I.11Классификация, ранжирование и сопоставление

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_5_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, дообученная для создания плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения компонентов поиска на эмбеддингах. В README указано обучение с CosineSimilarityLoss. Размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Метаданные указывают на поддержку sentence similarity и извлечения признаков; языковая специализация не обозначена. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория Hugging Face. Эмбеддинги сами по себе не генерируют ответы и качество поиска зависит от данных и выбранной схемы индексации.

tasksource/ModernBERT-base-embed — англоязычная модель Sentence Transformers, дообученная на базе answerdotai/ModernBERT-base для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, оценки сходства и обнаружения перефразировок. Модель также подходит для кластеризации и классификации текста с использованием эмбеддингов. Архитектура состоит из ModernBertModel и слоя пулинга по CLS-токену. Максимальная длина входной последовательности — 8192 токена; сходство векторов можно оценивать косинусной мерой. Модель обучалась на наборах данных для поиска ответов, естественного следования, сходства предложений и выявления перефразировок. В первую очередь рассчитана на английский язык. Сведения о лицензии в предоставленных данных отсутствуют.

castorini/monobert-large-msmarco-finetune-only — модель на архитектуре BERT Large, преобразованная из чекпойнта, обученного на MS MARCO. Она предназначена для ранжирования пассажей: оценивает пары запроса и текста, чтобы выбрать наиболее релевантные фрагменты. Модель относится к классу BertForSequenceClassification, содержит 433,9 млн параметров и принимает текст с контекстом до 512 токенов. Чекпойнт представлен в форматах PyTorch и Flax. В карточке указана лицензия Apache-2.0. Модель ориентирована на поиск и ранжирование текстовых фрагментов; сведений о поддержке других языков, кроме английского языка датасета MS MARCO, нет.

tomaarsen/mpnet-base-nq-prompts — англоязычная модель Sentence Transformers, дообученная на парах запросов и ответов датасета Natural Questions. Она основана на microsoft/mpnet-base и преобразует предложения и абзацы в плотные векторы размерностью 768 для вычисления семантического сходства по косинусной мере. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Её обучение на парах Natural Questions ориентировано на сопоставление вопросов с ответами, а приведённые в карточке оценки охватывают несколько наборов для поиска информации. Лицензия — Apache-2.0. Качество зависит от соответствия данных предметной области и языка; основной язык обучения и карточки — английский.

spl4shedEdu/mpnet_IAB — модель Sentence Transformers, дообученная разработчиком spl4shedEdu на базе sentence-transformers/all-mpnet-base-v2. MPNet с 136,7 млн параметров кодирует предложения и абзацы в плотные векторы размерности 768; представления нормализуются, а для сравнения можно использовать косинусное сходство. Максимальная длина последовательности в README — 384 токена; метаданные указывают нативный контекст 514 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В обучающих данных приведены пары «запрос — положительный пример» из товарных описаний и категорий, поэтому модель подходит для задач сопоставления товарных и каталожных текстов. README также сообщает об отдельном наборе оценки. Модель принимает текст и выдаёт эмбеддинги; в карточке не заявлена поддержка конкретных естественных языков. Лицензия в предоставленных данных не указана.

Карточка модели opantama/mpnet-rag-science-embeddings 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-distilbert-cos-v5 — модель sentence-transformers, обученная командой Sentence Transformers на 500 тысячах пар «запрос — ответ» из набора MS MARCO Passages. Она основана на DistilBERT и предназначена для семантического поиска: преобразует предложения и абзацы в нормализованные плотные векторы размерности 768. Для объединения контекстных представлений токенов используется mean pooling; косинусное сходство и скалярное произведение подходят для сравнения векторов. Модель можно применять для поиска релевантных фрагментов по запросу, ранжирования текстов по смысловой близости и построения систем поиска по коллекциям документов. Контекст ограничен 512 токенами. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. В предоставленных источниках сведения о лицензии отсутствуют.

msmarco-MiniLM-L12-cos-v5 — модель sentence-transformers, разработанная командой Sentence Transformers для семантического поиска. Она преобразует предложения и абзацы в плотные векторы размерности 768, обучена на 500 тысячах пар «запрос — ответ» из набора MS MARCO Passages. Модель основана на архитектуре BERT и содержит около 40 млн параметров. При использовании Sentence-Transformers она формирует нормализованные эмбеддинги с mean pooling; косинусное сходство можно вычислять через скалярное произведение. Контекст ограничен 512 токенами. Поддерживается английский язык. Модель подходит для поиска текстов, семантически близких к запросу, и ранжирования кандидатов по сходству. Для более широких языков и предметных областей качество может отличаться от английского поиска по MS MARCO. Лицензия в предоставленных данных не указана.

cross-encoder/ms-marco-MiniLM-L12-v2 — модель ранжирования текстовых пар на базе MiniLM-L12 от Microsoft, дообученная командой Sentence Transformers на задаче ранжирования пассажей MS MARCO. Она принимает поисковый запрос вместе с каждым кандидатом-текстом и оценивает их релевантность, чтобы упорядочить уже найденные документы, например после первичного поиска в ElasticSearch. Модель использует архитектуру BERT для классификации последовательностей, содержит около 40 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для повторного ранжирования результатов информационного поиска и извлечения релевантных пассажей. Карточка приводит оценки на наборах TREC Deep Learning 2019 и MS MARCO, однако скорость в ней измерена на V100 GPU и зависит от оборудования. Модель поддерживает английский язык; лицензия Apache-2.0.

Xenova/multilingual-e5-large — это версия модели intfloat/multilingual-e5-large с весами в формате ONNX, подготовленная для работы в библиотеке Transformers.js. Разработчик исходной модели — intfloat; репозиторий Xenova адаптирует её для использования в JavaScript-приложениях, включая веб-среду. Модель предназначена для создания векторных представлений предложений и текстов, а также для задач семантического поиска и retrieval. Она поддерживает пакетную обработку текстов, mean pooling и нормализацию эмбеддингов; размер выходного вектора составляет 768. Для поиска рекомендуется добавлять к запросу префикс «Represent this sentence for searching relevant passages: ». Эмбеддинги можно сравнивать, например, с помощью косинусного сходства. Ключевое преимущество модели — мультиязычное семантическое кодирование, пригодное для сопоставления запросов и документов по смыслу, а также возможность запуска через Transformers.js с ONNX-весами. README не содержит сведений о точном наборе языков, размере контекста, архитектурных деталях, ограничениях качества или лицензии, поэтому эти характеристики нельзя достоверно уточнить.

Horizon Labs Multilingual Reranker Base — многоязычная модель-переранжировщик для поиска и систем RAG. Это cross-encoder на архитектуре ModernBERT, дообученный на основе jhu-clsp/mmBERT-base и дистиллированный из Qwen3-Reranker-4B; размер — около 307 млн параметров. Модель принимает запрос и отдельный кандидатный фрагмент текста и выдаёт один логит релевантности для каждой пары: чем он выше, тем выше фрагмент следует поднять в результатах. Сигмоида от логита даёт оценку от 0 до 1. Модель рассчитана на переранжирование кандидатов, предварительно найденных векторным или ключевым поиском, в том числе для улучшения контекста, передаваемого LLM в RAG. Поддерживает более 40 языков и запросы с фрагментами на разных языках. Контекст модели — 8192 токена, однако обучение пар проводилось с длиной до 384 токенов, поэтому более длинные входы обрезаются; рекомендуется ранжировать фрагменты, а не целые документы. В репозитории есть веса safetensors и ONNX, включая квантованный вариант для CPU и браузера. По результатам приведённых в карточке тестов модель показывает среднее nDCG@10 0,855 на наборах MIRACL, Wikipedia и других многоязычных бенчмарках; результаты MIRACL относятся к обучающей области с версии 1.1. Модель уступает учителю Qwen3-Reranker-4B, особенно на длинных и технических фрагментах; узкоспециализированные медицинские, юридические, кодовые и разговорные запросы представлены слабее. Лицензия — Apache-2.0.

SeyedAli/Multilingual-Text-Semantic-Search-Siamese-BERT-V1 — модель эмбеддингов на базе BERT, разработанная в рамках Community Week Hugging Face. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 и предназначена для семантического поиска: сопоставляет запросы с релевантными документами по смыслу. Модель дообучена на примерно 215 млн пар «вопрос — ответ» из разных источников с контрастивной функцией потерь; базовая модель — nreimers/MiniLM-L6-H384-uncased. Модель содержит 25,9 млн параметров, использует mean pooling и поддерживает контекст до 512 токенов; при этом обучение проводилось на текстах длиной до 250 токенов, поэтому более длинные входы могут давать менее надёжные результаты. Нормализация векторов позволяет использовать скалярное произведение вместо косинусного сходства для ранжирования. Доступны форматы PyTorch, Safetensors и TensorFlow. Сведения о лицензии в предоставленных источниках отсутствуют.

Multilingual Zero-Shot Classifier small — модель Horizon Labs для классификации текста по произвольным категориям без отдельного обучения на этих категориях. Это дообученная на задачах распознавания текстового следования модель семейства ModernBERT на базе jhu-clsp/mmBERT-small; она насчитывает 140,5 млн параметров. Модель принимает текст и сравнивает его с формулировками кандидатных меток, оценивая, следует ли гипотеза из текста. Также поддерживается NLI-сценарий с парой текстов. Модель рассчитана на классификацию тем, намерений, тональности и других категорий на более чем 30 языках. В карточке заявлено окно контекста до 8192 токенов, хотя дообучение проводилось на последовательностях длиной до 1024 токенов. Метки и шаблоны гипотез на английском языке обычно дают лучшие результаты, но можно использовать формулировки на языке исходного текста. В репозитории доступны веса Safetensors и ONNX для запуска, в том числе на CPU и в браузере. Точность зависит от формулировок меток и шаблона: широкие категории могут выигрывать у узких, а близкие по смыслу классы — смешиваться. На языках с меньшим объёмом обучающих данных качество ниже; для некоторых англоязычных задач специализированные модели могут быть точнее. Обучение включает синтетические и машинно переведённые данные. Лицензия — Apache-2.0; карточка заявляет, что использованные данные допускают коммерческое применение.

Это дообученная модель Sentence Transformers на базе sentence-transformers/multi-qa-MiniLM-L6-dot-v1. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается скалярным произведением. Модель предназначена для семантического поиска, сравнения текстов и других задач, где нужно сопоставлять фрагменты по смыслу. Модель подходит для поиска релевантных фрагментов по запросу, выявления перефразировок, кластеризации и классификации текста на основе эмбеддингов. Максимальная длина входной последовательности — 512 токенов. Базовая модель ориентирована на английские вопросы и тексты, поэтому англоязычные сценарии подтверждены лучше всего.

Карточка модели swardiantara/MultiSource-full-cdk0-m0.5-e5-b128-L6 на Hugging Face совпадает с карточкой swardiantara/one-cdk0-m0.5-e5-b128-L6, поэтому описание составлено по ней. swardiantara/one-cdk0-m0.5-e5-b128-L6 — модель Sentence-Transformers на базе BERT, разработанная пользователем swardiantara. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 25,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Модель подходит для построения эмбеддингов и поиска семантически близких фрагментов; README не приводит результаты оценки качества. Лицензия в предоставленных данных не указана.

tomaarsen/mxbai-embed-large-v1-test — репозиторий Mixedbread с моделью для получения векторных представлений предложений на основе семейства mxbai-embed-large-v1. Она предназначена для поиска релевантных фрагментов и сравнения текстов по смыслу. Для поискового запроса README рекомендует добавлять инструкцию «Represent this sentence for searching relevant passages:»; для остальных текстов специальный промпт не требуется. Модель поддерживает Matryoshka Representation Learning и бинарную квантизацию. Модель использует архитектуру BERT, содержит около 433,9 млн параметров и рассчитана на контекст до 512 токенов. В карточке указана поддержка английского языка. Доступны форматы safetensors, ONNX, OpenVINO и GGUF F16; библиотека — Sentence Transformers. Лицензия — Apache-2.0. Суффикс test есть в идентификаторе репозитория, но предоставленные сведения не подтверждают, что это тестовая заглушка или отдельный тестовый чекпойнт.

Nemotron-3-Embed-1B-BF16 — мультиязычная модель эмбеддингов текста, разработанная NVIDIA для семантического поиска, извлечения релевантных фрагментов и систем RAG. Она предназначена, в частности, для создания приложений вопросов и ответов по крупным текстовым корпусам и агентных сценариев с поиском. Модель основана на Ministral-3-3B-Instruct-2512 и получена с помощью структурного прунинга и дистилляции. Это трансформер с примерно 1,14 млрд параметров: он преобразует текст в плотный вектор размерности 2048, используя двунаправленное внимание и усреднение представлений токенов. Поддерживаются входы до 32 768 токенов; вектор можно укоротить до меньшей размерности с последующей L2-нормализацией. Модель оценивалась на 34 языках, включая русский. Модель рассчитана на коммерческое использование и ориентирована на поиск и семантическое сходство; NVIDIA заявляет о сильных результатах на мультиязычных бенчмарках извлечения. Для текстов длиннее 32 768 токенов требуется усечение или разбиение на фрагменты. В README указана лицензия OpenMDW-1.1 с дополнительной информацией об Apache 2.0.

Octen-Embedding-8B-INT8 — текстовая embedding-модель, разработанная Octen на основе Qwen/Qwen3-Embedding-8B и дообученная методом LoRA. Она предназначена для семантического поиска, retrieval-сценариев, оценки сходства текстов и построения векторных представлений документов, запросов и кода. Заявлены прикладные области: юридические документы, финансовые отчёты и вопросы, медицинские диалоги и консультации, программирование и SQL-поиск. Модель содержит около 8 млрд параметров, использует INT8-квантизацию через bitsandbytes и формирует embeddings размерностью 4096. README указывает поддержку английского, китайского и более чем 100 языков, включая языки программирования, а также мультиязычный, кросс-языковой и code retrieval. Заявлена работа с очень длинным контекстом: до 32 768 токенов в основных характеристиках, при этом в разделе Model Details указано значение 40 960 токенов. Память для INT8-версии оценивается примерно в 8 ГБ против около 16 ГБ для BF16-версии. К сильным сторонам относятся высокая заявленная точность retrieval, поддержка специализированных доменов, мультиязычность, большая размерность embeddings и сниженное потребление памяти. На RTEB модель указана как лидер по состоянию на 12 января 2026 года со средним показателем 0,8045. Ограничение заключается в том, что INT8-квантизация не гарантирует ускорения инференса и на некоторых аппаратных платформах может работать немного медленнее BF16-версии; также следует учитывать расхождение в заявленной максимальной длине контекста. Модель распространяется по лицензии Apache-2.0.

swardiantara/one-stage-cdk10-MiniLM-L12-v2 — модель Sentence-Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерностью 384. Она предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит около 40 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель обучена с ContrastiveLoss и косинусной метрикой расстояния. Веса опубликованы в формате safetensors. Карточка не сообщает, на каких языках и данных модель обучалась, поэтому её языковые возможности нельзя уточнить. Лицензия в предоставленных данных не указана.

Ovis-VL-Embedding-9B — мультимодальная модель эмбеддингов для поиска, разработанная командой Ovis и основанная на Qwen3.5-9B. Она независимо кодирует запросы и кандидаты в общее пространство векторов, поддерживая текст, изображения, визуальные документы, видео и их чередующиеся мультимодальные сочетания. Модель предназначена для семантического и межмодального поиска, индексации и извлечения данных для RAG, поиска по видео с локализацией фрагментов, рекомендаций и сопоставления ближайших соседей. Архитектура сохраняет текстовый и визуальный кодировщики и мультимодальную языковую основу Qwen3.5-9B, но удаляет голову языкового моделирования. Вектор размерности 4096 извлекается из скрытого состояния последнего непустого токена; отдельная проекционная голова не используется. Для ранжирования запросы и кандидаты кодируются отдельно, нормализуются по L2 и сравниваются по косинусному сходству. Модель не принимает аудио и не предназначена для генерации текста или изображений. Качество зависит от инструкций к запросам и соблюдения исходного шаблона и предобработки; результаты различаются по задачам, а крупная модель требует больше памяти и вычислений, чем вариант 2B. Лицензия — Apache-2.0.

passage-ranker.pistachio — мультиязычный ранжировщик пассажей компании Sinequa. Он оценивает релевантность пары «запрос — фрагмент текста», чтобы сортировать результаты поиска и улучшать первый этап выдачи в поисковых системах и системах извлечения информации. Модель основана на BERT для классификации последовательностей и обучена по схеме MonoBERT на MS MARCO Passage Ranking, включая переведённые обучающие данные. В README указано 167 млн параметров, а метаданные содержат оценку 194,6 млн; максимальная длина контекста — 512 токенов. Модель обучалась и тестировалась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском (упрощённом) и польском; README также отмечает ожидаемую базовую поддержку ещё 93 языков благодаря предобучению базовой модели. Она нечувствительна к регистру и диакритическим знакам. В README приведены результаты на BEIR для английского, PIRBenchmark для польского и MIRACL для ряда других языков. Для запуска указаны Sinequa версии 11.10.0 или новее и CUDA compute capability выше 7.5; приведены также замеры скорости и памяти на GPU. Лицензия в предоставленных данных не указана.

dbourget/philai-bge-6e — модель эмбеддингов предложений и абзацев на базе архитектуры BERT, опубликованная пользователем dbourget. Она преобразует текст в плотные векторы размерностью 1024 и предназначена для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит около 433,9 млн параметров, использует библиотеку Sentence Transformers и принимает контекст до 512 токенов. Векторы модели подходят для построения поисковых систем и группировки текстов по смыслу. В карточке не описаны языковое покрытие и специализированные предметные области. Репозиторий содержит веса в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

Карточка модели infgrad/Prism-Qwen3.5-Reranker-0.8B на Hugging Face совпадает с карточкой infgrad/Prism-Qwen3.5-Reranker-4B, поэтому описание составлено по ней. Prism-Qwen3.5-Reranker-4B — модель-реранкер от infgrad на основе архитектуры Qwen3.5, дообученная для поиска и RAG-сценариев. Она оценивает релевантность пары «запрос — документ» и может дополнительно выдать краткий вклад документа в ответ на запрос и самостоятельный фрагмент с релевантными свидетельствами. Для нерелевантных документов возвращает отрицательный результат без этих пояснений. Модель предназначена для переупорядочивания результатов поиска, в том числе в агентных системах, и обработки запросов в форме ключевых слов. Веса содержат 3,4 млрд параметров; архитектура плотная, контекстное окно по метаданным — 262 144 токена. Однако обучение ограничивало примеры 10 тысячами токенов, поэтому на более длинных входах качество может снижаться. Основные языки — английский и китайский; другие языки также поддерживаются, но обучающих данных для них меньше. Модель распространяется под лицензией MIT.

Карточка модели infgrad/Prism-Qwen3.5-Reranker-2B на Hugging Face совпадает с карточкой infgrad/Prism-Qwen3.5-Reranker-4B, поэтому описание составлено по ней. Prism-Qwen3.5-Reranker-4B — модель-реранкер от infgrad на основе архитектуры Qwen3.5, дообученная для поиска и RAG-сценариев. Она оценивает релевантность пары «запрос — документ» и может дополнительно выдать краткий вклад документа в ответ на запрос и самостоятельный фрагмент с релевантными свидетельствами. Для нерелевантных документов возвращает отрицательный результат без этих пояснений. Модель предназначена для переупорядочивания результатов поиска, в том числе в агентных системах, и обработки запросов в форме ключевых слов. Веса содержат 3,4 млрд параметров; архитектура плотная, контекстное окно по метаданным — 262 144 токена. Однако обучение ограничивало примеры 10 тысячами токенов, поэтому на более длинных входах качество может снижаться. Основные языки — английский и китайский; другие языки также поддерживаются, но обучающих данных для них меньше. Модель распространяется под лицензией MIT.

Карточка модели infgrad/Prism-Qwen3.5-Reranker-9B на Hugging Face совпадает с карточкой infgrad/Prism-Qwen3.5-Reranker-4B, поэтому описание составлено по ней. Prism-Qwen3.5-Reranker-4B — модель-реранкер от infgrad на основе архитектуры Qwen3.5, дообученная для поиска и RAG-сценариев. Она оценивает релевантность пары «запрос — документ» и может дополнительно выдать краткий вклад документа в ответ на запрос и самостоятельный фрагмент с релевантными свидетельствами. Для нерелевантных документов возвращает отрицательный результат без этих пояснений. Модель предназначена для переупорядочивания результатов поиска, в том числе в агентных системах, и обработки запросов в форме ключевых слов. Веса содержат 3,4 млрд параметров; архитектура плотная, контекстное окно по метаданным — 262 144 токена. Однако обучение ограничивало примеры 10 тысячами токенов, поэтому на более длинных входах качество может снижаться. Основные языки — английский и китайский; другие языки также поддерживаются, но обучающих данных для них меньше. Модель распространяется под лицензией MIT.

Англоязычный cross-encoder на базе ELECTRA, дообученный командой cross-encoder с использованием класса SentenceTransformers. Модель оценивает пару «вопрос — абзац» и определяет, отвечает ли абзац на вопрос; она обучена на наборе GLUE QNLI, преобразованном из SQuAD в задачу вывода по тексту. Модель предназначена для ранжирования абзацев по релевантности вопросу, например, при поиске фрагментов для системы ответов на вопросы. Архитектура — ELECTRA с классификационной головой, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Поддерживаются форматы PyTorch, Safetensors, ONNX и OpenVINO. Модель принимает текстовые пары и выдаёт оценку релевантности, а также может использоваться для классификации текста. Карточка сообщает об англоязычных данных и обучении на QNLI. Лицензия — Apache-2.0. Результат оценивает релевантность пары, но сам по себе не генерирует ответ на вопрос; длина входа ограничена 512 токенами.

UFGCEMIGONA/Qwen3-Embedding-0.6B-v2 — текстовая Sentence Transformer-модель, дообученная на Qwen/Qwen3-Embedding-0.6B. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для поиска и сравнения текстов по смыслу; сходство оценивается косинусной мерой. Архитектура включает Qwen3, pooling по последнему токену и нормализацию эмбеддингов. Модель принимает текст, поддерживает последовательности длиной до 32 768 токенов и может применяться для семантического поиска и подготовки кандидатов к ранжированию. В README приведены метрики reranking на наборе qwen-reranking-eval: nDCG@10 — 0,7374, MRR@10 — 0,657, MAP — 0,6543. Язык лицензии и перечень поддерживаемых языков в предоставленных данных не указаны.

zecafonso/Qwen3-Embedding-4B-1024 — текстовая Sentence Transformer модель, дообученная автором репозитория на базе Qwen/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные векторы размерностью 2560 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает Qwen3Model, пулинг последнего токена и нормализацию; модель принимает только текст. В README указан максимальный размер последовательности 1024 токена, а метаданные каталога указывают базовый контекст Qwen в 40960 токенов. Основной сценарий — информационный поиск: подбор релевантных фрагментов по запросу, семантический поиск и ранжирование кандидатов через сравнение эмбеддингов. В README приведены оценки на двух наборах для поиска, а также сведения о дообучении на 58 примерах с anchor, positive и negative текстами. Метаданные описывают базовую модель как мультиязычную, но сам README не перечисляет языки, на которых проверена эта версия. Лицензия в предоставленных данных не указана.

QZhou-Embedding (Qingzhou Embedding) — плотная модель контекстных текстовых эмбеддингов, разработанная на основе Qwen2.5-7B-Instruct. Разработчики изменили причинное внимание на двунаправленное и построили архитектуру QZhouModel на базе Qwen2Model. Модель содержит 7,1 млрд параметров; метаданные указывают контекст до 32 768 токенов, а README — до 8 тысяч токенов. Модель предназначена для получения векторных представлений текста, поиска и оценки сходства предложений. Она обучалась в два этапа: сначала для задач поиска, затем для нескольких задач представления текста; разработчики сообщают о высоких результатах на бенчмарках MTEB и CMTEB. Поддерживаются английский и китайский языки. Лицензия — Apache-2.0. README отмечает, что MRL в этой версии не поддерживается из-за снижения качества. Для воспроизведения результатов и запуска через vLLM важны версии библиотек и параметры среды; обновлённый скрипт для Transformers 5 требует указанного в карточке набора зависимостей.

kwondw/reranker-MiniLM-L12-H384-uncased-gooaq-cmnrl — англоязычный cross-encoder, дообученный автором на наборе вопросов и ответов GooAQ на базе microsoft/MiniLM-L12-H384-uncased с использованием Sentence Transformers. Модель оценивает пары текстов одним числовым баллом и предназначена для переранжирования результатов поиска и семантического поиска, в том числе для отбора ответов на вопросы. Модель использует архитектуру BERT с классификационной головой, содержит 40 млн параметров и обрабатывает последовательности длиной до 512 токенов. В карточке приведены оценки на наборах NanoBEIR и NanoMSMARCO, NanoNFCorpus и NanoNQ; показатели различаются в зависимости от набора и конфигурации, поэтому их следует проверять на целевых данных. Лицензия — Apache-2.0.