I.11Классификация, ранжирование и сопоставление

Aashraf995/KaLM-embedding-multilingual-mini-instruct-v2.5-Q8_0-GGUF — это версия мультиязычной instruct-модели для создания эмбеддингов, преобразованная из KaLM-Embedding/KaLM-embedding-multilingual-mini-instruct-v2.5 в формат GGUF. Конвертацию выполнил автор репозитория с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач извлечения признаков, семантического поиска и retrieval, оценки семантического сходства текстов (STS), классификации, кластеризации и reranking. В README указана поддержка английского и китайского языков, а также интеграция с библиотекой Sentence Transformers, llama.cpp и vLLM. Точный размер модели, архитектура исходной модели, размерность эмбеддингов и максимальная длина контекста в карточке не приведены; параметр контекста 2048 указан только в примере запуска llama.cpp. Квантование Q8_0 в формате GGUF ориентировано на локальный запуск и совместимость с экосистемой llama.cpp, однако README не содержит результатов бенчмарков или подробных сведений о преимуществах и ограничениях качества. Модель распространяется по лицензии Apache-2.0. Для использования доступны llama.cpp CLI и серверный режим; также приведены ссылки на инструкции исходной модели и llama.cpp.

KannadaSBERT-STS — модель L3Cube-Pune для сопоставления смысловой близости предложений на каннада. Это плотная модель на архитектуре BERT, созданная дообучением l3cube-pune/kannada-sentence-bert-nli на датасете STS. Она формирует векторные представления предложений, которые можно использовать для оценки семантического сходства, поиска похожих фраз и построения систем поиска по смыслу. Модель относится к проекту MahaNLP; для использования доступны веса PyTorch и интеграция с Sentence-Transformers или Hugging Face Transformers с подходящим pooling. Модель содержит 264,8 млн параметров и принимает последовательности длиной до 512 токенов. Поддерживает каннада; лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

KEmbed-naija-v1 — текстовая Sentence Transformer-модель, дообученная matt-wisdom на базе BAAI/bge-m3 для поиска релевантных текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и позволяет сравнивать их с помощью косинусного сходства. Архитектура включает XLM-RoBERTa, пулинг CLS и нормализацию; модель принимает только текст. Максимальная длина последовательности в карточке — 256 токенов, а метаданные указывают родной контекст 8194 токена. Модель ориентирована на retrieval и семантическое сопоставление запросов с документами. В карточке приведена оценка cosine accuracy 0,7925 на наборе nigerian-val. Метаданные указывают 658,7 млн параметров и лицензию не сообщают, поэтому условия лицензирования по доступным данным определить нельзя.

KEmbed-naija-v2 — модель Sentence Transformers, дообученная автором matt-wisdom на базе BAAI/bge-m3 для поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерности 1024, нормализует их и сравнивает по косинусному сходству. Максимальная длина входа — 256 токенов; архитектура включает XLM-RoBERTa и слой объединения CLS. Модель ориентирована на извлечение релевантных текстов, а её качество оценивалось на датасете nigerian-val. Модель принимает текст и выдаёт векторы для семантического поиска и сравнения предложений. Она дообучена на наборах с парами и тройками текстов; README приводит результаты оценки поиска, но не уточняет поддерживаемые языки или предметную область. Доступна в формате safetensors; лицензия в предоставленных данных не указана.

Kiel-Embed-2-Rerank — кросс-энкодерный реранкер, дообученный на базе BAAI/bge-reranker-base с использованием библиотеки sentence-transformers. Модель совместно обрабатывает текстовый запрос и документ и выдаёт оценку их релевантности для повторного ранжирования результатов семантического поиска и многоэтапных retrieval-конвейеров, включая RAG. Модель построена на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает пары текстов, выдаёт скалярный логит или оценку релевантности и поддерживает последовательности длиной до 514 токенов по метаданным Hugging Face. Карточка приводит обучение на корпусе из 5 000 примеров с функцией потерь BinaryCrossEntropyLoss. Модель рассчитана на текстовые сценарии. В карточке не названы поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Небольшой обучающий корпус ограничивает основания для выводов о качестве на широком круге запросов и документов. Лицензия в предоставленных данных не указана.

bongsoo/klue-cross-encoder-v1 — корейская модель на базе klue/bert-base, дообученная автором как cross-encoder с помощью класса Cross-Encoder из SentenceTransformers. Она оценивает семантическое сходство пары предложений, в частности для задач STS. В карточке приведены результаты на корейских и англоязычных наборах STS; модель показывает более высокую оценку на klue-sts, чем на korsts и glue STS-B. Модель использует архитектуру BERT с классификационной головой, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Основной язык — корейский; в опубликованной оценке также есть тест на английском. Лицензия — Apache-2.0. Cross-encoder выдаёт оценку для пары текстов, поэтому для ранжирования документов обычно нужно отдельно оценить каждую пару запроса и кандидата.

Bandi2716 выпустил дообученную на klue/roberta-base модель Sentence Transformers для представления предложений и абзацев в виде плотных векторов размерностью 768. RoBERTa использует усреднение токенных представлений; сходство векторов оценивается косинусной мерой. Модель предназначена для сравнения смысла корейских текстов и подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель обрабатывает текстовые последовательности длиной до 512 токенов (в метаданных указано 514 токенов). Обучение описано на наборе из 10 501 пары предложений с оценками сходства; карточка приводит результаты оценки сходства, но также содержит разные значения метрик без ясного пояснения, к каким наборам они относятся. Базовая модель KLUE RoBERTa рассчитана на понимание корейского языка. Вес опубликован в формате safetensors и распространяется по лицензии базовой модели, если она применима; доступные сведения не дают оснований уточнить лицензионные условия именно этой карточки.

LeeGH04/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерностью 768; сходство между ними оценивается косинусной мерой. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации корейских текстов. Модель принимает последовательности длиной до 512 токенов (в метаданных указано 514 токенов контекстного окна). В README приведены результаты оценки сходства, включая Spearman 0,924 на одном из наборов данных; результаты на другом наборе заметно ниже. Доступна в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

Это Sentence Transformer на основе корейской модели klue/roberta-base, дообученный для представления предложений и абзацев в виде плотных векторов размерности 768. Архитектура включает RoBERTa с усреднением токенных представлений; сходство векторов оценивается косинусной мерой. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов по метаданным (в карточке указано 512). Модель предназначена прежде всего для оценки семантического сходства текстов. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на корейском языке. В README приведены результаты оценки сходства, однако отдельные наборы данных и контекст метрик описаны неполно. Модель распространяется в формате Safetensors и использует библиотеку Sentence Transformers. Условия лицензии в предоставленных сведениях не указаны.

SECUFIBRE/klue-roberta-base-klue-sts — модель Sentence Transformers, разработанная на основе klue/roberta-base и дообученная на наборе данных KLUE для оценки сходства корейских предложений. Архитектура включает RoBERTa и mean pooling; модель преобразует предложения и абзацы в плотные векторы размерностью 768, а сходство оценивает косинусной мерой. Размер модели — 137,8 млн параметров, максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для семантического поиска, сопоставления предложений, поиска перефразирований, кластеризации и классификации текста на корейском языке. README приводит метрики Spearman для наборов sts-test и sts-eval, однако оценки различаются, поэтому качество следует проверять на данных целевого сценария. Лицензия в предоставленных источниках не указана.

Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

shangrilar/klue-roberta-base-klue-sts-mrc — модель Sentence-Transformers на базе RoBERTa, разработанная автором репозитория для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Веса доступны в формате safetensors; для применения подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не сообщает лицензию и не приводит результатов оценки качества. Название базовой модели указывает на ориентацию на корейский язык, однако README и метаданные не перечисляют поддерживаемые языки.

Модель bespin-global/klue-sroberta-base-continue-learning-by-mnr разработана JaeHyeong AN из Bespin Global. Это корейская модель эмбеддингов предложений на базе RoBERTa, дообученная в два этапа на KLUE/NLI и KLUE/STS: сначала с MultipleNegativeRankingLoss, затем с CosineSimilarityLoss. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, кластеризации и оценки сходства предложений. В тесте STS автор сообщает среднее значение 0,889 по метрикам корреляции сходства. Модель содержит 137,8 млн параметров, принимает текст, поддерживает контекст до 514 токенов и распространяется в форматах PyTorch и safetensors. Лицензия — CC BY 4.0.

KoDiffCSE-RoBERTa — модель BM-K для получения векторных представлений корейских предложений. Она основана на архитектуре RoBERTa и предназначена для извлечения признаков текста и сравнения семантической близости предложений. В README проект описан как реализация Difference-based Contrastive Learning для корейских эмбеддингов; приведены эксперименты на wiki-корпусе и оценка на KorSTS. Модель содержит 137,8 млн параметров и поддерживает контекст до 514 токенов. Её можно применять для поиска семантически похожих предложений, кластеризации и других задач, где нужны эмбеддинги корейского текста. README приводит результаты для семейства KoSRoBERTa, но не позволяет однозначно связать конкретные значения таблицы с этим репозиторием. Лицензия в предоставленных данных не указана.

Dongjin-kr/ko-reranker — модель переранжирования текста, разработанная на основе BAAI/bge-reranker-large и дообученная на корейских данных. Она принимает запрос и фрагменты текста и оценивает релевантность каждого фрагмента напрямую, чтобы упорядочить результаты поиска перед передачей контекста языковой модели в RAG-системе. Модель построена на архитектуре XLM-RoBERTa и содержит около 658,7 млн параметров. Она обучалась на триплетах вопросов, положительных и отрицательных фрагментов из MS MARCO Passages; англоязычный набор данных переводили на корейский с помощью Amazon Translate. В README приведено сравнение, где вариант с дообучением на корейских данных показал лучшие значения MRR и доли контекстов с правильным ответом среди рассмотренных вариантов. Модель рассчитана прежде всего на ранжирование корейских текстов по запросу; метаданные также отмечают английский язык. Контекст составляет 514 токенов. Лицензия — MIT. Баллы релевантности не ограничены фиксированным диапазоном, поэтому их следует использовать для сравнения результатов внутри задачи ранжирования, а не трактовать как вероятности.

sinjy1203/ko-sbert-navernews — модель на основе BERT, дообученная для создания эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и рассчитана на семантический поиск, сравнение сходства, кластеризацию и группировку текстов. В README указано обучение с CosineSimilarityLoss; архитектура BERT содержит 137,8 млн параметров, а контекст ограничен 512 токенами. Модель предназначена для корейского текста новостной тематики, что отражено в названии репозитория. Веса доступны в формате PyTorch и применяются через Sentence-Transformers либо Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

jhgan/ko-sbert-nli — модель Sentence-Transformers на архитектуре BERT, обученная для получения плотных векторных представлений предложений и абзацев. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель содержит 137,8 млн параметров, формирует векторы размерности 768 и принимает последовательности длиной до 512 токенов. Модель обучена на корейском наборе KorNLI с MultipleNegativesRankingLoss и оценивалась на KorSTS. В README приведены результаты корреляции для косинусной меры сходства: Pearson 82,24 и Spearman 83,16. Поддерживаются PyTorch и TensorFlow. Карточка не сообщает лицензию.

BM-K/KoSimCSE-bert — модель для получения векторных представлений корейских предложений. Репозиторий Korean-Sentence-Embedding предоставляет предварительно обученные модели для немедленного использования и средства для обучения собственных моделей. По метаданным это плотная модель архитектуры BERT с 137,8 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Safetensors. Модель предназначена для кодирования корейского текста в эмбеддинги, пригодные для сравнения семантической близости предложений и поиска похожих текстов. В README приведены результаты тестирования на задаче семантического сходства текста, однако конкретные показатели этой модели в предоставленном фрагменте не видны. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

KoSimCSE-roberta — модель эмбеддингов корейских предложений из проекта Korean-Sentence-Embedding. Она построена на архитектуре RoBERTa и предназначена для преобразования текста в векторы, пригодные для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. В карточке проекта приведены результаты оценки на тесте семантического сходства текстов, а также отмечена возможность использовать предварительно обученные модели для инференса и обучения. Модель ориентирована на корейский язык. Метаданные указывают форматы PyTorch и Safetensors; сведения о лицензии в доступных данных отсутствуют.

daekeun-ml выпустил KoSimCSE-supervised-roberta-base — корейскую модель эмбеддингов предложений на архитектуре RoBERTa-base, обученную методом SimCSE с контрастивным обучением на размеченных данных NLI. Она преобразует корейский текст в векторные представления для поиска семантически близких предложений и сравнения их смыслового сходства. Модель предназначена для семантического поиска, ранжирования похожих текстов и оценки сходства предложений. В README приведены результаты на корейских наборах KLUE-STS и Kor-STS; авторы сообщают, что supervised-версия превосходит unsupervised-вариант base на этих тестах. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Результаты и описание ориентированы на корейский язык. В README отмечено, что качество зависит от обучающих данных NLI и что увеличение максимальной длины последовательности само по себе не гарантирует улучшения; указанная при обучении максимальная длина — 32 токена.

daekeun-ml/KoSimCSE-unsupervised-roberta-base — корейская модель для получения эмбеддингов предложений, основанная на RoBERTa base и методе SimCSE с контрастивным обучением без разметки. Её можно использовать для сравнения смысловой близости корейских текстов и поиска похожих предложений. В README приведены результаты оценки на KLUE-STS и Kor-STS: для версии RoBERTa base без учителя средние показатели составляют 81,17 и 81,20 соответственно. Репозиторий также описывает обучение SimCSE, включая распределённое обучение и supervised-вариант, но данный чекпойнт обозначен как unsupervised. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — MIT.

jhgan/ko-sroberta-sts — модель эмбеддингов предложений на основе RoBERTa, обученная для оценки семантического сходства корейских текстов. Она преобразует предложения и абзацы в плотные векторы размерности 768; эмбеддинги подходят для семантического поиска, кластеризации и сравнения текстов. В README приведены результаты оценки на KorSTS: корреляция Пирсона для косинусного сходства — 81,84, Спирмена — 81,82. Модель содержит 137,8 млн параметров, имеет контекстное окно до 514 токенов и доступна в форматах PyTorch и TensorFlow. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; также поддерживается библиотека Sentence-Transformers. Модель ориентирована на корейский язык и семантические задачи с предложениями и абзацами. Условия лицензии в предоставленных данных не описаны.

Marianodo/labels-per-job-title-fine-tune — модель sentence-transformers на базе MPNet, разработанная Marianodo для сопоставления предложений и абзацев с названиями должностей и метками. Она преобразует текст в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. В README указано, что модель обучалась с функцией потерь BatchHardSoftMarginTripletLoss. Её можно применять для поиска похожих формулировок должностей, группировки названий вакансий и подбора меток по текстовому описанию. Данные о языке обучения или использования в карточке не приведены. Модель поставляется в формате PyTorch. Лицензия в предоставленных метаданных и README не указана.

Wei-Jie/labor-roberta-chinese — модель Sentence-Transformers на базе архитектуры BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. Её можно применять для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель обучалась с ContrastiveLoss и косинусной метрикой расстояния. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 512 токенов. В метаданных указано 424,3 млн параметров и формат PyTorch. Название модели указывает на китайский язык, однако README не уточняет языковое покрытие и результаты оценки.

LaBSE-geonames-15K-MBML-5e-v1 — дообученная модель на основе многоязычной BERT-модели LaBSE, опубликованная пользователем dima-does-code. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости; подходит для семантического поиска и кластеризации текстов. В обучении использовалась MegaBatchMarginLoss. Модель принимает текст, поддерживает русский и английский языки и обрабатывает до 512 токенов за контекст. Вес модели составляет 498,1 млн параметров; доступны форматы PyTorch и safetensors. Модель рассчитана на поиск текстов со сходным смыслом и группировку предложений или абзацев. Лицензия — Apache-2.0. Карточка не приводит подробных результатов оценки качества, поэтому пригодность для конкретного набора данных следует проверять отдельно.

bicolino34 выпустил модель Sentence Transformer, дообученную на базе sentence-transformers/LaBSE на 13 304 парах предложений из японского и украинского языков. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сопоставления смысла текстов, семантического поиска и поиска парафраз; близость векторов оценивается косинусным сходством. Модель построена на архитектуре BERT, использует библиотеку Sentence Transformers и принимает текст.

LanguageBind_Video_FT — полностью дообученный видеоэнкодер проекта LanguageBind, разработанного авторами одноимённой работы, принятой на ICLR 2024. Он связывает видео с языковым семантическим пространством и предназначен для сопоставления видеоданных с текстовыми описаниями, в том числе для классификации видео по текстовым меткам без отдельного обучения классификатора. В карточке Hugging Face задача модели обозначена как zero-shot image classification. Модель использует архитектуру LanguageBindVideo на базе CLIPModel и распространяется в формате PyTorch. README рекомендует полностью дообученную версию как более сильную по сравнению с LoRA-вариантом LanguageBind_Video. Подход LanguageBind выравнивает модальности через язык; в этом репозитории описаны видео- и мультимодальные сценарии, однако данный чекпойнт предназначен для видео. Лицензия — MIT. Модель подходит для поиска видео по текстовым запросам и для классификации видео на основе текстовых описаний. В предоставленных материалах нет сведений о размере модели, длине контекста или конкретных поддерживаемых языках, поэтому они не указаны. Качество зависит от соответствия текстовых меток и видеоматериала; README не приводит здесь количественных результатов именно для этого чекпойнта.

gemasphi/laprador_pt — модель на основе BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для построения эмбеддингов, поиска семантически близких текстов и кластеризации. Модель содержит 79,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате PyTorch. Модель можно использовать через библиотеку Sentence-Transformers или Hugging Face Transformers с подходящей операцией pooling. Она подходит для семантического поиска и группировки текстов по смыслу. README не сообщает языковую специализацию или результаты оценки, поэтому её качество для конкретного языка и предметной области следует проверять отдельно.

felixtran/layoutlmv3-rvl-cdip-small — модель классификации документов на основе LayoutLMv3, дообученная автором репозитория на microsoft/layoutlmv3-base. Она принимает текст документа и его пространственную разметку, а также изображение страницы, чтобы относить документ к категории; архитектура содержит около 151,8 млн параметров и имеет контекст до 514 токенов. Карточка не раскрывает набор категорий и подробности обучения или оценки. Модель подходит для классификации документов по содержимому и макету, например, в системах автоматической сортировки и маршрутизации документов. Доступна в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных работ на тех же условиях с ограничением на коммерческое использование.

QuantFactory/lb-reranker-0.5B-v1.0-GGUF — это квантизированная версия модели LB Reranker v1.0, созданная QuantFactory с использованием llama.cpp на основе Qwen/Qwen2.5-0.5B-Instruct, разработанной командой lightblue. Модель предназначена для оценки связанности поискового запроса с фрагментом текста и последующего ранжирования или переранжирования результатов в системах информационного поиска и retrieval-based приложениях. Также она показала хорошие результаты при ранжировании фрагментов кода. Модель представляет собой компактную causal language model с примерно 0,5 млрд параметров, работающую с текстовыми запросами и контекстами. Она обучена выдавать оценку от 1 до 7, где 1 означает минимальную, а 7 — максимальную связанность; для получения непрерывного рейтинга рекомендуется рассчитывать математическое ожидание по вероятностям этих значений. Обучение проводилось на данных более чем на 95 языках, поэтому модель ориентирована на многоязычные сценарии, включая английский, китайский, русский и многие другие языки. Точный размер контекста в карточке не указан. К сильным сторонам относятся компактный размер, поддержка широкого набора языков, возможность использования распространённых средств инференса и заявленное преимущество по ряду оценочных бенчмарков. Ограничения включают отсутствие подробных сведений о результатах тестирования, точном контекстном окне и характеристиках квантизации; модель выдаёт оценку релевантности, а не готовый ответ на запрос, поэтому её качество зависит от формата входных данных и конкретного домена. Модель распространяется по лицензии Apache-2.0.