I.11Классификация, ранжирование и сопоставление

gabor-hosu/e5-mistral-7b-instruct-bnb-4bit — 4-битная версия модели эмбеддингов e5-mistral-7b-instruct, опубликованная пользователем gabor-hosu на базе модели intfloat. Она предназначена для преобразования текстов в векторные представления и использования в задачах семантического сходства, классификации и информационного поиска. Модель основана на архитектуре Mistral с 7 млрд параметров и рассчитана на работу через экосистемы Transformers и Sentence Transformers. В README указана поддержка оценивания в MTEB и приведены результаты на наборах данных для английского, немецкого, испанского, французского, японского и китайского языков. Максимальный размер контекста и полный перечень поддерживаемых языков не указаны. Ключевое преимущество модели — сниженное потребление памяти благодаря 4-битной квантизации BitsAndBytes, что может упростить локальный запуск по сравнению с полноразмерной версией. Ограничениями являются возможные потери качества из-за квантизации, а также отсутствие в README подробностей о процедуре квантизации, рекомендуемых параметрах использования, лицензии и результатах комплексного сравнения с другими моделями.

E5-small-trm-nl — модель эмбеддингов на архитектуре BERT, разработанная как дообученная версия clips/e5-small-trm. Она преобразует запросы и тексты в векторы для поиска и сравнения смысловой близости; карточка приводит пример кодирования запросов и фрагментов MS MARCO. Модель предназначена для нидерландского языка и обучалась на наборах BEIR-NL для поиска, ответов на вопросы и проверки фактов. Модель содержит 47,5 млн параметров, принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors. Лицензия — MIT. Доступны эмбеддинги для задач сходства предложений и извлечения признаков. В README приведена таблица результатов MTEB-NL, однако соответствующая строка этой модели в предоставленном фрагменте отсутствует, поэтому её качество по этим данным оценить нельзя.

Xenova/e5-small-v2 — веб-совместимая версия модели intfloat/e5-small-v2, подготовленная с ONNX-весами для работы через библиотеку Transformers.js. По представленным данным, исходная модель разработана командой или организацией intfloat, а Xenova предоставляет адаптированный репозиторий для использования в JavaScript-окружениях. Модель предназначена для извлечения признаков из текста и может применяться в сценариях, где требуется получить векторное представление текстового ввода, например для семантического поиска или сравнения текстов. Архитектура, число параметров, поддерживаемые языки, размер контекста и точные характеристики выходных векторов в README не указаны. Ключевое преимущество — совместимость с Transformers.js и возможность использования ONNX-весов в веб-ориентированных приложениях. Лицензия и условия коммерческого или иного использования в представленном описании не указаны.

E5-V — мультимодальная модель эмбеддингов, разработанная авторами проекта E5-V и дообученная на основе lmms-lab/llama3-llava-next-8b. Она преобразует текст и изображения в векторы для поиска и оценки сходства между объектами, в том числе между разными модальностями. Модель основана на архитектуре LLaVA-NeXT и доступна в формате safetensors; для работы с ней предусмотрена интеграция с Sentence Transformers. E5-V предназначена для мультимодального поиска и сопоставления текста с изображениями, а также для получения эмбеддингов текстовых пар. В карточке отмечено, что обучение только на текстовых парах может превосходить мультимодальное обучение по качеству. Шаблон общения автоматически добавляет к тексту инструкцию «Summary above sentence in one word:», а к изображениям — «Summary above image in one word:». Карточка не сообщает лицензию, размер и длину контекста, поэтому эти характеристики здесь не приводятся. Для использования изображений через Sentence Transformers требуется установить пакет с поддержкой изображений.

Eklav-0.6B-Reranker — компактный реранкер пассажей на базе Qwen3-0.6B, дообученный методом Eklav с дистилляцией рассуждений. При обучении модель учится продолжать частичный след рассуждений учителя и самостоятельно получать ответ; на этапе применения подсказка учителя не используется. Для ранжирования модель генерирует рассуждение с итогом true или false, а релевантность определяется по логитам финального токена. В README описаны оценки на BRIGHT и NevIR, а также снижение вычислений обучения на 29% относительно стандартного обучения с полным следом рассуждений; приведённый результат BRIGHT на 11% ниже по nDCG@10, чем у такого базового обучения. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors. Она предназначена для точечного переранжирования пассажей по запросу и может применяться в поисковых системах и конвейерах retrieval-augmented generation. Контекстное окно составляет 40 960 токенов. Модель опубликована AdarshSingh7647 и основана на Qwen/Qwen3-0.6B; метаданные указывают библиотеку Transformers и возможность диалогового взаимодействия. Лицензия в предоставленных данных не указана.

Eklav-8B-Reranker-CotGen — дообученная языковая модель Eklav на базе Qwen/Qwen3-8B, созданная как базовый вариант для сравнения методов дистилляции рассуждений. В обучении модель получает частичную цепочку рассуждений учителя и продолжает её, чтобы вынести оценку самостоятельно; в этом чекпойнте использован стандартный SFT на полной цепочке рассуждений. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 40 960 токенов. Основное назначение — попарное ранжирование пассажей по релевантности, в том числе на задачах BRIGHT и NevIR. Для оценки релевантности модель генерирует рассуждение с итогом true или false; итоговый балл извлекается из логитов соответствующего конечного токена. Карточка описывает применение через vLLM с условием остановки по строке: при генерации с фиксированным лимитом токенов модель иногда продолжает рассуждение, зацикливается и не выдаёт завершённый ответ. Лицензия в предоставленных данных не указана.

Это англоязычный энкодер предложений ayushexel, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 на наборе вопросов и ответов GooAQ. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384; для сравнения векторов используется косинусное сходство. Архитектура основана на BERT с усреднением токенных представлений и нормализацией. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Её можно использовать, например, для поиска ответов по английским вопросам или группировки похожих вопросов и ответов. Обучение на GooAQ ориентирует её на пары «вопрос—ответ»; на GooAQ dev указана точность по косинусному сходству 0,6034. Это модель представлений, а не генератор текста; заявленные задачи и характеристики относятся к английскому языку. Лицензия в предоставленных данных не указана.

embedder-100p — двуязычная модель эмбеддингов от автора @bayang, созданная на основе bi-encoder из семейства XLM-RoBERTa и Sentence-Transformers. Модель содержит 305,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости. Модель предназначена для семантического поиска и кластеризации текстов на английском и немецком языках. Она обучалась на более чем 20 ГБ немецких текстовых данных с применением дистилляции, чтобы получить двуязычные эмбеддинги; заявленный контекст — 514 токенов. Доступны веса PyTorch и Safetensors. Для получения векторов можно использовать Sentence-Transformers либо Transformers с соответствующей операцией pooling. Карточка не сообщает результатов оценки MTEB, поэтому качество на конкретных наборах данных по ней оценить нельзя. Лицензия в предоставленных данных не указана.

deepmodal/embeddinggemma-300m-ko — модель Sentence Transformers, дообученная на базе google/embeddinggemma-300m для получения векторных представлений корейских предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерностью 768 и сравнивает их с помощью косинусного сходства; максимальная длина последовательности — 2048 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, классификации и кластеризации текстов. В карточке указаны 4 264 316 обучающих примеров формата «запрос — документ» и результаты оценки информационного поиска. Модель принимает текст и выдаёт векторы для последующего сравнения или использования в поисковых системах. Репозиторий использует архитектуру Gemma 3 Text и формат safetensors; для работы рекомендована библиотека Sentence Transformers. Лицензия — Apache-2.0. Данные карточки указывают на поддержку корейского языка; качество и применимость за пределами корейских текстов не подтверждены приведёнными сведениями.

embeddinggemma-300m-qat-q8_0-GGUF — модель для создания векторных представлений текста, опубликованная ggml-org на основе Google embeddinggemma-300m-qat-q8_0-unquantized. Она предназначена для задач семантического сравнения предложений, поиска по смыслу, извлечения признаков и других сценариев, где текст преобразуется в embeddings. Модель может запускаться через llama-server с API-эндпоинтом /embedding или с помощью утилиты llama-embedding. Из README известно, что модель поставляется в формате GGUF и использует QAT-квантизацию с вариантом q8_0; её базовый размер — 300M параметров. Точные сведения об архитектуре, поддерживаемых языках, модальностях, размерности векторов и длине контекста не указаны. При использовании pooling нормализацию embeddings можно настраивать: по умолчанию применяется евклидова L2-нормализация, также доступны варианты без нормализации, max absolute, taxicab и P-norm. Сильная сторона модели — специализированная ориентация на получение embeddings и совместимость с инструментами llama.cpp, что упрощает локальное развертывание. Ограничения и подробные показатели качества в README не приведены. Лицензия указана как gemma; дополнительные условия её применения следует уточнять в лицензии Gemma.

Moritz Laurer подготовил многоязычную модель на архитектуре ERNIE-M для вывода о логической связи между посылкой и гипотезой (natural language inference, NLI) и классификации текста без примеров для классов. Модель содержит около 305,2 млн параметров, принимает текстовые пары и имеет контекст до 514 токенов; веса доступны в форматах PyTorch и Safetensors. Базовая ERNIE-M была предварительно обучена Baidu на основе мультиязычной RoBERTa, разработанной Meta. Модель дообучена на английском MNLI и профессионально переведённых примерах XNLI. Её можно использовать для присвоения тексту меток из заданного списка, проверки следования гипотезы из посылки и подобных задач на разных языках. В карточке заявлена поддержка NLI на 100 языках; оценка на XNLI приведена для 15 языков. По README, среди моделей сопоставимого размера она превосходит RoBERTa, но уступает mDeBERTa-v3-base-mnli-xnli на XNLI. Модель предназначена для классификации и анализа текстов, а не для генерации ответов. Качество переноса на языки, отсутствовавшие в XNLI, может быть ниже; NLI также подвержена смещениям, связанным с данными и задачей. Лицензия — Apache-2.0.

spacemanidol/esci-jp-mpnet-crossencoder — модель Sentence-Transformers на базе MPNet, разработанная пользователем spacemanidol. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов; модель сохранена в формате PyTorch. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно использовать для поиска семантически близких текстов, группировки предложений и построения систем поиска по смыслу. README не уточняет язык обучающих данных, поэтому языковую поддержку нельзя определить по доступным сведениям. Лицензия в предоставленных данных не указана.

NorskHelsenett/eti-granite-v1 — модель Sentence Transformers, дообученная Norsk Helsenett на базе ibm-granite/granite-embedding-311m-multilingual-r2. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска, сравнения текстов и поиска перефразирований; близость оценивается косинусным сходством. Архитектура основана на ModernBERT с пулингом CLS-токена. Веса доступны в формате safetensors; модель содержит 311,6 млн параметров. Модель подходит для поиска релевантных фрагментов в коллекциях документов, кластеризации текстов и подготовки признаков для классификации. README указывает максимальную длину последовательности 2048 токенов, тогда как метаданные сообщают нативный контекст 32768 токенов; фактический предел обработки следует сверять с используемой конфигурацией Sentence Transformers. Модель обучалась на парах и тройках текстов из датасета Norsk Helsenett, включая норвежские медицинские материалы, поэтому качество для других языков и областей может отличаться. Лицензия в предоставленных данных не указана.

capemox/ettin-encoder-32m-pretrain-50m — компактный энкодер для поиска и сравнения текстов, разработанный на основе jhu-clsp/ettin-encoder-32m. Это предварительно обученный на парах запрос–документ чекпойнт архитектуры ModernBERT примерно с 31,9 млн параметров; модель использует библиотеку Sentence Transformers и сохраняется в формате Safetensors. Контекст модели составляет до 7 999 токенов. Модель обучена контрастивно на сбалансированной выборке из 50 млн пар корпуса DenseOn. Она предназначена для извлечения эмбеддингов и поиска по смыслу, в том числе как zero-shot энкодер или начальная точка для последующей настройки под конкретную задачу. README приводит результаты оценки на подмножестве BEIR и NanoBEIR, а также улучшение качества последующей настройки на MS MARCO hard negatives. Модель ориентирована на английский язык. Это предварительное, не прошедшее supervised-настройку для поиска состояние, поэтому для специализированных сценариев может потребоваться дообучение и отдельная оценка на целевых данных. Лицензия — Apache-2.0.

cross-encoder/ettin-reranker-150m-v1 — англоязычный кросс-энкодер, дообученный разработчиками модели на jhu-clsp/ettin-encoder-150m с использованием sentence-transformers и набора cross-encoder/ettin-reranker-v1-data. Модель обрабатывает пары текстов и выдаёт оценку релевантности, которую используют для повторного ранжирования результатов поиска и семантического поиска. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает последовательности длиной до 7999 токенов. Она принимает текст и выдаёт один числовой скор для каждой пары текстов. В репозитории представлены веса safetensors, а также форматы ONNX и OpenVINO; основная библиотека — sentence-transformers. README приводит результаты оценки на задачах поиска и сравнительные замеры скорости, но не содержит полной таблицы результатов для этой версии модели. Модель подходит для повышения точности выдачи после первичного поиска, например в поисковых системах и RAG-конвейерах. Она рассчитана на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

ettin-reranker-68m-v1 — англоязычный кросс-энкодер семейства Ettin, разработанный авторами проекта Ettin и дообученный на jhu-clsp/ettin-encoder-68m с использованием sentence-transformers и набора cross-encoder/ettin-reranker-v1-data. Модель оценивает пару текстов одним числовым баллом, чтобы ранжировать кандидатов по релевантности запросу; её применяют в семантическом поиске и как второй этап двухэтапного поиска после первичного отбора документов. Модель основана на архитектуре ModernBERT, содержит 68,1 млн параметров и обрабатывает последовательности длиной до 7 999 токенов. Она принимает и выдаёт текстовые данные, поддерживает английский язык. Доступны веса в форматах safetensors, ONNX и OpenVINO; для работы указана библиотека sentence-transformers. В README приведены положительные результаты на ряде задач reranking, а также высокая скорость на GPU, однако качество зависит от области и набора кандидатов: на некоторых тестах reranking ухудшал метрики. Лицензия — Apache-2.0.

EVA-CLIP-18B — модель контрастивного сопоставления изображений и текста, разработанная BAAI при участии авторов из THU. Она содержит около 18,1 млрд параметров и обучена на парах изображение–текст из наборов LAION-2B и COYO-700M, а также на дополнительных данных для финального этапа обучения. Модель предназначена для извлечения согласованных признаков изображений и текстов, классификации изображений без дополнительного обучения и поиска по тексту или изображению. В README сообщается о средней точности zero-shot классификации 80,7% на 27 наборах изображений; также приведены результаты классификации видео по одному кадру и поиска по изображениям и текстам. Репозиторий содержит веса PyTorch, а карточка указывает лицензию Apache-2.0. Для работы с моделью требуется значительная память: веса опубликованной версии занимают десятки гигабайт; авторы упоминают DeepSpeed ZeRO-3 как способ загрузки при ограниченной оперативной памяти. Английский язык явно представлен в названии обучающего набора LAION-2B-en, однако README не подтверждает поддержку других языков.

Karmelkke/everycli-minilm-ft — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, созданная для представления предложений и абзацев в виде плотных векторов. Она использует архитектуру BERT с усредняющим pooling, содержит 124,3 млн параметров и выдаёт эмбеддинги размерности 384; сходство между ними можно оценивать косинусной мерой. Модель обучена на 1 104 парах текстов с помощью MultipleNegativesRankingLoss и подходит для поиска релевантных фрагментов. Её можно применять для семантического поиска и сопоставления запросов с описаниями, в том числе по командам и справочным материалам EveryCLI. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 128 токенов; для практического использования следует учитывать ограничение самой модели в 128 токенов. Она принимает и обрабатывает текст, а на выходе возвращает векторы. Мультиязычная базовая модель поддерживает разные языки; примеры обучающих пар включают французский и английский. Лицензия в предоставленных источниках не указана.

Модель Michelhe/everycli-minilm-ft-boosted — дообученный Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанный для поиска и сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать по cosine similarity. Архитектура состоит из BERT-энкодера с mean pooling, работает только с текстом и использует библиотеку Sentence Transformers. Модель обучена на 1 104 парах предложений с помощью MultipleNegativesRankingLoss. Примеры обучающих данных связаны с командами и задачами CLI, поэтому модель подходит для поиска команд по описанию и извлечения релевантных фрагментов в сценариях retrieval. Максимальная длина последовательности в README — 128 токенов; метаданные каталога указывают нативный контекст 512 токенов. Лицензия в предоставленных данных не указана.

Это порт модели Facebook DPR question encoder в формат Sentence-Transformers. Модель на архитектуре BERT с 136,7 млн параметров преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина контекста — 512 токенов. Модель предназначена для получения эмбеддингов текста, которые можно использовать для семантического поиска и кластеризации. Она принимает текст и выдаёт векторное представление; для корректной работы через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Лицензия — Apache-2.0.

codersan/FaLaBSE-v11-phase2 — модель Sentence Transformers, созданная дообучением codersan/FaLaBSE-v11-phase1-Quora. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. Векторы сравниваются косинусным сходством; модель построена на архитектуре BERT и использует библиотеку sentence-transformers. Для обучения использованы 16 825 пар anchor/positive с функцией потерь MultipleNegativesRankingLoss. Метаданные указывают максимальный контекст в 512 токенов, тогда как README заявляет максимальную длину последовательности 256 токенов. Примеры обучающих данных написаны на персидском языке, поэтому модель подходит для семантических задач с персидскими текстами; более широкая языковая поддержка карточкой не подтверждена. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

FG-CLIP 2 Large — двуязычная модель компьютерного зрения и языка, разработанная Chunyu Xie, Bin Wang и коллегами. Она сопоставляет изображения с текстом и предназначена для тонкого понимания визуального содержимого на английском и китайском языках. В карточке модель загружается через Transformers как AutoModelForCausalLM с обработчиком изображений и токенизатором. Модель подходит для классификации изображений по текстовым описаниям без специального обучения, поиска изображений по запросу и поиска текста по изображению. Авторы сообщают о результатах на 29 наборах данных и 8 задачах, превосходящих SigLIP 2 и MetaCLIP 2; конкретные метрики и детали архитектуры в доступном README не приведены. Весы опубликованы в формате safetensors, лицензия — Apache-2.0.

sgugger/finetuned-bert-mrpc — модель классификации последовательностей на базе BERT, дообученная на наборе GLUE для задачи MRPC, связанной с определением смысловой эквивалентности пар предложений. Модель содержит 135,5 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые входы с контекстом до 512 токенов. Модель подходит для определения, выражают ли два предложения одинаковый смысл, например, для сопоставления перефразировок. На оценочной выборке указаны accuracy 0,8235 и F1 0,8792. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Языковая специализация в карточке не указана.

Модель inokufu/flaubert-base-uncased-xnli-sts создана на основе французской Flaubert base uncased и дообучена на задаче распознавания логических отношений между предложениями из XNLI, а затем на оценке семантического сходства по данным STS-fr. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения по смыслу, семантического поиска и кластеризации. Контекст модели — до 512 токенов; формат репозитория — PyTorch. Модель рассчитана прежде всего на французский язык. В README указан результат 83,07% на оценке STS (fr). Для использования через Transformers требуется подходящая операция pooling поверх контекстных представлений. Лицензия в предоставленных данных не указана.

FOF-80M — компактная модель текстовых эмбеддингов от MaxDevv, дообученная на базе codefuse-ai/F2LLM-v2-80M. Она создаёт представления текста, которые сближают переформулировки с теми же фактами и сильнее разделяют тексты с изменёнными сущностями, числами или другими фактическими деталями. Модель предназначена для сравнения фактического совпадения текстов при изменении стиля, например в проверке версий утверждения или поиске фактически изменённых копий. Архитектура — плотная Qwen3, размер — 66,8 млн параметров, библиотека — sentence-transformers; заявленное контекстное окно — 40 960 токенов. Карточка указывает английский язык, лицензия — Apache-2.0. Модель нечувствительна к различиям в формальности, многословии и риторической подаче, но требует строго двустороннего совпадения фактов. Она плохо подходит для NLI, оценки суммаризации и случаев, где допустим пропуск части информации; исправление опечаток тоже может заметно изменить сходство. Для заявленного качества README рекомендует нормализовать текст перед кодированием. Косинусные оценки сжаты и плохо калиброваны, поэтому предназначены для относительного сравнения пар.

FRPile_GPL_test_pipeline — модель на основе архитектуры BERT, разработанная как Sentence-Transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 1024. Она предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указано 433,9 млн параметров, контекст до 512 токенов и формат PyTorch; для получения эмбеддингов предусмотрено использование Sentence-Transformers либо Transformers с соответствующей операцией pooling. В карточке упомянуто обучение с MarginDistillationLoss из инструментария GPL. Языки обучения, базовая модель и лицензия в предоставленных данных не раскрыты. Модель выдаёт векторные представления текста, поэтому качество семантического поиска и кластеризации зависит от соответствия текстов и домена её обучению.

DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000 — модель на базе RoBERTa, разработанная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и других задач сравнения текстовых представлений. В метаданных указаны 151,8 млн параметров, контекст до 514 токенов и формат весов safetensors. Модель принимает текст и выдаёт векторные представления; для использования доступны Sentence-Transformers и Transformers с соответствующей операцией pooling. В README указано обучение с MarginDistillationLoss. Сведений о поддерживаемых языках, лицензии и ограничениях качества в предоставленных источниках нет.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_90000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000, поэтому описание составлено по ней. DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000 — модель на базе RoBERTa, разработанная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и других задач сравнения текстовых представлений. В метаданных указаны 151,8 млн параметров, контекст до 514 токенов и формат весов safetensors. Модель принимает текст и выдаёт векторные представления; для использования доступны Sentence-Transformers и Transformers с соответствующей операцией pooling. В README указано обучение с MarginDistillationLoss. Сведений о поддерживаемых языках, лицензии и ограничениях качества в предоставленных источниках нет.

Clarkoer/gal-mpnet-finetuned — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического сравнения текстов, поиска, выявления перефразировок, классификации и кластеризации. Архитектура включает MPNet, усреднение токенных представлений и нормализацию; для сравнения векторов используется косинусное сходство. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в README указан предел 384 токена. Дообучение выполнено на 898 парах текстов с MultipleNegativesRankingLoss. Примеры данных связаны с программированием, но карточка не подтверждает специализацию модели на этой области. В README значение метрики Spearman для оценки семантического сходства указано как nan, поэтому качество на этом тесте не подтверждено. Лицензия в предоставленных данных не указана.

Vibels/georgian-e5-finetuned — дообученная Vibels модель для семантического сравнения предложений и поиска на грузинском языке. Она создана на основе intfloat/multilingual-e5-small и обучена на 65 000 пар из набора Vibels/parallel-corpus_geo_eng_geo-translated. Модель использует архитектуру BERT и выдаёт плотные текстовые эмбеддинги; размер составляет 124,3 млн параметров, контекст — до 512 токенов. Метаданные указывают поддержку sentence-similarity, а README сообщает о бенчмарке GeorgianFAQRetrieval. Модель подходит для поиска ответов в грузинских FAQ, сопоставления запросов с документами и сравнения предложений. Базовая модель многоязычная и предназначена для межъязыкового подбора текстов, однако конкретные результаты дообучения описаны для грузинского. Распространяется по лицензии Apache-2.0.