II.8Инженерия данных и аналитика

DeltaP2S-Qwen2.5-14B-DeltaP2S-Code-S13 — объединённый чекпойнт Qwen2.5, созданный экспериментальным пакетом Delta-P2S с учётом архитектуры Qwen. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 14 млрд параметров и рассчитана на контекст до 131 072 токенов. Репозиторий предоставляет веса в формате Safetensors для Transformers. Модель предназначена для генерации текста в диалоговом режиме. Суффикс Code в названии указывает на кодовую направленность чекпойнта, однако README не описывает конкретные задачи, обучение или проверенные возможности в программировании. Лицензия в предоставленных данных не указана.

facebook/dinov3-vitb16-pretrain-lvd1689m — визуальная модель семейства DINOv3, разработанного Meta AI. Это Vision Transformer с патчами 16×16, предназначенный для извлечения универсальных признаков изображений. Карточка описывает модель ViT-B размером 86 млн параметров; она выдаёт признаки изображения, включая class token, patch tokens и register tokens. Модель работает с изображениями разных размеров, кратных 16 пикселям; другие размеры обрезаются до ближайшего меньшего кратного. Модель обучена на веб-данных LVD-1689M по методу DINOv3 и предназначена как визуальная основа для последующих задач без обязательного дообучения. Её признаки можно применять для классификации и поиска изображений, сегментации, оценки глубины и обнаружения объектов; для отдельных задач нужны классификатор или другая downstream-модель. Формат весов — safetensors, библиотека — Transformers. Лицензия DINOv3 License; в метаданных она обозначена как other. Карточка сообщает о неодинаковых результатах по регионам и категориям дохода, включая снижение качества для группы стран с низким доходом и различие между Европой и Африкой. Дообучение может усилить смещения, связанные с метками обучающих данных.

marianbasti/distil-whisper-large-v3-es — дистиллированная модель распознавания речи на основе Whisper large-v3, созданная при сотрудничестве SandboxAI и Национального университета Рио-Негро. Модель обучена на наборе Mozilla Common Voice 16.1 и предназначена для транскрибации испанской речи; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель принимает аудио и выдаёт текст на испанском языке. Она поддерживает распознавание коротких записей и обработку длинных аудио с разбиением на фрагменты; в README также описан режим speculative decoding в связке с Whisper, который ускоряет генерацию при сохранении совпадения результатов с основной моделью. Для запуска используется библиотека Transformers версии 4.35 или новее. В карточке приведён результат 5,11% WER (10,15% orthogonal WER). Модель распространяется по лицензии MIT. Качество вне испанского языка и на аудио, отличающемся от данных Common Voice, в карточке не охарактеризовано.

jhu-clsp разработала Ettin-Encoder-150M как часть семейства Ettin — открытого набора согласованно обученных моделей-энкодеров и декодеров для сравнения архитектур и переноса обучения. Это плотный энкодер ModernBERT примерно с 149 млн параметров, обученный задаче masked language modeling; он принимает текст и предсказывает замаскированные токены. В метаданных указан контекст до 7 999 токенов и поддержка английского языка. Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения под классификацию и получения текстовых эмбеддингов, в том числе для поиска и ранжирования. Карточка Ettin сообщает о результатах семейства на английских задачах классификации и retrieval, но отдельные показатели именно версии 150M не приведены. Модель распространяется по лицензии MIT. Для генерации свободного текста она не предназначена; качество может зависеть от предметной области и последующего дообучения.

Это дообученная модель Whisper, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; карточка указывает дообучение на датасете с названием None. В оценке модели приведены loss 0,5062 и Global WER 26,0112. Модель использует архитектуру WhisperForConditionalGeneration и формат весов safetensors; библиотека для работы — Transformers. Лицензия — MIT. Подтверждена поддержка хинди; сведений о других языках и параметрах контекста карточка не содержит.

Pustekhan-ITB/indoedu-e5-base — модель Sentence Transformer, разработанная как дообучение intfloat/multilingual-e5-base на индонезийском наборе stsb-indo-edu. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения по косинусному сходству. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена прежде всего для оценки семантического сходства индонезийских текстов, семантического поиска, поиска перефразировок и кластеризации. Эмбеддинги также можно применять для классификации текста и поиска по смыслу. В карточке приведены низкие результаты на тестах сходства stsb-indo-edu (Spearman 0,1512), поэтому качество для конкретной задачи следует проверять отдельно. Лицензия в предоставленных данных не указана.

Funnel Transformer intermediate — предварительно обученная модель семейства Funnel Transformer, выпущенная авторами этой архитектуры и представленная в исследовательской работе. Это англоязычный uncased-чекпойнт архитектуры FunnelModel с энкодером B6 и декодером 6-6; он обучен на текстах с самоконтролем по задаче определения заменённых токенов, по принципу, близкому к ELECTRA. Модель принимает текст и извлекает векторные представления, пригодные для использования в последующих задачах обработки естественного языка. Чекпойнт рассчитан прежде всего на дообучение для задач, использующих целое предложение или его маскированную версию, например классификации последовательностей, классификации токенов и ответов на вопросы. Контекст ограничен 512 токенами. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0. Модель не предназначена для генерации текста и обычно требует дообучения для конкретной прикладной задачи.

Kotoba-Whisper v2.0 — модель распознавания японской речи, разработанная Kotoba Technologies совместно с Asahi Ushio. Она преобразует аудио в текст и предназначена для транскрибации японской речи, в том числе записей японских телепередач. Модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Это дистиллированная версия: полный энкодер Whisper large-v3 сочетается с декодером из двух слоёв, инициализированных первым и последним слоями модели-учителя. По данным авторов, она работает в 6,3 раза быстрее Whisper large-v3. Модель обучали на японском наборе ReazonSpeech; авторы сообщают о конкурентных результатах на тестах ReazonSpeech, JSUT Basic 5000 и CommonVoice 8.0. Модель поддерживается библиотекой Transformers версии 4.39 и новее. В карточке указана лицензия Apache-2.0. Она рассчитана на японскую речь; результаты на других языках не заявлены. Показатели WER в приведённых авторами тестах остаются высокими, поэтому качество распознавания может зависеть от аудио и сценария использования.

Malaysian Finetune Whisper Medium V2 — дообученная модель семейства Whisper, разработанная Mesolitica на основе Whisper Medium с использованием малайзийского набора данных. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. Модель содержит 455,8 млн параметров и распространяется в формате safetensors. Карточка указывает на настройку для малайзийских данных; метаданные также отмечают английский, китайский и тамильский языки, но не уточняют качество распознавания для каждого из них. Модель принимает аудио и выдаёт текст. Лицензия и длина контекста в доступных данных не указаны.

Mankei-326M-Reranker — немецкий кросс-энкодерный ранжировщик от Keyvan AI с 326,4 млн параметров на архитектуре Llama. Он оценивает пары «запрос — фрагмент текста» и переупорядочивает найденные документы, уточняя результаты первого этапа поиска в RAG-системе. Модель рассчитана на немецкоязычный поиск и локальное развёртывание; контекст — до 2048 токенов. В README сообщается о результатах на отложенных вопросах GermanDPR: Acc@1 92,8% и MRR 0,963; это результаты указанного автора тестирования. Модель обучена с учителем на GermanDPR с listwise loss и жёсткими негативными примерами; использует last-token pooling и линейный слой релевантности, а LoRA применялась к немецкой базовой модели Mankei. Лицензия — Apache-2.0. Предназначена для ранжирования текстовых кандидатов, а не для генерации ответов; качество за пределами описанного немецкоязычного бенчмарка README не устанавливает.

Это объединённая модель семейства Gemma, созданная сообществом mergekit из unsloth/codegemma-7b и cloudyu/google-gemma-7b-chinese-sft-v1 методом SLERP. Модель содержит 8,2 млрд параметров, использует архитектуру GemmaForCausalLM и формат safetensors; заявленный контекст составляет 8192 токена. Модель предназначена для генерации текста, в том числе для сценариев с кодом и китайским языком, поскольку объединяет CodeGemma и китайскую SFT-модель Gemma. Сведения о лицензии и конкретных оценках качества в предоставленных данных отсутствуют.

MM Grounding DINO Tiny — модель обнаружения объектов с открытым словарём, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она принимает изображение и текстовые запросы с названиями объектов и возвращает обнаруженные объекты с рамками и оценками. Вариант Tiny использует backbone Swin-T; улучшенная контрастивная голова классов и отдельные параметры декодера повышают качество zero-shot-обнаружения. Модель обучена на Objects365v1, GOLD-G и V3Det. Модель предназначена для поиска объектов по текстовому описанию без необходимости ограничиваться фиксированным набором классов, а также для задач обнаружения объектов на изображениях. В приведённых результатах вариант показал 50,6 COCO mAP и 30,6 AP на LVIS Val1.0. Весовые файлы представлены в формате safetensors и распространяются по лицензии Apache-2.0.

Moonshine Tiny PT v08 — дообученная модель распознавания речи на базе aomocelin/moonshine_tiny_pt_v05. Она предназначена для преобразования аудио в текст; архитектура — MoonshineForConditionalGeneration, файлы модели представлены в формате safetensors. В README приведены результаты оценки: loss 0,4744 и WER 5,8564, однако описание набора данных и условий оценки отсутствует. Контекст модели составляет 194 токена. Модель распространяется по лицензии MIT.

NbAiLab подготовила эту бета-модель распознавания норвежской речи на основе Qwen3-ASR-0.6B. Чекпойнт взят из обучения `lunde03-verbatim` и предназначен для оценки и тестирования интеграций с пакетом `qwen-asr`, в том числе для локальной транскрибации, пакетной обработки аудио и проверки серверного развертывания. Модель принимает аудио и выдаёт распознанный текст. Карточка описывает её как промежуточный бета-чекпойнт: точность распознавания, форматирование и характеристики работы могут меняться, а результаты пока предварительные. Лицензия указана как `other`; условия использования следует сверить с правообладателем перед развертыванием.

Occiglot-7B-ES-EN — базовая генеративная языковая модель с 7,1 млрд параметров, разработанная коллективом Occiglot Research Collective. Это плотный decoder-only трансформер с причинной языковой моделью Mistral; модель продолжает предобучение Mistral-7B-v0.1 на 112 млрд дополнительных токенов многоязычных данных и кода. Репозиторий содержит веса в формате safetensors, лицензия — Apache 2.0. Модель предназначена для генерации текста на английском и испанском языках, а также работы с кодом. Её можно использовать как основу для дообучения и оценок или напрямую для продолжения текста; заявленная длина контекста — 32 768 токенов. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалогов и может не следовать пользовательским запросам как чат-ассистент. Авторы приводят предварительные результаты оценивания, но отмечают, что часть неанглоязычных тестов основана на машинном переводе и англоязычных запросах, поэтому результаты следует трактовать осторожно.

OpenHands LM v0.1 — языковая модель для разработки программного обеспечения, выпущенная командой OpenHands. Версия на 7,1 млрд параметров дообучена на основе Qwen/Qwen2.5-Coder-7B-Instruct с использованием рецепта OpenHands LM 32B и данных SWE-Gym/SWE-Gym. Модель предназначена для работы в агентных сценариях: анализа задач разработки и генерации кода для их решения. Архитектура — плотная Qwen2, поддерживаются чат и интерфейс вызова инструментов; контекстное окно составляет 32 768 токенов. Лицензия — MIT. Модель рассчитана прежде всего на задачи программной инженерии, в том числе решение задач и ошибок из GitHub. Карточка базовой модели указывает английский язык. Известные ограничения версии OpenHands LM включают возможное повторение шагов и более слабую работу на задачах, отличающихся от решения GitHub issues; производительность также чувствительна к низким уровням квантизации.

opensearch-project/opensearch-neural-sparse-encoding-v2-distill — модель разреженного поиска OpenSearch Contributors на базе DistilBERT. Она кодирует запросы и документы в разреженные векторы размерности 30 522: индексы соответствуют токенам словаря, а веса отражают их важность. Модель рассчитана на поиск по текстовым коллекциям и может использоваться с инвертированным индексом Lucene через OpenSearch; также доступен запуск через API Hugging Face. Версия v2-distill содержит 67 млн параметров и поддерживает контекст до 512 токенов. В сравнении на подмножестве BEIR она показала средний NDCG@10 0,528 и средний FLOPS 8,3; результаты различаются по наборам данных. Модель обучалась на корпусах для поиска и вопросов-ответов, включая MS MARCO, SQuAD-пары и данные Stack Exchange. Карточка указывает английский язык. Лицензия — Apache-2.0.

OPSD-PI Qwen3.5-9B Medium Trailing — это полностью объединённый чекпойнт Qwen3.5-9B, опубликованный LSW142857. Репозиторий содержит промежуточную версию на итерации 8 после девяти завершённых обновлений, а не финальную версию на итерации 31. В веса включены экспертная SFT-инициализация, обновления OPSD LoRA для основной модели и MTP, а также непосредственно обученные тензоры full-MTP; для загрузки дополнительных адаптеров или чекпойнтов не требуется. Модель имеет плотную архитектуру Qwen3.5 и загружается через Transformers; заявлены чат и задачи с кодом. Чекпойнт предназначен для экспериментальной оценки студенческой модели после обучения с PI-моделью в роли учителя. В README рекомендовано оценивать студента без добавления Medium PI и использовать отложенные задания, а не 1024 обучающие строки. Параметры обучения, метрики итерации 8, происхождение и хеши частей весов вынесены в файлы конфигурации и манифеста. Сведения о лицензии и контекстном окне в предоставленных данных отсутствуют.

zeromodels выпустила конверсию OWLv2-base-patch16-finetuned в формате Keras 3 для библиотеки zeromodels. Это модель обнаружения объектов с открытым словарём: при обработке изображения она использует текстовые запросы и возвращает найденные объекты и их рамки. Архитектура сохраняет двухбашенный каркас OWL-ViT и голову обнаружения по патчам; OWLv2 также применяет обучение на парах изображений и текста из интернета и использует отдельную оценку объектности для патчей. Реализация работает с TensorFlow, Torch и JAX. Модель подходит для поиска объектов по произвольным текстовым описаниям, включая категории, не заданные фиксированным набором классов. Для обработки рекомендуется использовать соответствующий Processor и передавать исходные размеры изображения с учётом дополнения изображения до квадрата перед изменением размера: это влияет на постобработку координат рамок. Лицензия — Apache 2.0.

google/paligemma-3b-ft-cococap-224 — модель компьютерного зрения и языка от Google, дообученная для создания подписей к изображениям на COCO. Она принимает изображение и текстовую подсказку и генерирует текстовое описание изображения. Модель относится к семейству PaliGemma, сочетающему визуальную часть SigLIP с языковой моделью Gemma; вариант рассчитан на входное разрешение 224 пикселя. Карточка описывает поддержку нескольких языков, но не перечисляет их для этой версии. Модель подходит для автоматического создания коротких подписей к изображениям и задач, где требуется преобразовать визуальное содержание в текст. PaliGemma рассчитана на один ход и не предназначена для многоходового диалога; для наиболее надёжной работы её следует применять в задаче, соответствующей дообучению. Возможны фактические ошибки, слабая работа с неоднозначными или сложными запросами и унаследованные от Gemma смещения. Лицензия — Gemma.

Manojb/Qwen3-4B-toolcalling-gguf-codex — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B-Instruct-2507. Она предназначена для диалогов и генерации текста с вызовом инструментов: выбора подходящего инструмента, формирования аргументов и выполнения многошаговых сценариев. README сообщает о дообучении LoRA на 60 тысячах примеров вызова функций Salesforce/xlam-function-calling-60k. Модель содержит около 3,7 млрд параметров, распространяется в формате GGUF и рассчитана на локальный запуск, в том числе через Ollama. Заявленная длина контекста — до 262 144 токенов; карточка указывает поддержку английского языка. По описанию, локальный запуск подходит для помощников по программированию, прототипирования и сценариев, где важно не отправлять данные в облако. Лицензия — MIT. README приводит результаты собственных тестов точности выбора инструментов и извлечения параметров, но не описывает методику оценки, поэтому эти числа следует считать заявлениями автора. Практическое качество вызова инструментов может зависеть от формата запросов и используемой обвязки; GGUF также предполагает ограничения производительности и памяти конкретного устройства.

cointegrated/rubert-base-cased-nli-twoway — русскоязычная модель на базе BERT, созданная дообучением DeepPavlov/rubert-base-cased для распознавания логической связи между двумя короткими текстами. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предсказывает, следует ли один текст из другого: entailment или not entailment. Её можно применять для классификации текстовых пар и как основу для классификации без заранее заданных обучающих примеров, задавая варианты классов в виде текстовых гипотез. Обучение связано с набором cointegrated/nli-rus-translated-v2021. Модель ориентирована на русский язык и распространяется в форматах PyTorch и Safetensors. README не сообщает лицензию, поэтому условия использования по доступным сведениям определить нельзя. Она рассчитана на короткие пары текстов; результаты для длинных документов и задач, отличных от вывода по текстовым парам, не подтверждены.

Карточка модели 0x3/ruri-v3-30m на Hugging Face совпадает с карточкой cl-nagoya/ruri-v3-30m, поэтому описание составлено по ней. Ruri v3 30M — модель эмбеддингов японского текста, разработанная cl-nagoya на базе ModernBERT-Ja и дообученная от cl-nagoya/ruri-v3-pt-30m. Она преобразует предложения и фрагменты текста в векторы размерностью 256 для сравнения смысловой близости, поиска, ранжирования и кластеризации. Модель содержит 36,7 млн параметров, поддерживает последовательности до 8192 токенов и использует токенизатор SentencePiece; для токенизации не требуется внешняя сегментация японского текста. Модель предназначена для японских текстовых задач. В оценке JMTEB версия 30M показала средний результат 74,51; карточка также приводит метрики поиска, семантического сходства, классификации, переранжирования и кластеризации. Указана функция сходства cosine similarity. Репозиторий содержит веса safetensors, лицензия — Apache 2.0.

Veritone/siglip2-base-patch32-256-text — текстовая башня модели SigLIP 2 Base, основанной на архитектуре SigLIP и разработанной Google. Это сокращённая копия google/siglip2-base-patch32-256, содержащая только текстовый энкодер: она преобразует текстовые запросы в общее пространство эмбеддингов и предназначена для отдельной загрузки на этапе поиска. Парная зрительная башня находится в Veritone/siglip2-base-patch32-256-vision. Модель используют для сопоставления текстовых запросов с изображениями, поиска по изображениям и как текстовый энкодер в мультимодальных системах. В составе полной модели SigLIP 2 поддерживает классификацию изображений без примеров по заданным текстовым меткам. Указанная длина контекста — 64 токена; модель доступна в формате safetensors и предназначена для библиотеки Transformers. Лицензия — Apache-2.0. Этот репозиторий содержит только текстовую башню, поэтому сам по себе не кодирует изображения и не выполняет классификацию изображений без парной зрительной башни. README не приводит сведений о поддерживаемых естественных языках.

kenpeter123/small-1b-sft — языковая модель семейства Llama, разработанная автором репозитория и полученная supervised fine-tuning модели kenpeter123/small-1b-pretrain. Она предназначена для генерации текста по запросу и инструкциям, включая задачи с кодом. В метаданных указано около 956 млн параметров, контекст до 8192 токенов и библиотека Transformers; README описывает Transformer++-чекпойнт примерно с 1,03 млрд параметров, 32 слоями, групповым вниманием GQA и SwiGLU. Веса представлены в формате safetensors, также README сообщает о наличии сырого обучающего чекпойнта. Для дообучения использовались смешанные наборы инструкций, включая примеры кода; README упоминает 513 проверенных и 2500 сгенерированных примеров. Это указывает на ориентацию на инструкционную генерацию и код, но карточка не приводит результатов оценки качества или подробных рекомендаций по применению. Модель поддерживает английский язык согласно метаданным. Лицензия — Apache-2.0.

mahiyama разработала японскую модель SPLADE для разреженного поиска, дообучив ModernBERT-Ja-310M на парах запросов и документов из набора mahiyama/auto-wiki-qa. Модель преобразует текст в разреженный вектор размерности 102 400: веса отражают исходные термины и связанные слова, что помогает находить документы даже при неполном совпадении формулировок. В основе — ModernBERT с MLM-головой и max-pooling SPLADE; модель содержит около 314,6 млн параметров и поддерживает контекст до 8192 токенов. Энкодер предназначен для японского поиска по текстам, в том числе по материалам Википедии и производным корпусам. Один и тот же энкодер используется для запросов и документов; для ранжирования рекомендуется скалярное произведение разреженных векторов. Веса доступны в формате safetensors, модель можно загрузить через SparseEncoder без дополнительных модулей. Подавление шумовых токенов встроено в веса, а разреженные представления подходят для инвертированных индексов и гибридного поиска с BM25 или плотными эмбеддингами. Модель особенно ориентирована на японский язык и обучена на корпусе с тематическим смещением в сторону Википедии, поэтому её расширение терминов может отражать особенности этого корпуса. Лицензия — MIT.

Akshat131/splade-multi-static-doc — англоязычный поисковый чекпойнт SPLADE-v3-doc на архитектуре BERT с MLM-головой и 136,7 млн параметров. Модель предназначена для кодирования документов в разреженные представления для информационного поиска. Документы кодируются полным SPLADE-энкодером; pooling агрегирует значения токенов по формуле log1p(ReLU(logits)).max(). Для запроса предусмотрены статические веса токенов, инициализированные из IDF и обученные без инференсного энкодера запросов. Чекпойнт выбран по прокси-метрике на обучении из комбинированного набора документации в стиле BEIR, включавшего материалы по NumPy, Pandas и Pybind11. Указанный в README идентификатор для загрузки — Cdn13/splade-multi-static-doc; он отличается от имени текущего репозитория. Модель принимает текст и формирует разреженные признаки для поиска; контекст — до 512 токенов. Лицензия — Apache-2.0. README описывает выбор по прокси-метрике, но не приводит результатов независимой оценки качества.

Kuray107/swbd-5percent-supervised — модель распознавания речи на основе архитектуры wav2vec2, дообученная на facebook/wav2vec2-large-lv60. Она предназначена для преобразования аудиоречи в текст; в README указана оценка WER 0,1352 на наборе для оценки. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Карточка не описывает состав обучающих данных, поддерживаемые языки и условия применения. Лицензия — Apache-2.0.

TIPS — g/14 low-res (v1) — контрастивная модель «изображение—текст» семейства TIPS, разработанная авторами TIPS (Text-Image Pre-training with Spatial Awareness). Репозиторий содержит конверсию официальных чекпойнтов. Модель сочетает визуальный кодировщик ViT-g/14 с 40 слоями и текстовый трансформер с 12 слоями; визуальная часть содержит 1,1 млрд параметров, текстовая — 389 млн. Модель формирует признаки изображений и текстовые эмбеддинги в общем пространстве. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для извлечения сопоставимых признаков изображения и текста. Визуальный энкодер работает с нативным разрешением 224 пикселя; поддерживаются и другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Для изображений ожидаются значения пикселей в диапазоне [0, 1] без нормализации ImageNet; текст обрабатывается регистронезависимым SentencePiece-токенизатором с пределом 64 токена. Модель может быть полезна для поиска изображений по текстовому описанию и классификации по пользовательским меткам. README сообщает, что признаки пространственно насыщенные, однако не приводит количественных оценок качества. Модель распространяется по лицензии Apache-2.0.

zeromodels/tipsv2-l14 — конверсия модели TIPSv2-L/14 от Google DeepMind, опубликованная zeromodels в формате Keras 3. Это двухбашенная vision-language модель в стиле CLIP/SigLIP: визуальная башня на основе ViT в стиле DINOv2 с register-токенами и двунаправленная текстовая башня, обученные сопоставлять изображения с текстовыми описаниями контрастивным методом. Репозиторий содержит полную модель и обе башни; реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений по заданным текстовым названиям классов без дополнительного обучения: пользователь задаёт возможные категории, а модель оценивает соответствие изображения каждому текстовому описанию. Входное разрешение изображений — 448 пикселей. Лицензия — Apache-2.0, совпадает с лицензией исходного чекпойнта Google.