I.11Классификация, ранжирование и сопоставление

EpistemeAI разработала эту модель Sentence Transformer дообучением unsloth/embeddinggemma-300m на 10 000 примерах вопросов и фрагментов из набора generator, описанного как медицинская литература с рецензированием. Модель кодирует предложения и абзацы в плотные векторы размерности 768; сходство векторов оценивается косинусной мерой. Она предназначена для семантического поиска и сопоставления вопросов с фрагментами текста, а также для поиска перефразировок, классификации и кластеризации текстов. Модель содержит 302,8 млн параметров, использует архитектуру Gemma3Text и библиотеку Sentence Transformers. Метаданные указывают контекст 2048 токенов, тогда как README заявляет максимальную длину последовательности 1024 токена. Для поиска информации README приводит показатели cosine_accuracy@1 0,8285, @3 0,928 и @5 0,95. Это текстовая модель, а не диагностическая система; приведённые результаты относятся к указанной оценке и не гарантируют качество на других данных. Распространяется в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

SIRIS-Lab разработала эту модель на основе SPECTER2 (allenai/specter2_base) для многометочной классификации научных публикаций по 28 исследовательским панелям ERC. На вход подаются название и аннотация статьи; модель может также работать только с названием или только с аннотацией. Она выдаёт панели с вероятностями, рассчитанными независимо для каждой метки; порог по умолчанию — 0,5 и может настраиваться. Модель подходит для автоматической разметки публикаций и обогащения метаданных в научных репозиториях, базах исследовательских проектов и аналитических системах. В README для тестового набора указаны Micro F1 0,9386 и Micro ROC-AUC 0,9718; на отдельной оценке проектов ERC общая полнота составила 0,77. Модель использует архитектуру BERT, содержит 137,1 млн параметров и обрабатывает до 512 токенов. Лицензия — Apache-2.0. Классификация ограничена укрупнёнными категориями ERC: модель не учитывает явные иерархические связи между панелями, а дисбаланс классов может снижать полноту для редких категорий. Она не предназначена для определения узких специальностей, оценки качества исследований или принятия клинических, юридических и регуляторных решений; предсказания следует использовать как вспомогательные метаданные.

IDEA-CCNL разработала Erlangshen-Roberta-110M-Similarity — модель на базе китайской RoBERTa-wwm-ext-base, дообученную для оценки сходства текстов. Она предназначена для сравнения пар предложений, в том числе поиска перефразировок и семантически близких формулировок. Модель имеет архитектуру BertForSequenceClassification, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на 2 773 880 примерах из 20 китайских наборов данных по перефразированию; в карточке приведены результаты на BQ, BUSTM и AFQMC. Модель подходит для поиска похожих запросов, группировки перефразировок и оценки семантической близости китайских предложений. Доступны веса PyTorch и Safetensors; для загрузки README показывает использование Transformers. Лицензия — Apache 2.0. Модель ориентирована на китайский язык и задачи сходства, поэтому её результаты на других языках и типах текстов не подтверждены приведёнными данными.

jhu-clsp разработала Ettin-Encoder-150M как часть семейства Ettin — открытого набора согласованно обученных моделей-энкодеров и декодеров для сравнения архитектур и переноса обучения. Это плотный энкодер ModernBERT примерно с 149 млн параметров, обученный задаче masked language modeling; он принимает текст и предсказывает замаскированные токены. В метаданных указан контекст до 7 999 токенов и поддержка английского языка. Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения под классификацию и получения текстовых эмбеддингов, в том числе для поиска и ранжирования. Карточка Ettin сообщает о результатах семейства на английских задачах классификации и retrieval, но отдельные показатели именно версии 150M не приведены. Модель распространяется по лицензии MIT. Для генерации свободного текста она не предназначена; качество может зависеть от предметной области и последующего дообучения.

EvoEmbedding-2B — модель эмбеддингов семейства EvoRAG, разработанная MiG-NJU на архитектуре Qwen3.5-2B. Она предназначена для поиска по длинному контексту и меняющимся диалогам: модель сохраняет порядок сообщений и использует обновляемую латентную очередь памяти, чтобы формировать контекстные представления истории и запроса. Репозиторий также описывает ранжирование списка кандидатов по релевантности. Модель подходит для извлечения релевантных фрагментов из истории длинных разговоров, систем RAG и агентской памяти. README сообщает о нормализованных эмбеддингах; метаданные указывают формат safetensors, поддержку английского и китайского и лицензию Apache-2.0. Размер указан как 2 млрд параметров. Длина контекста в предоставленных источниках не приведена.

NeuML/fasttext — экспорт английских векторов FastText Wiki News размерности 300 из набора wiki-news-300d-1M-subword.vec.zip в формат библиотеки staticvectors. Модель предназначена для получения векторных представлений слов и вычисления сходства между предложениями; запуск инференса в Python с NumPy обеспечивает работу без отдельной нейросетевой среды. Репозиторий содержит плотные статические векторы в формате safetensors. Модель рассчитана на английский язык и применяется в задачах семантического сравнения текстов. Лицензия — CC BY-SA 3.0, предусматривающая указание авторства и распространение производных материалов на совместимых условиях.

Модель hezarai/fasttext-fa-300 — оригинальная FastText-модель эмбеддингов для персидского языка, подготовленная для использования в Hezar. Исходную модель загрузили и преобразовали с помощью Gensim, затем экспортировали в совместимый с Hezar формат. Модель предназначена для получения векторных представлений персидских слов и текстов, которые можно использовать в задачах поиска по смыслу, сравнения текстов и построения других NLP-систем. В метаданных указана задача feature-extraction и язык fa. Размерность эмбеддингов в названии — 300; сведения о лицензии и ограничениях применения в предоставленных материалах отсутствуют.

GbrlOl/fine-tune_utilizando_la_MNRL — дообученный на 527 парах текстов Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель использует энкодер BERT с mean pooling и нормализацией, преобразует предложения и абзацы в плотные векторы размерностью 384 и сравнивает их по косинусному сходству. Максимальная длина последовательности в README — 256 токенов; метаданные указывают контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. Примеры обучающих данных на испанском языке связаны с вопросами и документами о горнодобывающей отрасли, поэтому модель может быть полезна для поиска ответов в таких документах. Веса опубликованы в формате safetensors; для работы с моделью подходит библиотека Sentence Transformers. Лицензия в предоставленных сведениях не указана.

Многоязычная модель Sentence Transformer, дообученная командой DISI — University of Bologna на базе BAAI/bge-m3 для сопоставления текстов с терминами классификатора пищевых продуктов FoodEx. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; сходство оценивается косинусной мерой. Архитектура состоит из XLM-RoBERTa и среднего пулинга токенов. Метаданные указывают контекст до 8194 токенов, однако в README задана максимальная длина последовательности 64 токена. Модель подходит для семантического поиска и ранжирования терминов FoodEx по описаниям продуктов, поиска похожих формулировок, кластеризации и классификации текстов. В обучающем наборе 553 000 примеров, а в README приведены высокие показатели cosine_accuracy на задаче поиска, но без полного описания оценки их нельзя напрямую переносить на другие данные. Репозиторий содержит веса safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных сведениях не указана.

Fusion Embedding 1 2B Preview — мультимодальная модель эмбеддингов EximiusLabs, дообученная на базе Qwen/Qwen3-VL-Embedding-2B. Она создаёт векторы текста, изображений, видео и аудио в общем пространстве для поиска и сопоставления между модальностями. Базовая модель заморожена; обучен только коннектор примерно на 16 млн параметров, который связывает признаки аудиобашни Qwen2.5-Omni с пространством эмбеддингов Qwen. Репозиторий содержит веса коннектора в формате safetensors; для работы требуются исходные замороженные башни. Эмбеддинги поддерживают Matryoshka-размерности от 64 до 2048 измерений. Модель предназначена для мультимодального поиска: например, по текстовому описанию аудиозаписей, по аудио среди изображений или по изображению среди других модальностей. Проверенные результаты особенно сильны для сопоставления аудио и текста, а аудио и изображений связываются без прямого обучения на парах аудио–изображение. Модель находится на стадии исследовательского preview v0.3; обучение ориентировано на звуковые события, поэтому распознавание содержания речи, характеристик диктора и описание музыки пока слабее. Входное аудио — моно, 16 кГц, окна до 30 секунд с разбиением более длинных записей; обучающие подписи на английском языке. Для корректной работы важно соблюдать шаблоны ввода базовой модели. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

goff Lite — модель Whadupapp для оценки решений и ранжирования кандидатов. Это дообученная на базе microsoft/harrier-oss-v1-0.6b модель Qwen3 с архитектурой Qwen3ForSequenceClassification: 28 слоёв, скрытый размер 1024, один регрессионный выход. Весит около 1,19 ГБ в bfloat16, принимает текстовые промпты и выдаёт оценки, которые можно калибровать и преобразовывать в распределение вероятностей по кандидатам. Контекстное окно — 32 768 токенов, однако обучающие промпты ограничивались 1 024 токенами. Модель предназначена для независимой оценки каждого кандидата в рамках вопроса и сравнения полученных оценок после калибровки и нормализации softmax. Она обучалась на типизированных решениях choice, noul и score, включая английские и немецкие примеры; тестирование на опубликованном наборе typed-decisions проводилось на английском языке. Это не чат-модель: она не генерирует ответы и её поведение за пределами указанного формата промптов не оценено. Сырые оценки не калиброваны, а качество на длинных контекстах и для немецкого языка не измерено. Лицензия указана как other, поэтому конкретные условия использования следует проверить в репозитории модели.

jackmedda/google-long-t5-tglobal-base_finetuned_original — дообученная модель на основе google/long-t5-tglobal-base, опубликованная автором jackmedda. Это плотная encoder-decoder модель семейства LongT5 с примерно 123,8 млн параметров; карточка указывает задачу классификации текста и контекст до 4096 токенов. В README приведены метрики на оценочном наборе: accuracy 0,7647, F1 0,8667, precision 0,7647 и recall 1,0; обучающий датасет обозначен как None. Модель предназначена для классификации текстовых входов. Базовый LongT5 разработан для работы с длинными текстами, однако конкретные классы, языки и предметная область этой дообученной версии не описаны. Распространяется под лицензией Apache-2.0.

Карточка модели Atgenomix/icd_o_sentence_transformer_128_dim_model на Hugging Face совпадает с карточкой pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb, поэтому описание составлено по ней. pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb — модель эмбеддингов предложений на базе BERT, опубликованная пользователем pritamdeka. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель обучалась на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB, включая наборы данных по биомедицинским текстам. Веса содержат 135,5 млн параметров, максимальная длина контекста составляет 512 токенов. Модель принимает текст и возвращает эмбеддинги; указанные наборы данных и название BioBERT указывают на специализацию для биомедицинского и научного текста. Для использования требуется корректная операция pooling поверх контекстных представлений либо Sentence-Transformers. Лицензия CC BY-NC 3.0 ограничивает коммерческое использование.

IndicBERT — мультиязычная модель семейства ALBERT, разработанная AI4Bharat и предварительно обученная на корпусе примерно из 8,9 млрд токенов. Она охватывает 12 языков, включая ассамский, бенгальский, английский, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильский и телугу. По размеру модель компактнее mBERT и XLM-R; в оценках на IndicGLUE и дополнительных задачах она показала сопоставимые или более высокие результаты по отдельным метрикам. Модель предназначена для дообучения и применения в классификации новостей и отзывов, анализе тональности, предсказании заголовков и разделов, а также в задачах выбора ответа на вопросы. В отчёте об оценке использовалась максимальная длина последовательности 128 токенов; результаты различаются между задачами, и, например, на некоторых тестах анализа тональности IndicBERT уступает XLM-R. Репозиторий содержит веса PyTorch. Лицензия — MIT.

IndoBERT Relevancy Classifier — модель apriandito для классификации релевантности индонезийского текста заданному контексту. Она принимает тему и текст, например заголовок новости или публикацию в соцсети, в формате пары последовательностей и определяет, относится ли текст к теме. Модель дообучена для бинарной классификации на базе indobenchmark/indobert-large-p2; архитектура — BERT для классификации последовательностей, размер — 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для отбора новостей и сообщений по темам: в обучающих данных представлены 188 контекстов из экономики, политики, здравоохранения, технологий, спорта и развлечений. В README указаны accuracy 96,5% и F1 0,948 на оценке автора. Модель работает с индонезийским языком и распространяется под лицензией Apache-2.0.

InnerJev-27B-LoRA — модель принятия решений из семейства InnerJev-27B, разработанная автором репозитория и основанная на Qwen/Qwen3.8-27B. Она возвращает распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных задач Noul, а также упорядоченного оценивания Score. Обучение на 39 279 вопросах нацелено на формирование распределений решений и не включает обычное дообучение для свободного диалога. Модель использует архитектуру Qwen3.5 с 27 млрд параметров; адаптация выполнена LoRA ранга 64 и альфы 128, а веса экспортированы после слияния адаптера. Адаптированы только указанные языковые слои, тогда как эмбеддинги, выходная голова, нормализация и параметры зрения заморожены. Хотя архитектура сохраняет компоненты для изображений, обучение решений и интерфейс инференса рассчитаны на текстовый ввод. BF16-чекпойнт получил 80,1517 из 100 на фиксированном наборе из 58 бенчмарков принятия решений; это результат одного чекпойнта, а полный повтор оценки уже слитых BF16-весов не проводился. Репозиторий распространяется по лицензии Apache-2.0.

Intern-Decision-0.8B — мультимодальная модель для структурированных решений, разработанная InternLM и дообученная на Qwen/Qwen3.5-0.8B. Она принимает общее состояние, схему вопросов с вариантами ответа и, при необходимости, изображения, а за один проход вычисляет распределение вероятностей по допустимым вариантам каждого вопроса. Результаты возвращаются как типизированные ответы в формате JSON. Модель предназначена для пакетного выбора между вариантами, выставления оценок и бинарных решений «нет/да». Она обрабатывает от 1 до 16 вопросов, до 62 вариантов на вопрос и до восьми изображений; лимит входа по умолчанию составляет 8192 токена. Для работы требуется сохранять порядок вопросов и вариантов, использовать заданный шаблон чата и запускать модель через Hugging Face Transformers. Для чекпойнта отдельно откалиброваны вероятности решений; калибровка меняет уверенность и ожидаемые оценки, сохраняя выбранный вариант. В README приведены результаты на нескольких бенчмарках, но они не позволяют заключить, что модель подходит для всех сценариев принятия решений. Модель распространяется по лицензии Apache-2.0.

Ivysaur — дообученная Mihaiii модель эмбеддингов на базе TaylorAI/gte-tiny, обученная на наборе Mihaiii/qa-assistant. Она предназначена для семантического автодополнения: модель преобразует текстовые запросы в векторы, которые можно использовать для поиска подходящих продолжений и сравнения текстов по смыслу. Архитектура — компактная BERT-модель с 25,9 млн параметров; доступны форматы Safetensors и ONNX, использовать её можно через Sentence Transformers или Transformers с подходящей операцией pooling. Модель рассчитана исключительно на английский текст. Контекст ограничен 512 токенами, более длинные входы обрезаются. Лицензия — MIT.

Это японская модель CLOOB (Contrastive Leave One Out Boost), разработанная компанией rinna Co., Ltd. Она предназначена для извлечения сопоставимых признаковых представлений изображений и текста: модель использует изображенческий энкодер ViT-B/16 и 12-слойный BERT-энкодер текста. В метаданных Hugging Face основная задача указана как feature-extraction; репозиторий содержит веса PyTorch и Safetensors. Модель обучена на CC12M с подписями, переведёнными на японский язык. Её можно применять для построения мультимодальных эмбеддингов, поиска изображений по японскому описанию и сопоставления изображений с текстом. Изображенческий энкодер инициализирован из AugReg vit-base-patch16-224. Для использования требуется совместимый код и зависимости; карточка ссылается на модель japanese-clip как на другие доступные модели семейства. Лицензия — Apache-2.0.

Jeeves v2 — модель решений от PostHog на базе Qwen3.5-9B, дообученная на публичных данных. Она принимает текстовое состояние или JSON и отвечает на вопросы с вариантами «да/нет», множественным выбором или оценкой. Модель выдаёт вероятность для каждого варианта, отвечает сразу при высокой уверенности, а при сомнении может сначала сформировать короткую цепочку рассуждений. В репозитории находятся объединённые с базовой моделью веса LoRA в формате bf16, отдельная pointer head, калибровочные температуры и черновики для speculative decoding; для запуска требуются код Jeeves и его формат запросов. Модель рассчитана на классификацию и принятие решений по заданному состоянию: например, классификацию намерений и тональности, оценку соответствия критериям и выбор действия или ответа. README описывает обучение на 453 531 вопросе из примерно 175 публичных источников и приводит результаты внутренних оценок; заявленная длина контекста по метаданным — 262 144 токена. Модель предназначена для англоязычных входов. Лицензия репозитория — Apache-2.0. К ограничениям относятся более слабые результаты на вопросах на знания по сравнению с Jev, пропуски рассуждений на части длинных и многошаговых задач, а также высокая задержка на длинных цепочках рассуждений. Качество оценивалось на английских входах; для запуска нужны совместимая среда Jeeves и значительные ресурсы: README указывает CUDA GPU либо Apple Silicon Mac с 48 ГБ памяти.

Jev-Bonsai-Compass — независимый проект ajh-code с локальным API для принятия решений по тексту. Он объединяет модель Prism Ternary Bonsai 2 27B с производным от OpenJev адаптером и компактной средой выполнения; это не официальный выпуск Jev или OpenJev. Модель оценивает предложенные варианты относительно друг друга по состоянию и вопросу и рассчитана на выбор из 2–26 вариантов. Для числовых вопросов система может использовать проверяемый расчёт на CPU. В описанном тесте на 720 примерах из новостей, эмоций, BoolQ, SNLI, ARC-Challenge и поднабора Banking77 система верно обработала 611 примеров (84,9%). Результаты заметно различались между задачами: например, 65/120 для эмоций и 102/120 для SNLI. Репозиторий содержит GGUF-веса, адаптер и локальный сервер; приведённые показатели скорости и памяти измерены на RTX 5080 при контексте 4096 и одном запросе одновременно. Эти тесты не доказывают формальную эквивалентность OpenJev и не являются опубликованной оценкой Jev на 10 000 вопросов. API принимает текстовые поля state и question и список вариантов; проект не предназначен для зрения, общего диалога или автономного управления агентами. Для адаптера действуют условия CC BY-NC 4.0, поэтому его использование ограничено некоммерческими условиями; базовые веса указаны как Apache 2.0, Python-компонент — Apache 2.0, среда выполнения — MIT.

x2bee/KoModernBERT_SBERT_compare_mlmlv5 — модель Sentence Transformers, дообученная разработчиком x2bee на базе x2bee/KoModernBERT-base-mlm_v02 на корейском NLI-датасете. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска по смыслу, поиска перефразировок, кластеризации и классификации текста. Сходство между векторами оценивается косинусной мерой. Архитектура основана на ModernBERT, число параметров — 185,7 млн; метаданные указывают контекст до 8192 токенов, тогда как README задаёт максимальную длину последовательности 512 токенов. Модель рассчитана прежде всего на корейский язык. В README приведены результаты оценки сходства на sts_dev: коэффициент корреляции Спирмена для косинусного сходства — 0,6328. Модель принимает текст и выдаёт векторы; качество для языков помимо корейского не подтверждено приведёнными данными. Лицензия в предоставленных сведениях не указана.

smartmind/ko-sbert-augSTS-maxlength512 — модель эмбеддингов предложений на базе BERT, опубликованная smartmind. Она преобразует предложения и абзацы на корейском языке в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Вариант основан на snunlp/KR-SBERT-V40K-klueNLI-augSTS и поддерживает входную последовательность длиной до 512 токенов. Модель подходит для семантического поиска и группировки корейских текстов, а также может использоваться как представление текста в задачах классификации документов. В README приведён результат 0,8628 для KR-SBERT-V40K-klueNLI-augSTS в сравнении моделей на задаче классификации документов; этот показатель не следует считать гарантией качества для данного репозитория или иных наборов данных. Доступны веса PyTorch, лицензия MIT.

snunlp/KR-SBERT-Medium-klueNLI-klueSTS — корейская модель SentenceTransformer от SNUNLP на основе BERT, дообученная на данных klue/klue. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для оценки семантической близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство; средний pooling формирует представление из токенов. Модель принимает текст на корейском языке, имеет контекст до 512 токенов и около 128,6 млн параметров. Карточка приводит результат Spearman 0,8546 по cosine на sts-dev. Модель подходит для поиска похожих корейских фраз и построения эмбеддингов, но сама по себе не генерирует ответы; указанные задачи классификации требуют отдельной классификационной головы или последующей обработки векторов. Весовые файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

slone/LaBSE-en-ru-myv-v1 — энкодер предложений для эрзянского языка, созданный на основе sentence-transformers/LaBSE и дообученный на корпусе slone/myv_ru_2022. Модель имеет архитектуру BERT, содержит 170,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. В словарь добавлены токены эрзянского языка, а набор токенов английского и русского сокращён до наиболее популярных. Модель предназначена для получения векторных представлений предложений на эрзянском и русском языках, сопоставления параллельных предложений и предсказания замаскированных токенов эрзянского текста. Обучение сочетало дистилляцию межъязыковых эмбеддингов исходной LaBSE на параллельном корпусе ru-myv, masked language modelling на эрзянских данных и классификацию пар предложений. Эмбеддинги можно применять для задач NLU или дообучать модель под конкретную задачу. Распространяется по лицензии CC BY-SA 4.0.

LaBSE-geonames-15K-MBML-10e-v1 — дообученная модель Sentence-Transformers на базе многоязычной BERT-модели LaBSE. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска по смыслу и кластеризации. Модель рассчитана на работу с русским и английским текстом; максимальная длина контекста составляет 512 токенов. В обучении использовалась функция потерь MegaBatchMarginLoss, а лицензия — Apache-2.0. Модель подходит для семантического поиска и группировки текстов, в частности связанных с GeoNames. Карточка не приводит подробных результатов оценки или описания ограничений обучающих данных, поэтому качество на конкретных наборах текстов следует проверять отдельно.

sanganaka/LaBSE-sanskritFT — модель Sentence Transformer, дообученная на базе sentence-transformers/LaBSE на наборе mitrasamgraha. Она кодирует предложения и абзацы на английском и санскрите в векторы размерности 768 для сравнения смысловой близости с помощью косинусного сходства. Модель построена на архитектуре BERT, содержит 498,1 млн параметров и рассчитана на последовательности длиной до 512 токенов по метаданным; в README указан предел 256 токенов. Модель предназначена для семантического поиска и сопоставления англоязычных и санскритских текстов. README также указывает применение для поиска парафраз, классификации и кластеризации текстов. В оценке перевода на translate-val указана средняя точность 0,905, а на translate-test — 0,8861; эти значения относятся к описанным в карточке наборам оценки. Модель принимает текст и выдаёт плотные векторные представления. Веса опубликованы в формате safetensors и используются через библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Redis LangCache Embed v3 Mini — англоязычный BiEncoder на базе Sentence Transformers, дообученный Redis от sentence-transformers/all-MiniLM-L6-v2 для семантического кэширования и поиска похожих запросов. Модель кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает с помощью косинусного сходства. Архитектура включает BERT-энкодер с mean pooling; библиотека — Sentence Transformers. Модель подходит для поиска семантически близких запросов, оценки сходства пар предложений и повторного использования кэшированных ответов в LangCache. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Лицензия — Apache-2.0. В README приведены результаты оценки на наборе с названием «test», но данных недостаточно, чтобы судить о качестве на других наборах и сценариях.

Redis LangCache Embed v3 Small — англоязычная Sentence Transformer модель Redis для построения плотных векторов предложений и абзацев. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 на наборе LangCache Sentence Pairs и содержит около 25,9 млн параметров. Архитектура состоит из BERT-энкодера и среднего pooling; векторы размерности 384 сравниваются по косинусному сходству. Модель предназначена для оценки семантического сходства, семантического поиска и поиска похожих запросов для семантического кэширования. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога задают нативный контекст 512 токенов. Обучение включало около 8 млн парных примеров; в карточке приведён результат nDCG@10 0,788 на тестовой оценке LangCache. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она выдаёт эмбеддинги для сравнения текстов, но качество и применимость за пределами английского языка и сценариев, близких к обучающим данным, не установлены.

laion/larger_clap_general — модель CLAP (Contrastive Language-Audio Pretraining), разработанная LAION. Это улучшенный чекпойнт, обученный на парах аудио и текста для общих звуков, музыки и речи. Архитектура объединяет аудиоэнкодер на основе Swin Transformer, который получает признаки из log-Mel-спектрограммы, и текстовый энкодер RoBERTa; их представления проецируются в общее латентное пространство, где сходство оценивается скалярным произведением. Модель предназначена для сопоставления аудиозаписи с текстовыми описаниями без дообучения под конкретную задачу, например для классификации звуков по заданным меткам. Также она извлекает аудио- и текстовые признаки для последующего поиска и анализа. В метаданных указано около 132,1 млн параметров; доступны веса PyTorch, библиотека Transformers и лицензия Apache-2.0. Результаты зависят от формулировок текстовых меток и от того, насколько аудио и описания соответствуют данным обучения. README не приводит оценки качества, предельную длительность аудио или перечень поддерживаемых языков.