Промежуточный дообученный чекпойнт Qwen3-Embedding-0.6B для создания текстовых эмбеддингов и семантического поиска по запросам и документам.
Подходит для: семантический поиск документов по текстовому запросу · сопоставление запроса с релевантными текстами · ранжирование кандидатов по близости эмбеддингов
Дообученная модель Qwen3 для создания эмбеддингов и семантического поиска по текстовым запросам и документам.
Подходит для: семантический поиск по коллекции документов · поиск релевантных документов по запросу на естественном языке · сопоставление запроса с кандидатами документов
Дообученная на MS MARCO модель Qwen3-Embedding-0.6B преобразует запросы и документы в эмбеддинги для семантического поиска и ранжирования релевантных фрагментов.
Подходит для: поиск релевантных документов по запросу · извлечение подходящих фрагментов для RAG · семантическое сопоставление поисковых запросов и документов
Дообученная на данных ReasonIR модель Qwen3 для получения текстовых эмбеддингов и семантического поиска.
Подходит для: поиск документов по смыслу запроса · сравнение семантической близости предложений · создание векторного индекса документов
Дообученная многоязычная модель Qwen3 для получения текстовых эмбеддингов и семантического поиска по запросам и документам.
Подходит для: семантический поиск по коллекции документов · ранжирование документов по релевантности запросу · поиск ответов в базе знаний
Дообученная на парах запросов и документов модель Qwen3-Embedding-0.6B для создания эмбеддингов и семантического поиска.
Подходит для: поиск документов по текстовому запросу · сопоставление запроса с релевантными документами · ранжирование документов по сходству с запросом
Дообученная на парах запросов и документов модель Qwen3 для получения текстовых эмбеддингов и семантического сопоставления.
Подходит для: поиск документов по текстовому запросу · сопоставление запроса с релевантными фрагментами · ранжирование кандидатов по семантическому сходству
Дообученная на парах запросов и документов модель Qwen3 для создания текстовых эмбеддингов и семантического поиска.
Подходит для: поиск документов по смыслу запроса · ранжирование документов по релевантности запросу · сравнение семантической близости предложений