I.11Классификация, ранжирование и сопоставление

MaMMUT2-moderntext ViT-B/32 — исследовательская модель сопоставления изображений и текста, разработанная авторами экспериментов MaMMUT2 и опубликованная rwightman. Она обучена на датасете CC12M в течение 32 эпох с контрастивной целью InfoNCE и дополнительным обучением текстового декодера по подписям. Архитектура включает визуальную башню ViT-B/32 и современный текстовый декодер с RoPE, RMSNorm, SwiGLU, gated attention и qk-нормализацией; текстовый контекст — 128 токенов. Модель предназначена для классификации изображений по произвольным текстовым меткам без дообучения, поиска соответствий между изображениями и подписями, а также генерации текстовых описаний. В карточке приведены сравнительные оценки на ImageNet, наборах retrieval и COCO, но сами авторы характеризуют чекпойнт как исследовательское сравнение архитектур и целей обучения, а не готовую производственную систему. Репозиторий использует OpenCLIP и предоставляет веса PyTorch/Safetensors. Лицензия — Apache-2.0.

MahaSBERT-STS — модель семейства Sentence-BERT на архитектуре BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она дообучена на наборе STS для оценки семантического сходства предложений на маратхи. Модель преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Число параметров — 264,8 млн, максимальная длина контекста — 512 токенов; доступный формат весов — PyTorch. Модель предназначена для работы с текстом на маратхи и может использоваться в поиске похожих предложений, сопоставлении пар фраз и группировке текстов по смыслу. Для применения требуется корректно получать векторы предложений, например через sentence-transformers либо с помощью подходящего pooling поверх выходов Transformers. Лицензия — CC BY 4.0. Качество на иных языках и задачах, кроме описанных, не заявлено; длина входа ограничена контекстом в 512 токенов.

MEXMA — мультиязычный кросс-языковой энкодер предложений, разработанный авторами исследования «MEXMA: Token-level objectives improve sentence representations». Модель дообучена на основе FacebookAI/xlm-roberta-large и объединяет цели обучения на уровне предложений и токенов: представление предложения на одном языке используется для предсказания маскированных токенов на другом языке. Модель предназначена для получения представлений предложений и сопоставления текстов на разных языках. Авторы сообщают о более высоком качестве в поиске соответствующих переводных фрагментов и ряде последующих задач по сравнению с другими предварительно обученными кросс-языковыми энкодерами предложений. В репозитории указаны архитектура XLM-RoBERTa, 658,7 млн параметров и контекст до 514 токенов; модель использует Transformers и формат safetensors. Для представления предложения следует брать выход энкодера CLS напрямую: pooler модели не обучался. Лицензия — MIT. README не приводит количественные результаты по конкретным задачам и не перечисляет поддерживаемые языки по отдельности.

ddimri/miki_cls_v3-roberta — модель для классификации текстов, опубликованная на Hugging Face и предназначенная для использования через библиотеку Transformers. В карточке модели разработчик и конкретный набор классов не указаны. Модель основана на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она поддерживает задачу text-classification и рассчитана на входные последовательности длиной до 514 токенов. Сведения о поддерживаемых естественных языках, модальностях, обучающих данных, результатах оценки и лицензии в доступных материалах отсутствуют. Модель может применяться для отнесения текстов к заранее определённым категориям в прикладных системах, если набор меток и соответствующая область определены при обучении модели. Для продуктивного использования необходимо проверить соответствие её меток, языка и распределения данных конкретной задаче.

Mini-GTE — компактная модель эмбеддингов предложений от QTACK, созданная как подтверждение концепции их подхода к дистилляции. Это Sentence Transformer на архитектуре DistilBERT, дообученный на базе distilbert/distilbert-base-uncased и дистиллированный из GTE. Модель содержит 66 млн параметров и формирует векторы размерности 768; для сравнения предложений используется косинусное сходство. Mini-GTE предназначена для быстрого кодирования запросов, семантического поиска и оценки сходства текстов. Максимальная длина входной последовательности — 512 токенов. В README указано второе место в классическом рейтинге MTEB среди моделей менее чем со 100 млн параметров и 63-е место в общем рейтинге; это заявление разработчика. Модель ориентирована на английский язык. Доступна по лицензии Apache-2.0. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы; качество зависит от языка и предметной области, а README не приводит подробных оценок по отдельным наборам данных.

billingsmoore/minilm-bo — англоязычную базовую модель sentence-transformers/all-MiniLM-L6-v2 дообучили на агрегированном наборе данных с тибетским и английским текстом, чтобы создавать векторные представления предложений и абзацев. Это энкодер Sentence Transformer на архитектуре BERT с 25,9 млн параметров; он выдаёт плотные векторы размерности 384, а сходство текстов оценивается косинусной близостью. Модель предназначена прежде всего для работы с тибетским языком: семантического поиска, сравнения предложений, поиска перефразирований и кластеризации. Максимальная длина последовательности — 512 токенов. Репозиторий распространяется по лицензии MIT. В README указана более новая версия khyentsevision/minilm-bo-en-sim, дополнительно дообученная для сходства предложений.

KennethTM/MiniLM-L6-danish-encoder-v2 — компактная модель Sentence Transformers на архитектуре BERT для представления датских предложений и абзацев в виде плотных векторов размерности 384. По карточке это обновлённая версия MiniLM-L6-danish-encoder, обученная на дополнительных данных GooAQ, переведённых на датский язык; модель адаптирована от англоязычной sentence-transformers/all-MiniLM-L6-v2 с датским токенизатором, а не обучена с нуля. Модель содержит 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Векторы подходят для семантического поиска, сравнения сходства предложений и кластеризации датских текстов. При обучении использовались переведённые на датский данные ELI5 и SQuAD, а также датские пары GooAQ. Лицензия — MIT. Описание не сообщает результатов сравнительной оценки качества; при использовании следует учитывать, что назначение и обучающие данные ориентированы на датский язык.

mmarco-sentence-flare-it — модель Sentence-Transformers на базе XLM-RoBERTa, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 384. Она обучалась с TripletLoss на данных mmarco и подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель рассчитана на итальянский язык; максимальная длина контекста составляет 514 токенов, размер — 19,8 млн параметров. Доступны форматы PyTorch, safetensors и ONNX. Лицензия Apache-2.0.

Это объединённая с базовой моделью версия классификатора намерений на основе mmBERT-32K-YaRN, разработанная LLM-Semantic-Router. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 306,9 млн параметров и поддерживает контекст до 32 768 токенов. LoRA-адаптер ранга 32 слит с базовыми весами, поэтому для инференса не требуется PEFT; доступны форматы Safetensors и ONNX. Классификатор относит текстовые запросы к одной из 14 категорий: биология, бизнес, химия, информатика, экономика, инженерия, здравоохранение, история, право, математика, прочее, философия, физика и психология. Он обучен на академических вопросах MMLU-Pro и дополнительных примерах категорий. В карточке указана точность 80% на тесте; модель предназначена для развертывания в production-системах, включая инференс через Rust/Candle. Лицензия — Apache 2.0. Хотя базовая модель заявлена как многоязычная, метаданные отмечают английский и многоязычность без перечисления отдельных языков, поэтому подтверждённый основной язык определить нельзя.

Это мультиязычная модель классификации намерений на архитектуре ModernBERT, разработанная vllm-sr на основе mmbert-32k-yarn. Она относит текст к одной из 14 категорий: биология, бизнес, химия, информатика, экономика, инженерное дело, здравоохранение, история, право, математика, прочее, философия, физика и психология. Модель предназначена для классификации академических вопросов и маршрутизации пользовательских запросов по тематическим категориям; её можно запускать в производственных системах, в том числе через Rust/Candle без PEFT. Модель содержит 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Она дообучена методом LoRA ранга 32 на наборе TIGER-Lab/MMLU-Pro и дополнительной выборке категорий, после чего адаптер объединён с базовой моделью. Заявленная точность на тесте составляет 80%. Репозиторий содержит веса Safetensors и ONNX; лицензия — Apache-2.0. Карточка указывает на мультиязычность, но не перечисляет конкретные поддерживаемые языки.

Это sentence-transformers-модель tanbinh2210, дообученная на парах вопросов и подходящих текстов на базе tanbinh2210/mlm-vinai_phobert-base-v2. Она использует RoBERTa PhoBERT и mean pooling, преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов; обучающие примеры включают вопросы и ответы по расчёту налогов на вьетнамском языке. Максимальная длина входа составляет 258 токенов по метаданным; README указывает ограничение 256 токенов. Модель принимает текст и выдаёт эмбеддинги, лучше всего подходит для сопоставления вьетнамских вопросов с релевантными текстами. Для длинных документов потребуется разбиение на фрагменты. Сведения о лицензии в предоставленных источниках отсутствуют.

MobileCLIP2-S3 — компактная мультимодальная модель семейства MobileCLIP2, разработанного Apple. Репозиторий timm содержит адаптированные веса оригинальной модели с конфигурациями и именами весов OpenCLIP; опубликованный вариант предназначен для классификации изображений без дообучения по текстовым описаниям классов. Модель сопоставляет изображения и текст в общем пространстве представлений, что позволяет задавать категории естественным языком и выбирать наиболее подходящую для изображения. Семейство MobileCLIP2 разработано для эффективного визуально-текстового сопоставления и ориентировано на высокую скорость, в том числе на мобильных устройствах. В карточке приведены сравнительные результаты для других вариантов семейства, но отдельные показатели MobileCLIP2-S3 не указаны. Веса доступны в форматах PyTorch и safetensors, модель подключается через библиотеку OpenCLIP. Лицензия — Apple AMLR; перед использованием следует учитывать её условия.

MobileCLIP2-S4-OpenCLIP — веса модели MobileCLIP2-S4, адаптированные из оригинальной модели Apple для использования с OpenCLIP; репозиторий подготовлен командой timm. Это мультимодальная модель сопоставления изображений и текста для классификации изображений без обучения на целевых классах: пользователь задаёт текстовые описания классов, а модель оценивает их соответствие изображению. Архитектура относится к семейству MobileCLIP2 и рассчитана на эффективный запуск на мобильных устройствах. В карточке заявлено, что S4 достигает точности SigLIP-SO400M/14 при вдвое меньшем числе параметров и превосходит DFN ViT-L/14 по скорости на iPhone 12 Pro Max. Веса представлены в форматах PyTorch и safetensors и предназначены для библиотеки OpenCLIP. Модель подходит для быстрого распознавания и поиска изображений по текстовым описаниям. Результаты зависят от формулировок классов и распределения данных; это не специализированная модель для детекции объектов, OCR или генерации изображений. Лицензия — Apple AMLR.

mrm8488 дообучил модель Sentence Transformers на базе nomic-ai/modernbert-embed-base на испанском наборе данных для оценки семантического сходства предложений. ModernBERT преобразует текстовые предложения и абзацы в плотные эмбеддинги размерностью 768; средний пулинг токенов и нормализация позволяют сравнивать векторы по косинусному сходству. Максимальная длина последовательности — 8192 токена, а Matryoshka-обучение поддерживает сокращённые представления размерностью 512, 256, 128 и 64. Модель подходит для семантического поиска, поиска перефразировок, сравнения предложений, кластеризации и классификации текста на испанском языке. README приводит результаты оценки сходства на STS-наборах, но не описывает проверку на других языках или предметных областях. Базовый репозиторий распространяется под лицензией Apache-2.0; для этой производной модели отдельная лицензия в предоставленных данных не указана.

netique/ModernBertForMultipleChoice — модель на базе семейства ModernBERT, опубликованная пользователем netique на Hugging Face для решения задач выбора одного ответа из нескольких вариантов. Она предназначена для классификации вариантов ответа и может применяться в тестировании, оценивании соответствия текста вопросу и ответа, а также в прикладных системах, где требуется ранжировать или выбирать предложенные решения. Модель поддерживает pipeline multiple-choice и работает с библиотекой Transformers.

argos1111/modernbert-ja-310m-jev — неофициальный кросс-энкодер на базе sbintuitions/modernbert-ja-310m, дообученный для использования в качестве ModernBERT-бэкенда Jev Local. Модель объединяет вопрос и ситуацию с одним кандидатом в текстовую последовательность и выдаёт оценку; после нормализации оценок кандидатов softmax можно получить вероятности для выбора варианта, ступенчатой оценки или ответа «да/нет». Архитектура — ModernBERT с классификационной головой на один выход, около 314,6 млн параметров. Контекст модели — до 8192 токенов, однако в описанном формате состояния длиннее 512 токенов обрезаются. Модель обучена на японских наборах JGLUE и предназначена для распознавания отношений между текстами, вопросов на здравый смысл, классификации намерений, оценивания по шкале и проверки утверждений. В карточке приведены результаты на отложенных задачах JGLUE и примеры оценки вне обучающего распределения; автор отмечает, что модель лучше подходит для коротких суждений о японском тексте, чем для задач, требующих широких знаний или новых схем классификации. Это не генеративная языковая модель и не следует ожидать от неё следования инструкциям как у LLM. Модель принимает только текст; изображения не поддерживаются. Японский — основной язык, английский также упоминается как поддерживаемый базовой моделью, но README указывает, что языки помимо японского и английского не оценивались. Точность не гарантируется для форматов вопросов вне обучающих задач, а оценки уверенности не являются калиброванной вероятностью правильного ответа. Веса опубликованы по лицензии CC BY-SA 4.0; при использовании требуется сохранять атрибуцию источников датасетов.

Это модель классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. Судя по названию и архитектуре BertForSequenceClassification, это вариант BERT-base-uncased, дообученный для задачи QQP (Quora Question Pairs): определения, задают ли два вопроса одно и то же. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает текстовые пары; максимальная длина контекста — 512 токенов. Доступен формат Flax. Модель предназначена для классификации пар вопросов и выявления семантически дублирующих вопросов. Карточка и метаданные указывают на классификацию текста; отдельные сведения о лицензии и результатах оценки для этого варианта не подтверждены.

along26/mpnet-base-manglish-triplet — текстовая Sentence Transformer-модель, созданная дообучением microsoft/mpnet-base разработчиком along26 на триплетах Manglish. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов по косинусному сходству. Подходит для поиска семантически близких текстов, выявления перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Модель основана на MPNet и использует усреднение токенных представлений; максимальная длина последовательности — 512 токенов (514 нативных токенов по метаданным). В карточке указан английский язык. Опубликована в формате safetensors, использует библиотеку Sentence Transformers и распространяется по лицензии Apache-2.0. В README для оценки на manglish-dev и manglish-test приведена точность cosine_accuracy 0.0, поэтому качество на этих наборах вызывает сомнения; перед применением следует проверить модель на целевых данных.

Карточка модели endor-qa-sanity-hf/ms-macro-mini6 на Hugging Face совпадает с карточкой johnasdgf/ms-marco-MiniLM-L6-v2, поэтому описание составлено по ней. johnasdgf/ms-marco-MiniLM-L6-v2 — англоязычный cross-encoder на архитектуре BERT, дообученный для ранжирования пассажей в задаче MS MARCO Passage Ranking. Модель принимает поисковый запрос вместе с кандидатом-пассажем и оценивает их релевантность, чтобы повторно упорядочить результаты поиска. Её можно использовать после первичного поиска, например, когда кандидаты получены из ElasticSearch. Модель содержит 25,9 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors, ONNX, Flax и OpenVINO. В метаданных также указана задача text-classification, но основное назначение модели — оценка релевантности и переранжирование. Лицензия — Apache-2.0. Модель предназначена для англоязычного поиска; README описывает обучение на MS MARCO Passage Ranking. Cross-encoder оценивает пары запрос–пассаж, поэтому для больших коллекций обычно требуется сначала извлечь ограниченный набор кандидатов, а затем ранжировать его. Контекст ограничен 512 токенами.

johnasdgf/ms-marco-MiniLM-L6-v2 — англоязычный cross-encoder на архитектуре BERT, дообученный для ранжирования пассажей в задаче MS MARCO Passage Ranking. Модель принимает поисковый запрос вместе с кандидатом-пассажем и оценивает их релевантность, чтобы повторно упорядочить результаты поиска. Её можно использовать после первичного поиска, например, когда кандидаты получены из ElasticSearch. Модель содержит 25,9 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors, ONNX, Flax и OpenVINO. В метаданных также указана задача text-classification, но основное назначение модели — оценка релевантности и переранжирование. Лицензия — Apache-2.0. Модель предназначена для англоязычного поиска; README описывает обучение на MS MARCO Passage Ranking. Cross-encoder оценивает пары запрос–пассаж, поэтому для больших коллекций обычно требуется сначала извлечь ограниченный набор кандидатов, а затем ранжировать его. Контекст ограничен 512 токенами.

Jeevesh8/multiberts_seed_0_ft_2 — дообученная модель семейства MultiBERTs на базе BERT, опубликованная пользователем Jeevesh8 и основанная на чекпойнте MultiBERTs от Google Research. Модель предназначена для классификации текста и загружается через Transformers как text-classification; конкретный набор меток и обучающий датасет этого чекпойнта в доступных источниках не определены. Модель имеет около 136,7 млн параметров и поддерживает контекст до 512 токенов. Архитектура BERT использует двунаправленное представление текста; базовое семейство MultiBERTs обучалось преимущественно на английских данных. Модель подходит для прикладной классификации предложений или документов с фиксированными классами, но не предназначена для генерации текста. Лицензия конкретного чекпойнта в доступных данных не установлена.

Multilingual-MiniLM-L12-H384 — предобученная компактная языковая модель Microsoft для понимания текста на нескольких языках. Она использует 12-слойный трансформер с архитектурой BERT, скрытым размером 384 и 12 головами внимания; карточка указывает 124,3 млн параметров, включая около 21 млн параметров трансформера и 96 млн параметров эмбеддингов. Для токенизации применяется токенизатор XLM-R. Модель рассчитана на последовательности длиной до 512 токенов. Модель предназначена для задач классификации текста и может дообучаться для межъязыкового переноса, распознавания текстового следствия и ответов на вопросы. В README приведены оценки на XNLI и MLQA. Поддерживаются английский, арабский, болгарский, немецкий, греческий, испанский, французский, хинди, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский языки. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель основана на дистилляции MiniLM и рассчитана на компактное и быстрое применение в задачах понимания языка. Для этого чекпойнта используется BertModel с XLMRobertaTokenizer, поэтому AutoTokenizer не работает согласно README. Лицензия — MIT.

Mursit-Embed-Qwen3-1.7B-TR-i1-GGUF — это квантизированная в формате GGUF версия модели Mursit-Embed-Qwen3-1.7B-TR, разработанной newmindai и подготовленной квантизатором mradermacher. Модель создана на базе Qwen3 с адаптацией decoder-to-encoder и предназначена для получения текстовых эмбеддингов. Основные сценарии применения — вычисление семантического сходства, dense retrieval, информационный поиск и извлечение признаков, включая задачи на турецком языке и поиск по юридическим документам. При обучении использовались наборы newmindai/ms-marco-turkish-triplets и newmindai/EuroHPC-Legal. Заявлены языки tr и en; модель ориентирована прежде всего на турецкие и турецко-юридические тексты. Доступен набор квантизаций с размерами примерно от 0,6 до 1,5 ГБ. В README рекомендуется i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S описывается как оптимальный баланс размера, скорости и качества; некоторые низкобитные варианты имеют пониженное качество. Размер исходной модели указан как 1,7B параметров, но сведения о размерности эмбеддингов, максимальной длине контекста, точных характеристиках архитектуры и результатах оценки отсутствуют. Лицензия — Apache-2.0.

shuaih777/music-crs-biencoder-personalized — англоязычная Sentence Transformer-модель на базе BAAI/bge-large-en-v1.5, дообученная для сопоставления текстовых запросов и предложений. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024 и использует косинусное сходство; архитектура включает BertModel, CLS-пулинг и нормализацию. Модель рассчитана на семантический поиск и сравнение текстов, в том числе персонализированных запросов о музыкальных рекомендациях. Контекст ограничен 512 токенами, библиотека — Sentence Transformers; веса доступны в формате safetensors. README не сообщает лицензию.

MyAwesomeModel — модель из репозитория asfafaaf3434/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. В метаданных она классифицирована для задачи feature-extraction и помечена тегами BERT, Transformers и PyTorch, поэтому её можно применять для получения векторных представлений входного текста и последующих задач анализа данных.

MyAwesomeModel — модель из репозитория dfdfhhj7/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных Hugging Face она классифицирована как модель для извлечения признаков; среди тегов также указаны PyTorch и BERT, поэтому её можно использовать для получения векторных представлений текста и последующей обработки в задачах машинного обучения.

MyAwesomeModel — модель из репозитория safaf45252/MyAwesomeModel-TestRepo, опубликованная для работы с библиотекой Transformers. В метаданных Hugging Face она классифицирована как feature-extraction и помечена тегами BERT, PyTorch и Transformers, поэтому её основное назначение — преобразование текста в информативные векторные представления для последующего анализа и машинного обучения. Такие представления можно использовать для семантического поиска, сравнения текстов, классификации, кластеризации и построения систем, работающих с текстовыми признаками. README также заявляет улучшения в рассуждениях, программировании, математике, диалогах и других генеративных сценариях, однако эти характеристики не согласуются с указанным pipeline_tag и не подтверждают совместимость модели с задачей text-generation. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точная архитектура в доступных данных не определены; тег BERT указывает на семейство или совместимость, но не позволяет установить конкретную конфигурацию.

MyAwesomeModel — модель на базе Transformers с архитектурой семейства BERT, опубликованная в репозитории scq21cs2dsadsa/MyAwesomeModel-TestRepo. Согласно метаданным Hugging Face, она предназначена для извлечения признаков из текста и доступна под лицензией MIT. Модель может применяться для получения векторных представлений текста, последующей классификации, кластеризации, поиска похожих документов и других задач, использующих текстовые embeddings. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы и диалогов, однако pipeline_tag feature-extraction и доступные метаданные подтверждают прежде всего сценарии извлечения признаков. Размер модели, длина контекста, поддерживаемые языки и разработчик в предоставленных данных не указаны.

MyAwesomeModel — модель для извлечения признаков из текста, опубликованная в репозитории WinderBYZ/MyAwesomeModel-TestRepo. Согласно метаданным, она относится к семейству BERT и предназначена для использования с библиотекой Transformers на базе PyTorch. Модель преобразует текстовые входы в векторные представления, которые можно применять в последующих задачах машинного обучения, включая семантический поиск, сравнение текстов, классификацию и кластеризацию. README содержит заявления о возможностях рассуждения, генерации и диалогах, однако они не согласуются с указанным pipeline-тегом feature-extraction и не подтверждают дополнительные характеристики этой публикации. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные параметры архитектуры в доступных данных не указаны.

MyAwesomeModel — модель из репозитория zSQ2WSA/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных она обозначена как модель для извлечения признаков и связана с архитектурой BERT, PyTorch и Transformers. Это позволяет использовать её для получения векторных представлений текста и последующей обработки в задачах машинного обучения.