I.11Классификация, ранжирование и сопоставление

Conversational RuBERT — русскоязычная модель семейства BERT, разработанная DeepPavlov для извлечения признаков из текста. Её обучали на субтитрах OpenSubtitles, данных Dirty и Pikabu, а также сегменте социальных сетей корпуса Taiga; словарь создан специально для этой модели, а веса инициализированы RuBERT. В карточке указаны 12 слоёв, размер скрытого представления 768 и 12 голов внимания; метаданные каталога указывают 205,1 млн параметров и контекст до 512 токенов. Модель подходит для получения контекстных векторных представлений русскоязычных разговорных текстов, которые можно использовать в последующих задачах NLP. Репозиторий содержит варианты PyTorch и Flax, а в README упомянуты MLM- и NSP-головы. Сведения о лицензии в предоставленных данных отсутствуют.

cointegrated/rubert-base-cased-nli-twoway — русскоязычная модель на базе BERT, созданная дообучением DeepPavlov/rubert-base-cased для распознавания логической связи между двумя короткими текстами. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предсказывает, следует ли один текст из другого: entailment или not entailment. Её можно применять для классификации текстовых пар и как основу для классификации без заранее заданных обучающих примеров, задавая варианты классов в виде текстовых гипотез. Обучение связано с набором cointegrated/nli-rus-translated-v2021. Модель ориентирована на русский язык и распространяется в форматах PyTorch и Safetensors. README не сообщает лицензию, поэтому условия использования по доступным сведениям определить нельзя. Она рассчитана на короткие пары текстов; результаты для длинных документов и задач, отличных от вывода по текстовым парам, не подтверждены.

Ruri-Reranker-Small — японская модель-переранжировщик на основе Sentence Transformers и архитектуры DistilBERT, разработанная cl-nagoya. Она дообучена на базе cl-nagoya/ruri-pt-small и предназначена для повторного ранжирования результатов поиска: модель оценивает релевантность пары запроса и документа, чтобы поднять наиболее подходящие результаты выше. Размер модели — около 68 млн параметров; максимальная длина последовательности — 512 токенов. Модель рассчитана на японский язык и показывает результаты в бенчмарках JQaRA, JaCWIR и MIRACL. Лицензия Apache 2.0. Модель специализируется на ранжировании японского текста; качество для других языков не подтверждено. В README приведены сравнительные результаты на бенчмарках, но они не гарантируют аналогичную точность на других наборах данных.

Fulcrum-AI/Ryze-Embed-2 — объединённая методом passthrough модель на архитектуре Qwen2, созданная из Alibaba-NLP/gte-Qwen2-7B-instruct. Карточка не описывает дополнительных изменений к базовой модели; метаданные указывают 12,7 млрд параметров, формат safetensors и контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и классификации текста. Базовая GTE-модель преобразует текст в эмбеддинги для семантического поиска и сравнения, однако README не объясняет, сохраняет ли объединённая модель эти возможности в пригодном для использования виде. В метаданных указана библиотека Transformers. Модель распространяется под лицензией, указанной в метаданных Hugging Face; в предоставленных метаданных поле лицензии отсутствует, поэтому условия использования определить нельзя.

AniruddhaAI дообучила модель Sentence Transformer на базе intfloat/multilingual-e5-small для поиска текстов на санскрите и сопоставления санскритских фрагментов с английскими переводами. Модель создаёт плотные векторы размерности 384 для предложений и абзацев; архитектура включает BERT, усредняющий пуллинг и нормализацию. Для сравнения векторов подходит косинусное сходство. Модель обучена на 168 783 парах текстов с использованием MultipleNegativesRankingLoss. Примеры в обучающих данных показывают поиск между санскритом и английским в обоих направлениях. Метаданные указывают контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов; при практическом использовании следует учитывать более короткое ограничение из README. Модель принимает текст и выдаёт эмбеддинги, поэтому подходит для семантического поиска и ранжирования кандидатов по сходству. Лицензия в предоставленных данных не указана.

Карточка модели menadsa/S-Bio_ClinicalBERT на Hugging Face совпадает с карточкой menadsa/S-PubMedBERT, поэтому описание составлено по ней. 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.

menadsa/S-BioELECTRA — модель эмбеддингов на базе ELECTRA, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучалась на данных PubMed с функцией MultipleNegativesRankingLoss и косинусным сходством, что указывает на специализацию на биомедицинских текстах. Её можно применять для семантического поиска и группировки публикаций или фрагментов научных текстов. Доступны веса PyTorch; лицензия и конкретные языки в предоставленных сведениях не обозначены.

ScandiNLI Large v2 — модель естественного логического вывода для датского, норвежского букмола и шведского языков, разработанная AI Sweden. Это дообученная модель RoBERTa Large на 454,1 млн параметров; она принимает текстовые посылки и гипотезы и определяет их отношение, поддерживая сценарии zero-shot-классификации. Контекст модели — до 514 токенов. Модель подходит для классификации текстов по пользовательским категориям и проверки того, следует ли гипотеза из посылки, противоречит ей или не связана с ней. В оценке авторов версия v2 показала в среднем по трём скандинавским языкам точность 84,95% и macro-F1 75,41%. Для шведского и норвежского оценка проводилась на машинно переведённом MultiNLI, поэтому эти результаты могут не полностью отражать качество на оригинальных данных. Модель распространяется по лицензии Apache-2.0.

SciEmbed-CTX — дообученная модель эмбеддингов научных документов из выпуска SciEmbed. Она построена на encoder-only архитектуре ModernBERT-base и содержит 149 млн параметров. Модель обучали контрастивным методом на парах предложений из научных документов, используя контекст цитирования как основной обучающий сигнал; описанный результат получен на подвыборке из 7 млн пар за три эпохи. Модель предназначена для преобразования научных текстов в векторы, пригодные для поиска и оценки семантической близости. В README приведены результаты SciRepEval по классификации, регрессии, близости и поиску, а также пример применения Sentence Transformers с нормализацией эмбеддингов. Поддерживается контекст до 8192 токенов; основной язык карточки — английский. Лицензия — MIT.

SciNCL — англоязычная модель на архитектуре BERT для получения векторных представлений научных документов. Её разработчики обучили её для работы с исследовательскими статьями; модель содержит 137,1 млн параметров и рассчитана на вход длиной до 512 токенов. Для контрастивного обучения использовались соседства статей в графе цитирований S2ORC. Инициализация выполнена весами SciBERT scibert-scivocab-uncased. SciNCL подходит для поиска и сравнения научных публикаций по смыслу, рекомендаций статей и задач ранжирования или группировки документов. В README приведены результаты оценки на SciDocs. Модель выдаёт эмбеддинги, а не готовые ответы на вопросы. Для применения к медицинским статьям README предлагает специализированную альтернативу PubMedNCL. Лицензия модели — MIT.

Это модель Sentence Transformer на архитектуре MPNet, разработанная на основе microsoft/mpnet-base и дообученная автором репозитория на наборе sxc_med_llm_chemical_gen. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска похожих текстов и других задач представления текста. Модель поддерживает семантический поиск, поиск перефразирований, кластеризацию и классификацию текста; сходство можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов, число параметров — 136,7 млн. Модель подходит для поиска и группировки текстов в химической тематике, отражённой обучающим набором, а также для других задач сходства английских текстов. Ограничение лицензии Apache 2.0 позволяет использовать модель на её условиях. В README приведён результат cosine_accuracy 0,9838 на TripletEvaluator, но он относится к указанной оценке и сам по себе не гарантирует такое же качество на других данных.

Это текстовая башня SigLIP 2 Large, подготовленная Veritone на основе google/siglip2-large-patch16-256. Репозиторий содержит только часть модели, которая кодирует текстовые запросы в общее пространство эмбеддингов; её можно загружать отдельно от зрительной башни, чтобы сократить расход памяти и время загрузки при поиске. Модель предназначена для сопоставления текстовых запросов с изображениями при поиске по изображениям и классификации без примеров. Для полного сценария нужны соответствующие эмбеддинги изображений, которые создаёт зрительная башня Veritone/siglip2-large-patch16-256-vision. Архитектура — SigLIP 2 Large; модель использует Transformers и формат safetensors. Контекст составляет 64 токена. Обучение SigLIP 2 проводилось на наборе WebLI. Лицензия — Apache 2.0. Эта копия включает только текстовую башню: сама по себе она не принимает изображения и не выполняет полноценную классификацию без зрительной башни или заранее рассчитанных эмбеддингов изображений. README не сообщает языковой охват и результаты оценки именно этой копии.

SkillReason-reranker-0.6b — плотная модель на архитектуре Qwen3, разработанная авторами SkillReason и дообученная на базе Qwen/Qwen3-Reranker-0.6B. Она оценивает релевантность документа с описанием навыка для запроса на естественном языке и предназначена для второго этапа конвейера поиска с последующим переранжированием кандидатов. Модель содержит 507,6 млн параметров, принимает пару «запрос — документ навыка» и выдаёт оценку релевантности для сортировки результатов. Её сценарий применения — переранжирование списка кандидатов, найденных первичным поисковым модулем; протокол оценки из карточки рассматривает 20 лучших кандидатов. Модель работает с текстом, использует Transformers и имеет контекстное окно до 40 960 токенов. В карточке указана поддержка английского языка. Модель ориентирована на поиск навыков для агентских систем и может улучшать порядок найденных описаний навыков по соответствию пользовательской задаче. Для длинных документов README рекомендует официальный инструментарий, чтобы при усечении сохранить завершающий фрагмент промпта. Распространяется по лицензии Apache-2.0.

SKILLRET-Reranker-0.6B — реранкер для поиска навыков AI-агентов по запросу на естественном языке. Модель разработана авторами репозитория anonymous-ed-benchmark и дообучена на обучающей части SkillRet benchmark от Qwen/Qwen3-Reranker-0.6B. Она оценивает релевантность пары «запрос — навык» и предназначена для второго этапа поиска: пересортировки кандидатов, полученных от первичного ретривера. Это плотная модель семейства Qwen3 на 507,6 млн параметров с интерфейсом оценки релевантности Qwen3-Reranker. Обучение использовало бинарную кросс-энтропию по вероятностям токенов «yes» и «no». Модель принимает текст запроса и описание навыка, включая его название и тело SKILL.md; контекст составляет до 40 960 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель оптимизирована для английских запросов и описаний навыков; в оценке она повысила NDCG@5 с 0,8458 до 0,8610 при пересортировке 20 кандидатов. Основное применение — поиск навыков для AI-агентов в двухэтапной системе retrieval и reranking. Пересортировка медленнее первичного поиска: обработка 20 кандидатов занимала около 0,8 секунды на запрос на B200, поэтому задержка может быть существенной для чувствительных к latency сценариев. Лицензия — Apache-2.0.

ThakiCloud разработала SKILLRET-Reranker-0.6B — компактный реранкер для поиска навыков AI-агентов. Модель принимает запрос пользователя на естественном языке и описание навыка-кандидата, после чего оценивает их релевантность; её предполагается использовать на втором этапе поиска для переупорядочивания кандидатов, найденных, например, моделью SkillRet-Embedding. Модель содержит 507,6 млн параметров, основана на плотной архитектуре Qwen3 и дообучена на обучающей части бенчмарка SkillRet. Она сохраняет интерфейс оценки Qwen3-Reranker, а её контекст составляет до 40 960 токенов. В README описана оценка на английских запросах и навыках; метаданные также указывают английский язык. На тестовом наборе SkillRet реранкер улучшил NDCG@5 с 0,8458 до 0,8610 при повторной сортировке 20 кандидатов. Переоценка кандидатов медленнее первичного поиска: для 20 навыков в README указано около 0,8 секунды на запрос на B200. Модель опубликована под лицензией Apache-2.0.

Space-Time-MiniLM-v0 — модель кодирования предложений и коротких абзацев, разработанная как исследовательский проект в Department of Computer Science Американского университета Бейрута. Она строит плотные векторы размерности 384, учитывающие смысл текста и связанные с ним временные и пространственные сведения. Архитектура основана на BERT и предварительно обученной sentence-transformers/all-MiniLM-L6-v2; механизм внимания модифицирован для учёта времени и места, после чего модель дообучена на двух пользовательских наборах данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации с учётом контекста времени и географии. Вход включает текст и сведения о периоде и регионе; поддерживаются месяцы с января 2017 по декабрь 2021 года и регионы US, UK, CAN и AUS. README указывает усечение входа длиннее 128 токенов, хотя метаданные задают максимальный контекст в 512 токенов. Выход — векторное представление. Модель распространяется по лицензии Apache-2.0.

sentence-transformers/stsb-bert-base — модель Sentence-Transformers, разработанная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Архитектура основана на BERT; модель содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и сравнения их семантической близости. Доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Карточка предупреждает, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендует выбрать более современные модели. Лицензия — Apache-2.0.

Модель sentence-transformers-testing/stsb-bert-tiny-openvino-quantized-only предназначена для преобразования предложений и абзацев в плотные векторные представления размерностью 128. Она разработана для использования с библиотекой Sentence Transformers и подходит для семантического поиска, кластеризации и оценки семантического сходства текстов. Конкретный разработчик в представленных данных не указан. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов и без приведения текста к нижнему регистру. Архитектура включает Transformer и mean pooling по токенам с учётом attention mask; используются только средние значения токенов, без CLS-, max- и других вариантов pooling. Языки, точный размер BERT и характеристики OpenVINO-квантизации в README не указаны. Модель удобна для получения компактных эмбеддингов и интеграции в стандартный конвейер Sentence Transformers. Ограничения — отсутствие опубликованных результатов оценки, сведений о языковой специализации, точных параметрах квантизации и гарантий качества для конкретных прикладных сценариев. В README также отсутствует информация о лицензии, поэтому условия распространения и коммерческого использования следует уточнить отдельно.

sentence-transformers/stsb-roberta-large — модель для получения эмбеддингов предложений и абзацев, обученная командой Sentence Transformers. Она основана на архитектуре RoBERTa с 454,1 млн параметров и отображает текст в плотные векторы размерности 1024; доступна через библиотеку Sentence Transformers и в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель подходит для семантического поиска, сравнения текстов и кластеризации; заявленная длина контекста — 514 токенов. В карточке модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать другую модель для новых проектов. Лицензия — Apache-2.0.

TAACOSimilarity — корейская модель на базе Sentence-Transformers, созданная автором репозитория для измерения семантической связности между предложениями в разрабатываемом инструменте K-TAACO. Модель обучена на наборе KLUE STS и дополнительных данных NLI-STS; в карточке также указано, что планировалось дальнейшее обучение на других данных о сходстве предложений. Модель кодирует предложения в векторы для сравнения их семантического сходства. Её можно применять для оценки близости пары предложений и анализа связности текста. Архитектура — BERT, 137,8 млн параметров; доступны веса PyTorch, максимальная длина контекста — 512 токенов. Основной язык — корейский. Для использования требуется библиотека Sentence-Transformers. В README не указаны лицензия и результаты численной оценки качества, поэтому условия распространения и точность на конкретных данных следует проверять отдельно.

chs20/tecoa2-clip — модель CLIP ViT-L/14 из семейства TeCoA, разработанного по работе Mao et al. (2023). Она получена состязательным дообучением исходной модели OpenAI CLIP на ImageNet с ограничением возмущения по норме бесконечности радиусом 2/255. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения на каждом наборе классов: пользователь передаёт изображение и варианты текстовых меток, а модель оценивает их соответствие. Модель работает с изображениями и текстом и распространяется в формате PyTorch; для загрузки и обработки изображений используется библиотека open_clip. Состязательное дообучение повышает устойчивость к небольшим состязательным изменениям изображений. Лицензия — MIT. Качество зависит от формулировок текстовых меток и распределения данных; дообучение проводилось на ImageNet, поэтому специализация на других областях не заявлена.

TiRoBERTa BiEncoder — модель двунаправленного кодировщика предложений для языка тигринья, разработанная как часть работы над монолингвальными bi-encoder-моделями. Она основана на TiRoBERTa-base и использует архитектуру Sentence-Transformers: кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, информационного поиска, кластеризации и представления текста. Модель обучена на наборах данных для вопросов и ответов и информационного поиска на тигринья. Репозиторий содержит веса SafeTensors; для работы подходят Sentence-Transformers и Transformers. Контекст модели — до 512 токенов по README; метаданные указывают 514 токенов. Лицензия — Apache-2.0. Это модель векторных представлений, а не генеративная языковая модель; качество за пределами тигринья и обучающих сценариев не заявлено.

Francesco Periti и соавторы представляют TRoTR-paraphrase-multilingual-MiniLM-L12-v2 — дообученную модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и контексты в эмбеддинги для оценки семантического сходства и тематической связанности, в частности при анализе того, как меняется контекст повторно использованного текста. В примере README модель сравнивает контексты библейской цитаты в разных сообщениях. Модель использует архитектуру XLM-RoBERTa с плотным представлением, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Карточка указывает поддержку английского языка; базовая модель многоязычная, однако README не подтверждает языки, на которых это дообучение проверено. Веса доступны в формате safetensors. Модель подходит для сравнения пар контекстов и поиска тематически близких текстов, но её назначение связано с задачами TRoTR, а эксперимент с цитатами сам по себе не подтверждает качество на широком круге доменов. Лицензия — CC BY-SA 4.0.

Это турецкоязычная модель для поиска соответствий между изображениями и текстом. Она объединяет визуальный энкодер CLIP ViT-B/32 от OpenAI и текстовый энкодер ModernBERT-TR в двухбашенную архитектуру, которая отображает изображения и турецкие подписи в общее пространство эмбеддингов размерности 512. Модель поддерживает поиск текста по изображению и изображения по текстовому запросу; в метаданных её основная задача указана как классификация изображений без примеров. Модель обучена на турецких переводах подписей Flickr30k: для каждого изображения использовалась одна случайно выбранная подпись за эпоху. Текст обрезается до 128 токенов, изображения приводятся к размеру 224×224. На тестовом наборе автор сообщает Recall@1 68,30 для поиска подписи по изображению и 54,38 для поиска изображения по подписи. Область обучения ограничена повседневными сценами Flickr30k, поэтому обобщение на изображения других типов может быть слабым. Подписи являются машинными переводами и содержат артефакты; визуальный энкодер заморожен, а одинаковые подписи для разных изображений могут создавать ложные отрицательные примеры при обучении. Указана лицензия other, поэтому конкретные условия использования следует проверить в репозитории.

cardiffnlp/twitter-roberta-base-dec2021-tweet-topic-multi-all — модель Cardiff NLP на базе RoBERTa, дообученная для многометочной классификации тем сообщений в Twitter на датасете tweet_topic_multi. Обучение проводилось на полном обучающем наборе train_all, а проверка — на test_2021. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. В тестировании на test_2021 достигла micro-F1 0,765, macro-F1 0,619 и accuracy 0,549. Подходит для автоматической разметки тем твитов и анализа тематических тенденций. Лицензия в предоставленных данных не указана.

TyBert — предварительно обученная текстовая модель семейства BERT, выпущенная Trendyol для турецкого языка. Она предназначена для получения признаковых представлений текста и может служить основой для задач понимания языка, включая классификацию текстов и распознавание именованных сущностей. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors для Transformers. В метаданных основной задачей указано извлечение признаков; также поддерживается заполнение маскированных токенов. Лицензия Apache-2.0.

TyRoberta — предварительно обученная языковая модель семейства RoBERTa для турецкого языка, разработанная Trendyol. Её можно использовать как основу для извлечения признаков и адаптировать к задачам понимания текста, включая классификацию и распознавание именованных сущностей. Модель содержит 136,3 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В репозитории опубликованы веса Safetensors; для работы указана библиотека Transformers. Лицензия — Apache 2.0.

CaoHaiNam разработал модель эмбеддингов на базе BERT для стандартизации вьетнамских адресов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для сравнения семантической близости и поиска вариантов адреса, записанных по-разному. Модель обучалась с помощью Sentence-Transformers и функции MultipleNegativesRankingLoss с косинусным сходством. Архитектура — BERT, библиотека — PyTorch; общий размер составляет 498,1 млн параметров, максимальная длина контекста — 512 токенов. Основной сценарий — сопоставление и нормализация адресов на вьетнамском языке. Для использования нужны входные тексты; результатом служат векторы эмбеддингов. Лицензия и известные ограничения в предоставленных данных не описаны.

Вьетнамская модель для сопоставления предложений и абзацев, разработанная BKAI Foundation Models. Она преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска, ранжирования похожих текстов и кластеризации. В основе лежит PhoBERT-base-v2, дообученная на объединённых данных MS MARCO и SQuAD v2, переведённых на вьетнамский язык, а также на 80% обучающей выборки соревнования Legal Text Retrieval Zalo 2021. Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; максимальная длина контекста — 258 токенов. Для работы с вьетнамским текстом в Hugging Face Widget предусмотрена сегментация слов перед токенизацией. В README приведены результаты на оставшихся 20% выборки Legal Text Retrieval Zalo 2021, включая Acc@1 73,28 и MRR@10 80,73 для обученной модели. Модель принимает текст и возвращает векторные представления, которые можно использовать для поиска и кластеризации. Она обучалась на вьетнамских данных, включая юридические тексты, поэтому результаты на других языках и в иных областях могут быть хуже. Лицензия — Apache-2.0.

VN_legal_embedding_512 — модель Sentence Transformers, разработанная для создания плотных 768-мерных эмбеддингов предложений и абзацев в юридическом контексте. Она дообучена на базе intfloat/multilingual-e5-base на внутреннем наборе примерно из 30 000 примеров юридических вопросов и связанных с ними контекстов с использованием TripletLoss и косинусного расстояния. Модель предназначена для семантического поиска и сопоставления юридических вопросов с релевантными контекстами; эмбеддинги также подходят для кластеризации. Архитектура основана на XLM-RoBERTa, число параметров — 305,2 млн, длина контекста — 514 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы — Sentence Transformers. Лицензия в предоставленных данных не указана.