архитектуру mimo_gdn; стандартный AutoModelForCausalLM не подходит, а для обслуживания через vLLM нужна отдельная регистрация. Репозиторий распространяется в формате safetensors по лицензии MIT.

Это англоязычная модель эмбеддингов Sentence Transformers, созданная дообучением nomic-ai/modernbert-embed-base на 5 822 парах текстов из юридических документов. Она преобразует предложения и абзацы в плотные векторы: основное применение — семантический поиск и сравнение юридических текстов, включая поиск ответов и похожих фрагментов в документах. Архитектура основана на ModernBERT с усреднением токенных представлений и нормализацией; стандартный вектор имеет размерность 768, а обучение Matryoshka позволяет использовать сокращённые векторы размерностью 512, 256, 128 или 64. Максимальная длина входа — 8 192 токена; сходство оценивается косинусной мерой. Модель также подходит для поиска перефразировок, кластеризации и классификации текстов. Обучающий набор содержит англоязычные примеры, связанные с судебными делами и FOIA-запросами; качество на других языках и юридических областях не подтверждено. Это эмбеддер, поэтому он не генерирует ответы или тексты. Модель содержит около 149 млн параметров, распространяется в формате Safetensors по лицензии Apache-2.0.

morisien-embed-v1.5 — модель эмбеддингов предложений, разработанная для маврикийского креольского языка (Kreol Morisien, mfe). Она дообучена Singaraj на основе sentence-transformers/LaBSE и предназначена прежде всего для поиска соответствующих по смыслу текстов между креольским, английским и французским языками. Архитектура — плотная BERT-модель; число параметров — 498,1 млн, максимальная длина контекста — 512 токенов, а рабочая длина последовательности в указанной конфигурации — 256 токенов. Модель принимает текст и выдаёт векторные представления для сравнения семантической близости. На тестах для поиска переводных соответствий она немного превосходит исходную LaBSE, в том числе для направлений между креольским, английским и французским. Прирост невелик, а результаты зависят от тестового набора; модель может путать маврикийский и гаитянский креольские языки и плохо различает причинные отношения. Лицензия — MIT.

kietnt0603/nrk-legal-large — модель эмбеддингов на базе XLM-RoBERTa-large, дообученная разработчиком на юридических запросах и документах на вьетнамском языке. Она предназначена для семантического поиска по юридическим корпусам и извлечения документов для RAG-систем. Модель кодирует текст в плотные векторы размерностью 1024; благодаря обучению с MatryoshkaLoss эмбеддинги можно сокращать до 768, 512, 256 или 128 измерений. Модель построена на intfloat/multilingual-e5-large, использует Sentence Transformers и поддерживает контекст до 514 токенов. В README приведена оценка на тестовом наборе юридического поиска VMTEB-Zalo: 640 запросов и 61 425 документов; автор также сравнивает результаты с базовой и другими моделями. Эти показатели относятся к описанному бенчмарку и не гарантируют такую же точность на других корпусах. Модель принимает текст и выдаёт эмбеддинги для семантического сопоставления. Лицензия — Apache-2.0.

Octen Law 8B v1 — мультиязычная плотная модель-энкодер на 7,6 млрд параметров для извлечения юридических текстов. Её выпустила litillabs на основе Octen/Octen-Embedding-8B: базовую модель дообучили с помощью LoRA, затем объединили адаптер с весами. Модель создаёт нормализованный вектор размерностью 4096 для каждого запроса или документа; поддерживает контекст до 40 960 токенов и распространяется в формате safetensors через SentenceTransformers. Модель предназначена для семантического поиска и сопоставления запросов с юридическими документами, включая задачи поиска по законодательству и судебным делам. Обучение проводилось на англоязычных, немецкоязычных и китайскоязычных примерах юридического поиска; оценка включала восемь задач MTEB Law. Лицензия — Apache-2.0. Модель извлекает текстовые представления и не определяет, действует ли правовой источник, является ли он обязательным, отменённым или применимым в конкретной юрисдикции. Проверялись только юридические задачи поиска на английском, немецком и китайском языках; в обучающих данных отмечены близкие дубликаты, связанные с двумя задачами бенчмарка.

Phi-3.5-mini-ITA — дообученная Anakin87 версия инструктивной языковой модели Microsoft Phi-3.5-mini-instruct, оптимизированная для итальянского языка. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров в формате safetensors; поддерживает диалог и генерацию текста. В карточке заявлен контекст до 128 тыс. токенов, тогда как метаданные указывают native context в 4096 токенов. Модель предназначена для общения на итальянском языке, генерации и суммаризации текста, а также для локальных приложений и RAG-сценариев. README приводит оценки на итальянских бенчмарках и описывает запуск через Transformers, включая возможность квантизации и использование Flash Attention 2 для ускорения вывода. Метаданные также указывают английский язык. Модель распространяется по лицензии MIT. Она компактнее многих крупных инструктивных моделей, но фактическое качество зависит от задачи; заявленная в README длина контекста расходится с контекстом, указанным в метаданных.

Модель tner/roberta-large-tweetner7-all разработана в рамках проекта T-NER и представляет собой RoBERTa-large, дообученную для распознавания именованных сущностей в коротких сообщениях Twitter на полном обучающем разделе TweetNER7. Она помечает в тексте сущности семи типов: организации, творческие работы, события, группы, местоположения, людей и продукты. Модель содержит 454,1 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для извлечения сущностей из коротких сообщений и анализа упоминаний людей, мест и организаций в публикациях. На тестовом наборе 2021 года показала micro-F1 0,657 и macro-F1 0,612; качество различается по категориям: например, F1 для людей составляет 0,829, а для событий — 0,467. Данные TweetNER7 используют специальное представление имён аккаунтов и URL, поэтому для корректной обработки необходимо предварительно привести твиты к формату датасета. Лицензия в предоставленных данных не указана.

DMetaSoul/sbert-chinese-dtm-domain-v1 — китайскоязычная модель эмбеддингов на основе BERT, разработанная DMetaSoul. Она дообучена на наборе диалоговых соответствий BUSTM из диалогов OPPO Xiaobu и предназначена для сопоставления разговорных реплик в открытой предметной области. Модель кодирует предложения в векторы, которые можно сравнивать по сходству; это подходит для поиска подходящего ответа, семантического поиска и ранжирования вариантов реплики. Для работы доступны Sentence-Transformers и Hugging Face Transformers. Модель содержит 129,5 млн параметров, использует архитектуру BERT и принимает текст; её максимальный контекст составляет 512 токенов. README приводит результаты на китайских наборах семантического сопоставления, включая Xiaobu, LCQMC и PAWS-X. Указаны веса PyTorch и происхождение от bert-base-chinese. Лицензия в предоставленных данных не описана.

SloBERTa-Trendi-Topics 1.0 — модель классификации новостных текстов на 13 тематических категорий, разработанная для словенских текстов. Она основана на архитектуре CamemBERT и дообучена на контекстных представлениях SloBERTa 2.0. Для обучения использовано около 36 тысяч текстов словенских новостных источников; разметка категорий частично сформирована автоматически по разделам публикации. Модель подходит для тематической сортировки новостей по таким категориям, как политика, экономика, спорт, здоровье, культура, погода и общество. В README указаны максимальная длина последовательности 512 токенов и macro-F1 0,94 на тестовом наборе из 1 295 текстов; лучшие результаты получены для криминальной хроники, политики, спорта и погоды, наиболее низкие — для досуга. Модель содержит 137,8 млн параметров, опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Она рассчитана на классификацию словенских новостных текстов; качество за пределами близких источников и тематических категорий в карточке не охарактеризовано.

unclemusclez/SmolLM-135M-Instruct-DEVINator-v0.1 — дообученная модель на базе HuggingFaceTB/SmolLM-135M-Instruct, подготовленная с помощью AutoTrain для задачи Sentence Transformers. Она предназначена для получения текстовых эмбеддингов и сравнения сходства предложений; метаданные также отмечают поддержку генерации текста и диалога. Модель имеет плотную архитектуру семейства LlamaForCausalLM, содержит 134,5 млн параметров и рассчитана на контекст до 2048 токенов. Доступны форматы safetensors и GGUF. В качестве данных для обучения указан набор skratos115/opendevin_DataDevinator. Карточка не приводит метрик валидации, поэтому качество сходства предложений по ней оценить нельзя. Базовая модель описана как компактная англоязычная модель для диалогов, инструкций и генерации текста; отдельная поддержка других языков не подтверждена. Лицензия в предоставленных данных не указана.

lmqg/t5-small-squad-ae — модель семейства T5, разработанная сообществом lmqg и дообученная на английском наборе lmqg/qg_squad для извлечения ответа из контекста. Она принимает текст и формулирует извлечённый ответ; модель основана на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и имеет контекстное окно 512 токенов. Репозиторий предоставляет веса PyTorch. В карточке приведены результаты оценки на lmqg/qg_squad: Answer Exact Match 56,15, Answer F1 68,06 и BERTScore 91,2. Модель подходит для извлечения ответов в конвейерах генерации вопросов и ответов по тексту. Лицензия — CC BY 4.0. Оценки относятся к указанному набору данных и сами по себе не гарантируют качество на других текстах.

TamilSBERT-STS — модель L3Cube-Pune для сравнения сходства предложений на тамильском языке. Она создана дообучением l3cube-pune/tamil-sentence-bert-nli на наборе данных STS и выпущена в рамках проекта MahaNLP. В основе лежит архитектура BERT; модель формирует плотные векторные представления предложений, пригодные для вычисления их семантической близости. Модель предназначена для оценки сходства пар тамильских предложений и поиска семантически близких текстов. Она содержит 264,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для использования доступны веса PyTorch; README описывает применение через Sentence-Transformers или Transformers с pooling поверх контекстных представлений. Лицензия — CC BY 4.0. Карточка не приводит результатов оценки качества или подробностей о составе обучающего набора STS, поэтому точность на конкретных данных не установлена.

TEMA Qwen2.5-Omni-7B SFT — дообученная модель на базе Qwen2.5-Omni-7B от команды bluesky7 для диалоговых вопросов по нескольким аудиозаписям. Она анализирует аудио в контексте нескольких ходов диалога и формирует ответы по схеме Route, Span, Reason и Answer: определяет подходящий фрагмент, указывает временной интервал, обосновывает вывод и отвечает. Дообучение выполнено на 40 704 диалогах, охватывающих 198 195 ходов; в карточке приведены результаты оценки на TEMA-Bench. Модель использует плотную архитектуру Qwen2.5-Omni с 7 млрд параметров и представлена в формате safetensors. Репозиторий содержит объединённые веса и адаптер; для текстовых ответов README рекомендует отключить возврат аудио. Базовая модель поддерживает текст, изображения, аудио и видео, однако заявленная задача этой производной модели — text-to-audio, а возможности анализа нескольких аудиозаписей описаны в README. Лицензия — Apache-2.0. Результаты приведены на ограниченном наборе из 253 диалогов и 1 239 вопросов, поэтому они не гарантируют аналогичное качество в других сценариях.

Pankaj Raj Deo разработал UMLS-ED-Bioformer-8L-V-1 — модель Sentence Transformer на базе BERT, дообученную для сопоставления биомедицинских терминов и текстов. Она кодирует предложения и абзацы в плотные векторы размерности 512; сходство между ними можно оценивать косинусной мерой. Модель содержит 50,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В обучающей и оценочной выборках используются пары и тройки биомедицинских терминов, включая варианты на нескольких языках; базовая Bioformer-8L описана как англоязычная. Модель выдаёт векторы, а не готовые текстовые ответы, поэтому для поиска или классификации требуется отдельная логика сравнения либо downstream-модель. Лицензия в предоставленных данных не указана.

Bingsu разработал двуязычную CLIP-модель на основе архитектуры VisionTextDualEncoder: визуальная часть использует openai/clip-vit-base-patch32, а текстовая — lassl/bert-ko-small. По карточке, веса текстовой части CLIP перенесли на корейский энкодер методом, вдохновлённым дистилляцией знаний для многоязычных эмбеддингов; при обучении использовался параллельный корейско-английский корпус переводов AIHub, а pooling оставлен стандартным для модели Hugging Face. Модель предназначена для извлечения признаков и сопоставления изображений с текстом на корейском и английском языках, например для поиска изображений по запросу. Доступны веса PyTorch и safetensors. Модель распространяется по лицензии MIT. Карточка не приводит размер модели, длину контекста или оценки качества. Описанный способ переноса весов и использование переводного корпуса могут ограничивать качество за пределами корейского и английского языков и сценариев сопоставления изображения с текстом.

IndranilB разработал эту модель как дообученную версию microsoft/xtremedistil-l6-h384-uncased для многоклассовой классификации юридических документов Европейского союза. Модель на базе BERT Encoder содержит 25,9 млн параметров и распределяет документы по 29 категориям, включая регламенты, директивы, решения, рекомендации, заключения и сообщения. Она принимает текст документов на английском языке и предназначена для автоматической категоризации, маршрутизации и организации юридических материалов, а также для использования в системах поиска правовой информации. Максимальная длина входа — 512 токенов; более длинные документы обрезаются, поэтому важные сведения за пределами этого окна могут быть потеряны. На валидационной выборке указаны точность и micro-F1 68,59%, что следует учитывать при автоматической обработке документов. Модель распространяется по лицензии Apache-2.0.

Zephyr RTOS documentation embeddings — модель эмбеддингов предложений, созданная путём дообучения eoinedge модели sentence-transformers/all-MiniLM-L6-v2 на документации Zephyr RTOS. Она предназначена для семантического поиска и извлечения релевантных фрагментов из этого корпуса, например для подбора разделов документации по запросу. Модель основана на архитектуре BERT, содержит 25,9 млн параметров, принимает текст и выдаёт векторы; максимальный контекст — 512 токенов. Поддерживает английский язык. Для обучения использованы 6 079 пар «заголовок раздела — его текст» и MultipleNegativesRankingLoss. В описанной авторами оценке recall@5 вырос с 0,63 у базовой модели до 0,86 у дообученной. Модель адаптирует поисковый энкодер, а не генерирует ответы и не обучает генеративную модель знаниям о Zephyr RTOS. Лицензия — Apache-2.0.

Модель masakhane/afroxlmr-large-ner-masakhaner-1.0_2.0 — это версия AfroXLM-R Large, дообученная Masakhane для распознавания именованных сущностей в 21 африканском языке. Она использует архитектуру XLM-RoBERTa для классификации токенов, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель выделяет людей, организации, местоположения, даты и время, а также токены вне сущностей. Модель предназначена для разметки текстов, в частности новостных статей, на языках Африки. На тестовых наборах MasakhaNER средний F-score составил 85,1 для версии 1.0 и 87,7 для версии 2.0. Лицензия — AFL-3.0. Качество может снижаться на текстах из других областей и за пределами тематики и периода новостных данных, использованных для обучения.

sentence-transformers/bert-base-nli-max-tokens — модель Sentence-Transformers, обученная командой Sentence-Transformers на основе BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов, семантического поиска и кластеризации. Модель использует архитектуру BERT и принимает текстовые последовательности длиной до 512 токенов. Её можно применять через библиотеку Sentence-Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель устарела: авторы предупреждают, что она создаёт эмбеддинги низкого качества, и рекомендуют выбрать более современную модель для векторного поиска или сравнения предложений. Лицензия — Apache-2.0.

Legal BERTimbau — модель эмбеддингов предложений, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии (Supremo Tribunal de Justiça). Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024 для поиска похожих текстов и кластеризации. Модель основана на юридической версии BERTimbau large и дообучалась на корпусе португальских юридических текстов. В обучении также применялись многоязычная дистилляция знаний от sentence-transformers/stsb-roberta-large и настройка на задачах сходства текстов с использованием ASSIN, ASSIN2, STS Benchmark Multi MT и набора IRIS STS. Архитектура — BERT; контекст ограничен 512 токенами, размер модели — 433,2 млн параметров. Модель предназначена для семантического поиска, сравнения сходства предложений и кластеризации юридических текстов на португальском языке. Доступны веса PyTorch и safetensors; лицензия — MIT.

Карточка модели Salesforce/blip2-itm-vit-g-coco на Hugging Face совпадает с карточкой Salesforce/blip2-itm-vit-g, поэтому описание составлено по ней. Salesforce/blip2-itm-vit-g — модель семейства BLIP-2 для классификации изображений без предварительного обучения на заданных категориях. Она сопоставляет изображение с текстовыми описаниями или метками и позволяет выбирать наиболее подходящие варианты. Архитектура реализована классом Blip2ForImageTextRetrieval; файлы доступны в форматах PyTorch и safetensors, модель предназначена для использования с библиотекой Transformers. Модель подходит для поиска изображений по тексту и классификации изображений по наборам пользовательских меток. Карточка автоматически сгенерирована и не содержит сведений о разработчике, обучающих данных, языках или результатах оценки. В карточке указано, что выпуск предназначен для исследовательских целей и что перед внедрением следует оценивать точность, безопасность и справедливость модели. Лицензия — MIT. Модель принимает изображение и текстовые варианты для сопоставления и возвращает оценки соответствия; она не предназначена для генерации изображений.

SIRIS-Lab/citation-parser-SELECT — модель на базе архитектуры RoBERTa для классификации текста. В метаданных указаны библиотека Transformers, объём 151,8 млн параметров и максимальная длина входа 514 токенов. По идентификатору модели она предназначена для задач, связанных с разбором и классификацией библиографических цитат. Модель может использоваться как компонент конвейеров анализа научных публикаций, например для определения типа или категории фрагментов, связанных с цитированием. README не содержит сведений о разработчике, языках обучения и применения, обучающих данных, результатах оценки или лицензии, поэтому эти характеристики нельзя надёжно определить по предоставленным источникам.