IV.1Ритейл, электронная коммерция и fashion-tech

g-tertho/cv-matcher-confit — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, созданная для сопоставления резюме и вакансий по смыслу. Она кодирует текст в плотные векторы размерностью 384 и сравнивает их с помощью косинусного сходства; модель можно использовать для поиска подходящих вакансий по резюме или кандидатов по описанию вакансии. Архитектура включает BERT, усредняющий pooling и обучалась на 3 098 парах anchor-positive с MultipleNegativesRankingLoss. Модель принимает текст, поддерживает последовательности до 512 токенов и выдаёт векторы для семантического поиска и сравнения предложений. Базовая модель англоязычная, поэтому назначение и поддержка русского языка не подтверждены. Лицензия в предоставленных данных не указана.

tudorizer/distilroberta-ai-job-embeddings — англоязычная модель Sentence Transformer, разработанная Tudorizer путём дообучения sentence-transformers/all-distilroberta-v1 на датасете ai-job-embedding-finetuning. Она преобразует запросы, описания вакансий и другие тексты в плотные векторы размерности 768 для семантического поиска и сравнения. Архитектура состоит из трансформера RoBERTa, среднего pooling по токенам и нормализации; сходство оценивается косинусной мерой. Размер модели — 95,2 млн параметров, максимальная длина последовательности — 512 токенов. Модель подходит для поиска подходящих вакансий по запросу, ранжирования описаний вакансий по смысловой близости, поиска парафразов и группировки текстов о работе. README приводит результаты TripletEvaluator: cosine accuracy 0,9902 на валидационной и 1,0 на тестовой выборке; выборка обучения содержит 816 примеров. Эти результаты относятся к указанным наборам данных и сами по себе не гарантируют качество на других вакансиях и запросах. Лицензия в предоставленных данных не указана.

H3 slider experiments — экспериментальный набор LoRA-адаптеров для MiniMax-H3, разработанный пользователем siraxe. Модель предназначена для генерации текстовых описаний в видео с выраженным управлением отдельными визуальными эффектами посредством «слайдеров»: движением камеры по дуге, уровнем детализации, скоростью, эффектом размытия или смазывания движения, а также атмосферным эффектом тумана и солнечного света. Для усиления эффекта не требуется специальный промпт — достаточно описать нужное действие или сцену. Набор ориентирован на сценарии text-to-video и использует экосистему Diffusers. В карточке указаны базовая модель MiniMaxAI/MiniMax-H3, английский язык, теги text-to-audio, text-to-video, LoRA и speed, однако точные параметры архитектуры, количество параметров, максимальная длина контекста и перечень поддерживаемых модальностей не приведены. Доступны экспериментальные тесты с различными значениями слайдеров; по заявлению автора, версии с pruned rank4 могут давать более чистый результат при высоких значениях. Модель предоставляется «как есть», поэтому качество и стабильность эффектов могут зависеть от выбранных значений слайдеров, а чрезмерное усиление параметров может ухудшать результат. Лицензия и условия коммерческого использования в README не указаны; применимые ограничения базовой модели и используемых компонентов следует проверять отдельно.

Карточка модели MrTrusted/HY-Motion-1.0 на Hugging Face совпадает с карточкой tencent/HY-Motion-1.0, поэтому описание составлено по ней. HY-Motion 1.0 — серия моделей Tencent для генерации 3D-движений человека по текстовому описанию. Модели используют Diffusion Transformer (DiT) и Flow Matching и создают скелетные анимации, которые можно включать в рабочие процессы 3D-анимации. Стандартная версия содержит 1,0 млрд параметров; в серии также есть облегчённая версия на 0,46 млрд параметров. Модель предназначена для генерации движений одного человекоподобного персонажа по кратким описаниям действий: например, ходьбы, приседаний или вставания со стула. По README, обучение включало масштабное предварительное обучение на данных движений, дообучение на отобранных 3D-данных и этап обучения с обратной связью и моделями вознаграждения. Для наилучшего результата рекомендуются английские запросы длиной до 60 слов; для других языков предлагается предварительно переформулировать запрос. Модель не предназначена для анимации животных и других нечеловекоподобных существ, нескольких взаимодействующих людей, описаний окружения, ракурса камеры, внешности, одежды или сложных эмоций. Также не поддерживаются бесшовные циклы и анимация на месте. Для стандартной версии README указывает минимальную потребность в 26 ГБ видеопамяти. Лицензия обозначена на Hugging Face как other, поэтому конкретные условия следует сверять с лицензией репозитория.

dogeplusplus/jaffa-cake — модель Stable Diffusion, дообученная методом DreamBooth на изображениях пирожных Jaffa Cakes. Она предназначена для генерации изображений этих пирожных в разных сценах и художественных стилях; в запросе рекомендуется использовать фразу «a photo of a jaffa cake». Модель распространяется в формате Diffusers на PyTorch и использует лицензию CreativeML OpenRAIL-M. Модель принимает текстовые запросы и генерирует изображения. Карточка указывает на базовую Stable Diffusion v1-4 и примеры стилизации в духе укиё-э, Пикассо, Рембрандта, Ван Гога, Уорхола и Дали. Это специализированное дообучение для визуального понятия Jaffa Cake, поэтому качество генерации объектов и сцен вне этой тематики может быть ограниченным.

saattrupdan/job-listing-relevance-model — дообученная модель XLM-RoBERTa Base для классификации текстов. Репозиторий содержит 305,2 млн параметров; модель принимает текст и выдаёт метки классификации. По названию предназначена для оценки релевантности объявлений о работе, однако README не описывает её метки и точный сценарий применения. Модель основана на FacebookAI/xlm-roberta-base, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. Опубликована под лицензией MIT.

Mystic XXX MM H3 — это LoRA-модель для генерации видео по текстовому описанию (T2V), преобразования изображения в видео (I2V) и сценариев FFLF. Она разработана автором lynaNSFW и предназначена для использования с базовой моделью minimax в экосистеме Diffusers. По описанию, модель ориентирована на улучшение анатомической корректности персонажей и реалистичности анатомии в видеороликах. Модель находится на версии v1 и заявлена как рабочая, но дальнейшие улучшения планируются. Рекомендуемая сила применения LoRA составляет 0,5–0,9, обычно автор использует значения 0,75–0,8; при совместном применении Turbo LoRA этот параметр может потребовать корректировки. В README не указаны размер модели, точная архитектура, поддерживаемые языки, максимальная длина контекста, конкретные требования к оборудованию или детальные ограничения качества. Модель распространяется через Hugging Face, однако сведения о лицензии и условиях коммерческого использования в README отсутствуют. Примеры видео содержат встроенный полный workflow, что упрощает воспроизведение заявленных сценариев.

lenssssw/roblox-clothing-ai-maker — модель генерации изображений по текстовому описанию на базе Stable Diffusion, представленная в формате Diffusers. По примерам в карточке она предназначена для создания изображений одежды и шаблонов одежды для Roblox, например рубашек, костюмов и вариантов с заданными цветами или фотореалистичным стилем. Репозиторий использует лицензию CreativeML OpenRAIL-M. Карточка предупреждает, что модель больше не выдаёт те же результаты, что раньше. В ней нет сведений о размере модели, базовом чекпойнте, поддерживаемых языках и длине контекста.

avsolatorio/GIST-Embedding-v0_en-tr_all-jobs — англоязычная модель эмбеддингов предложений на базе Sentence Transformers, дообученная на 380 890 парах вакансий на английском и турецком языках. Она использует архитектуру BERT с 136,7 млн параметров, преобразует текст в нормализованные векторы размерностью 768 и сравнивает их по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов о вакансиях, поиска перефразировок, кластеризации и извлечения признаков для классификации. В README приведена оценка на наборах en-tr-jobs-validation и en-tr-jobs-test, но эти результаты относятся к указанным наборам данных. Лицензия — MIT.

Qwen3.5-9B-OutsideTheBox-RL — текстовая авторегрессионная модель семейства Qwen3.5, разработанная для исследований языковых агентов в среде WebShop. Она дообучена на основе ElvisWang111/Qwen3.5-9B-OutsideTheBox-SFT с помощью многотурового взаимодействия со средой и подкрепления, основанного на итоговом результате выполнения задачи. Модель обучалась выбирать действия при наличии инструкций и полезных внешних рабочих процессов; плохие рабочие процессы в обучающие подсказки не включались. Модель предназначена для выбора действий в текстовых сценариях WebShop и изучения того, когда агент полагается на внешние подсказки, в том числе потенциально вводящие в заблуждение. Для воспроизведения результатов статьи нужны сама среда WebShop и использованный авторами механизм многотурового взаимодействия. Модель содержит 7,2 млрд параметров, использует архитектуру Qwen3_5ForCausalLM, принимает текст и выдаёт текст; заявленная длина контекста — 262144 токена. Репозиторий распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

RenderFormer-V1-Base — модель RenderFormer для нейронного рендеринга треугольных сеток с глобальным освещением. Репозиторий Microsoft содержит веса модели; карточка направляет к проекту и статье за подробностями реализации и использования. По метаданным, модель использует PyTorch и распространяется в формате safetensors, её задача — преобразование изображений. Лицензия — MIT. Доступные сведения не раскрывают архитектурные параметры, размер модели, контекст, поддерживаемые языки или точный формат входных данных и результата. Поэтому область применения можно определить лишь в общих чертах как рендеринг изображений; качество, ограничения и требования к запуску по карточке установить нельзя.

duongttr/job-candidiate-matching-sentbert — модель Sentence-Transformers на базе BERT, разработчик обучил её для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерности 384 и подходит для поиска семантически близких текстов, кластеризации и ранжирования вариантов кандидатов по сходству с описанием вакансии. Обучение проводилось с функцией ContrastiveLoss и косинусной метрикой расстояния. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В карточке не указаны поддерживаемые естественные языки и лицензия, поэтому нельзя определить языковой охват и условия использования. Для практических сценариев подбора персонала качество сопоставления зависит от языка и данных вакансий и резюме; приведённый README не содержит результатов оценки.

ZuoHaotong/Qwen2.5-3B-Instruct-SFT-in-WebShop — полно-параметрическая модель Qwen2.5-3B-Instruct, дообученная методом supervised fine-tuning для многоходового взаимодействия с виртуальной средой WebShop. Это специализированная языковая модель-агент: по инструкции о покупке она анализирует текущую страницу и на каждом ходу выбирает одно доступное действие, например поиск товара или переход по элементу страницы. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2 dense и поддерживает контекст до 32 768 токенов. В карточке указаны английский и китайский языки; веса опубликованы в формате safetensors и доступны через Transformers. Выпущен чекпойнт global_step_160, показавший на фиксированном наборе из 256 целей WebShop успешность 5,47% и более высокую успешность, чем исходная модель и другие оценённые SFT-чекпойнты. Это результат одного набора оценки без оценки статистической значимости. Модель предназначена для экспериментов с агентами и дальнейшего RL-обучения, а не для готовой системы покупок. Она рассчитана на формат диалогов и пространство действий WebShop и не должна считаться подходящей для реальных торговых сайтов. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

alimuhammad24/resume-jd-cross-encoder — англоязычный cross-encoder на базе RoBERTa, дообученный автором с помощью библиотеки Sentence Transformers. Он оценивает пары текстов и выдаёт один числовой балл, пригодный для ранжирования результатов семантического поиска и повторной сортировки кандидатов. Модель содержит 151,8 млн параметров и обрабатывает последовательности длиной до 514 токенов. Модель предназначена для сопоставления резюме с описаниями вакансий, семантического поиска и ранжирования текстовых пар. В README приведены результаты бинарной классификации: accuracy 0,6947 и F1 0,7569; они относятся к указанной в карточке оценке и не гарантируют качество на других данных. Модель принимает текст и возвращает оценку релевантности; для ранжирования обычно отдельно вычисляют балл для каждой пары запрос–документ. Для использования нужны библиотека Sentence Transformers и совместимый код. Лицензия в предоставленных сведениях не указана.

bwbayu/sbert_model_jobcv — Sentence Transformer на базе DistilBERT, обученный сопоставлять резюме и описания вакансий. Модель преобразует текст в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура использует представление CLS-токена, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и ранжирования соответствия резюме вакансиям, а также для поиска похожих текстов, кластеризации и классификации. В README приведены обучающие и оценочные выборки из 24 962 и 6 241 пар резюме и вакансий; метаданные указывают обучение с CoSENTLoss. Для общего теста семантического сходства в README указана корреляция Spearman 0,8658. Модель принимает текст и возвращает векторные представления, поэтому сама по себе не формирует текстовые ответы и не выдает готовый вердикт о найме: для поиска или оценки пар требуется отдельный этап сравнения. Язык обучающих данных и лицензия в предоставленных источниках не указаны.

VC-1 Large — визуальная модель представлений на основе Vision Transformer (ViT-Large), разработанная исследователями Meta AI (FAIR). Она предварительно обучена методом Masked Auto-Encoding на более чем 4 000 часах эгоцентрических видео из нескольких источников и изображениях ImageNet. Модель принимает изображения размером 224×224 пикселя и выдаёт вектор признаков размерности 1024. Модель предназначена для embodied AI и робототехнических сценариев: её визуальные эмбеддинги можно использовать как признаки для последующих задач манипуляции объектами, навигации в помещениях и распознавания объектов. Архитектура ViT-Large содержит 24 слоя, 16 голов внимания и патчи 16×16 пикселей. Оценка проводилась на наборах задач CortexBench, включая манипуляцию, навигацию и управление в симуляторах. Авторы отмечают, что результаты на этих тестах могут не переноситься на реальные роботы и другие сценарии; модель вычислительно затратна и может быть неудобна для устройств с ограниченными ресурсами. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Ducco/Dahi-Puri — модель Stable Diffusion, дообученная методом DreamBooth на пользовательском наборе изображений блюда дахи-пури, разновидности чаата. Она создаёт изображения по текстовым запросам; для генерации блюда в README предлагается использовать запрос «A photo of ddahi puri». Модель выпущена в рамках DreamBooth Hackathon и представлена в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

flux-female-anatomy — адаптер LoRA для генерации изображений по текстовому описанию на базе black-forest-labs/FLUX.1-dev. Модель предназначена для Diffusers и распространяется в формате Safetensors. По доступному описанию, она сфокусирована на реалистичном изображении женской анатомии и может использоваться в сценариях text-to-image с подключением LoRA через соответствующий идентификатор. Модель не является самостоятельной генеративной системой и требует совместимого базового FLUX.1-dev. В README не указаны размер адаптера, точные параметры обучения, поддерживаемые языки, максимальный контекст или дополнительные модальности. В качестве примера приведён промпт для создания детализированных фотореалистичных изображений обнажённой взрослой женщины, однако фактическое качество и применимость зависят от базовой модели, веса LoRA и настроек генерации. Автор модели в карточке не назван: загрузчик прямо указывает, что модель ему не принадлежит, и приводит ссылку на публикацию на Civitai. Лицензия и условия коммерческого использования в README не указаны, поэтому их необходимо уточнять в источнике публикации и для базовой модели FLUX.1-dev.

C12H18/gats-coldstart-opd-grpo-qwen2.5-7b-webshop — исследовательский чекпойнт на базе Qwen2.5-7B-Instruct, обученный авторами коллекции GATS для работы в среде WebShop. Модель прошла холодный старт с дистилляцией по текущей политике (OPD), а затем 150 шагов обучения GRPO; в качестве учителя для холодного старта использовалась Qwen2.5-1.5B, обученная GRPO на задачах WebShop. Архитектура — плотная Qwen2 causal language model на 7,1 млрд параметров с контекстом до 32 768 токенов. Модель предназначена для экспериментов со стратегиями холодного старта агентного обучения с подкреплением и воспроизведения базовых результатов статьи GATS. Она генерирует текстовые действия для задач WebShop и не позиционируется как универсальный помощник. В README приведена итоговая оценка 72,48 ± 5,64 по трём наборам случайных начальных условий. Чекпойнт опубликован в формате safetensors и распространяется по лицензии Apache-2.0. Результаты относятся к оценке в WebShop; карточка не подтверждает качество на других средах или языках.

Texture Diffusion — модель DreamBooth, дообученная для генерации бесшовно выглядящих плоских текстур с минимально заметными тенями и освещением. Она предназначена для создания материалов и поверхностей по текстовым запросам; для активации нужного стиля в запрос добавляют токен «pbr». Модель обучена на 278 текстурах PolyHaven с лицензией CC0 и распространяется в форматах Diffusers и PyTorch. Лицензия модели — OpenRAIL++. Модель основана на Stable Diffusion и использует пайплайн text-to-image. В примерах указано 50 шагов генерации. Карточка демонстрирует текстуры каменной стены, грязи с сорняками и белого мрамора. Размер модели, контекст и поддерживаемые языки карточка не описывает; текстовые запросы служат условием генерации изображений.

krea2_Eliminate clothing_v1 — это LoRA-модель для Diffusers, разработанная пользователем или организацией nnndite и предназначенная для работы поверх базовой модели Krea-2-Turbo от krea. По описанию, она применяется к задачам редактирования изображений и генерации изображений по текстовому запросу, в частности для удаления одежды с изображённой женщины с сохранением личности, черт лица, причёски, выражения лица, формы и пропорций тела, позы, положения рук, оттенка кожи, ракурса камеры, композиции, освещения, фона и других визуальных деталей исходного изображения. Модель относится к семейству diffusion LoRA; конкретный размер, архитектурные параметры, поддерживаемые языки, максимальный контекст и сведения о модальностях в README не указаны. Основная особенность — специализация на изменении одежды при стремлении сохранить структуру исходной сцены, однако качество результата может зависеть от базовой модели, исходного изображения и формулировки запроса. Такой сценарий связан с существенными рисками нарушения согласия, приватности и прав на изображение, поэтому использование требует явного разрешения изображённых людей и соблюдения применимого законодательства. В README указана лицензия Apache-2.0. Дополнительные условия использования, ограничения по безопасности и сведения о разработчике, кроме идентификатора nnndite, не приведены.

Damilya/qwen3-4b-kazakh-lora — LoRA-дообучение Qwen3-4B-Instruct-2507 для повышения точности казахского языка и верности контексту ресторанного меню. Модель предназначена для диалоговых сценариев, связанных с меню и вопросами о ресторане. Модель использует текстовый ввод и генерирует текст. Базовая модель — Qwen3 с 4 млрд параметров; её контекст составляет до 262 144 токенов. В метаданных указаны русский и английский языки, а README описывает специализацию на казахском. Для самой модели действует лицензия CC BY-NC 4.0, допускающая только некоммерческое использование; базовая модель распространяется по Apache 2.0.

Это кросс-энкодерный переранжировщик steerrec, дообученный на базе BAAI/bge-reranker-v2-m3 с библиотекой Sentence Transformers. Он оценивает пары текстов одним числовым баллом, который можно использовать для переранжирования результатов поиска и семантического поиска; в README приведена оценка на наборах amazon_test и amazon_val. Модель имеет архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и принимает последовательности длиной до 512 токенов по README; метаданные каталога указывают контекст до 8194 токенов. Лицензия в предоставленных данных не указана.

KhaledReda/all-MiniLM-L6-v24-pair_score — англоязычная модель Sentence Transformer, созданная KhaledReda дообучением KhaledReda/all-MiniLM-L6-v23-pair_score. Она преобразует предложения и короткие тексты в плотные эмбеддинги размерности 384, предназначенные для оценки семантического сходства с помощью косинусной близости. Модель основана на архитектуре BERT и содержит 25,9 млн параметров. Модель подходит для сравнения запросов и описаний, поиска похожих текстов и ранжирования пар по смысловой близости, в том числе в сценариях поиска товаров по коротким запросам и развернутым описаниям. Она обучена на парах текстов со скалярными оценками сходства; в README указаны 12,58 млн обучающих примеров. Метаданные задают контекст до 512 токенов, тогда как карточка модели указывает максимальную длину последовательности 256 токенов, поэтому фактическое ограничение следует проверять в используемой конфигурации. Для использования доступна лицензия Apache-2.0. Модель ориентирована на английский язык; качество для других языков не подтверждено. Она выдает эмбеддинги, а не готовые текстовые ответы.

apple/DFN-public — контрастивная модель CLIP ViT-B/32 от Apple, обученная на общедоступных данных Conceptual Captions 12M, Conceptual Captions 3M и Shutterstock 15M. В ходе обучения модель обработала 1,28 млрд примеров. Она сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов, а модель оценивает соответствие изображения каждому из них. Модель подходит для быстрой разметки изображений по заданным категориям и поиска изображений по текстовым запросам. Это конверсия исходных контрольных точек JAX в PyTorch; в метаданных указана лицензия apple-amlr. README не приводит подробных ограничений точности или перечня поддерживаемых языков, поэтому результаты следует проверять для конкретных данных и формулировок.

Это текстовая Sentence Transformer модель Voctree, дообученная на базе microsoft/harrier-oss-v1-270m. Она преобразует предложения и абзацы в плотные векторы размерности 640 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает Gemma3TextModel, пулинг последнего токена и нормализацию эмбеддингов. Модель принимает текст, поддерживает контекст до 32 768 токенов и обучалась на 18 851 паре текстов с использованием MultipleNegativesRankingLoss. Примеры данных включают соответствия между английскими и корейскими названиями товаров, что указывает на пользу для многоязычного поиска. В карточке не указана лицензия, поэтому условия использования определить нельзя.

LFM2.5-ColBERT-350M — многоязычная модель поиска Liquid AI для семантического извлечения документов и ранжирования результатов. Она использует двунаправленную архитектуру LFM2 и позднее взаимодействие ColBERT: модель строит векторы для токенов запроса и документа, а релевантность оценивает по их совпадениям через MaxSim. Модель содержит около 350 млн параметров по README; метаданные каталога указывают 443,4 млн. Базой служит LiquidAI/LFM2.5-350M-Base с двунаправленными изменениями. Реализация доступна в формате safetensors через PyLate. Модель предназначена для многоязычного и межъязыкового поиска в RAG-системах, включая поиск по каталогам товаров, базам FAQ и поддержки, а также внутренним документам. Её также можно применять для повторного ранжирования результатов первичного поиска. README рекомендует длину документа до 512 токенов и запроса до 32 токенов; контекстное окно в метаданных составляет 128 000 токенов. Поддерживаются английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский языки. Многовекторное представление обеспечивает более точное сопоставление, чем одно векторное представление, но увеличивает размер поискового индекса. Модель ориентирована на сценарии с коротким контекстом. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели.

Карточка модели tiensi/Qwen2.5-VL-3B-Instruct на Hugging Face совпадает с карточкой unsloth/Qwen2.5-VL-3B-Instruct, поэтому описание составлено по ней. Qwen2.5-VL-3B-Instruct — мультимодальная модель Alibaba семейства Qwen2.5-VL, представленная в репозитории unsloth как дообученная версия Qwen/Qwen2.5-VL-3B-Instruct. Она принимает текст и изображения, а также может анализировать видео, и формирует ответы на естественном языке или структурированный вывод. Модель предназначена для визуальных вопросов и ответов, чтения текста и таблиц на изображениях, анализа диаграмм и макетов, поиска объектов с координатами, понимания событий в видео и взаимодействия с интерфейсами через визуальные сигналы. Модель использует плотную архитектуру Qwen2.5-VL с примерно 3,1 млрд параметров и поддерживает контекст до 128 000 токенов согласно метаданным. README описывает динамическое разрешение изображений, обработку видео с временной привязкой событий, локализацию объектов в виде рамок или точек и структурированные ответы, например для счетов и форм. Карточка также указывает возможности чата и зрения; для работы заявлена библиотека Transformers. README содержит примеры использования с Transformers и ModelScope. Для видео указана зависимость совместимости URL от сторонних библиотек, а длинный текстовый контекст в README описан через YaRN с базовой конфигурацией 32 768 токенов; при расширении контекста возможна потеря качества пространственной и временной локализации. Лицензия в предоставленных данных не указана.

Модель LinkTransformer от исследователей Harvard — дообученная sentence-transformers модель для сопоставления записей о товарах с классификациями ООН и ISIC. Она основана на sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и использует архитектуру XLM-RoBERTa с mean pooling; размер модели — 305,2 млн параметров. Модель преобразует предложения и абзацы в плотные векторы размерности 768 и поддерживает английский, французский и испанский языки. Максимальная длина последовательности в конфигурации README — 128 токенов; метаданные указывают нативный контекст 514 токенов. Основной сценарий — связывание разных наименований товаров с промышленной классификацией ISIC; также модель подходит для сопоставления сущностей, кластеризации, удаления дубликатов, объединения записей разных уровней классификации, семантического поиска и оценки сходства предложений. Для этих задач её можно использовать через пакет LinkTransformer или в экосистеме Sentence Transformers. В README не приведены количественные результаты оценки качества. Сведения о лицензии в предоставленных данных отсутствуют.

MEXMA-SigLIP2 — мультимодальная модель для сопоставления изображений и текста, объединяющая многоязычный текстовый энкодер MEXMA и визуальный энкодер SigLIP2. Она предназначена для поиска изображений по текстовому запросу и поиска текста, соответствующего изображению, а также для классификации изображений по текстовым описаниям без обучения на конкретных метках. По карточке модель поддерживает 80 языков; в метаданных среди языковых тегов указаны, в частности, русский и английский. На наборе Crossmodal-3600 авторы сообщают результаты Recall@1 62,54% для поиска изображений и 59,99% для поиска текста. Репозиторий содержит веса в форматах ONNX и safetensors; лицензия — MIT. Размер модели и длина контекста в предоставленных данных не указаны.