I.1Поиск и навигация по информации

BioSimCSE-BioLinkBERT-BASE — модель на архитектуре BERT, опубликованная Kamalraj. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска и кластеризации. Модель обучена с MultipleNegativesRankingLoss и косинусным сходством; число параметров составляет 135,4 млн, контекст — до 512 токенов. Название и базовая модель BioLinkBERT указывают на биомедицинскую направленность, поэтому модель подходит для поиска и группировки текстов в этой области. Она принимает текст и выдаёт векторные представления. В карточке приведены примеры применения, но нет количественных результатов оценки. Доступные материалы не содержат сведений о лицензии.

lealdaniel/comp-embedding-matching — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2 для сопоставления названий профессий и связанных с ними категорий. Она преобразует предложения и короткие тексты в плотные векторы размерности 768, нормализует их и позволяет сравнивать косинусное сходство. Архитектура включает MPNet, усредняющий пулинг токенов и нормализацию; README указывает максимальную длину последовательности 384 токена, а метаданные — контекст 514 токенов. Модель подходит для семантического поиска и ранжирования соответствий между формулировками должностей и профессиональными категориями, а также для сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В примерах обучающих и оценочных данных встречаются английские и португальские названия профессий и категорий. На тестовой выборке в README приведены значения cosine_accuracy@1 0,3202, @3 0,4547 и @5 0,5224; качество следует проверять на данных целевого сценария. Лицензия в предоставленных данных не указана.

viswavi/datafinder-huggingface-prompt-queries — модель, опубликованная Vijay Viswanathan, предназначенная для извлечения признаков из текстовых запросов и поиска или рекомендации подходящих наборов данных в Hugging Face по естественно-языковому описанию задачи. Она связана с проектом DataFinder, который решает задачу текстового поиска научных наборов данных и ранжирования релевантных результатов. Модель имеет BERT-подобную архитектуру, реализована с использованием Transformers и PyTorch, содержит около 137,1 млн параметров и поддерживает контекст до 512 токенов. Основной режим применения — feature extraction: модель преобразует текстовые запросы в векторные представления для последующего сравнения и retrieval. Лицензия MIT. Поддерживаемые языки явно не определены в доступных метаданных.

Extended-Mind-Llama-2-7b — языковая модель для генерации текста, разработанная Normal Computing на основе архитектуры и кода Meta. Она сохраняет исходные веса без дообучения и дополняет генерацию извлечением и использованием внешней памяти в виде кэшированных пар ключ–значение. Память можно передавать как последовательность токенов; предусмотрены ручное управление и вариант с векторной базой данных. Модель предназначена для генерации текста с обращением к внешним воспоминаниям или контексту. Архитектура — плотная Extended LLaMA, размер — 6,6 млрд параметров, нативная длина контекста — 4096 токенов. В README указана лицензия Apache 2.0. Модель описана как часть продолжающейся исследовательской работы Normal Computing; качество и область применения внешней памяти зависят от конфигурации и способа подготовки памяти.

Immerwinter/gbert-large-privacy-policy-context — дообученная модель классификации текста на основе немецкоязычной BERT-модели deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к темам, перечисленным в карточке: аудитория, контактные данные, контроль, удаление, правовые основания, политика, обработка, цели, сроки хранения, безопасность и конфиденциальность, продажа, передача данных, третьи стороны и права пользователей. Модель принимает текст и возвращает метки классов; архитектура — BertForSequenceClassification, размер — 434,5 млн параметров, контекст — до 512 токенов. В репозитории представлены форматы Safetensors и ONNX. Модель рассчитана на немецкий язык и может применяться для тематической разметки документов о конфиденциальности. Карточка также содержит пометку «English version», но не уточняет, поддерживает ли классификатор английский текст. Лицензия — Apache-2.0. README не описывает качество, набор данных или ограничения классификации.

Модель DiTy/gemma-2-9b-it-russian-function-calling-GGUF — русскоязычная версия Gemma 2 9B Instruct, дообученная командой DiTy для вызова функций по запросам на русском языке. Обучение выполнено на размеченных людьми данных набора DiTy/function-calling. Модель принимает текстовый запрос и описания доступных инструментов, сформированные через chat template, и генерирует текст, включая структурированный вызов подходящей функции. После выполнения функции её результат можно передать модели для продолжения диалога. Это пригодно для ассистентов, которым нужно выбирать и вызывать инструменты в ответ на запрос пользователя. Это плотная авторегрессионная модель Gemma 2 с 9 млрд параметров и контекстом 8192 токена. Доступны веса safetensors и GGUF в формате F16; README указывает размер GGUF-файла 18,5 ГБ. Для корректного формата сообщений и инструментов следует использовать chat template модели. Лицензия — Apache-2.0.

rufimelo/Legal-BERTimbau-base-TSDAE-sts — модель Sentence-Transformers для сопоставления семантически близких предложений и абзацев на португальском языке в юридической области. Она основана на Legal-BERTimbau-base-TSDAE, производной от BERTimbau large, и дообучена для оценки семантического сходства на наборах ASSIN, ASSIN2 и STS-B Multi-MT. Архитектура — BERT, около 136,1 млн параметров; модель преобразует текст в плотные векторы размерностью 1024 и принимает контекст длиной до 512 токенов. Модель подходит для семантического поиска и кластеризации юридических текстов, а также для ранжирования сходства между предложениями. В README приведены результаты оценки на португальских наборах STS. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

ccdv/lsg-bart-base-4096-arxiv — модель ccdv, дообученная для суммирования научных статей из набора scientific_papers, в частности статей arXiv. Она использует архитектуру BART с механизмом Local-Sparse-Global attention для обработки длинных последовательностей и рассчитана на контекст до 4096 токенов. В метаданных указано 95,2 млн параметров; README сообщает примерно о 145 млн параметров и шести слоях энкодера и декодера, поэтому оценки размера расходятся. Модель принимает текст статьи и генерирует её краткое содержание. README приводит результаты ROUGE на тестовом наборе и показывает, что настройки внимания с разным размером блока дают разные показатели качества и затрат ресурсов. Для работы требуется Transformers версии 4.36.1 или новее и включение trust_remote_code=True, поскольку используется пользовательский файл моделирования. Лицензия в предоставленных данных не указана.

JesusScott/mi-modelo-peliculastest — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT с усредняющим pooling и преобразует текстовые предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения по косинусному сходству. Модель рассчитана на задачи извлечения признаков и семантического поиска; в README описана настройка на 200 парах предложений о фильмах. Максимальная длина последовательности в README — 128 токенов, контекст базовой модели в метаданных — до 512 токенов. Модель принимает и выдаёт текстовые представления в виде эмбеддингов. Базовая модель многоязычная, однако язык обучающих примеров в карточке — испанский, поэтому данные не подтверждают отдельную специализацию модели на конкретном языке. Указанный размер — 124,3 млн параметров. Лицензия в предоставленных данных 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.

MyAwesomeModel — модель из репозитория xcc12ds21313/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста и работы с языковыми задачами. В README заявлены улучшенные способности к рассуждению и выводу, обработка математических, программных и логических задач, ответы на вопросы, классификация, анализ тональности, суммирование, перевод, диалоговая генерация и вызов функций. Разработчик в предоставленных материалах не назван. Модель распространяется через библиотеку Transformers и использует PyTorch; в метаданных указана архитектурная принадлежность к BERT и задача feature extraction. README также содержит результаты внутренних сравнений и рекомендации по системному промпту и температуре, однако сведения о размере модели, длине контекста, поддерживаемых языках и точной конфигурации не приведены. Лицензия — MIT. Заявленные сильные стороны включают работу со сложными рассуждениями, генерацией текста, сниженный уровень галлюцинаций и поддержку function calling. При этом описание не предоставляет подтверждённых сведений о датасетах, методике обучения, воспроизводимости бенчмарков или фактической совместимости заявленных генеративных возможностей с указанным pipeline-тегом feature-extraction.

rwightman/naflex_ViT-B-32.cc12m — двухбашенная модель CLIP с визуальной башней NaFlexViT Base/32 и классическим трансформером CLIP для текста. Её обучил rwightman на наборе CC12M в рамках экспериментов с оптимизатором NAdaMuon; чекпойнт служит базовым сравнением для MaMMUT2, а не специально подготовленной контрольной моделью. Обучение длилось 32 эпохи с целью InfoNCE и точностью bf16. Модель предназначена для классификации изображений по текстовым описаниям без дообучения и поиска соответствий между изображениями и текстами. NaFlex обрабатывает изображения с переменным соотношением сторон, а текстовая башня использует BPE-словарь на 49 408 токенов и контекст до 77 токенов. В README приведены результаты zero-shot оценки на ImageNet и поиска по COCO; модель уступает современным CLIP-вариантам в части таких сравнений. Для работы указана библиотека open_clip. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

nategro/nps-mpnet-lds — модель Sentence Transformers на базе MPNet, дообученная для выявления в патентах предложений, описывающих проблему и её решение. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства, поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. В карточке указано обучение с CosineSimilarityLoss на основе sentence-transformers/paraphrase-mpnet-base-v2. Лицензия в доступных данных не указана.

SciFive-base-Pubmed_PMC — модель семейства T5, представленная авторами работы SciFive для работы с биомедицинской литературой. Это текстовая модель с архитектурой T5ForConditionalGeneration и примерно 123,8 млн параметров, обученная на корпусах PubMed и PMC Open Access. Она принимает текст и предназначена для задач обработки биомедицинских публикаций; карточка Hugging Face классифицирует её как text-classification. Модель поддерживает английский язык и имеет контекст длиной до 1024 токенов. Модель подходит для классификации текстов из биомедицинских статей и может использоваться в исследовательских и прикладных NLP-сценариях с научной литературой. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Ограничения и условия лицензии в предоставленных данных не описаны.

TIPSv2-B/14 — контрастивная модель «изображение–текст» семейства TIPSv2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Модель создаёт пространственно насыщенные признаки изображений и согласованные с ними текстовые эмбеддинги. Вариант B/14 содержит 86 млн параметров визуального кодировщика и 110 млн параметров текстового кодировщика; общий размер — около 196 млн параметров. Архитектура включает 12-слойный визуальный энкодер ViT и 12-слойный текстовый Transformer, размерность эмбеддингов — 768. Изображения можно подавать в произвольном разрешении после преобразования значений пикселей в диапазон [0, 1]; текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель подходит для поиска и классификации изображений по текстовым меткам, а пространственные признаки также могут использоваться в сценариях сегментации. Поддержка русского языка в README и метаданных не подтверждена. Модель доступна под лицензией Apache-2.0. Для результатов классификации важно заранее подобрать подходящие текстовые описания классов; README не приводит количественных оценок качества или конкретных ограничений применимости.

viBERT-base — вьетнамская языковая модель, опубликованная mainguyen9. Это модель семейства BERT-base с предобучением в стиле RoBERTa на вьетнамской части CC-100 и дополнительном вьетнамском корпусе. Она содержит 144,8 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors под лицензией MIT. Модель предназначена для заполнения пропусков в тексте и получения контекстных представлений, а также для дообучения под задачи обработки вьетнамского языка: распознавание именованных сущностей, классификацию текста и ответы на вопросы. В README приведены результаты дообученных вариантов для NER, определения языкового следования и выявления языка ненависти; это не гарантирует такие результаты у исходного чекпойнта без дополнительной настройки. Основное ограничение — обучение преимущественно на вьетнамском языке, поэтому качество на смешанном тексте может быть ниже. Максимальная длина последовательности составляет 512 токенов.

pierluigic/xl-lexeme — модель на базе Sentence Transformers с архитектурой XLM-RoBERTa, разработанная pierluigic. Она преобразует целевое слово вместе с контекстом предложения в плотный вектор размерности 1024. Модель предназначена для сравнения контекстных значений слов и может применяться для поиска семантически близких примеров и кластеризации. Чекпойнт содержит 658,7 млн параметров и рассчитан на контекст до 514 токенов. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Модель принимает текст и выдаёт векторы; карточка не уточняет поддерживаемые естественные языки. Указана библиотека PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

XLNet large — предварительно обученная языковая модель на английском языке, разработанная авторами работы XLNet и опубликованная в репозитории Hugging Face. Она использует обобщённое авторегрессионное обучение с перестановками и архитектурную основу Transformer-XL; размер модели — 435,4 млн параметров. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена прежде всего для дообучения под последующие задачи понимания текста, включая классификацию последовательностей и токенов, ответы на вопросы и ранжирование документов. В метаданных Hugging Face основная задача указана как генерация текста, однако карточка рекомендует для генерации рассматривать GPT-2. XLNet обучалась на BookCorpus и Wikipedia. Лицензия — MIT. Сильная сторона архитектуры — работа с длинным контекстом благодаря Transformer-XL и обучению, учитывающему перестановки токенов. Модель ориентирована на английский язык и сама по себе не является специализированной готовой системой для отдельных downstream-задач; для них обычно требуется дообучение. Упоминание генерации текста в pipeline-теге следует учитывать вместе с рекомендацией карточки использовать для этой цели другие модели.

yale-nlp/bart-large-finetuned-qtsumm — модель на архитектуре BART, разработанная командой Yale NLP: она инициализирована весами facebook/bart-large и дообучена на наборе QTSumm. Модель предназначена для суммаризации табличных данных с учётом пользовательского вопроса: она формирует краткое текстовое резюме, релевантное заданному запросу. Модель содержит 252,8 млн параметров, работает с текстовым вводом и выдаёт текст. Максимальная длина контекста — 1024 токена; в карточке указан английский язык. Репозиторий содержит веса PyTorch, лицензия — MIT. README отсылает к GitHub-репозиторию за подробностями использования.

Модель flax-community/bert-swahili-news-classification — классификатор новостных текстов на основе BERT, созданный участниками JAX/Flax Community Week Hugging Face. Модель дообучена для классификации новостей на языке суахили; обучение проводилось с использованием Flax на TPUv3-8. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Для запуска предусмотрена интеграция с Transformers. Репозиторий включает веса в форматах Flax, PyTorch и safetensors. Подходит для автоматической тематической классификации новостных материалов на суахили. В карточке не приведены перечень классов, метрики качества или подробности ограничений применимости. Лицензия в предоставленных данных не указана.

BERTurk-128k Turkish News Classification — модель классификации новостей, разработанная thealper2 на основе dbmdz/bert-base-turkish-128k-cased. Это дообученный энкодерный Transformer BERTurk с архитектурой BertForSequenceClassification и 211,6 млн параметров; он присваивает турецкому новостному тексту одну из девяти взаимоисключающих тематических категорий. Контекст модели составляет до 512 токенов. Модель предназначена для автоматической тематической разметки новостных материалов и распределения их по категориям, в том числе для потоковой обработки и построения классификаторов на базе Transformers. По описанию автора, на тестовой выборке из 40 063 документов она достигла точности 95,95%, weighted-F1 0,9602 и macro-F1 0,9357. Обучение проводилось на наборе TRNEWS-2025 с учётом дисбаланса классов. Модель поддерживает турецкий язык и распространяется под лицензией MIT. Она ограничена классификацией новостей на девять заданных категорий и может терять информацию в текстах длиннее 512 токенов; результаты для других жанров и языков не заявлены. Условия использования датасета TRNEWS-2025 следует учитывать отдельно от лицензии модели.

BAAI разработала CCI3-HQ-Classifier — модель классификации текста на базе BGE-M3 с регрессионной головой, которая оценивает образовательную ценность веб-страниц и текстовых фрагментов по шкале от 0 до 5. Она предназначена для отбора и подготовки образовательных данных из веб-корпусов; модель использовалась при создании набора CCI3-HQ. Модель дообучена на 145 тысячах примеров из датасета CCI3 с оценками, сгенерированными Qwen2-72B-Instruct. Энкодер и слои эмбеддингов BGE-M3 во время обучения были заморожены, обучалась классификационная голова. Для бинарного отбора с порогом 3 авторы сообщают F1 73%. Репозиторий содержит веса Safetensors; размер модели — 658,7 млн параметров, базовая модель поддерживает контекст до 8194 токенов. Лицензия — Apache-2.0. Модель подходит для ранжирования и фильтрации страниц по их образовательной ценности, особенно для материалов начальной и средней школы. Качество может снижаться на данных, отличающихся от обучающего веб-корпуса, а также на материалах высшего образования и узкоспециализированных темах. Оценки могут наследовать смещения обучающих данных и разметки Qwen2; при оценке отдельной страницы модель не учитывает более широкий контекст.

transformers-community/dola — реализация метода Decoding by Contrasting Layers (DoLa) для генерации текста на базе архитектуры Qwen3. Она сравнивает логиты финального слоя с логитами более ранних слоёв, чтобы усилить фактические знания и уменьшить влияние недостоверных продолжений. Предусмотрены режимы с выбором высоких слоёв для коротких ответов и низких слоёв для задач с развёрнутым рассуждением. Модель имеет 507,9 млн параметров, использует библиотеку Transformers и поддерживает контекст до 40 960 токенов. Карточка указывает чат-возможности и интерфейс вызова инструментов. DoLa применяется при генерации ответов на вопросы и рассуждений; README отмечает, что улучшение может быть незначительным для небольших моделей. Веса опубликованы в формате safetensors. Условия лицензии в предоставленных данных не указаны.

hu_core_news_md — базовая модель обработки венгерского языка из проекта HuSpaCy, распространяемая как пакет для spaCy версии 3.8.1. Она принимает текст и выполняет токенизацию, определение границ предложений, морфологический и грамматический анализ, лемматизацию, синтаксический разбор и распознавание именованных сущностей. Модель подходит для подготовки венгерских текстов к поиску и анализу, выделения частей речи и грамматических признаков, построения зависимостей между словами и извлечения сущностей. В README указаны компоненты tok2vec, senter, tagger, morphologizer, lemmatizer, parser и ner; карточка содержит подробную схему меток для разметки токенов. Лицензия — CC BY-SA 4.0. В предоставленных данных нет сведений о числе параметров, длине контекста или оценках качества; поэтому их нельзя использовать для сравнения модели с другими системами.

scholarly360/Indian-Annual-Report-SBERT-Bert — модель на базе BERT, обученная разработчиком как Sentence Transformers на годовых отчётах индийских компаний. Она предназначена для получения векторных представлений предложений и оценки их семантического сходства, в частности для анализа и поиска информации в таких отчётах. Модель содержит 135,5 млн параметров, работает с текстом и имеет контекстное окно до 512 токенов. В карточке указана связь с исследованием «Indian Annual Report Assessment Using Large Language Models». Модель подходит для построения семантического поиска и сравнения фрагментов годовых отчётов; точные результаты для иных типов текстов по имеющимся сведениям не установлены. Опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

NetherQuartz/LaBSE-tokipona — модель Sentence Transformers, дообученная автором NetherQuartz на базе sentence-transformers/LaBSE для работы с текстами на токипона. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразировок и кластеризации. Модель использует архитектуру BERT; метаданные указывают 498,1 млн параметров и контекст до 512 токенов, тогда как в README заявлена максимальная длина последовательности 256 токенов. Для сравнения векторов рекомендуется косинусное сходство. Обучение описано на параллельных данных, содержащих токипона и тексты на естественных языках; карточка перечисляет наборы данных NetherQuartz/tatoeba-tokipona, NetherQuartz/lipu-sewi и NetherQuartz/minecraft-translations. Модель может быть полезна для поиска соответствий между токипона и другими языками, представленными в обучающих примерах. README приводит результаты оценки на неназванном наборе данных, поэтому их переносимость на другие тексты и языковые пары не установлена. Лицензия в предоставленных данных не указана.

justArmenian/legal_paraphrase — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-MiniLM-L3-v2 для преобразования предложений и абзацев в плотные векторы размерности 384. Архитектура основана на BERT: модель использует среднее объединение токенных представлений; сходство векторов рекомендуется оценивать косинусной мерой. В метаданных указаны 18,8 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов. Модель адаптирована к юридическим текстам и предназначена для семантического сравнения, поиска похожих формулировок и парафразов, кластеризации и извлечения признаков для классификации. В примерах обучающих данных сопоставляются перефразированные фрагменты судебно-правового текста и семантически отличающиеся фрагменты. README не подтверждает поддержку других языков; примеры приведены на английском. Модель выдаёт векторы, а не готовые ответы или юридические заключения. Воспроизводимые результаты оценки и качество на конкретных юридических корпусах не описаны. Лицензия в предоставленных сведениях не указана.

QuantFactory/Llama-3-Patronus-Lynx-8B-Instruct-GGUF — квантизированная версия Patronus-Lynx-8B-Instruct, разработанная Patronus AI на основе дообученной Meta-Llama-3-8B-Instruct. Модель предназначена для оценки галлюцинаций и фактической согласованности ответов в сценариях Retrieval-Augmented Generation (RAG): по вопросу, документу и ответу она определяет, подтверждается ли ответ содержанием документа и не добавляет ли он новую или противоречащую информацию. Модель имеет около 8 миллиардов параметров, поддерживает преимущественно английский язык и максимальную длину последовательности до 8000 токенов. Она создана с использованием llama.cpp и обучена на 2400 примерах из CovidQA, PubmedQA, DROP и RAGTruth, включая синтетически сформированные галлюцинации; дообучение проводилось в течение трёх эпох. Рекомендуемый результат — вердикт PASS или FAIL с объяснением в JSON-формате. В README заявлено превосходство над GPT-3.5-Turbo, GPT-4-Turbo, GPT-4o и Claude Sonnet на наборе PatronusAI/HaluBench, однако конкретные метрики не приведены. Модель сильна в специализированной проверке faithfulness ответов относительно предоставленного документа, но её назначение ограничено обнаружением галлюцинаций, а не универсальной генерацией текста; качество для языков, кроме английского, не описано. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

gbpatentdata/lt-patent-inventor-linking — модель эмбеддингов на архитектуре MPNet, разработанная на основе sentence-transformers/all-mpnet-base-v2 и дообученная с помощью LinkTransformer. Она предназначена для сопоставления текстовых описаний патентов и изобретателей: модель кодирует тексты в векторы, которые можно сравнивать для поиска похожих записей и кластеризации. Модель рассчитана на английский язык и имеет 136,7 млн параметров; формат весов — safetensors, длина контекста — 514 токенов. Модель подходит для поиска и связывания записей об изобретателях в патентных данных, а также для кластеризации таких записей с помощью LinkTransformer. В README указана оценка стандартными метриками информационного поиска LinkTransformer, однако численные результаты не приведены. Лицензия в предоставленных данных не указана.

MaMMUT2-moderntext ViT-B/32 — исследовательская модель сопоставления изображений и текста, разработанная авторами экспериментов MaMMUT2 и опубликованная rwightman. Она обучена на датасете CC12M в течение 32 эпох с контрастивной целью InfoNCE и дополнительным обучением текстового декодера по подписям. Архитектура включает визуальную башню ViT-B/32 и современный текстовый декодер с RoPE, RMSNorm, SwiGLU, gated attention и qk-нормализацией; текстовый контекст — 128 токенов. Модель предназначена для классификации изображений по произвольным текстовым меткам без дообучения, поиска соответствий между изображениями и подписями, а также генерации текстовых описаний. В карточке приведены сравнительные оценки на ImageNet, наборах retrieval и COCO, но сами авторы характеризуют чекпойнт как исследовательское сравнение архитектур и целей обучения, а не готовую производственную систему. Репозиторий использует OpenCLIP и предоставляет веса PyTorch/Safetensors. Лицензия — Apache-2.0.