I.11Классификация, ранжирование и сопоставление

laion/clap-htsat-fused — мультимодальная модель CLAP (Contrastive Language-Audio Pretraining), разработанная LAION для сопоставления аудио с текстовыми описаниями. Она обучена на наборе LAION-Audio-630K, содержащем аудио-текстовые пары; архитектура включает аудиоэнкодер HTSAT и механизм слияния признаков. Модель насчитывает 132,1 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для классификации аудиозаписей без обучения на конкретных классах: пользователь передаёт аудио и варианты текстовых меток, а модель оценивает их соответствие. Она также извлекает аудио- и текстовые эмбеддинги, что подходит для поиска аудио по описанию и сопоставления звука с текстом. Карточка сообщает о сильных результатах в поиске аудио по тексту и классификации с нулевым числом примеров. Метаданные указывают английский язык; лицензия — Apache-2.0. Результаты зависят от формулировок текстовых меток и охвата обучающих данных; карточка не описывает гарантии качества для отдельных языков и аудиодоменов.

CLIP ConvNeXt-Base w-laion_aesthetic-s13B-b82K — модель сопоставления изображений и текста, обученная командой LAION с использованием OpenCLIP. Визуальная часть построена на ConvNeXt-Base с широким размером эмбеддинга, а текстовая использует башню OpenAI CLIP RN50x4 глубины 12 и размерности эмбеддинга 640. Модель обучалась на подмножестве LAION-Aesthetic с разрешением изображений 256×256 и 13 млрд примеров. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без отдельного обучения, а также для поиска изображений по тексту и поиска текста по изображению. В описанной серии нулевая точность top-1 на ImageNet составляет 71,0%. Модель работает с английскими текстовыми запросами; применение для других языков не оценивалось. Авторы позиционируют её как исследовательскую модель и не рекомендуют развёртывание без тщательной проверки на конкретной задаче и фиксированном наборе классов. Использование для наблюдения и распознавания лиц исключено из допустимых сценариев. Обучающий набор собран из неотфильтрованных веб-данных, поэтому возможны смещения и нежелательные ассоциации. Лицензия — MIT.

Это модель CLIP ViT-B/16, разработанная LAION с использованием OpenCLIP и обученная на наборе DataComp-1B из 1,4 млрд примеров. Она сопоставляет изображения и текст, чтобы классифицировать изображения по текстовым описаниям без дообучения; также подходит для поиска изображений по запросу и поиска текста по изображению. Модель можно применять в экспериментах с классификацией и извлечением признаков, а также для дообучения задач компьютерного зрения. Модель принимает изображения и текст и выдаёт оценки соответствия между ними. В README сообщается о точности zero-shot классификации 73,5% на ImageNet-1k. Обучающие данные собраны из общедоступного интернета и не прошли полную модерацию, поэтому возможны смещения и нежелательные ассоциации. README не рекомендует развёртывание модели и указывает на необходимость тщательного тестирования для фиксированной таксономии классов; распознавание лиц и наблюдение отнесены к недопустимым сценариям. Лицензия — MIT.

CLIP ViT-B/16 — мультимодальная модель сопоставления изображений и текста, обученная Mehdi Cherti с помощью OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. Репозиторий распространяет веса в форматах PyTorch и safetensors; в карточке указана лицензия MIT. Модель предназначена для классификации изображений по произвольным текстовым меткам без дополнительного обучения, а также для поиска изображений по тексту и поиска текстов по изображению. Её можно применять в исследованиях и как основу для дальнейшей адаптации задач компьютерного зрения. В README указана точность zero-shot top-1 70,2% на ImageNet-1k. Модель рассчитана на англоязычные запросы: она не обучалась и не оценивалась целенаправленно на других языках. Авторы не рекомендуют развёртывание и неконтролируемое применение без тщательной проверки на конкретной таксономии; распознавание лиц и наблюдение отнесены к недопустимым сценариям. Обучающие данные собраны из интернета без полной фильтрации и могут содержать вредоносный или неприятный контент.

Это мультимодальная модель CLIP ViT-B/32, обученная Mehdi Cherti с помощью OpenCLIP на датасете DataComp-1B. Она сопоставляет изображения и текст и предназначена для классификации изображений по произвольным текстовым меткам без дообучения, поиска изображений по тексту и поиска текстов по изображению. Модель использует визуальный энкодер ViT-B/32 и входное разрешение 256×256 пикселей. В тестах на наборе из 38 датасетов модель показала точность 72,7% zero-shot top-1 на ImageNet-1k, а на COCO captions — recall@5 64,4% для поиска изображений и 80,7% для поиска текстов. Доступны веса PyTorch и safetensors; лицензия — MIT. Карточка рекомендует исследовательское применение и предостерегает от развёртывания без тщательной проверки на конкретной задаче и фиксированном наборе классов: качество зависит от формулировок и таксономии меток. Распознавание лиц и наблюдение указаны как недопустимые сценарии; модель может наследовать смещения и риски из неотфильтрованных данных обучения.

Это точная копия CLIP ViT-B/32 от OpenAI, опубликованная ANEForge для прямого запуска модели на Apple Neural Engine через библиотеку ANEForge. Веса побайтно совпадают с исходным репозиторием openai/clip-vit-base-patch32; архитектура — CLIP с визуальным энкодером ViT-B/32, формат весов — safetensors. Модель сопоставляет изображение с текстовыми метками и подходит для классификации изображений без дообучения: пользователь задаёт варианты описаний, а модель возвращает метку и оценку вероятности. Она принимает изображение и текстовые метки. Сведения о языках и размере контекста в предоставленных данных отсутствуют. Лицензионные условия следует смотреть в исходном репозитории OpenAI. Карточка ANEForge описывает способ загрузки и выполнения модели на Apple Neural Engine; качество и назначение модели соответствуют исходной CLIP ViT-B/32.

Это дообученная модель CLIP ViT-B/32 на базе openai/clip-vit-base-patch32, созданная для поиска соответствий между изображениями и подписями. Разработчик продолжил предобучение на парах изображение–подпись из датасета Flickr30K с помощью симметричной функции потерь InfoNCE и низкой скорости обучения. Модель подходит для сопоставления изображения с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на целевых классах. В описанной оценке на Flickr30K дообучение увеличило разрыв сходства между подходящей подписью и отвлекающей подписью, преимущественно за счёт снижения сходства с отвлекающими подписями. README сообщает, что обучающие и оценочные индексы датасета не пересекались. Модель принимает изображения и текст, а вычисляет их совместные представления и оценки сходства; метаданные указывают формат safetensors. Лицензия — MIT. Результаты оценки приведены для Flickr30K, поэтому качество на других наборах данных и доменах из этих сведений не следует.

Bingsu/clip-vit-base-patch32-ko — корейская модель CLIP, обученная автором репозитория на основе метода Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation. Она сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений по произвольным текстовым меткам без отдельного дообучения под каждый набор классов. Для обучения использовались корейско-английские параллельные данные AIHUB; токенизатор CLIP переобучен на смеси корейских и английских текстов в пропорции 7:3. Модель доступна в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. В карточке не приведены размер модели и длина контекста.

CLIP ViT-bigG/14 — модель сопоставления изображений и текста, обученная LAION с использованием OpenCLIP. Обучение проводилось на англоязычной подвыборке из 2 млрд пар LAION-5B; модель также частично дообучалась на LAION-A. В метаданных указаны архитектура CLIPModel, библиотека open_clip и форматы PyTorch и safetensors. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для поиска изображений по тексту и поиска текстов по изображению. Её можно использовать как основу для дообучения задач компьютерного зрения и для управления генерацией изображений. README приводит точность top-1 80,1% на ImageNet-1k. Модель обучалась на английских данных, поэтому предназначена для англоязычных сценариев. Лицензия — MIT. Карточка рекомендует исследовательское применение и не рекомендует развёртывание без тщательной проверки на конкретной задаче и фиксированном наборе классов; распознавание лиц и наблюдение указаны как недопустимые сценарии. Данные LAION не курировались и могут содержать нежелательный контент.

Карточка модели Gunpool/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Карточка модели HERONITAMD/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Карточка модели jk0125/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Карточка модели ModelsLab/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Карточка модели pansonga/CLIP-ViT-H-14-laion2B-s32B-b79K на Hugging Face совпадает с карточкой laion/CLIP-ViT-H-14-laion2B-s32B-b79K, поэтому описание составлено по ней. CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны. Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии. Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Это модель CLIP ViT-L/14, разработанная LAION с использованием OpenCLIP и обученная на 1,4 млрд примеров набора DataComp-1B на кластере Stability AI. Она сопоставляет изображения и текстовые описания в общем пространстве представлений и предназначена прежде всего для классификации изображений без дообучения по произвольным текстовым меткам, а также для поиска изображений по тексту и текстов по изображению. Модель можно применять в исследованиях и как основу для дообучения классификаторов, линейных проб и систем генерации изображений. В оценке на 38 наборах данных модель показала точность top-1 79,2% на ImageNet-1k при классификации без дообучения. Модель принимает изображения и текстовые метки или запросы и выдаёт оценки соответствия; карточка не указывает языки текстового энкодера, поэтому не следует считать её специально ориентированной на русский язык. Авторы не рекомендуют развёртывание модели, в том числе коммерческое, и применение без тщательной проверки на конкретной задаче и фиксированном наборе классов. Использование для наблюдения и распознавания лиц исключено из допустимых сценариев. Модель выпущена по лицензии MIT.

CodeR-full — модель для преобразования текста и кода в эмбеддинги, разработанная авторами семейства CodeR. Она обучена на текстовых данных и полных данных о коде и предназначена для представления текстов и программ в векторном виде, а также вычисления сходства между предложениями. Модель основана на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; максимальный контекст составляет 32 768 токенов. Для работы доступны форматы Sentence Transformers, FlagEmbedding и Hugging Face Transformers. Модель подходит для поиска и сравнения текстовых и кодовых фрагментов по смыслу. Карточка приводит примеры использования через библиотеки для получения эмбеддингов; отдельные результаты оценки качества не указаны. Поддерживаются китайский и английский языки. Лицензия — Apache-2.0.

Conan-embedding-v1 — модель эмбеддингов от Tencent, представленная в формате sentence-transformers и основанная на архитектуре BERT. Она преобразует текст в векторные представления для поиска и сравнения текстов; в карточке приведены результаты на задачах извлечения, ранжирования, кластеризации и оценки сходства предложений. Модель содержит 424,3 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и safetensors. В метаданных указан китайский язык. По опубликованному сравнению модель показывает средний результат 72,62, а также результаты по отдельным категориям MTEB. Подробности обучения отсылаются к техническому отчёту, который не включён в карточку. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

CShorten/CORD-19-Title-Abstracts-1-more-epoch — модель Sentence Transformers на архитектуре BERT с 25,9 млн параметров, создающая плотные векторы размерности 384 для предложений и абзацев. Она предназначена для семантического поиска и кластеризации текстов; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель можно применять для поиска научных публикаций по смыслу, группировки похожих аннотаций и сравнения текстовых фрагментов. Она обучалась на данных CORD-19, поэтому ориентирована на заголовки и аннотации научных работ о COVID-19 и смежных темах. Максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

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.

davanstrien/dataset-rows16-task-classifier-4096 — дообученный Liquid AI энкодер для многометочной классификации текстовых строк по категориям задач, связанным с моделями машинного обучения. Модель построена на LiquidAI/LFM2.5-Encoder-350M; число параметров — 444,6 млн, нативная длина контекста — 128 000 токенов. Для предсказания используется классификационная голова с усреднением представлений энкодера, а набор меток включает 35 категорий, среди них распознавание речи, генерация текста, классификация изображений и ответы на вопросы. Модель предназначена для автоматической разметки описаний и строк датасетов по нескольким категориям задач одновременно. На оценочном разбиении F1 micro составил 0,634 при пороге 0,5 и 0,646 при индивидуально настроенных порогах. Для загрузки требуется trust_remote_code=True; README отмечает, что для обслуживания через vLLM нужна стандартная архитектура. Лицензия в предоставленных данных не указана.

Moritz Laurer дообучил DeBERTa-v3-xsmall для классификации без заранее заданного набора классов: пользователь задаёт текстовые метки, а модель оценивает соответствие им входного текста. Модель предназначена для быстрого zero-shot анализа, в том числе на периферийных устройствах и в браузере через transformers.js. Основа — microsoft/deberta-v3-xsmall. В README указаны 22 млн параметров основной части модели, 128 млн параметров словаря и размер файла 142 МБ; метаданные указывают 77,5 млн параметров. Модель принимает текст, поддерживает английский язык и имеет контекст 512 токенов. Доступны форматы PyTorch, safetensors и ONNX. Модель компактнее и эффективнее более крупных вариантов семейства, но, согласно README, показывает более низкое качество. Отдельная zero-shot оценка для этой версии не проводилась; приведены результаты стандартной точности на наборах данных, использованных при обучении. Лицензия — MIT.

Это дообученная модель классификации текста на основе DeepSeek-R1-Distill-Qwen-1.5B, опубликованная пользователем botanical1058. Она построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров. Модель предназначена для отнесения текста к классам; карточка не уточняет набор классов и предметную область. В README приведены результаты оценки: accuracy 0,8721, precision 0,8752, recall 0,8721 и F1 0,8726. Контекст модели — до 131 072 токенов. Она работает с текстом и сохранена в формате safetensors; библиотека для работы — Transformers. Лицензия — MIT.

ai4data/devdata-search-harrier-270m-cmnrl — модель-биэнкодер семейства DevData Search, разработанная ai4data для поиска по структурированным статистическим метаданным. Это дообученная версия microsoft/harrier-oss-v1-270m: при обучении на DevDataBench порядок полей переставлялся, а часть полей исключалась, чтобы модель связывала смысл с названиями полей, а не с их порядком в записи. Модель создаёт текстовые эмбеддинги запросов и описаний данных для поиска и сравнения по смыслу, в том числе когда формулировки различаются. Она построена на архитектуре Gemma 3 Text, содержит 257 млн параметров и поддерживает контекст до 32 768 токенов по метаданным. В README для обучения указан максимальный размер последовательности 512 токенов; префиксы запроса и документа не требуются. Модель распространяется с лицензией Apache-2.0 и предназначена для встраивания в поиск, а не для работы как готовый поисковый сервис.

dinghy-law-4b-v1 — модель плотных текстовых эмбеддингов от Hanno Labs, дообученная на базе Qwen/Qwen3-Embedding-4B для поиска по юридическим корпусам. Она предназначена для извлечения релевантных законов, судебных решений и договорных фрагментов, а также для сопоставления, кластеризации и дедупликации юридических текстов. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3 и выдаёт вектор размерности 2560. Для запросов поддерживается инструкция задачи; документы кодируются без неё. По умолчанию модель обрабатывает до 8192 токенов, а настройка позволяет использовать контекст базовой модели до 40960 токенов. Модель оптимизирована для англоязычных, немецкоязычных и китайскоязычных юридических текстов. В собственной оценке разработчика на MTEB(Law, v1) она получила 71,24 по Mean(Task) nDCG@10; это результат измерения автора, а не официальное место в таблице лидеров. Модель подходит для первого этапа поиска и ранжирования в юридических RAG-системах, включая локальные и изолированные развёртывания. Она формирует эмбеддинги, но не генерирует ответы и не предоставляет юридические консультации. Лицензия — Apache-2.0.

Модель heewook/distilbert-base-uncased-finetuned-clinc — дообученная версия DistilBERT, разработанная на базе distilbert/distilbert-base-uncased и предназначенная для классификации текста. В карточке указана оценка accuracy 0,919 на наборе проверки; название репозитория указывает на связь с CLINC, но README не раскрывает обучающие данные и классы.

Microsoft DiT Large — трансформерный энкодер для классификации изображений документов. Модель предварительно обучена на 42 млн изображений документов IIT-CDIP и дообучена на RVL-CDIP: 400 тыс. изображений в оттенках серого, распределённых по 16 классам. Архитектура DiT идентична BEiT; модель содержит 411 млн параметров. Основное применение этой версии — классификация сканов и изображений документов. Энкодер также может извлекать векторные представления документов, а предварительно обученная архитектура подходит для дальнейшей настройки на распознавание структуры страниц и обнаружение таблиц. Изображения разбиваются на патчи размером 16×16. Модель принимает изображения и выдаёт классовые предсказания; для использования требуется совместимый код инференса, например Transformers с PyTorch. В карточке не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя.

aws-ai/dse-bert-base — модель AWS AI, опубликованная в Hugging Face в рамках проекта Amazon Science DSE (Dialogue Sentence Embedding). Это conversational language model на базе архитектуры BERT, предназначенная для построения векторных представлений предложений и фрагментов диалога. При обучении модель использует self-supervised contrastive learning: последовательные реплики одного диалога рассматриваются как положительные пары. Модель рассчитана на задачи диалоговых систем, включая классификацию намерений, обнаружение запросов вне области, выбор ответа на уровне предложения или диалога и прогнозирование диалоговых действий. Векторы можно применять для сравнения текстов по cosine similarity, few-shot и zero-shot классификации, а также дообучать модель с добавлением task-specific слоя. В репозитории приведены примеры использования с Transformers и усреднением токенных представлений для получения sentence embeddings. Доступны сведения о принадлежности к семейству BERT-base и поддержке PyTorch/Transformers, но точное число параметров, языки обучения, максимальная длина контекста и полный перечень модальностей в найденных источниках не указаны; по назначению это текстовая, а не мультимодальная модель. Сильная сторона — специализация на представлениях диалогов и применимость при дефиците размеченных данных. Ограничения включают отсутствие генерации ответов как основной функции и зависимость качества от предметной области и последующего дообучения. Репозиторий проекта распространяется по Apache-2.0, однако отдельная лицензия именно модели на карточке Hugging Face явно не указана.

DUSUNEN Pusula 118M v1 — компактная модель Sentence Transformers на базе BERT, разработанная и выпущенная Göktuğ Düşünen. Она преобразует турецкие запросы и документы в векторы для семантического поиска и сопоставления предложений. Модель дообучена на 50 000 турецких триплетов с трудными отрицательными примерами с применением Matryoshka Representation Learning. По умолчанию модель выдаёт векторы размерности 384; их можно обрезать до 256, 192, 128, 64 или 32 измерений, чтобы уменьшить размер индекса. Контекст — до 512 токенов. В репозитории также есть динамически квантованная ONNX-версия для инференса на CPU с AVX2. Проверки и бенчмарки README показывают результаты на конкретных наборах данных и не гарантируют такое же качество в прикладных сценариях. Модель распространяется по лицензии Apache-2.0.

samchain/econo-sentence-v2 — модель Sentence Transformers, разработанная samchain на основе дообучения samchain/EconoBert. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска похожих текстов, обнаружения перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и косинусной мерой сходства; максимальная длина входа — 512 токенов. Модель обучена на парных текстовых данных по экономике и финансам econo-pairs-v2 с CoSENTLoss. В описанной оценке коэффициент Spearman для косинусного сходства составил 0,862 на econo-pairs-v2 и 0,8295 на econo-pairs-v1. Репозиторий распространяется по лицензии Apache-2.0. Карточка указывает английский язык; качество для других языков не подтверждено.

Eklav-14B-Reranker-CotGen — экспериментальный чекпойнт Eklav для ранжирования пассажей, дообученный на базе Qwen/Qwen3-14B. Это плотная причинно-языковая модель Qwen3 с 14 млрд параметров, контекстом до 40 960 токенов и форматом safetensors; для запуска используется библиотека Transformers. Вариант CotGen представлен как базовый результат для сравнения: при обучении модель училась продолжать частичный след рассуждения учителя и самостоятельно получать ответ, а не воспроизводить весь след целиком. Модель предназначена для попарной оценки релевантности пассажей, в том числе в задачах из наборов BRIGHT и NevIR. Она генерирует рассуждение, завершающееся меткой true или false; оценку релевантности извлекают из логитов последнего токена. Для инференса автор рекомендует vLLM с условием остановки по строке: при генерации Transformers с фиксированным бюджетом токенов модель иногда продолжает длинный текст, повторяется и не завершает ответ. Лицензия в предоставленных данных не указана.