II.10Разработка и эксплуатация AI/ML-систем

Vela-1.0-Encoder-307M-Modality — специализированный классификатор маршрутизатора llm-semantic-router, основанный на многоязычном энкодере ModernBERT и дообученный для определения нужного типа ответа: текст (`AR`), генерация изображения (`DIFFUSION`) или оба варианта (`BOTH`). Модель содержит 306,9 млн параметров, принимает входы длиной до 32 768 токенов и распространяется в форматах Safetensors и ONNX. Лицензия — Apache-2.0. Модель предназначена для классификации запросов по режиму генерации, например для выбора между текстовым ответом, генерацией изображения или комбинированным ответом в приложении с семантической маршрутизацией. В README приведены результаты на наборах разработки для шести языков: Vela показала Macro F1 81,10 на коротких запросах и 82,22 на контролируемых примерах длиной 4K и 8K токенов, превосходя исходную модель в этом сравнении. Оценка проводилась на небольших наборах разработки, которые использовались при выборе модели, поэтому результаты не являются независимой проверкой качества. Модель выдаёт классы маршрутизации, а не сами текстовые ответы или изображения.

viBERT-base-cased — предварительно обученная языковая модель BERT для вьетнамского языка, разработанная FPT.AI. Она предназначена для использования как основа для задач обработки вьетнамского текста, включая разметку последовательностей после дообучения. Это двунаправленный энкодер BERT примерно на 142,6 млн параметров с контекстом до 512 токенов; доступны веса PyTorch и Flax. Модель принимает текст и формирует контекстные представления, а конкретные метки или ответы зависят от добавленной задачи и дообученной головы. Карточка Hugging Face не указывает лицензию; первоисточник описывает модель как предварительно обученную для вьетнамского BERT.

Это модель Vision Transformer для классификации изображений из библиотеки timm. Модель ViT-Base с патчами 16×16 принимает изображения размером 224×224 пикселя; число параметров — 86,6 млн. Она была предварительно обучена авторами работ на ImageNet-21k, затем дообучена Россом Уайтманом на ImageNet-1k с дополнительной аугментацией и регуляризацией. Модель предназначена для присвоения изображению метки класса и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов изображений. Она реализована на PyTorch и доступна в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не приводит оценки качества или сведений о поддержке иных размеров изображений и наборов классов.

Это модель Vision Transformer для классификации изображений, обученная Alibaba MIIL на ImageNet-21k-P. Она также может использоваться как визуальный backbone для получения признаковых представлений изображений. Модель содержит 94,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует патчи 16 × 16; репозиторий распространяет веса в форматах PyTorch и safetensors, а для работы указана библиотека timm. Лицензия — Apache-2.0. Модель подходит для классификации изображений и извлечения визуальных признаков. Её обучение на ImageNet-21k-P ориентирует её на распознавание широкого набора объектов; специфические ограничения в карточке не описаны.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Alibaba MIIL и доступная через библиотеку timm. Она предварительно обучена на ImageNet-21k-P и дообучена на ImageNet-1k; модель содержит 86,5 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Её можно применять для отнесения изображения к классу и использовать как основу для извлечения признаков и получения эмбеддингов изображений. Модель предназначена для задач компьютерного зрения общего назначения, в частности для классификации объектов на изображениях. Карточка описывает ImageNet-1k как датасет дообучения и приводит ImageNet-21k-P как набор предварительного обучения. Лицензия — Apache-2.0.

Это модель классификации изображений на основе Vision Transformer (ViT), опубликованная в библиотеке timm. Модель с 86,6 млн параметров предварительно обучена на парах изображение–текст из LAION-2B с помощью OpenCLIP, а затем дообучена на ImageNet-1k. Она принимает изображения размером 224 × 224 пикселя и может использоваться как классификатор или как основа для получения признаковых представлений изображений. Модель подходит для распознавания объектов и категорий на изображениях, а также для извлечения эмбеддингов в компьютерном зрении. В карточке указаны вычислительные характеристики: 16,9 GMACs и 16,5 млн активаций. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Росс Уайтман перенёс веса в PyTorch для библиотеки timm. Модель содержит около 88,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet и получения эмбеддингов изображений как основы для последующих задач компьютерного зрения. Архитектура ViT обрабатывает изображение как последовательность патчей. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache 2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), опубликованная Ross Wightman в библиотеке timm. Вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков; модель содержит 60,4 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. В сравнении из карточки точность top-1 составляет 85,418%, а top-5 — 97,480%. Для использования доступны веса PyTorch и safetensors через timm. Лицензия — Apache-2.0. Модель рассчитана на изображения; карточка не заявляет поддержку текстовых или других входных модальностей.

vit_so150m_patch16_reg4_gap_256.sbb_e250_in12k — модель классификации изображений на основе Vision Transformer (ViT), обученная Ross Wightman с использованием библиотеки timm. Она также предназначена для извлечения признаков и получения эмбеддингов изображений. Модель содержит около 143,8 млн параметров, использует патчи размером 16×16, четыре register-токена и глобальный average pooling. Она обучена на ImageNet-12k и рассчитана на изображения размером 256×256 пикселей. В метаданных указаны форматы PyTorch и Safetensors и лицензия Apache-2.0. Модель подходит для классификации изображений и как визуальный backbone для систем, которым нужны признаки или эмбеддинги. Карточка не сообщает результаты сравнения именно этой версии; таблица в README содержит метрики других вариантов.

volo_d1_224.sail_in1k — модель классификации изображений на основе архитектуры VOLO (Vision Outlooker), доступная через библиотеку timm. Она обучена авторами статьи на ImageNet-1k с разметкой токенов и может использоваться для определения объектов и сцен на изображениях, а также как визуальный backbone для извлечения признаков. Модель содержит 26,6 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует входное изображение. Репозиторий предоставляет веса PyTorch и SafeTensors. Лицензия Apache-2.0.

facebook/wav2vec2-conformer-rope-large-960h-ft — акустическая модель распознавания речи, разработанная авторами Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko, Juan Pino и опубликованная в репозитории Facebook. Это архитектура Wav2Vec2-Conformer с rotary position embeddings и примерно 402,7 млн параметров; модель дообучена на 960 часах английской речи из LibriSpeech. Она принимает аудио с частотой дискретизации 16 кГц и предназначена для преобразования речи в текст. Модель подходит для транскрибирования английской речи и оценки качества распознавания на данных, близких к LibriSpeech. В карточке указаны форматы PyTorch и Safetensors, лицензия Apache 2.0. Языковая поддержка по данным карточки — английский; требования к частоте дискретизации входного аудио следует соблюдать.

jonatasgrosman/wav2vec2-large-xlsr-53-spanish — модель распознавания испанской речи, разработанная Jonatas Grosman. Она дообучена на основе facebook/wav2vec2-large-xlsr-53 на обучающей и проверочной выборках Common Voice 6.1 и предназначена для преобразования аудиозаписей на испанском языке в текст. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; для входной речи требуется частота дискретизации 16 кГц. Модель поддерживает распознавание речи без языковой модели и подходит для транскрибирования записей и оценки качества ASR на испаноязычных речевых наборах данных, включая Common Voice. В карточке приведена лицензия Apache-2.0. Результаты могут зависеть от акустических условий и отличий речи от обучающих данных; языковая модель в базовом сценарии не используется.

m3hrdadfi/wav2vec2-large-xlsr-persian — модель распознавания персидской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice на персидском языке (фарси). Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; её можно запускать без отдельной языковой модели. Модель подходит для транскрибации персидской речи и оценки систем распознавания на тестовой части Common Voice. В карточке указан результат WER 32,20%; качество может отличаться на других наборах данных и условиях записи. Лицензия — Apache-2.0.

Andrew McDowell дообучил wav2vec2-xls-r-1b для автоматического распознавания немецкой речи на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0, конфигурация DE. Модель использует архитектуру wav2vec2 с классификационной головой CTC; в метаданных указано 1,3 млрд параметров и формат PyTorch. Для тестовой выборки Common Voice 8.0 автор сообщает значение WER 0,1532 и loss 0,1355. Модель подходит для преобразования немецкой речи в текст, например для транскрибации записей и оценки систем распознавания на немецком языке. Она принимает аудио и выдаёт текст. Лицензия — Apache-2.0.

mpoyraz/wav2vec2-xls-r-300m-cv7-turkish — модель автоматического распознавания речи на турецком языке, созданная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; при дообучении использовались проверенная часть Common Voice 7.0 TR, кроме тестовой выборки, и MediaSpeech. Для улучшения распознавания автор также подготовил турецкую n-граммную языковую модель на материалах Википедии с KenLM. Модель подходит для транскрибации турецкой речи и оценки систем распознавания на наборах Common Voice и Speech Recognition Community. В README приведены результаты: WER 8,62 и CER 2,26 на тестовой выборке Common Voice 7 TR, а также WER 30,87 и CER 10,69 на dev-наборе Speech Recognition Community. Эти значения относятся к указанным наборам и не гарантируют такую же точность на других записях. Модель распространяется по лицензии CC BY 4.0.

WavLM-Base for Speaker Verification — модель Microsoft для проверки личности говорящего по речи. Это модель семейства WavLM с архитектурой Transformer и головой WavLMForXVector; она содержит 113,3 млн параметров. Базовая модель предварительно обучена на 960 часах LibriSpeech с частотой дискретизации 16 кГц, а версия для проверки говорящего дообучена на VoxCeleb1 с головой X-Vector и функцией потерь Additive Margin Softmax. Модель принимает речевое аудио с частотой 16 кГц и формирует векторные представления голоса, пригодные для сравнения говорящих и проверки совпадения личности. Её можно применять для верификации диктора в записях и системах контроля доступа по голосу. Карточка не описывает поддержку других языков помимо английского в метаданных и не приводит отдельные показатели качества. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Werea-TR-QA — турецкая модель извлечения ответов на вопросы: она находит фрагмент ответа в предоставленном контексте и подходит, в частности, для систем RAG. Модель разработала Werea; это дообученная на задаче question answering модель BERTurk на базе dbmdz/bert-base-turkish-cased с архитектурой BertForQuestionAnswering и 137,8 млн параметров. Контекст — до 512 токенов. В README указано, что модель обучалась два эпоха на наборе TQuAD2 с человеческой разметкой. Для TQuAD2 (validation) приведены EM 53,8% и F1 72,7%, для XQuAD-tr — EM 46,1% и F1 64,5%. Лицензия — MIT. Модель рассчитана на турецкий язык и извлечение ответов из текста; она не предназначена для свободной генерации развернутых ответов.

xLAM-8x7b-r-GGUF — это GGUF-квантизированная версия языковой модели xLAM-8x7b-r, разработанной Salesforce и подготовленной для распространения пользователем bartowski. Модель ориентирована на text-generation, function calling, использование инструментов и создание LLM-агентов. Обучение связано с датасетом Salesforce/xlam-function-calling-60k; заявленный язык — английский. Модель основана на архитектуре, обозначенной в карточке тегом mistral, и имеет конфигурацию 8x7B; точные сведения о числе активируемых параметров и размере контекста не указаны. Доступны варианты от F16 до сильно сжатых квантов GGUF, включая Q8_0, Q6_K, Q5_K, Q4_K и Q3/Q2, с размером файлов примерно от 17 до 93 ГБ. Квантизация выполнена с использованием llama.cpp и метода imatrix; некоторые варианты оптимизированы для ARM и CPU-инференса. Сильная сторона модели — специализация на вызове функций и взаимодействии с внешними инструментами, а также широкий выбор квантов для компромисса между качеством и требованиями к памяти. Ограничения включают заявленную ориентацию на английский язык, отсутствие данных о мультимодальности и контекстном окне, а также снижение качества у малобитных вариантов. Модель распространяется по лицензии CC BY-NC 4.0, предусматривающей некоммерческое использование; для доступа к репозиторию требуется подтверждение согласия с лицензией.

xLAM-8x7b-r-IMat-GGUF — это квантизированная версия языковой модели Salesforce/xLAM-8x7b-r, разработанной Salesforce и преобразованной в формат GGUF с использованием llama.cpp. Квантизацию выполнил legraphista; доступны варианты от BF16 и FP16 до Q2_K, Q3_K, Q4_K, Q5_K, Q6_K и Q8_0, включая варианты с IMatrix-калибровкой. Модель предназначена прежде всего для function calling, использования инструментов и построения LLM-агентов, а также для текстовой генерации в совместимых средах, включая llama.cpp. В карточке указана поддержка английского языка и датасет Salesforce/xlam-function-calling-60k. Архитектура обозначена тегом Mistral, однако точные сведения о размере контекста и других архитектурных параметрах не приведены. Главное преимущество модели — наличие множества вариантов квантизации, позволяющих выбирать баланс между качеством, требованиями к памяти и скоростью инференса; IMatrix может применяться в ряде низкоразрядных вариантов. Ограничения включают потенциальное снижение качества при агрессивной квантизации, необходимость значительных ресурсов для крупных вариантов и отсутствие подтверждённых характеристик для неанглийских языков и мультимодальных задач. Модель распространяется по лицензии CC BY-NC 4.0, а доступ к репозиторию требует принятия соответствующих условий.

xVerify-9B-C — модель IAAR-Shanghai для проверки ответов в системах оценки рассуждающих моделей. Она дообучена на базе THUDM/glm-4-9b-chat и предназначена для задач с одним объективно правильным ответом: модель извлекает итоговый ответ из длинного объяснения и определяет, эквивалентен ли он эталону. Модель подходит для проверки математических решений, ответов на вопросы с выбором варианта, классификационных результатов и кратких ответов. Она сопоставляет варианты по смыслу, а не только по метке, распознаёт эквивалентные математические записи и учитывает смысловую эквивалентность ответов на естественном языке. Архитектура — плотная ChatGLM; размер по метаданным — 11,4 млрд параметров, контекст — до 131 072 токенов. Основные языки — китайский и английский; README также заявляет совместимость с другими языками. В Hugging Face модель помечена как text-generation, хотя её основное назначение — проверка и классификация ответов. Для использования требуются Transformers и формат весов safetensors. Лицензия CC BY-NC-ND 4.0 ограничивает распространение производных версий и коммерческое использование.

openhands-lm-32b-v0.1 — языковая модель для генерации текста и задач, связанных с программированием и агентными сценариями. Исходную модель разработала команда all-hands, а данная версия представляет собой набор квантованных сборок GGUF, подготовленных bartowski с использованием llama.cpp и imatrix. В качестве обучающего набора указан SWE-Gym/SWE-Gym. Модель содержит 32 миллиарда параметров и предназначена для работы с текстом; заявлен английский язык. README не содержит сведений об архитектуре базовой модели, размере контекста, дополнительных модальностях или результатах benchmark-тестов. Доступны варианты от BF16 до различных квантовок Q8, Q6, Q5, Q4, Q3 и IQ4 с размером файлов примерно от 17,7 до 65,5 ГБ. Более качественные варианты требуют больше памяти, а младшие квантовки рассчитаны на более ограниченные ресурсы. Сборки можно запускать через LM Studio, llama.cpp и совместимые проекты. Для применения указан формат prompt с ролями system, user и assistant. Основные ограничения — необходимость значительного объёма памяти для 32B-модели и возможное снижение качества при использовании сильной квантовки; точные характеристики исходной модели в README не приведены. Лицензия — MIT.

Anonymizer-1.7B — компактная языковая модель компании Eternis AI для защиты конфиденциальности текста. Она предназначена для обнаружения персональных данных и их замены на семантически похожие значения, чтобы сохранить смысл пользовательского запроса при удалении исходных идентификаторов. Модель используется как основной анонимизатор в Enchanted и может применяться локально в других развёртываниях, где важны скорость и качество. По карточке, модель обучена с GRPO и оценивалась судьёй GPT-4.1. Модель построена на плотной архитектуре Qwen3 с 1,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка описывает интерфейс замены сущностей и формат ответа с парами исходных и заменённых значений. Репозиторий содержит веса Safetensors, а лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

dtunkelang/bag-of-documents-minilm-esci-supervised — англоязычная Sentence Transformer модель, разработанная на основе sentence-transformers/all-MiniLM-L6-v2 и дообученная на метках релевантности ESCI с помощью MultipleNegativesRankingLoss. Она предназначена для семантического поиска и оценки сходства между запросами и текстами товаров; автор описывает её как базовый вариант для сравнения в исследовании поиска по наборам документов. Модель использует энкодер BERT с усреднением токенных представлений и нормализацией выходов. Она преобразует текст в плотные векторы размерностью 384, сравниваемые косинусной близостью. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; в README заявлен максимум последовательности 256 токенов, поэтому фактический лимит следует учитывать при использовании. Подходит для семантического поиска товаров, ранжирования кандидатов по запросу и сравнения текстов. Модель принимает и выдаёт текстовые представления через эмбеддинги, не генерирует ответы. Распространяется по лицензии Apache-2.0.

BEiT Base Patch16 224 — модель классификации изображений и визуальный backbone из семейства BEiT, опубликованная командой timm. Она предварительно обучена на ImageNet-22k методом masked image modelling с визуальным токенизатором DALL-E dVAE, а затем дообучена на ImageNet-22k. Модель основана на Vision Transformer с патчами 16×16 и рассчитана на изображения размером 224×224 пикселя; содержит около 102,6 млн параметров. Модель подходит для классификации изображений по категориям ImageNet-22k и получения визуальных признаков для downstream-задач. Веса доступны в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия Apache-2.0. Классификация и качество признаков зависят от соответствия входных изображений распределению обучающих данных; README описывает разрешение 224×224.

BERT base Japanese v3 — предобученная модель семейства BERT от команды Tohoku NLP для работы с текстами на японском языке. Это базовая архитектура BERT: 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; модель содержит 138,4 млн параметров и принимает последовательности длиной до 512 токенов. Веса доступны в форматах PyTorch, TensorFlow и Flax, лицензия — Apache-2.0. Модель обучена на японских частях CC-100 и Википедии. Текст токенизируется сначала с помощью MeCab и словаря Unidic 2.1.2, затем алгоритмом WordPiece; размер словаря — 32 768 токенов. Для задачи masked language modeling применялось маскирование целых слов. Чекпойнт подходит как основа для дообучения и извлечения контекстных представлений в японских NLP-сценариях. Это модель для понимания текста, а не генеративный чат-ассистент: сама по себе она не предназначена для диалоговой генерации или непосредственного выполнения прикладных задач без соответствующей головы и дообучения. Её контекст ограничен 512 токенами, а обучение ориентировано на японский язык.

Карточка модели fatymahaly/bert-base-uncased на Hugging Face совпадает с карточкой google-bert/bert-base-uncased, поэтому описание составлено по ней. BERT base uncased — англоязычная предварительно обученная модель Google на базе архитектуры BERT для восстановления замаскированных слов. Она содержит 136,7 млн параметров и принимает текст в нижнем регистре; токенизатор WordPiece использует словарь из 30 000 токенов. Контекст ограничен 512 токенами. Предобучение на BookCorpus и англоязычной Википедии использовало задачи masked language modeling и предсказания следующего предложения. Модель предназначена прежде всего для дальнейшей настройки под задачи понимания текста, например классификацию, разметку токенов и ответы на вопросы. Её можно применять для заполнения пропусков в тексте; она также может служить источником признаков для downstream-моделей. Это базовый чекпойнт, а не модель для генерации длинных текстов. Предобучение без учительской разметки позволяет использовать корпусный контекст, однако предсказания могут отражать смещения данных. Модель распространяется по лицензии Apache-2.0.

Breeze-7B-FC-v1_0 — языковая модель MediaTek Research для диалогов по инструкциям и вызова функций. Она основана на Breeze-7B-Base и использует плотную архитектуру Mistral; в метаданных указано 7,2 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Модель предназначена для приложений, которым нужно преобразовывать запросы пользователя в вызовы функций, включая простые, множественные и параллельные вызовы, а также отвечать на обычные инструкции. В карточке приведены результаты тестирования на английском и традиционном китайском языках: модель показывает сильные результаты в бенчмарках вызова функций, но в сравнении по следованию инструкциям уступает Breeze-7B-Instruct-v1_0 на английском и традиционном китайском. Это текстовая модель; в карточке не заявлены мультимодальные возможности.

AmberYifan/capsd-marin-8b-base-code_cap_b16000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. По карточке, обучение проводилось на наборе capsd_marin-8b-base-n80000-opc__mix_code_cap_b16000_s0, что указывает на адаптацию для генерации текста и кода. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM, формат safetensors и библиотеку Transformers; максимальный контекст — 4096 токенов. Модель подходит для генерации и продолжения текста, включая сценарии с кодом и диалоговым интерфейсом. Базовая модель описана как англоязычная, однако README не уточняет языковые возможности именно этой версии. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели. README не содержит результатов оценки или подробных рекомендаций по применению.

claude-yolo-vibes-v4 — промежуточный чекпойнт supervised fine-tuning модели Qwen2.5-Coder-7B-Instruct, разработанный davidnichols-ops. Модель предназначена для генерации кода в диалоговом формате и добавляет к базовой модели индивидуальный стиль общения. Это этап до DPO-выравнивания; автор указывает, что итоговая DPO-версия предназначена для использования в производстве. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и выдаёт текст. Контекстное окно — 32 768 токенов; в метаданных указан английский язык. Автор сообщает результат 88,4% pass@1 на HumanEval как для базовой модели, так и для этого SFT-чекпойнта, однако это значение приведено в README и не сопровождается описанием методики оценки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CLIP-fa-text — текстовый энкодер персидской версии CLIP, созданной разработчиком Sajjad Ayoubi. Модель дообучена на 400 тысячах пар «изображение — текст»; в качестве текстового энкодера использована RoBERTa-fa Фарахани. Архитектура — RoBERTa, около 145,5 млн параметров, контекст — 514 токенов. Репозиторий содержит веса PyTorch. Модель преобразует персидский текст в векторы размерности 768, сопоставимые с векторами изображений, получаемыми парным визуальным энкодером CLIP-fa. Это позволяет искать изображения по персидскому запросу и находить текстовые описания, близкие к изображению, в системах поиска и сопоставления мультимодальных данных. В карточке показан текстовый компонент; сам он принимает текст и выдаёт векторные признаки. Разработчик отмечает, что для обучения использовано меньше пар, чем для исходного CLIP, поэтому качество зависит от задачи и набора изображений. Лицензия в предоставленных сведениях не указана.