I.11Классификация, ранжирование и сопоставление

Модель check2207/CS221_vietnamese_embedding — дообученный Sentence Transformer на базе AITeamVN/Vietnamese_Embedding, разработанный для получения плотных векторных представлений предложений и абзацев. Архитектура использует XLM-RoBERTa с пулингом CLS и нормализацией; размер эмбеддинга — 1024 измерения. Модель принимает текст и сопоставляет его с другими текстами по косинусному сходству, в том числе для поиска и извлечения релевантных документов. В карточке заявлена поддержка текстовой модальности и максимальная длина последовательности 256 токенов. Модель обучалась на 3257 примерах с anchor, positive и negative парами и подходит для семантического поиска по вьетнамским текстам; базовая модель описана как эмбеддер для вьетнамского языка на основе BGE-M3. Лицензия в предоставленных данных не указана.

Карточка модели crisistransformers/CT-M1-Complete-SE на Hugging Face совпадает с карточкой crisistransformers/CT-XLMR-SE, поэтому описание составлено по ней. CT-XLMR-SE — многоязычный энкодер предложений из семейства CrisisTransformers, разработанный авторами этих моделей для текстов кризисных событий в социальных сетях. Он основан на архитектуре XLM-RoBERTa и обучен на корпусе публикаций о более чем 30 кризисах; число параметров — 305,2 млн, контекст — до 514 токенов. Модель создаёт векторные представления предложений и предназначена для семантического поиска, кластеризации и тематического моделирования кризисных сообщений. Энкодер поддерживает более 50 языков, включая русский и английский, и может применяться без дополнительного дообучения для задач векторизации и сравнения сходства предложений. В метаданных указана лицензия Apache-2.0.

Карточка модели crisistransformers/CT-mBERT-SE на Hugging Face совпадает с карточкой crisistransformers/CT-XLMR-SE, поэтому описание составлено по ней. CT-XLMR-SE — многоязычный энкодер предложений из семейства CrisisTransformers, разработанный авторами этих моделей для текстов кризисных событий в социальных сетях. Он основан на архитектуре XLM-RoBERTa и обучен на корпусе публикаций о более чем 30 кризисах; число параметров — 305,2 млн, контекст — до 514 токенов. Модель создаёт векторные представления предложений и предназначена для семантического поиска, кластеризации и тематического моделирования кризисных сообщений. Энкодер поддерживает более 50 языков, включая русский и английский, и может применяться без дополнительного дообучения для задач векторизации и сравнения сходства предложений. В метаданных указана лицензия Apache-2.0.

cupidon-small-ro — модель эмбеддингов предложений на базе BERT, созданная дообучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 на датасете RoSTSC. Она предназначена прежде всего для оценки семантического сходства румынских предложений, а также для семантического поиска и кластеризации. Модель принимает текст и выдаёт векторные представления предложений; доступна в форматах safetensors, ONNX и OpenVINO. Размер модели — 124,3 млн параметров, контекст — до 512 токенов. Компактная архитектура подходит для эффективного построения систем поиска и сравнения текстов на румынском языке. Базовая модель многоязычная, однако карточка описывает специализацию cupidon-small-ro именно на румынских предложениях. Модель распространяется по лицензии Apache-2.0.

cupidon-tiny-ro — модель Sentence Transformers на архитектуре BERT, разработанная BlackKakapo и дообученная на румынских данных от базовой модели sentence-transformers-testing/stsb-bert-tiny-safetensors. Она преобразует предложения в компактные векторные представления для оценки семантического сходства, поиска и кластеризации. Модель содержит 4,4 млн параметров, принимает текст, поддерживает контекст длиной до 512 токенов и рассчитана на румынский язык. Доступны форматы ONNX, OpenVINO и Safetensors; лицензия Apache-2.0. Для использования через Transformers поверх контекстных представлений требуется применить подходящую операцию pooling.

sileod/deberta-v3-base-tasksource-nli — модель на базе DeBERTa-v3-base, дообученная разработчиком sileod методом многозадачного обучения на более чем 600 задачах коллекции Tasksource. Она предназначена прежде всего для классификации без примеров: модель сопоставляет текст с произвольными кандидатными метками через вывод о следовании. Также её можно применять для вывода на естественном языке (NLI), выполнять поддерживаемые задачи Tasksource с адаптерами и дообучать для классификации, разметки токенов и задач с выбором ответа. Модель имеет архитектуру DeBERTaV2ForSequenceClassification, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Обучение охватывает разнообразные датасеты для NLI и классификации; указанный в карточке основной язык — английский. В README сообщается о сильных результатах zero-shot-проверок на ряде задач и первом месте среди моделей той же архитектуры в оценке IBM model recycling. Модель устарела: автор рекомендует заменить её другой моделью с более длинным контекстом и лучшей точностью. Лицензия — Apache-2.0.

AIArchiveInfo публикует побайтную архивную копию модели MoritzLaurer/deberta-v3-large-zeroshot-v2.0. Согласно README, веса не обучались и не изменялись при копировании; исходная модель основана на DeBERTa V3 Large и предназначена для классификации текста без размеченных примеров с помощью zero-shot-пайплайна Hugging Face. Она оценивает, следует ли гипотеза из текста, и позволяет формулировать пользовательские категории как гипотезы, например для тематической классификации, анализа тональности или разметки обращений. Модель имеет 533,8 млн параметров, контекст до 512 токенов и англоязычную карточку. Доступны форматы Safetensors и ONNX; библиотека — Transformers. README приводит результаты оценки на 28 задачах классификации и указывает, что DeBERTa V3 обычно точнее RoBERTa, но работает медленнее. Модель ограничена классификацией текста; результат зависит от формулировок гипотез и категорий, а возможные смещения связаны с базовой моделью и обучающими данными. Лицензия — MIT. Архивная копия сохраняет лицензию исходной модели.

decider-0.8b — дообученная модель Mapika на базе Qwen/Qwen3.5-0.8B-Base, предназначенная для классификации и принятия решений по заданному состоянию. Она принимает текст или значение JSON и набор типизированных вопросов, а за один проход возвращает вероятности вариантов Choice, уровней Score или ответа «да/нет» Noul. Модель не генерирует свободный текст и не требует декодирования или разбора ответа; заявленный контекст составляет 262144 токена, число параметров — 581,4 млн. Модель рассчитана на маршрутизацию запросов, классификацию, оценочные суждения и поиск по JSON-данным. На коротких состояниях её результаты по маршрутизации и простым суждениям близки к более крупной версии decider-2b, но она слабее на задачах, требующих широких знаний, тонких различий между метками или многошагового рассуждения. Обучение выполнено в один этап на смеси из 1,47 млн примеров; обучающие данные, составленные учителем Qwen3.5-27B, могут переносить его смещения. Модель предназначена для английского языка и распространяется по лицензии Apache-2.0.

Mapika/decider-chat-gemma4-31b — конфигурация для использования неизменённых весов google/gemma-4-31B-it как модели типизированных решений. Она принимает описание состояния и один или несколько вопросов с заданными вариантами ответа, а за один проход выдаёт распределение вероятностей по вариантам без авторегрессионной генерации. Для чтения ответа используется шаблон чата Gemma-4 с отключённым режимом рассуждений; вероятности калибруются температурой, зависящей от числа вариантов. Модель предназначена для классификации, выбора из вариантов, ответов «да/нет» и оценивания по шкале в структурированных сценариях. Базовая модель — плотная мультимодальная Gemma 4 Instruct от Google DeepMind с 31 млрд параметров; веса представлены в safetensors, в README указано хранение в bf16. Карточка сообщает о результате 57,33 в Decision Index v0.2.1 и совпадении ответов при повторном запуске сохранённых примеров. Лицензия — Apache-2.0. Обёртка требует decider-ai версии 1.8.0 или новее; она не дообучает модель и сохраняет её исходные знания и ошибки.

Deem-4B — языковая модель на 4 млрд параметров от Eschatia Labs и Mert Kaya для классификации, маршрутизации и выбора решения с оценками вероятности. Она дообучена с помощью LoRA на InternLM/Intern-Decision-4B и предназначена для локального запуска; исходная реализация использует Transformers, также доступны сборки GGUF. Модель принимает текст и поддерживает контекст до 8 тысяч токенов. Основной язык — английский; при обучении использовались также турецкий и немецкий данные. В карточке указаны точность 94,7% и Brier score 0,091 на отложенных англоязычных решениях из того же конвейера данных, что и обучающая выборка. Эти показатели не гарантируют аналогичного качества на пользовательских данных. Модель может выдавать вероятности вариантов решения и предназначена для задач вроде сортировки запросов, проверки условий и первичной маршрутизации. Ограничения: длинный нерелевантный текст и вычисления с датами снижают качество; инструкции, встроенные в исходный текст, иногда меняют ответы. Перед использованием порогов уверенности рекомендуется заново откалибровать вероятности на собственных данных, а значимые решения проверять отдельно. Лицензия — Apache-2.0.

Dewey EN Beta — англоязычная модель эмбеддингов от NovaSearch Team, разработанная совместно с Richinfo на базе answerdotai/ModernBERT-large. Это дообученный двунаправленный энкодер ModernBERT с 394,7 млн параметров; веса опубликованы в формате safetensors, лицензия — MIT. Модель принимает английский текст и строит векторные представления для поиска и сравнения текстов. Контекстное окно достигает 131 072 токенов. Модель поддерживает представление одним вектором и набором векторов по смысловым фрагментам; для поиска документов запрос кодируют одним вектором, а релевантность документа определяют по максимальному сходству с его векторами фрагментов. В README рекомендовано добавлять специальные промпты для поиска, семантического сходства, классификации и кластеризации. Авторы заявляют о сильных результатах на коротких и длинных англоязычных тестах, однако эти оценки приведены в карточке модели и не являются независимой гарантией качества. Модель подходит для семантического поиска по длинным документам, сходства предложений, кластеризации и классификации текстов. Авторы называют её альфа- или бета-версией и отмечают, что на коротких текстах она может уступать специализированным моделям эмбеддингов; поддерживается только английский язык.

Danica Fisher дообучила англоязычный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель кодирует предложения и абзацы в плотные семантические векторы размерности 384; архитектура включает энкодер BERT, усреднение токенов и нормализацию. Для сравнения векторов используется косинусное сходство. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и получения признаков для классификации. Обучение описано как дообучение на 180 парах предложений с MultipleNegativesRankingLoss. Карточка не сообщает о специализированной поддержке русского языка, поэтому основное применение следует ориентировать на английский текст. Лицензия в предоставленных данных не указана.

Dialog2Flow joint target model — англоязычная модель на базе BERT-base, представленная Sergio Burdisso и соавторами в работе Dialog2Flow на конференции EMNLP 2024. Это модель Sentence-Transformers, дообученная для получения плотных векторных представлений предложений и абзацев: она отображает текст в пространство размерности 768 и предназначена для извлечения структуры потока диалога. Модель можно применять для поиска и кластеризации реплик, а также для извлечения потока диалога по смысловому сходству. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на данных DialogStudio и dialog2flow-dataset с контрастивной функцией потерь. Веса опубликованы в формате safetensors. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении её условий. Модель предназначена для английского языка; качество на других языках в карточке не подтверждено.

Модель разработана Карлом Вайнмайстером и представляет собой DistilBERT, дообученный на наборе данных facebook/anli для задач понимания английского текста. Она поддерживает классификацию текста и оценку сходства предложений; архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. Модель подходит для сравнения текстовых фрагментов и классификационных сценариев на английском языке. Распространяется по лицензии Apache-2.0.

distilbert-foundation-category-c5 — дообученная модель DistilBERT для классификации текстов по категориям. Она разработана автором thedavidhackett на базе distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель предназначена для задач классификации последовательностей; в README приведены результаты оценки: accuracy 0,9335 и loss 0,3193. Максимальная длина контекста составляет 512 токенов. Базовая модель uncased, то есть не различает регистр английских букв; доступные сведения не описывают набор категорий, обучающие данные и ограничения применения. Модель распространяется по лицензии Apache-2.0.

eric-mc2/distilbert-foundation-category-c6 — дообученная модель DistilBERT для классификации текста по категориям. В метаданных указана архитектура DistilBertForSequenceClassification и базовая модель distilbert/distilbert-base-uncased. Модель принимает текст и выдаёт метку класса; README сообщает точность 0,9226 и loss 0,3598 на оценочной выборке, но не описывает сами категории и датасет. Контекст составляет 512 токенов. Модель распространяется по лицензии Apache-2.0.

osiria/distiluse-base-italian — модель DistilUSE для получения векторных представлений предложений на итальянском языке. Она создана на основе mDistilUSE (sentence-transformers/distiluse-base-multilingual-cased-v1) с адаптацией слоя эмбеддингов под итальянский язык с использованием частот слов из Википедии. Модель построена на архитектуре DistilBERT, содержит 67 млн параметров и словарь из 30 785 токенов; максимальная длина контекста — 512 токенов. Модель предназначена для кодирования итальянских текстов и вычисления сходства между ними, например, для семантического поиска и сравнения предложений. Она принимает текст и выдаёт векторные представления. Выпущена под лицензией Apache-2.0.

AQ-MedAI/Diver-GroupRank-7B — языковая модель-реранкер на 7,1 млрд параметров, разработанная для парадигмы GroupRank и обученная с подкреплением. Она принимает запрос и небольшую группу кандидатов, сравнивает их с учётом контекста группы и выдаёт отдельные оценки релевантности. Модель основана на Qwen2.5-7B-Instruct и дообучена на данных, включающих BRIGHT и reasonrank_data_13k. Модель предназначена для переранжирования результатов информационного поиска, особенно для запросов, требующих рассуждений и сравнения нескольких документов. В карточке заявлены результаты на BRIGHT и обобщение на классические задачи поиска; длина контекста составляет 32 768 токенов. Архитектура — плотная Qwen2 для генерации текста, а основной сценарий применения — ранжирование текстовых кандидатов. Модель опубликована под лицензией Apache-2.0. Для использования в групповой схеме нужно передавать запрос и набор кандидатов; качество ранжирования зависит от состава группы и формулировки запроса. В README приведены результаты бенчмарков, но не описаны ограничения по языкам или гарантии качества на конкретных прикладных корпусах.

mradermacher/e5-base-v2-i1-GGUF — набор квантизированных файлов модели intfloat/e5-base-v2, подготовленный пользователем mradermacher. Модель предназначена для получения векторных представлений предложений и оценки их семантического сходства, а также может применяться в задачах семантического поиска, кластеризации и других сценариях, где используются sentence embeddings. В README указана поддержка английского языка. Модель распространяется в формате GGUF и доступна в вариантах квантизации i1-IQ и i1-Q с размером файлов примерно от 0,1 до 0,2 ГБ. В набор входят варианты с различным компромиссом между размером, скоростью и качеством; для некоторых низкобитных вариантов прямо отмечено пониженное качество, а i1-Q4_K_S и i1-Q4_K_M обозначены как удачные варианты по соотношению характеристик. Архитектура, число параметров, модальности и размер контекста в README не указаны. Лицензия модели — MIT. Квантизация уменьшает требования к хранению и вычислительным ресурсам, но может снижать качество представлений по сравнению с исходной моделью; степень снижения зависит от выбранного варианта GGUF.

E5-large-trm — сжатая версия многоязычной модели intfloat/multilingual-e5-large, подготовленная с помощью vocabtrimmer; сведения об авторе в карточке не приведены. Модель создаёт текстовые эмбеддинги для семантического поиска, сравнения предложений и ранжирования. В README описан пример кодирования запросов и документов для MS MARCO. Архитектура — XLM-RoBERTa; модель содержит около 453,9 млн параметров, использует Sentence Transformers и сохраняется в формате safetensors. Контекст — до 514 токенов. Словарь сокращён с 250 002 до 50 002 токенов на данных нидерландского раздела C4, а размер матрицы эмбеддингов — с 256 млн до 51,2 млн параметров. Это делает модель ориентированной прежде всего на нидерландский язык; карточка также указывает связь с многоязычной базовой моделью E5. Лицензия — MIT. Представленные данные не уточняют, насколько качество сохраняется для других языков после обрезки словаря.

nixiesearch/e5-small-v2-onnx — это ONNX-версия модели intfloat/e5-small-v2, преобразованная с помощью инструмента onnx-convert. Модель разработана для преобразования предложений и абзацев в плотные векторы фиксированной размерности, пригодные для семантического поиска, кластеризации и задач определения сходства текстов. Модель относится к семейству sentence-transformers и предназначена прежде всего для англоязычных текстов. В составе доступны вариант Float32 с оптимизацией уровня 2 и вариант model_opt2_QInt8.onnx с 8-битным квантованием QInt8 и той же оптимизацией. Размерность эмбеддингов в README не указана; сведения об архитектуре, максимальной длине контекста и точной поддерживаемой мультимодальности отсутствуют. Модель работает только с текстовыми входами. К сильным сторонам относятся формат ONNX, наличие оптимизированной и квантованной версии, а также возможность использовать модель в системах семантического поиска и кластеризации. Ограничения включают отсутствие заявленной поддержки других языков и нехватку данных о производительности, размере векторов и контекстном окне. Модель распространяется по лицензии Apache 2.0.

kongchan/e5-word-meta-ko — модель эмбеддингов на базе Sentence Transformers, дообученная разработчиком на 25 358 примерах из набора json от dragonkue/multilingual-e5-small-ko-v2. Она кодирует текстовые запросы и описания в плотные векторы размерности 384, нормализует их и предназначена для семантического поиска и сопоставления запросов с документами по косинусному сходству. Архитектура состоит из трансформера BERT с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. В README приведена оценка на наборе meta-assistant-terms: точность cosine_accuracy@1 составляет 0,9889, а @3 и @5 — 0,9997. Примеры обучающих данных показывают корейские запросы и определения терминов, поэтому модель подходит для поиска по корейским терминам и метаданным. Лицензия в предоставленных данных не указана.

Eklav-0.6B-Reranker-CotGen — дообученная командами Eklav модель на базе Qwen/Qwen3-0.6B для ранжирования текстовых фрагментов по релевантности запросу. Это базовая линия CotGen: модель обучалась на задачах BRIGHT и NevIR методом полной дистилляции цепочки рассуждений. При использовании как поточечного реранкера она генерирует рассуждение, завершающееся меткой true или false; релевантность оценивают по логитам финального токена. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 508 млн параметров и контекст до 40 960 токенов. Она принимает текст и выдаёт текст; заявлена поддержка диалогового режима. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. В README отмечено, что генерация с фиксированным лимитом токенов иногда затягивается, переходит в повторения и не завершает ответ. Для реранжирования авторы рекомендуют запуск через vLLM с условием остановки по строке.

Eklav-4B-Reranker-CotGen — дообученная модель Eklav на базе Qwen/Qwen3-4B, предназначенная для попарного ранжирования passage по релевантности запросу. Это baseline для оценки метода CotGen: при обучении модель продолжает частичный след рассуждений учителя и самостоятельно формирует ответ; в данном варианте использован стандартный SFT на полных следах рассуждений. Модель содержит 3,7 млрд параметров, построена на плотной архитектуре Qwen3 и принимает текст; заявленная длина контекста — 40 960 токенов. Для оценки релевантности модель генерирует рассуждение, завершающееся меткой true или false; релевантность извлекается по логитам финального токена. В README упомянуты наборы BRIGHT и NevIR и приведены результаты nDCG@10 на BRIGHT. При генерации длинное рассуждение может зациклиться и не завершить ответ в фиксированном лимите токенов; авторы рекомендуют запуск через vLLM с ограничением по стоп-строке. Модель распространяется в формате Safetensors; лицензия в предоставленных данных не описана.

Day1Kim дообучил модель google/embeddinggemma-300m для получения эмбеддингов корейских предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768, которые сравниваются с помощью косинусного сходства; модель построена как Sentence Transformer на архитектуре Gemma 3 Text и поддерживает контекст до 2048 токенов. Модель предназначена для семантического поиска и оценки сходства текстов. Её также можно применять для поиска перефразирований, классификации и кластеризации. Примеры обучающих данных относятся к корейским стандартам проектирования, поэтому модель особенно подходит для поиска по корейским техническим документам и ответов на запросы к ним. В README приведены результаты оценки информационного поиска, но нет сведений о лицензии; условия использования следует сверить с карточкой базовой модели и репозитория.

EmbeddingGemma-300M-qat-q4_0-GGUF — модель для создания текстовых эмбеддингов, представленная организацией ggml-org и основанная на Google EmbeddingGemma 300M. Она предназначена для задач семантического поиска, сравнения сходства предложений, извлечения признаков и других сценариев, где требуется преобразовать текст в векторное представление. Модель поставляется в формате GGUF с квантизацией Q4_0; заявленный размер базовой модели — около 300 миллионов параметров. Она поддерживает работу через llama-server с endpoint для эмбеддингов и через утилиту llama-embedding. README не содержит сведений о поддерживаемых языках, максимальной длине контекста, размерности эмбеддингов и архитектурных деталях. К сильным сторонам относятся специализированное назначение для эмбеддингов и сниженные требования к ресурсам благодаря квантизации. Доступна настройка нормализации векторов, включая отсутствие нормализации, L1, L2 и P-норму. Ограничения модели и результаты бенчмарков не указаны. Лицензия обозначена как Gemma.

Эмбеддинг-модель на базе Sentence Transformers, дообученная автором yasserrmd на google/embeddinggemma-300m для работы с разговорным эмиратским арабским. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство между текстами оценивается косинусной мерой. Модель рассчитана на последовательности до 2048 токенов и обучалась на 12 324 парах предложений с функцией потерь MultipleNegativesRankingLoss. Модель подходит для семантического поиска и сравнения фраз, поиска перефразирований, кластеризации и классификации текстов на эмиратском арабском. Автор описывает оценку на разговорных примерах из повседневных и культурных тем, включая приветствия, семью и еду. По README, модель может переоценивать сходство фраз с противоположным смыслом и менее надёжна на отрицаниях, абстрактных выражениях и тонких эмоциональных различиях. Лицензия в предоставленных данных не указана.

EmotiSpace-128 — англоязычная модель на базе BERT, разработанная автором репозитория lunahr. Она преобразует текст в нормализованный эмоциональный эмбеддинг размерности 128 и одновременно выдаёт логиты и вероятности меток эмоций в стиле GoEmotions. Модель дообучена на google-bert/bert-base-uncased с размороженными последними четырьмя слоями BERT и поддерживает контекст до 512 токенов. Модель предназначена для классификации эмоций, поиска текстов с близким эмоциональным смыслом по косинусному сходству, работы с пользовательскими эмоциональными якорями, отслеживания настроения диалога и передачи эмоциональных сигналов в системы управления тоном или просодией речи. Классификатор ограничен набором меток GoEmotions, тогда как эмбеддинги позволяют задавать собственные эмоциональные якоря, которые следует проверять для конкретного применения. Модель оценивает эмоциональный смысл текста, а не испытывает эмоции; её выводы не подходят для психологической диагностики или оценки психического здоровья. Лицензия — Apache-2.0.

Erlangshen-TCBert-110M-Sentence-Embedding-Chinese — китайская модель семейства BERT, разработанная командой Fengshenbang-LM. Это вариант TCBert с примерно 129,5 млн параметров, предназначенный для получения векторных представлений предложений и классификации тем. Модель предварительно обучалась контрастивным методом на многочисленных наборах данных тематической классификации с использованием общих промптов; в README описаны эксперименты на китайских наборах TNEWS, CSLDCP и IFLYTEK. Модель принимает китайский текст и выдаёт предсказания замаскированных токенов; архитектура в метаданных указана как BertForMaskedLM с контекстом до 512 токенов. Представления предложений можно применять в сценариях тематической классификации и оценки сходства. Опубликована в формате PyTorch под лицензией Apache-2.0. Метаданные Hugging Face помечают её задачей fill-mask, поэтому для извлечения эмбеддингов может понадобиться соответствующая настройка модели и pooling.

Erlangshen-TCBert-330M-Sentence-Embedding-Chinese — китайская модель семейства BERT, разработанная командой Fengshenbang/IDEA-CCNL. Это TCBert с заявленными в карточке 330 млн параметров; метаданные указывают 424,3 млн параметров. Модель предварительно обучена на многочисленных наборах данных классификации тем с помощью контрастного обучения на основе промптов, чтобы формировать представления предложений для задач тематической классификации. Модель рассчитана на китайский текст, имеет контекст до 512 токенов и опубликована в формате PyTorch. Её можно применять для получения векторных представлений предложений, тематической классификации и оценки сходства предложений, в том числе с промптами и whitening, как описано в карточке. Метаданные Hugging Face задают задачу fill-mask, поэтому модель также может предсказывать замаскированные токены. Лицензия — Apache-2.0. Карточка приводит результаты экспериментов на TNEWS, CSLDCP и IFLYTEK; показатели зависят от шаблонов промптов и обработки представлений. Для получения векторов и выполнения задач классификации потребуется подходящий downstream-код; самой карточкой не заявлены отдельные специализированные области применения помимо классификации тем.