I.11Классификация, ранжирование и сопоставление

unrestrictedai/my-embedding-gemma — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и сравнивает их по косинусному сходству. Архитектура относится к Gemma 3 Text; модель содержит 302,8 млн параметров, принимает текст с контекстом до 2048 токенов и сохраняет веса в формате safetensors. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README указано обучение на трёх примерах с MultipleNegativesRankingLoss, поэтому качество и переносимость на другие задачи или предметные области могут быть ограничены. Лицензия в предоставленных данных не указана.

AhmadAfles/my-first-AraGenre — дообученная модель Sentence Transformers на базе U4RASD/NeoAraBERT, разработанная AhmadAfles. Она преобразует предложения и абзацы на арабском языке в плотные векторы размерности 768 и предназначена для поиска и сравнения текстов по косинусному сходству. Модель обучена на 899 парах предложений с использованием MultipleNegativesRankingLoss; максимальная длина входной последовательности — 512 токенов. Модель принимает текст и возвращает векторные представления. Примеры обучающих данных включают разговорный египетский и литературный арабский, но карточка не заявляет отдельную специализацию по диалектам. Она подходит для семантического поиска и поиска похожих предложений. Лицензия в предоставленных данных не указана.

myX-Semantic-Light — модель эмбеддингов предложений на базе Sentence Transformers, разработанная Khant Sint Heinn и опубликованная DatarrX. Она дообучена с дистилляцией знаний от sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 на корпусе DatarrX/myX-Mega-Corpus из 500 тысяч строк и ориентирована на бирманский язык. Модель кодирует текст в плотные 384-мерные векторы и использует среднее объединение токенов. Она предназначена для семантического поиска, кластеризации и оценки сходства предложений, в том числе на мобильных устройствах и в средах с ограниченными ресурсами. Для сравнения векторов автор рекомендует косинусное сходство; ориентир 0,40 может указывать на семантическую связь. Контекст модели — 512 токенов по метаданным, а README указывает максимальную длину последовательности 128 токенов для обучения и рекомендует её для коротких и средних текстов. Модель рассчитана на текст в Unicode Burmese; кодировка Zawgyi не поддерживается, а для длинных документов качество может снижаться. Распространяется по лицензии Apache-2.0.

yoriis/NAMAA-retriever-notfs-final-contrastive — дообученная модель Sentence Transformers на базе yoriis/NAMAA-retriever-contrastive-1, разработанная автором репозитория yoriis. Она преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их косинусным сходством. Модель построена на ModernBERT с усреднением токенных представлений; метаданные указывают контекст до 8192 токенов, а карточка модели — максимальную длину последовательности 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В качестве обучающих данных указаны 9 582 пары предложений с оценками сходства; примеры в карточке — вопросы и ответы на арабском языке, в религиозной тематике. Модель опубликована в формате safetensors и использует библиотеку sentence-transformers. Условия лицензии в предоставленных данных не указаны.

ahmedHamdi/narrative-similarity-pt-en-masked-miniLM-L6 — дообученный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный с помощью AutoTrain. Модель предназначена для получения векторных представлений и оценки семантического сходства предложений, в том числе в сценариях поиска похожих текстов. Модель использует архитектуру BERT и библиотеку Sentence Transformers; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Карточка сообщает метрику validation loss 0,0887, но не описывает набор данных и методику оценки, поэтому это значение не позволяет судить о качестве на конкретных задачах. Лицензия в предоставленных данных не указана.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для сопоставления текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает BERT-трансформер, пулинг CLS-токена и нормализацию. Модель рассчитана на английский язык и принимает последовательности длиной до 512 токенов. Её можно применять для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста, в том числе для поиска вопросов по финансовым и договорным фрагментам. Обучение описано как дообучение с MultipleNegativesRankingLoss на наборе из 26 примеров с контекстами и вопросами. Модель распространяется по лицензии Apache-2.0. Небольшой обучающий набор ограничивает основания ожидать широкую специализацию на финансовых текстах или стабильное качество на разнообразных данных; результаты следует проверять на целевом корпусе.

cross-encoder/nli-roberta-base — англоязычная модель RoBERTa, дообученная авторами Sentence Transformers для распознавания логических отношений между парами предложений. Для каждой пары она выдаёт оценки трёх классов: противоречие, следование и нейтральное отношение. Модель содержит 151,8 млн параметров, принимает пары текстов и поддерживает контекст до 514 токенов. Основные сценарии применения — классификация текстовых пар, проверка гипотез по посылкам и классификация без примеров по заданным меткам. Также модель можно использовать для оценки сходства предложений. Она обучена на английских наборах SNLI и MultiNLI; для работы доступна через Sentence Transformers и Transformers. Лицензия — Apache-2.0.

Nori Classifier 6M — классификационная головка для табличной foundation-модели Nori, разработанная CardoAI. Она использует замороженную базовую модель Synthefy/Nori и добавляет обученные кодировщик меток и двухслойную головку классификации; репозиторий содержит только эти компоненты, а базовая модель загружается отдельно. Модель предназначена для бинарной и небольшой многоклассовой классификации табличных данных в контексте: размеченные строки передаются вместе с новыми примерами, которым модель присваивает оценки за один проход без отдельного обучения на каждом наборе данных. Также можно извлекать классификационно-ориентированные эмбеддинги размерности 128 для строк. Наиболее подходящий сценарий — небольшие IID-таблицы примерно с несколькими сотнями до 2000 размеченных строк. На очень малых IID-задачах модель конкурентоспособна с другими табличными foundation-моделями. Контекст ограничен примерно 2000 строками; с ростом набора данных преимущество уменьшается, а при сдвиге распределения качество снижается. Вероятности для многоклассовых задач не откалиброваны и лучше подходят для ранжирования, чем для интерпретации как достоверных вероятностей. Головка распространяется по Apache-2.0; базовая Nori загружается отдельно и действует под собственной лицензией.

dinushiTJ/nz-research-commons-embedding-gemma — текстовая Sentence Transformer-модель, дообученная на наборе nz_research_commons_embedding_triplets_5k. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска и сравнения текстов по косинусному сходству. Модель основана на текстовой архитектуре Gemma 3, содержит 302,8 млн параметров и принимает последовательности длиной до 2048 токенов. Обучение на 5 000 триплетах использовало TripletLoss; в README указана точность cosine_accuracy 0,984 на оценке TripletEvaluator для набора rc-triplet-eval. Подходит для семантического поиска и извлечения релевантных текстов в корпусе NZ Research Commons. Данные не описывают поддерживаемые естественные языки или лицензию, поэтому их нельзя надёжно указать.

OdiaSBERT — модель L3Cube-Pune для получения векторных представлений предложений на языке одия. Она основана на OdiaBERT и дообучена на наборе данных NLI; модель выпущена в рамках проекта MahaNLP. Её применяют для измерения сходства предложений и построения эмбеддингов, в том числе для поиска или группировки близких по смыслу текстов на одия. Модель использует архитектуру BERT, содержит около 264,8 млн параметров и обрабатывает до 512 токенов контекста. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0. Для получения эмбеддингов README описывает использование Sentence-Transformers либо применение подходящей операции pooling поверх выходов трансформера. Модель предназначена для одия и не заявлена как многоязычная: для поддержки основных индийских языков и межъязыковых задач авторы указывают отдельную мультиязычную модель. README также упоминает более качественную модель сходства, дообученную на основе этой; поэтому для максимального качества сходства стоит учитывать это ограничение.

OdiaSBERT-STS — модель семейства SBERT от команды L3Cube-Pune, входящая в проект MahaNLP. Это модель на архитектуре BERT, дообученная на датасете оценки семантического сходства предложений (STS) поверх l3cube-pune/odia-sentence-bert-nli. Она преобразует тексты на одия в плотные векторные представления для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 264,8 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для оценки сходства пар предложений, семантического поиска и кластеризации текстов на одия. Для работы с эмбеддингами в Transformers требуется применять соответствующую операцию pooling к контекстным представлениям токенов; README также описывает использование Sentence-Transformers. Лицензия — CC BY 4.0. Карточка не сообщает результаты качества или ограничений помимо указанных характеристик.

OGBert-110M-Sentence — модель эмбеддингов предложений на базе ModernBERT, разработанная автором репозитория mjbommar. Она предназначена для представления глоссариев и специализированных текстов в виде векторов, которые можно сравнивать по смыслу и использовать для кластеризации и поиска документов. Архитектура включает ModernBERT, усреднение токенов и L2-нормализацию; в README указано 110 млн параметров, а метаданные сообщают 138,4 млн. Контекст — до 1024 токенов. Модель обучалась на корпусе специализированных словарных статей OpenGloss и заявлена для английского языка. В описанных оценках модель показала результаты для кластеризации документов, тематического поиска и сходства слов; README приводит метрики на небольших наборах данных, поэтому они не гарантируют аналогичного качества на других доменах. Модель принимает текст и выдаёт нормализованные векторы. Лицензия — Apache-2.0.

OmniRet — мультимодальная модель эмбеддингов для поиска, опубликованная как объединённый чекпойнт второго этапа проекта Efficient and High-Fidelity Omni Modality Retrieval. Она объединяет текстовый энкодер Alibaba-NLP/gte-Qwen2-1.5B-instruct, визуальный энкодер google/siglip-so400m-patch14-384 и аудиоэнкодер Qwen-Audio с проекторами и общим способом объединения признаков. Модель кодирует текст, аудио, изображения и видео в общее пространство нормализованных векторов размерности 4096; сходство между ними можно оценивать скалярным произведением. Запрос может содержать инструкцию и текст вместе с одним типом медиа. Видео обрабатывается по не более чем восьми равномерно выбранным кадрам. Модель предназначена для межмодального поиска и вычисления релевантности, а не для генерации ответов. Опубликованная версия обучена в меньшем масштабе, чем модель из статьи, поскольку исходный чекпойнт был утрачен; количественные результаты статьи к ней напрямую не относятся. Для аудио требуются монофонические WAV-файлы PCM, 16 бит, 16 кГц; обработка на CPU поддерживается, но существенно медленнее, рекомендуется CUDA GPU. Оценки сходства не являются вероятностями и могут немного различаться между устройствами и вычислительными ядрами. В метаданных указана лицензия other.

GPTCache/paraphrase-albert-small-v2 — текстовая модель, опубликованная организацией GPTCache на Hugging Face. Она предназначена для извлечения признаков из текста и получения векторных представлений, которые можно использовать для сравнения смысловой близости фраз, поиска похожих запросов и задач семантического кэширования. Модель загружается через Transformers как AlbertModel или pipeline feature-extraction. Архитектура основана на ALBERT: 6 скрытых слоёв, 12 голов внимания, размер скрытого представления 768, промежуточный размер 3072, словарь на 30 000 токенов и максимальная длина последовательности 512 токенов. Указана поддержка английского языка. Модель работает только с текстом и не является генеративной моделью. К сильным сторонам относятся компактная архитектура ALBERT и возможность получать признаки для downstream-задач без специального классификационного слоя. Ограничения: карточка модели не содержит подробного описания обучения, датасетов, результатов оценки или гарантированных показателей качества; назначение и характеристики следует трактовать как доступные из метаданных и конфигурации. Модель распространяется по лицензии MIT.

yahyaabd/paraphrase-multilingual-miniLM-L12-v2-mnrl-beir-2 — модель Sentence Transformer, дообученная автором на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Архитектура основана на BERT и преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной мерой. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, тогда как README модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и поиска перефразирований; полученные векторы также можно использовать для кластеризации и классификации текстов. Она дообучена с MultipleNegativesRankingLoss на наборе statictable-triplets-all из 967 831 примера. Примеры датасета посвящены статистическим таблицам Индонезии, поэтому качество на других типах текстов может отличаться. Базовая модель многоязычная, однако в карточке нет точного перечня языков, для которых проверена эта дообученная версия. Лицензия в предоставленных данных не указана.

Карточка модели facebook/PE-Core-T16-384 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

Карточка модели facebook/PE-Spatial-L14-448 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

Карточка модели facebook/PE-Spatial-S16-512 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

yasserrmd/pharma-gemma-300m-emb — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m для работы с фармацевтическими и биомедицинскими текстами. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического сравнения и поиска; сходство оценивается косинусной мерой. Модель содержит 302,8 млн параметров, использует архитектуру Gemma 3 Text и принимает последовательности длиной до 2048 токенов. В README приведены примеры вопросов и ответов о лекарствах и биологии, а среди возможных сценариев названы поиск парафраз, классификация и кластеризация текстов. Репозиторий использует библиотеку Sentence Transformers и формат safetensors. Это инструмент для поиска и сопоставления текстов, а не модель для самостоятельной генерации медицинских рекомендаций или постановки диагноза. Качество зависит от соответствия запросов и корпуса её специализации; выводы о лечении следует проверять по надёжным источникам. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели AISE-TUDelft/pharo-keyimplementationpoints-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/pharo-collaborators-classifier, поэтому описание составлено по ней. pharo-collaborators-classifier — модель семейства MPNet от AISE-TUDelft на базе Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости; подходит для семантического поиска и кластеризации текстов. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучена с функцией потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

PhoRanker — вьетнамская модель переранжирования текстовых фрагментов, опубликованная пользователем itdainb. Это cross-encoder на архитектуре RoBERTa с примерно 162,4 млн параметров; модель принимает пару запроса и документа и оценивает их соответствие, чтобы упорядочить найденные документы. Для обработки вьетнамского текста README указывает предварительную сегментацию слов с помощью VnCoreNLP. Модель предназначена для второго этапа поиска: после получения кандидатов из поисковой системы она помогает поднять более релевантные отрывки в выдаче и ответах на вопросы по коллекции документов. В README приведены результаты на MS MARCO Passage Reranking — Vi — Dev; автор сообщает лучшие значения среди перечисленных моделей по метрикам NDCG и MRR, а также скорость 15 документов в секунду в тесте на A100 с fp16. Длина контекста составляет 258 токенов, поэтому модель подходит для коротких запросов и фрагментов, но длинные документы потребуется разбивать на части. Репозиторий распространяется по лицензии Apache-2.0.

PhoRanker-legal-vn-old — дообученная модель Cross-Encoder на базе itdainb/PhoRanker, опубликованная phatvucoder. Она оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, в том числе в сценариях поиска по юридическим текстам. Архитектура — RoBERTa для классификации последовательностей с 162,4 млн параметров; модель принимает текстовые пары и выдаёт оценку. Максимальная длина последовательности в README — 256 токенов, в метаданных указано 258 токенов.

pico-type — компактная модель классификации содержимого от eulogik. Она принимает необработанные байты и за один проход определяет тип и модальность содержимого, подтип, язык кода или текста, MIME-тип и признаки риска. Токенизатор не требуется, поэтому модель рассчитана на разные языки и форматы данных. Модель использует байтовые эмбеддинги, параллельные свёртки Conv1D и двунаправленное внимание с RoPE. Доступны четыре варианта размерностью от 1,43 до 1,56 млн параметров; веса представлены в формате ONNX FP32. В README заявлены размер файла около 9 МБ и инференс примерно за 18 мс на CPU, а также варианты применения на периферийных устройствах, в браузере и серверless-средах. Модель подходит для автоматической маркировки текста и файлов, определения языков программирования и текста, MIME-типа и флагов риска. README отмечает, что точность распознавания некоторых языков кода ниже из-за малого числа обучающих примеров. Лицензия — Apache-2.0.

OPI-PIB/pl-ModernBERT-512-base — базовая монолингвальная модель-энкодер семейства ModernBERT, предварительно обученная для обработки польского языка. Она предназначена как основа для польских NLP-систем: модель можно дообучать для классификации текстов и документов, разметки последовательностей, регрессии, семантического сходства, поиска и переранжирования. В текущем виде она также поддерживает заполнение пропусков в тексте (fill-mask). Модель содержит 148,7 млн параметров и принимает последовательности длиной до 514 токенов. Архитектура включает 22 слоя, скрытый размер 768, RoPE, слои GeGLU и чередование глобального и локального внимания; используется токенизатор SentencePiece Unigram с размером словаря 50 008. Предобучение проведено на польском корпусе объёмом около 44,5 млрд токенов. В README сообщается о конкурентных результатах на польских задачах NLU, включая KLEJ и FinBench. Для прикладных задач, кроме заполнения пропусков, потребуется адаптация или дообучение. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Plumb-4B — дообученная модель принятия решений от crh225 на базе alibiserikbay/JevK5. Она принимает свидетельства, вопрос и от 2 до 16 вариантов, а одним проходом модели выдаёт вероятности для каждого варианта, не генерируя токены. Поддерживаются вопросы «да/нет», выбор из вариантов и оценка по порядковой шкале. Модель построена на плотной архитектуре Qwen3.5 и содержит 3,4 млрд параметров. Она предназначена для классификации решений, оценки вариантов и калиброванного ранжирования ответов; карточка сообщает о температуре калибровки 2,07 и приводит результаты на JevBench. Заявленная длина контекста — 262 144 токена. Для запуска через описанный в карточке runtime требуется CUDA GPU примерно с 10 ГБ свободной памяти при использовании bf16; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. В качестве ограничений карточка описывает оценку на JevBench и собственных наборах, но не подтверждает качество на широком спектре задач или реальных рабочих процессах. Результаты и задержки зависят от набора решений и оборудования; приведённые метрики получены на RTX 4080 Super.

valpy/prompt-classification — модель классификации текста на базе DeBERTa-v2, разработчик в доступной карточке не описан. Она предназначена для отнесения запросов к категориям по их намерению или содержанию: например, кода, перевода, ролевой игры, математических рассуждений, редактирования и извлечения информации. Карточка перечисляет 16 категорий, включая категорию «другое» с уточнением. Модель содержит 533,8 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

cross-encoder/quora-distilroberta-base — англоязычная модель cross-encoder на базе DistilRoBERTa, дообученная с помощью SentenceTransformers на датасете Quora Duplicate Questions. Она принимает пару вопросов и оценивает числом от 0 до 1 вероятность того, что они являются дубликатами. Модель предназначена для поиска повторяющихся вопросов и ранжирования кандидатов по вероятности дублирования; её можно применять, например, при дедупликации пользовательских запросов или вопросов на форумах. Архитектура — RobertaForSequenceClassification, около 95,2 млн параметров; базовая модель — distilbert/distilroberta-base. Нативный контекст составляет 514 токенов. Доступны форматы PyTorch, safetensors, ONNX, OpenVINO и Flax. Лицензия — Apache-2.0. Оценка отражает вероятность дублирования, а не общую семантическую схожесть: вопросы на близкие темы, но с разными намерениями, могут получить низкий балл. Модель рассчитана на английские вопросы; перенос её оценок на другие языки и типы текстов не подтверждён.

navteca/quora-roberta-base — модель-кросс-энкодер на базе RoBERTa, обученная с помощью класса CrossEncoder из SentenceTransformers. Она принимает пару вопросов на английском языке и оценивает числом от 0 до 1 вероятность того, что вопросы являются дубликатами. Модель обучена на наборе Quora Duplicate Questions и предназначена для поиска повторяющихся вопросов, например при дедупликации пользовательских обращений или сортировке результатов по совпадению формулировок. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и поддерживает контекст до 514 токенов. Доступны веса PyTorch и Flax. Лицензия — MIT. Оценка относится именно к дублированию, а не к семантическому сходству: вопросы об изучении Java и Python могут получить низкий балл, несмотря на похожую структуру. Для сравнения длинных текстов или поиска общей тематической близости модель не предназначена.

Qwen3-1.7B-plumb — модель на базе Qwen3-1.7B от Totum Labs для диалогов и генерации текста с дополнительной головой принятия решений. Она выбирает из заданных вариантов, отвечает «да» или «нет» либо выставляет оценку, выдавая вероятности для вариантов и калиброванное решение за один проход по уже накопленному KV-кэшу. В репозитории веса Qwen3-1.7B сохранены без изменений; добавлены обученная голова решений на 51,5 млн параметров и адаптер LoRA, активный при обработке решений. Общий размер базовой модели — 1,7 млрд параметров, длина контекста — до 40 960 токенов. Модель предназначена для принятия структурированных решений в диалоге, в том числе выбора варианта по контексту, ранжирования заданных вариантов и выставления оценок; она также сохраняет возможности базовой Qwen3 для генерации текста и общения. README сообщает о тестировании на 447 отложенных решениях и приводит более высокую точность, чем у базовой модели в указанных настройках. Для работы требуются vLLM 0.30.0 и плагин Plumbify; указано ограничение на запуск на одном GPU без tensor и pipeline parallelism. Обучающие решения были на английском, а голова выбирает только из предложенных вариантов и не проверяет их корректность. Лицензия — Apache-2.0.

Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций модели Qwen/Qwen3-Embedding-0.6B, подготовленный mradermacher. Модель предназначена для получения текстовых эмбеддингов, оценки семантического сходства предложений, поиска и других задач feature extraction. В метаданных указано, что базовая модель относится к семейству Qwen и поддерживает английский язык. Размер базовой модели составляет 0,6 млрд параметров. Доступны варианты в форматах Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и f16; размер файлов — примерно от 0,4 до 1,3 ГБ. Квантизации позволяют выбирать компромисс между требованиями к ресурсам, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. Для некоторых низкобитных вариантов качество ниже. В README не указаны архитектурные детали, максимальная длина контекста, перечень дополнительных языков и точные показатели качества, поэтому эти характеристики нельзя подтвердить. Файлы распространяются по лицензии Apache License 2.0; README описывает именно квантизированные GGUF-файлы, а не исходную модель.