I.11Классификация, ранжирование и сопоставление

KGESH/nsfw-bge-m3-v6c — текстовая Sentence Transformer-модель на архитектуре XLM-RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска и сравнения текстов по косинусному сходству; контекст — до 8194 токенов. Модель обучена на 214 парах предложений с OnlineContrastiveLoss. Подходит для семантического поиска и оценки близости коротких текстов, в том числе терминов сексуальной тематики. При обучении различались близкие и несвязанные пары, поэтому качество на широких или иных тематических задачах может быть ограничено. В метаданных указана лицензия?

ODSBahia-PTBR — модель классификации текстов, разработанная в рамках академического исследования в Федеральном университете Южной Баии, Бразилия. Она присваивает текстам категории, связанные с 17 Целями устойчивого развития ООН, а также с тремя дополнительными целями: расовое равенство, искусство, культура и коммуникация, права коренных народов и традиционных сообществ. Модель построена на BERT и дообучена на базе neuralmind/bert-base-portuguese-cased на специально собранных для этой задачи данных. Она рассчитана на португальский язык, имеет контекст до 512 токенов и доступна в формате safetensors; лицензия — MIT. В README приведены метрики на наборе OSDG-CD: accuracy 0,98, precision 0,89, recall 0,70 и F1 0,79.

Это модель SetFit, созданная Gentilrenard на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и дообученная на комментариях Le Monde о Украине из набора gentilrenard/lmd_ukraine_comments. Она предназначена для классификации текста на три класса: Sentence Transformer формирует представление текста, а классификационную головку реализует LogisticRegression. Модель обучена методом few-shot с контрастивным дообучением Sentence Transformer и последующим обучением классификатора. Архитектура основы — XLM-RoBERTa; размер составляет 305,2 млн параметров, нативный контекст — 514 токенов, а README указывает максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт метки классов; также доступно извлечение признаков и поддерживается оценка сходства предложений. Примеры меток и обучающие данные указывают на французский язык. В README приведена точность 0,7626 на тесте, но состав разбиения и подробная методика оценки не описаны. Лицензия — Apache-2.0.

Ishannaik/pixafind-minilm-tuned — англоязычная дообученная модель на базе all-MiniLM-L6-v2 для семантического поиска по личным документам: налоговым формам, письмам о пособиях, страховым и финансовым бумагам. Модель использует плотный BERT-энкодер и создаёт векторы предложений; её можно применять для поиска документов по запросам, сформулированным своими словами, и сравнения текстов. Контекст составляет 512 токенов, размер — 25,9 млн параметров. Дообучение проводилось на синтетических запросах к фрагментам общедоступных документов правительства США, без использования пользовательских данных. В описанной проверке модель повысила точность поиска относительно исходной all-MiniLM-L6-v2 на наборе перефразированных запросов; для корпуса технических заметок разработчиков качество осталось на прежнем уровне. Репозиторий содержит веса Safetensors и экспорты ONNX, включая динамически квантованный вариант. Модель распространяется по лицензии Apache-2.0.

pko-t5-base — корейская языковая модель семейства T5 v1.1, разработанная PAUST. Она обучена на корейских текстах из Namuwiki, Википедии и корпуса 모두의말뭉치 с помощью задачи span corruption без учителя. Для токенизации применяется BBPE без OOV-токенов; модель доступна для работы через Transformers как T5ForConditionalGeneration. Модель служит базой для дообучения под конкретные задачи обработки корейского текста, включая классификацию, семантическую оценку, распознавание именованных сущностей, анализ отношений, синтаксический разбор и ответы на вопросы. В README приведены результаты одноцелевого дообучения на наборах KLUE. Размер в метаданных указан как 137,8 млн параметров; README приводит для версии base другое значение — 250 млн. Лицензия — CC BY 4.0.

PrismNLI-0.4B — англоязычная модель Jaehun для вывода по естественному языку и классификации без дополнительного обучения. Она дообучена на 515 тысячах синтетических примеров датасета PrismNLI, созданных с помощью Qwen2.5-72B-Instruct; исходной моделью послужила microsoft/deberta-v3-large-zeroshot-v2.0. Архитектура — DeBERTa V3 Large для классификации последовательностей, размер — 533,8 млн параметров, максимальный контекст — 512 токенов. Модель проверяет, следует ли гипотеза из посылки: метка 0 означает entailment, а метка 1 — not-entailment. Такой формат позволяет использовать её как классификатор с заданными пользователем категориями: категории формулируются как гипотезы, а модель оценивает их соответствие входному тексту. README сообщает о результатах на восьми бенчмарках NLI, но не приводит чисел для этой версии в доступной таблице. Модель предназначена для англоязычных текстовых задач и распространяется по лицензии CC. Для надёжных результатов следует формулировать категории как проверяемые утверждения; качество на других языках и за пределами NLI и zero-shot классификации в карточке не подтверждено.

lzjever/pullot_qa_legal — модель на архитектуре BERT, опубликованная в формате PyTorch и подготовленная с помощью Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. В обучении применялась MultipleNegativesRankingLoss с косинусным сходством. Модель предназначена для поиска и сопоставления текстов, в том числе вопросов и ответов в юридических материалах, что следует из названия репозитория; README описывает её общие сценарии работы с эмбеддингами. Размер модели — 129,5 млн параметров, контекст — до 512 токенов. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

rd211/Qwen3-1.7B-Instruct — дообученная модель классификации текста на архитектуре Qwen3, основанная на Qwen/Qwen3-1.7B. Веса представлены в формате safetensors; модель содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для классификации текста. Метаданные также отмечают интерфейсы диалога и вызова инструментов, однако конкретные сценарии их применения в карточке не описаны. Базовая Qwen3-1.7B — компактная многоязычная языковая модель для генерации текста, диалогов, рассуждений, кода и выполнения инструкций. Лицензия — Apache-2.0. README не содержит подробностей о данных обучения и оценке качества, поэтому надёжность классификации для конкретных задач по карточке определить нельзя.

npc0/qwen3-embedding-rerank-projection — экспериментальная проекционная голова, дообученная автором репозитория на замороженных эмбеддингах Qwen/Qwen3-Embedding-0.6B. Она преобразует векторы размерности 1024 в нормализованные векторы размерности 256, пригодные для ранжирования документов по скалярному произведению. Модель предназначена для повторного ранжирования кандидатов семантического поиска: документы можно заранее закодировать, а затем сопоставлять с запросами по векторам. README приводит оценку на BEIR-nq с кандидатами BM25: nDCG@10 0,4354. Данные обучения преимущественно китайские, также использовались MS MARCO и NQ; проверка на BEIR-nq проводилась на английском. Модель основана на Qwen3-Embedding-0.6B и использует многослойную проекционную голову с нормализацией, ReLU и dropout. Это дообученный артефакт в формате safetensors, распространяемый по лицензии Apache-2.0. Проекция сжимает представление с потерями и ограничена информацией о релевантности, уже содержащейся в сходстве исходных эмбеддингов.

LorMolf/Qwen-Embedding-ProcCode — модель текстовых эмбеддингов, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска по материалам итальянских государственных закупок. Она принимает запросы в формате «Instruct: \nQuery: » и текст документов без префикса инструкции, преобразуя их в представления для семантического поиска и извлечения релевантных материалов. Для обучения применялись LoRA и функция потерь InfoNCE; контекст обучения и оценки составлял до 32 768 токенов. Модель ориентирована на retrieval по статьям, исходным документам и узлам вики, связанным с закупками. В метаданных указаны архитектура Qwen3, около 507,6 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

QZhou-Embedding-Zh — модель эмбеддингов Kingsoft-LLM для китайского языка, построенная на архитектуре Qwen3-8B. Она предназначена для поиска по смыслу, ранжирования, оценки семантического сходства и других задач понимания китайских текстов. Для получения векторов используется pooling последнего токена; поддерживается MRL с размерностями 128, 256, 512, 768, 1024, 1280, 1536 и 1792, причём размерность по умолчанию — 1792. В обучении применён Token Prepending, а контекст модели составляет до 40960 токенов. Модель показывает улучшения на китайском бенчмарке CMTEB в задачах поиска, семантического сходства, кластеризации, классификации пар и переранжирования. Она распространяется в формате safetensors по лицензии Apache-2.0. README рекомендует запуск через sentence-transformers; результаты и качество на других языках и вне указанных сценариев в карточке не описаны.

RankVideo — мультимодальная модель для повторного ранжирования результатов текстового поиска по видео, разработанная авторами работы RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval. Она дообучена на основе Qwen/Qwen3-VL-8B-Instruct и анализирует пары «запрос — видео», чтобы оценить релевантность ролика запросу с учётом его содержания. Модель предназначена для улучшения выдачи в системах поиска видео по текстовому описанию: она принимает текстовый запрос и видео, а затем выдаёт оценку релевантности. Архитектура — плотная Qwen3-VL с 8 млрд параметров; карточка указывает английский язык и библиотеку Transformers. Обучение проводилось на MultiVENT 2.0 и RankVideo-Dataset. RankVideo распространяется по лицензии MIT. Она специализирована на ранжировании пар «текст — видео»; карточка не описывает качество на разных наборах данных и языках, поэтому результаты могут зависеть от предметной области и формата поиска.

RelBERT на базе roberta-base — модель, разработанная для представления и анализа семантических отношений между понятиями. Она дообучена на relbert/conceptnet_relational_similarity и содержит около 151,8 млн параметров; модель принимает текст и выдаёт признаки, используемые для сравнения отношений. Контекст составляет до 514 токенов. Модель подходит для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, BLESS, EVALution и других; качество зависит от набора данных и задачи. Модель распространяется в формате PyTorch, пользоваться ею можно через библиотеку relbert. Лицензия в предоставленных сведениях не указана.

saad592/results — дообученная модель DistilBERT для классификации текста, основанная на distilbert/distilbert-base-uncased. Репозиторий использует Transformers и хранит веса в формате safetensors; лицензия — Apache-2.0. Максимальная длина контекста составляет 512 токенов. Модель предназначена для присвоения тексту метки из набора классов, заданного при обучении. В README приведены результаты на оценочной выборке: accuracy 0,9892, precision 0,9928, recall 0,9262 и F1 0,9583. Датасет, набор меток и предметная область не описаны, поэтому эти показатели нельзя переносить на другие данные без проверки.

RelBERT — дообученная на базе roberta-large модель для получения текстовых эмбеддингов, ориентированных на понимание семантических отношений между словами и понятиями. Её обучили с помощью библиотеки RelBERT на наборе relbert/semeval2012_relational_similarity. Модель предназначена для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+ и ROOT09; точность на наборе аналогий Google составляет 0,924, а micro F1 на K&H+ — 0,962. Архитектура — RoBERTa, размер — 454,1 млн параметров, максимальная длина контекста — 514 токенов. Репозиторий содержит веса PyTorch; модель можно использовать через библиотеку RelBERT. Модель принимает текст и предназначена для извлечения признаков, в частности в задачах семантического анализа отношений. Данные не подтверждают поддержку конкретных естественных языков. Сведения о лицензии в предоставленных источниках отсутствуют.

ruri-v3-30m (ONNX) — это ONNX-версия модели cl-nagoya/ruri-v3-30m, опубликованная пользователем sirasagi62. Исходную модель разработала исследовательская группа CL Research Group in Nagoya, Japan. Модель предназначена для построения векторных представлений японских текстов и задач семантического поиска, сравнения сходства, классификации, кластеризации и retrieval. Модель основана на архитектуре ModernBERT-Ja и оформлена как Sentence Transformer с mean pooling. Она содержит около 37 млн параметров, формирует embeddings размерностью 256 и поддерживает последовательности до 8192 токенов. Основной язык — японский. Для разных сценариев предусмотрены префиксы для обычного семантического кодирования, тематического анализа, поисковых запросов и документов. ONNX-репозиторий содержит варианты модели с разными форматами и уровнями квантования, включая FP16, INT8, UINT8 и Q4. Сильные стороны модели — небольшой размер, длинный контекст, высокая специализация на японских текстах и возможность локального запуска через ONNX Runtime или Transformers.js. Ограничение состоит в том, что это не генеративная языковая модель и она ориентирована прежде всего на японский язык; для многоязычных корпусов её пригодность может быть ниже. Модель и ONNX-версия распространяются по лицензии Apache 2.0.

Японская модель Sentence Transformer, разработанная kushalc1 на основе sbintuitions/sarashina-embedding-v2-1b и дообученная на датасете JSTS для сравнения смысловой близости текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1792 и использует косинусное сходство; архитектура включает трансформер Llama с pooling по последнему токену. Контекст — до 8192 токенов. Обучение с MatryoshkaLoss позволяет усекать векторы до 1280, 768, 256 или 64 измерений, сохраняя близкое качество на приведённых тестах JSTS. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации, классификации текста и оценки сходства японских текстов. В README приведены результаты Spearman для сходства текстов: 0,7435 при 1792 измерениях и 0,7389 при 64. Поддержка других языков не заявлена. В метаданных указан формат safetensors; лицензия не предоставлена.

PrashantG6838/setfit_category_model_new3 — модель классификации текста на базе SetFit, построенная на дообученном sentence-transformers/all-MiniLM-L6-v2 с классификатором LogisticRegression. Она относит текст к одному из трёх классов: «Challenge» (проблема или препятствие), «Solution or Action» (решение или действие) и «Other» (прочее). Модель предназначена для few-shot классификации коротких сообщений и высказываний, в том числе о трудностях и действиях, связанных с образованием. В основе модели — энкодер семейства BERT с 25,9 млн параметров; заявленная длина контекста в метаданных — 512 токенов. README указывает максимальную длину последовательности 256 токенов. Веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

kornwtp/simcse-model-phayathaibert — модель эмбеддингов предложений на архитектуре CamemBERT, обученная разработчиком с помощью SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 304,7 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Модель подходит для поиска семантически близких текстов на тайском языке и группировки предложений по смыслу. Доступны веса PyTorch; лицензия — Apache-2.0. Ограничения: карточка сообщает об обучении на тайской Википедии, поэтому пригодность для других языков и доменов не подтверждена.

SqueezeBERT — предварительно обученная англоязычная модель семейства BERT, разработанная Forrest Iandola и соавторами. Она обучена на BookCorpus и англоязычной Википедии с задачами masked language modeling и sentence order prediction; регистр букв не учитывается. Модель использует плотную архитектуру SqueezeBERT: полносвязные слои BERT-base заменены групповыми свёртками. В репозитории указано 136,7 млн параметров и контекст длиной до 512 токенов. Модель предназначена для последующего дообучения под задачи понимания английского текста, включая классификацию и задачи набора GLUE. Авторы сообщают, что SqueezeBERT работает в 4,3 раза быстрее BERT-base-uncased на смартфоне Google Pixel 3. Это предварительно обученная базовая модель без тонкой настройки под конкретную задачу, поэтому для готовой классификации обычно потребуется дообучение. Лицензия — BSD.

Squirtle — компактная модель эмбеддингов на архитектуре BERT, созданная Mihaiii дистилляцией bge-base-en-v1.5. Она предназначена прежде всего для семантического автодополнения, а также может использоваться для сравнения сходства предложений и извлечения признаков текста. Модель содержит 16,4 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Для получения эмбеддингов в сценарии semantic-autocomplete README рекомендует использовать CLS-пулинг и нормализацию; модель также доступна в форматах Safetensors и ONNX. Лицензия — MIT. README не приводит оценок качества или подробностей о поддерживаемых языках; название базовой модели указывает на англоязычное назначение.

thomaskim1130/stella_en_1.5B_v5-FinanceRAG — англоязычная Sentence Transformer-модель, дообученная разработчиком thomaskim1130 на базе NovaSearch/stella_en_1.5B_v5 для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. Модель основана на архитектуре Qwen2, содержит 1,5 млрд параметров и рассчитана на контекст до 131 072 токенов по метаданным. В описании Sentence Transformers для этой версии указана максимальная длина последовательности 512 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации. Название указывает на применение в Finance RAG, однако README не описывает конкретные финансовые данные или сценарии. Доступна в формате safetensors; для использования подходят библиотека Sentence Transformers и инфраструктура text-embeddings-inference. Результаты приведённой оценки информационного поиска низкие, поэтому качество для целевых данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

StructBERT — англоязычная предварительно обученная модель семейства BERT, разработанная командой AliceMind. Она расширяет предварительное обучение BERT двумя дополнительными задачами, которые учитывают порядок слов и структуру предложений. Эта копия не является официальной карточкой AliceMind. Модель построена на архитектуре BERT-large и содержит 433,9 млн параметров по метаданным репозитория; в README для исходной версии указано 340 млн. Контекст — до 512 токенов. Модель предназначена для заполнения замаскированных токенов и как базовая модель для последующего дообучения на задачах понимания английского текста; README приводит результаты на GLUE. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана. Карточка описывает также китайскую версию семейства, но данный репозиторий представляет английскую модель. Результаты бенчмарков относятся к указанным конфигурациям и не гарантируют качество на иных данных.

josedossantos/tree-txtEmenta-legalbert — модель на базе BERT, опубликованная в формате safetensors и использующая библиотеку Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения сходства. Обучение с ContrastiveLoss на косинусном расстоянии нацелено на получение полезных представлений для сравнения текстов. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Название репозитория указывает на связь с юридическими текстами, однако README не описывает конкретные юридические задачи, обучающие данные или поддерживаемые языки. Лицензия в предоставленных сведениях не указана.

victormuryn/use-token-shuffle-no-pt — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она использует архитектуру XLM-RoBERTa и формирует векторные представления предложений. Модель обучена на украинском корпусе UberText 2.0 с контрастивной целью и аугментацией перемешиванием токенов без pool targets; она входит в исследовательскую коллекцию вариантов обучения украинских эмбеддингов. Модель предназначена для получения эмбеддингов украинских текстов, которые можно применять для семантического сравнения и поиска. Параметров — 305,2 млн, контекст — до 514 токенов. Лицензия Apache-2.0. Карточка описывает экспериментальную стратегию обучения, но не приводит сравнительных оценок качества или результатов тестирования.

VibeVoice-Embed — отдельный акустический энкодер из Microsoft VibeVoice-1.5B, опубликованный lemuriandezapada. Модель принимает аудио с частотой 24 кГц и возвращает вектор голоса размерности 64: латентные кадры причинного VAE усредняются, а для детерминированного результата используется среднее распределения. Веса энкодера перенесены из исходного чекпойнта без изменений; модель содержит 344 млн параметров и хранится в формате safetensors. Энкодер предназначен для получения голосовых эмбеддингов, которые можно использовать для сравнения голосов, ранжирования похожих записей и кластеризации говорящих. В README сообщаются результаты разделения говорящих на контролируемом наборе синтетической речи и совместимость с аудио-эмбеддингами моделей VibeVoice 1.5B и 7B. Для сравнения рекомендуется нормализовать векторы и использовать косинусное сходство или эквивалентную метрику. Проверка проводилась на синтетических записях одного TTS-движка, поэтому качество на реальной речи и при разных каналах записи не подтверждено. Эмбеддинги не обеспечивают надёжный универсальный порог принятия решения «тот же или другой говорящий»; лучше применять их для ранжирования и кластеризации. Лицензия — MIT.

ViCLIP-L-14-BVD-V-50M-s50M-b32K-WiSE-FT — модель сопоставления видео и текста на архитектуре ViCLIP с визуальным энкодером ViT-L/14. Её разработчик — LAION; модель получена слиянием чекпойнта ViCLIP-L-14-BVD-V-50M-s50M-b32K и инициализационного чекпойнта CLIP-ViT-L-14-DataComp.XL-s13B-b90K с коэффициентом WiSE-FT α = 0,1. Она обучена на BVD-V-55M и доступна через Transformers. Модель предназначена для исследовательских экспериментов с классификацией видео без дообучения, поиском соответствия между видео и текстом, изучением представлений видео, а также как основа для линейного пробинга или дообучения под прикладные задачи. В README приведены результаты на Kinetics-400, UCF-101, HMDB51, MSR-VTT и MSVD. Поддерживается английский язык; применение для других языков выходит за рамки заявленного назначения. Модель не предназначена для наблюдения и распознавания лиц, а перед внедрением требуется тщательная проверка на целевых данных. Лицензия — MIT.

Карточка модели hoangnb/vietnamese-bi-encoder на Hugging Face совпадает с карточкой bkai-foundation-models/vietnamese-bi-encoder, поэтому описание составлено по ней. 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.

Vietnamese_Embedding_fast — модель эмбеддингов на базе Sentence Transformers, разработанная Nguyễn Nho Trung и Nguyễn Nhật Quang и дообученная на BAAI/bge-m3. Она предназначена для поиска релевантных документов по запросам на вьетнамском языке, включая семантический поиск и ранжирование кандидатов по сходству. Для обучения использовано около 300 тысяч троек «запрос — положительный документ — отрицательный документ». Модель имеет архитектуру XLM-RoBERTa, содержит 658,7 млн параметров, выдаёт векторы размерности 1024 и использует скалярное произведение для оценки сходства. В README указана максимальная длина последовательности 2048 токенов, а метаданные указывают нативный контекст 8194 токена. В README модель показала более высокие значения Accuracy@1 и MRR@10, чем BGE-M3 и Vietnamese-bi-encoder (BKAI), на наборе Legal Zalo 2021, который, согласно карточке, не использовался при обучении. Это результат на конкретном наборе данных, и он не гарантирует такое же качество на других задачах или корпусах. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Vietnamese_Reranker — переранжировщик на основе Sentence Transformers, разработанный AITeamVN и дообученный на BAAI/bge-reranker-v2-m3. Он предназначен для повышения качества поиска на вьетнамском языке: модель оценивает релевантность документов запросу и помогает переставить найденные результаты в более полезном порядке. Для обучения использовано около 1,1 млн триплетов «запрос — релевантный документ — нерелевантный документ». Архитектура основана на XLM-RoBERTa и классификаторе последовательностей; модель содержит 658,7 млн параметров. В README указана максимальная длина последовательности 2304 токена, а метаданные каталога указывают контекст 8194 токена. Лицензия — Apache 2.0. Модель рассчитана прежде всего на вьетнамский поиск и ранжирование, включая оценку результатов для юридических запросов. В README приведена оценка на датасете Legal Zalo 2021, который не использовался при обучении: Accuracy@1 — 0,7944, MRR@10 — 0,8672. Показатели на этом наборе не гарантируют аналогичного качества в других областях; ограничения длины из README следует учитывать при обработке длинных запросов и документов.