II.8Инженерия данных и аналитика

LYRA-CODER — компактная разговорная модель генерации текста, разработанная и поддерживаемая Мухаммадом Таки. В метаданных указаны архитектура Qwen2 с причинной языковой моделью, 1,5 млрд параметров и контекст до 32 768 токенов; README также называет LYRAMOON архитектурной основой и заявляет о быстрой генерации ответов. Модель предназначена для чата и задач генерации кода, что отражено в названии и тегах. Модель работает с текстом и может использоваться для диалоговых ответов, генерации кода и вызова инструментов через соответствующий интерфейс. В карточке указан английский язык. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. README не приводит результатов оценки качества или подробностей обучения, поэтому заявленную скорость и пригодность для рассуждений нельзя проверить по предоставленным данным.

m2v-bge-m3-ptbr-en — компактная модель статических текстовых эмбеддингов на базе Model2Vec, созданная Гильерме Мирандой дистилляцией BAAI/bge-m3. Она предназначена для быстрого локального семантического поиска по тексту и коду, в том числе поиска по многословным идентификаторам и кросс-языковых запросов на португальском и английском языках. Модель использует словарь из 185 417 подслов латинского письма, включает португальские диакритические знаки и формируется с помощью PCA и взвешивания SIF. При инференсе она усредняет статические векторы токенов без прямого прохода трансформера, что делает её быстрой на CPU. По данным README, в слепых тестах поиска она сопоставима с potion-multilingual-128M для португальского и английского при меньшем размере. Модель распространяется по лицензии MIT. Удаление токенов нелатинских письменностей ограничивает её применение: кириллица, арабское письмо и CJK не поддерживаются как целевые языки; модель рассчитана прежде всего на португальский (pt-BR) и английский.

Distilled MetaCLIP 2 ViT-S/16 (worldwide) — модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-worldwide из оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов, а модель сопоставляет их с изображением. Модель мультиязычная, построена на архитектуре MetaClip2Model и распространяется в формате safetensors для библиотеки Transformers. Карточка не сообщает размер модели и длину контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

omai-research/milco-300m — плотная модель семейства MILCO для извлечения разреженных представлений текста и многоязычного поиска. Она разработана исследовательской группой OMAI и описана в работе для ICLR 2026. Модель переводит запросы и документы на разных языках в общее лексическое пространство английского языка, сохраняя возможность одноязычного и межъязыкового поиска. Архитектура сочетает многоязычный трансформерный энкодер, линейный multilingual connector и LexEcho head. Голова формирует разреженное представление по английскому словарю и дополнительный исходно-языковой вид, который помогает сохранить имена, редкие термины и элементы смешанной речи. В README для конфигурации указаны naver/splade-v3 и Alibaba-NLP/gte-multilingual-base. Репозиторий содержит веса PyTorch и использует библиотеку Transformers; загрузка описана через AutoModel с trust_remote_code=True. Модель предназначена для построения поисковых представлений запросов и документов и заявлена как эффективная для многоязычного и межъязыкового поиска. В README приведены результаты оценки на более чем 39 языках и сравнительные результаты для варианта MILCO 560M, но они не являются отдельной оценкой именно версии 300M. Доступна по лицензии Apache-2.0.

MrBERT-es — двуязычная языковая модель на архитектуре ModernBERT, разработанная лабораторией Language Technologies Lab Барселонского суперкомпьютерного центра. Это encoder-модель с 149,6 млн параметров, обученная предсказывать замаскированные токены; она принимает текст и подходит для заполнения пропусков, а также может служить основой для задач анализа испанского и английского текста. Контекст модели составляет до 8192 токенов. Модель инициализирована весами MrBERT с адаптацией матрицы эмбеддингов для различий между токенизаторами, а затем продолжительно предобучена на сбалансированном англо-испанском корпусе объёмом 615 млрд токенов. В карточке приведены результаты оценки испанского языка на задачах разметки частей речи, распознавания сущностей и семантического сходства. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Модель предназначена прежде всего для испанского и английского языков. Как masked language model, она не является генеративным чат-ассистентом и сама по себе не выдаёт готовые метки для прикладных задач без соответствующей настройки. Авторы предупреждают о возможных смещениях и искажениях в результатах.

MSP-ASR — модель распознавания английской речи из проекта Multimodal Speech Perception, разработанная MahmoodAnaam. Это дообученный энкодер Wav2Vec2 Large с CTC-головой, принимающий монофоническое аудио с частотой 16 кГц и преобразующий его в текст. Доступны жадное декодирование и декодирование с дополнительной 3-граммовой языковой моделью. Модель предназначена для транскрибации английской речи, в том числе в сценариях с несколькими говорящими и шумом. В отчёте указаны WER 6,30% на чистом тесте LRS2 и заметно более высокие ошибки в шумных условиях и на данных AVCocktail. Чекпойнт содержит 402,7 млн параметров, распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Nemotron 3 Diarization (MLX) — версия модели NVIDIA Nemotron-3-Diarization, преобразованная сообществом mlx-community для запуска через mlx-audio на устройствах Apple с MLX. Модель анализирует монофоническое аудио с частотой 16 кГц и с шагом 10 мс определяет активность до восьми говорящих; поддерживаются пакетная обработка и потоковая обработка с сохранением меток говорящих между фрагментами. Модель подходит для разметки реплик и временных границ в записях встреч и для обработки аудиопотока в реальном времени. Она может отмечать одновременную активность нескольких говорящих, но выдаёт только условные идентификаторы в порядке появления и не устанавливает личности людей. В карточке указана лицензия OpenMDW-1.1; сведения об обучающих данных и оценке предлагается смотреть в карточке базовой модели.

Это модель извлечения именованных сущностей (NER) для индонезийского языка, разработанная Asep Muhamad и предназначенная для использования в spaCy версии 3.8.x. Она классифицирует сущности в индонезийских текстах по 19 типам, включая людей, организации, геополитические объекты, даты, время, денежные значения, количества, продукты, события и произведения искусства. Модель подходит для анализа новостей, финансовых, образовательных и других формальных текстов, а также для пакетной обработки документов. Модель построена на архитектуре spaCy TransitionBasedParser с HashEmbedCNN для преобразования токенов в векторы; используются 96-мерные эмбеддинги, глубина 4 слоя и скрытая размерность 64. Обучение проводилось на данных Universal Dependencies v2.8. По заявленным результатам, token-level F1 составляет 95,52%, precision — 95,31%, recall — 95,72%, а скорость обработки достигает 66 612 токенов в секунду. Sentence-level F1 составляет 85,83%, что указывает на менее стабильное распознавание полного набора сущностей в предложении. Модель лучше всего подходит для формального индонезийского текста; на разговорной речи и в узкоспециализированных доменах качество может снижаться. Возможны ошибки в определении границ сложных составных сущностей. Модель распространяется по лицензии CC BY-SA 3.0 и требует spaCy версии не ниже 3.8.0 и ниже 3.9.0.

PE-Lang-L14-448 — визуальный энкодер Meta из семейства Perception Encoder, обученный на контрастном выравнивании изображений и текста и дополнительно настроенный для задач мультимодального языкового моделирования. Он извлекает языково-информативные признаки из изображений и рассчитан на использование вместе с языковым декодером, например Llama или Qwen; особенно хорошо подходит для OCR и работы с документами. В приведённых авторами оценках использовался замороженный энкодер с декодером Llama 3.1 8B и изображениями размером 448 пикселей без тайлинга. Модель также относится к семейству энкодеров для понимания видео, однако карточка этого чекпойнта не описывает отдельную конфигурацию или загрузочный код для видео. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Это компонент энкодера, а не самостоятельный чат-ассистент: для генерации ответов требуется языковой декодер и соответствующая мультимодальная обвязка. В карточке приведены результаты бенчмарков, но нет загрузочного кода и сведений о размере модели или длине контекста.

mergekit-community/Qwen2-2B-RepleteCoder-Upscaled — языковая модель, полученная сообществом с помощью mergekit из слоёв Replete-AI/Replete-Coder-Qwen2-1.5b. Это плотная авторегрессионная модель архитектуры Qwen2 с 1,9 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Конфигурация passthrough собирает слои базовой модели в изменённой последовательности; веса сохранены в формате safetensors и bfloat16. Заявленная длина контекста — 131 072 токена. Модель подходит для генерации и продолжения кода, а также для диалоговых сценариев с программированием. Карточка не приводит результаты оценивания качества или перечень поддерживаемых языков, поэтому такие характеристики нельзя надёжно уточнить. Лицензия в предоставленных данных не указана.

Это текстовая инструкционная модель на 494 млн параметров из семейства Qwen2.5-Coder, размещённая пользователем aliorbz и связанная с Gensyn Swarm. По названию репозитория и официальной карточке базовой модели можно заключить, что она предназначена для генерации и исправления кода, рассуждений о коде и диалогового выполнения инструкций; подтверждённых сведений о специфическом эффекте дообучения Gensyn Swarm в доступных источниках нет. Архитектура — плотная причинная языковая модель Qwen2 с контекстом до 32 768 токенов; базовая модель Qwen2.5-Coder-0.5B-Instruct имеет около 0,49 млрд параметров и поддерживает генерацию текста. Семейство Qwen2.5-Coder обучено для работы с кодом и сохраняет общие языковые и математические возможности. Карточка базовой модели указывает лицензию Apache-2.0; наличие этой лицензии для производного репозитория отдельно не подтверждено. Модель небольшая, поэтому качество и надёжность генерации могут уступать более крупным моделям.

Это экспериментальная квантизированная версия Qwen2.5-Coder-32B-Instruct, подготовленная автором репозитория tzervas. Модель сохраняет архитектуру Qwen2 плотностью 32 млрд параметров и предназначена для генерации кода в диалоговом и инструктивном режиме, а также для анализа и исправления кода. Указанный размер контекста — 32 768 токенов; в карточке заявлена поддержка английского и китайского языков. Веса квантизированы до троичных значений {-1, 0, +1} с групповым масштабированием и упаковкой четырёх значений в байт. Репозиторий содержит SafeTensors и экспериментальный GGUF TQ2_0; основной заявленный формат — SafeTensors. Для троичных весов требуется специальная среда выполнения, обычный Transformers их не поддерживает. Качество не проходило формальную оценку и может заметно уступать исходной модели; автор не рекомендует использовать её в production без предварительной проверки. Лицензия — Apache-2.0.

Qwen3-4B Code RL Specialist — это специализированная на программировании языковая модель от pb09204048, дообученная на базе Qwen/Qwen3-4B методом группового RL и сохранённая как самостоятельные веса BF16 после объединения адаптера LoRA. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации кода и решения текстовых задач программирования; её также можно использовать как доменного учителя в экспериментах с многомодельной дистилляцией MOPD. В оценке на 279 задачах из тестового поднабора DeepCoder LiveCodeBench она достигла 24,10% pass@1 против 17,56% у базовой модели. Это результат конкретного протокола оценки, а не гарантия качества на других задачах. Обучение выполнено на подмножествах PrimeIntellect, TACO и LCB v5 из DeepCoder-Preview-Dataset. Чекпойнт остановлен до завершения эпохи, а MOPD-ученик в этом выпуске не обучался и не оценивался. Лицензия — Apache-2.0; для запуска README рекомендует совместимые версии Transformers, PyTorch и Accelerate.

hreyulog/qwen3-arkts — текстовая модель эмбеддингов на архитектуре Qwen3, обученная в формате Sentence Transformers. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024, предназначенные для поиска и сравнения текстов по косинусному сходству. Модель принимает текст; README указывает максимальную длину последовательности 512 токенов, а метаданные — контекстное окно 32 768 токенов. Модель обучена на 49 864 парах текстов с использованием CachedMultipleNegativesRankingLoss. Примеры данных связывают описания функций с фрагментами кода, что указывает на применение для семантического поиска по коду и документации. В метаданных указано 507,6 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

hyunseop/qwen3-embedding — дообученная Hyunseop модель текстовых эмбеддингов на базе Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска и извлечения документов на корейском языке. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и контрастивное обучение на парах запрос–документ из синтетического корейского набора Nemotron-Personas-Korea; заявленная длина контекста — 40 960 токенов. В README приведены результаты оценки на корейских наборах AutoRAG и MIRACL; они характеризуют проверенные сценарии поиска, но не гарантируют аналогичное качество на других данных. Модель принимает текст и выдаёт эмбеддинги для последующего поиска или сравнения текстов. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Rain-2x7B-MoE-32k-v0.2 — экспериментальная языковая модель с архитектурой Mixtral MoE, опубликованная yuuko-eth. Она объединяет два эксперта размером 7B: Breeze-7B-Instruct-v0_1 для китайского языка и CodeNinja-1.0-OpenChat-7B для задач программирования; в README базой указан Marcoro14-7B-slerp. Модель предназначена для генерации текста, диалогов на китайском языке и помощи с кодом. Поддерживает контекст до 32 768 токенов и использует формат safetensors; для работы предлагаются шаблоны запросов базовых моделей. В версии v0.2 обновлены параметры токенизатора. Модель экспериментальная: автор рекомендует оценить её перед применением в рабочем конвейере. Условия лицензирования в доступных данных не определены.

RavenX × Gemma 4 12B MTP OBLITERATED — экспериментальная модель сообщества RavenX на архитектуре Gemma4 Unified с MTP-головами. Это дообученная версия OBLITERATUS/Gemma-4-12B-OBLITERATED, рассчитанная на запуск через MLX на компьютерах Apple Silicon; репозиторий содержит веса SafeTensors. В карточке заявлены структурированное многоэтапное рассуждение в задачах программирования, математики и анализа, а также чат-взаимодействие. Модель представлена как proof of concept с экспериментальной методикой обучения, подробности которой не раскрыты. Базовая модель описана как abliterated, то есть с удалёнными фильтрами отказа; ответы поэтому могут требовать дополнительной проверки и осторожной настройки применения. Лицензия указана как other, конкретные условия в доступных сведениях не приведены.

Regulus-Qwen3-R1-Llama-Distill-1.7B — компактная языковая модель на 1,7 млрд параметров, разработанная на базе Qwen/Qwen3-1.7B. Её дообучили на наборе Magpie-Align/Magpie-Reasoning-V2-250K-CoT-Deepseek-R1-Llama-70B с использованием дистиллированных рассуждений DeepSeek-R1-Llama-70B. Модель использует плотную архитектуру Qwen3 и предназначена для генерации текста; заявленная длина контекста — 40 960 токенов. Модель рассчитана на пошаговые рассуждения в математике, программировании и естественных науках, а также на объяснение алгоритмов и помощь в обучении. Она может формировать ответы в LaTeX, Markdown, JSON и табличном виде и ориентирована на эффективное развёртывание на GPU среднего уровня и в локальной инфраструктуре. Поддержка английского указана в метаданных; базовая Qwen3 — многоязычная модель. Лицензия — Apache-2.0. По описанию модели, дистиллированные рассуждения могут быть проще, чем у исходной модели-учителя; модель не оптимизирована для непринуждённых диалогов или творческого письма, а длинные кодовые базы и наборы документов могут выходить за пределы её возможностей.

RoBERTa base — предварительно обученная языковая модель FacebookAI на архитектуре Transformer-энкодера, содержащая 151,8 млн параметров. Она обучена на англоязычных текстах методом masked language modeling: восстанавливает скрытые токены в контексте, используя информацию как слева, так и справа. Модель чувствительна к регистру и принимает последовательности длиной до 514 токенов. Модель подходит для заполнения пропусков в английском тексте и как основа для дообучения под задачи классификации последовательностей и токенов, а также ответа на вопросы. Для свободной генерации текста она не предназначена. Обучающие данные включают BookCorpus, Wikipedia, CC-News, OpenWebText и Stories; их интернет-содержимое может приводить к предвзятым предсказаниям. Лицензия — MIT.

ScikitLLM — языковая модель, созданная Probabl AI путём дообучения Mistral-OpenHermes 7B на справочных материалах и коде документации Scikit-Learn. Это плотная модель MistralForCausalLM с 7,1 млрд параметров, рассчитанная на генерацию текста и диалог; её базовый контекст составляет 32 768 токенов. Модель предназначена для ответов на вопросы о Scikit-Learn и помощи в работе с библиотекой. В сценарии RAG она принимает до трёх фрагментов документации и может приводить источники и цитаты в модифицированном wiki-синтаксисе, а также создавать примеры кода на основе цитируемых фрагментов. Обучение продолжало дообучение Mistral-OpenHermes 7B с пониженной скоростью обучения. Модель представлена в формате Safetensors. Сведения о лицензии в предоставленной карточке отсутствуют.

Buseak разработал модель spellcorrector_17_02_050_qwerty как дообученную версию google/canine-s с архитектурой CanineForTokenClassification. Модель содержит 113,2 млн параметров, использует формат safetensors и имеет контекстное окно 16 384 токена. Она предназначена для исправления орфографических ошибок с помощью классификации токенов; README сообщает об оценках на наборе проверки: F1 0,9909 и accuracy 0,9952. Базовая модель Google — многоязычная символьная модель для понимания текста. Конкретные поддерживаемые языки, состав обучающих данных и сценарии обработки ошибок в карточке не раскрыты. Модель опубликована по лицензии Apache-2.0.

SPLADE-v3-Doc — разработанная командой Naver модель разреженных текстовых представлений для семантического поиска и разреженного извлечения документов. Это асимметричный SPLADE-энкодер без вычислений на стороне запроса: он кодирует предложения и абзацы в разреженные векторы размерности 30 522, сопоставляемые скалярным произведением. Архитектура построена на BertForMaskedLM с максимальной длиной последовательности 512 токенов; для воспроизведения оценки использовалось 256 токенов. Модель относится к семейству SPLADE-v3 и основана на Luyu/co-condenser-marco. В карточке приведены результаты на MS MARCO dev (MRR@10 37,8) и среднем BEIR-13 (nDCG@10 47,0). Модель предназначена для индексирования текстов и поиска релевантных предложений или абзацев; язык карточки и метаданных — английский. Репозиторий использует PyTorch и safetensors, а лицензия CC BY-NC-SA 4.0 требует атрибуции и ограничивает коммерческое использование.

QuantFactory/starcoder2-7b-GGUF — квантованная версия модели StarCoder2-7B, разработанной проектом BigCode и преобразованной с использованием llama.cpp. Модель предназначена для генерации и дополнения программного кода, включая сценарии автодополнения, редактирования кода и работы с фрагментами в режиме Fill-in-the-Middle. Она не является instruction-моделью, поэтому плохо подходит для выполнения команд, сформулированных как обычные инструкции на естественном языке. Модель содержит около 7 млрд параметров и обучена более чем на 3,5 трлн токенов из набора The Stack v2, включая данные на 17 языках программирования; также использовались отдельные материалы из Arxiv и Wikipedia. Она использует Grouped Query Attention, контекстное окно 16 384 токена и sliding window attention размером 4 096 токенов. Квантование снижает требования к памяти по сравнению с полноразмерной версией, что упрощает локальный запуск, однако конкретные характеристики зависят от варианта квантования. В README приведены результаты на задачах генерации и понимания кода, включая HumanEval, HumanEval+, DS-1000, CruxEval-I и RepoBench. К ограничениям относятся слабая пригодность для диалогового следования инструкциям, возможные ошибки и небезопасные или неэффективные фрагменты кода, а также потери качества, связанные с квантованием. Для модели указана лицензия bigcode-openrail-m.

SynCSE-partial-RoBERTa-large — языковая модель для извлечения признаков, опубликованная SJTU-LIT и распространённая HKUST-NLP. Она основана на архитектуре RoBERTa и предназначена для получения векторных представлений текста, которые можно использовать в последующих NLP-задачах. В метаданных указано около 454,1 млн параметров, поддержка английского языка и контекст до 514 токенов. В README говорится об обучении на 26,2 тыс. синтетических примеров и о возможных стереотипных и вредоносных смещениях в предсказаниях. Карточка содержит противоречивые указания на родительскую модель: в тексте названа «RoBERTa-largbe», а пример загрузки использует SynCSE-partial-RoBERTa-base, поэтому точную базовую модель установить нельзя. Лицензия в предоставленных данных не указана.

Thespis-Krangled-7b-v2 — разговорная языковая модель на архитектуре Mistral, опубликованная cgato. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста; карточка указывает контекст длиной до 32 768 токенов. Для диалога предлагается шаблон с репликами пользователя и бота, совместимый с форматами Oobabooga и SillyTavern. Модель обучалась на смесях наборов Dolphin, UltraChat, Capybara, Augmental, ToxicQA, MagicCoder Evol Instruct, Yahoo Answers, OpenOrca и Airoboros 3.1. Её можно использовать для диалогов, ответов на вопросы и генерации кода. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает, на какой базовой модели выполнено дообучение, и не приводит оценки качества или подробных сведений о поддерживаемых языках. Результаты могут зависеть от промпта и выбранного шаблона диалога.

NeuralMetrics/trocr-base-printed — неизменённая копия microsoft/trocr-base-printed, модели TrOCR для распознавания текста на изображениях отдельных строк. Репозиторий поддерживает воспроизводимые эксперименты с закреплённой версией исходной модели; README указывает, что веса, файлы и поведение совпадают с оригиналом. Модель построена по схеме vision encoder-decoder: трансформерный визуальный энкодер обрабатывает изображение, а авторегрессионный текстовый декодер генерирует распознанную строку. В исходной карточке указано, что энкодер инициализирован весами BEiT, а декодер — RoBERTa. Модель предназначена для OCR обрезанных строк после обнаружения макета страницы и может служить стабильной базовой точкой для сравнения методов распознавания. Модель не предназначена для распознавания целых страниц без предварительного выделения строк. Лицензия и авторство остаются такими же, как у исходной модели microsoft/trocr-base-printed; конкретный тип лицензии в предоставленных данных не приведён.

TrOCR base-stage1 — базовая предварительно обученная модель распознавания текста на изображениях, представленная Microsoft и основанная на работе Li и соавторов. Она предназначена для OCR на изображениях с одной строкой текста; для прикладного распознавания рекомендуется искать дообученные версии под нужный тип данных. Модель построена по архитектуре encoder-decoder: трансформерный визуальный энкодер получает изображение как последовательность патчей 16×16, а трансформерный текстовый декодер авторегрессионно генерирует текст. Энкодер инициализирован весами BEiT, декодер — RoBERTa. Карточка не приводит сведений о языковой специализации, размере и лицензии, поэтому эти характеристики здесь не уточняются.

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 извлечения визуальных признаков из семейства CLIP, распространяемая проектом timm. Репозиторий содержит только веса энкодера изображений для архитектуры ViT-Large с патчами 14×14 и входным разрешением 224 пикселя; обозначение DFN2B-S39B относится к варианту весов. Модель предназначена для преобразования изображений в векторные представления, которые можно использовать для сравнения изображений и построения систем поиска по визуальному содержимому. Она принимает изображения и выдаёт признаки; текстового энкодера в этом репозитории нет, поэтому для сопоставления изображений с текстом потребуется совместимая текстовая модель CLIP. Лицензия репозитория — Apple ASCL.

vit_pe_spatial_base_patch16_512.fb — модель компьютерного зрения из экосистемы timm, опубликованная в формате, совместимом с PyTorch и Transformers. По идентификатору это базовая Vision Transformer-модель с пространственными позиционными представлениями и разбиением изображений на патчи размером 16 пикселей; суффикс 512 указывает на вариант, рассчитанный на входное разрешение 512 пикселей. Модель предназначена прежде всего для извлечения признаков изображений: получения векторных представлений, которые можно использовать в системах поиска по изображениям, классификации, кластеризации, сравнения визуальной схожести и как основу для последующего обучения прикладных моделей. Она не является готовым генератором текста или универсальной моделью для ответов на вопросы по изображениям. Модель распространяется под лицензией Apache-2.0. Сведения о поддерживаемых естественных языках, количестве параметров, длине контекста и специализированных предметных областях в предоставленных данных отсутствуют.