I.11Классификация, ранжирование и сопоставление

cafierom/5Epoch_905_Statin_Contrastive — дообученная модель Sentence Transformers на базе google-bert/bert-base-cased. Она преобразует текстовые последовательности в плотные эмбеддинги размерности 768 и предназначена для сравнения семантической близости с косинусной мерой, семантического поиска и поиска перефразировок. Также эмбеддинги можно использовать для кластеризации и классификации текста. Модель использует BERT с сохранением регистра и усреднённым объединением токеновых представлений; максимальная длина последовательности — 512 токенов. Обучение проводилось на наборе из 148 695 пар premise и hypothesis с метками, с функцией потерь SoftmaxLoss. Примеры данных представлены строками, похожими на записи химических структур, однако назначение модели для конкретной предметной области в карточке явно не сформулировано. Модель принимает текст и выдаёт векторные представления. Лицензия в предоставленных данных не указана, поэтому условия использования по лицензии определить нельзя. Результаты за пределами обучающего распределения и качество на конкретных задачах в карточке не охарактеризованы.

biu-nlp/abstract-sim-query — англоязычный MPNet энкодер от biu-nlp для сопоставления абстрактных описаний предложений с подходящими предложениями. Это часть двухэнкодерной архитектуры: данный компонент кодирует запросы, а для работы нужен парный sentence encoder. Модель обучена на данных Wikipedia и предназначена для получения признаков предложений и поиска семантически подходящих текстов. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст; максимальный контекст — 514 токенов. В репозитории указаны веса PyTorch. Для каталога главная задача — извлечение признаков, хотя архитектура также поддерживает задачу fill-mask. Лицензия в предоставленных данных не указана.

AfriE5-Large-instruct — модель текстовых эмбеддингов, разработанная для улучшенной поддержки африканских языков на основе multilingual-e5-large-instruct. Она предназначена для преобразования текстов и запросов в векторы для семантического поиска, сравнения предложений и других задач, где нужно оценить смысловое сходство. Модель основана на XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает контекст длиной до 514 токенов. При обучении использовались межъязыковое контрастивное обучение и дистилляция знаний; базовая модель указана в метаданных как дообученная. Обучение было нацелено на амхарский, оромо, хауса, игбо, киньяруанда, суахили, тви, коса, йоруба и зулу. В README заявлена проверка на 59 языках, а метаданные также отмечают английский. В тестах AfriMTEB модель показала средние результаты 63,7 на наборе из девяти языков и 62,4 на наборе из 59 языков. Лицензия — MIT.

AiPixel Tag Creator 7B — языковая модель компании AiPixel для автоматической разметки материалов по их названию и краткому описанию. Она определяет технологии, целевые профессиональные группы, уровень и язык материала. Модель основана на плотной архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текст и генерирует текстовую разметку; контекст составляет до 4096 токенов. В метаданных указана лицензия Llama 2. Карточка не описывает конкретные ограничения качества или поддерживаемые языки.

nadrajak/allenai-specter-ft2 — дообученная модель Sentence Transformers на базе sentence-transformers/allenai-specter. Она использует архитектуру BERT с пулингом по CLS-токену, преобразует текстовые фрагменты в плотные эмбеддинги размерности 768 и сравнивает их косинусным сходством. Максимальная длина входа — 512 токенов; модель обучалась с TripletLoss на наборах с примерами anchor, positive и negative. Модель подходит для семантического поиска, поиска похожих текстов и публикаций, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. Базовая модель ориентирована на заголовки и аннотации научных статей на английском языке, поэтому это профильный выбор для поиска научных публикаций; README сообщает высокую точность на TripletEvaluator, но не раскрывает контекст этих оценок и состав обучающих данных. Для использования нужны текстовые входы; результатом являются векторы, пригодные для поиска и сравнения. Репозиторий распространяется в формате safetensors и использует лицензию базовой модели, однако сведения о лицензии в предоставленных данных отсутствуют.

LazarusNLP/all-indo-e5-small-v3 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска семантически близких текстов, кластеризации и других задач сравнения смысла. Модель обучалась с MultipleNegativesRankingLoss на наборах данных, включающих индонезийские задачи понимания, поиска и сходства текстов. Модель содержит 124,3 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт векторы. Она ориентирована прежде всего на индонезийский язык. Для использования доступны веса Safetensors и библиотека Sentence Transformers; условия лицензии в предоставленных данных не приводятся.

LazarusNLP разработала all-indo-e5-small-v4 — модель Sentence-Transformers на архитектуре BERT с 124,3 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CachedMultipleNegativesRankingLoss на наборах данных для семантического сходства, поиска и вопросов и ответов. Контекст ограничен 512 токенами. Репозиторий содержит веса в форматах Safetensors и ONNX; лицензия в предоставленных данных не указана.

tabiya/all-MiniLM-L6-v2-occupation-fine-tuned — модель на архитектуре BERT, созданная на базе семейства all-MiniLM-L6-v2 и дообученная для работы с предложениями и абзацами. Она преобразует текст в плотные эмбеддинги размерностью 384 и подходит для семантического поиска и кластеризации. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; модель распространяется в формате safetensors и использует библиотеку Sentence Transformers. Модель можно применять для поиска по смыслу в текстах об occupation и для группировки похожих текстовых описаний. README указывает на обучение с MegaBatchMarginLoss, но не приводит подробностей обучающих данных и результатов оценки. Лицензия в предоставленных данных не указана.

sudomoniker/all-MiniLM-L6-v2-Q8_0-GGUF — это квантованное представление в формате GGUF модели sentence-transformers/all-MiniLM-L6-v2, преобразованное с помощью llama.cpp через GGUF-my-repo. Модель разработана на базе Sentence Transformers и предназначена для задач семантического сходства и извлечения признаков из текстов. В карточке указано, что она обучалась на англоязычных данных из различных источников, включая S2ORC, Stack Exchange, MS MARCO, SNLI, MultiNLI, Natural Questions и другие наборы данных. Модель рассчитана на сравнение предложений, поиск похожих текстов, семантический поиск, кластеризацию и построение текстовых эмбеддингов. Она поддерживает работу локально через llama.cpp, включая CLI и серверный режим. Суффикс Q8_0 указывает на 8-битное квантование, которое обычно позволяет уменьшить требования к ресурсам, однако в README не приведены точные размер модели, длина контекста, архитектурные параметры и численные результаты оценки. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

Xenova/all-mpnet-base-v2 — модель для извлечения признаков, представляющая собой ONNX-версию модели sentence-transformers/all-mpnet-base-v2. Репозиторий подготовлен Xenova для совместимости с библиотекой Transformers.js и запуска в JavaScript-средах, включая веб-приложения. Модель предназначена для преобразования текстовых входов в числовые представления, которые могут использоваться в задачах семантического поиска, сравнения текстов, кластеризации и других сценариях обработки естественного языка. В README приведён пример запуска через pipeline feature-extraction в Transformers.js. Из доступных данных известно, что используются ONNX-веса и поддерживается работа через Transformers.js. Размер модели, точная архитектура, языки, максимальная длина контекста, набор модальностей, показатели качества и лицензия в README не указаны. Отдельно отмечено, что размещение ONNX-весов в отдельном репозитории рассматривается как временное решение до более широкого распространения WebML.

allnli-GroNLP-bert-base-dutch-cased — модель Sentence-Transformers на основе BERT, предназначенная для получения плотных векторных представлений предложений и абзацев. Модель разработана для нидерландского языка и содержит 136,3 млн параметров; размерность выходных векторов — 768, максимальная длина контекста — 512 токенов. Векторы можно использовать для семантического поиска и кластеризации текстов. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. Она принимает текст и выдаёт эмбеддинги; для использования доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана. Модель ориентирована на нидерландский язык, поэтому качество для других языков не подтверждено.

yahyaabd разработал yahyaabd/allstats-search-mini-v1-1-mnrl-sts — модель Sentence Transformers на архитектуре BERT, дообученную на датасете BPS-STS-dataset-v1 для сравнения смысловой близости текстов. Она кодирует предложения и абзацы в плотные векторы размерности 384; для оценки сходства используется косинусная мера. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Модель принимает текст, а на выходе выдаёт векторы; максимальная длина последовательности в README — 128 токенов, тогда как метаданные указывают нативный контекст 512 токенов. Обучение и примеры в карточке сосредоточены на текстах о статистике и целях устойчивого развития Индонезии; приведённые оценки на STS-наборах показывают корреляцию Спирмена 0,8363 и 0,8631. Лицензия в предоставленных данных не указана.

AmarettoLabs разработала amaretto-embed-148m как компактную модель эмбеддингов на основе google/embeddinggemma-300m. Это плотный текстовый энкодер семейства Gemma 3 с 147,9 млн параметров, словарём из 60 497 токенов и контекстом до 2048 токенов. Модель преобразует текст в векторы размерностью 768 и поддерживает Matryoshka-размеры 512, 256 и 128; для работы используется библиотека Sentence Transformers. Модель предназначена для семантического поиска, извлечения документов для RAG, сравнения предложений, кластеризации и классификации на английском, испанском, португальском, французском, немецком, итальянском, нидерландском и польском языках, а также для исходного кода. Словарь сокращён, а качество восстановления эмбеддингов улучшено дистилляцией от исходной модели. По данным README, результаты близки к EmbeddingGemma для поиска и семантического сходства, при этом модель рассчитана на более компактное развертывание, включая устройства с ограниченной памятью. Качество резко снижается для языков и письменностей вне перечисленного набора, включая русский и другие кириллические языки. Для длинных документов результаты слабее, особенно для англоязычных текстов; при переходе с EmbeddingGemma нужно заново индексировать корпус, поскольку векторы близки, но не идентичны. Лицензия Gemma; использование ограничено условиями Gemma Terms и включённой в них политикой запрещённого использования.

andreasmartin/apertus-v1.1-swiss-embed-0.4b-bidir-langmoe — экспериментальная модель эмбеддингов для семантического и межъязыкового поиска, созданная адаптацией модели andreasmartin/apertus-v1.1-swiss-embed-0.4b-bidir. Разработчик заменил финальную плотную проекцию эмбеддинга на разреженную смесь из семи экспертов с маршрутизатором Top-2; базовые модули до проекции были заморожены. Модель содержит около 446 млн параметров, принимает текст и формирует векторные представления предложений. Метаданные указывают контекст до 4096 токенов, однако качество MoE-головы обучалось на представлениях длиной до 512 токенов и отдельно не проверялось на более длинном контексте. Модель предназначена для извлечения релевантных документов и поиска сходных предложений, в том числе между языками Швейцарии. В карточке указаны немецкий, английский, французский и итальянский; эксперты также помечены для ретороманского и швейцарского немецкого, но эти метки являются экспериментальными и сами по себе не означают гарантированную поддержку языков. Внутренние диагностические результаты не являются внешними бенчмарками. Для загрузки артефакта требуется trust_remote_code=True, пока модуль не зарегистрирован в Sentence Transformers. Лицензия — Apache-2.0.

danfeg/ArabicBERT_Finetuned-EN-2481 — дообученная модель Sentence Transformers на архитектуре BERT для преобразования предложений и абзацев в плотные векторы размерностью 1024. Векторы можно использовать для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель принимает текст и формирует эмбеддинги; для работы с Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Максимальная длина контекста — 512 токенов. В карточке описано обучение с CosineSimilarityLoss. Язык модели явно не подтверждён: суффикс EN в названии сам по себе недостаточен, чтобы установить поддержку английского. Лицензия в предоставленных данных не указана.

Arabic-STS-Matryoshka-V2 — арабоязычная модель Sentence Transformers, дообученная разработчиком на базе aubmindlab/bert-base-arabertv02 для получения векторных представлений предложений и абзацев. Она построена на BERT с усреднением токенных представлений и формирует эмбеддинги размерности 768; для сравнения текстов указана косинусная мера сходства. Модель предназначена для семантического поиска, оценки смыслового сходства и кластеризации арабских текстов. Поддерживаются Matryoshka-эмбеддинги: векторы можно сокращать до 512, 256, 128 или 64 измерений, чтобы уменьшить требования к хранению и вычислениям. Максимальная длина последовательности — 512 токенов. Модель работает только с арабским языком и принимает текст, выдавая векторы для сравнения и поиска. В README приведена оценка на арабской части MTEB STS17 с небольшим снижением качества при уменьшении размерности, но числовые результаты не указаны. Лицензия в предоставленных данных не приведена.

AbderrahmanSkiredj1/Arabic_text_embedding_for_sts — модель Sentence Transformers, разработанная Abderrahman Skiredj. Это дообученная BERT-модель для получения плотных векторных представлений арабских предложений и абзацев и оценки их семантического сходства. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель содержит 162,4 млн параметров, использует mean pooling и выдаёт эмбеддинги размерностью 768; для сравнения текстов предусмотрено косинусное сходство. Максимальная длина входа — 512 токенов. Модель обучена на датасете с парами и тройками арабских текстов, включающем данные Quora, STS, Alue, Holy Quran и Aranli. Модель предназначена прежде всего для работы с арабским языком; качество для других языков не заявлено. Лицензия в предоставленных данных не указана.

AraModernBERT Base V1.0 — модель NAMAA-Space для понимания арабского языка на архитектуре ModernBERT. Она обучена предсказывать замаскированные токены на 100 ГБ арабского текста; для токенизации используется словарь из 50 280 единиц, подготовленный для арабского языка с применением transtokenization при инициализации эмбеддингов. Модель содержит 148,9 млн параметров, 22 слоя, 12 голов внимания и поддерживает контекст до 8 192 токенов с локальным и глобальным вниманием. Основная задача модели — заполнение пропусков в тексте. Её представления также можно применять в поиске информации, RAG, сравнении документов, классификации текстов, анализе тональности и распознавании именованных сущностей. В карточке приведены результаты отдельных экспериментов на классификации SANAD и арабском NER; отдельная STS-версия, согласно README, планировалась к выпуску отдельно. Модель ориентирована прежде всего на современный стандартный арабский язык; качество может отличаться на диалектах, классических текстах и узкоспециализированной лексике, а обучающие данные могут содержать смещения. Лицензия — Apache-2.0.

Armenian-Text-Embeddings-2-large — модель Metric-AI для создания плотных векторных представлений армянских текстов. Она дообучена на базе intfloat/multilingual-e5-large, использует архитектуру XLM-RoBERTa и содержит около 658,7 млн параметров. Модель принимает текст и выдаёт эмбеддинги размерностью 1024; максимальная длина последовательности — 514 токенов. Модель предназначена для семантического поиска на армянском языке, задач RAG, сравнения документов, информационного поиска, классификации и кластеризации текстов. В карточке также заявлена обработка транслитерированных запросов и поддержка межъязыкового понимания. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Качество может снижаться на узкоспециализированной терминологии; модель может недостаточно учитывать культурный контекст армянского языка. На результаты также могут влиять качество обучающих данных и предвзятость текстов Reddit.

Модель ulisesbravo/autotrain-po0st-um4bf — дообученная с помощью AutoTrain модель MPNet для классификации текста по категориям. Она принимает текст и предсказывает метку класса; карточка сообщает о качестве на валидации: accuracy 0,793 и macro F1 0,758. Модель содержит 136,7 млн параметров, использует архитектуру MPNetForSequenceClassification и формат safetensors. Контекст составляет до 514 токенов. Сведения о конкретных категориях и языке обучающих данных не приведены. Лицензия в доступных данных не указана.

clairedhx/autotrain-transcriptions — дообученная модель эмбеддингов на архитектуре BERT, созданная с помощью AutoTrain на основе sentence-transformers/multi-qa-MiniLM-L6-cos-v1. Она предназначена для преобразования текстов в векторы и оценки семантического сходства; возможные сценарии — поиск похожих транскрипций и подбор релевантных текстовых фрагментов. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Для работы используется библиотека Sentence Transformers. В README указан тип задачи Sentence Transformers и приведена метрика loss 0,1244 на валидации. Карточка не уточняет язык и состав обучающих данных, поэтому пригодность для конкретного языка или предметной области по этим сведениям оценить нельзя. Лицензия в предоставленных данных не указана.

Formzu/bert-base-japanese-jsnli — японская модель классификации последовательностей, созданная дообучением cl-tohoku/bert-base-japanese-v2 на наборе JSNLI. Её можно применять для вывода отношений между текстами и классификации без специально обученной головы для каждого набора категорий: пользователь задаёт текст и варианты меток, а модель оценивает их соответствие с помощью гипотезы на японском языке. Модель построена на архитектуре BERT, содержит 138,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов. В карточке приведён результат на оценочной выборке JSNLI: accuracy 0,9288. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

Capreolus/bert-base-msmarco — модель BERT-Base, дообученная на задаче классификации пассажей MS MARCO. Она предназначена для классификации пар запрос–текст и может использоваться как компонент ранжирования пассажей и документов, в частности для инициализации вариантов BERT-MaxP и PARADE. Модель разработана в рамках проекта Capreolus; исходные веса основаны на google/bert_uncased_L-12-H-768-A-12 и преобразованы из контрольной точки TensorFlow 1. Архитектура — BertForSequenceClassification с 136,7 млн параметров и контекстом до 512 токенов. Доступны форматы PyTorch, TensorFlow и Flax. Для описанного сценария модель принимает текст и выдаёт оценку класса; её основное назначение — классификация пассажей для поиска и последующего ранжирования. В README приведена ссылка на реализацию BERT-MaxP и рекомендуется цитировать статью PARADE при использовании весов. Лицензия в предоставленных данных не указана.

emrecan/bert-base-turkish-cased-mean-nli-stsb-tr — модель для получения векторных представлений предложений и абзацев, опубликованная автором emrecan. Она основана на BERT с 137,8 млн параметров и формирует плотные эмбеддинги размерности 768; модель обучалась на машинно переведённых на турецкий язык данных NLI и STS-B с использованием Sentence-Transformers. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации турецкоязычных предложений. В README приведены результаты оценки на тестовой выборке: корреляция Пирсона 0,834 и Спирмена 0,830 для косинусного сходства. Доступна по лицензии Apache-2.0. Результаты зависят от домена и качества текстов; обучение на машинных переводах может влиять на качество.

deepvk/bert-base-uncased — предобученный двунаправленный энкодер BERT, разработанный deepvk для обработки текстов, преимущественно на русском языке. Модель обучалась стандартной задачей masked language modeling на корпусе из 250 ГБ отфильтрованных текстов, включая Википедию, книги и данные из социальных сетей. По метаданным, она содержит 140,9 млн параметров, использует архитектуру BERT с 12 слоями и 12 головами внимания и поддерживает контекст до 512 токенов. Модель предназначена для извлечения признаков из текста и может служить основой для дообучения под классификацию, анализ сходства и другие задачи понимания языка. В репозитории находятся только веса энкодера без предварительно обученной выходной головы, поэтому для конкретной задачи может потребоваться подходящая голова и дообучение. Карточка сообщает о преимущественно русском обучающем корпусе с небольшой долей других языков; метаданные указывают русский и английский. Лицензия — Apache 2.0.

Модель textattack/bert-base-uncased-ag-news — классификатор текстов на базе BERT, дообученный командой TextAttack на наборе данных AG News. Она предназначена для отнесения новостных текстов к тематическим категориям. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов; при обучении использовалась максимальная длина 128 токенов. В карточке указана точность 0,9514 на оценочной выборке. Модель подходит для автоматической сортировки новостей и тематической разметки текстовых публикаций. Данных о лицензии в предоставленных источниках нет.

Intel выпустила дообученную версию BERT base uncased для определения смысловой эквивалентности пары английских предложений. Модель основана на двунаправленном трансформере BERT с 136,7 млн параметров и классификационной головой BertForSequenceClassification; она принимает текстовые пары и присваивает им метку сходства. Обучение выполнено на наборе GLUE MRPC, содержащем пары предложений из новостных текстов с человеческой разметкой перефразирования. Контекст модели — до 512 токенов. Модель подходит для классификации перефраз, проверки дублирующих формулировок и оценки семантической близости двух предложений на английском языке. В карточке приведены результаты на оценочной выборке MRPC: accuracy 0,8603 и F1 0,9042. Модель нечувствительна к регистру. Это классификатор для ограниченной задачи, а не генеративная модель; результаты могут отражать смещения обучающих данных и не гарантируют надёжность на других типах текстов. Лицензия — Apache-2.0.

amber-tech/bert-multilingual-passage-reranking-msmarco — мультиязычная модель ранжирования пассажей, дообученная на данных MS MARCO. Она принимает поисковый запрос и текстовый фрагмент, оценивает их соответствие и выдаёт оценку от −10 до 10; более высокое значение означает более релевантную пару. Модель построена на BERT с полносвязной сетью над вектором CLS размерности 768 и содержит 194,6 млн параметров. Модель предназначена для повторного ранжирования первых результатов поиска, например для повышения релевантности выдачи Elasticsearch. README заявляет поддержку более 100 языков, хотя обучение проводилось на англоязычных данных; автор также сообщает о хороших результатах на немецких запросах. Суммарный вход запроса и фрагмента ограничен 512 токенами, а указанное время обработки составляет около 300 мс на запрос на GPU. Модель доступна по лицензии Apache-2.0. Скорость может ограничивать её применение к большим наборам результатов; заявленные улучшения релевантности основаны на оценках автора и не гарантируют такой же эффект на других поисковых системах и данных.

Pankaj8922/bert-small-nli — модель Pankaj8922, дообученная на базе praJJwal1/bert-small для распознавания логических отношений между текстом и гипотезой: следования, нейтральности и противоречия. Её можно применять для классификации текста по произвольным категориям через zero-shot-подход: к тексту добавляют гипотезу вида «This text is about {label}.» и оценивают отношение между ними. Модель использует архитектуру BERT с классификационной головой BertForSequenceClassification, содержит 32,4 млн параметров и принимает текст с контекстом до 512 токенов. Обучена на сбалансированной и отфильтрованной смеси наборов MNLI, SNLI, FEVER-NLI и ANLI. В README указаны точность и macro-F1 около 0,805 на тестовой выборке. Подходит для быстрого инференса и сред с ограниченными ресурсами; на новых наборах меток её zero-shot-точность ниже, чем у более крупных NLI-моделей. Лицензия — Apache-2.0.

Augmented SBERT STSb — модель cross-encoder на основе BERT, представленная как демонстрационный пример в курсе NLP for Semantic Search. Она предназначена для оценки семантического сходства пары предложений и примеров поиска по смыслу; в README модель используется в главе о расширении внутридоменного набора данных с помощью BERT. Модель содержит 136,7 млн параметров, принимает текстовые пары, обрабатывает последовательности длиной до 512 токенов и выдаёт оценку сходства. Для работы используются PyTorch и архитектура BertForSequenceClassification. Модель пригодна для ранжирования кандидатов по сходству с запросом и поиска похожих предложений, но предназначена прежде всего для демонстрации и не является универсальной чат-моделью. В карточке не приведены сведения о лицензии и поддерживаемых естественных языках.