I.11Классификация, ранжирование и сопоставление

kwondw/bert-base-all-nli-stsb-quora-nq — модель Sentence Transformers, созданная дообучением google-bert/bert-base-uncased на наборах All-NLI, STS-B, Quora и Natural Questions. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения близости текстов и извлечения релевантных фрагментов; сходство оценивается косинусной мерой. Архитектура сочетает BERT с усредняющим pooling, принимает текстовые последовательности длиной до 512 токенов и рассчитана на английский язык. В README приведены оценки на All-NLI и STS-B, но они не гарантируют качество на других тематиках и распределениях данных. Лицензия в предоставленных данных не указана.

barisaydin/bge-base-en — англоязычная модель встраивания текста из семейства BGE (BAAI General Embedding), представленная в карточке FlagEmbedding. Она кодирует текст в плотные векторы для поиска релевантных документов, семантического поиска, кластеризации и классификации, а также для использования в векторных базах данных и системах RAG. Архитектура — BERT; модель содержит 136,7 млн параметров и обрабатывает до 512 токенов. Для поиска по короткому запросу в длинных документах авторы рекомендуют добавлять к запросу инструкцию «Represent this sentence for searching relevant passages:», но не к документам. В README рекомендован переход на BAAI/bge-base-en-v1.5: у текущей версии распределение оценок сходства менее удобно. Абсолютные значения сходства могут быть высокими даже у несхожих предложений, поэтому порог следует подбирать на данных конкретной задачи и ориентироваться на относительный порядок результатов. Модель распространяется по лицензии MIT.

BAAI/bge-large-en — англоязычная модель плотных текстовых эмбеддингов из семейства BGE (BAAI General Embedding), разработанного Beijing Academy of Artificial Intelligence (BAAI). Она кодирует текст в векторы для семантического поиска, извлечения документов, классификации и кластеризации, а также для поиска контекста в системах с векторными базами данных и RAG. Модель построена на архитектуре BERT и содержит около 433,9 млн параметров; принимает текстовые последовательности длиной до 512 токенов и выдаёт векторы. Для поиска по короткому запросу и длинным документам README рекомендует добавлять к запросу инструкцию. В карточке также рекомендована более новая версия bge-large-en-v1.5: у исходной модели распределение оценок сходства может быть смещено, поэтому абсолютный порог сходства следует выбирать по данным конкретной задачи. Модель распространяется по лицензии MIT.

BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

mlx-community выпустила неофициальную 6-битную квантованную версию BAAI/bge-m3 для запуска на Apple Silicon с библиотекой MLX. Модель семейства XLM-RoBERTa содержит 658,7 млн параметров, принимает текст и формирует эмбеддинги размерностью 1024; длина контекста — 8194 токена. README описывает плотный, разреженный и многовекторный поиск, включая ColBERT, а метаданные указывают задачу feature-extraction. Квантование affine с группами по 64 веса уменьшает размер до 457 МБ — примерно на 58% относительно FP16 версии, сохраняя компромисс между качеством и использованием памяти. Модель подходит для поиска и сопоставления текстов, включая многоязычные сценарии. Поддерживаются английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский, португальский и русский языки. Лицензия — MIT.

barisaydin/bge-small-en — англоязычная модель эмбеддингов семейства BGE, основанная на архитектуре BERT и содержащая около 40 млн параметров. Она преобразует текст в плотные векторы для поиска, сравнения и других задач, где нужно оценивать смысловую близость текстов. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска документов по запросу, кластеризации и классификации текста, а также для использования в векторных базах данных и RAG-системах. В задачах поиска README рекомендует добавлять к короткому запросу инструкцию «Represent this sentence for searching relevant passages:», но не добавлять её к документам. README рекомендует перейти на BAAI/bge-small-en-v1.5: в исходной версии распределение сходства менее удобно, поэтому абсолютный порог косинусного сходства не следует трактовать как универсальный критерий. Для фильтрации похожих текстов порог нужно подбирать на своих данных. Лицензия модели — MIT.

DiTy/bi-encoder-russian-msmarco — русскоязычная модель sentence-transformers, разработанная на основе DeepPavlov/rubert-base-cased и дообученная на датасете MS-MARCO Russian passage ranking. Это двунаправленный энкодер на архитектуре BERT с 205,1 млн параметров: он преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, в том числе асимметричного поиска, когда запрос и документ имеют разную роль. Модель рассчитана на поиск по русскоязычным коллекциям и сравнение текстов по смысловой близости; её можно применять для построения поисковых систем и извлечения релевантных фрагментов. Модель принимает текст и выдаёт векторные представления. Максимальная длина контекста — 512 токенов. Она распространяется по лицензии MIT. В README отмечено, что при использовании через Transformers нужно корректно применить pooling к контекстным представлениям токенов.

BumbaLM-Embedding-Qwen-4b-v0-200k — текстовая Sentence Transformer-модель, дообученная на базе Qwen/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные векторы размерности 2560 для поиска и сравнения текстов; сходство оценивается косинусной мерой. Архитектура включает трансформер Qwen3, pooling по последнему токену и нормализацию векторов. Модель содержит 3,7 млрд параметров и принимает последовательности длиной до 768 токенов. Модель предназначена для семантического поиска и задач извлечения информации: например, для сопоставления запроса с релевантными документами. README приводит оценку на tripletos_eval: cosine_accuracy@1 — 0,6286, @5 — 0,8024, @10 — 0,8626. Базовая модель мультиязычная, но конкретный языковой охват этого дообучения в карточке не установлен. Лицензия в предоставленных данных не указана.

Карточка модели metarank/ce-esci-MiniLM-L6-v2 на Hugging Face совпадает с карточкой metarank/ce-esci-MiniLM-L12-v2, поэтому описание составлено по ней. metarank/ce-esci-MiniLM-L12-v2 — модель Sentence-Transformers, разработанная Roman Grebennikov и дообученная на датасете Amazon ESCI. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов и кластеризации. Архитектура основана на BERT; в метаданных указано около 40 млн параметров и контекст до 512 токенов. Модель подходит для семантического поиска и сравнения запросов с товарами или другими текстами. В README название базовой модели указано как cross-encoder/ms-marco-MiniLM-L-6-v2, тогда как идентификатор репозитория и метаданные указывают на MiniLM-L12-v2; поэтому точная связь версии в названии с описанным обучением требует осторожной трактовки. Репозиторий содержит форматы PyTorch, Safetensors и ONNX. Условия лицензии в предоставленных данных не описаны.

ColBERT MUVERA Small — текстовая модель NeuML, дообученная на базе bclavie/mini-base на данных MS MARCO. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и оценивает семантическое соответствие с помощью MaxSim. Модель рассчитана на семантический поиск, ранжирование текстовых фрагментов и извлечение источников для RAG; её можно использовать с PyLate или txtai. Модель содержит 40 млн параметров, построена на архитектуре BERT и принимает контекст длиной до 512 токенов. Она обучена на ненормализованных оценках, что обеспечивает совместимость с фиксированным кодированием MUVERA. В README приведены результаты на подмножествах BEIR и NanoBEIR; автор отмечает конкурентные результаты при небольшом размере модели. Лицензия — Apache-2.0.

DiTy/cross-encoder-russian-msmarco — модель ранжирования текстовых пар, разработанная на основе DeepPavlov/rubert-base-cased и дообученная на русскоязычном наборе MS-MARCO для ранжирования passages. Она принимает запрос вместе с каждым найденным фрагментом текста и оценивает их релевантность, чтобы упорядочить результаты поиска по убыванию оценки. Модель основана на BERT, содержит 205,1 млн параметров, распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Использовать её можно в конвейерах информационного поиска после первичного отбора документов, например, результатов ElasticSearch. Лицензия — MIT.

htdht/e5_base_finetuned_v6 — модель Sentence Transformer на архитектуре XLM-RoBERTa, содержащая около 305,2 млн параметров. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерности 768 и предназначена для поиска и сопоставления текстов по косинусному сходству. Модель можно использовать для поиска подходящих документов или фрагментов по запросу и ранжирования текстов по семантической близости. В README указаны текстовый вход, ограничение до 192 токенов и обучение на 36 389 примерах с запросами, положительными и отрицательными текстами. Метаданные указывают контекст модели до 514 токенов; для практического использования ориентируйтесь на более короткое ограничение, заявленное в README. Модель работает с текстом; языковые примеры в README включают вьетнамский, но данных о полном наборе поддерживаемых языков нет. Лицензия в предоставленных источниках не указана.

Luong23/e5-finetune-embedding-v1 — модель Sentence Transformers, дообученная на базе intfloat/multilingual-e5-base для преобразования предложений и абзацев в плотные текстовые векторы размерности 768. Архитектура включает XLM-RoBERTa с усреднённым pooling и нормализацией; сходство векторов можно оценивать косинусной мерой. Модель принимает текст, максимальная длина последовательности в README — 256 токенов; метаданные указывают контекст до 514 токенов. Модель предназначена для семантического поиска и извлечения релевантных фрагментов: например, сопоставления короткого запроса с описанием товара. Обучение проведено на 321 881 паре anchor-positive с использованием MultipleNegativesRankingLoss. Карточка приводит в качестве примеров вьетнамские запросы и описания товаров, но не заявляет этот язык как единственный или основной. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели vectoriseai/e5-large на Hugging Face совпадает с карточкой intfloat/e5-large, поэтому описание составлено по ней. 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.

d0rj/e5-large-en-ru — компактная версия модели intfloat/multilingual-e5-large, созданная за счёт сокращения словаря до токенов русского и английского языков. Модель основана на XLM-RoBERTa и формирует плотные текстовые представления размерностью 1024; в метаданных указаны 464,4 млн параметров и контекст до 514 токенов. Модель предназначена для поиска по смыслу и оценки сходства предложений, в том числе для извлечения релевантных документов по запросу. Для поиска README рекомендует сравнивать эмбеддинги скалярным произведением. На бенчмарке SberQUAD разработчик сообщает о результатах, сопоставимых с исходной multilingual-e5-large. Она принимает текст и выдаёт векторные представления токенов. Указаны русский и английский языки. Сокращённый словарь уменьшает размер модели относительно исходной версии, но исключает поддержку токенов других языков. Лицензия — MIT.

guymorganb/e5-large-v2-4096-lsg-patched — версия модели intfloat/e5-large-v2 с архитектурой BERT и механизмом Local-Sparse-Global (LSG), подготовленная для обработки последовательностей длиной до 4096 токенов. Разработчик адаптировал её для работы с более новыми версиями Transformers, сохранив режим чистого энкодера и обработку масок внимания с плавающей точностью. Модель предназначена для кодирования запросов и текстовых фрагментов в эмбеддинги, например, для поиска и ранжирования passage. Карточка приводит пример на наборе MS MARCO. В метаданных указано 433,9 млн параметров и формат PyTorch; языковые сведения указывают на английский. Лицензия в предоставленных данных не указана.

fresha/e5-large-v2-endpoint — текстовая модель эмбеддингов на базе BERT, основанная на E5-large-v2, разработанной Liang Wang, Nan Yang и коллегами. Модель использует 24 слоя и формирует векторы размерности 1024; её применяют для представления запросов и документов в задачах семантического поиска и ранжирования. Она поддерживает только английский язык, а входные тексты ограничены 512 токенами и более длинные обрезаются. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT.

furiosa-ai/e5-mistral-7b-instruct — пакет модели эмбеддингов E5-Mistral-7B-Instruct, подготовленный FuriosaAI для запуска с Furiosa-LLM на ускорителях FuriosaAI RNGD. В репозитории находятся веса upstream-модели и Furiosa Executable Bundle; сама модель — дообученная плотная decoder-модель на основе Mistral-7B-v0.1 с архитектурой MistralModel и 7,1 млрд параметров. Модель преобразует текст в плотные векторы размерностью 4096 с pooling по последнему токену и L2-нормализацией. Она рассчитана на семантический поиск, сопоставление запросов с документами и оценку семантического сходства. Модель понимает инструкции для настройки задачи: к запросам рекомендуется добавлять краткое описание задачи в формате Instruct/Query, а к документам инструкцию не добавлять. Контекст составляет 32 768 токенов; хотя обучение включало многоязычные данные, upstream-карточка рекомендует модель прежде всего для английского языка. Веса не квантизированы, используются upstream-веса FP16. Для запуска на RNGD применяется tensor parallelism с размером 8, соответствующим одной карте. Также доступны Transformers и Sentence Transformers. Лицензия — MIT.

Embedić Base — модель для создания текстовых эмбеддингов, разработанная djovak и дообученная на базе intfloat/multilingual-e5-base с упором на сербский язык. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для информационного поиска, семантического сопоставления и приложений RAG. Модель работает с сербским текстом в кириллице и латинице, а также с английским; может использоваться для поиска по коллекциям, где смешаны сербские и английские документы. Embedić обучалась в несколько этапов: с дистилляцией, на парах «запрос — текст» и на триплетах. README отмечает, что упрощённая сербская латиница без диакритики снижает качество поиска, а сохранение заглавных букв в именах собственных может его улучшить. Модель распространяется по лицензии MIT.

Granite-Embedding-107M-Multilingual — мультиязычная плотная модель эмбеддингов от команды Granite Embedding в IBM. Она кодирует текст в векторы размерности 384 для поиска, извлечения информации и оценки сходства между предложениями. Модель построена на encoder-only архитектуре на основе XLM-RoBERTa, содержит около 110,2 млн параметров и рассчитана на контекст до 514 токенов. Модель обучена контрастивной тонкой настройкой, дистилляцией знаний и слиянием моделей. Она поддерживает английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский языки. По данным карточки, модель примерно вдвое быстрее других моделей со схожей размерностью эмбеддингов; оценки приведены для задач поиска на нескольких языках. Модель подходит для семантического поиска, извлечения релевантных документов и сравнения текстов. Тексты длиннее контекста обрезаются; обучение на 12 языках может ограничивать качество на других языках. Лицензия Apache 2.0.

Granite-Embedding-125m-English — англоязычная модель эмбеддингов команды Granite Embedding компании IBM. Она преобразует текст в векторы размерности 768 для поиска, извлечения документов и вычисления сходства между текстами. Модель рассчитана на сценарии семантического поиска и retrieval, включая корпоративные задачи; показывает результаты на бенчмарках MTEB Retrieval и CoIR. Модель содержит около 151,8 млн параметров и использует плотную encoder-only архитектуру на основе RoBERTa с 12 слоями и 12 головами внимания. Она обучалась с retrieval-ориентированным предварительным обучением, контрастивным дообучением и дистилляцией. Принимает только английский текст и обрабатывает до 512 токенов; более длинный ввод обрезается. Лицензия — Apache 2.0.

Это GGUF-конверсия многоязычной модели эмбеддингов Granite Embedding 311M Multilingual R2, разработанной IBM. Модель содержит 311 млн параметров и создаёт векторы размерности 768 для семантического поиска, извлечения документов, RAG, кластеризации и сравнения текстов; поддерживает контекст до 32 тыс. токенов и совместима с llama.cpp. В репозитории доступен вариант F16, ориентированный на сохранение качества.

gte-base-en-v1.5 — англоязычная модель текстовых эмбеддингов, разработанная Institute for Intelligent Computing группы Alibaba. Она построена на энкодерной архитектуре transformer++ (BERT с RoPE и GLU) и содержит 136,7 млн параметров. Модель кодирует текст в векторы размерности 768 и поддерживает последовательности длиной до 8192 токенов. Модель предназначена для поиска и сравнения текстов, семантической близости предложений и извлечения релевантных документов, в том числе в длинном контексте. По данным карточки, серия gte-v1.5 показывает высокие результаты на англоязычном бенчмарке MTEB для своего размерного класса и конкурентоспособные результаты в тестах длинноконтекстного поиска LoCo. Модель принимает текст и выдаёт векторы; это не генеративная модель. Доступна по лицензии Apache-2.0. В карточке приведены оценки на бенчмарках; они не гарантируют аналогичного качества на конкретных данных и сценариях.

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.

sentence-transformers/gtr-t5-large — модель эмбеддингов на базе энкодера T5-large, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и обучена для семантического поиска. Модель подходит для построения поисковых систем по смыслу, получения кандидатов для последующей ранжировки и сравнения текстовых запросов с документами. Модель основана на gtr-large-1 и была преобразована из TensorFlow в PyTorch; используются веса FP16. В README отмечено, что эмбеддинги могут немного отличаться от TensorFlow-версии, хотя на тех же бенчмарках результаты совпадают. Репозиторий содержит 385,2 млн параметров, поддерживает английский язык и имеет контекст до 512 токенов. Лицензия — Apache-2.0.

Это мультиязычный кросс-энкодер для ранжирования текстовых пар, созданный на базе jinaai/jina-reranker-v2-base-multilingual и дообученный с помощью Sentence Transformers. Модель принимает запрос и текст документа и выдаёт оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. Архитектура — XLM-RoBERTa для классификации последовательностей; в репозитории представлены веса safetensors. Модель содержит 305,2 млн параметров и обрабатывает до 1026 токенов контекста. При оценке на наборе данных Berria указаны значения MAP 0,6179, MRR@10 0,7386 и nDCG@10 0,7582. В примере обучающих данных есть баскские запросы и документы, но карточка не задаёт полный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

jinaai/jina-reranker-v3.5 — многоязычная модель-реранкер от Jina AI для повторной сортировки списка документов по релевантности запросу. Она дообучена на Qwen/Qwen3-0.6B и содержит около 508 млн параметров. Архитектура Qwen3 дополнена проектором MLP; модель оценивает кандидатов совместно в одном проходе, используя listwise-подход и косинусное сравнение. Контекст — до 131 072 токенов. Модель предназначена для второго этапа поиска: она уточняет порядок документов, уже найденных поисковой системой, и рассчитана на многоязычный поиск, устойчивую работу в разных предметных областях и ранжирование структурированных данных. По результатам сравнений в карточке она превосходит предыдущую jina-reranker-v3 на ряде наборов тестов, включая BEIR и Struct-IR; скорость инференса также улучшена для списков разной длины. Для локального запуска карточка рекомендует Transformers; также доступен API Jina AI. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения. Модель выдаёт оценки и порядок релевантности, а не готовые ответы на запросы.

KaLM-Reranker-V1-Large — мультиязычный реранкер KaLM-Embedding на базе encoder-decoder архитектуры T5Gemma2, дообученной на Google T5Gemma 2 4B. Модель оценивает релевантность документов запросу и упорядочивает их по соответствию запросу; она предназначена для поиска, retrieval-augmented generation (RAG) и других систем, где нужно выбрать наиболее полезные фрагменты из корпуса. Модель использует 4 млрд активируемых параметров, 34 слоя и поддерживает последовательности длиной до 128 тыс. токенов. В архитектуре разделены вычисления для запросов и документов: энкодер предварительно кодирует документы с Matryoshka pooling, а декодер учитывает инструкции и намерение запроса; cross-attention сохраняет взаимодействие между запросом и представлениями документов. По описанию авторов, модель показывает конкурентные результаты на BEIR, MIRACL и LMEB, при этом заявленная эффективность связана с уменьшением вычислений при ранжировании. Модель принимает текстовые запросы и документы и выдаёт оценки релевантности для их ранжирования. Метаданные отмечают мультиязычность; README сообщает о результатах на мультиязычном MIRACL, хотя модель не обучалась на большом объёме мультиязычных данных. В README приведены параметры реализации, допускающие ограничение длины запроса и документа при инференсе. Лицензия — Apache-2.0.

KaLM-Reranker-V1-Nano-R2 — компактная модель ранжирования документов из семейства KaLM-Reranker, разработанная авторами KaLM-Embedding. Это дообученная версия encoder-decoder модели Google T5Gemma2; вариант Nano имеет 0,27 млрд активируемых параметров и поддерживает контекст до 128 тыс. токенов. Модель оценивает релевантность документа запросу и предназначена для повторной сортировки результатов поиска, в том числе в многоязычных системах и RAG-конвейерах. Модель использует архитектуру fast-but-not-late-interaction и поддерживает Matryoshka pooling с коэффициентом сжатия от 1x до 128x. Это позволяет выбирать компромисс между расходом вычислений и качеством ранжирования, а также сначала отбирать кандидатов по сжатым представлениям и затем уточнять порядок наиболее перспективных документов. В README приведены результаты на наборах BEIR и MIRACL, включая многоязычные сценарии. Модель принимает текст запроса и документа и выдаёт оценку релевантности, поэтому подходит для ранжирования кандидатов поиска, улучшения выдачи RAG и многоязычного поиска по документам. Лицензия — Apache-2.0. Качество зависит от языка, предметной области и выбранного коэффициента сжатия; при большем сжатии метрики в приведённых тестах снижаются.

Это 8-битная MLX-версия мультиязычной плотной двунаправленной модели эмбеддингов LiquidAI/LFM2.5-Embedding-350M, подготовленная сообществом mlx-community для локального запуска на компьютерах Apple Silicon. Модель кодирует запросы и документы в векторы размерности 1024; косинусное сходство между ними используют для семантического поиска и оценки близости предложений. Репозиторий содержит преобразованные для MLX веса, квантизованные до 8 бит с аффинным режимом и размером группы 64. В README сообщается, что на описанных тестовых наборах качество поиска практически совпало с вариантом bf16, а размер весов снизился с 709 до 377 МБ. Метаданные указывают контекст до 128 000 токенов и поддержку английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского языков. Модель предназначена для векторизации текстов и локального поиска на Apple Silicon с MLX. Лицензия указана как other; README отсылает к исходной карточке за сведениями об обучении и предполагаемом использовании, поэтому условия следует сверить с ней. Результаты оценки в README получены на ограниченных пулах документов и не сопоставимы напрямую с результатами на полных корпусах.