I.11Классификация, ранжирование и сопоставление

MobileCLIP2-S0-OpenCLIP — адаптированная версия чекпойнта MobileCLIP2-S0 от Apple, представленная в формате и конфигурациях OpenCLIP. Это компактная мультимодальная модель семейства CLIP, состоящая из визуального и текстового энкодеров и предназначенная для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на этих метках. Модель подходит для мобильных и других сценариев с ограниченными ресурсами. В README указано, что MobileCLIP-S0 достигает качества zero-shot, сопоставимого с OpenAI ViT-B/16, при меньшем размере и более высокой скорости. Для MobileCLIP2-S0 приведены 11,4 млн параметров у визуальной части и 42,4 млн у текстовой; на ImageNet указана точность zero-shot top-1 71,5%. Репозиторий использует OpenCLIP, а веса доступны в форматах PyTorch и safetensors. Модель принимает изображения и текстовые описания для вычисления их соответствия; основной сценарий — zero-shot классификация изображений с текстовыми метками. В карточке не указаны поддерживаемые языки, поэтому языковые возможности сверх наличия текстового энкодера не уточняются. Лицензия — Apple AMLR.

Xenova/mobileclip_s2 — экспорт модели MobileCLIP S2 в формате ONNX, подготовленный Xenova для совместимости с библиотекой Transformers.js. Модель семейства CLIP сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений по произвольным текстовым категориям без отдельного обучения классификатора; её можно использовать в JavaScript-приложениях, поддерживающих Transformers.js. Модель принимает изображения и текстовые варианты категорий и выдаёт оценки соответствия, на основе которых выбирается наиболее подходящая категория. В карточке подтверждены формат ONNX и задача zero-shot image classification. Лицензия указана как other, поэтому конкретные условия использования по имеющимся сведениям определить нельзя.

MobileCLIP-S2 — модель сопоставления изображений и текста, разработанная Apple и представленная в работе MobileCLIP на CVPR 2024. В этом репозитории опубликован чекпойнт для OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому варианту. Вариант S2 содержит визуальную часть на 35,7 млн параметров и текстовую на 63,4 млн параметров. По данным карточки, на ImageNet модель достигает 74,4% точности zero-shot top-1, а средний результат на 38 наборах данных составляет 63,7%. Авторы сообщают, что S2 работает в 2,3 раза быстрее и имеет в 2,1 раза меньше параметров, чем SigLIP ViT-B/16. Модель принимает изображения и текст, выдаёт оценки соответствия; сведения о поддерживаемых естественных языках и длине текстового контекста в карточке не приведены. Весá доступны в форматах PyTorch и safetensors и используются через OpenCLIP. Лицензия — Apple AMLR; перед применением следует проверить её условия. Описанные результаты относятся к оценкам авторов и не гарантируют качество на конкретных изображениях или наборах классов.

Карточка модели jfarray/Model_bert-base-multilingual-uncased_10_Epochs на Hugging Face совпадает с карточкой jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs, поэтому описание составлено по ней. jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs — модель эмбеддингов предложений на базе BERT, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 256 для поиска семантически близких текстов и кластеризации. Модель содержит 137,1 млн параметров, работает с текстом и поддерживает контекст до 512 токенов; в карточке указана библиотека Sentence-Transformers и обучение с CosineSimilarityLoss. Модель подходит для семантического поиска и группировки текстов по смыслу. Название базовой модели указывает на испанский BERT dccuchile/bert-base-spanish-wwm-uncased, поэтому основной язык — испанский. В метаданных указаны формат PyTorch и задачи извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

Модель jfarray/Model_bert-base-multilingual-uncased_1_Epochs — модель на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные эмбеддинги размерностью 256. Её можно применять для семантического поиска, сравнения текстов и кластеризации. По метаданным, модель содержит 194,6 млн параметров, принимает текст длиной до 512 токенов и опубликована в формате PyTorch. Модель обучена с помощью Sentence-Transformers и функции потерь CosineSimilarityLoss. README не раскрывает обучающие данные и результаты оценки, поэтому качество для конкретных языков и задач по предоставленным сведениям оценить нельзя. Лицензия в доступных данных не приведена.

Карточка модели jfarray/Model_bert-base-multilingual-uncased_5_Epochs на Hugging Face совпадает с карточкой jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs, поэтому описание составлено по ней. Модель jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs — модель Sentence-Transformers на базе BERT, преобразующая предложения и абзацы в плотные векторы размерности 256. Она предназначена для поиска семантически близких текстов и кластеризации; также подходит для сравнения сходства предложений. Модель содержит 137,1 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. По названию репозитория базовая модель — dccuchile/bert-base-spanish-wwm-uncased; модель ориентирована на испанский язык. Лицензия в предоставленных данных не указана.

karsar/ModernBERT-base-hu_v3 — модель Sentence Transformers, дообученная автором karsar на базе nomic-ai/modernbert-embed-base для представления венгерских текстов в виде плотных эмбеддингов. Она подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текстов. Модель построена на ModernBERT с mean pooling и нормализацией выходного вектора. Она преобразует текст в эмбеддинг размерности 768; максимальная длина последовательности — 8192 токена. Для оценки сходства README указывает косинусную близость и точность 0,8031 на all-triplet-test. Модель обучена на наборе json с тройками anchor, positive и negative; карточка указывает венгерский язык. Доступна по лицензии Apache-2.0. Метрики и описание датасета приведены автором модели и сами по себе не гарантируют качество на конкретных данных.

ModernBERT-base-ModBERTScore-12 — текстовая модель для извлечения признаков, созданная LazerLambda на основе answerdotai/ModernBERT-base. В ней используются первые 12 трансформерных слоёв исходной модели; размер составляет 103,9 млн параметров, архитектура — ModernBERT. Модель принимает текст и формирует векторные представления, которые можно использовать в системах поиска и сравнения текстов. Максимальная длина контекста — 8192 токена. Модель распространяется в формате Safetensors и предназначена для использования с библиотекой Transformers. Лицензия в предоставленных данных не указана.

Карточка модели regolo/modernbert-capability-classifier на Hugging Face совпадает с карточкой massaindustries/modernbert-capability-classifier, поэтому описание составлено по ней. massaindustries/modernbert-capability-classifier — дообученная модель классификации текста на базе ModernBERT-base от Answer.AI. Она оценивает текст по шести измерениям возможностей: следование инструкциям, программирование, математические рассуждения, знания о мире, планирование и агентные задачи, творческий синтез. Модель предназначена для маршрутизации запросов в семантическом роутере Brick и может служить заменой классификатору предметных областей. Архитектура — ModernBERT с линейным классификационным слоем на шесть выходов; модель выдаёт оценки от 0 до 1 для каждого измерения и поддерживает многометочную классификацию. Она обучена на massaindustries/dataset-B-modernbert-train с мягкими метками. Число параметров — 394,7 млн, максимальный контекст — 8192 токена. Для применения нужна токенизация текста; выходы представляют собой оценки классов, а не готовые ответы на запросы. Лицензия — Apache-2.0.

wwydmanski/modernbert-pubmed-v0.1 — англоязычная Sentence Transformer модель, дообученная разработчиком на базе answerdotai/ModernBERT-base на наборе пар и троек текстов из 10 053 примеров. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости по косинусному сходству. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск похожих публикаций и документов PubMed, извлечение перефразировок и кластеризацию. Также полученные векторы можно использовать в классификации текста. Архитектура состоит из ModernBERT и среднего объединения токенных представлений; максимальная длина входа — 512 токенов. В README приведена точность cosine_accuracy 0,887 на triplet-dev, однако подробностей о протоколе оценки нет. В метаданных указана лицензия? Нет сведений о лицензии, поэтому условия использования по лицензии определить нельзя.

ModernGBERT 1B — немецкоязычная модель-энкодер семейства ModernBERT, разработанная LSX-UniWue. Она содержит 1,1 млрд параметров, использует архитектуру BERT с маскированным языковым моделированием и обрабатывает последовательности длиной до 8 192 токенов. Модель предварительно обучена на немецкой части RedPajama V2 объёмом 1,27 трлн токенов; также в метаданных указан датасет LSX-UniWue/LLaMmlein-Dataset. Модель предназначена для извлечения признаков и эмбеддингов, а также задач понимания немецкого текста. Её можно применять для семантического поиска, оценки релевантности и дообучения под классификацию токенов; README показывает использование с Transformers и PEFT/LoRA. В бенчмарках авторов модель получила средние оценки 0,808 на SuperGLEBer и 0,551 на немецком MTEB после дополнительного unsupervised fine-tuning на немецкой части mMARCO. Модель распространяется в форматах PyTorch и Safetensors, лицензия обозначена как other. Она является энкодером с маскированным языковым моделированием, поэтому не предназначена для свободной авторегрессионной генерации текста. Указанные результаты MTEB получены после дополнительного дообучения, что следует учитывать при сравнении.

MoEViE-B16-224 — разработанный Meta визуальный энкодер из семейства MoE-ViE для понимания изображений и видео. Модель обучена контрастным способом на парах изображение–текст и предназначена для классификации изображений без примеров и извлечения визуальных и текстовых признаков для сопоставления и поиска. Это вариант B/16 с 12 слоями, шириной 768 и входным разрешением 224 пикселя. В модели около 0,5 млрд параметров, из которых примерно 0,1 млрд активируется для отдельного токена: каждый MoE-блок сочетает постоянно работающего эксперта и маршрутизируемых экспертов. В README приведены результаты zero-shot классификации на ImageNet-1k и ObjectNet, а также поиска по изображениям и видео. Для работы требуются CUDA GPU и Triton; MoE-ядра компилируются при запуске. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

MoganBERT-Embed — модель эмбеддингов MoganAI на базе турецкого энкодера MoganBERT-TR. Она содержит около 149 млн параметров и использует архитектуру ModernBERT. Модель преобразует текст в векторы размерности 768 с помощью среднего pooling и L2-нормализации; инструкции к задаче или префиксы не требуются. Контекст по метаданным — до 8192 токенов; в описанной оценке MTEB использовалось не более 2048 токенов. Модель предназначена для семантического поиска, кластеризации, классификации текстов и оценки семантического сходства предложений. Она обучалась с дистилляцией от Qwen3-Embedding-8B и контрастивным дообучением на сигналах поиска, NLI, STS, классификации, вопросах и ответах, а также параллельных текстах. По README, поиск — относительно слабая сторона модели; для сценариев, где он является основным приоритетом, авторы указывают на Mogan-ColBERT-TR. Модель распространяется по лицензии Apache-2.0.

webis/monoelectra-large — модель ранжирования текстовых пар, представленная в работе Rank-DistiLLM, посвящённой повышению эффективности переранжирования пассажей. Это плотный cross-encoder семейства Mono на базе Google ELECTRA Large, дообученный для оценки релевантности пары запроса и текста. Модель предназначена для переранжирования найденных пассажей в поисковых системах и конвейерах поиска информации. Модель содержит около 433,9 млн параметров, принимает текст и выдаёт оценку для ранжирования. Максимальная длина контекста — 512 токенов. Репозиторий использует формат safetensors и библиотеку lightning-ir. Лицензия — Apache-2.0. В доступных сведениях не описаны языковое покрытие и дополнительные ограничения качества.

MonoPTT5-base — португалоязычный ранжировщик текстов на архитектуре T5, разработанный командой unicamp-dl. Модель основана на ptt5-v2-base и дообучена в течение 100 тысяч шагов на смеси португальских и английских данных набора mMARCO. Она содержит 123,8 млн параметров, работает с контекстом до 512 токенов и распространяется в формате PyTorch. Модель предназначена для повторного ранжирования результатов поиска и отбора наиболее релевантных текстовых фрагментов запросу. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Карточка описывает её как T5-ранжировщик, тогда как метаданные указывают задачу text-generation, поэтому точный pipeline-тег для ранжирования не подтверждён метаданными.

MoonViT-3D — визуальная башня модели Kimi-K2.6, опубликованная Aquiles-ai на основе весов и реализации Moonshot AI. Это плотная vision transformer модель Kimi_K25VisionModel примерно на 544,9 млн параметров; веса сохранены в safetensors и поддерживаются библиотекой Transformers без trust_remote_code. Модель извлекает признаки изображений и предназначена для получения эмбеддингов для поиска похожих изображений, кластеризации и удаления дубликатов, а также для использования как замороженного визуального энкодера при обучении классификаторов, детекторов или регрессионных голов. Визуальные признаки можно подключить к языковой модели для построения собственной мультимодальной системы или использовать для индексации изображений вместе с текстом в мультимодальном RAG. README также упоминает обработку последовательностей кадров с временным измерением, но отмечает, что пример такого использования не приведён и интеграцию нужно реализовать самостоятельно. Модель принимает изображения и выдаёт признаки; поддерживаемые естественные языки не заявлены. Лицензия — Apache-2.0.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_1 — модель классификации текста на базе BERT, опубликованная пользователем Jeevesh8 на Hugging Face. Она дообучена для задачи QQP (Quora Question Pairs), то есть для определения семантической эквивалентности или дублирования пар вопросов. Модель содержит около 136,7 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Основной сценарий применения — классификация пар англоязычных текстов, прежде всего вопросов, по признаку смыслового соответствия. Модель не предназначена для генерации текста и ориентирована на узкую задачу, связанную с QQP.

korruz/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers, дообученная на наборе sentence-transformers/all-nli из microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из MPNetModel и слоя среднего объединения токенных представлений; сходство обычно оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель подходит для извлечения эмбеддингов английского текста и построения систем поиска или группировки по смыслу. В README приведены результаты TripletEvaluator на AllNLI: точность по cosine составила 0,906 на dev и 0,9186 на test. Лицензия — Apache-2.0. Она предназначена для английского языка; качество на других языках не подтверждено, а входы длиннее лимита последовательности потребуют усечения или разбиения.

symanto/mpnet-base-snli-mnli — англоязычная модель классификации текста на основе MPNet с механизмом cross-attention. Её разработчики дообучили mpnet-base на наборах SNLI и MNLI для классификации без примеров и с небольшим числом примеров. Модель подходит для отнесения текста к заданным категориям, когда размеченных обучающих данных мало или нет. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов; доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

scroobiustrip/mpnet-direction-finetuned-v2 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-mpnet-base-v2 для сопоставления предложений с учётом направления отношений. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768, нормализованные для сравнения по косинусному сходству. Максимальная длина входа в метаданных — 514 токенов; карточка README указывает ограничение в 384 токена. Модель предназначена для семантического поиска, оценки сходства и поиска перефразировок. Также её можно применять для кластеризации текстов и классификации на основе эмбеддингов. В обучающих примерах встречаются запросы о международных денежных переводах с указанием стран отправления и назначения, поэтому модель настроена на различение направления таких операций. В README приведён результат cosine_accuracy 1.0 на all-nli-test, но подробностей о методике и диапазоне применимости недостаточно, чтобы считать его гарантией качества на других данных. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache-2.0.

cross-encoder/ms-marco-MiniLM-L2-v2 — англоязычная модель ранжирования от команды Sentence Transformers, обученная на задаче MS MARCO Passage Ranking. Она оценивает релевантность пары «поисковый запрос — пассаж» и подходит для повторной сортировки результатов, предварительно найденных поисковой системой. Модель построена на архитектуре BERT и имеет 16,4 млн параметров; принимает текстовые пары и выдаёт оценку релевантности. Длина контекста — до 512 токенов. В README приведены результаты на TREC Deep Learning 2019 и наборе MS MARCO Passage Reranking; скорость измерялась на V100. Доступны форматы PyTorch, Safetensors, ONNX, OpenVINO и Flax. Модель предназначена прежде всего для англоязычного поиска. Для каждого кандидата запрос и пассаж оцениваются совместно, поэтому её обычно применяют после первичного поиска, а не для сравнения с большим корпусом напрямую. Распространяется по лицензии Apache-2.0.

sinjab/ms-marco-MiniLM-L6-v2-Q8_0-GGUF — это версия модели cross-encoder/ms-marco-MiniLM-L-6-v2, преобразованная в формат GGUF с помощью llama.cpp и опубликованная пользователем sinjab. Модель предназначена для reranking: оценки релевантности пар поискового запроса и документа, а также улучшения порядка результатов информационного поиска и связанных сценариев семантического сопоставления. Модель основана на архитектуре MiniLM и представлена в квантизации Q8_0, использующей 8-битное представление весов. Такой вариант ориентирован на сохранение высокого качества при уменьшении размера и требований к вычислениям по сравнению с F16. Формат GGUF совместим с llama.cpp и другими поддерживающими его движками инференса. В README указано, что модель предназначена для английского языка; сведения о размере в параметрах, длине контекста и других модальностях не приведены. Сильными сторонами являются компактный формат, высокая точность Q8_0 и возможность локального запуска через GGUF-совместимые средства. Ограничения включают специализацию на reranking, английскую языковую направленность и отсутствие в карточке подробных характеристик производительности. Модель наследует лицензию Apache-2.0 исходной модели.

Jeevesh8/multiberts_seed_0_ft_0 — модель на архитектуре BERT, опубликованная пользователем Jeevesh8 на Hugging Face и предназначенная для классификации текстов. Она содержит около 136,7 млн параметров и поддерживает входной контекст длиной до 512 токенов. Модель рассчитана на использование через экосистему Transformers и связана с JAX. Основной сценарий применения — автоматическая классификация текстовых последовательностей, например определение класса документа, сообщения или пользовательского запроса. Доступные данные не подтверждают конкретные языки, набор классов, качество на отдельных датасетах, модальности помимо текста или лицензию модели, поэтому эти характеристики не заявляются.

Qdrant/multilingual-e5-large-onnx — это ONNX-версия модели intfloat/multilingual-e5-large, подготовленная Qdrant для работы с текстовыми представлениями. Модель предназначена для задач семантического сходства, поиска по смыслу и классификации текста, включая использование в системах векторного поиска и других сценариях, где требуется сравнивать текстовые эмбеддинги. Модель принимает текст и преобразует его в числовой вектор; README демонстрирует применение через библиотеку FastEmbed. Указана поддержка нескольких языков, однако конкретный перечень языков, размерность векторов, архитектура исходной модели и максимальная длина контекста в предоставленных данных не раскрыты. Формат ONNX может быть удобен для интеграции с совместимой инфраструктурой инференса. К ограничениям относится отсутствие в README подробностей о качестве на отдельных наборах данных, производительности, требованиях к ресурсам и точных границах применимости. Модель распространяется по лицензии Apache 2.0.

serbog/multilingual-e5-large-skill-job-matcher — модель эмбеддингов на базе XLM-RoBERTa, представленная как Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Название указывает на сопоставление навыков и вакансий, однако README не приводит конкретных примеров или описания этой специализации. Модель имеет 658,7 млн параметров, работает с текстом и принимает последовательности длиной до 514 токенов. В README указано обучение с CosineSimilarityLoss; доступный формат — PyTorch. Модель подходит для построения векторного поиска и ранжирования по сходству. Лицензия и конкретные поддерживаемые языки в предоставленных данных не приведены.

multilingual-e5-small-int8 — это ONNX-модель для построения текстовых эмбеддингов, разработанная на основе Xenova/multilingual-e5-small и подготовленная как неизменяемый пакет для ZimaOS Photos с автоматическим эмбеддингом в Manticore. Модель распространяется под лицензией MIT и предназначена для семантического поиска и сопоставления текстов, в частности двуязычных описаний и подробных сводок, создаваемых VLM для фотографий. Модель использует архитектуру и параметры исходной multilingual-e5-small, но точный размер исходной модели в README не указан. Опубликованный артефакт — ONNX-модель с INT8-квантизацией для выполнения через ONNX Runtime. Размер выходного вектора составляет 384 значения, применяется mean pooling с учётом attention mask и последующая L2-нормализация. Максимальная длина входа — 512 токенов. Для запросов используется префикс «query: », а для индексируемых текстов — «passage: »; соблюдение этих префиксов является частью фиксированного контракта эмбеддингов. Поддерживается многоязычный текст, однако конкретный перечень языков не указан. Сильные стороны модели — компактное 384-мерное представление, INT8-формат, совместимость с ONNX Runtime и пригодность для эффективного семантического поиска по многоязычным описаниям. Ограничения включают максимальную длину контекста в 512 токенов, необходимость корректно использовать разные префиксы для запросов и passages, а также отсутствие в README сведений о точной архитектуре, числе параметров и результатах бенчмарков. В репозитории опубликованы config.json, tokenizer.json и единственный файл model.onnx; альтернативные форматы весов не предоставляются.

Это многоязычная модель Sentence Transformers, разработанная prodriguezg01: она дообучена на базе intfloat/multilingual-e5-small на наборе embedding-finetuning-glosario. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией, преобразует текстовые предложения и абзацы в плотные векторы размерности 384. Максимальная длина входа — 512 токенов; сходство векторов обычно оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Обучающий набор содержит пары терминов и определений с отрицательными примерами, поэтому модель может быть полезна для сопоставления терминов с описаниями глоссария. В README приведена оценка cosine_accuracy 1.0 на TripletEvaluator для набора validacionCNMV, но это ограниченный результат на конкретной проверке. Модель принимает текст и выдаёт векторы; поддерживаемые языки включают языки семейства multilingual E5, хотя карточка не перечисляет их полный набор. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Mollel/MultiLinguSwahili-mxbai-embed-large-v1-nli-matryoshka — модель Sentence Transformer, дообученная автором на базе mixedbread-ai/mxbai-embed-large-v1 на наборе Mollel/swahili-n_li-triplet-swh-eng. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического сравнения текстов, поиска, поиска перефразировок, классификации и кластеризации. Архитектура состоит из BERT-трансформера с пулингом CLS-токена; длина последовательности — до 512 токенов, сходство оценивается косинусной мерой. Обучающие данные содержат суахилийские и английские примеры, включая соответствующие по смыслу пары на обоих языках. Модель подходит для семантического поиска и сопоставления текстов на суахили и английском, в том числе в многоязычных сценариях. В README приведены результаты оценки сходства предложений на нескольких размерностях эмбеддингов, но качество на иных языках и прикладных наборах данных не описано. Доступна в формате safetensors; лицензия в предоставленных данных не указана.

mxbai-embed-2d-large-v1 — модель эмбеддингов предложений от Mixedbread AI на архитектуре BERT, реализованная как плотный энкодер. Она содержит около 433,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель создаёт векторные представления предложений и поддерживает адаптивный выбор глубины трансформера и размера эмбеддинга; для этой версии авторы рекомендуют использовать 20–24 слоя. Модель предназначена для поиска по смыслу, сравнения предложений и других сценариев, где текст нужно представить в виде эмбеддингов. По заявлению авторов, уменьшение модели примерно вдвое сохраняет до 85% исходной производительности без дополнительного обучения; также можно уменьшать размер эмбеддингов. Доступны веса Safetensors и формат ONNX, а для вывода подходят Sentence Transformers и Transformers.js. Модель поддерживает английский язык. Лицензия — Apache-2.0. README рекомендует адаптивную конфигурацию слоёв, но не приводит детальных результатов оценки или ограничений качества на отдельных наборах данных.

mlx-community/mxbai-rerank-large-v2 — версия модели mixedbread-ai/mxbai-rerank-large-v2, преобразованная сообществом mlx-community в формат MLX для запуска на устройствах Apple Silicon. Это плотная авторегрессионная модель Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов; базовая модель предназначена для переоценки и сортировки результатов поиска по релевантности запросу. Карточка указывает библиотеку MLX и формат safetensors, а также лицензию Apache-2.0. Модель подходит для включения в конвейеры поиска и RAG, где нужно пересортировать найденные документы или фрагменты по соответствию запросу. Метаданные Hugging Face помечают её задачей text-generation и разговорной моделью, хотя базовая модель предназначена для ранжирования; README описывает конвертацию весов, но не содержит подробностей о вызове реранкера или оценках качества. Языковые теги и карточка базовой модели указывают на многоязычность, но русский язык среди перечисленных языков карточки не указан.