I.11Классификация, ранжирование и сопоставление

avemio/German-RAG-Alibaba-ModernBert-Triples — модель Sentence Transformer на архитектуре ModernBERT, предназначенная для получения векторных представлений немецких текстов. По README, модель отображает предложения и абзацы в нормализованные плотные векторы размерности 768; сходство оценивается косинусной мерой. В метаданных указано 149 млн параметров, библиотека sentence-transformers и контекст до 8192 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Название указывает на применение в German RAG и работу с триплетами, однако подробности обучения и конкретные датасеты в предоставленных данных не описаны. Лицензия в источниках не указана.

German-RAG-BGE-M3-TRIPLES-HESSIAN-AI — модель Sentence Transformers, разработанная командой German-RAG AI. Она дообучена на наборе примерно из 300 тысяч троек примеров для представления предложений и абзацев в виде плотных эмбеддингов и затем объединена с базовой BAAI/bge-m3, чтобы сохранить качество на других языках. Архитектура основана на XLM-RoBERTa, размер модели — 658,7 млн параметров, размерность векторов — 1024, максимальная длина входа — 8194 токена. Векторы нормализуются; для сравнения предусмотрено косинусное сходство. Модель предназначена для семантического поиска, ранжирования релевантных документов и сравнения текстов, в частности в немецкоязычных RAG-сценариях. В README также приведены результаты классификации текстов, поиска и оценки семантического сходства. В тесте на немецком RAG-бенчмарке указана точность 0,8857 против 0,8806 у BGE-M3. Поддержка других языков связана с объединением с BGE-M3; основное назначение модели — немецкоязычный поиск. Лицензия в предоставленных данных не указана.

avemio/German-RAG-ModernBERT-Base-TRIPLES — модель Sentence Transformers, разработанная командой German-RAG AI и дообученная на наборе avemio/German-RAG-EMBEDDING-TRIPLES-HESSIAN-AI от answerdotai/ModernBERT-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и сравнения текстов; близость оценивается косинусным сходством. Архитектура состоит из ModernBERT и среднего пулинга токенов, максимальная длина последовательности — 8192 токена. Модель ориентирована на немецкоязычные сценарии RAG: поиск релевантных фрагментов и документов, оценку семантического сходства и поиск перефразировок. Также её можно применять для кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты оценки поиска, включая cosine_accuracy@1 0,5818 и @5 0,9522 на указанном наборе оценки. Модель содержит 149 млн параметров, распространяется в формате safetensors и доступна по лицензии Apache-2.0. Она выдаёт эмбеддинги, а не готовые ответы; качество зависит от данных и сценария применения, поэтому результаты оценки из карточки не гарантируют аналогичную точность на других коллекциях.

akot/german-semantic-bmf-matryoshka — Sentence Transformers-модель, дообученная на основе aari1995/German_Semantic_V3. Архитектура использует JinaBertModel с пулингом CLS-токена; модель преобразует немецкие предложения и абзацы в плотные векторы размерностью 1024 для сравнения по косинусному сходству. В README максимальная длина последовательности указана как 1024 токена, а метаданные каталога указывают нативный контекст до 8192 токенов. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации текста. Обучение использовало MatryoshkaLoss и MultipleNegativesRankingLoss на наборе из 4 957 примеров; поддерживаются сокращённые размерности эмбеддингов. В README приведены результаты оценки поиска для нескольких размерностей, но качество зависит от данных и сценария применения. Лицензия в предоставленных данных не указана.

GEV-26B-Decide — модель AutoTrust AI для классификации и принятия решений по заданным вариантам. Она принимает текстовые вопросы и изображения, поддерживает решения «да/нет», выбор из 2–256 вариантов и оценку по шкале 0–5; для каждого варианта выдаёт калиброванную вероятность. Модель основана на Gemma 4 26B A4B IT, использует архитектуру Gemma4 и формат safetensors. В каталоге указана задача text-classification, а карточка описывает API решений и адаптивное рассуждение. В режиме System 1 решение принимается за один проход. При включённом адаптивном режиме System 2 может дополнительно рассуждать, если уверенность System 1 ниже заданного порога; этот режим предназначен прежде всего для сложных вопросов по науке, коду, математике и логике. Модель может обрабатывать контексты до 256K токенов согласно карточке, однако контексты свыше 128K не проверялись. Для развёртывания через vLLM требуется сборка с поддержкой Gemma 4 и приложенный патч для LoRA на lm_head; для одной GPU требуется 80 ГБ или больше. Модель ориентирована на английский язык. Среди ограничений — возможные уверенные ошибки, ухудшение качества на некоторых задачах при включённом рассуждении, высокая задержка на сложных входах и непроверенная надёжность решений по изображениям. Не рекомендуется использовать её для решений с высокими последствиями без контроля уверенности. Лицензия — Apache-2.0.

greatakela/gnlp_hw1_encoder — модель SentenceTransformer на базе distilbert/distilroberta-base, дообученная для представления предложений и абзацев в виде плотных векторов размерности 768. Архитектура включает RoBERTa и mean pooling; для сравнения векторов используется косинусное сходство. Модель содержит 95,2 млн параметров. Она предназначена для поиска семантически похожих текстов, семантического поиска, выявления перефразировок, кластеризации и классификации текста. Максимальная длина последовательности в README — 128 токенов; метаданные указывают контекст до 514 токенов. Обучение описано как fine-tuning с TripletLoss на наборе из 4 893 примеров. Англоязычная базовая модель и примеры в карточке указывают на применение прежде всего к английскому тексту. Модель выдаёт эмбеддинги, которые можно сравнивать или использовать как признаки в последующих системах. Метрики на двух указанных оценочных выборках составили 0,999 и 0,9873 по cosine accuracy, но эти результаты не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

JFernandoGRE/gtelarge-colombian-corporationnames — модель Sentence Transformers, дообученная на базе thenlper/gte-large для сравнения названий колумбийских компаний. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 1024; сходство между ними можно оценивать косинусной близостью. Архитектура включает BERT-трансформер, усреднение токенов и нормализацию, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления названий организаций, включая выявление вариантов написания и похожих названий. Также её эмбеддинги можно применять для кластеризации, поиска парафразов и классификации текста. Обучение включало 14 872 пары примеров с OnlineContrastiveLoss; в README приведены примеры с названиями колумбийских компаний. Лицензия в предоставленных данных не указана.

HarshalBhg/gte-large-finetuned-ep10-test2 — модель эмбеддингов на архитектуре BERT, опубликованная пользователем HarshalBhg. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучалась с использованием BatchAllTripletLoss на датасете embedding-data/sentence-compression; заявленный контекст составляет 512 токенов, число параметров — около 433,9 млн. Модель подходит для построения поисковых индексов и группировки текстов по смыслу. Репозиторий содержит веса в формате safetensors и предназначен для использования через Sentence Transformers. Карточка не указывает лицензию или поддерживаемые естественные языки; качество и ограничения для конкретных языков и предметных областей по имеющимся сведениям оценить нельзя.

x1saint/gte-small-triplet-tr — модель Sentence Transformers на базе Supabase/gte-small, дообученная на турецком наборе all-nli-tr. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство текстов оценивается косинусной близостью. Модель предназначена для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и извлечения признаков для классификации текста. Архитектура состоит из BERT-трансформера с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Обучающие данные содержат пары и тройки турецких текстов, а в README приведена точность cosine_accuracy 0,8552 на TripletEvaluator для all-nli-dev. Модель принимает турецкий текст и выдаёт текстовые эмбеддинги; опубликована в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

HierarCaps CLIP-B — дообученная модель CLIP ViT-B/32 на основе openai/clip-vit-base-patch32, связанная с работой «Emergent Visual-Semantic Hierarchies in Image-Text Representations» (ECCV 2024). Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без дообучения. Дообучение на наборе HierarCaps усиливает иерархическую организацию пространства эмбеддингов и помогает учитывать, насколько описание конкретно или обобщённо. Модель принимает изображения и текст, а выдаёт векторные представления для их сопоставления. Распространяется по лицензии MIT.

vivekkopthsd/hinglish-st-33m — модель Sentence Transformers на архитектуре BERT, обученная создавать плотные текстовые эмбеддинги размерностью 384. Она кодирует предложения и абзацы для сравнения семантической близости с помощью косинусного сходства; README также указывает сценарии семантического поиска, поиска перефразирований, классификации и кластеризации. Обучение проводилось на 4 000 примерах с anchor, positive и negative, используя MultipleNegativesRankingLoss. Модель принимает текст. README сообщает максимальную длину последовательности 192 токена, тогда как метаданные указывают родной контекст длиной 512 токенов. Лицензия и конкретные языки в доступных данных не описаны; название модели указывает на Hinglish, но этого недостаточно, чтобы установить языковую поддержку. Карточка не сообщает результаты бенчмарков, поэтому качество для конкретных сценариев следует оценивать на собственных данных.

danieleff/hubert-base-cc-sentence-transformer — модель на базе BERT, представленная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. В метаданных указаны 137,8 млн параметров и контекст до 512 токенов; модель использует PyTorch и поддерживает венгерский язык. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно применять через библиотеку Sentence-Transformers либо через Transformers с подходящей операцией pooling для получения представления текста. Лицензия в предоставленных данных не указана.

HydroEmbed/HydroEmbed-MCQTF-MiniLM-MNRL — дообученный разработчиком HydroEmbed энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель построена на архитектуре BERT и Sentence Transformers: среднее объединение токенов с последующей нормализацией даёт плотный вектор размерности 384. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README указан максимальный размер последовательности 256 токенов, поэтому фактический предел зависит от используемой конфигурации. Модель обучена с MultipleNegativesRankingLoss на 2542 парах предложений. Она предназначена для кодирования текста и сравнения смысловой близости, семантического поиска, выявления перефразировок, кластеризации и подготовки признаков для классификации. Примеры обучающих пар относятся к гидрологии и вопросам с вариантами ответа, но карточка не подтверждает специализацию на этой предметной области. Язык обучения или перечень поддерживаемых языков в предоставленных данных не указан; базовая модель ориентирована на английский. Для применения нужны входные тексты; на выходе модель выдаёт векторы, пригодные для сравнения по косинусному сходству. Это компактная модель для задач сходства предложений, но качество для других языков и предметных областей может отличаться и отдельно не подтверждено. Лицензия в предоставленных данных отсутствует.

ArthurZ/Ilama-3.2-1B — модель для извлечения признаков из текста, опубликованная на Hugging Face и предназначенная для использования с библиотекой Transformers. Модель имеет около 1,2 млрд параметров и поддерживает контекст длиной до 131 072 токенов. Основной сценарий применения — преобразование текстовых последовательностей в векторные представления для последующего семантического поиска, кластеризации, сравнения текстов, классификации и построения систем RAG. В метаданных модель также отмечена как совместимая с text-embeddings-inference и использующая формат Safetensors. В README отсутствуют сведения о разработчике, лицензии, языках, архитектурных деталях, обучающих данных, результатах оценки и конкретных ограничениях качества. Поэтому пригодность модели для определённых языков и прикладных областей следует проверять самостоятельно перед использованием.

rahmanfadhil/indobert-finetuned-indonli — модель эмбеддингов предложений на базе IndoBERT от indobenchmark, дообученная автором на наборе IndoNLI с функцией потерь MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и кластеризации индонезийских текстов. Архитектура — BERT, число параметров — 151,6 млн, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

indo-sentence-bert-base — модель на базе BERT, опубликованная пользователем firqaaa и подготовленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантического сходства, поиска по смыслу и кластеризации. Модель содержит 151,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение выполнялось с MultipleNegativesRankingLoss и косинусной мерой сходства; это делает модель подходящей для построения эмбеддингов индонезийского текста. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не приводит результатов оценки, поэтому качество для конкретных данных следует проверять отдельно.

FineInstructions Instruction Template Retrieval Embedding — модель эмбеддингов для поиска шаблонов инструкций FineTemplates, разработанная в рамках проекта FineInstructions. Она сопоставляет документ или его фрагменты с подходящими шаблонами инструкций; благодаря симметричному поиску также подходит для поиска документов по описанию документа, совместимого с шаблоном. Модель дообучена на синтетических данных с помощью DataDreamer на базе BAAI/bge-m3. Это плотная модель семейства XLM-RoBERTa с 658,7 млн параметров, рассчитанная на контекст до 8194 токенов. Она создаёт текстовые эмбеддинги для семантического поиска и сравнения сходства предложений; заявлена библиотека Sentence Transformers, веса доступны в формате safetensors. Подходит для поиска шаблонов по целым документам и их разделам, а также для обратного поиска документов по описанию шаблона. README не сообщает конкретный перечень языков и лицензию, поэтому их условия здесь не уточняются.

AmadeusAI/JabuticaBERT-Large — языковая модель на архитектуре DeBERTa-v2, опубликованная на Hugging Face и предназначенная для извлечения признаков из текста. Модель подключается через библиотеку Transformers и преобразует входные последовательности в векторные представления, пригодные для последующей обработки и обучения прикладных моделей. Модель содержит около 533,8 млн параметров и поддерживает контекст длиной до 512 токенов. Её можно использовать для построения эмбеддингов, семантического поиска, кластеризации, классификации и других задач, где нужны информативные представления текста. Сведения о разработчике, поддерживаемых естественных языках и лицензии в доступных источниках отсутствуют.

Jebadiah 4B v2 — модель принятия решений в стиле System One, разработанная Frontier Infra. Она принимает типизированные вопросы и за один проход возвращает вероятности по вариантам ответа, а не свободный текст: выбирает один из вариантов, оценивает вероятность ответа «да» или выставляет балл по упорядоченной шкале. Модель представляет собой плотную мультимодальную архитектуру Qwen3.5 на 4 млрд параметров; веса bf16 сохранены в Safetensors. Это дообученная версия Qwen/Qwen3.5-4B с объединённым LoRA, основанная на чат-чекпойнте с отключённым режимом рассуждений. Поддерживаются текст и изображения; карточка указывает английский язык обучения и обрезку входных состояний длиннее 2048 токенов. Модель рассчитана на одиночные оценки и решения в системах, которым нужны типизированные ответы с вероятностями: например, классификация по заданным вариантам, бинарные суждения и оценка по рубрике. Она поддерживает интерфейсы чата и вызова инструментов, но основной сценарий — выдача структурированного решения через совместимый с TypeSafe API `/v1/systemone`. По опубликованным Frontier Infra результатам точность 4B v2 на их публичном наборе составляет 72,5%; для этой версии авторы не приводят результаты JevBench или Decision Index. Лицензия — Apache-2.0. Ограничения: модель рассчитана на одношаговые суждения, а серверный интерфейс ограничивает вопросы с выбором максимум 20 вариантами. Обучающие данные англоязычные; калибровка вероятностей зависит от распределения меток и может быть излишне уверенной на данных, похожих на HelpSteer2, поэтому для пороговых решений рекомендуется повторная калибровка на собственных размеченных данных.

JevEmbed-Qwen3-Embedding-4B — текстовая модель эмбеддингов, разработанная HIT-TMG и дообученная на базе Qwen/Qwen3-Embedding-4B для принятия решений JevEmbed Choice, Score и Noul. Модель представлена как Sentence Transformers; LoRA-адаптер объединён с весами в самостоятельную модель, а также доступен отдельно. Она формирует нормализованные эмбеддинги размерностью 2 560 с pooling по последнему токену. Базовая архитектура Qwen3, число параметров — 3,7 млрд, родной контекст — 40 960 токенов. Модель предназначена для использования в JevEmbed: она помогает выбирать ответ, оценивать его и принимать решение Noul по запросу. В тесте на 66 482 вопросах JevEmbed-Data итоговый LoRA-чекпойнт показал точность 85,86% по жёстким меткам в целом и 90,31% для Choice; результаты получены с усечением входа до 1 024 токенов и настройками JevEmbed. Также её можно загружать через SentenceTransformer для получения эмбеддингов. Лицензия весов — Apache 2.0. Лицензии исходных данных для обучения различаются. В конфигурации JevEmbed входы усекаются до 1 024 токенов, поэтому длинные запросы могут терять информацию; приведённые метрики относятся к тестовому набору JevEmbed-Data и не гарантируют аналогичных результатов на других задачах.

autotrust/JEV-Gemma4-26B-A4B — независимая модель с открытыми весами от AutoTrust AI, созданная на базе Gemma 4 26B A4B IT от Google DeepMind. В комплекте доступны два режима: исходная мультимодальная модель для генерации и рассуждений, а также System 1 с LoRA-адаптером и отдельной головой решений. Для System 1 основное назначение — классификация и оценивание вариантов: она выдаёт вероятности для трёх типов решений — «да/нет», выбора из 2–16 вариантов и оценки от 0 до 5. При большем числе вариантов они обрабатываются группами. Голова решений преобразует скрытое состояние последнего токена в 24 слота, маскирует неиспользуемые и применяет калибровочную температуру и softmax. Обучение System 1 использовало распределения ответов модели-учителя и размеченные данные. Модель подходит для ранжирования новостей и поисковой выдачи, классификации и выбора действий с учётом уверенности. Карточка сообщает о результате 58,05 в Decision Index 0.2.1; тестовые наборы некоторых задач пересекались с обучающими данными, поэтому часть оценок ограничена. Модель ориентирована прежде всего на английский язык. Среди ограничений указаны зависимость от ошибок учителя, снижение качества на длинных структурированных входах и результат ниже случайного уровня на экспертных вопросах HLE; `noul` и `score` поддерживают только канонические варианты ответа. В README рекомендована проверка уверенности перед автоматическими действиями и не рекомендуется применять System 1 для решений с высокими последствиями без такой проверки. Лицензия — Apache-2.0.

Jev-Style-Qwen3.5-2B-Decision-MLX-bf16 — дообученная модель на базе Qwen/Qwen3.5-2B-Base, опубликованная chaoliangUNSW в формате MLX и bf16. Это модель принятия решений: по состоянию, вопросу и заданному списку вариантов она за один проход выбирает вариант и выдаёт распределение вероятностей. Поддерживаются выбор одного из вариантов, оценка истинности утверждения и распределение по упорядоченным уровням оценки. Модель предназначена для классификации, ранжирования ограниченного набора ответов и оценки уверенности, в том числе в сценариях, где важна калибровка вероятностей. В карточке сообщается об обучении на пяти англоязычных семействах задач и о тестировании на отложенных примерах; заявленные результаты и скорость получены авторами и не гарантируют аналогичного качества на других данных. Для работы требуется специальный формат промпта, заканчивающийся на Answer:. Модель не предназначена для свободной генерации текста или обычного диалога; она ограничена объявленными вариантами и указанным в карточке лимитом до 26 вариантов. Лицензия — Apache-2.0.

Xenova подготовила ONNX-версию модели jinaai/jina-embeddings-v2-base-de для работы с библиотекой Transformers.js. Это дообученная модель семейства BERT класса JinaBertForMaskedLM с 160,1 млн параметров и контекстом до 8192 токенов; она предназначена для извлечения признаковых представлений немецких и английских текстов. Эмбеддинги можно применять для семантического поиска, сравнения предложений и систем RAG. Репозиторий содержит веса ONNX и PyTorch и распространяется по лицензии Apache-2.0. Карточка показывает совместимость с Transformers.js; по назначению это модель для получения текстовых представлений, а не готовая диалоговая система. Классификация каталога как fill-mask расходится с авторским тегом feature-extraction, поэтому основная задача здесь — извлечение признаков.

Xenova/jina-embeddings-v2-base-zh — версия модели эмбеддингов Jina AI, подготовленная Xenova с весами ONNX для использования в Transformers.js. Она основана на jinaai/jina-embeddings-v2-base-zh и предназначена для получения векторных представлений китайских и английских текстов, например для семантического поиска и сравнения сходства. Модель построена на архитектуре JinaBERT семейства BERT, содержит 160,1 млн параметров и поддерживает контекст до 8192 токенов. Репозиторий включает ONNX-веса, а также файлы PyTorch и Safetensors; указана лицензия Apache-2.0. README описывает использование через библиотеку Transformers.js. Данных о качестве на конкретных наборах задач или иных ограничениях в предоставленной карточке нет.

jina-embeddings-v5-omni-nano-clustering-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI и представленная в формате GGUF для llama.cpp. Это квантованный вариант jinaai/jina-embeddings-v5-omni-nano-clustering с текстовой, визуальной и аудиокомпонентами; модель преобразует текст, изображения, видео и аудио в 768-мерные векторы единого пространства. Благодаря этому документы можно индексировать с использованием текста, а выполнять поиск или сопоставление — по любой поддерживаемой модальности без переиндексации. Модель предназначена прежде всего для кластеризации мультимодальных данных и поддерживает контекст до 8192 токенов. Она использует pooling по последнему токену, содержит около 0,95 млрд параметров и поддерживает Matryoshka-размерности эмбеддингов 32, 64, 128, 256, 512 и 768. Заявлены входы в распространённых форматах изображений, видео и аудио, а также PDF. Доступны F16 и 13 уровней int-квантизации текстовой части; мультимодальные проекторы поставляются в F16. Сильные стороны модели — единое векторное пространство для нескольких модальностей, компактный размер, возможность локального запуска через llama.cpp и уменьшения размерности вектора под требования приложения. Ограничения связаны с тем, что для мультимодального режима требуются специальные патчи Jina AI для llama.cpp, которые, согласно README, ещё не включены в upstream-версию; также численные бенчмарки и дополнительные ограничения вынесены в отдельную документацию. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер лицензии.

jina-embeddings-v5-omni-nano-text-matching — мультимодальная модель эмбеддингов от Jina AI, настроенная на сопоставление текста. Она принимает текст, изображения, видео и аудио и преобразует их в общий векторный простор, согласованный с текстовой моделью jinaai/jina-embeddings-v5-text-nano-text-matching. Модель содержит около 0,95 млрд параметров и выдаёт эмбеддинги размерностью 768; поддерживаемая задача — text-matching. Модель предназначена для поиска и сопоставления, когда документы индексируются текстом, а запрос может поступать в виде изображения, видео или аудио. Видео представлено кадрами: звуковая дорожка автоматически не учитывается, её нужно передавать отдельно. Для текстовых документов требуется префикс «Document: ». Доступны веса в формате safetensors, библиотека Transformers и интеграция с Sentence Transformers и vLLM. Это дообученный вариант jinaai/jina-embeddings-v5-omni-nano с настройкой на сопоставление текста. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; перед применением следует проверить её условия.

jina-embeddings-v5-omni-small-text-matching-GGUF — мультимодальная embedding-модель, разработанная Jina AI. Это GGUF-квантованный вариант jina-embeddings-v5-omni-small-text-matching для llama.cpp, предназначенный для задач text matching и семантического поиска. Модель принимает текст, изображения, видео и аудио и преобразует их в 1024-мерные векторы общего пространства, благодаря чему индекс можно создавать по тексту, а выполнять поиск — с использованием любой поддерживаемой модальности без переиндексации. Модель содержит около 1,56 млрд параметров в текстовой, визуальной и аудиобашнях, использует pooling по последнему токену и поддерживает контекст до 32768 токенов. Доступны Matryoshka-размерности от 32 до 1024 измерений. Текстовая часть имеет F16 и 13 уровней int-квантизации с калибровкой imatrix, а мультимодальные проекторы поставляются в F16. Поддерживаются распространённые форматы изображений, видео и аудио, а также PDF. Сильные стороны модели — единое векторное пространство для разных модальностей, возможность мультимодального поиска и компактные GGUF-варианты для llama.cpp. Ограничение состоит в том, что для мультимодального запуска требуется специальная ветка llama.cpp с патчами Jina AI, ещё не включёнными в upstream-версию. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

jina-reranker-v1-turbo-en-GGUF — это GGUF-представление модели для переранжирования текстов, разработанной Jina AI. Модель предназначена для задач text ranking: она оценивает релевантность документов или других текстовых кандидатов относительно поискового запроса и помогает упорядочить результаты в системах семантического поиска и retrieval-augmented generation (RAG). Исходная модель опубликована как jinaai/jina-reranker-v1-turbo-en. Модель ориентирована на английский язык и интегрируется с экосистемой sentence-transformers. Формат GGUF рассчитан на использование в совместимых локальных инструментах и средах выполнения, однако конкретные требования к памяти, размер модели, архитектура, длина контекста и поддерживаемые модальности в предоставленном README не указаны. Сильной стороной является специализация на переранжировании англоязычных текстов; ограничения включают отсутствие подтверждённых данных о многоязычной поддержке и численных характеристиках. Модель распространяется по лицензии Apache-2.0.

German Semantic V3 BMF — англоязычная модель Sentence Transformer, дообученная akot на базе jinaai/jina-embeddings-v2-base-de. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и использует косинусное сходство для сравнения текстов. В архитектуре — BERT-трансформер, усредняющий токенные представления с последующей нормализацией; в README указана максимальная длина последовательности 1024 токена, а метаданные задают контекст до 8192 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Обучение выполнено на 4 957 примерах с MatryoshkaLoss и MultipleNegativesRankingLoss; заявлена поддержка английского языка. Репозиторий содержит веса Safetensors, модель насчитывает 160,1 млн параметров и распространяется по лицензии Apache-2.0. Представленные в карточке значения точности поиска очень низкие, поэтому качество следует проверить на целевых данных; длина последовательности в README отличается от контекста в метаданных.

ramdane/jurimodel — модель семейства XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Она выдаёт текстовые эмбеддинги, которые можно использовать для поиска близких по смыслу фрагментов и группировки документов. Название предполагает юридическую направленность, однако README не подтверждает специализацию на правовых текстах, поэтому её не следует считать установленной. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.