I.11Классификация, ранжирование и сопоставление

silencesys/paraphrase-xlm-r-multilingual-v1-fine-tuned-for-latin — модель Sentence-Transformers на архитектуре XLM-RoBERTa, содержащая 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для оценки смысловой близости, семантического поиска и кластеризации текстов. Модель работает с текстом и имеет контекстное окно 514 токенов. В README указано, что она обучалась с использованием DenoisingAutoEncoderLoss. Название репозитория указывает на настройку для латинского языка, однако README и метаданные не уточняют языковой состав обучающих данных и результаты оценки именно для него. Для применения нужны Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch; отдельная лицензия в предоставленных данных не указана.

pdtg — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-small, разработанная tangminhanh. В метаданных указаны архитектура DeBERTa V2, 155 млн параметров и контекст до 512 токенов. Модель принимает текст и выдаёт метки классификации. В README приведены результаты на оценочном наборе: accuracy 0,8976, F1 0,9033, precision 0,8986 и recall 0,9079. Назначение классов, область применения, обучающий набор данных и поддерживаемые языки карточка не раскрывает. Лицензия — MIT.

CBTW/PromptSegmentation-MiniLM-L6-v2 — модель классификации текста на базе SetFit, дообученная на sentence-transformers/all-MiniLM-L6-v2. Она сочетает энкодер предложений с классификационной головой LogisticRegression и предназначена для отнесения текста к одному из 12 классов, включая роли, инструкции и ответы. Модель использует эффективное обучение на небольшом числе примеров: контрастивное дообучение энкодера и обучение классификатора на полученных признаках. Модель содержит 25,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным; в README указана максимальная длина 256 токенов. Карточка описывает примеры обучающих текстов и классов, но не устанавливает поддерживаемые языки. Лицензия в предоставленных данных не приведена.

Day1Kim/Qwen3-Embedding-0.6B-Korean — созданная Day1Kim модель Sentence Transformers, дообученная на Qwen/Qwen3-Embedding-0.6B для работы с корейскими текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализованные для сравнения косинусным сходством; максимальная длина последовательности — 32 768 токенов. Архитектура включает трансформер Qwen3, пулинг по последнему токену и нормализацию. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки поиска и описание обучающей выборки из 41 881 пары предложений; примеры и обучающие данные относятся к корейским текстам, в том числе к запросам по проектным стандартам. Это дообученная модель эмбеддингов, а не генеративная модель. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя. Качество и переносимость на другие языки и области применения по приведённым данным не установлены; доступные примеры указывают на специализацию на корейском языке.

novacardsai/qwen3-medical — дообученная командой NovaCards AI модель Sentence Transformer на базе Qwen/Qwen3-Embedding-4B для получения текстовых эмбеддингов медицинских карточек и других фрагментов текста. Она преобразует предложения и абзацы в плотные векторы размерности 2560; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 40 960 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведён пример обучающих данных для медицинских флеш-карточек и оценка cosine accuracy 0,962 на проверочном наборе med_flashcard_val. Архитектура включает Qwen3Model, pooling по последнему токену и нормализацию выходного вектора. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных данных не указана. Это модель для представления и сопоставления текстов, а не для генерации медицинских ответов; качество за пределами описанного сценария проверки из этих данных установить нельзя.

Qwen-encoder-0.5B-i1-GGUF — это квантизированная GGUF-версия модели Qwen-encoder-0.5B, разработанной knowledgator и подготовленной к квантизации пользователем mradermacher. Модель относится к энкодерным языковым моделям и связана с подходом LLM2Vec. В качестве обучающего набора указана англоязычная Wikipedia. Модель предназначена для задач классификации, извлечения именованных сущностей и question answering, а также для других сценариев, где требуется получать представления текста и анализировать его содержание. Указан размер около 0,5 млрд параметров, поддерживается английский язык. Модель распространяется в формате GGUF с несколькими вариантами квантизации размером примерно 0,4–0,6 ГБ, что позволяет запускать её на ограниченных по памяти устройствах. Сильными сторонами являются компактный размер, широкий выбор уровней квантизации и возможность локального использования. При этом README не содержит данных о длине контекста, точных характеристиках архитектуры, результатах оценки качества или поддержке других модальностей и языков. Низкобитные варианты могут заметно уступать по качеству; для компромисса между скоростью, размером и качеством рекомендованы Q4_K_S и Q4_K_M. Лицензия модели — Apache-2.0.

pongjin/roberta_with_kornli — модель классификации последовательностей на архитектуре RoBERTa, дообученная автором на основе klue/roberta-base на данных KorNLI с использованием MNLI и XNLI. Она предназначена для zero-shot-классификации корейских текстов: пользователь задаёт возможные категории, а модель оценивает, насколько текст соответствует каждой из них. В карточке приведён результат обучения: accuracy 0,811 после трёх эпох. Модель содержит 137,8 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch под лицензией Apache-2.0. Для запуска zero-shot pipeline в описанной автором версии Transformers требуется дополнительный обработчик аргументов, поскольку модель RoBERTa не использует token_type_ids.

RoPERT-base-cased — предварительно обученный англоязычный двунаправленный энкодер семейства MyBERT, разработанный авторами репозитория kd13/RoPERT-base-cased. Он использует цель masked language modeling (MLM): модель восстанавливает скрытые токены по контексту слева и справа. Архитектура включает 12 слоёв, скрытый размер 768 и 12 attention-голов; содержит около 107,2 млн параметров, использует WordPiece-токенизатор с регистрозависимым словарём google-bert/bert-base-cased и поддерживает контекст до 2048 токенов. По сравнению с исходным BERT-base, RoPERT использует rotary position embeddings (RoPE), SwiGLU и pre-layer normalization. Модель предназначена для предсказания маскированных токенов и как энкодер для дообучения на классификации текста и токенов, извлечении ответов на вопросы и задачах выбора ответа. Она не предназначена для генерации текста. Для загрузки требуется Transformers с trust_remote_code=True и PyTorch. Опубликованные веса имеют формат float32, лицензия — MIT. Модель обучалась на англоязычных данных из Wikipedia, веб-текстов и BookCorpus. Ограничения: она рассчитана только на английский язык, чувствительна к регистру и не принимает последовательности длиннее 2048 токенов без усечения или разбиения. В обучающих данных могут присутствовать общественные предубеждения и нежелательные закономерности.

Ruri-v3 Reranker — японская модель для переоценки релевантности текстовых пар, разработанная cl-nagoya на базе ModernBERT-Ja и дообученная от cl-nagoya/ruri-v3-pt-310m. Она предназначена для ранжирования и отбора документов-кандидатов, например в поисковых системах и RAG-пайплайнах. Модель построена на архитектуре ModernBERT и содержит 314,6 млн параметров. Она обрабатывает последовательности длиной до 8192 токенов; README также отмечает словарь на 100 тысяч токенов, FlashAttention и токенизатор SentencePiece. В карточке приведены высокие результаты на японских наборах оценки поиска JQaRA, JaCWIR и MIRACL. Модель рассчитана на японский язык и принимает текстовые пары, выдавая оценки релевантности для ранжирования. Она доступна в формате safetensors и распространяется по лицензии Apache 2.0. Для использования указан стек sentence-transformers; качество на других языках и за пределами сценариев ранжирования в карточке не описано.

Модель desllre/ru_telegram_news_detection — дообученный русскоязычный BERT-энкодер RuBERT-tiny2 для классификации текста на два класса: «новость» и «не новость». Она предназначена для отбора новостных сообщений, в том числе в потоках публикаций из Telegram и других социальных сетей. Модель содержит 29 млн параметров, принимает текст и имеет контекст до 2048 токенов. В README приведены результаты на валидационной выборке: accuracy 0,965, precision 0,965, recall 0,987 и F1 0,971. Эти показатели относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель распространяется по лицензии MIT.

jzju/sbert-sv-lim2 — модель Sentence Transformers на архитектуре BERT, обученная на базе KBLab/bert-base-swedish-cased-new с данными sbx/superlim-2. Она преобразует предложения и абзацы в плотные векторы размерности 256 для поиска по смыслу, кластеризации и сравнения текстов. Модель рассчитана на шведский язык; максимальная длина контекста — 512 токенов, размер — 162,4 млн параметров. Доступна в формате PyTorch и предназначена для получения текстовых эмбеддингов. Лицензия в предоставленных данных не указана. Практическое качество за пределами шведского языка и поведение на текстах длиннее контекста не описаны.

SciBERT-NLI — модель эмбеддингов предложений, созданная дообучением SciBERT на наборах SNLI и MultiNLI с помощью библиотеки sentence-transformers. Она использует архитектуру BERT, исходный словарь scivocab WordPiece, усреднение токенов и softmax loss; размер составляет 137,1 млн параметров, контекст — до 512 токенов. Модель предназначена для получения векторных представлений предложений и сравнения научных текстов по смысловой близости, например для поиска научных статей. В тестировании на STS она показала корреляцию Спирмена 74,50; авторы сравнивали её с BERT-моделью, обученной тем же способом. Репозиторий содержит веса PyTorch и Flax. Сведения о лицензии в предоставленных данных отсутствуют.

SciEmbed-BASE — англоязычная модель эмбеддингов научных документов на базе ModernBERT-base, выпущенная как часть проекта SciEmbed. Она дообучена на 7 млн пар примеров за 3 эпохи с контрастивным обучением, где основной сигнал составляют предложения из контекстов цитирования. Модель предназначена для представления научных текстов в виде векторов и задач поиска и оценки сходства; в README приведены результаты SciRepEval по классификации, регрессии, близости и поиску. Модель использует encoder-only архитектуру ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Её можно загружать через Sentence Transformers и получать нормализованные эмбеддинги. Лицензия — MIT. Карточка описывает базовый вариант SciEmbed, обученный только на сигнале цитатных связей; сравнительное превосходство над другими моделями не заявлено.

SemCSE_cosine — модель для получения векторных представлений научных аннотаций и предложений, разработанная группой CLAUSE Билефельдского университета. Она основана на DeBERTa v2 и дообучена на KISTI-AI/Scideberta-full; содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска научных публикаций, кластеризации аннотаций и предложений, а также других задач сравнения и анализа текстовых эмбеддингов. В отличие от основной модели SemCSE, для вычисления сходства в пространстве эмбеддингов эта версия использует косинусное сходство. Разработчики сообщают о высоких результатах на собственном семантическом научном бенчмарке и SciRepEval. Модель рассчитана преимущественно на английский язык и научные тексты. Для работы с ней нужны Transformers и подходящий способ сравнения эмбеддингов; размер входа ограничен контекстом в 512 токенов. Лицензия — MIT.

sentence-croissant-llm-base — модель для построения эмбеддингов французских предложений, опубликованная Wissam42. Она дообучена методом Siamese-BERT на базе CroissantLLMBase с использованием библиотеки sentence-transformers и французской обучающей части набора STS-B. Архитектура — плотная LlamaModel размером 1,3 млрд параметров; модель принимает текст и выдаёт векторные представления предложений, пригодные для сравнения семантической близости. Контекст модели — до 2048 токенов. Модель предназначена для поиска похожих по смыслу предложений, семантического поиска и оценки сходства французских текстов. Карточка указывает французский язык; базовая CroissantLLM описана как франко-английская, но специализация этой модели — французские эмбеддинги. Лицензия — MIT.

NYTK разработала экспериментальную модель Hungarian Experimental Sentence-BERT на основе предварительно обученной huBERT, дообучив её на параллельном корпусе Hunglish 2.0. Модель использует архитектуру BERT и mean pooling для получения эмбеддингов предложений; размер составляет 137,8 млн параметров. Её назначение — кодировать предложения так, чтобы представления отражали семантическое сходство, по примеру bert-base-nli-stsb-mean-tokens от UKPLab. Модель подходит для сравнения предложений на венгерском языке и для поиска семантически близких текстов. Карточка сообщает о проверочной ошибке MSE 0,106 после двух эпох обучения; контекст по метаданным — 512 токенов, а заявленный в README max_seq_length — 128. Лицензия Apache-2.0. Показатель на валидационной выборке сам по себе не подтверждает качество на других наборах данных; модель обозначена как экспериментальная.

Veritone подготовила текстовую башню SigLIP 2 Base Patch16-224 — отдельную часть модели google/siglip2-base-patch16-224 для кодирования текстовых запросов в общее пространство эмбеддингов с изображениями. Её используют вместе с соответствующей башней изображений Veritone/siglip2-base-patch16-224-vision: текстовую башню можно загружать отдельно на этапе поиска, экономя память и время загрузки. Модель рассчитана на поиск по тексту и изображениям, включая классификацию изображений с нулевым обучением в связке с визуальной башней. Она основана на архитектуре SigLIP 2 и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. README описывает обучение полной модели на WebLI; размер текстовой башни отдельно не приводится.

Veritone публикует текстовую башню SigLIP 2 So400m — отдельную копию текстового энкодера модели google/siglip2-so400m-patch16-512. Она преобразует текстовые запросы в общее пространство эмбеддингов с изображениями и предназначена для использования при поиске, отдельно от башни зрения; разделение позволяет загружать только нужную часть модели. В паре с соответствующей башней зрения её можно применять для классификации изображений по кандидатным текстовым меткам без дообучения и для поиска изображений по тексту. Архитектура — SigLIP, библиотека Transformers, веса в формате safetensors; контекст составляет 64 токена. Модель обучена в составе SigLIP 2 на датасете WebLI. Карточка указывает лицензию Apache-2.0. Сам текстовый энкодер не принимает изображения, поэтому для полного сценария поиска или классификации требуется совместимая башня зрения, например Veritone/siglip2-so400m-patch16-512-vision.

sandalidahanayake/sinhala-plagiarism-model — модель Sentence-Transformers на базе XLM-RoBERTa, дообученная разработчиком для сравнения предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и рассчитывает сходство по косинусной мере; архитектура включает XLMRobertaModel и mean pooling. Модель подходит для поиска семантически похожих текстов, выявления перефразирований, кластеризации и классификации текста, в том числе для сопоставления сингальских предложений. Базовая модель обучена для многоязычного семантического сравнения. В карточке указана максимальная длина последовательности 128 токенов; метаданные каталога указывают контекстное окно 514 токенов. Для точной работы с длинными текстами их следует разбивать на фрагменты. Дообучение описано на 260 примерах пар предложений с оценками сходства, поэтому качество для выявления плагиата и других сценариев за пределами этого набора может быть ограниченным. Лицензия в предоставленных сведениях не указана.

smolaya — разработанная автором репозитория компактная версия модели convaiinnovations/laya для принятия решений по тексту. Это плотная модель с энкодером ModernBERT-large, сокращённым с 28 до 20 слоёв, и обучаемой головой решений; всего 323 млн параметров. Модель принимает текст, вопрос и заданные варианты ответа, а за один проход выдаёт оценки вариантов. Все слои энкодера, эмбеддинги и голова дообучены на смеси размеченных наборов данных. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Модель предназначена для классификации по заданным вариантам, анализа тональности, ответов «да/нет» по тексту и задач с выбором ответа. Автор сообщает о более высокой точности на пяти оценённых задачах по сравнению с laya и ускорении примерно в 2,8 раза на CPU при использовании отдельной версии int8. Модель работает только с английским языком. Она хуже справляется с вопросами, требующими обширных знаний, чувствительна к порядку вариантов, а для вопросов на понимание текста с ответом «да/нет» может чрезмерно завышать уверенность. Результаты бенчмарков требуют проверки на целевых данных.

Abinaya/snowflake-arctic-embed-financial-matryoshka — англоязычная модель эмбеддингов предложений, дообученная на 6 300 парах текстов из набора json на базе Snowflake/snowflake-arctic-embed-m-v1.5. Она использует архитектуру Sentence Transformer с трансформером BERT, CLS-пулингом и нормализацией и преобразует тексты в плотные векторы размерностью 768. Для сравнения векторов применяется косинусное сходство; Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Модель предназначена для семантического поиска и сравнения финансовых текстов, включая поиск по документам, оценку сходства предложений, выявление перефразирований, кластеризацию и классификацию на основе эмбеддингов. Максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт векторы; для получения меток классов или результатов поиска нужна отдельная последующая обработка. Выпущена под лицензией Apache-2.0.

Solon Embeddings Base 0.1 — открытая модель эмбеддингов от OrdalieTech для сравнения смысловой близости текстов и поиска по ним. Она основана на XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена прежде всего для французских текстов. Её оценивали на девяти французских бенчмарках для классификации, семантического сходства и переранжирования. Для запросов в поиске авторы рекомендуют добавлять префикс «query : », тогда как пассажи можно подавать без специальной инструкции. Лицензия — MIT. Карточка приводит результаты бенчмарков, но не описывает ограничения по тематике или гарантии качества на других языках и типах текстов; показатели на французских наборах не гарантируют аналогичную точность в иных сценариях.

wwydmanski/specter2_pubmed-v0.6 — Sentence Transformer, дообученный на базе allenai/specter2_base на наборе из 10 053 обучающих примеров. Он кодирует предложения и абзацы в плотные векторы размерности 768 и оценивает их сходство по косинусной мере; максимальная длина входа — 512 токенов. Архитектура состоит из BERT-энкодера с усреднением токенных представлений, а в метаданных указан формат safetensors. Модель предназначена для поиска и сопоставления текстов, связанных с публикациями PubMed: её можно применять для семантического поиска, поиска парафразов, кластеризации и классификации текстов. В README приведена оценка cosine accuracy 0,573 на triplet-dev, однако данных для вывода о качестве на других наборах и сценариях нет. Данные карточки не уточняют лицензию; при использовании следует проверить условия базовой модели и репозитория.

menadsa/S-PubMedBERT — модель Sentence-Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов; README также описывает обучение с MultipleNegativesRankingLoss и косинусной мерой сходства на данных PubMed. Модель содержит 136,7 млн параметров, принимает текст и формирует векторные представления. Контекст ограничен 512 токенами. Для работы подходят Sentence-Transformers и Transformers с корректной операцией pooling. Карточка не сообщает лицензию и точные языковые характеристики, поэтому их нельзя установить по доступным данным.

Модель ahmedHamdi/story-similarity-mpnet-plots-es-en-NE-Masked — дообученная с помощью AutoTrain модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2 для оценки семантического сходства предложений. Она кодирует текст в плотные векторы, которые можно сравнивать для поиска похожих сюжетов и других текстов. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и формат safetensors; максимальная длина контекста — 514 токенов. Для использования требуется библиотека Sentence Transformers. В карточке указана метрика loss 0,915, но её методика и качество на практических данных не описаны. Лицензия в доступных сведениях не приведена.

sentence-transformers/stsb-bert-large — модель Sentence Transformers, обученная командой sentence-transformers для преобразования предложений и абзацев в плотные векторные представления размерностью 1024. Она основана на архитектуре BERT и подходит для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель принимает текст и выдаёт эмбеддинги; её максимальная длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые альтернативы. Лицензия — Apache-2.0.

SynCSE-partial-RoBERTa-large — языковая модель для извлечения признаков, опубликованная SJTU-LIT и распространённая HKUST-NLP. Она основана на архитектуре RoBERTa и предназначена для получения векторных представлений текста, которые можно использовать в последующих NLP-задачах. В метаданных указано около 454,1 млн параметров, поддержка английского языка и контекст до 514 токенов. В README говорится об обучении на 26,2 тыс. синтетических примеров и о возможных стереотипных и вредоносных смещениях в предсказаниях. Карточка содержит противоречивые указания на родительскую модель: в тексте названа «RoBERTa-largbe», а пример загрузки использует SynCSE-partial-RoBERTa-base, поэтому точную базовую модель установить нельзя. Лицензия в предоставленных данных не указана.

TabSTAR — модель для классификации табличных данных с текстовыми признаками, разработанная Аланом Арази и соавторами. Она предназначена для переноса обучения между наборами данных и использует семантически ориентированные на целевую переменную представления: предварительно обученный текстовый кодировщик дообучается и получает токены целевой переменной, задающие контекст для формирования признаков. Архитектура не содержит параметров, привязанных к конкретному набору данных. В карточке Hugging Face указано 12,4 млн параметров; базовая модель — intfloat/e5-small-v2, формат весов — safetensors. TabSTAR рассчитана на классификацию таблиц, содержащих свободный текст, и показала высокие результаты на описанных в статье бенчмарках для наборов среднего и большого размера. Для обучения на собственных данных README рекомендует пакет tabstar. Метаданные указывают лицензию CC BY 4.0, тогда как README заявляет MIT; условия лицензирования следует сверить с фактическими файлами репозитория.

TamilSBERT-STS — модель L3Cube-Pune для сравнения сходства предложений на тамильском языке. Она создана дообучением l3cube-pune/tamil-sentence-bert-nli на наборе данных STS и выпущена в рамках проекта MahaNLP. В основе лежит архитектура BERT; модель формирует плотные векторные представления предложений, пригодные для вычисления их семантической близости. Модель предназначена для оценки сходства пар тамильских предложений и поиска семантически близких текстов. Она содержит 264,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для использования доступны веса PyTorch; README описывает применение через Sentence-Transformers или Transformers с pooling поверх контекстных представлений. Лицензия — CC BY 4.0. Карточка не приводит результатов оценки качества или подробностей о составе обучающего набора STS, поэтому точность на конкретных данных не установлена.

badalsahani/text-classification-multi — модель классификации текста, обученная разработчиком с помощью AutoTrain. Она решает задачу многоклассовой классификации и принимает текст для предсказания класса; модель можно вызывать через Inference API или использовать в экосистеме Transformers и PyTorch. Модель основана на BERT с головой BertForSequenceClassification, содержит 432,3 млн параметров и рассчитана на последовательности длиной до 512 токенов. В карточке указан английский язык и набор данных badalsahani/autotrain-data-text-classification. На валидации заявлены accuracy и F1, precision и recall со значениями 1,000, однако сведения о размере и составе выборки не приведены, поэтому эти результаты не гарантируют качество на новых данных. Лицензия в предоставленных сведениях не указана.