I.11Классификация, ранжирование и сопоставление

much1na/distil-cohere-v1-ckpt — дообученная модель Sentence Transformers на базе BERT google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BertModel с усредняющим pooling; сходство векторов можно оценивать косинусной мерой. Модель принимает только текст, поддерживает последовательности длиной до 512 токенов и содержит 40,8 млн параметров. В карточке указано обучение на наборе parquet из примерно 3,81 млн примеров, а метаданные описывают её как модель эмбеддингов. Базовая модель англоязычная, поэтому основное применение — представление английских текстов. Лицензия в доступных данных не указана.

mingbao2020/distilroberta-base-nli-adaptive-layer — модель Sentence-Transformers на базе RoBERTa, разработанная автором репозитория mingbao2020. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 95,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors. Обучение использует AdaptiveLayerLoss с MultipleNegativesRankingLoss, что позволяет получать представления предложений для задач поиска и сопоставления по смыслу. Модель предназначена для создания текстовых эмбеддингов; сведения о лицензии и конкретных поддерживаемых языках в доступных данных отсутствуют.

distiluse-base-multilingual-cased-v2 — модель Sentence Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 512 на основе архитектуры DistilBERT и предназначена для сравнения семантической близости текстов, семантического поиска и кластеризации. Модель поддерживает множество языков, включая русский, и может применяться для поиска похожих фраз и документов в многоязычных коллекциях. Максимальная длина контекста — 512 токенов. Доступны форматы PyTorch, safetensors, TensorFlow, ONNX и OpenVINO; лицензия — Apache-2.0. Модель выдаёт эмбеддинги, а не готовые ответы или метки. Качество поиска зависит от языка, предметной области и выбранного способа сравнения векторов; тексты длиннее контекстного окна ограничиваются доступной длиной.

Dmeta-embedding-zh — плотная модель эмбеддингов на архитектуре BERT, разработанная командой DMetaSoul. Она преобразует китайские и английские тексты в векторы для семантического поиска, сопоставления предложений и других задач, основанных на близости текстовых представлений. Модель предназначена для поиска, вопросно-ответных систем, интеллектуальной поддержки клиентов и приложений с дополненной генерацией по поиску (RAG); поддерживает интеграцию через Transformers, Sentence-Transformers и LangChain. В модели 129,5 млн параметров, размерность эмбеддингов — 768, а контекстное окно составляет до 1024 токенов. В README заявлены обучение на разнообразных слабых и размеченных парах, включая данные из нескольких предметных областей, и оптимизация для задач поиска. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Результаты MTEB, приведённые в карточке, относятся к опубликованной оценке 2024 года; фактическое качество может зависеть от данных и сценария применения.

Marqo Stella v2 — модель для получения текстовых эмбеддингов и оценки сходства между предложениями. В карточке она описана как близкая к исходной Dunzhang Stella 400M, но с объединённым Matryoshka-слоем: он позволяет получать эмбеддинги меньшей размерности с меньшими вычислительными затратами, сохраняя метрики релевантности. Модель содержит 433,9 млн параметров, поддерживает контекст до 8192 токенов и распространяется в форматах PyTorch и Safetensors. Модель подходит для семантического поиска, сопоставления запросов с документами и поиска похожих текстов. В метаданных указан pipeline sentence-similarity, а среди возможностей — embeddings. Лицензия — MIT. README не уточняет поддерживаемые языки или специализированные области применения.

mouped/duplicate-detection — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, предназначенная для поиска семантически похожих текстов и обнаружения дубликатов. Модель кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Архитектура включает BERT, усредняющий pooling и нормализацию эмбеддингов. Модель принимает текст, поддерживает многоязычные сценарии и рассчитана на последовательности длиной до 512 токенов. В README приведена оценка на задаче классификации дубликатов обращений в поддержку; также указано обучение на 67 265 парах текстов с ContrastiveLoss. Лицензия в предоставленных данных не указана.

upskyy/e5-base-korean — многоязычная модель Sentence Transformer, разработанная upskyy на основе intfloat/multilingual-e5-base и дообученная на korsts и kornli. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и других задач, где требуется сопоставлять смысл текстов. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; для сходства используется косинусная мера. Модель содержит 305,2 млн параметров, максимальная длина последовательности — 514 токенов по метаданным. Поддерживает корейский и другие языки, перечисленные в метаданных. Лицензия — MIT.

YarKo69/e5-base-retrievers — модель Sentence Transformers, дообученная автором на базе intfloat/multilingual-e5-small. Она использует архитектуру BERT и преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; для сравнения предусмотрена косинусная близость. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Её можно применять, например, для построения векторного поиска по коллекции документов или сопоставления запросов с подходящими фрагментами. Карточка не содержит сведений о специальной отраслевой настройке или лицензии.

Карточка модели vectoriseai/e5-base-v2 на Hugging Face совпадает с карточкой intfloat/e5-base-v2, поэтому описание составлено по ней. E5-base-v2 — англоязычная модель эмбеддингов текста, разработанная Liang Wang, Nan Yang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 12 слоёв, размерность эмбеддинга 768, около 136,7 млн параметров. Модель принимает текст и выдаёт векторные представления для сравнения предложений и поиска по смыслу. Модель подходит для семантического сходства, поиска документов и пассажей, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Для асимметричного поиска рекомендуется добавлять к запросам префикс «query: », а к документам — «passage: »; для сходства и других симметричных задач используется префикс «query: ». Контекст ограничен 512 токенами, длинные тексты обрезаются; модель предназначена только для английского языка. Лицензия — MIT.

Yash911/e5-finetuned — модель Sentence Transformer на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. В README указано, что модель дообучена на 50 000 примерах; метаданные указывают 433,9 млн параметров и библиотеку sentence-transformers. Для сопоставления векторов используется косинусное сходство, а максимальная длина входной последовательности составляет 512 токенов. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Входом служит текст, результатом — векторные эмбеддинги. В карточке не заявлена специализация по языкам или предметной области. Модель распространяется по лицензии MIT.

E5-large — англоязычная модель текстовых эмбеддингов, разработанная авторами проекта E5 и обученная методом слабоконтролируемого контрастивного предобучения. Она построена на архитектуре BERT, содержит 24 слоя и 433,9 млн параметров; размер эмбеддинга — 1024. Модель принимает текст и выдаёт векторные представления для сравнения смысловой близости и поиска. Модель подходит для семантического поиска, извлечения фрагментов по запросу, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач используется «query: » перед обоими текстами. Максимальная длина входа — 512 токенов. Модель работает только с английскими текстами. Тексты длиннее лимита обрезаются, а для более высокой точности авторы рекомендуют перейти на e5-large-v2. Лицензия — MIT.

seongil-dn/e5-large-neg-v0-bs64-1000 — модель Sentence Transformer, дообученная разработчиком на базе intfloat/multilingual-e5-large. Она использует XLM-RoBERTa-large, среднее объединение токенных представлений и нормализацию, чтобы преобразовывать предложения и абзацы в плотные векторы размерностью 1024. В README указана максимальная длина последовательности 512 токенов; метаданные указывают контекст 514 токенов. Векторы предназначены для сравнения косинусным сходством. Модель подходит для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и извлечения признаков для классификации текстов. Базовая модель многоязычная, поэтому модель рассчитана на работу с несколькими языками; конкретные языки в карточке не перечислены. Репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

E5-large-v2 — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 24 слоя и размерность эмбеддинга 1024. Общее число параметров — 433,9 млн, максимальная длина входа — 512 токенов. Модель преобразует тексты в векторы для семантического поиска, сопоставления запросов и документов, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричного сравнения обычно используют «query: » перед обоими текстами. Модель предназначена только для английских текстов; более длинные входы обрезаются до 512 токенов. При использовании косинусного сходства важнее относительный порядок оценок, чем их абсолютные значения. Расхождения в версиях PyTorch и Transformers могут вызывать небольшие различия результатов. Лицензия — MIT.

E5-Mistral-7B-Instruct-Embedding-GGUF — модель для создания текстовых эмбеддингов, основанная на intfloat/e5-mistral-7b-instruct. Модель разработана intfloat, а GGUF-квантизация выполнена Second State Inc. Она предназначена для задач семантического поиска, сопоставления текстов, кластеризации и построения retrieval-систем. В README указана поддержка английского языка и текстовая модальность. Модель доступна в нескольких вариантах квантизации GGUF с разрядностью от 2 до 8 бит, а также в формате f16; размер файлов составляет примерно от 2,72 до 14,5 ГБ. Рекомендуемыми названы варианты Q4_K_M, Q5_K_M и Q5_K_S, обеспечивающие баланс между размером и потерей качества. Контекстное окно — 4096 токенов. Для запуска через LlamaEdge требуется версия 0.8.2 или новее и шаблон prompt типа embedding. Более сильная квантизация уменьшает размер и требования к ресурсам, но может заметно снижать качество эмбеддингов; для малых вариантов в README отмечены существенные потери качества. Лицензия — MIT.

E5 Multilingual FrenchBoost v1 — многоязычная модель эмбеддингов предложений, разработанная AurelPx на основе intfloat/multilingual-e5-base. Она предназначена прежде всего для семантического поиска и ранжирования франкоязычных текстов, сохраняя возможности исходного многоязычного пространства E5. Модель построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт эмбеддинги. Для запросов и документов рекомендуется использовать префиксы «query:» и «passage:». Модель подходит для поиска по коллекциям документов, оценки сходства предложений, переранжирования результатов, кластеризации и обнаружения дубликатов. Внутренняя оценка на 25 задачах MTEB(fra)-safe v2 показала средний результат 0,5636; авторы отдельно отмечают, что это оценка разработки, а не заявление о превосходстве над современными моделями. Модель выпущена под лицензией MIT. Это первая версия модели. Валидация пока ограничена внутренним бенчмарком; авторы планируют проверить устойчивость на более широком наборе задач, особенно для поиска, кластеризации и классификации пар.

E5-small-unsupervised — англоязычная модель эмбеддингов текста семейства E5, разработанная авторами работы Text Embeddings by Weakly-Supervised Contrastive Pre-training. Это версия E5-small без контролируемого дообучения; архитектура основана на BERT и содержит 12 слоёв, размер эмбеддинга — 384, число параметров — около 40 млн. Модель преобразует текстовые запросы и документы в векторы для поиска и сопоставления предложений. Она подходит для семантического сходства, поиска фрагментов в системах вопросно-ответного поиска, поиска перефразирований, кластеризации и использования эмбеддингов как признаков классификации. Для корректной работы следует добавлять префиксы «query: » и «passage: » в соответствии со сценарием; для симметричного сходства используется «query: » для обоих текстов. Модель принимает только английский текст, а последовательности длиннее 512 токенов обрезаются. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — MIT.

E5-small-v2 — англоязычная модель текстовых эмбеддингов, представленная авторами Liang Wang, Nan Yang и соавторами. Она основана на архитектуре BERT и обучена с помощью слабоконтролируемого контрастивного предобучения. Модель содержит около 40 млн параметров, 12 слоёв и формирует векторы размерности 384; максимальная длина входа — 512 токенов. Модель предназначена для поиска текстов по смыслу, сопоставления предложений и оценки семантического сходства. Для асимметричного поиска следует добавлять к запросам префикс «query: », а к документам — «passage: »; для симметричного сходства, кластеризации и использования эмбеддингов как признаков рекомендуется префикс «query: ». Модель принимает английский текст и выдаёт векторные представления. Доступны веса в форматах PyTorch, safetensors, TensorFlow, ONNX и OpenVINO. Она работает только с английскими текстами, а входы длиннее 512 токенов обрезаются. Лицензия — MIT.

Карточка модели vectoriseai/e5-small-v2 на Hugging Face совпадает с карточкой intfloat/e5-small-v2, поэтому описание составлено по ней. E5-small-v2 — англоязычная модель текстовых эмбеддингов, представленная авторами Liang Wang, Nan Yang и соавторами. Она основана на архитектуре BERT и обучена с помощью слабоконтролируемого контрастивного предобучения. Модель содержит около 40 млн параметров, 12 слоёв и формирует векторы размерности 384; максимальная длина входа — 512 токенов. Модель предназначена для поиска текстов по смыслу, сопоставления предложений и оценки семантического сходства. Для асимметричного поиска следует добавлять к запросам префикс «query: », а к документам — «passage: »; для симметричного сходства, кластеризации и использования эмбеддингов как признаков рекомендуется префикс «query: ». Модель принимает английский текст и выдаёт векторные представления. Доступны веса в форматах PyTorch, safetensors, TensorFlow, ONNX и OpenVINO. Она работает только с английскими текстами, а входы длиннее 512 токенов обрезаются. Лицензия — MIT.

E5-small-v2-t2t — нидерландская адаптация модели intfloat/e5-small-v2, созданная с помощью transtokenizer на основе токенизатора BERTje. Модель использует архитектуру BERT и содержит 39,9 млн параметров; она преобразует текст в эмбеддинги для семантического поиска, сопоставления предложений и оценки их сходства. Подходит для поиска и ранжирования текстов на нидерландском языке, а также для задач извлечения признаков и группировки текстов. Максимальная длина контекста — 512 токенов. Выпускается под лицензией MIT.

echo-clip — модель семейства CLIP, опубликованная пользователем mkaichristensen на Hugging Face и предназначенная для классификации изображений без примеров обучения. Она сопоставляет изображение с текстовыми описаниями классов и позволяет выбирать наиболее подходящие метки; репозиторий поддерживает загрузку через OpenCLIP. Конфигурация указывает на визуальный энкодер ConvNeXt-Base и размерность эмбеддингов 512. Модель принимает изображения и текстовые метки или описания, а результатом служат оценки соответствия, пригодные для ранжирования кандидатов. Карточка не сообщает размер модели в параметрах, контекст или список поддерживаемых языков. Репозиторий распространяется по лицензии MIT.

Eklav-14B-Reranker — плотная языковая модель семейства Qwen3 на 14 млрд параметров, разработанная для ранжирования текстовых пассажей. Это дообучение Qwen/Qwen3-14B методом Eklav: при обучении модель продолжает частичный след рассуждений учителя и самостоятельно выводит ответ, вместо того чтобы воспроизводить полный след рассуждений. По карточке модели, на BRIGHT она показала преимущество в 7% по nDCG@10 относительно стандартного обучения на полных следах рассуждений при снижении вычислений на обучение на 24%; результаты получены в одном оценочном запуске для каждого домена. При использовании модель оценивает релевантность пары «запрос — пассаж»: генерирует рассуждение с итогом true или false, а релевантность определяется по логитам конечного токена. На этапе применения подсказка учителя не используется. Модель рассчитана на текстовый ввод и выдаёт текстовое рассуждение и оценку релевантности. Используется библиотека Transformers, формат весов — safetensors; базовая модель имеет контекст до 40 960 токенов. Лицензия в предоставленных данных не указана.

lewispons/email-classifiers — модель на базе BERT, созданная с помощью Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель подходит для семантического поиска, кластеризации и сопоставления текстов, в том числе для группировки и поиска похожих электронных писем. Модель содержит 25,9 млн параметров, работает с текстом и поддерживает контекст длиной до 512 токенов. В карточке указано обучение с функцией потерь CosineSimilarityLoss. Доступны веса PyTorch; лицензия в предоставленных данных не описана.

rithwik-db разработал sentence-transformers-модель на базе BERT для преобразования предложений и абзацев в плотные векторы размерности 1024. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства; для получения эмбеддингов можно использовать Sentence-Transformers либо Transformers с подходящей операцией pooling. Контекст ограничен 512 токенами. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

sbeiruty/embeddingFT — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию. Модель предназначена для семантического поиска и сравнения текстов, а также для поиска перефразировок, кластеризации и классификации текста. Модель принимает текстовые последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Она поддерживает несколько языков благодаря мультиязычной базовой модели. В README описано дообучение на 2 119 парах предложений с функцией потерь MultipleNegativesRankingLoss; близость векторов можно сравнивать косинусной мерой. Для использования требуется библиотека Sentence Transformers. В карточке указана лицензия, допускающая применение модели в соответствии с её условиями. Информации о конкретных ограничениях качества или целевых предметных областях в предоставленных данных нет.

EmbeddingGemma — компактная модель эмбеддингов от Google DeepMind на 302,8 млн параметров, построенная на текстовой архитектуре Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы размерности 768; размер можно сократить до 512, 256 или 128 с помощью Matryoshka Representation Learning. Модель рассчитана на контекст до 2048 токенов и обучалась на данных более чем на 100 языках. Модель предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации текстов. Её небольшой размер подходит для развёртывания на телефонах, ноутбуках и настольных компьютерах с ограниченными ресурсами. В README указано использование через Sentence Transformers и Transformers. Качество зависит от охвата и особенностей обучающих данных; модель может хуже улавливать нюансы, сарказм и переносный смысл, а смещения в данных могут отражаться в эмбеддингах. Репозиторий распространяется по лицензии Gemma; следует учитывать условия использования и политику допустимого применения Gemma.

EmbeddingGemma 300M 4bit — модель для создания текстовых эмбеддингов, представленная сообществом mlx-community и конвертированная в формат MLX из модели Google embeddinggemma-300m-qat-q4_0-unquantized. Она предназначена для задач семантического сравнения предложений, поиска, кластеризации, классификации, reranking, retrieval и суммаризации. Модель имеет размер 300 млн параметров и использует 4-битное квантование. Она работает с текстом и возвращает нормализованные векторные представления, для сравнения которых можно применять скалярное произведение. README не указывает поддерживаемые языки и максимальную длину контекста. Для разных задач предусмотрены специализированные текстовые префиксы, включая sentence similarity, search result, clustering, classification и summarization. К сильным сторонам относятся компактный размер, сниженное потребление памяти благодаря 4-битному представлению и интеграция с экосистемой MLX через библиотеку mlx-embeddings. Ограничения включают отсутствие в README подробностей о языковом охвате, контексте, качестве на бенчмарках и совместимости за пределами MLX. Для использования требуется принять лицензию Google Gemma на Hugging Face; точные условия лицензии Gemma следует проверить отдельно.

mlx-community/embeddinggemma-300m-bf16 — текстовая модель эмбеддингов семейства EmbeddingGemma, разработанная сообществом mlx-community на основе google/embeddinggemma-300m и конвертированная в формат MLX с использованием mlx-lm. Модель основана на текстовой архитектуре Gemma 3, содержит около 302,8 млн параметров и предназначена для работы через библиотеку sentence-transformers и инструменты MLX. Модель преобразует предложения и документы в нормализованные векторные представления, пригодные для вычисления семантического сходства, поиска, кластеризации, классификации, извлечения информации и переранжирования результатов. README содержит специализированные префиксы заданий для sentence similarity, retrieval, clustering, classification, reranking, summarization и других сценариев. Максимальная длина контекста составляет 2048 токенов. К сильным сторонам относятся компактный размер, нормализованные эмбеддинги и адаптация к различным задачам с помощью task-specific prefixes, а также оптимизация для экосистемы MLX. Ограничения включают контекст в 2048 токенов и зависимость от MLX-инструментов для описанного способа запуска; поддерживаемые естественные языки в предоставленных данных не определены. Для использования требуется принять лицензию Google Gemma; лицензия модели — gemma.

VinitT/Embeddings-Trivia — англоязычная модель Sentence Transformer, дообученная разработчиком на наборе trivia-qa-triplet на основе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384; архитектура включает BERT-энкодер, усреднение токенных представлений и нормализацию. Для сравнения векторов подходит косинусное сходство. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и подготовки признаков для классификации. В README приведена точность cosine accuracy 0,834 на оценке TripletEvaluator с trivia_qa_eval. Модель принимает текст и выдаёт векторы; она обучена на англоязычных данных и не предназначена для генерации ответов. Сведения о лицензии в предоставленных источниках отсутствуют.

Это англоязычная модель Sentence Transformers, дообученная Sandeep Aggarwal на базе BAAI/bge-large-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 1024, пригодные для сравнения по косинусному сходству. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текста. Обучение с TripletLoss на примерах anchor, positive и negative адаптирует эмбеддинги для сопоставления текстов. Поддерживается английский язык. Лицензия Apache-2.0.

uaritm/enukruvie — многоязычная модель эмбеддингов на базе XLM-RoBERTa, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов. Модель поддерживает английский, украинский, русский и вьетнамский языки. README указывает на обучение с MSELoss и набором ParallelSentencesDataset в метаданных. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers требуется самостоятельно выполнить pooling контекстных представлений. Лицензия — MIT. README также упоминает предыдущую версию без вьетнамского языка и более новую модель с его поддержкой.