I.11Классификация, ранжирование и сопоставление

Ilseyar-kfu/broken_bert — модель для классификации текста из экосистемы Transformers. В метаданных она отнесена к архитектурному семейству BERT и имеет около 136,7 млн параметров; модель поддерживает контекст длиной до 512 токенов и сохраняется в формате Safetensors. Разработчик, исходная модель, языки и лицензия в доступных материалах не указаны. Модель предназначена для задач text classification: отнесения входных текстов к заранее заданным классам в прикладных системах анализа документов, сообщений и пользовательских запросов. Конкретные наборы меток, область применения, данные обучения и результаты оценки не описаны, поэтому назначение модели следует уточнять по конфигурации классификационной головы и экспериментальным проверкам. Ограничения включают отсутствие документации о языке, обучающих данных, классах, качестве и рекомендуемых сценариях использования. Лицензионные условия также не приведены, поэтому перед распространением или коммерческим применением необходимо проверить сведения на странице репозитория.

CamemBERTa-L8 — обрезанная версия предварительно обученной модели CamemBERTa, опубликованная Antoine Louis. Из исходного чекпойнта удалены верхние слои энкодера; модель содержит 100,1 млн параметров и использует архитектуру DeBERTa-v2. Она принимает текст и выдаёт контекстные признаки; максимальная длина контекста — 512 токенов. Модель предназначена прежде всего для дообучения под задачи, где решение зависит от всего предложения: классификации текста, извлечения ответа на вопрос и семантического поиска. Также её можно использовать для masked language modeling. Для генерации текста автор рекомендует авторегрессионные модели. Модель распространяется по лицензии MIT. Удаление верхних слоёв уменьшает модель, но может ограничивать её пригодность для задач, которым нужны полные представления исходной модели; качество на конкретных задачах зависит от дообучения.

CamemBERT-L8 — прореженная версия предварительно обученной модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. В метаданных указаны архитектура CamemBERT, класс CamembertModel, около 100,1 млн параметров и контекст длиной до 514 токенов. Модель предназначена прежде всего для дообучения под задачи, где решение опирается на всё предложение: классификацию текста, извлечение ответов на вопросы и семантический поиск. Её также можно использовать для извлечения признаков и masked language modeling. Для генерации текста автор рекомендует авторегрессионные модели. Модель работает с текстом на французском языке. Удаление верхних слоёв уменьшает модель относительно исходной CamemBERT-base; числовой размер L8 подтверждён метаданными, а README описывает семейство вариантов с разным числом удалённых слоёв. Лицензия — MIT.

nielsr/canine-s — репозиторий с весами CANINE-S, опубликованный nielsr на Hugging Face; сама модель разработана Google и представляет собой многоязычный энкодер-трансформер для представления текста. Модель содержит 113,2 млн параметров и принимает текст на уровне символов Unicode без обычного токенизатора; при предобучении она предсказывает субсловные токены по символьному вводу. Метаданные указывают контекст до 16 384 токенов. Модель предназначена прежде всего для извлечения признаков и последующей тонкой настройки для задач классификации последовательностей и токенов, а также ответов на вопросы. Она обучалась на многоязычных данных Википедии для 104 языков. Это не модель для генерации текста; лицензия Apache-2.0 указана для исходной модели Google CANINE-S.

Это мультимодальная модель CLIP ConvNeXt-Large-D, обученная Россом Уайтманом с помощью OpenCLIP на англоязычной подвыборке LAION-2B. Она сопоставляет изображения и текст, чтобы классифицировать изображения по заданным текстовым категориям без отдельного дообучения на этих категориях, а также выполнять поиск изображений по текстовому запросу и текста по изображению. Визуальная часть основана на ConvNeXt-Large и принимает изображения с разрешением 320 × 320 пикселей; текстовая часть имеет 16 слоёв и размерность эмбеддингов 768. По данным README, модель дообучена с повышением разрешения с 256 до 320 пикселей, а точность zero-shot классификации ImageNet составляет 76,6%. Модель рассчитана на английские сценарии: её не обучали и не оценивали целенаправленно на других языках. В README модель позиционируется для исследований и не рекомендуется для развёрнутого применения без тщательной проверки на конкретной задаче и фиксированном наборе классов. Применение для наблюдения и распознавания лиц указано как недопустимое; возможны ошибки и смещения, связанные с данными и формулировками классов. Лицензия — MIT.

CLIP ConvNeXt-XXLarge — мультимодальная модель сопоставления изображений и текста, обученная Ross Wightman с помощью OpenCLIP на англоязычном наборе LAION-2B. Она предназначена для классификации изображений по текстовым описаниям без дообучения, поиска изображений по запросу и поиска текста, соответствующего изображению; её также можно дообучать для задач классификации и использовать для управления генерацией изображений. Архитектура включает визуальный энкодер timm ConvNeXt-XXLarge и текстовый энкодер глубиной 24 слоя с размерностью 1024 и 16 головами. Совместная модель содержит около 1,2 млрд параметров; изображения при обучении обрабатывались в разрешении 256 × 256. В карточке для одной из версий серии указана точность 79,1% в zero-shot-классификации ImageNet. Модель рассчитана на англоязычные сценарии: обучение и оценка на других языках не проводились. Авторы не рекомендуют развёртывание модели; для исследовательских применений требуется тщательная проверка на фиксированной предметной таксономии. Распознавание лиц и наблюдение исключены из допустимых сценариев. Модель распространяется по лицензии MIT.

kevinoli/clip-finetuned-csu-p14-336-e4l58-l — дообученная модель CLIP на базе openai/clip-vit-large-patch14-336, опубликованная пользователем kevinoli. Она сопоставляет изображения с текстовыми описаниями и поддерживает классификацию изображений по категориям, заданным пользователем, без отдельного обучения на этих категориях. Модель реализована как CLIPModel и распространяется в формате safetensors для Transformers. Карточка сообщает значение Loss 0,8028 на оценочном наборе, но не раскрывает датасет, детали обучения и сценарии применения. Поэтому нельзя надёжно определить её специализацию, качество на конкретных данных или языки текстовых запросов. Базовая модель CLIP предназначена для сопоставления изображений и текста; лицензия в доступных данных не указана.

zer0int/CLIP-SAE-ViT-L-14 — это дообученная zer0int модель CLIP ViT-L/14 для классификации изображений без примеров обучения: она сопоставляет изображение с текстовыми категориями. Модель основана на openai/clip-vit-large-patch14 и использует архитектуру CLIP с плотными весами в формате Safetensors; обучение описано как adversarial fine-tuning с учётом sparse autoencoder (SAE). Модель предназначена для zero-shot классификации и оценки соответствия изображения текстовым меткам. В README автор сообщает о результатах на ImageNet и ObjectNet, линейном пробнике в CLIP_benchmark и использовании с Flux.1 и HunyuanVideo; эти сценарии могут требовать отдельных интеграций или версий модели. В метаданных указаны датасеты adversarial typographic attack text-image и SPRIGHT COCO. Модель принимает изображения и текстовые описания категорий и выдаёт оценки их соответствия. Лицензия — MIT. Заявленные в README метрики приведены автором; независимая проверка этих результатов в предоставленных материалах не описана.

DatologyAI CLIP Classification Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на стандартной архитектуре CLIP без изменений в архитектуре и процедуре обучения. Модель использует визуальный энкодер ViT-B/32 с 86 млн параметров и текстовый трансформер из 12 слоёв; размер изображения — 224×224 пикселя, размер эмбеддинга — 512, контекст текстового энкодера — 77 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для извлечения признаков изображений и использования в качестве визуального энкодера для VLM. Для обучения использовали курируемые DatologyAI данные DataComp-XL: README сообщает о 13 млрд пар «изображение—текст». В карточке заявлены точность 76,91% на ImageNet1k и улучшенная эффективность обучения; это результаты авторов, а не независимая оценка. Модель выпущена в форматах PyTorch и safetensors под лицензией Apache 2.0.

AnkushRaut216/Contrastive-Finetuned-for-AI-all-MiniLM-L6-V2 — дообученная контрастивным методом модель семейства MiniLM на текстах, связанных с искусственным интеллектом. Она построена на MiniLM-L6-H384-uncased и использует архитектуру BERT; модель содержит 25,9 млн параметров и рассчитана на текстовые входы длиной до 512 токенов по метаданным. README указывает, что последовательности длиннее 256 word pieces обрезаются, поэтому фактический предел может зависеть от используемого пайплайна. Модель преобразует предложения и короткие абзацы в плотные векторы размерностью 384, пригодные для семантического поиска, оценки сходства и кластеризации текстов. Обучение на парах предложений с контрастивной целью помогает сопоставлять близкие по смыслу фразы; карточка называет специализированную область — тексты об ИИ. Указанный язык карточки — английский. Модель распространяется под лицензией Apache-2.0. Она выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст; качество на других языках и предметных областях в предоставленных данных не описано.

Карточка модели Alibaba-NLP/core-reranker-2b на Hugging Face совпадает с карточкой Alibaba-NLP/core-emb-2b, поэтому описание составлено по ней. Core-Embed-2B — мультимодальная модель эмбеддингов, разработанная Alibaba-NLP на архитектуре Qwen3-VL. Она преобразует текст и изображения в плотные векторы для поиска и сопоставления, уделяя особое внимание композиционным связям между атрибутами и объектами: например, различает изображение с белой тарелкой и чёрным стулом от изображения с обратным сочетанием цветов. Модель содержит 2 млрд параметров и рассчитана на извлечение признаков из текста и изображений. Модель обучена дистилляцией оценок ранжирования: её эмбеддинги учатся сохранять градации соответствия между запросом и кандидатами, включая ошибки атрибутов и объектов. Это помогает выполнять тонкий мультимодальный поиск, сохраняя качество обычного поиска изображений и текстов. Для запуска требуется версия Transformers с поддержкой Qwen3-VL. Модель распространяется по лицензии CC BY 4.0. Карточка описывает семейство и результаты Core-Embed-8B, но не приводит отдельные численные оценки для версии 2B.

davanstrien/dataset-schema-task-classifier — модель классификации текста на базе двунаправленного энкодера LiquidAI/LFM2.5-Encoder-350M, дообученного для многометочной классификации схем датасетов. Она предсказывает категории задач, связанные с датасетом, например распознавание речи, генерацию текста, классификацию изображений, поиск и прогнозирование временных рядов; всего в карточке заявлено 35 меток. Модель содержит 444,6 млн параметров, использует архитектуру LFM2 и поддерживает контекст до 128 000 токенов. Модель предназначена для автоматической разметки описаний и схем датасетов категориями задач, в том числе как этап каталога или поиска данных. В README приведены значения F1: micro 0,5898 при пороге 0,5 и 0,6238 при настроенных порогах; для применения меток с приоритетом точности рекомендуется отбирать предсказания с высокой уверенностью и направлять остальные на проверку. Используется специальная голова классификации, поэтому для загрузки требуется trust_remote_code=True; README также отмечает ограничение стандартных архитектур для обслуживания через vLLM. Лицензия в предоставленных данных не указана.

deepvk/deberta-v1-base — предварительно обученный двунаправленный энкодер DeBERTa, разработанный deepvk для русского языка. Модель обучена на задаче masked language modeling на корпусе примерно из 400 ГБ очищенных и дедуплицированных текстов: Википедии, книг, комментариев, новостей, субтитров и других источников. В обучающих данных преобладает русский язык, также присутствует небольшая доля других языков. Модель содержит 12 слоёв энкодера, 12 голов внимания и размерность представлений 768; всего около 151,8 млн параметров. Она принимает текст и извлекает контекстные векторные представления для последующего дообучения или использования в NLP-задачах. Это только энкодер без предварительно обученной задачи-специфичной головы, поэтому для классификации и других прикладных задач обычно требуется добавить и обучить соответствующую голову. Максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки на русскоязычном наборе Russian SuperGLUE. Модель распространяется под лицензией Apache 2.0.

deepvk/deberta-v1-distill — русскоязычная предварительно обученная модель от deepvk на основе DeBERTa. Это двунаправленный энкодер без готовой предобученной выходной головы, обученный предсказывать замаскированные токены и сжатый методом дистилляции из более крупной модели. В модели 6 слоёв, 12 голов внимания и размер представления 768; она содержит 95,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и дальнейшей адаптации под задачи классификации, разметки и анализа русского языка. Обучающие данные включают около 400 ГБ отфильтрованных и дедуплицированных текстов из Википедии, книг, соцсетей, новостных сайтов и других источников. Основной язык — русский, также присутствует небольшая доля других языков; метаданные карточки отмечают русский и английский. Распространяется по лицензии Apache 2.0.

Moritz Laurer разработал deberta-v3-base-zeroshot-v1.1-all-33 для классификации текстов без заранее заданного набора меток. Модель преобразует задачу в проверку гипотезы: следует ли из текста заданное утверждение; результат относится к классам entailment и not_entailment. Это позволяет задавать собственные категории и формулировки через шаблоны гипотез. Модель основана на DeBERTa-v3-base с архитектурой DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и обрабатывает контекст до 512 токенов. Обучение проводилось на английских данных: пяти наборах NLI и 28 задачах классификации, преобразованных в общий формат, всего с 387 классами. Её можно применять для тональности, тематики, эмоций, токсичности, спама и других текстовых категорий. Несмотря на универсальный формат, модель предназначена только для классификации текста и обучена только на английском языке; для других языков автор рекомендует переводить текст на английский. Для части обучающих задач использовалось до 500 примеров на класс, поэтому показатели на этих наборах не отражают полностью сценарий классификации без примеров. Возможны смещения, унаследованные от обучающих данных. Модель доступна под лицензией MIT; для работы используются Transformers и SentencePiece, а старые версии Transformers могут вызывать ошибки токенизатора.

DeBERTinha PT-BR XSmall — предварительно обученная языковая модель семейства DeBERTa-V3, разработанная командой sagui-nlp для бразильского португальского. В репозитории указано около 40 млн параметров; метаданные каталога содержат оценку 47,6 млн. Модель рассчитана на извлечение признаков из текста и получение текстовых представлений, которые можно использовать в качестве эмбеддингов. Модель подходит для построения эмбеддингов и как основа для задач анализа текста на бразильском португальском. В карточке названы обучающие корпуса BrWaC и Corpus Carolina. Длина контекста составляет 512 токенов; модель доступна для Transformers в форматах PyTorch и safetensors. В README отмечено, что на несбалансированных наборах данных результаты могут быть слабыми; для улучшения обучения авторы рекомендуют, среди прочего, масштабирование функции потерь и weight decay. Лицензия модели — MIT.

Mapika/decider-2b — дообученная модель семейства Qwen, разработанная как открытая реализация класса System One. Она оценивает варианты ответа для типизированных вопросов по заданному состоянию и возвращает распределение вероятностей за один проход, без генерации свободного текста. Модель предназначена для вызова из программных систем: классификации, выбора действия и маршрутизации запросов по заранее заданным вариантам. Веса содержат 1,7 млрд параметров, архитектура — плотная причинная языковая модель Qwen3.5; базовая модель — Qwen/Qwen3.5-2B-Base. Контекст составляет 262 144 токена. Модель принимает текст и выдаёт оценки вариантов, пригодные для выбора метки или решения. Обучение включало около 95 публичных наборов данных, траектории агентов, выбор веб-элементов и игровые состояния; версия v11 дополнительно прошла обучение на сложных решениях с LoRA, слитой в веса, и использует температурную калибровку по типам ответов. Заявленные результаты показывают улучшения на некоторых сложных наборах относительно v10, однако модель остаётся чрезмерно уверенной на сложных многошаговых вопросах. Она рассчитана только на английский язык и не подходит для свободного диалога, задач с несколькими шагами рассуждения без разбиения на вопросы или надёжного извлечения знаний. Лицензия — Apache-2.0.

Worthify Decision-1 — текстовая модель принятия решений с ограниченным выбором, разработанная Worthify путём полного дообучения 11,9 млрд параметров Gemma 4 12B. На вход она получает текстовое описание состояния, вопрос и меню из 2–16 описанных вариантов; на выходе выбирает идентификатор варианта и выставляет ему условную оценку относительно этого меню. Модель предназначена для маршрутизации запросов, отбора свидетельств и выбора шага рабочего процесса, когда приложение заранее задаёт допустимые варианты. Модель основана на плотной архитектуре Gemma4UnifiedForCausalLM, поддерживает диалог и принимает текст. Заявленная длина контекста — 262 144 токена, однако в обучающем промпте использовалось ограничение в 2 048 токенов, а более длинные входы не проверялись. В описанной отложенной оценке на семи наборах Decision-1 превзошла исходную Gemma 4 12B по основному показателю, но это исследовательский предварительный результат на одном случайном зерне и он не подтверждает работу в реальных условиях. Оценки не откалиброваны и не являются вероятностями истинности или безопасности; приложение должно проверять варианты и при необходимости запрашивать проверку человеком. Модель распространяется по лицензии Apache-2.0.

Dialog2Flow joint target model (DSE-base) — модель для получения плотных векторных представлений предложений и абзацев, созданная как вариант D2F_joint в рамках исследования Dialog2Flow. Она использует DSE-base в качестве основы и реализована на Sentence Transformers с архитектурой BERT; модель преобразует текст в векторы размерности 768 и дообучена для извлечения структуры диалоговых потоков. Модель предназначена для сравнения и поиска текстов, кластеризации реплик и автоматического выделения потока диалога. В README отмечено улучшение результатов по сравнению с вариантом на BERT-base. Поддерживаемый язык — английский; максимальная длина контекста составляет 512 токенов. Модель можно применять через Sentence Transformers или Hugging Face Transformers с подходящей операцией pooling. Лицензия — MIT.

pilotj/distilbert-base-uncased-fibe-v8-finetuned — дообученная модель семейства DistilBERT для классификации текстов. Она основана на biggy-smiley/distilbert-base-uncased-fibe-v5 и использует архитектуру DistilBertForSequenceClassification. Модель предназначена для отнесения входного текста к классам; подробности о метках и целевых сценариях в карточке не раскрыты. Модель работает с текстом и имеет контекстное окно до 512 токенов. В README приведены результаты оценки: eval_loss 0,7672 после примерно 1,86 эпохи обучения; название обучающего набора данных отсутствует. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

DistilCamemBERT-NLI — франкоязычная модель компании CMarkea для распознавания текстового следования, противоречия и нейтрального отношения между посылкой и гипотезой, а также для классификации без обучения на заданных пользователем метках. Это дообученная для задачи NLI модель DistilCamemBERT с архитектурой CamemBERT и примерно 81,2 млн параметров; она принимает текстовые пары и выдаёт метки классов. Размер контекста — 514 токенов. Модель обучена на XNLI из набора FLUE. Её можно применять для классификации отзывов по тональности или статей по темам с помощью формулировок гипотез и кандидатных меток на французском языке. По опубликованному сравнению, на указанном процессоре она выполняла вывод примерно вдвое быстрее CamemBERT-base-XNLI, но показывала более низкую точность на части тестов. Доступны форматы PyTorch, TensorFlow и ONNX. Лицензия — MIT.

alakxender/e5-dhivehi-qa-mnr — модель Sentence Transformers, разработанная alakxender для получения плотных векторных представлений предложений и абзацев на дивехи. Она дообучена для сопоставления вопросов с релевантными фрагментами текста и подходит для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Модель основана на XLM-RoBERTa, содержит 311,4 млн параметров и выдаёт векторы размерности 768; сходство оценивается косинусной мерой. README указывает максимальную длину последовательности 256 токенов, метаданные — контекст 514 токенов. Обучение продолжает серию моделей на основе multilingual-e5-base и использует датасет alakxender/dhivehi-qa-dataset из 9 232 примеров с MultipleNegativesRankingLoss. Модель рассчитана прежде всего на дивехи; теги также указывают английский язык. Лицензия — MIT. Она создаёт эмбеддинги, а не готовые ответы на вопросы; качество для языков и задач вне описанного обучения не установлено.

jspringer/echo-mistral-7b-instruct-lasttoken — модель для извлечения текстовых признаков и построения эмбеддингов на основе Mistral. В карточке указаны плотная архитектура Mistral, 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. README связывает модель с подходом Echo, в котором повторение улучшает языковые эмбеддинги, но подробности и примеры использования вынесены во внешние материалы. Модель предназначена для получения векторных представлений текста, в том числе для сценариев семантического поиска и сравнения текстов. В метаданных также отмечена возможность диалогового взаимодействия. Поддерживаемые языки и лицензия в доступных данных не указаны, поэтому их нельзя надёжно определить.

Eklav-4B-Reranker — дообученная модель на базе Qwen/Qwen3-4B, разработанная для точечного переранжирования текстовых фрагментов по релевантности запросу. Метод Eklav обучает модель продолжать частичный ход рассуждений учителя и самостоятельно получать ответ; при использовании реранкера учительская подсказка не подаётся. Модель генерирует рассуждение и завершает его меткой true или false, а релевантность оценивается по логитам конечного токена. Модель предназначена для переранжирования passages в поисковой выдаче. В README сообщается об улучшении nDCG@10 на BRIGHT на 8% относительно стандартного обучения с полной трассой Chain-of-Thought при тех же базовой модели и обучающих данных, а также о снижении вычислений обучения на 31%. Оценивание на BRIGHT выполнено одним запуском для каждого домена; также упоминается задача NevIR. Это языковая модель архитектуры Qwen3 с 3,7 млрд параметров и контекстом 40 960 токенов, работающая с текстом. Модель распространяется в формате Safetensors под лицензией, сведения о которой в предоставленных данных отсутствуют. README описывает один запуск оценки по домену, поэтому результаты могут зависеть от вариативности эксперимента; модель использует генерацию рассуждений, а её пригодность для других задач отдельно не подтверждена.

Diabase embedding-1 — модель эмбеддингов, разработанная Diabase для семантического поиска и извлечения документов. Она построена на энкодере EuroBERT-210m, дообученном сначала на шведских текстах, а затем на парах запрос–документ с контрастивным обучением. Модель содержит около 211,7 млн параметров; её архитектура включает mean pooling и L2-нормализацию, а контекст составляет до 8192 токенов. Для работы используются Sentence Transformers и формат safetensors. Модель предназначена прежде всего для поиска по частным коллекциям шведских документов и для первого этапа локальных и on-prem RAG-систем. Также она подходит для кластеризации запросов и документов, поиска дубликатов и генерации кандидатов для последующего переранжирования. Модель выдаёт векторы, но не генерирует текст и не отвечает на вопросы напрямую. Лицензия — Apache-2.0. Это исследовательская предварительная версия, которую разработчик не рекомендует использовать как производственный вариант по умолчанию. Основной язык оптимизации — шведский, и качество для других языков может быть ниже. Качество поиска на длинных фрагментах не подтверждено на всём контексте в 8192 токена; модель может пропускать точные идентификаторы, числа и редкие термины, поэтому полезен гибридный поиск. Оценки сходства не являются калиброванными вероятностями и не подтверждают достоверность документа.

Adzpro/embedding_e5 — текстовая модель Sentence Transformers, дообученная разработчиком Adzpro на базе intfloat/multilingual-e5-base. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерности 768 и предназначена для семантического поиска и извлечения документов; близость векторов можно сравнивать косинусной мерой. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией. Модель принимает текст, поддерживает многоязычные сценарии и обрабатывает последовательности длиной до 512 токенов. Обучение описано как сопоставление запросов и документов с MultipleNegativesRankingLoss на 140 парах. Примеры датасета относятся к вьетнамским финансовым отчётам, поэтому модель может быть полезна для поиска по подобным материалам; README приводит метрики на небольших тестовой и валидационной выборках. Условия лицензирования в доступных сведениях не приведены.

Это вариант модели EmbeddingGemma-300M, опубликованный сообществом LiteRT для запуска на Android и iOS, а также для использования в Android-приложениях с библиотекой Google AI Edge RAG. Базовая карточка модели находится в репозитории google/embeddinggemma-300m; модель предназначена для получения текстовых эмбеддингов и оценки сходства предложений, в том числе для поиска по смыслу и конвейеров RAG. Репозиторий содержит модели в формате LiteRT TFLite и описывает варианты с разной точностью, включая смешанную квантизацию int4/int8. Для токенизации используется SentencePiece. В README приведены сведения о запуске и бенчмарках на Samsung S25 Ultra, однако численные результаты в предоставленном тексте отсутствуют. Модель распространяется по лицензии Gemma; перед использованием следует учитывать её условия.

thivy/embeddinggemma-300m-norwegian-health-granite-ds-v1 — модель Sentence Transformers на основе google/embeddinggemma-300m, дообученная на наборе eti-embedding-training-data-2048-gemma-v3. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 для сравнения по косинусному сходству; максимальная длина входа — 2048 токенов. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск похожих фрагментов, выявление перефразировок, классификацию и кластеризацию. В README приведены результаты оценки на тестовых наборах для triplet-сопоставления и информационного поиска. Название модели и примеры данных указывают на норвежский медицинский контекст, однако карточка не описывает медицинскую точность или клиническую пригодность; применять её следует как текстовый энкодер, а результаты проверять для конкретного корпуса. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

tardellirs/embeddinggemma-pt-br-128k — португалоязычная модель для создания текстовых эмбеддингов, полученная из google/embeddinggemma-300m. Разработчик сократил словарь токенизатора до 128 тысяч токенов, обрезав матрицу эмбеддингов токенов; трансформерный энкодер и слои pooling и Dense сохранены без изменений. В репозитории указаны 202,1 млн параметров в метаданных и около 207 млн в README. Модель предназначена для семантического поиска, сравнения предложений и других сценариев, где нужны векторные представления текста на португальском языке. README приводит результат MTEB(por) mean_16 0,7192 — 99,1% результата исходной модели при меньшем размере. Контекст модели — 2048 токенов; для использования подходят Sentence Transformers и text-embeddings-inference. Это артефакт сокращения словаря, а не дообучение: README сообщает, что обучение не проводилось. Модель распространяется по лицензии Gemma; качество за пределами португальских задач не подтверждено, а сокращение словаря может ограничивать работу с текстами на других языках.

EmbeddingGemma-Scandi-300m — плотная модель эмбеддингов на базе Sentence Transformers, дообученная на скандинавских текстовых данных DDSC разработчиком репозитория с использованием google/embeddinggemma-300m. Она преобразует предложения и абзацы в векторы размерности 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразирований, классификации и кластеризации. Модель построена на архитектуре Gemma 3 Text, содержит 302,8 млн параметров и обрабатывает последовательности длиной до 2048 токенов. Она рассчитана на датский, норвежский и шведский языки; карточка также указывает шведскую разновидность языка в списке кодов. Для сравнения векторов используется косинусное сходство. Доступна по лицензии Apache-2.0. Опубликованные в карточке результаты оценки поиска показывают низкую cosine_accuracy@1 на указанных наборах данных, поэтому качество для конкретного корпуса и сценария следует проверять отдельно. Модель выдаёт эмбеддинги, а не готовые ответы на вопросы или сгенерированный текст.