I.11Классификация, ранжирование и сопоставление

TurkuNLP разработала многоязычную модель классификации регистров веб-текстов. Это дообученная на основе FacebookAI/xlm-roberta-large модель XLM-RoBERTa-large с архитектурой классификации последовательностей и 658,7 млн параметров. Она присваивает документам метки таксономии CORE: например, определяет, является ли текст новостным сообщением, инструкцией, отзывом, обсуждением или информационным описанием; некоторые метки образуют иерархию. Модель обучена на корпусах CORE для английского, финского, французского, шведского и турецкого языков. Она может выдавать прогнозы для языков, охватываемых XLM-RoBERTa-large; в README приведены результаты переноса на дополнительные языки. Контекст модели составляет 514 токенов. В тестах на обучающих языках F1 для всех меток составляет 0,72–0,79, а для основных меток — 0,75–0,82; результаты переноса на другие языки ниже, поэтому качество может зависеть от языка и типа текста. Модель предназначена для анализа жанровых и регистровых различий в корпусах и поддержки разработки открытых языковых моделей. Распространяется по лицензии Apache-2.0.

X-CLIP base с размером патчей 16 — видеоязыковая модель Microsoft, представленная в работе Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Она расширяет CLIP для понимания видео и обучена контрастивно на парах видео и текста; эта версия обучалась в few-shot режиме с K=8 на UCF101. Модель предназначена для классификации видео в zero-shot, few-shot и supervised сценариях, а также для поиска соответствия между видео и текстом. При обучении использовались 32 кадра на видео с разрешением 224×224. В README указана точность top-1 88,3% на оценивании, однако подробности протокола оценки не приведены. Модель принимает видео и текстовые описания, выдаёт оценки их соответствия и подходит для извлечения признаков при видео-языковых задачах. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Обучение на UCF101 и few-shot настройка ограничивают основания для переноса опубликованной точности на другие наборы данных и сценарии.

XLMCITA — дообученная phunganhsang модель XLM-RoBERTa-base с архитектурой XLMRobertaForSequenceClassification, предназначенная для классификации текста. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. В README указаны результаты оценки: accuracy 0,7705, F1 0,7698 и loss 0,5616. Набор данных и конкретная задача классификации не описаны, поэтому применимость к отдельным тематикам или языкам по карточке определить нельзя. Модель распространяется по лицензии MIT.

XLM-RoBERTa large — мультиязычная языковая модель семейства RoBERTa, разработанная командой Facebook AI и впервые опубликованная в репозитории Hugging Face. Модель с архитектурой XLM-RoBERTa содержит 658,7 млн параметров и обучена на 2,5 ТБ очищенных данных CommonCrawl на 100 языках с целью masked language modeling: по контексту предсказывает скрытые токены. Длина контекста — 514 токенов. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под классификацию последовательностей и токенов, ответы на вопросы и другие задачи понимания текста. Она формирует двунаправленные представления предложений на многих языках, что позволяет использовать её для извлечения признаков и кросс-языковых сценариев. Для свободной генерации текста модель не предназначена. Распространяется по лицензии MIT.

poltextlab разработала XLM-RoBERTa Large OntoLISST Minor v3 — модель классификации текста на базе FacebookAI/xlm-roberta-large, распространяемая в формате safetensors и предназначенная для работы с Transformers. Она относит тексты к 44 тематическим категориям OntoLISST, включая жилищные вопросы, городскую среду, инфраструктуру, экологию и энергопотребление. Модель используется в CAP Babel Machine — инструменте для сравнительных исследований. В карточке приведены общая точность 80% и макро F1 0,79. Токенизатор SentencePiece; для старых версий Transformers до 4.27 требуется отдельно установить sentencepiece. Модель опубликована по лицензии CC BY 4.0.

XLM-RoBERTa-XL — крупная многоязычная модель на архитектуре RoBERTa, разработанная авторами статьи Naman Goyal, Jingfei Du, Myle Ott, Giri Anantharaman и Alexis Conneau. Она предварительно обучена на 2,5 ТБ отфильтрованных данных CommonCrawl на 100 языках с целью masked language modeling: модель восстанавливает замаскированные слова, используя контекст с обеих сторон. Число параметров — 4,4 млрд, максимальная длина контекста — 514 токенов. Модель подходит для заполнения пропусков в тексте и извлечения многоязычных представлений для дообучения под классификацию последовательностей и токенов, а также ответы на вопросы. Она предназначена прежде всего для задач, анализирующих предложение целиком; для генерации связного текста README рекомендует авторегрессионные модели. Модель распространяется под лицензией MIT.

odunola/yoruba-embedding-model — модель эмбеддингов на основе BGE-base, разработанная для семантической работы с текстами на языке йоруба. Согласно карточке, её обучали для многоязычных семантических представлений с использованием дистилляции знаний по подходу Making Monolingual Sentence Embeddings Multilingual. Модель содержит 136,7 млн параметров, использует архитектуру BERT и библиотеку Sentence Transformers; максимальная длина контекста — 512 токенов. Она преобразует предложения в векторы, подходящие для сравнения семантической близости и поиска похожих текстов. Доступны веса в формате safetensors. Модель предназначена прежде всего для текстов на йоруба. В README не указаны сведения о лицензии, поэтому условия использования следует уточнить на странице репозитория.

BGEbase3gpp-qa-v2Matryoshka — англоязычная модель Sentence Transformers, дообученная iris49 на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов. Обучение проводилось на 56 041 парах anchor–positive; в README примеры связаны с вопросами и ответами по спецификациям 3GPP. Для сравнения используется косинусное сходство. Модель построена на BERT с пулингом CLS-токена и нормализацией выходного вектора. Максимальная длина последовательности — 512 токенов. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64, с небольшим снижением приведённых в README показателей поиска. Модель распространяется по лицензии Apache-2.0.

recobo/agri-sentence-transformer — модель Sentence-Transformers, разработанная на базе agriculture-BERT от Recobo. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для сравнения смысловой близости, кластеризации и семантического поиска по сельскохозяйственным текстам. Архитектура — BERT; модель содержит 137,2 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для поиска похожих фрагментов, группировки текстов и оценки семантического сходства в аграрной тематике. Базовый agriculture-BERT обучен на 6,5 млн фрагментов из сельскохозяйственной области. Указанный язык — английский. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

RinKana/all-MiniLM-L6-v2-iran-VS-USA-news — модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для поиска и сравнения новостных текстов об Иране и США. Она кодирует предложения и абзацы в плотные векторы размерностью 384 и использует косинусное сходство; архитектура включает энкодер BERT, усредняющий пулинг и нормализацию. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов, а в README заявлена максимальная длина последовательности 256 токенов. Модель принимает текст и выдаёт векторы для семантического поиска, сопоставления запросов с новостными материалами и извлечения релевантных документов. Обучающий набор содержит 2 057 пар, связывающих короткие запросы с новостными текстами; примеры и базовая модель ориентированы на английский язык. README приводит результаты оценки на наборе val-ir, но показанные значения точности на первых позициях невысоки, поэтому пригодность для конкретного корпуса стоит проверять отдельно. Лицензия в предоставленных данных не указана.

IoannisKat1/all-mpnet-base-v2-legal-matryoshka — англоязычная модель Sentence Transformers, дообученная на 1 580 парах текстов из набора json на базе sentence-transformers/all-mpnet-base-v2. MPNet преобразует предложения и абзацы в нормализованные плотные векторы; среднее объединение токенов и косинусное сходство подходят для семантического поиска и сравнения текстов. Выходной вектор имеет размерность 768, а Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Максимальная длина последовательности по метаданным — 514 токенов; в README указано ограничение 384 токена. Модель предназначена для поиска релевантных текстов, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации. Юридическая направленность следует из названия и примеров обучающих пар в README, но карточка не описывает специализацию подробнее. Приведены результаты оценки поиска для нескольких размерностей векторов, однако без достаточного контекста о наборе оценки они не гарантируют качество на пользовательских данных. Лицензия — Apache-2.0.

yahyaabd/allstats-semantic-search-model-v1-3 — модель Sentence Transformers, дообученная автором yahyaabd на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 для семантического поиска по статистическим материалам. Она преобразует предложения и абзацы в плотные векторы размерности 768; близость текстов оценивается косинусным сходством. Архитектура использует XLM-RoBERTa с усреднением токенных представлений. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов, а карточка модели описывает максимальную длину последовательности 128 токенов. Модель предназначена для сопоставления запросов с документами, поиска похожих формулировок и семантической оценки релевантности. В карточке приведены высокие результаты на собственных наборах проверки allstats-semantic-search-v1-3, однако они не гарантируют аналогичного качества на других данных. Обучение проводилось на синтетическом наборе запросов и документов о статистике, преимущественно связанных с Индонезией; качество для иных тематик и языков отдельно не подтверждено. Модель принимает текст и выдаёт векторы. Лицензия в предоставленных данных не указана.

AstroBERT Small Embeddings — компактная модель NeuML для преобразования предложений и абзацев в плотные векторы размерности 384. Она основана на AstroBERT Small с архитектурой BERT и дообучена методом дистилляции эмбеддингов Qwen3-Embedding-8B на случайной выборке астрофизических аннотаций arXiv с метками astro-ph. Модель рассчитана на семантический поиск, кластеризацию текстов и создание векторных баз знаний для RAG; её можно использовать с Sentence Transformers, Transformers и txtai. Модель содержит 25,9 млн параметров и поддерживает контекст до 512 токенов. В README отмечена пригодность для CPU-сценариев и хорошие результаты на описанном авторами наборе оценки, однако качество зависит от предметной области и соответствия данных предварительному обучению и настройке. Лицензия — Apache-2.0.

Модель kyleinincubated/autonlp-cat333-624217911 — классификатор текста на базе BERT, автоматически обученный с помощью AutoNLP для многоклассовой классификации. Число параметров составляет 129,5 млн, контекст — до 512 токенов. В карточке указан китайский язык; обучение связано с набором данных kyleinincubated/autonlp-data-cat333. Модель предназначена для присвоения тексту одного из нескольких классов. Валидационная точность составляет около 0,91, взвешенная F1-мера — около 0,91, а macro F1 — около 0,74, что указывает на более слабые результаты по усреднению классов. Доступ к модели описан через API Hugging Face. Лицензия в предоставленных данных не указана.

mano-wii/BAAI_bge-base-en-v1.5-tunned-for-blender-issues — дообученная модель Sentence Transformers на базе BAAI/bge-base-en-v1.5, созданная для поиска похожих обращений об ошибках Blender. Она преобразует предложения и абзацы в плотные векторы размерности 768; модель обучена на более чем 3650 примерах обращений, в которых указано от 1 до 12 дубликатов. Модель подходит для семантического поиска и группировки связанных сообщений об ошибках. Архитектура — BERT, число параметров — 136,7 млн, максимальная длина контекста — 512 токенов. Метаданные указывают английскую версию базовой модели; в README описана специализация на обращениях Blender. Лицензия в предоставленных данных не указана. Для применения через Transformers требуется выполнить pooling над контекстными векторами; в Sentence Transformers модель предоставляет готовый интерфейс для получения эмбеддингов.

Banglish Embed MiniLM Small — модель эмбеддингов для поиска семантически соответствующих предложений на бенгальском письме и романизированном бенгальском (Banglish). Она дообучена автором sifat-febo на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и предназначена для двустороннего поиска совпадений между двумя письменностями, включая сценарии с переключением между ними. Модель построена на архитектуре BERT и содержит 124,3 млн параметров. Она принимает текст и формирует эмбеддинги для семантического сравнения; заявленная длина контекста — 112 токенов. По README, модель занимает около 0,47 ГБ и рассчитана на работу на CPU без подключения к интернету после установки. В описанном тесте на 2000 парах она находила соответствие примерно в 98,6–98,8% случаев. Модель подходит для поиска бенгальских фраз по Banglish-запросам и наоборот, но её назначение ограничено сопоставлением семантически сходных предложений: она не предназначена для суммаризации, ответов на вопросы или произвольного ранжирования. Текст длиннее примерно 70 слов обрезается. Лицензия — Apache-2.0.

BERTAUT v1 — модель классификации текста на основе BERT, созданная Teguh Arie Sandy и дообученная на google-bert/bert-base-multilingual-cased. Она относит отзывы, комментарии и открытые ответы на вопросы о технологиях к шести категориям UTAUT и фильтрации: ожидаемая производительность (PE), простота использования (EE), социальное влияние (SI), условия использования (FC), общий отзыв (GR) и спам (SP). Модель подходит для предварительной разметки пользовательских текстов и анализа восприятия технологий на индонезийском и других языках, поддерживаемых mBERT; результаты на целевом языке и в конкретной предметной области следует проверить. Модель имеет архитектуру BERT для классификации последовательностей, содержит 205,1 млн параметров и принимает тексты длиной до 512 токенов. В README приведена точность 0,9132 на отдельной тестовой выборке из 6 370 текстов. Это начальная версия, обученная на ограниченном наборе данных; качество может снижаться на языках и в областях, отличных от обучающих. Класс BI (Behavioral Intention) в этой версии отсутствует. Лицензия — MIT.

emrecan/bert-base-turkish-cased-allnli_tr — дообученная модель BERT для турецкого языка, созданная на основе dbmdz/bert-base-turkish-cased. Она предназначена для классификации текста с нулевым обучением и задач на основе NLI, например отнесения текста к пользовательским категориям по заданным меткам. Модель содержит 137,8 млн параметров, использует регрессионно-классификационную архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В карточке приведены результаты оценки: loss 0,5771 и accuracy 0,7978; описание набора данных и ограничения в README не раскрыты. Модель опубликована в формате PyTorch под лицензией MIT.

sentence-transformers/bert-large-nli-stsb-mean-tokens — модель Sentence Transformers, обученная командой sentence-transformers. Она основана на архитектуре BERT и преобразует предложения и абзацы в плотные векторы размерностью 1024, пригодные для семантического поиска, сравнения сходства и кластеризации текстов. Модель принимает текст и рассчитана на последовательности длиной до 512 токенов. Модель можно применять для поиска текстов по смыслу, ранжирования похожих предложений и группировки текстов по тематической близости. Репозиторий содержит варианты весов PyTorch, SafeTensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Авторы пометили модель как устаревшую и предупреждают о низком качестве получаемых эмбеддингов; для новых проектов они рекомендуют выбрать более современные модели эмбеддингов.

google/bert_uncased_L-10_H-128_A-2 — компактная англоязычная модель BERT от Google из набора BERT Miniatures, описанного в работе «Well-Read Students Learn Better». В этой конфигурации 10 слоёв, скрытый размер 128 и 2 attention-головы; модель содержит около 6,5 млн параметров и принимает последовательности длиной до 512 токенов. Доступны реализации PyTorch и Flax. Модель предназначена для задач понимания английского текста и может дообучаться для конкретных задач так же, как исходные модели BERT. Компактный размер подходит для сред с ограниченными вычислительными ресурсами; авторы отмечают, что особенно эффективно использовать её в дистилляции, перенося на неё метки, подготовленные более крупной и точной моделью. В README приведены результаты оценки семейства на GLUE, но отдельная строка для данной конфигурации в предоставленном тексте отсутствует. Модель является предобученным чекпойнтом компактной архитектуры BERT; её не следует считать готовой универсальной чат-моделью. Лицензия — Apache-2.0. Для использования следует учитывать англоязычную специализацию и меньшую ёмкость по сравнению с крупными BERT-моделями.

Карточка модели google/bert_uncased_L-6_H-128_A-2 на Hugging Face совпадает с карточкой google/bert_uncased_L-2_H-128_A-2, поэтому описание составлено по ней. google/bert_uncased_L-2_H-128_A-2 — компактная англоязычная модель BERT Miniatures от Google, описанная в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Это BERT с 2 слоями и скрытым размером 128; модель содержит около 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с маскированием WordPiece и предназначена для сред с ограниченными вычислительными ресурсами. Модель можно дообучать для задач понимания текста, таких как классификация и оценка сходства предложений. Авторы отмечают, что компактные модели особенно эффективны при дистилляции, когда метки для дообучения генерирует более крупная и точная модель-учитель. Доступны веса PyTorch, Flax и Safetensors. Модель рассчитана на английский язык. Её компактность снижает требования к вычислительным ресурсам, но качество может уступать более крупным моделям, а для прикладных задач обычно требуется дообучение или дистилляция. Лицензия — Apache-2.0.

Tejasw1/bge-base-case-law-v1 — англоязычная модель Sentence Transformers, дообученная разработчиком на датасете из 16 465 пар текстов для работы с материалами судебного права. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. Карточка приводит оценки на задачах информационного поиска, но не описывает их методику и не гарантирует качество на других коллекциях судебных документов. Модель принимает текст и выдаёт векторы признаков; для использования нужны совместимый ранжировщик или логика поиска. Лицензия — Apache-2.0.

Yuki20/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на финансовых текстовых парах от BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Модель построена на BERT, использует пулинг CLS-токена и нормализацию векторов. Размер эмбеддинга — 768, максимальная длина входа — 512 токенов; обучение проводилось на 6 300 примерах с MatryoshkaLoss и MultipleNegativesRankingLoss. В README приведены результаты поиска для выходных размерностей от 64 до 768, что позволяет выбирать компромисс между компактностью вектора и качеством. Модель предназначена прежде всего для англоязычного финансового поиска и сопоставления вопросов с фрагментами текста. Лицензия — Apache-2.0. Результаты в карточке измерены на указанных наборах оценки и сами по себе не гарантируют качество для других корпусов или языков.

SQAI разработала BGE base Financial Matryoshka — англоязычную sentence-transformers-модель, дообученную на базе SQAI/bge-embedding-model. Она использует архитектуру BERT с пулингом CLS-токена и нормализацией выходного вектора. Модель преобразует предложения и абзацы в плотные эмбеддинги размерности 384; максимальная длина входа — 512 токенов. Для сравнения векторов можно использовать косинусное сходство. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текста. В README приведён набор из 1 865 обучающих пар, связанных с атрибутами объектов уличного освещения; название указывает на финансовую направленность, однако описание и примеры датасета этого не подтверждают. В таблицах оценки retrieval для размерностей 768, 512, 256, 128 и 64 указаны нулевые значения accuracy@1, @3 и @5, поэтому заявленные возможности не следует считать подтверждёнными этими результатами. Модель распространяется по лицензии Apache-2.0.

dariolopez/bge-m3-es-legal-tmp-3 — модель Sentence Transformers, дообученная разработчиком на основе BAAI/bge-m3 для работы с испанскими текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразирований, кластеризации и классификации. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией векторов; максимальная длина последовательности — 8192 токена. Для сравнения векторов в карточке указана косинусная близость. Модель можно применять для семантического поиска по испанским документам и построения систем поиска и группировки текстов. Лицензия — Apache-2.0. Карточка называет модель специализированной для юридического испанского, однако приведённые сведения не описывают датасет или отдельную юридическую оценку, поэтому качество на конкретных юридических корпусах по ним установить нельзя.

Hygroskopisch/bge-m3-ifc-kbob-finetuned — дообученная компанией или автором Hygroskopisch модель BAAI/bge-m3 для поиска соответствий между метаданными элементов IFC и названиями материалов в каталогах типа KBOB. Она предназначена для поиска строительных материалов в рабочих процессах LCA и формирования списка кандидатов для последующей проверки человеком. Модель построена на XLM-RoBERTa и содержит 658,7 млн параметров. Она преобразует текст в эмбеддинги размерностью 1024; для сравнения используется косинусное сходство. Максимальная длина последовательности в README указана как 128 токенов, а в метаданных — контекст 8194 токена. Поддерживаются немецкий и английский языки; базовая BGE-M3 также является многоязычной. В тесте на 389 запросах Hit@1 составил 97,43% для обычных запросов, 88,43% для запросов с опечатками и 75,32% при пропуске атрибута. Результаты чувствительны к полноте атрибутов IFC: пропуск значений ухудшает ранжирование сильнее, чем опечатки, поэтому для важных назначений следует проверять несколько кандидатов и подтверждать выбор специалистом. Модель не предназначена для самостоятельных юридических, закупочных или критичных для безопасности решений и не заменяет экологические декларации. Лицензия — MIT.

Suchae/bge-m3-Korean-Judgment-Transducer-Verifier-v1.0 — модель Sentence Transformers на базе XLM-RoBERTa, предназначенная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерности 1024 и нормализует их; для сравнения используется косинусное сходство. Максимальная длина последовательности составляет 8192 токена, число параметров — около 658,7 млн. Модель можно применять для семантического поиска и оценки сходства текстов, поиска перефразирований, кластеризации и классификации текста. В названии указана специализация на корейских судебных документах, однако README не описывает обучающие данные или результаты в этой области. Карточка не называет автора, а метаданные не содержат сведений о базовой модели в поле base_models, поэтому происхождение модели и её лицензию установить по предоставленным данным нельзя.

mhaseeb1604/bge-m3-law — дообученная модель на базе BAAI/bge-m3 для оценки семантического сходства предложений и абзацев в юридических текстах на арабском и английском языках. Модель построена на sentence-transformers с архитектурой XLM-RoBERTa и содержит 658,7 млн параметров. Она преобразует текст в нормализованные плотные векторы размерностью 1024; заявленная длина последовательности — до 8192 токенов. Модель предназначена для семантического поиска, сравнения юридических фрагментов, кластеризации документов и извлечения релевантных материалов в двуязычных арабско-английских правовых корпусах. Для использования требуется библиотека sentence-transformers. Модель опубликована под лицензией, сведения о которой в предоставленных данных отсутствуют.

Модель gimhae-geunamja/bge-reranker-v2-m3-ko-public-admin разработана как дообученный корейский cross-encoder для переранжирования результатов поиска по муниципальным административным документам и административному праву. Она оценивает релевантность пары «запрос — документ» и выдаёт один числовой балл; обычно её применяют после этапа извлечения кандидатов поисковым или векторным ретривером. В основе лежит dragonkue/bge-reranker-v2-m3-ko — модель семейства XLM-RoBERTa с 658,7 млн параметров. Модель принимает текстовые пары, рассчитана прежде всего на корейский язык и имеет контекст до 8194 токенов по метаданным; авторская карточка указывает max_length 1024 для приведённого сценария и обучения. Обучение проводилось на парах из открытых наборов AI Hub по административным документам и административному праву. Модель особенно полезна для коротких запросов-ключевых слов в корейских административных поисковых системах, но заметно слабее на них, чем на полных вопросах; качество также может отличаться в общих доменах и на других языках. Она может переоценивать документы, совпадающие по теме, даже если не совпадают условия применимости, а качество на входах длиннее 1024 токенов не проверено. Распространяется по лицензии Apache-2.0; для обучающих данных дополнительно действуют условия AI Hub, включая запрет на перераспространение исходных данных.

Это компактная модель Sentence Transformers, дообученная Emerick Lafontaine на базе BAAI/bge-small-en-v1.5 для представления текстов в виде плотных эмбеддингов. Она построена на архитектуре BERT с пуллингом CLS и нормализацией векторов; размер модели — около 40 млн параметров, размерность эмбеддинга — 384, максимальная длина последовательности — 512 токенов. Модель рассчитана на англоязычные финансовые вопросы и фрагменты документов: в обучающем наборе из 8 457 пар вопрос–положительный фрагмент использованы примеры из финансовой отчетности и материалы для FinQA и TAT-QA. Эмбеддинги можно применять для семантического поиска релевантных фрагментов, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. Для сравнения предусмотрена косинусная близость. Лицензия в предоставленных данных не указана.