II.10Разработка и эксплуатация AI/ML-систем

npc0/qwen3-embedding-rerank-projection — экспериментальная проекционная голова, дообученная автором репозитория на замороженных эмбеддингах Qwen/Qwen3-Embedding-0.6B. Она преобразует векторы размерности 1024 в нормализованные векторы размерности 256, пригодные для ранжирования документов по скалярному произведению. Модель предназначена для повторного ранжирования кандидатов семантического поиска: документы можно заранее закодировать, а затем сопоставлять с запросами по векторам. README приводит оценку на BEIR-nq с кандидатами BM25: nDCG@10 0,4354. Данные обучения преимущественно китайские, также использовались MS MARCO и NQ; проверка на BEIR-nq проводилась на английском. Модель основана на Qwen3-Embedding-0.6B и использует многослойную проекционную голову с нормализацией, ReLU и dropout. Это дообученный артефакт в формате safetensors, распространяемый по лицензии Apache-2.0. Проекция сжимает представление с потерями и ограничена информацией о релевантности, уже содержащейся в сходстве исходных эмбеддингов.

timm/qwen3_vit_416m.qwen3_5_27b — визуальный энкодер семейства Qwen, созданный как перенос весов визуальной части Qwen3.5-27B в формат timm. Модель содержит около 415 млн параметров, ширину backbone 1152 и выдаёт признаки изображений; языковые веса и обученная голова классификации в этот чекпойнт не входят. Для классификации потребуется добавить и обучить линейную голову на целевом наборе данных. Энкодер предназначен для извлечения пространственных признаков и эмбеддингов изображений, в том числе как основы для последующей классификации или других задач компьютерного зрения. Архитектура использует MLP с GELU-tanh, обучаемые абсолютные позиционные эмбеддинги и осевое 2D RoPE. Указанный размер изображения — 768 × 768; поддерживаются прямоугольные изображения, размеры сторон должны делиться на 16, а для вариантов с объединением 2×2 — на 32. Веса доступны в safetensors, лицензия — Apache 2.0. README описывает перенос весов без дополнительного обучения, поэтому преобразование в timm классифицируется как конверсия формата, хотя метаданные HF помечают модель как finetune от Qwen/Qwen3.5-27B. Для поиска и указания происхождения использованы метаданные; фактический способ подготовки уточняется по README.

Это модель-энкодер изображений timm/qwen3_vit_416m.qwen3_vl_8b, созданная как перенос весов визуального энкодера Qwen3-VL-8B-Instruct в timm. Она предназначена для извлечения признаков изображений и подготовки эмбеддингов или карт признаков для последующей классификации и других задач компьютерного зрения. Веса не дообучались; языковая модель, проекторы DeepStack и обученная классификационная голова в чекпойнт не входят. Визуальная часть содержит около 415 млн параметров и использует MLP с GELU-tanh, обучаемые абсолютные позиционные представления и двумерный axial RoPE. Указанный размер изображения — 768 × 768; поддерживаются прямоугольные входы с размерами, кратными 16, а для вариантов с объединением 2 × 2 — кратными 32. Реализация адаптирует временное свёрточное ядро исходного энкодера к двумерным изображениям; для нормализации RGB используются среднее и стандартное отклонение 0,5 по каждому каналу. Модель выдаёт признаки визуального энкодера, в том числе пространственные карты признаков и pooled image embeddings. Для получения классификации необходимо добавить и обучить собственную голову на целевом наборе данных. Лицензия — Apache 2.0.

Rampart — модель классификации токенов, разработанная National Design Studio для клиентского обнаружения и маскирования персональных данных (PII) до передачи текста на сервер, провайдеру LLM или в системы журналирования. Она предназначена для AI-ассистентов, форм ввода и других сценариев, где пользовательский текст нужно обезличить непосредственно на устройстве. Модель является частью многоуровневой системы: вместе с ней используется детерминированный распознаватель структурированных идентификаторов. В основе лежит nreimers/MiniLM-L6-H384-uncased, дообученная с BIO-головой на 35 меток, соответствующих 17 типам сущностей. Модель содержит примерно 18,5 млн параметров, использует обрезанный словарь из 19 730 WordPiece-токенов, поддерживает последовательности до 512 токенов и поставляется в формате ONNX размером 14,7 МБ. Для ускорения работы применяются 4-битное умножение матриц и INT8-эмбеддинги. Запуск выполняется через ONNX Runtime Web с WASM или WebGPU и transformers.js. Поддерживаются английский, испанский, французский, немецкий, итальянский, португальский и нидерландский языки с латинской письменностью. Сильные стороны модели — небольшой размер, возможность браузерного и локального выполнения, обработка текста без отправки исходных данных на сервер и поддержка стабильных плейсхолдеров для многошаговых диалогов. Ограничения включают отсутствие поддержки нелатинских письменностей, неспособность выявлять косвенные или инференциальные идентификаторы и недостаточную устойчивость к целенаправленным атакам. Модель не должна рассматриваться как самостоятельный детектор государственных идентификаторов или как гарантия безопасности: для некоторых структурированных данных необходим сопутствующий детерминированный слой. Модель распространяется по лицензии CC BY 4.0; обучающие данные ai4privacy/pii-masking-openpii-1.5m также указаны под CC BY 4.0.

RecBERT — модель на архитектуре BERT, разработанная для рекомендаций. Она предварительно обучена на промышленном наборе данных CMCC, собранном China Mobile, и предназначена для кодирования объектов рекомендаций в векторы, объединяющие сигналы коллаборативной фильтрации и семантическую информацию текста. Её можно применять как энкодер элементов в рекомендательных системах, а также для вычисления сходства между текстовыми представлениями. Модель содержит 129,5 млн параметров и обрабатывает до 512 токенов; доступны веса PyTorch. Для использования предусмотрены Sentence-Transformers и Transformers. Карточка не сообщает лицензию и подробные ограничения по качеству или составу данных; специализированное обучение на видеорекомендациях CMCC может ограничивать перенос на другие предметные области.

Redact — разработанная desert-ant-labs мультиязычная модель для обнаружения и маскирования персональных данных непосредственно на устройстве. Она сочетает классификатор токенов на архитектуре BERT с детерминированной обработкой структурированных идентификаторов; модель содержит 26,2 млн параметров, принимает текст с контекстом до 512 токенов и поставляется в форматах Core ML и TFLite. Разработчик указывает поддержку 27 языков, включая все официальные языки ЕС, норвежский букмол и нюнорск, а также исландский. Модель находит имена, адреса, электронную почту, телефоны, платёжные и государственные идентификаторы, IP-адреса и другие категории; организации распознаются, но по умолчанию не маскируются. По опубликованным разработчиком оценкам, точность маскирования высока, однако полнота обнаружения ниже, а результаты зависят от языка: особенно слабые показатели отмечены для мальтийского и ирландского. Для английских имён AWS Comprehend показал более высокую полноту в сравнении из README. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. Модель предназначена для локальной обработки текста на iOS, Android, Linux, Windows и в браузере.

ResNet101.a2_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A2. Архитектура ResNet-B использует ReLU, свёртку 7×7 с пулингом и обходные соединения с проекцией 1×1; в модели 44,5 млн параметров. Для оценки модель рассчитана на изображения 288×288 пикселей, при обучении использовался размер 224×224. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный backbone в прикладных системах компьютерного зрения. Опубликована в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

ResNet26D — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Архитектура ResNet-D использует активации ReLU, трёхслойный начальный блок из свёрток 3×3 с пулингом и короткие соединения с понижением размерности через усредняющий пулинг 2×2 и свёртку 1×1. Модель содержит около 16 млн параметров и рассчитана на классификацию изображений; также её можно использовать как основу для извлечения карт признаков и эмбеддингов. Обучение выполнено по рецепту Bag of Tricks с оптимизатором SGD с Nesterov и косинусным расписанием скорости обучения с разогревом. Размер изображений при обучении — 224×224, при тестировании — 288×288. Модель предназначена для распознавания объектов на изображениях общего назначения. Распространяется по лицензии Apache-2.0.

timm/resnet34.tv_in1k — модель классификации изображений семейства ResNet, представленная библиотекой timm. Это оригинальные веса torchvision, обученные на ImageNet-1k; модель также подходит как сверточная основа для извлечения признаков и эмбеддингов изображений. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом и обходные соединения с проекцией 1×1. В модели 21,8 млн параметров; указан стандартный размер изображения 224×224. Модель предназначена для отнесения изображений к классам ImageNet и может использоваться как основа компьютерного зрения или для получения признаковых карт и эмбеддингов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — BSD 3-Clause.

rasyosef разработал амхароязычную модель эмбеддингов предложений Sentence Transformers, дообученную из rasyosef/roberta-base-amharic на наборе amharic-passage-retrieval-dataset. Модель на базе XLM-RoBERTa содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и преобразует предложения и абзацы в плотные векторы размерностью 768 с нормализацией; сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска и извлечения амхароязычных фрагментов, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. В опубликованной оценке поиска на амхарском наборе данных точность cosine_accuracy@5 составляет 0,8712 для полного 768-мерного представления и 0,8649 при усечении до 256 измерений. Модель поддерживает амхарский язык и распространяется по лицензии Apache-2.0. Это модель векторных представлений, поэтому она возвращает эмбеддинги, а не готовые ответы или сгенерированный текст; результаты за пределами амхарского поиска и перечисленных оценок README не характеризует.

Conversational RuBERT — русскоязычная модель семейства BERT, разработанная DeepPavlov для извлечения признаков из текста. Её обучали на субтитрах OpenSubtitles, данных Dirty и Pikabu, а также сегменте социальных сетей корпуса Taiga; словарь создан специально для этой модели, а веса инициализированы RuBERT. В карточке указаны 12 слоёв, размер скрытого представления 768 и 12 голов внимания; метаданные каталога указывают 205,1 млн параметров и контекст до 512 токенов. Модель подходит для получения контекстных векторных представлений русскоязычных разговорных текстов, которые можно использовать в последующих задачах NLP. Репозиторий содержит варианты PyTorch и Flax, а в README упомянуты MLM- и NSP-головы. Сведения о лицензии в предоставленных данных отсутствуют.

sat-1l — модель семейства Segment Any Text, предназначенная для сегментации текста на предложения в составе wtpsplit. Авторы описывают её как модель с одним слоем Transformer; в метаданных указаны архитектура SubwordXLMForTokenClassification, 201,4 млн параметров и контекст 514 токенов. Основная задача в каталоге Hugging Face — token-classification. Модель рассчитана на многоязычную обработку текста. Метаданные указывают поддержку ряда языков, включая английский, немецкий, французский, испанский, арабский, хинди и японский. Доступны веса PyTorch и ONNX. Репозиторий опубликован под лицензией MIT.

ScamLLM — модель классификации текста, созданная авторами репозитория phishbot. Она дообучена на базе предварительно обученной RoBERTa и предназначена для выявления промптов, которые могут использоваться для генерации фишинговых сайтов с помощью коммерческих языковых моделей. Модель содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. На выходе ScamLLM присваивает тексту метку 1, если считает промпт попыткой фишинга, и метку 0, если считает его безопасным. Обучающие примеры включали вредоносные промпты, сгенерированные GPT-3.5 Turbo и GPT-4; сам набор данных доступен авторам по запросу. Карточка не сообщает поддерживаемые естественные языки и лицензию, поэтому условия использования и языковой охват модели не определены.

Sentence-Sarashina-Bi-0.5B-PT — японская модель эмбеддингов предложений, разработанная iamtatsuki05. Она дообучена на базе iamtatsuki05/sarashina2.2-Bi-0.5b с помощью слабоконтролируемого контрастивного обучения на наборе cl-nagoya/ruri-dataset-v2-pt. Модель использует архитектуру Llama и sentence-transformers; содержит 661,9 млн параметров и формирует векторы размерности 1280 с помощью mean pooling. Модель предназначена для семантического сравнения японских текстов и поиска по смыслу, включая получение эмбеддингов для retrieval-систем. Поддерживает последовательности до 8192 токенов, использует SentencePiece и косинусную меру сходства. В README английский указан в заголовке, но среди заявленных языков поддержки указана только японская. Модель распространяется по лицензии MIT. Это специализированный энкодер для векторного представления текста; README не описывает генерацию ответов или диалоговое применение.

Это англоязычный разреженный поисковый энкодер SPLADE, разработанный tomaarsen и дообученный на наборах вопрос–пассаж MIRIAD 4.4M от базовой модели Luyu/co-condenser-marco с использованием sentence-transformers. Модель на основе BERT преобразует предложения и абзацы в разреженные векторы размерностью 30 522; для сопоставления используется скалярное произведение. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе поиска пассажей по запросам. Максимальная длина входной последовательности — 512 токенов. Распространяется по лицензии Apache-2.0.

Это англоязычный разреженный энкодер SPLADE, разработанный на базе Luyu/co-condenser-marco с помощью библиотеки Sentence Transformers. Модель дообучена на MS MARCO hard negatives с оценками cross-encoder и предназначена для семантического поиска и разреженного извлечения документов. Архитектура включает BERT MLM-трансформер и SPLADE pooling с max-пулингом и ReLU. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 256 токенов по карточке модели (метаданные указывают контекст до 512 токенов) и отображает их в разреженные векторы размерности 30 522, которые сравниваются скалярным произведением. В README приведены оценки на наборах NanoBEIR и отдельных задачах поиска. Лицензия — Apache-2.0. Модель ориентирована на английский язык; качество за пределами описанных поисковых наборов и пригодность для других языков в источниках не подтверждены.

SPLADE-Mini — компактная модель разреженного поиска по тексту от rasyosef. Она основана на BERT-Mini и дообучена с дистилляцией Cross-Encoder ms-marco-MiniLM-L6-v2 на данных MS MARCO. Модель содержит около 12 млн параметров, принимает последовательности длиной до 512 токенов и формирует разреженные векторы размерности 30 522, которые сравниваются скалярным произведением. Модель предназначена для поиска релевантных документов по запросу и ранжирования результатов в информационно-поисковых системах. По карточке, на MS MARCO она достигает MRR@10 34,1 и рассчитана на запуск без GPU на коллекциях в несколько тысяч документов. Поддерживаемый язык — английский. Модель распространяется по лицензии MIT. Результаты оценки относятся к MS MARCO; качество на других коллекциях и языках карточкой не подтверждено.

Swin Base Patch4 Window7 224 ms in22k — модель классификации изображений и визуальный backbone из семейства Swin Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и содержит около 109,1 млн параметров. Модель обрабатывает изображения размером 224 × 224; её также можно использовать для извлечения карт признаков и эмбеддингов изображений. Модель подходит для классификации изображений и построения визуальных представлений в прикладных системах компьютерного зрения. Веса доступны в форматах PyTorch и safetensors. Лицензия — MIT.

Jebadiah/Tess-coder-ruby-p4 — объединённая модель для генерации текста и кода, созданная с помощью mergekit. В качестве базовой использована Jebadiah/Tess-Qwen-ruby-p3, в слияние также включена rombodawg/Llama-3-8B-Instruct-Coder; применён метод DARE linear. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговой генерации и помощи с программированием, включая создание и дополнение кода. Она доступна в формате safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

tevatron-elastic-bert-retriever-starbucks — англоязычный текстовый ретривер на базе google-bert/bert-base-uncased, дообученный командой Utah NLP с помощью Tevatron-Elastic. Он кодирует запросы и документы в признаки для информационного поиска и поддерживает выбор рабочих точек по глубине и ширине сети в стиле 2D Matryoshka, чтобы настраивать компромисс между качеством и затратами на вычисления. Для запросов и фрагментов документов используются префиксы query: и passage:, максимальная длина входа — 512 токенов. На полной конфигурации авторы сообщают nDCG@10 0,448 на BEIR-15; модель опубликована как ресурс для воспроизводимости, а не как заявление о превосходстве над другими решениями. Распространяется по лицензии Apache-2.0.

utahnlp/tevatron-elastic-modernbert-retriever-depth — модель извлечения признаков и поиска, разработанная Utah NLP и обученная с помощью Tevatron-Elastic на базе answerdotai/ModernBERT-base. Она кодирует запросы и фрагменты документов с префиксами query: и passage: в векторы для поиска релевантных материалов. Контрольная точка поддерживает эластичное сокращение глубины: один набор весов позволяет выбирать число слоёв при кодировании, задавая компромисс между вычислительными затратами и качеством. Модель содержит 149 млн параметров, принимает текст, поддерживает контекст до 8192 токенов и распространяется в формате Safetensors. Модель предназначена для информационного поиска и воспроизводимых экспериментов с вариантами глубины кодировщика. На полной конфигурации авторы сообщают результат nDCG@10 0,456 на BEIR-15; это не заявка на превосходство над современными системами. Обучение проводилось на rlhn/rlhn-680K с максимальной длиной 512 токенов. Лицензия — Apache-2.0. Базовая архитектура ModernBERT ориентирована на английский язык, поэтому README не подтверждает качество поиска на других языках.

tf_efficientnet_b0.ap_in1k — сверточная модель EfficientNet для классификации изображений и извлечения визуальных признаков. Авторы EfficientNet обучили исходную версию на ImageNet-1k с использованием AdvProp, а Росс Уайтман перенёс её на PyTorch; модель распространяется через timm и Hugging Face. В ней около 5,3 млн параметров, вычислительная сложность составляет 0,4 GMACs, а указанное входное разрешение — 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Она принимает изображения и выдаёт метки классов либо признаки, в зависимости от используемого режима. Лицензия — Apache-2.0. Карточка не сообщает о мультиязычной текстовой поддержке: модель работает с изображениями.

tf_efficientnet_b2.ap_in1k — сверточная модель классификации изображений семейства EfficientNet. Её обучили авторы работ по EfficientNet и AdvProp на ImageNet-1k с использованием состязательных примеров; Росс Уайтман перенёс веса из TensorFlow в PyTorch. Модель доступна через библиотеку timm и распространяется по лицензии Apache-2.0. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она содержит около 9,1 млн параметров, требует входные изображения размером 260 × 260 пикселей и выполняет примерно 1,0 GMAC на изображение. Обучение на ImageNet-1k и AdvProp ориентирует её на распознавание распространённых категорий изображений. Она не предназначена для понимания текста или обработки других модальностей; качество зависит от соответствия входных изображений обучающим данным и набора классов ImageNet-1k.

tf_efficientnet_b3.aa_in1k — свёрточная модель EfficientNet для классификации изображений и извлечения визуальных признаков. Её обучили авторы статей на ImageNet-1k с политикой аугментации AutoAugment; Ross Wightman перенёс веса в PyTorch. Модель доступна в библиотеке timm и распространяется по лицензии Apache-2.0. Модель содержит около 12,2 млн параметров, требует изображение размером 300 × 300 пикселей и может использоваться как классификатор, основа для извлечения карт признаков или получения представлений изображений. В README приведены вычислительные характеристики: 1,9 GMACs и 23,8 млн активаций. Обучение на ImageNet-1k определяет её назначение для распознавания объектов из набора классов ImageNet; качество на других наборах данных может отличаться.

tf_efficientnet_es.in1k — сверточная модель EfficientNet-EdgeTPU для классификации изображений и извлечения визуальных признаков. Исходная модель обучена авторами соответствующих работ на ImageNet-1k в TensorFlow, а затем перенесена в PyTorch Россом Уайтманом и опубликована в библиотеке timm. Модель содержит около 5,4 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 1,8 GMACs. Она подходит для классификации изображений по классам ImageNet-1k, получения карт признаков и визуальных эмбеддингов; архитектура EfficientNet-EdgeTPU разработана с учётом эффективности на ускорителях Edge TPU. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Tinytron-ORCA-7B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная модель генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В карточке она описана как помощник по программированию на базе семейства Llama; метаданные указывают плотную архитектуру LlamaForCausalLM, 6,6 млрд параметров и контекст до 4096 токенов. README заявляет версию GGUF с 3-битной квантизацией и рекомендует запуск через Ollama. Модель предназначена для генерации кода и помощи с задачами научных вычислений и машинного обучения. В README перечислены Python, JavaScript, TypeScript, Rust, Go и C++, а также NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают английский и испанский языки; модель принимает текстовые запросы и генерирует текст, включая код. Репозиторий описывает модель как локального помощника по программированию, однако подробные результаты оценки качества не приведены. README указывает лицензию Apache-2.0; из названия и карточки следует, что это квантизованная версия модели TinyLlama Instruct, но точный идентификатор исходной модели в метаданных не приведён.

Vela PII — модель для обнаружения фрагментов текста, содержащих персональные и другие чувствительные данные, разработанная командой llm-semantic-router. Она предназначена для приватной маршрутизации запросов и редактирования чувствительных данных. Модель основана на ModernBERT и содержит 306,9 млн параметров; принимает до 32 768 токенов, включая специальные токены, и возвращает разметку BIO по 35 меткам для 17 типов сущностей с позициями фрагментов в символах Unicode. В карточке приведены результаты на синтетических наборах для шести языков: точность exact-span micro F1 составила 90,76 на коротких входах, 89,03 на контролируемом контексте 4K и 89,88 на 8K. Эти наборы использовались при выборе модели и не являются независимым тестом на естественных документах, поэтому результаты не гарантируют такого же качества в реальных данных. Модель дообучена от llm-semantic-router/Vela-1.0-Encoder-307M, доступна в форматах Safetensors и ONNX и распространяется по лицензии Apache-2.0.

Verbatim-RAG Extractor — англоязычный классификатор токенов от KRLabsOrg для выделения в тексте фрагментов, которые прямо отвечают на вопрос. Модель дообучена на базе Alibaba-NLP/gte-reranker-modernbert-base и использует архитектуру ModernBERT; она содержит около 149 млн параметров и поддерживает контекст до 8192 токенов. Модель принимает вопрос и текстовый контекст, оценивает токены контекста как доказательные или недоказательные, а затем объединяет подходящие токены в фрагменты с символьными границами и оценками. Её можно использовать после поиска или переранжирования документов в RAG-системе, чтобы показывать пользователю подтверждающие цитаты или передавать их генеративной модели. Обучающий набор охватывает научные тексты, вопросы и ответы из разных областей, финансовые таблицы, юридические и медицинские материалы, руководства и выводы инструментов для программирования. В описанных авторами оценках модель превзошла публичные базовые экстракторы по Word-F1 на четырёх срезах, включая QASPER, который не входил в обучающую смесь. Это не гарантирует такого же качества на произвольных данных: модель рассчитана на английский язык, выделяет текстовые фрагменты и может пропускать нужные доказательства либо выбирать лишний текст. Выпускается в формате safetensors под лицензией Apache-2.0.

Модель timm/vit_base_patch16_clip_384.laion2b_ft_in1k — классификатор изображений на архитектуре Vision Transformer (ViT), подготовленный проектом timm. Модель с 86,9 млн параметров предварительно обучена OpenCLIP на парах изображение–текст из LAION-2B и дообучена в timm на ImageNet-1k; она также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Модель принимает изображения размером 384 × 384 пикселя и предназначена для классификации по категориям ImageNet-1k и получения признаковых представлений. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Для задач вне ImageNet-1k может потребоваться адаптация или отдельная настройка классификационных категорий. Карточка не описывает работу с текстом на входе или генерацию изображений.

Это визуальный энкодер SigLIP из библиотеки timm: модель преобразует изображения в признаки и векторы представления. Она основана на архитектуре ViT-Base с патчами 16×16 и входным разрешением 224 пикселя; используется вариант вебли-обучения WebLI с исходным attention pooling. Модель предназначена для извлечения визуальных признаков, которые можно использовать в поиске по изображениям, сравнении изображений и других системах, работающих с визуальными представлениями. Репозиторий содержит только энкодер изображений. Лицензия — Apache 2.0. Данные не описывают поддержку текстового ввода или мультимодального сопоставления напрямую; доступные сведения подтверждают задачу извлечения признаков изображений.