I.11Классификация, ранжирование и сопоставление

NexteraBERT-Mezzoforte-220M-1.3B-en — англоязычный двунаправленный энкодер семейства NexteraBERT, опубликованный независимым исследователем RikkaBotan. Модель содержит 353,6 млн параметров по метаданным; в README для описываемого варианта указано 212,6 млн параметров. Это отдельный запуск модели, обученный предсказывать замаскированные токены на 1,3 млрд токенов, а не промежуточный чекпойнт версии, обученной на 130 млрд токенов. Архитектура включает 18 блоков с несколькими типами смешивания токенов: линейный по длине входа SnowLily, скользящее внимание с окном 256 токенов, полное внимание и внимание по группам токенов. Основной сценарий — предсказание пропусков в тексте; энкодер также можно дообучить для классификации. README приводит результаты GLUE и MTEB v2, но указывает, что другие варианты NexteraBERT с большим бюджетом предобучения показывают лучшие результаты. Для поиска и оценки сходства модель сначала нужно дообучить, например контрастивным обучением; классификационная голова требует обучения. Репозиторий использует Transformers и PyTorch, веса доступны в форматах PyTorch и safetensors. Лицензия — MIT. В README рекомендуется загружать модель с trust_remote_code=True; для этого требуется выполнять код репозитория при использовании этой опции.

NexteraBERT-Mezzoforte-220M-en — англоязычный двунаправленный энкодер семейства NexteraBERT, разработанный независимым исследователем RikkaBotan. В репозитории указано 212,6 млн параметров, а метаданные Hugging Face сообщают 353,6 млн; архитектура состоит из 18 блоков с несколькими типами смешивания токенов: линейным SnowLily, скользящим вниманием, полным вниманием и NexteraHRA. Модель предобучена методом masked language modeling на 130 млрд токенов; максимальная длина обучения составляла 8 192 токена. Метаданные не содержат значения длины контекста для инференса. Основной сценарий — восстановление замаскированных токенов. Энкодер также можно дообучать для классификации текста, разметки токенов, ответов на вопросы, задач с вариантами ответа, поиска и оценки сходства. Для поиска и сходства требуется отдельное дообучение: автор подчёркивает, что исходная модель не является готовой моделью эмбеддингов. В сравнительных оценках она показывает результаты, сопоставимые с ModernBERT-base на GLUE, MTEB и BEIR. Модель предназначена для английского языка и использует токенизатор ModernBERT с словарём из 50 368 токенов. Для загрузки пользовательского кода требуется trust_remote_code=True; автор сообщает о проверке с Transformers 5.12 и PyTorch 2.12. Лицензия — MIT.

nixiesearch/nixie-suggest-small-v1 — модель Sentence Transformers от Nixiesearch для поиска и сопоставления коротких пользовательских запросов с их полными вариантами. Она построена на E5-small-v2 и дообучена на синтетических примерах, имитирующих ввод подсказок: неполных слов, пропусков, перестановок и повторов букв, а также замен клавишами рядом на клавиатуре. Модель кодирует текст в плотные векторы размерности 384 и подходит для семантического поиска, подбора подсказок, кластеризации и оценки сходства. Архитектура — BERT; размер — около 40 млн параметров, контекст — до 512 токенов. Обучающие данные основаны на частотных английских словах и n-граммах. Модель асимметрична: для короткого неполного запроса используется префикс «query: », а для полного запроса или текста-кандидата — «passage: ». Модель рассчитана прежде всего на английские слова и короткие поисковые запросы с опечатками; качество на других языках README не подтверждает. Доступны веса PyTorch и ONNX. Условия лицензии в предоставленных данных не описаны.

sentence-transformers/nli-bert-base — модель Sentence Transformers, разработанная командой sentence-transformers и основанная на архитектуре BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска по смыслу и кластеризации текстов. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 512 токенов. Доступны варианты весов в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска, сопоставления предложений и группировки похожих текстов. В README указано, что качество её эмбеддингов низкое и модель устарела; авторы рекомендуют выбрать более новые модели Sentence Transformers. Лицензия — Apache-2.0.

sentence-transformers/nli-bert-large-max-pooling — модель sentence-transformers, обученная командой Sentence Transformers на основе архитектуры BERT. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель поддерживает получение эмбеддингов и оценку сходства предложений; доступна с библиотекой sentence-transformers и в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Максимальная длина контекста — 512 токенов. Лицензия Apache-2.0. Модель помечена авторами как устаревшая: качество её эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов. Карточка не указывает специальные языковые или предметные ограничения.

nomic-ai/nomic-bert-2048 — англоязычная модель семейства NomicBERT, разработанная Nomic AI и предварительно обученная на Wikipedia и BookCorpus. Это плотная BERT-архитектура для работы с последовательностями длиной до 2048 токенов; модель поддерживает задачу fill-mask и может служить основой для дообучения классификатора последовательностей и других задач понимания текста. В обучении используются Rotary Position Embeddings, позволяющие экстраполировать контекст, и активации SwiGLU; dropout отключён. В оценке на GLUE модель показала средний результат 0,84, сопоставимый с другими BERT-моделями, при более длинном контексте, чем у приведённых в карточке базовых моделей. Доступны веса PyTorch и Safetensors. Модель рассчитана на английский текст. Её можно дообучить для классификации текста, разметки токенов, ответов на вопросы и задач с выбором ответа. Это энкодер для понимания текста, а не генеративный чат-бот. Лицензия — Apache-2.0.

OBSIDIAN — модель классификации коротких текстов на арабском языке, разработанная в рамках проекта SoftALL в Университете нефти и минералов имени короля Фахда (KFUPM). Она дообучена на основе AraBERT и использует архитектуру BERT с классификационной головой; модель содержит 162,4 млн параметров и принимает до 512 токенов. Модель присваивает тексту одну из пяти меток: угроза, насилие, эмоциональное неблагополучие, жалоба или нейтральное содержание. Модель предназначена для классификации арабских твитов и коротких сообщений, мониторинга публичных обсуждений и поддержки систем раннего оповещения и аналитических панелей. Её можно применять для обработки отдельных текстов и пакетных наборов данных, а также как компонент систем ситуационной осведомлённости. Авторы рекомендуют использовать прогнозы как сигналы для поддержки решений с проверкой человеком. Качество может снижаться на длинных текстах, при смешении языков, OCR-ошибках, сарказме, неявных формулировках, локальных диалектах и данных, отличающихся от обучающих. Значения классов могут пересекаться, поэтому модель не подходит как единственное основание для правовых, дисциплинарных или иных высокорисковых решений. Лицензия в предоставленных источниках не указана.

OmniAlign — многоязычная модель выравнивания последовательностей от WPS-Qingqiu. Это энкодер Transformer архитектуры GTE/NEW на 305,3 млн параметров, дообученный на базе Alibaba-NLP/gte-multilingual-mlm-base. Модель предназначена для выравнивания предложений и слов в параллельных текстах на разных языках. Для выравнивания слов модель использует контекстные векторные представления токенов, а для выравнивания предложений кодирует тексты в общее векторное пространство. Обучение включало четыре этапа: предварительное обучение, обучение без учителя, обучение с учителем и дистилляцию. Поддерживается контекст до 8192 токенов; модель рассчитана, в частности, на пары китайский–английский, английский–испанский, итальянский, немецкий, французский и русский, а также немецкий–французский. Репозиторий содержит веса и конфигурации; для выполнения выравнивания нужны код и скрипты из связанного GitHub-репозитория. Модель распространяется по лицензии Apache-2.0.

PeroVazPT-BR Classifier — классификатор текста, разработанный на основе prajjwal1/bert-tiny и дообученный на датасете VeraCruz для различения европейского португальского и бразильского португальского. Модель использует архитектуру BERT и содержит 4,4 млн параметров; для входного текста поддерживает контекст до 512 токенов. Модель предназначена для определения варианта португальского языка в тексте. В README указано, что обучение проводилось на 500 тысячах сбалансированных примеров, а точность на выборке из 50 тысяч примеров составила 0,9461. Модель распространяется по лицензии MIT.

mljn/policy-vs-other-v2 — модель классификации текста, созданная дообучением XLM-RoBERTa-base. Она определяет, посвящён ли пост политической партии вопросу государственной политики («policy issue») или относится к другой категории («other»). Модель разработана для первого этапа двухэтапной классификации тем в наборе PartySOME: она отфильтровывает посты о митингах, мероприятиях, поздравлениях и личных темах, чтобы тематические классификаторы реже присваивали им нерелевантные темы. Модель обучена на 5 895 вручную размеченных публикациях партий из 18 европейских стран, написанных на исходных языках и собранных в Facebook, Instagram и Twitter. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 305,2 млн параметров, максимальный контекст — 514 токенов. На тестовой выборке из 884 постов точность составила 0,893; результаты различаются между странами и платформами. Модель предназначена прежде всего для публикаций европейских политических партий. Её качество на других видах политических текстов и в других регионах не проверялось; оценки по отдельным странам основаны примерно на 49 тестовых постах и носят ориентировочный характер. Разметка постов со смешанным содержанием может зависеть от субъективного решения. Лицензия в предоставленных данных не указана.

PubMedBERT Embeddings 1M — англоязычная модель статических плотных эмбеддингов для медицинских текстов, опубликованная NeuML. Это версия с сокращённым словарём: из PubMedBERT Embeddings 2M оставлена верхняя половина наиболее часто используемых токенов. Модель относится к семейству Model2Vec и может использоваться с txtai, Sentence-Transformers и Model2Vec. Модель предназначена для построения векторных индексов, семантического поиска и извлечения релевантных материалов для RAG по медицинским публикациям и другим текстам на английском языке. В README приведены результаты сравнения на наборах PubMed QA, PubMed Subset и PubMed Summary; авторы указывают на небольшой компромисс в качестве относительно исходной модели. Контекстная длина в метаданных каталога — до 1 000 000 токенов. Модель принимает текст и выдаёт векторные представления, применимые для сравнения сходства, поиска и кластеризации. Она ориентирована на медицинский текст и не предназначена для генерации ответов: качество результатов поиска зависит от корпуса, индексации и выбранного порога сходства. Лицензия — Apache-2.0.

KwangHwi/quantization — слитая методом SLERP модель на архитектуре LlamaBidirectionalModel, опубликованная в формате safetensors. По данным метаданных, она предназначена для извлечения признаков и эмбеддингов; размер составляет 1,2 млрд параметров, заявленная длина контекста — 131 072 токена. В объединение вошли два чекпойнта, указанные в карточке как модели для поиска по юридическим текстам и другие данные; их исходные идентификаторы относятся к внутренним путям, поэтому публичные репозитории базовых моделей установить нельзя. Модель можно применять для получения векторных представлений текста и задач поиска или ранжирования, где нужны признаки текста. Карточка не сообщает поддерживаемые естественные языки и условия лицензии; языковую специализацию и лицензионные условия по имеющимся данным определить нельзя.

cross-encoder/quora-roberta-large — англоязычная модель cross-encoder, разработанная на базе FacebookAI/roberta-large и обученная с помощью SentenceTransformers на датасете Quora Duplicate Questions. Она оценивает пару вопросов и выдаёт число от 0 до 1, отражающее вероятность того, что вопросы являются дубликатами. Модель предназначена для поиска повторяющихся вопросов и ранжирования кандидатов по вероятности дублирования. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текстовые пары; заявленный контекст составляет 514 токенов. Доступны веса в форматах PyTorch, Safetensors, ONNX, OpenVINO и Flax. Лицензия — Apache-2.0. Оценка ориентирована именно на дублирование, а не на общую семантическую близость: вопросы о том, как выучить Java и Python, могут получить низкий балл, хотя темы похожи. Качество вне задачи обнаружения дубликатов вопросов Quora не подтверждено.

RelBERT — модель для представления семантических отношений между словами и сущностями. Это дообученная на наборе relbert/t_rex_relational_similarity модель roberta-base с архитектурой RoBERTa и 151,8 млн параметров. Она принимает текст и формирует векторные представления, предназначенные для задач понимания отношений. Модель подходит для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, Google, T-Rex, BLESS, ROOT09 и других; качество различается в зависимости от набора данных. Контекст составляет до 514 токенов. Для использования автор рекомендует библиотеку relbert. Лицензия в предоставленных данных не указана.

PeytonT/repo-embedding — дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2, предназначенный для создания плотных векторных представлений репозиториев. Модель семейства BERT содержит 25,9 млн параметров и принимает текстовые данные; максимальная длина контекста — 512 токенов. Веса опубликованы в формате Safetensors. Модель создавалась как компонент Repository Library — исследовательской системы для индексации, поиска и сопоставления научных публикаций, их структурированного содержимого и репозиториев. Её векторы предназначены для поиска репозиториев и выравнивания связей между ними; далее их можно использовать в ранжировании и других сценариях этой системы. Обучающие данные сформированы из графа репозиториев и фрагментов кода конвейера Repository Library. В карточке указаны метрики recall@10 и ndcg@10, однако отдельный отчёт с результатами оценки не приведён. Производитель рекомендует проверять модель в целевом процессе перед развёртыванием; независимый аудит и заявления о безопасности не представлены. Лицензия в предоставленных данных не указана.

leomaurodesenv/roberta-base-answerable-or-not-augmented — модель классификации текста на основе RoBERTa-base, дообученная автором репозитория на неизвестном наборе данных. По названию модель предназначена для определения, является ли вопрос или запрос ответимым; в README приведены результаты оценки: точность 0,9221 и loss 0,2822. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текст длиной до 514 токенов. Базовая модель ориентирована на английский язык. Весовые файлы представлены в формате safetensors, библиотека — Transformers. Лицензия — MIT. README не раскрывает состав обучающих данных, точное определение классов и методику оценки, поэтому результаты нельзя напрямую переносить на другие данные или сценарии.

Это китайская модель RoBERTa-Base для классификации текста, дообученная командой UER с помощью UER-py на наборе Chinanews. В карточке показан пример классификации китайской новостной фразы с меткой «политика материкового Китая». Репозиторий содержит около 129,5 млн параметров; модель использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для определения тематических классов китайских новостных текстов. Её можно загружать через Transformers и использовать для автоматической тематической разметки новостных фрагментов. Обучающие наборы также включали китайские отзывы с метками тональности, однако этот конкретный чекпойнт обучен на Chinanews. В карточке не приведены метрики качества и перечень всех меток классов. Поддерживаются форматы PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Fannyjrd/roberta-bios — англоязычная модель классификации текста, разработанная на основе RoBERTa-base и дообученная для определения профессии по тексту биографии. Она принимает биографический текст и предсказывает метку профессии; обучение проводилось на исходной обучающей выборке LabHC/bias_in_bios. Модель использует архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и обрабатывает контекст длиной до 514 токенов. На исходной тестовой выборке BIOS указана точность 0,8689. Лицензия в предоставленных данных не указана.

Это модель RelBERT, созданная на основе roberta-large и дообученная библиотекой RelBERT на наборе relbert/semeval2012_relational_similarity. Она предназначена для получения векторных представлений слов и отношений между ними, чтобы использовать их в задачах понимания семантических отношений. Модель применима для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+ и ROOT09. Модель имеет архитектуру RoBERTa с 454,1 млн параметров, работает с текстом и поддерживает контекст до 514 токенов. Лицензия в предоставленных данных не указана.

RelBERT — модель на архитектуре RoBERTa large, дообученная авторами библиотеки RelBERT на наборе relbert/semeval2012_relational_similarity для представления семантических отношений между словами. Она преобразует текстовые входы в векторные признаки и предназначена для задач понимания отношений: решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+ и ROOT09; например, точность на Google составляет 0,86, а Micro F1 на BLESS — 0,919. Модель содержит 454,1 млн параметров, имеет контекст до 514 токенов и распространяется в формате PyTorch. Для использования README указывает библиотеку RelBERT. Поддерживаемый язык явно не перечислен, поэтому языки не указаны. Лицензия в предоставленных данных отсутствует.

cointegrated/rubert-tiny — компактная дистиллированная модель семейства BERT для русского и английского языков. Она содержит около 12,1 млн параметров, использует архитектуру BertForPreTraining и принимает последовательности длиной до 512 токенов. Модель обучалась с MLM-loss на корпусах Yandex Translate, OPUS-100 и Tatoeba; при обучении также применялись дистилляция от bert-base-multilingual-cased и функции потерь для ранжирования переводов и выравнивания предложений. Модель подходит для заполнения маскированных токенов и как компактная основа для дообучения на простых задачах NLU, например классификации тональности и распознавания именованных сущностей. Вектор представления [CLS] можно использовать как межъязыковое представление предложений на русском и английском языках. Она примерно в десять раз меньше и быстрее BERT базового размера, но уступает ему в точности; автор README рекомендует более новую rubert-tiny2 для лучшего качества на большинстве русскоязычных NLU-задач. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии MIT.

ScandiNLI Small — модель обработки естественного языка, разработанная AI Sweden и дообученная на базе jonfd/electra-small-nordic для вывода о логических отношениях между парами текстов на датском, норвежском букмоле и шведском языках. Она предназначена для Natural Language Inference (NLI): определения, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. В каталоге Hugging Face модель отмечена для zero-shot классификации; её также можно применять для классификации текста по заданным меткам. Модель использует компактную архитектуру ELECTRA и содержит 37,2 млн параметров. Максимальная длина контекста — 512 токенов; веса доступны в форматах PyTorch и Safetensors. Карточка приводит оценки на датских, шведских и норвежских тестовых наборах; авторы отмечают, что шведская и норвежская оценки основаны на машинном переводе MultiNLI, поскольку подходящих эталонных наборов им не известно. Лицензия — Apache-2.0.

SciEmbed-NoDAPT-CTX — англоязычная модель встраиваний научных документов из выпуска SciEmbed, разработанная авторами проекта, сведения о которых в карточке скрыты из-за двойного слепого рецензирования. Это дообученная контрастным обучением 149-миллионная encoder-модель ModernBERT-base; в рецепте обучения пропущен этап доменно-адаптивного MLM, а основным сигналом служили предложения с контекстом цитирования. Модель предназначена для получения векторных представлений научных текстов, в частности для поиска документов и оценки близости предложений. В карточке приведены результаты на SciRepEval: 66,7 ± 0,07 по общей метрике, включая 82,6 для поиска и 80,8 для близости. Контекст составляет до 8192 токенов. Модель распространяется в формате safetensors через Sentence Transformers по лицензии MIT.

SEA-CLIP-Tiny-abl-wit — экспериментальный вариант мультиязычной модели CLIP от автора fassabilf, опубликованный как строка абляции исследования SEA-CLIP-Tiny для ACCV 2026. Это модель сопоставления изображений и текста для классификации изображений по текстовым меткам без отдельного обучения на этих метках, а также для поиска изображений по описанию и описаний по изображению. Модель использует визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Токенизатор CLIP BPE имеет словарь из 49 408 токенов и контекст 77 токенов. Чекпойнт обучен только на данных WIT; в README указаны результаты retrieval R@1: 27,7 на WIT и низкая точность zero-shot ImageNet — 1,3%. Поддерживаются английский и ряд языков Юго-Восточной Азии, включая индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. Репозиторий использует open_clip и формат PyTorch, лицензия MIT.

STM — дообученная модель на основе Qwen3-0.6B, предназначенная для поиска и сопоставления биомедицинских текстов. Разработчики объединили четыре специализированных эксперта методом Linear, чтобы получить плотный ретривер для биомедицинского поиска. Модель содержит 507,9 млн параметров, построена на архитектуре Qwen3 и рассчитана на контекст до 40 960 токенов. Она принимает текст и предназначена для получения векторных представлений и оценки сходства предложений. Выпущена под лицензией Apache-2.0.

Style-Embedding — модель эмбеддингов предложений на базе RoBERTa, опубликованная Anna Wegmann. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по сходству, семантического поиска и кластеризации. Модель дообучена на наборе StyleEmbeddingData с Triplet Loss и косинусной метрикой расстояния, чтобы представления отражали стиль текста независимо от его содержания; в материалах автор предлагает название CISR — Content Independent Style Representations. Архитектура — RoBERTa с 151,8 млн параметров; модель принимает текст и выдаёт векторы. Максимальный контекст — 514 токенов. Указанные сценарии включают поиск и группировку текстов по стилевому сходству. Лицензия в предоставленных данных не описана.

Sandrro/text_to_function_v2 — дообученная модель классификации текста на базе cointegrated/rubert-tiny2, опубликованная на Hugging Face. Это модель BERT с 29 млн параметров, рассчитанная на классификацию последовательностей; в репозитории указаны веса PyTorch и контекст до 2048 токенов. Карточка сообщает F1 0,7937 и loss 1,0580 на оценочном наборе, но не описывает классы, датасет или предполагаемый сценарий классификации. Поэтому модель можно рассматривать для задач текстовой классификации после проверки на собственных данных. Лицензия — MIT.

shed-e/thucnews — модель классификации текста на базе hfl/rbt6, дообученная на наборе данных load_train. Это модель BERT с архитектурой BertForSequenceClassification, содержащая 72,8 млн параметров и принимающая последовательности длиной до 512 токенов. На оценочной выборке указаны loss 0,3191 и accuracy 0,9433. Модель предназначена для отнесения текста к классам. Название репозитория указывает на связь с THUCNews, однако карточка не описывает набор меток, состав данных или конкретные сценарии классификации. Лицензия — Apache-2.0.

TinyJev 4B v2 — модель Анкита с открытыми весами, дообученная на базе Qwen3.5-4B для принятия решений по тексту. Она предназначена для интерфейса decision API в Ollama 0.35.1 и новее: модель получает текст документа и вопрос с заданными вариантами ответа, затем оценивает каждый вариант и возвращает вероятности без поясняющего текста. Окно контекста — 16 тысяч токенов, поэтому в один запрос могут помещаться длинные документы, например договоры и цепочки писем. Архитектура — плотная Qwen3.5 на 4 млрд параметров; доступны веса Safetensors и GGUF в вариантах Q4_K_M и Q8_0. Модель подходит для классификации по заданным вариантам, проверки положений договора и других задач, где требуется выбрать один из допустимых ответов. В опубликованных тестах она показывает результаты, сопоставимые с Tev1 на коротких запросах и лучшие результаты на длинных договорах, однако эти оценки относятся к наборам тестов, описанным автором. Измеренная слабость — многошаговые рассуждения о датах и числах. Для использования в Ollama требуется версия 0.35.1 или новее. Лицензия модели — Apache-2.0; в карточке также указаны источники обучающих данных и их лицензии.

trakad-embed-v2 — Hakan Sabuniş разработал модель эмбеддингов для семантического поиска по турецкой академической литературе. Это дообученная версия sentence-transformers/paraphrase-multilingual-mpnet-base-v2: её обучали на 633 тысячах пар заголовок–аннотация турецких диссертаций с подбором сложных отрицательных примеров по тематике и contrastive loss. Модель построена на XLM-RoBERTa, содержит 305,2 млн параметров и преобразует текст в 768-мерные векторы; для сравнения используется косинусное сходство. Контекст — до 514 токенов. Модель предназначена прежде всего для поиска релевантных научных работ и извлечения документов в RAG-системах на турецком языке. В оценке для TürkResearcher сообщается о росте точности цитирования на 9,9% и faithfulness на 7,8% относительно базовой модели, а для категории компьютерных наук — о приросте 42,6%. Эти результаты относятся к описанному в карточке RAG-сценарию. Модель распространяется под лицензией Apache-2.0; для обучения использованы аннотации диссертаций YÖK с лицензией CC-BY-4.0.