I.11Классификация, ранжирование и сопоставление

mrp/simcse-model-roberta-base-thai — модель эмбеддингов предложений на основе XLM-R, обученная с использованием SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Архитектура XLM-RoBERTa содержит около 305,2 млн параметров; модель принимает текст и выдаёт векторные представления. Длина контекста — до 514 токенов. Репозиторий содержит веса PyTorch.

kornwtp/simcse-model-XLMR — модель эмбеддингов предложений на базе XLM-R, обученная разработчиком с использованием SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Архитектура — XLM-RoBERTa с 305,2 млн параметров; модель принимает текст и выдаёт векторы. Максимальная длина контекста — 514 токенов. Модель выпущена под лицензией Apache-2.0. README указывает на обучение на тайской Википедии, поэтому поддержка тайского подтверждена; фактическое качество для других языков не описано.

Ransaka разработал модель sinhala-roberta-sentence-transformer для получения векторных представлений предложений и абзацев на сингальском языке. Она основана на RoBERTa, содержит 81,2 млн параметров и преобразует текст в плотные векторы размерности 768; максимальная длина контекста — 514 токенов. Модель обучена с использованием Sentence-Transformers и Triplet Loss. Полученные векторы подходят для семантического поиска, сравнения предложений и кластеризации текстов. Для работы доступны PyTorch и библиотека Sentence-Transformers. Это дообученная модель для обработки сингальского текста. Лицензия в предоставленных данных не указана.

SKILLRET-Edge-22M — компактный двунаправленный энкодер на базе BERT, разработанный ThakiCloud для поиска подходящего навыка агента по запросу на естественном языке. Модель дообучена дистилляцией из ThakiCloud/SKILLRET-Embedding-0.6B и основана на Snowflake/snowflake-arctic-embed-xs. В метаданных указано 25,9 млн параметров; README приводит 22,7 млн. Модель принимает текстовые запросы и описания навыков, формирует нормализованные эмбеддинги для семантического сопоставления. Для запросов используется кодирование без префикса инструкции. Контекст модели — 512 токенов; в оценке применялась максимальная длина 256 токенов. На тестовом наборе SKILLRET из 4 392 запросов и 6 006 навыков модель показала NDCG@10 75,26. По данным README, fp16-файл занимает 45,4 МБ; приведены также результаты int8-квантизации и задержки на CPU. Модель предназначена для извлечения навыков из каталога, в том числе при локальном запуске рядом с агентом. Она выдаёт эмбеддинги, а не готовые текстовые ответы. Лицензия — Apache-2.0.

SkillScout Large — плотный bi-encoder TalentGuide для поиска навыков ESCO по названию профессии. Модель разработана для Stage 1 двухэтапного сопоставления профессий и навыков в задаче TalentCLEF 2026 Task B; она кодирует название профессии и описания навыков в эмбеддинги и ранжирует 9 052 навыка по косинусному сходству. Модель основана на jjzha/esco-xlm-roberta-large: архитектура XLM-RoBERTa-large с mean pooling, 658,7 млн параметров и эмбеддингами размерности 1024. Для кодирования и поиска используются sentence-transformers; максимальная длина входа в README указана как 64 токена. Модель обучена на англоязычных данных ESCO и оптимизирована для этой таксономии. Для более точного различения основных и контекстных навыков README рекомендует добавить cross-encoder-реранкер; на проверочной выборке сочетание с ним показало более высокий nDCG@10, чем bi-encoder отдельно. Модель подходит для подбора навыков к названиям вакансий и построения поиска по каталогу ESCO. Лицензия — Apache-2.0.

wwydmanski/specter2_pubmed-v0.5 — дообученный Sentence Transformer на базе allenai/specter2_base, созданный для семантического поиска и сопоставления научных текстов. Модель использует BERT-энкодер с усреднением токенных представлений и формирует плотные векторы размерности 768; максимальная длина входа — 512 токенов. Сходство между векторами можно оценивать косинусной мерой. Модель обучена на наборе из 10 053 примеров с парами релевантных и трудных отрицательных текстов. В README сообщается о среднем NDCG 85 на наборах Relish, NFCorpus и TREC CoVID, выше результата Proximity adapter (84,1). Её можно применять для поиска публикаций по запросу, ранжирования научных текстов, поиска парафраз, кластеризации и классификации на основе эмбеддингов. Лицензия в предоставленных данных не указана.

Standard One 8B — дообученная модель на базе Ministral-3-8B-Instruct-2512-BF16, разработанная авторами репозитория StandardThinking. Она оценивает ограниченный набор вариантов для заданного сценария и рубрики, возвращая вероятности для меток выбора, ответов «да/нет» или порядковой шкалы. Свободный текст модель не генерирует; для работы предусмотрен серверный API POST /v1/systemone. Модель использует архитектуру Mistral 3 и объединённый BF16-чекпойнт с весами LoRA, дообучавшими языковые проекции. Контекст составляет 32 768 токенов. Базовая модель сохраняет возможность принимать изображения, однако в карточке не приведены отдельные оценки качества принятия решений по изображениям. Обучающая смесь охватывает английский, японский, китайский, испанский, французский, немецкий, португальский, русский и в меньшей доле корейский языки. Модель подходит для классификации сценариев и выбора ответа из заданных вариантов; вероятности масштабируются фиксированной температурой, которую может потребоваться перенастроить для другого распределения вопросов. Качество зависит от набора задач: на публичном сложном тесте результат ниже указанного для Jev 1.13, а точность по изображениям не установлена. Лицензия — Apache-2.0.

ST-NLI-ca_paraphrase-multilingual-mpnet-base — модель на базе Sentence-Transformers, разработанная проектом AINA для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации, оценки сходства и выявления перефразировок на каталанском языке. Модель создана дополнительным обучением paraphrase-multilingual-mpnet-base-v2 на каталанских данных логического вывода: TE-ca и профессиональном переводе XNLI на каталанский. Для обучения использовались пары с отношением следования и противоречия; нейтральные примеры не применялись. Архитектура XLM-RoBERTa содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. README приводит результаты оценки на каталанских наборах STS-ca, Parafraseja и PAWS-ca. Модель подходит для семантического поиска и сопоставления текстов на каталанском; мультиязычная базовая модель не означает, что качество дообученной версии одинаково для всех языков. В метаданных указан формат PyTorch. Информация о лицензии в предоставленных данных отсутствует.

sdadas/st-polish-paraphrase-from-distilroberta — модель на базе Sentence-Transformers, опубликованная пользователем sdadas. Она преобразует предложения и абзацы на польском языке в плотные векторы размерности 768 для поиска семантически близких текстов. Модель основана на архитектуре RoBERTa и содержит около 151,6 млн параметров; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска, сравнения предложений и абзацев, кластеризации текстов и построения векторного поиска. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; Sentence-Transformers упрощает этот процесс. Веса доступны в форматах PyTorch, Safetensors и TensorFlow. Лицензия — LGPL. Карточка указывает назначение для парафразов, однако не приводит конкретных результатов оценки, поэтому качество на конкретных данных следует проверять отдельно. Модель предназначена для польского языка; перенос на другие языки не подтверждён.

BlackKakapo/stsb-xlm-r-multilingual-ro — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для румынского языка на датасете STS-ro. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для семантического поиска, ранжирования по смысловой близости и кластеризации румынских текстов. Для обучения использовалась функция потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

VoVanPhuc/sup-SimCSE-VietNamese-phobert-base — модель эмбеддингов предложений для вьетнамского языка, разработанная Vo Van Phuc. Она основана на SimCSE и использует архитектуру RoBERTa PhoBERT; вариант sup обучен с учителем для получения векторных представлений предложений и оценки их семантического сходства. Модель подходит для поиска похожих фраз, семантического поиска и сопоставления предложений на вьетнамском языке. Модель содержит около 162,4 млн параметров по метаданным и принимает последовательности длиной до 258 токенов. Для работы доступны веса PyTorch и Safetensors. README описывает её как модель с высокой эффективностью для эмбеддингов предложений, однако сравнительные результаты и детали обучающих данных в карточке не приведены. Лицензия в предоставленных данных не указана.

Это инфраструктурная конверсия текстового энкодера T5Gemma 2 от Google, опубликованная jadanovitch для запуска через vLLM. В репозитории оставлена только текстовая часть базовой модели google/t5gemma-2-4b-4b; веса отображены в формат Gemma3ForCausalLM без изменений, а vision-, decoder- и мультимодальные веса удалены. Модель содержит 4 млрд параметров, 34 слоя, размер скрытого состояния 2560 и двунаправленное внимание. Веса и активации представлены в BF16, заявленный контекст — до 131 072 токенов. Модель предназначена для текстового кодирования, поиска, ранжирования и экспериментов с энкодерной архитектурой в vLLM. Хотя конфигурация позволяет загрузить её через runner для генерации, модель не обучалась как самостоятельная авторегрессионная языковая модель, поэтому обычную генерацию текста нельзя считать её целевым сценарием. Применяются условия лицензии Gemma.

Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese — китайская модель семейства Taiyi-CLIP, разработанная командой Fengshenbang. Это мультимодальная модель сопоставления изображений и текста с визуальным энкодером ViT-L-14 и текстовым энкодером на основе chinese-roberta-wwm; в репозитории указано около 129,5 млн параметров. Модель обучали на 123 млн пар изображение–текст из наборов Noah-Wukong и Zero, заморозив визуальный энкодер и дообучая текстовый. Текстовый контекст — до 512 токенов. Модель предназначена для получения совместимых признаковых представлений изображений и китайских текстов, в том числе для классификации без специального обучения и поиска изображений по текстовому запросу. В README приведены результаты zero-shot классификации ImageNet1k-CN и поиска текста по изображению на Flickr30k-CNA, COCO-CN и wukong50k. Метаданные указывают задачу feature-extraction; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Taiyi-CLIP-RoBERTa-326M-ViT-H-Chinese — китайская модель для сопоставления изображений и текста, разработанная командой Fengshenbang. Она обучалась на 123 млн пар изображений и текстов по схеме CLIP: текстовый энкодер основан на chinese-roberta-wwm-large, а визуальный — на ViT-H-14 из open_clip. В ходе предобучения визуальный энкодер был заморожен, а текстовый дообучался на наборах Noah-Wukong и Zero. Модель предназначена для извлечения совместимых представлений изображений и китайских текстов, классификации изображений без дополнительного обучения и поиска изображений по текстовому запросу. README приводит результаты zero-shot классификации на ImageNet1k-CN и поиска по тексту на Flickr30k-CNA, COCO-CN и wukong50k. Метаданные указывают архитектуру BertModel, 424,3 млн параметров и контекст 512 токенов; README отдельно указывает 326 млн параметров для модели в своей таблице. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

TamilSBERT — модель представлений предложений, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она основана на TamilBERT и дообучена на наборе данных NLI, чтобы строить векторные представления предложений на тамильском языке и поддерживать оценку их сходства. Модель использует архитектуру BERT с плотными выходными представлениями; размер составляет 264,8 млн параметров, а максимальная длина входа — 512 токенов. Модель подходит для поиска семантически близких тамильских предложений, ранжирования кандидатов по сходству и извлечения эмбеддингов для семантического поиска. Для получения представлений требуется pooling поверх контекстных выходов трансформера. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY 4.0. В README упомянута более качественная модель сходства, дообученная на основе этой модели.

TeluguSBERT-STS — модель семейства BERT от L3Cube-Pune для получения векторных представлений предложений на телугу и оценки их семантического сходства. Она создана на основе l3cube-pune/telugu-sentence-bert-nli и дообучена на наборе данных STS; модель выпущена в рамках проекта MahaNLP. Модель подходит для сравнения смысла двух предложений, поиска похожих фраз и построения семантического поиска на телугу. Это плотная модель с 264,8 млн параметров и контекстом до 512 токенов; репозиторий содержит веса PyTorch, а метаданные отмечают поддержку эмбеддингов. Лицензия — CC BY 4.0.

ostoveland/test7 — дообученная модель SentenceTransformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 для сравнения смысловой близости, семантического поиска, поиска парафраз, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений; в README указан максимальный размер последовательности 128 токенов, а метаданные каталога указывают нативный контекст до 512 токенов. Для оценки косинусного сходства README приводит accuracy 0,78 на TripletEvaluator. Модель обучалась с TripletLoss на наборе из 400 примеров. Примеры обучения — короткие запросы на норвежском языке о ремонте и строительстве, что указывает на возможную специализацию в семантическом сопоставлении таких запросов. При этом README описывает более широкие сценарии применения, но не приводит результатов для них. Лицензия в предоставленных данных не указана.

text2vec-base-chinese — модель эмбеддингов предложений, обученная проектом text2vec на базе hfl/chinese-macbert-base с методом CoSENT. Она кодирует китайские предложения и короткие абзацы в плотные векторы размерности 768 для семантического поиска, сопоставления текстов, кластеризации и оценки сходства. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; README указывает усечение входа длиннее 256 WordPiece-токенов. Модель предназначена прежде всего для китайских текстов. В README описана настройка на китайских данных STS-B с контрастивной функцией потерь и приведены результаты на китайских наборах для сопоставления предложений. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO; автор также сообщает об ускоренных вариантах ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторы, а не готовые ответы или текст; для поиска и сравнения требуется последующая обработка эмбеддингов. Её специализация на китайском языке и усечение длинных входов ограничивают применение к другим языкам и длинным документам.

shibing624/text2vec-base-chinese-sentence — модель text2vec, разработанная проектом text2vec. Это дообученный методом CoSENT китайский энкодер предложений на базе nghuyong/ernie-3.0-base-zh. Модель преобразует предложение или короткий абзац в плотный вектор размерностью 768 для сравнения семантической близости; она предназначена для поиска по смыслу, сопоставления текстов, кластеризации и задач sentence-to-sentence. Архитектура основана на ERNIE, размер модели — 144 млн параметров. Контекст модели составляет до 2048 токенов по метаданным, а карточка указывает усечение входа после 256 word pieces. Модель обучена на отобранных китайских данных семантической близости shibing624/nli-zh-all и рассчитана прежде всего на китайский язык. Она выдаёт векторные представления, пригодные для поиска и ранжирования по косинусной близости. По карточке приведены оценки на китайских наборах NLI и STS, но они не дают гарантии качества на других языках и доменах. Распространяется по лицензии Apache-2.0.

shibing624/text2vec-bge-large-chinese — китайская модель sentence embeddings, обученная проектом text2vec. Она основана на BAAI/bge-large-zh-noinstruct и дообучена методом CoSENT на подобранном наборе китайских данных семантического сходства. Модель кодирует предложения и короткие абзацы в плотные векторы размерности 1024 для сравнения смысла текстов. Её можно применять для поиска семантически близких фрагментов, сопоставления предложений и коротких абзацев, кластеризации и информационного поиска на китайском языке. В карточке указана архитектура BERT и длина контекста 512 токенов; README предупреждает, что входы длиннее 256 word pieces обрезаются. Для длинных документов модель не предназначена. Доступны веса PyTorch и safetensors, а также формат ONNX. По README, дообучение улучшило результаты на китайских тестах семантического сходства относительно базовой модели, особенно для различения коротких текстов. Модель опубликована по лицензии Apache-2.0.

text2vec-bge-large-chinese-i1-GGUF — это квантизированная в формате GGUF версия модели shibing624/text2vec-bge-large-chinese. Базовая модель разработана пользователем или организацией shibing624, а квантизацию выполнил mradermacher. Модель предназначена для получения векторных представлений текста, извлечения признаков и оценки семантического сходства предложений, прежде всего на китайском языке. В репозитории представлены варианты квантизации IQ и Q разных уровней, преимущественно размером около 0,2–0,4 ГБ. Для отдельных вариантов указаны компромиссы между размером, скоростью и качеством; рекомендуются i1-Q4_K_S и i1-Q4_K_M, тогда как некоторые низкобитные варианты имеют очень низкое качество. Архитектура, число параметров, размер контекста и точная размерность эмбеддингов в README не указаны. Данных о поддержке других модальностей или языков, кроме заявленного китайского, нет. Модель подходит для локального семантического поиска, кластеризации, сопоставления текстов и других задач, где нужны текстовые эмбеддинги. Основное преимущество — компактные GGUF-варианты, позволяющие выбирать баланс между ресурсами и качеством. Ограничения связаны с потерями качества при агрессивной квантизации, а также с отсутствием подробных сведений о характеристиках и результатах оценки. Лицензия базовой модели указана как Apache-2.0.

Tien09/tiny_bert_ft_sim_score_1 — модель Sentence Transformers, дообученная автором на базе prajjwal1/bert-tiny на датасете пар текстов с оценками сходства. Она кодирует предложения и абзацы в плотные векторы размерности 128; для сравнения используется косинусное сходство. Модель подходит для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Архитектура включает BertModel с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель рассчитана на английский язык. Датасет обучения содержит пары текстов и оценки сходства; примеры относятся к описаниям карт Yu-Gi-Oh!, поэтому качество на иных тематиках может отличаться. Лицензия — Apache-2.0.

TIPSv2 g/14 — крупная контрастивная модель компьютерного зрения и языка от Google. Она формирует пространственно насыщенные признаки изображений и текстовые эмбеддинги, выровненные в общем пространстве, и предназначена, в частности, для классификации изображений по текстовым описаниям без дообучения. Модель использует визуальный энкодер ViT из 40 слоёв и текстовый Transformer из 12 слоёв; размер визуальной части — 1,1 млрд параметров, текстовой — 389 млн. Для изображений применяется разбиение на патчи 14×14 пикселей; вход можно масштабировать до произвольного разрешения и подавать в диапазоне [0, 1] без нормализации ImageNet. Текст обрабатывается токенизатором SentencePiece: строчные символы, до 64 токенов. Модель подходит для поиска соответствия между изображениями и текстовыми метками, а пространственные признаки также могут использоваться в сценариях сегментации. Карточка описывает семейство как контрастивное и показывает пример zero-shot-классификации. В репозитории указаны Transformers и формат safetensors. Лицензия — Apache-2.0. Ограничения: текстовый ввод ограничен 64 токенами; качество и перечень поддерживаемых языков в карточке не уточняются.

Многоязычная модель Cardiff NLP для многометочной классификации тем публикаций в соцсетях. Она основана на CardiffNLP/twitter-xlm-roberta-large-2022 и дообучена на наборах TweetTopic и X-Topic; архитектура — XLM-RoBERTa Large с классификационной головой, размер — 658,7 млн параметров. Модель принимает текст и может присваивать ему несколько тематических меток, включая искусство и культуру, бизнес, повседневную жизнь, здоровье, новости, науку, спорт и путешествия. Модель рассчитана на английский, испанский, японский и греческий языки. Её можно использовать для тематической разметки постов, анализа интересов аудитории и сортировки публикаций по темам. В README приведены результаты X-Topic: Macro-F1 от 50,3 до 60,2 и Micro-F1 от 61,4 до 73,0 в зависимости от языка. Контекст — до 514 токенов. Лицензия — MIT.

WhereIsAI/UAE-Code-Large-V1 — модель эмбеддингов на архитектуре BERT, разработанная WhereIsAI. Она дообучена на наборе GIS: Github Issue Similarity с функцией потерь AnglE и предназначена для сравнения сходства кода и описаний GitHub issues. Модель выдаёт векторные представления текста и подходит для поиска похожих задач и обращений по коду. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и рассчитана прежде всего на английский язык. В README приведены результаты на тестовом наборе: корреляция Спирмена 71,19 и точность 84,37. Доступна в формате safetensors и совместима с библиотеками sentence-transformers и angle-emb. Лицензия MIT разрешает использование в любых сценариях.

UniME-Phi3.5-V-4.2B — мультимодальная модель для получения эмбеддингов по тексту и изображениям, основанная на Microsoft Phi-3.5-vision-instruct и дообученная командой DeepGlint-AI. Она предназначена для мультимодального поиска и оценки сходства: сопоставляет запросы с изображениями или текстами и помогает находить релевантные элементы в наборах данных. В карточке заявлен результат на верхней позиции таблицы MMEB для обучения с разрешением изображений 336×336. Модель использует архитектуру Phi-3 Vision с 3,7 млрд параметров, работает с текстом и изображениями и имеет контекст до 4096 токенов. При обучении донастраивался только языковой компонент; остальные параметры были заморожены. Для обучения использовались дистилляция текстовых представлений и настройка инструкций с подбором сложных негативных примеров. Лицензия — MIT. Карточка описывает метод обучения и результат на MMEB, но не приводит подробностей об использовании модели для извлечения эмбеддингов, форматах векторов или оценках релевантности. Поэтому заявленный результат не заменяет независимую проверку на целевых данных.

USMED — модель эмбеддингов предложений на базе Sentence Transformers, разработанная Swapnil Vishwakarma путём дообучения sentence-transformers/multi-qa-MiniLM-L6-cos-v1. Модель преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения семантической близости; сходство оценивается косинусной мерой. Архитектура включает BertModel, усреднение токенных представлений и нормализацию. Максимальная длина входа — 512 токенов; модель содержит 25,9 млн параметров. Модель предназначена для семантического поиска, сопоставления медицинских товарных наименований и других текстов, поиска перефразировок, кластеризации и классификации текста. Обучающие пары включают названия медицинских изделий и их варианты, поэтому модель может быть полезна для поиска похожих наименований в медицинских каталогах. Карточка указывает библиотеку sentence-transformers и формат safetensors. Лицензия в предоставленных данных не указана.

uzbek-minilm — модель эмбеддингов предложений на базе BERT, дообученная разработчиком sukhrobnurali на многоязычной sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для семантического поиска и извлечения документов на узбекском языке, а также поиска между узбекским и английским. Модель содержит 124,3 млн параметров, преобразует текст в нормализованные векторы и принимает предложения или документы без специальных префиксов; максимальная длина контекста — 512 токенов. По README, дообучение на парах узбекских текстов заметно улучшило результаты поиска относительно базовой модели. Модель подходит для поиска фрагментов в узбекских корпусах и RAG, сравнения сходства предложений, кластеризации и двуязычного поиска uz↔en. Разработчик сообщает высокие результаты на тесте узбекского поиска, но на кросс-языковой оценке модель уступает своей модели uzbek-e5-small. Качество кириллического узбекского проверено ограниченно; редкие тематики представлены хуже, а часть параллельных данных содержит шум машинного перевода. Лицензия — Apache 2.0.

Vela Omni Nano — мультимодальная модель семейства Vela от разработчика semantic-router, предназначенная для получения векторов признаков в общем пространстве текстов, изображений, речи и окружающих звуков. Её можно использовать для поиска между модальностями, маршрутизации запросов и кластеризации; в README также приведены результаты классификации текста и поиска соответствий между изображениями и текстом. Модель содержит около 163,8 млн параметров и формирует нормализованные эмбеддинги размерностью 384. По описанию, текстовые и графические вычисления сохранены относительно предыдущей малой модели, а аудиопредставление расширено замороженной ветвью CLAP для окружающих звуков; аудиоэмбеддинги обучались и оценивались отдельно. Репозиторий предоставляет веса в формате Safetensors и использует PyTorch. Лицензия — Apache-2.0. В опубликованных сравнениях модель показывает сильные результаты на англоязычных и аудиобенчмарках среди моделей сопоставимого размера. Многоязычное покрытие остаётся ограничением; также авторы отмечают ухудшение на задачах поиска речь–текст и кластеризации звуков транспорта относительно предыдущей версии. В README указано ограничение текста до 128 токенов для описанного протокола оценки; это не подтверждает максимальную длину входа при использовании модели.

nruigrok/verbindend — модель классификации текста на базе архитектуры BERT, опубликованная пользователем Hugging Face nruigrok. Она предназначена для задач, где входной текст необходимо отнести к одной из заранее определённых категорий. Модель содержит около 136,3 млн параметров и поддерживает контекст длиной до 512 токенов. Для работы используются Transformers и PyTorch. По доступным данным, модель ориентирована на текстовую модальность; карточка модели отсутствует, поэтому сведения о конкретных классах, обучающем наборе данных, языках, лицензии и специализированных сценариях применения не установлены. Модель не развернута через Inference Providers.