I.11Классификация, ранжирование и сопоставление

meet5568/bhash_finetune_phaseB — модель Sentence Transformer на архитектуре BERT, обученная разработчиком meet5568 для представления предложений и абзацев в виде плотных векторов размерностью 768. Она предназначена для измерения семантического сходства, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Для сравнения векторов в карточке рекомендована косинусная близость; модель рассчитана на последовательности до 512 токенов согласно метаданным Hugging Face. В README описано обучение на 3 200 примерах с TripletLoss и максимальной длиной входа 400 токенов. Векторы можно использовать в системах поиска, группировки и классификации текста. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

meet5568/bhash_finetune_phaseB_v2 — модель Sentence Transformer на архитектуре BERT, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для оценки семантического сходства, семантического поиска и других задач сопоставления текстов. Модель использует mean pooling и косинусное сходство; обучалась с TripletLoss на наборе из 3 200 примеров. Максимальная длина последовательности по README — 400 токенов, а метаданные указывают контекст до 512 токенов. Векторы модели можно применять для поиска перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Указанные сценарии предполагают текстовый ввод и векторный вывод. Язык обучающих данных и специализация по конкретным предметным областям в карточке не раскрыты. Лицензия в предоставленных данных не указана.

BiCA-small — модель Sentence Transformers, дообученная bisectgroup на базе thenlper/gte-small для получения эмбеддингов предложений и абзацев. Она использует архитектуру BERT с mean pooling и нормализацией, содержит около 40 млн параметров и преобразует текст в плотные векторы размерности 384; сходство можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Карточка описывает англоязычные данные и поддержку английского языка. Для работы нужны текстовые входы; результат — векторные представления, пригодные для сравнения и последующей обработки. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Lajavaness/bilingual-embedding-base — модель эмбеддингов предложений, разработанная Lajavaness для английского и французского языков. Она основана на XLM-RoBERTa и реализована как SentenceTransformer: использует усреднение токенов, затем нормализует векторы. Модель содержит 305,2 млн параметров и кодирует предложения в 1024-мерное векторное пространство; максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для сравнения семантической близости предложений, семантического поиска, кластеризации текстов и ранжирования похожих фраз на английском и французском. Обучение включало данные SNLI/XNLI и STS Benchmark для обоих языков, а также дообучение с аугментацией пар предложений. Репозиторий использует формат safetensors и лицензию Apache-2.0.

blink-4b — дообученная Govind модель для быстрых структурированных решений по тексту и JSON-состоянию. Она оценивает предложенные варианты в форматах choice, yes/no или упорядоченной шкалы и возвращает вероятность для каждого ответа вместо свободно сгенерированного текста; несколько вопросов об одном состоянии можно обработать за один проход. Модель основана на текстовой части Qwen3.5-4B: плотная архитектура с 32 декодерными слоями, из которых 24 используют Gated DeltaNet, а 8 — полное внимание. Обучение выполнено с LoRA ранга 16; в опубликованной версии около 4,2 млрд параметров, формат весов — bf16 SafeTensors, контекст — до 262 144 токенов. Основные сценарии — маршрутизация запросов, проверки с ответом «да/нет», ранжирование вариантов и выбор действия в последовательности компьютерного интерфейса. Карточка описывает эксперименты с управлением десятью приложениями и оценкой на размеченных скриншотах; для визуального ввода требуется отдельно подключить совместимый vision tower Qwen, поскольку сами веса blink-4b содержат только текстовую часть. Модель предназначена для английского языка. Вероятности условны относительно предложенных вариантов и не являются гарантией правильности; заявленные результаты — внутренние показатели разработки, а не официальная оценка на бенчмарке. Лицензия обозначена как other, конкретные условия следует проверять в карточке репозитория.

Luong23/bmg-m3-finetune-embedding — дообученная модель Sentence Transformer на базе BAAI/bge-m3, предназначенная для получения плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; архитектура включает XLM-RoBERTa, CLS-пулинг и нормализацию, а сходство оценивается косинусной мерой. В метаданных указана длина контекста 8194 токена, однако карточка модели задаёт максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. В примерах обучающих данных есть короткие запросы и подробные описания товаров на вьетнамском языке, но это не подтверждает, что модель рассчитана только на него. Модель принимает текст и выдаёт векторы; опубликована в формате safetensors. Условия лицензии в предоставленных данных не указаны.

AronowLab разработала sentence-transformers-модель bond-embed-v1-fp16 для получения плотных векторных представлений предложений и абзацев. Модель основана на BERT с 50,3 млн параметров; среднее объединение токенных представлений формирует эмбеддинг размерности 384. Максимальная длина входа — 1024 токена, для сравнения используется косинусное сходство. Модель обучена на 1 441 905 парах текстов с функцией CachedMultipleNegativesRankingLoss. Её можно применять для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В карточке приведена оценка на owl_ontology_eval: cosine_accuracy@1 — 0,6303, @3 — 0,8148, @5 — 0,8775. Языки обучения и область применения в карточке не обозначены, поэтому нельзя считать показатели универсальными для других корпусов. Доступна в формате safetensors; сведения о лицензии не предоставлены.

Это модель Sentence Transformers на базе yahyaabd/bps-custom-tokenizer-paraphrase-multilingual-MiniLM-L12-v2, дообученная разработчиком yahyaabd на наборе statictable-triplets-all. Архитектура основана на BERT и содержит около 124,8 млн параметров. Модель кодирует предложения и абзацы в плотные векторы размерностью 384; максимальная длина входа — 512 токенов. Для сравнения векторов предусмотрена косинусная близость. Модель предназначена для семантического поиска и сопоставления текстов: поиска похожих фрагментов, подбора перефразировок, кластеризации и использования в качестве признаков для классификации текста. Обучающие примеры — запросы и связанные с ними положительные и отрицательные тексты; в README приведены примеры на индонезийском языке. Доступна в формате safetensors, библиотека — sentence-transformers. Условия лицензии в предоставленных данных не указаны.

brazembed-pt-br-sts — компонент системы BrazEmbed-PT-BR от tardellirs, предназначенный для вычисления семантического сходства предложений на бразильском португальском. Это дообученная модель SentenceTransformer на базе BERTimbau Base с архитектурой BERT; её размер составляет 136,1 млн параметров, а контекст ограничен 512 токенами. Модель формирует эмбеддинги с mean pooling и L2-нормализацией, без префикса инструкции. Модель подходит для оценки близости предложений, поиска семантически похожих текстов и ранжирования кандидатов по сходству. В README для системы BrazEmbed-PT-BR приведён результат MTEB(por) mean_16 0,6567 и заявлено первое место в классе моделей около 100 млн параметров; это системный показатель, а не отдельная оценка данного компонента. Распространяется по лицензии MIT.

CALE-XLM-R — модель Sentence-Transformers на базе FacebookAI/xlm-roberta-large, дообученная для преобразования текста в плотные векторы размерности 1024. Она предназначена для поиска семантически близких текстов, кластеризации и вычисления сходства предложений. Модель принимает текст и формирует эмбеддинги; мультиязычная базовая XLM-RoBERTa поддерживает 100 языков. Контекст модели составляет 514 токенов. Репозиторий распространяется по лицензии Apache-2.0.

OpenMOSS-Team/claif-scaled-roberta-base — модель эмбеддингов предложений и абзацев на архитектуре RoBERTa, опубликованная OpenMOSS-Team. Она преобразует текст в плотные векторы размерности 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и работает с английским языком. Обучение с CosineSimilarityLoss ориентировано на получение векторов, пригодных для оценки сходства текстов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Это модель OpenCLIP, опубликованная LAION e.V. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на этих метках. Архитектура — CLIP с визуальным энкодером ViT-L/14; модель обучена на наборе CommonPool-XL без фильтрации, в рамках серии DataComp XL. В опубликованных сведениях указаны 12,8 млрд шагов обучения и размер пакета 90 тысяч. Модель принимает изображения и текстовые подписи, кодирует их в совместимые векторы и позволяет оценивать сходство. Её можно применять для классификации по произвольным текстовым классам и поиска соответствия между изображением и подписью. Опубликована под лицензией MIT. Численные результаты для вариантов CommonPool XL приведены на ImageNet в документации OpenCLIP; показатели других задач из этого не следуют.

czl/CLM-v0.1-8B-MLX — версия контрастивной модели CLM-v0.1-8B, подготовленная для запуска через MLX на Apple Silicon. Это модель семейства Qwen3 с плотной архитектурой, примерно 7,6 млрд параметров и контекстом до 40 960 токенов. Вариант bf16 служит эталоном для сравнения квантованных версий; README описывает кодирование текста и ранжирование кандидатов по эмбеддингам. Модель предназначена для сравнения кандидатов, ранжирования вариантов и оценки действий в агентных сценариях. Она использует last-token pooling для получения 4096-мерных эмбеддингов и применяет стек проекционных голов; оценки вероятностей зависят от набора кандидатов. Карточка сообщает об оценке на 23 926 вопросах и о сравнении результатов разных разрядностей с эталоном bf16. Это ранжировщик, а не генеративная модель: выходная проекция lm_head при pooling не используется. Проекционные головы привязаны к эмбеддингам Qwen3-8B размерности 4096, а ошибки косинусного сходства усиливаются в 100 раз в стеке голов. Лицензия — Apache-2.0; запуск рассчитан на MLX и Apple Silicon.

nickprock/cross-encoder-italian-bert-stsb — модель на основе архитектуры BERT, обученная с помощью класса Cross-Encoder библиотеки Sentence Transformers. Она оценивает семантическое сходство пары предложений на итальянском языке, выдавая оценку от 0 до 1; обучалась на итальянском переводе набора STS Benchmark, обозначенном в метаданных как stsb_multi_mt. Модель содержит 137,1 млн параметров и принимает пары текстов длиной до 512 токенов контекста. Модель подходит для ранжирования результатов поиска по смысловому сходству и сравнения итальянских предложений. В отличие от двухбашенных энкодеров, Cross-Encoder совместно обрабатывает оба текста, поэтому оценка относится к конкретной паре и может использоваться для переранжирования кандидатов. Базовая модель — dbmdz/bert-base-italian-uncased. Распространяется по лицензии MIT.

ml6team разработала эту модель как дообученный cross-encoder на базе distilbert-base-multilingual-cased. Она оценивает пары «запрос — абзац» и подходит для переранжирования результатов поиска: каждому кандидату модель присваивает оценку релевантности. Модель обучалась один проход на MMARCO — машинно переведённой версии MS MARCO; для оценки использовали 2000 абзацев.

semaj83/ctmatch-retriever-v2 — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, разработанная semaj83. Это текстовый BERT-энкодер для поиска релевантных предложений и абзацев: он преобразует текст в плотные векторы размерностью 384 и подходит для семантического retrieval и сравнения текстов по косинусному сходству. В модели используются mean pooling и нормализация векторов. Модель обучена на 4 830 парах текстов с MultipleNegativesRankingLoss. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README заявлен максимум 256 токенов, поэтому для практического использования следует учитывать лимит 256 из карточки модели. Поддерживается текстовый ввод, выходом служат векторы для поиска и ранжирования по близости. Лицензия в предоставленных данных не указана.

MohammadKhodadad/CTMEDGTE7_encoder — дообученная модель Sentence Transformers на базе skyfury/CTMEDGTE-cl7-step_6000. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по смыслу с помощью косинусного сходства. Архитектура основана на BERT с усреднением токенных представлений; модель рассчитана на последовательности длиной до 512 токенов по метаданным Hugging Face, а в конфигурации из README указано ограничение 256 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации текстов и подготовки признаков для классификации. В метаданных указан объём 136,7 млн параметров и формат safetensors. Сведения о поддерживаемых естественных языках и лицензии в доступных данных отсутствуют.

Это дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения семантической близости, поиска похожих текстов и кластеризации. Архитектура включает BERT-трансформер и усреднение токенных представлений; сходство оценивается косинусной метрикой. Модель дообучена на 1 800 парах текстов с ContrastiveLoss. Примеры обучающих данных и название модели указывают на акцент на текстах на хинди. Максимальная длина последовательности в конфигурации README — 128 токенов; метаданные указывают контекст до 512 токенов. Для сопоставления текстов следует учитывать предел 128 токенов из описания Sentence Transformers. Размер модели — 124,3 млн параметров; формат весов — safetensors. Лицензия в предоставленных данных не указана.

ivvvvvi/cv_embedder — модель Sentence Transformers на архитектуре Qwen3, дообученная разработчиком на базе Qwen/Qwen3-0.6B. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска и сравнения текстов; близость оценивается косинусным сходством. В карточке указаны текстовые входы и длина последовательности до 1024 токенов; метаданные сообщают нативный контекст базовой модели в 40960 токенов, но README модели задаёт более короткий предел для её использования. Модель подходит для построения семантического поиска и извлечения релевантных текстов. Обучение описано на 2890 парах предложений с оценками сходства; архитектура использует pooling по последнему токену. Метаданные указывают 507,9 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

Lauther/d4-embeddings-v3.0 — модель Sentence Transformer, разработанная Lauther и дообученная на базе intfloat/multilingual-e5-large-instruct на наборе d4-embeddings-triplet_loss из 4 151 обучающего примера. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерностью 1024; сходство между ними можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, усредняющий пулинг токенов и нормализацию векторов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Она поддерживает последовательности длиной до 512 токенов (514 токенов по метаданным) и может применяться в многоязычных сценариях, унаследованных от базовой модели E5. Доступны форматы safetensors и ONNX; для использования подходит библиотека Sentence Transformers. Лицензия в предоставленных данных не указана. Дообучение на 4 151 примере может ограничивать обобщение за пределами распределения данных; сведения о конкретных языках и результатах оценки качества отсутствуют.

Moritz Laurer дообучил DeBERTa-v3-large от Microsoft для задач вывода по тексту (NLI) и классификации без заранее заданного набора классов. Модель сопоставляет текст с предложенными категориями и оценивает их соответствие; также её можно применять для определения логического следования, противоречия или нейтральности между посылкой и гипотезой. Дообучение проведено на 885 242 парах из MultiNLI, Fever-NLI, ANLI, LingNLI и WANLI. Архитектура — DeBERTa-v2 для классификации последовательностей, размер — 533,8 млн параметров, контекст — до 512 токенов. Карточка указывает английский язык. По оценкам автора, модель показала высокие результаты на этих наборах данных, в том числе на состязательном ANLI. Модель принимает текст и выдаёт метки и оценки классов. Результаты зависят от формулировок текста и кандидатов категорий, а модель может воспроизводить смещения обучающих данных. Для работы с актуальными версиями Transformers в README рекомендуется версия 4.13 или новее. Лицензия — MIT.

Decision-1.0-Kai-0.6B — модель принятия решений из линейки Open Decision Foundation Models от llm-semantic-router. Она совместно анализирует контекст, вопросы и описания вариантов, чтобы выбирать действие или категорию, оценивать истинность условия и выставлять оценки по упорядоченной шкале. Результаты выдаются структурированно, с распределениями вероятностей; модель не генерирует текстовый ответ.

Decision-2.0-Nox-4B — модель принятия решений семейства Decision 2.0, разработанная командой vLLM Semantic Router и дообученная на базе Qwen/Qwen3.5-4B-Base. Она принимает текст или JSON вместе с вопросами и одновременно выбирает один из вариантов, отвечает «да» или «нет» либо выставляет оценку. Для каждого ответа модель возвращает вероятность; вместо генерации обычного текста она выполняет классификацию за один проход. Модель содержит 4,21 млрд параметров и поддерживает контекст до 16 384 токенов. Модель подходит для маршрутизации запросов, выбора действий или вариантов, проверки условий и оценивания входных данных. В карточке сообщается о результатах на JevArena и сравнении с моделями того же размера, а также о медианной задержке 12,9 мс на один вопрос при работе на одном GPU; эти показатели зависят от условий оценки и оборудования. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0.

DeCLUTR-base — модель для получения универсальных векторных представлений предложений, разработанная авторами работы «DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations». Она предназначена для сравнения смысловой близости текстов и других задач, где нужны эмбеддинги предложений. Модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Она принимает текст и выдаёт векторные представления; в README показано использование SentenceTransformers для кодирования предложений и вычисления косинусной близости. Модель рассчитана на английский язык, её контекст составляет 514 токенов. Лицензия — Apache-2.0.

gubartz/dense_model — модель на базе BERT, опубликованная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Число параметров — 137,1 млн, максимальная длина контекста — 512 токенов; модель работает с текстом и выдаёт эмбеддинги. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для поиска текстов по смыслу и группировки похожих предложений или документов. В карточке не названы обучающие данные и поддерживаемые естественные языки, поэтому нельзя установить языковую специализацию или качество на конкретных языках. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

kardosdrur/dfm-sentence-encoder-large-v1 — sentence-transformers модель на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. Её можно применять для поиска семантически близких текстов, кластеризации и других сценариев сравнения текстов по смыслу. Модель содержит 453,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. В карточке нет сведений о целевых языках, поэтому языковую специализацию определить нельзя. Для использования доступны PyTorch и библиотеки Sentence-Transformers или Hugging Face Transformers; при работе через Transformers необходимо применить соответствующую операцию pooling. Лицензия в предоставленных данных не указана.

DistilBart-MNLI-12-1 — сжатая модель на архитектуре BART, опубликованная Valhalla. Она предназначена для классификации текста по заданным пользователем меткам без обучения отдельного классификатора под каждую категорию: модель сопоставляет текст с гипотезами о его содержании и оценивает их правдоподобие. В карточке Hugging Face основная задача обозначена как zero-shot-классификация. Модель содержит 252,8 млн параметров и имеет контекст до 1024 токенов. По README, это дистилляция bart-large-mnli: использованы чередующиеся слои исходной модели и дополнительное дообучение на тех же данных MNLI. Для варианта 12-1 указана точность 87,08% на matched и 87,5% на mismatched части оценки MNLI; это ниже базовой bart-large-mnli, но README характеризует снижение как небольшое. Репозиторий содержит веса PyTorch и Flax. Модель принимает текст и возвращает оценки соответствия между ним и предложенными метками или гипотезами. Её можно применять для тематической сортировки обращений, маршрутизации текстов по категориям и предварительной разметки документов. Карточка не сообщает лицензию и не уточняет языки обучения или качество на других наборах данных; результат зависит от формулировки меток и гипотез.

Это модель Sentence Transformers на базе DistilBERT, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель может использоваться в поисковых системах и других сценариях, где нужно находить тексты со схожим смыслом. Модель принимает текст и выдаёт векторные представления. Длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache 2.0.

Это модель sentence-transformers на архитектуре DistilBERT, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска, группировки похожих текстов и оценки сходства предложений в многоязычных сценариях. В названии и обучении указаны multilingual NLI, STS-B и Quora Ranking; README не перечисляет конкретные поддерживаемые языки. Для использования необходима совместимая среда Sentence Transformers либо корректная операция pooling при работе через Transformers. Лицензия — Apache-2.0.

m3hrdadfi/distilbert-zwnj-wnli-mean-tokens — модель на базе DistilBERT для получения векторных представлений предложений и оценки их сходства. Карточка рекомендует использовать её с библиотекой Sentence-Transformers либо применять pooling к контекстным представлениям токенов при работе через Transformers. Модель подходит для сравнения предложений и поиска текстов, близких по смыслу. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Лицензия и языки модели в предоставленных данных не указаны.