I.11Классификация, ранжирование и сопоставление

Карточка модели RedHatAI/e5-mistral-7b-instruct на Hugging Face совпадает с карточкой intfloat/e5-mistral-7b-instruct, поэтому описание составлено по ней. E5-mistral-7b-instruct — текстовая модель эмбеддингов, созданная командой авторов статьи «Improving Text Embeddings with Large Language Models». Это дообученная версия Mistral-7B-v0.1 с 32 слоями и размерностью эмбеддингов 4096; число параметров — 7,1 млрд. Модель принимает текст и преобразует его в векторы для поиска и сравнения текстов. Она поддерживает контекст до 32 768 токенов, однако авторы не рекомендуют подавать входы длиннее 4096 токенов. Модель предназначена для получения эмбеддингов с инструкциями, задающими цель поиска или сравнения. Инструкцию следует добавлять к запросу, но не к документу. Примеры сценариев — семантический поиск, ранжирование passage по запросу и оценка сходства предложений. Модель обучена на смеси многоязычных наборов данных, но ориентирована прежде всего на английский; в некоторых многоязычных сценариях она уступает multilingual-e5-large. Модель распространяется по лицензии MIT. Для воспроизводимости результатов учитывайте, что версии Transformers и PyTorch могут вызывать небольшие различия в оценках.

EmbeddingGemma — компактная модель эмбеддингов на 300 млн параметров от Google DeepMind, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, извлечения информации, оценки сходства, классификации и кластеризации. Модель подходит для поиска документов и кода, систем вопросов и ответов и проверки фактов. Модель обучена на данных более чем из 100 языков и рассчитана на запуск на устройствах с ограниченными ресурсами, включая телефоны и компьютеры. Максимальная длина входа — 2048 токенов; стандартный размер выходного вектора — 768 измерений, также доступны укороченные варианты на 512, 256 и 128 измерений с помощью Matryoshka Representation Learning. Для работы предусмотрена библиотека Sentence Transformers. Качество эмбеддингов зависит от охвата и особенностей обучающих данных; модель может хуже передавать языковые нюансы, сарказм и переносный смысл, а также наследовать смещения данных. Условия использования определяются лицензией Gemma и связанными с ней правилами Google.

Granite-Embedding-97M-Multilingual-R2 — мультиязычная модель для создания плотных векторных представлений текста, разработанная командой Granite Embedding компании IBM. Представленная версия в формате ONNX автоматически преобразована и опубликована сообществом onnx-community. Модель предназначена для семантического поиска, сопоставления запросов и документов, кластеризации, оценки сходства текстов, поиска по длинным документам, многошаговым диалогам, извлечения информации и поиска по программному коду. Модель использует архитектуру bi-encoder на базе ModernBERT и содержит около 97 млн параметров. Она формирует 384-мерные эмбеддинги для запросов, passages, документов и кода, которые можно сравнивать, например, с помощью cosine similarity. Максимальная длина контекста составляет до 32 768 токенов. Поддерживается более 200 языков, при этом для 52 языков и программного кода выполнено дополнительное retrieval- и cross-lingual-обучение. Указаны варианты развертывания через ONNX и OpenVINO, а также совместимость с Transformers.js. К сильным сторонам относятся компактный размер, низкие вычислительные требования, большой контекст и высокая заявленная эффективность в мультиязычном поиске: результат 60,3 на Multilingual MTEB Retrieval, а также поддержка поиска по коду и длинным документам. Ограничение модели состоит в том, что она предназначена для построения эмбеддингов и не является генеративной языковой моделью; качество может различаться между языками, причём наиболее явно улучшены только 52 языка и программный код. Модель распространяется по лицензии Apache 2.0.

Карточка модели Surbhipatil/gte-small на Hugging Face совпадает с карточкой thenlper/gte-small, поэтому описание составлено по ней. gte-small — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Вариант small содержит около 40 млн параметров и принимает тексты длиной до 512 токенов; для более длинных текстов вход обрезается. Модель рассчитана на английский язык. Полученные эмбеддинги подходят для семантического поиска и сравнения предложений, а также могут использоваться в конвейерах поиска информации и ранжирования текстов. Модель можно применять, например, для поиска релевантных документов или оценки смыслового сходства запросов и фрагментов текста. Лицензия — MIT.

Llama Nemotron Reranking 1B v2 — модель NVIDIA для переупорядочивания текстовых фрагментов по релевантности запросу. Она предназначена для мультиязычного и межъязыкового поиска, в том числе для систем вопросно-ответного поиска по документам: сначала поиск или эмбеддинговая модель выбирает кандидатов, затем реранкер оценивает пары «вопрос — фрагмент» и возвращает логиты релевантности. Модель содержит 1,2 млрд параметров и построена на основе meta-llama/Llama-3.2-1B. Это дообученный трансформерный cross-encoder с двунаправленным вниманием, mean pooling и бинарной классификационной головой. Принимает пары текстов и выдаёт числовые оценки; к логитам можно применить сигмоиду, чтобы получить вероятности. В README указана работа с документами длиной до 8192 токенов, а метаданные каталога задают нативный контекст в 131072 токена. Модель оценивали на 26 языках, включая русский, английский, китайский, арабский, хинди и другие. Она предназначена для коммерческого применения и может улучшать качество поиска, однако реранкер обычно применяют только к ограниченному набору кандидатов, а не ко всей коллекции документов. Длинные тексты рекомендуется разбивать на фрагменты или обрезать. Лицензия — OpenMDW-1.1; README также ссылается на лицензию сообщества Llama 3.2.

Merino-Large — модель BAA AI (Black Sheep AI) для поиска и ранжирования документов в системах RAG. Она объединяет биэнкодер для получения векторных представлений запросов и документов и кросс-энкодер для оценки релевантности пары «запрос — документ». Обе части построены на базе xlm-roberta-large и используют общую матрицу входных эмбеддингов, что сокращает объём хранимых весов без заявленной потери качества. Биэнкодер выдаёт L2-нормализованные эмбеддинги размерности 1024, а кросс-энкодер — один логит релевантности для пары текстов. Модель мультиязычная, содержит около 872 млн параметров, использует библиотеку Sentence Transformers и распространяется в формате safetensors. В карточке описаны результаты внутренних проверок на неоднородных корпусах и устойчивость 4-битной квантизации к отвлекающим документам; эти результаты не заменяют оценку на собственных данных. Лицензия указана как other, поэтому условия использования следует проверить в карточке модели.

Merino-Pro — модель извлечения информации от baa.ai (Black Sheep AI), объединяющая в одном пакете биэнкодер для эмбеддингов и кросс-энкодер для переранжирования. Обе части основаны на xlm-roberta-large и совместно обучены с общей матрицей словесных эмбеддингов. Модель содержит около 872 млн параметров в fp16 и формирует 1024-мерные L2-нормализованные векторы; кросс-энкодер выдаёт оценку релевантности пары запроса и документа. Модель предназначена для поиска и ранжирования документов в retrieval- и RAG-системах. В README заявлена поддержка нескольких языков, но конкретные языки не перечислены. Для биэнкодера рекомендуется добавлять к запросам префикс «query: ». Разработчик сообщает о сертифицированной 4-битной квантизации без потери качества в описанном тесте с отвлекающими документами; рекомендует разбивать тексты на атомарные фрагменты и ставить ключевую сущность в начало. Для документов с несколькими разнородными фактами качество поиска может быть ниже; README советует использовать атомарное разбиение. Лицензия указана как other, конкретные условия в доступных данных не приведены.

Izbebe/minilm-l6-v2-ru-hnp — русскоязычный Sentence Transformer, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 для получения векторных представлений предложений и абзацев. Энкодер использует архитектуру BERT с усреднённым pooling и нормализацией; выход — плотный вектор размерности 384. По README, модель обучалась на 20 000 примерах с TripletLoss и предназначена для поиска по текстам и сравнения семантической близости с помощью косинусного сходства. Модель принимает текст и рассчитана на русскоязычные сценарии: поиск релевантных фрагментов, подбор похожих предложений и ранжирование результатов по близости эмбеддингов. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как карточка сообщает максимальную длину последовательности 256 токенов; на практике следует учитывать ограничение самой модели в 256 токенов. Лицензия в предоставленных данных не указана.

onelevelstudio/ML-E5-0.6B-Instruct — мультиязычная модель эмбеддингов текста на архитектуре XLM-RoBERTa. Она преобразует запросы и документы в векторы для семантического поиска, ранжирования и оценки сходства. Для запросов рекомендуется добавлять краткую инструкцию на естественном языке, описывающую задачу; документам инструкции не нужны. В метаданных указано около 658,7 млн параметров, контекст до 514 токенов и лицензия MIT. Репозиторий содержит веса в форматах Safetensors и ONNX. Карточка связывает модель с Multilingual-E5-large-instruct и сообщает о поддержке 100 языков на основе XLM-RoBERTa; для языков с малым объёмом ресурсов качество может снижаться. Длинные тексты обрезаются примерно до 512 токенов.

Карточка модели novelcore/model6 на Hugging Face совпадает с карточкой sentence-transformers/all-mpnet-base-v2, поэтому описание составлено по ней. all-mpnet-base-v2 — модель Sentence Transformers, разработанная в ходе Community Week Hugging Face. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В основе лежит microsoft/mpnet-base, дообученная контрастивным обучением на более чем миллиарде пар предложений из нескольких наборов данных. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст. Её можно применять для семантического поиска, извлечения информации и группировки похожих фрагментов. Текст длиннее 384 токенов модели обрезается; README рекомендует использовать её как кодировщик предложений и коротких абзацев. Лицензия — Apache-2.0.

msmarco-bert-base-dot-v5 — модель Sentence Transformers, разработанная командой sentence-transformers для семантического поиска. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768, которые можно сопоставлять для поиска релевантных текстов. Модель обучена на 500 тысячах пар «запрос — ответ» из набора MS MARCO и использует архитектуру BERT с 136,7 млн параметров. Модель подходит для построения семантического поиска по документам и ранжирования кандидатов по близости к запросу. Максимальная длина входной последовательности — 512 токенов; эмбеддинги не нормализуются. Доступны реализации в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Лицензия в предоставленных данных не указана.

Карточка модели arkam23/multilingual-e5-base на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

Карточка модели manuelmoreno149/multilingual-e5-base на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

Карточка модели qxx1/multilingual-e5-large-instruct на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large-instruct, поэтому описание составлено по ней. Multilingual-E5-large-instruct — текстовая модель эмбеддингов из семейства E5, представленная авторами технического отчёта Multilingual E5 Text Embeddings. Она основана на XLM-RoBERTa-large и использует архитектуру XLM-RoBERTa с 24 слоями; размер эмбеддинга — 1024, всего 658,7 млн параметров. Модель принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Репозиторий содержит веса в форматах Safetensors и ONNX. Модель предназначена для семантического поиска, сопоставления запросов с документами и оценки сходства текстов на многих языках. Для запроса необходимо добавлять одно предложение-инструкцию, описывающее задачу; документам инструкция не нужна. Модель обучалась на смеси многоязычных наборов данных и поддерживает 100 языков XLM-RoBERTa, включая русский. Длина контекста ограничена 512 токенами: более длинный текст обрезается. На низкоресурсных языках качество может быть ниже. Абсолютные значения косинусного сходства не следует трактовать как уверенность — для задач поиска важнее относительный порядок оценок. Лицензия — MIT.

Карточка модели baseten-admin/multilingual-e5-large-instruct-cls на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large-instruct, поэтому описание составлено по ней. Multilingual-E5-large-instruct — текстовая модель эмбеддингов из семейства E5, представленная авторами технического отчёта Multilingual E5 Text Embeddings. Она основана на XLM-RoBERTa-large и использует архитектуру XLM-RoBERTa с 24 слоями; размер эмбеддинга — 1024, всего 658,7 млн параметров. Модель принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Репозиторий содержит веса в форматах Safetensors и ONNX. Модель предназначена для семантического поиска, сопоставления запросов с документами и оценки сходства текстов на многих языках. Для запроса необходимо добавлять одно предложение-инструкцию, описывающее задачу; документам инструкция не нужна. Модель обучалась на смеси многоязычных наборов данных и поддерживает 100 языков XLM-RoBERTa, включая русский. Длина контекста ограничена 512 токенами: более длинный текст обрезается. На низкоресурсных языках качество может быть ниже. Абсолютные значения косинусного сходства не следует трактовать как уверенность — для задач поиска важнее относительный порядок оценок. Лицензия — MIT.

efederici/multilingual-e5-small-4096 — версия модели multilingual-e5-small с архитектурой Local-Sparse-Global, созданная на основе intfloat/multilingual-e5-small. Она предназначена для получения эмбеддингов запросов и текстовых фрагментов, в том числе для поиска и ранжирования пассажей, например в сценариях на основе MS MARCO. Модель поддерживает контекст до 4096 токенов и содержит 124,3 млн параметров; репозиторий использует формат PyTorch. Модель подходит для семантического поиска, сопоставления текстов и построения retrieval-компонента RAG. Метаданные указывают на многоязычную поддержку; среди явно перечисленных языков есть английский, немецкий, французский, испанский, арабский, китайский? (not listed). Лицензия в предоставленных данных не указана.

Карточка модели Yunziyou/mxbai-embed-large-v1 на Hugging Face совпадает с карточкой mixedbread-ai/mxbai-embed-large-v1, поэтому описание составлено по ней. mxbai-embed-large-v1 — модель Mixedbread AI для построения векторных представлений предложений и текстов. Это плотная BERT-модель на 433,9 млн параметров с контекстом до 512 токенов; она принимает текст и выдаёт эмбеддинги для поиска и сопоставления текстов. Карточка указывает английский язык и библиотеку sentence-transformers. Модель предназначена для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Для поисковых запросов README рекомендует добавлять префикс «Represent this sentence for searching relevant passages:». Поддерживаются Matryoshka Representation Learning и бинарная квантизация, позволяющие уменьшать размер эмбеддингов и затраты на их хранение. В заявленной авторами оценке на MTEB модель показывает сильные результаты среди моделей размера BERT-large. Модель распространяется по лицензии Apache-2.0. Ограничения включают окно контекста в 512 токенов и необходимость использовать рекомендованный префикс для запросов в сценариях поиска; авторы также отмечают наличие ограничений, которые планировали исправить в версии v2, не уточняя их в этой карточке.

NV-Embed-v2 — модель эмбеддингов общего назначения, разработанная NVIDIA на основе Mistral-7B-v0.1. Она преобразует текстовые запросы и документы в векторы размерностью 4096 для поиска, сравнения смысловой близости и других задач работы с текстовыми представлениями. Модель использует decoder-only архитектуру и pooling на основе latent attention. По данным авторов, она заняла первое место в MTEB на момент публикации карточки, включая подкатегорию поиска; разработчики также описывают двухэтапную настройку по инструкциям и подбор сложных негативных примеров. Для бенчмарков и сходных задач важно применять рекомендованные авторами инструкции-префиксы. NV-Embed-v2 предназначена для текстовых сценариев, включая семантический поиск и подбор контекста для RAG. Карточка указывает лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование без отдельного разрешения.

UFGCEMIGONA/Qwen3-Embedding-0.6B — текстовая модель Sentence Transformers, дообученная на Qwen/Qwen3-Embedding-0.6B. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализует их и предназначена для поиска по смыслу и извлечения релевантных текстов. Для сравнения векторов используется косинусное сходство; архитектура включает Qwen3Model и пулинг последнего токена. Модель принимает текст и поддерживает последовательности длиной до 32 768 токенов. В карточке приведена оценка на задаче ранжирования: NDCG@10 0,9211 на наборе qwen-reranking-eval. Данные обучения содержат пары текстов и оценки сходства; примеры включают португальский текст, но перечень поддерживаемых языков не заявлен. Лицензия в предоставленных данных не указана.

LostGentoo/Qwen3-Embedding-8B-AWQ — квантованная версия модели Qwen3-Embedding-8B, разработанная LostGentoo на базе модели Qwen от Qwen. Это модель для построения векторных представлений текста и задач семантического сходства, поиска и retrieval-сценариев. Она поддерживает английский и китайский языки, использует архитектуру Qwen3ForCausalLM с преобразованием в embedding- или pooling-режим и рассчитана на контекст до 8192 токенов. Модель применяет 4-битное AWQ-квантование W4A16: 252 линейных слоя хранятся в формате INT4, а embed_tokens и RMSNorm — в BF16. Размер эмбеддинга составляет 4096, при этом базовая модель поддерживает Matryoshka Representation Learning с размерностями от 32 до 4096. В конфигурации sentence-transformers используются pooling по последнему токену и L2-нормализация. Размер модели на диске около 4,8 ГБ против примерно 15 ГБ у версии BF16, что снижает требования к памяти. По приведённым оценкам MTEB-lite, квантование сохраняет большую часть качества исходной модели: для STSBenchmark Spearman составляет 0,881 против 0,884 у BF16, а для SciFact nDCG@10 — 0,777 против 0,787; корреляция оценок AWQ и BF16 равна 0,996. Ограничения включают возможную небольшую потерю качества из-за квантования и необходимость корректной настройки pooling-режима при использовании через vLLM. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

richtext/Qwen3-Reranker-0.6B-mlx-fp16 — конвертированная в формат MLX модель на основе Qwen/Qwen3-Reranker-0.6B. Это компактный реранкер семейства Qwen3 с плотной архитектурой на 507,6 млн параметров; он оценивает релевантность текстовых кандидатов запросу, чтобы сортировать результаты поиска. Для запуска в MLX в README указана библиотека mlx-lm версии 0.29.1. Модель подходит для переранжирования поисковой выдачи и отбора наиболее релевантных фрагментов для систем поиска и RAG. Метаданные указывают контекстное окно 40 960 токенов и лицензию Apache-2.0. Это конверсия исходной модели в формат MLX; README не описывает отдельного дообучения для этой публикации.

Qwen3-Reranker-4B — модель ранжирования текстовых пар из семейства Qwen3, разработанная авторами Qwen; репозиторий AIArchiveInfo/Qwen3-Reranker-4B является побайтной архивной копией оригинала. Модель присваивает оценку релевантности паре «запрос — документ» и предназначена для повторного упорядочивания результатов поиска и других задач текстового retrieval. Она основана на плотной архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов по метаданным; README указывает длину 32K. Заявлена поддержка более 100 языков, включая языки программирования, и возможность задавать инструкцию под конкретную задачу. Модель подходит для многоязычного поиска по текстам и коду, а также для повышения релевантности выдачи после первичного поиска. Оценки модели являются сырыми разностями логитов; README рекомендует при необходимости преобразовывать их сигмоидой и отмечает пользу пользовательских инструкций. Модель распространяется по лицензии Apache-2.0. Архивная копия не изменяет веса оригинала.

Voodisss/Qwen3-Reranker-4B-GGUF-llama_cpp — это GGUF-конверсия модели Qwen/Qwen3-Reranker-4B, предназначенная для запуска через llama.cpp. В README указано, что конверсия выполнена 9 марта 2025 года с помощью официального скрипта convert_hf_to_gguf.py; разработчик исходной модели отдельно не указан. Модель относится к классу reranker и оценивает релевантность документов поисковому запросу, поэтому подходит для семантического поиска, reranking результатов, retrieval-augmented generation и других задач ранжирования текста. Для работы следует использовать endpoint /v1/rerank, а не /v1/embeddings. Модель поддерживает классификацию релевантности через метки yes/no и содержит специальные настройки для reranking: pooling типа RANK, встроенный chat template и классификационные веса. Доступны варианты GGUF-квантизации от F16 размером 7,50 ГБ до Q2_K размером 1,55 ГБ; по приведённому тесту на MTEB AskUbuntuDupQuestions варианты от Q8_0 до Q3_K_M сохраняют качество в пределах примерно ±1% от F16, а Q4_K_M назван оптимальным компромиссом между размером и качеством. Q2_K заметно ухудшает результаты. Модель рассчитана на текстовые запросы и документы; другие модальности и поддерживаемые языки в README не указаны. Лицензия — Apache 2.0.

Rank-Embed-0.6B — компактная модель эмбеддингов от GorankLabs для семантического поиска и плотного извлечения текстов. Она дообучена на Qwen/Qwen2.5-0.5B-Instruct и использует архитектуру bi-encoder: запросы и документы кодируются в общее векторное пространство для сравнения по смыслу и намерению. Модель формирует нормализованные векторы размерности 768: скрытые представления Qwen агрегируются mean pooling, затем линейная проекция преобразует размерность 896 в 768. Модель предназначена для семантического поиска, извлечения контекста для RAG, кластеризации и поиска дубликатов; векторные представления можно сопоставлять по косинусному сходству. Число параметров в метаданных — 494 млн, длина контекста — 32 768 токенов. Указан английский язык. Лицензия — Apache-2.0.

Multilingual-E5-small — многоязычная модель эмбеддингов текста семейства E5, представленная в техническом отчёте Liang Wang и соавторов. Это плотная BERT-модель на 12 слоёв с размерностью эмбеддинга 384 и 124,3 млн параметров; она создана на основе microsoft/Multilingual-MiniLM-L12-H384 и дополнительно обучена на смеси многоязычных данных. Модель преобразует запросы и тексты в векторы для семантического поиска, извлечения фрагментов, оценки сходства предложений и поиска перефразировок. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач и кластеризации используется «query: ». Заявлена поддержка 100 языков; низкоресурсные языки могут работать хуже. Контекст ограничен 512 токенами, длинные тексты обрезаются. Репозиторий содержит веса safetensors и лицензирован по MIT.

Карточка модели RedHatAI/snowflake-arctic-embed-m-long на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-m-long, поэтому описание составлено по ней. Snowflake Arctic Embed M Long — текстовая модель эмбеддингов компании Snowflake для поиска и сопоставления запросов с документами. Она преобразует текст в плотные векторы, пригодные для построения семантического поиска, ранжирования кандидатов и других систем извлечения информации. Модель относится к семейству Arctic Embed, обученному на основе открытых моделей представления текста с многоэтапной оптимизацией retrieval-задач: на парах запрос–документ и триплетах с трудными негативными примерами. Архитектура — NomicBert; максимальная длина контекста — 8192 токена. Доступны веса Safetensors и формат ONNX. В README семейство описано как оптимизированное для качества поиска; в карточке этой версии отдельно не приведены размер модели, размерность эмбеддинга или языковой охват. Подходит для семантического поиска по документам, поиска ответов в корпусах и сравнения текстов по смыслу. README сообщает о высоких результатах Arctic Embed на наборах MTEB/BEIR, но более поздние версии семейства названы предпочтительными для многоязычных задач. Модель распространяется по лицензии Apache-2.0.

Snowflake Arctic Embed M Long — текстовая модель эмбеддингов компании Snowflake для поиска и сопоставления запросов с документами. Она преобразует текст в плотные векторы, пригодные для построения семантического поиска, ранжирования кандидатов и других систем извлечения информации. Модель относится к семейству Arctic Embed, обученному на основе открытых моделей представления текста с многоэтапной оптимизацией retrieval-задач: на парах запрос–документ и триплетах с трудными негативными примерами. Архитектура — NomicBert; максимальная длина контекста — 8192 токена. Доступны веса Safetensors и формат ONNX. В README семейство описано как оптимизированное для качества поиска; в карточке этой версии отдельно не приведены размер модели, размерность эмбеддинга или языковой охват. Подходит для семантического поиска по документам, поиска ответов в корпусах и сравнения текстов по смыслу. README сообщает о высоких результатах Arctic Embed на наборах MTEB/BEIR, но более поздние версии семейства названы предпочтительными для многоязычных задач. Модель распространяется по лицензии Apache-2.0.

cnmoro/snowflake-arctic-embed-m-v2.0-cpu — модифицированная версия Snowflake Arctic Embed M v2.0, подготовленная для работы на CPU. Это плотная модель семейства GTE с 305,3 млн параметров, предназначенная для получения эмбеддингов текстов и оценки сходства между предложениями. Её можно применять для поиска по смыслу, сравнения текстовых фрагментов и построения retrieval-систем; контекст составляет до 8192 токенов. Модель работает с текстом и выдаёт векторные представления, поддерживает множество языков, включая английский, арабский, немецкий, французский, японский и хинди. В README указано использование через Sentence Transformers на CPU; из версии удалена зависимость xformers. Распространяется по лицензии Apache-2.0. README рекомендует загрузку с trust_remote_code=True.

SurvAIv Ettin 32M — дообученный англоязычный кросс-энкодер на базе cross-encoder/ettin-reranker-32m-v1, выпущенный SurvAIv. Модель содержит около 31,9 млн параметров и предназначена для повторного ранжирования результатов поиска и других наборов текстовых фрагментов по релевантности запросу. Она построена на ModernBERT и оформлена как полный модульный чекпойнт Sentence Transformers CrossEncoder с обученной скоринговой головой. Модель обучали методом LambdaLoss@10 на 2 098 группах запросов и 23 657 размеченных фрагментах. Для развёртывания в локальной RAG-системе автор использует экспорт ONNX с INT8-квантизацией и ограничением входной последовательности до 512 токенов; метаданные указывают нативный контекст длиной до 7 999 токенов. Выдаваемые оценки отражают релевантность для ранжирования, а не калиброванную вероятность правильности ответа. Модель подходит для улучшения порядка выдачи в поиске и RAG. Это компонент поиска, а не клинически проверенная система первой помощи. Лицензия модели — Apache-2.0; датасет обучения приватный, а цитаты в архивных примерах карточки имеют отдельные ограничения и не являются свободно распространяемыми обучающими данными.

Это Sentence Transformer, дообученный автором eyaferjani на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Модель кодирует предложения и абзацы на естественном языке в плотные векторы размерностью 384 и предназначена для поиска и сравнения текстов по смыслу. Архитектура включает BERT с усреднением токенных представлений; сходство оценивается косинусной мерой. Модель подходит для семантического поиска, подбора похожих предложений и извлечения релевантных текстов. В карточке описано обучение на 4 500 парах предложений с оценками сходства; для валидационного набора указана корреляция Спирмена 0,9788. Метаданные указывают контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов. Поддерживается текстовый ввод, формат весов — safetensors. Лицензия в предоставленных данных не указана.