I.11Классификация, ранжирование и сопоставление

GLiNER2.5-Decide-1B — модель классификации Fastino из семейства GLiNER2.5, дообученная на базе fastino/gliner2-xl-0111. Она принимает текст и набор меток, заданный при вызове, и за один проход оценивает одну или несколько категорий без шаблона промпта и генерации токенов. Модель предназначена для операционных решений: классификации намерений и тональности, маршрутизации обращений, определения срочности и важности, типа документа, тематики, модерации и передачи запроса оператору. Модель поддерживает классификацию по пользовательским меткам, включая многометочную разметку. В README приведён англоязычный бенчмарк на 17 предметных областях с точностью exact match 59,6% для версии 1B; автор отмечает, что вариант меньшего размера показал на этом наборе более высокий результат. Модель не предназначена для общего диалога, рассуждений, объяснений или ответов на открытые вопросы. Лицензия — Apache 2.0.

Granite-Embedding-278M-Multilingual — модель для получения векторных представлений текста из линейки Granite Embeddings, разработанная командой Granite Embedding Team компании IBM. Она предназначена для поиска, извлечения документов и сравнения смысловой близости текстов. Модель основана на энкодерной архитектуре XLM-RoBERTa, содержит около 305 млн параметров по метаданным и формирует эмбеддинги размерности 768. Контекст ограничен 514 токенами по метаданным; README указывает ограничение в 512 токенов, после которого длинные тексты обрезаются. Модель обучалась с помощью контрастивного дообучения, дистилляции знаний и слияния моделей. Она поддерживает английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский языки. Для русского и других языков вне этого списка README допускает дополнительное дообучение, но не заявляет их как штатно поддерживаемые. Лицензия Apache 2.0.

GritLM-8x7B — языковая модель Contextual AI, дообученная на базе mistralai/Mixtral-8x7B-Instruct-v0.1 методом GRIT. Она объединяет генерацию текста и получение текстовых представлений, поэтому подходит как для диалогов и ответов на запросы, так и для создания эмбеддингов и оценки релевантности текстов. В метаданных указаны архитектура Mixtral с разреженной экспертной архитектурой MoE, 7,1 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на задачи поиска и представления текста, а также на генерацию ответов и продолжений. Карточка сообщает о высоких результатах на задачах генерации и представления текста, но не приводит подробных оценок или инструкций по использованию. Репозиторий распространяется по лицензии Apache-2.0. Языковая поддержка в предоставленных данных не уточнена.

Карточка модели unsloth/gte-modernbert-base на Hugging Face совпадает с карточкой Alibaba-NLP/gte-modernbert-base, поэтому описание составлено по ней. gte-modernbert-base — англоязычная модель для построения текстовых эмбеддингов, разработанная Tongyi Lab компании Alibaba. Она основана на encoder-only архитектуре ModernBERT и содержит 149 млн параметров; вектор представления имеет размерность 768, максимальная длина входа — 8192 токена. Модель предназначена для семантического поиска, извлечения документов, сравнения предложений и подбора текстов по смыслу, в том числе как компонент систем RAG. В карточке приведены результаты оценок MTEB, BEIR, LoCo и COIR; они показывают эффективность на задачах поиска, включая поиск по длинным документам и коду. Доступны веса в форматах PyTorch, Safetensors и ONNX; для интеграции описано использование Transformers, Sentence Transformers и Text Embeddings Inference. Модель распространяется по лицензии Apache-2.0. Она рассчитана прежде всего на английский язык, поэтому качество для других языков не подтверждено карточкой.

Это модель Sentence Transformers, дообученная IoannisKat1 на базе Alibaba-NLP/gte-multilingual-base для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Вектор размерности 768 нормализуется; для сравнения используется косинусное сходство. Максимальная длина последовательности — 8192 токена. Модель предназначена для поиска и извлечения релевантных текстов, включая сценарии семантического поиска по документам и вопросам. В карточке приведены результаты оценки поиска при усечении эмбеддингов до 768, 512, 256, 128 и 64 измерений; качество снижается при уменьшении размерности. Обучение описано на 4 268 парах текстов с функциями потерь MatryoshkaLoss и MultipleNegativesRankingLoss. README указывает английский язык, но примеры обучающих данных содержат греческий текст, поэтому языковой охват по карточке определить однозначно нельзя. Лицензия — Apache-2.0.

Gooly/gte-small-en-fine-tuned-e-commerce — модель эмбеддингов на базе Sentence-Transformers для представления предложений и абзацев в виде плотных векторов размерности 384. По названию репозитория модель дообучена для электронной коммерции; README указывает обучение с MultipleNegativesRankingLoss и косинусным сходством. Она подходит для семантического поиска и кластеризации текстов, например для поиска товаров по смыслу запроса. Архитектура — BERT, размер — около 40 млн параметров, формат весов — PyTorch, максимальный контекст — 512 токенов. Модель принимает текст и выдаёт векторы, пригодные для сравнения семантической близости. Название указывает на англоязычную специализацию, однако README и метаданные не подтверждают конкретные языки обучения. Сведения о лицензии в предоставленных данных отсутствуют.

jfkback/hypencoder.6_layer — официальная модель Hypencoder из работы «Hypencoder: Hypernetworks for Information Retrieval». Это двухбашенный кодировщик на базе дообученной google-bert/bert-base-uncased: текстовый энкодер преобразует элементы в векторы размерности 768, а гиперсеть формирует небольшую нейросеть, которая использует этот вектор для вычисления оценки релевантности. Вариант 6_layer отличается числом скрытых слоёв в этой небольшой сети. Модель предназначена для информационного поиска и оценки релевантности текста, например для ранжирования результатов поиска. Для использования требуются код и инструкции из репозитория проекта на GitHub. В метаданных указаны английский язык и датасет MS MARCO. Модель распространяется по лицензии Apache-2.0.

Intel разработала intel-optimized-model-for-embeddings-v1 — текстовую модель эмбеддингов на архитектуре BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для семантического поиска и кластеризации. Модель содержит 49,2 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch и safetensors. Модель дообучена с использованием библиотеки sentence-transformers на основе BERT-Medium_L-8-H-512-A-8 с UAE-Large-V1 в роли учителя. В обучении использовались наборы данных для поиска сущностей, открытого вопросно-ответного поиска и задач по научным документам. Лицензия модели — MIT. Данные не определяют поддерживаемые естественные языки и конкретные показатели качества.

masahiroid/japanese-reranker-small-v2-mlx — это неофициальная общественная конверсия модели hotchpotch/japanese-reranker-small-v2 в формат MLX. Модель представляет собой компактный кросс-энкодер на базе ModernBERT с 70 млн параметров и контекстом до 8192 токенов. Она оценивает релевантность пары «запрос — документ» и помогает переупорядочивать результаты поиска. Модель предназначена для японского и английского текста, в том числе для повышения качества поиска и выдачи в RAG-системах. Для использования README указывает библиотеку mlx-embeddings. Формат репозитория — safetensors; конверсия предназначена для MLX. Лицензия — MIT. Это не официальный выпуск автора исходной модели.

jinaai/jina-embedding-l-en-v1 — англоязычная модель эмбеддингов, разработанная Jina AI на архитектуре T5 Encoder. Она обучена на наборе Linnaeus-Clean, содержащем 380 миллионов пар предложений, включая пары запросов и документов; исходный набор Linnaeus-Full насчитывал 1,6 миллиарда пар. Модель содержит 385,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги для поиска и сравнения текстов. Модель предназначена для семантического поиска, сопоставления запросов с документами и оценки сходства предложений. В README приведено сравнение с моделями Sentence Transformers и OpenAI на наборах STS, Quora и SciFact. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель ориентирована на английский язык, поэтому качество для других языков не подтверждено.

corto-ai/jina-reranker-v1-turbo-en-onnx — ONNX-версия модели jina-reranker-v1-turbo-en, разработанной Jina AI. Это англоязычный cross-encoder для переранжирования результатов поиска: модель оценивает релевантность пары «запрос—документ» и помогает упорядочить найденные документы в поисковых системах, системах вопросно-ответного поиска и других приложениях neural search. Модель предназначена для локального использования в ONNX-совместимой инфраструктуре и интеграции, в частности, с Transformers.js или библиотеками на базе Transformers и sentence-transformers. В основе лежит JinaBERT — вариант архитектуры BERT с двунаправленным симметричным ALiBi, поддерживающий контекст до 8192 токенов. Модель содержит 6 слоёв, скрытый размер 384 и около 37,8 млн параметров. Она создана с применением knowledge distillation из более крупной модели, что обеспечивает высокую скорость инференса при сохранении значительной части качества исходной модели. Основное ограничение — специализация на английском языке и задаче ранжирования; модель не предназначена для генерации текста и не заявлена как мультимодальная. В карточке указана лицензия Apache-2.0.

kasraahmadi/job-eval-modernbert — дообученная модель cross-encoder на базе ModernBERT для оценки соответствия резюме описанию вакансии. Она выдаёт четыре оценки от 1 до 5 по отдельным аспектам соответствия и для каждой подсвечивает абзац, который получил наибольший вес. Модель использует 156 млн параметров; при обучении настроены верхние два слоя трансформера, pooler и выходные головы, а основная часть энкодера заморожена. Модель предназначена для локального предварительного ранжирования кандидатов по вакансии и объяснения результатов как вспомогательного инструмента для рекрутера. README указывает, что обучение велось на английских парах резюме и вакансий с оценками, созданными LLM-судьёй; максимальная длина при обучении — 1024 токена, базовый энкодер рассчитан на контекст до 8k. Подсветка показывает, какие фрагменты учитывает модель, но не является причинным объяснением. Разработчик — Kasra Ahmadi; модель связана с сервисом job-eval.com и открытым CLI job-eval. Репозиторий содержит веса в формате safetensors, библиотека — PyTorch. Лицензия — Apache-2.0. Модель следует применять для сортировки и поддержки анализа человеком, а не для автоматического отказа кандидатам или принятия решений о найме.

KURE-Reranker-base — двуязычный корейско-английский переранжировщик, разработанный nlpai-lab на основе Qwen3-1.7B. Это плотная causal language model с архитектурой Qwen3, использующая схему cross-encoder: модель совместно обрабатывает запрос и кандидатный документ и выдаёт скалярную оценку их релевантности. Контекст модели составляет до 40 960 токенов. Модель предназначена для повторного ранжирования результатов поиска и длинных документов. В README указаны средние 88,00 nDCG@10 на девяти корейских бенчмарках и 81,63 nDCG@10 на MultiLongDocRetrieval; также сообщается о скорости 55 пар в секунду на NVIDIA RTX A6000 48 ГБ в описанных авторами условиях. Эти показатели относятся к указанным наборам данных и оборудованию и не гарантируют аналогичный результат в других сценариях. Модель распространяется по лицензии Apache-2.0.

Tomaarsen/LFM2-350M-nq-prompts — модель Sentence Transformer, дообученная на парах запросов и ответов набора Natural Questions на базе LiquidAI/LFM2-350M. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных документов. В модели используется архитектура LFM2 с pooling по последнему токену; максимальная длина последовательности составляет 128 000 токенов. Для сравнения векторов предусмотрена косинусная мера сходства; карточка приводит результаты на тестах поиска NanoMSMARCO, NanoNFCorpus и NanoNQ. Модель ориентирована на англоязычные запросы и документы, например поиск ответа на вопрос в коллекции текстов, поиск перефразировок, кластеризацию и классификацию на основе эмбеддингов. Выпущена под лицензией Apache-2.0. Показатели в карточке получены на небольших наборах Nano BEIR и Natural Questions, поэтому их не следует считать гарантией качества на произвольных корпусах; результаты могут зависеть от формата запросов и документов.

Карточка модели ronaldmannak/LFM2.5-Embedding-350M-4bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-Embedding-350M-4bit, поэтому описание составлено по ней. LFM2.5-Embedding-350M-4bit — 4-битная MLX-сборка мультиязычной плотной двунаправленной модели-энкодера Liquid AI. Она преобразует запросы и документы в 1024-мерные векторы; косинусное сходство между ними подходит для семантического поиска и сопоставления предложений, включая поиск между языками. Модель предназначена для локального запуска на устройствах Apple Silicon с MLX. В репозитории веса переведены из формата PyTorch/safetensors в MLX и квантованы до 4 бит с аффинной схемой и размером группы 64. В README указано, что на наборе из восьми оценённых датасетов качество поиска сохранилось близким к bf16-версии: среднее удержание NDCG@10 составило 100%, Recall@10 — 98,6%. Оценка для мультиязычных наборов проводилась на сокращённых пулах документов, поэтому абсолютные результаты нельзя напрямую сравнивать с результатами на полных корпусах. Метаданные указывают 444,6 млн параметров и контекст до 128 000 токенов. Поддерживаемые языки включают английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский. Лицензия отмечена как other; конкретные условия следует сверить с карточкой базовой модели LiquidAI/LFM2.5-Embedding-350M.

LFM2.5-Embedding-350M-bf16 — мультиязычная модель-энкодер Liquid AI, преобразующая запросы и документы в векторы для семантического поиска и сравнения сходства. Репозиторий mlx-community содержит сборку для локального запуска на устройствах Apple Silicon с библиотекой MLX; архитектура — двунаправленный плотный энкодер LFM2.5 с 1024-мерным CLS-представлением. Число параметров — 444,6 млн, исходная точность bf16 сохранена, контекст — до 128 000 токенов. Модель подходит для поиска документов по смыслу, многоязычного и кросс-языкового поиска, а также ранжирования по косинусному сходству векторных представлений. В README приведены оценки retrieval на небольших наборах NanoBEIR и сокращённых пулах MIRACL для нескольких языков; авторы предупреждают, что абсолютные результаты MIRACL нельзя напрямую сравнивать с лидербордом. Это конверсия исходной модели LiquidAI/LFM2.5-Embedding-350M: веса и поведение сохранены, изменён формат для MLX. Лицензия указана как other; конкретные условия следует сверить с карточкой исходной модели.

LFM2.5-Embedding-350M-GGUF — GGUF-версия модели LiquidAI/LFM2.5-Embedding-350M, разработанная компанией Liquid AI. Это плотный bi-encoder для быстрого многоязычного семантического поиска и извлечения документов, предназначенный для RAG-конвейеров, sentence similarity и feature extraction. Модель преобразует запросы и документы в отдельные векторы, которые можно сопоставлять, например, по косинусному сходству; для корректной асимметричной обработки используются префиксы «query: » и «document: ». Модель интегрируется с llama.cpp и запускается в режиме embeddings. Модель ориентирована на 11 языков: английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский. Указан размер 350M параметров; архитектурной основой служит эффективный LFM2 backbone. Заявлены высокая многоязычная точность для плотной embedding-модели такого размера и скорость инференса, сопоставимая с существенно меньшими моделями, что делает её подходящей для компактных и быстрых поисковых индексов. Данные о длине контекста и поддерживаемых модальностях, кроме текстовой, не приведены. Модель распространяется по лицензии LFM1.0; подробные условия находятся в файле LICENSE. README не содержит количественных результатов бенчмарков, точных ограничений по длине входа или иных детальных ограничений, поэтому эти характеристики нельзя определить по представленным данным.

LFM2.5-Embedding-350M-int8 — 8-битная квантованная версия мультиязычного двунаправленного би-энкодера Liquid AI LFM2.5-Embedding-350M, опубликованная sahilchachra для запуска на Apple Silicon через MLX. Модель кодирует запросы и документы в векторы размерности 1024 с CLS-пулингом; для входов требуются префиксы «query: » и «document: », а близость оценивается косинусным сходством. Контекст составляет до 128 000 токенов. Модель предназначена для семантического и кросс-языкового поиска и извлечения релевантных документов. В README приведено сравнение на английском подмножестве NanoBEIR: средний NDCG@10 после квантования практически совпал с fp16. Указана лицензия other; перед использованием следует проверить условия лицензии базовой модели и репозитория. Для корректного получения эмбеддингов нужен двунаправленный энкодер с CLS-пулингом: обычные причинные загрузчики LFM2 дают неверные результаты.

LGAI-Embedding-Preview — модель для получения векторных представлений текста, разработанная на основе Mistral-7B. Она предназначена для оценки сходства предложений и задач поиска по семантическому соответствию; README описывает её проверку на бенчмарке MTEB с примерами в контексте. Модель имеет плотную архитектуру Mistral примерно на 7,1 млрд параметров, размерность эмбеддингов 4096 и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и указывает лицензию Apache-2.0. README называет модель предварительной и сообщает, что цель работы — воспроизвести базовую модель и проверить процесс публикации результатов.

Llama-3-Refueled (RefuelLLM-2-small) — языковая модель Refuel AI на архитектуре Llama 3, дообученная для следования инструкциям. Она предназначена для генерации текста и выполнения NLP-задач, включая классификацию, ответы на вопросы по прочитанному, извлечение атрибутов в структурированном виде и разрешение сущностей. Модель принимает и выдаёт только текст; её контекст составляет 8192 токена, размер — 7,5 млрд параметров. Обучение охватывает более 2750 задач и свыше 4 млрд токенов, с использованием аннотированных, синтетических и собственных или лицензированных Refuel AI данных. Модель рассчитана на англоязычные сценарии и доступна в формате safetensors для Transformers. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. В README отмечено отсутствие встроенных механизмов модерации, поэтому модель может выдавать немодерированный контент.

llama-nv-embed-reasoning-3b — текстовая модель эмбеддингов NVIDIA на основе двунаправленной архитектуры Llama, дообученная на базе meta-llama/Llama-3.2-3B. Модель содержит 3,2 млрд параметров и формирует векторы размерностью до 3072 для предложений и документов. В метаданных указано контекстное окно 131072 токена; при обучении использовалась длина до 512 токенов для запросов и документов, а при оценке — до 8192 токенов. Модель предназначена для векторного поиска и поиска по смыслу, особенно по материалам с многошаговыми рассуждениями, объяснениями и техническими подробностями. Её можно применять в текстовых RAG-системах, для сопоставления коротких запросов с длинными документами, поиска по базам знаний и обращениям в поддержку, а также для кластеризации и удаления дубликатов. Эмбеддинги подходят для использования с векторными базами данных и retrieval-конвейерами. Модель разработана NVIDIA и оптимизирована для вычислений на GPU NVIDIA; в README указана совместимость с Linux и GPU A100 или H100. Для запуска описана интеграция с Transformers и vLLM. Лицензия в метаданных — CC BY 4.0, однако README ограничивает использование исследовательскими и некоммерческими целями.

Lore-Qwen3-embedding-0.6B — плотная модель эмбеддингов на основе Qwen3, дообученная методом LORE (Logic-ORiented Retriever Enhancement). Она предназначена для поиска по тексту, особенно для запросов со сложными логическими выражениями, и для различения релевантных документов и отвлекающих фрагментов. В обучении использовалось контрастивное разделение примеров на положительные, близкие отвлекающие и отрицательные; применялась архитектура с замороженным энкодером документов и обучаемым энкодером запросов. Модель содержит около 507,6 млн параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache-2.0. Модель рассчитана на создание векторных представлений текста для семантического поиска и retrieval-систем. По карточке, LORE улучшает обработку логически сложных запросов и сохраняет вычислительную эффективность базовой модели. В основе указан Qwen/Qwen3-0.6B-Base; README при этом называет Qwen/Qwen3-Embedding-0.6B исходной моделью для дообучения.

Together Computer публикует M2-BERT-80M-8k-retrieval — модель семейства M2-BERT, дообученную для поиска по длинным текстам. В README указана версия чекпойнта на 80 млн параметров, однако метаданные Hugging Face сообщают 136,7 млн параметров; поэтому размер в описании не приводится. Модель обучена Jon Saad-Falcon, Dan Fu и Simran Arora на последовательностях длиной до 8192 токенов и загружается как BertForSequenceClassification через Transformers. Модель предназначена для оценки сходства предложений и retrieval-сценариев с длинным контекстом: например, для ранжирования документов по релевантности запросу. Основной указанный язык — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Для загрузки в README показан параметр trust_remote_code=True.

Карточка модели gemasphi/mcontriever-msmarco на Hugging Face совпадает с карточкой gemasphi/mcontriever, поэтому описание составлено по ней. gemasphi/mcontriever — модель на основе архитектуры BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Общее число параметров — 205,1 млн, максимальная длина контекста — 512 токенов; репозиторий содержит веса PyTorch. Модель подходит для построения векторного поиска по текстовым коллекциям, группировки похожих фрагментов и оценки семантической близости. В README описано обучение с CosineSimilarityLoss. Язык обучения или перечень поддерживаемых языков в предоставленных данных не подтверждены. Лицензия в доступных сведениях не указана.

Merino-XL-v2 — мультиязычная модель для поиска и ранжирования документов, разработанная BAA AI (Black Sheep AI). Она объединяет биэнкодер для получения эмбеддингов запросов и документов и кросс-энкодер для оценки релевантности пары «запрос — документ». Обе части построены на общей таблице входных эмбеддингов и используют основу xlm-roberta-large; всего около 880 млн параметров. Для поиска модель выдаёт L2-нормализованные векторы размерности 1024; к запросам перед вычислением эмбеддинга добавляют префикс «query: ». Для переранжирования она возвращает один логит релевантности на пару запроса и документа. Модель предназначена для двух этапов RAG-поиска: первичного извлечения кандидатов и последующего переранжирования. Разработчик сообщает, что модель снята с рекомендуемой линейки: её заменили Merino-Large и Merino-Large-v2, которые не уступают или превосходят её по оценкам и дешевле в обслуживании. Четырёхбитный вариант не прошёл проверку устойчивости к отвлекающим документам; доступны веса fp16 для воспроизводимости. Лицензия в метаданных обозначена как «other», поэтому условия использования следует сверить с лицензией репозитория.

Это файл GGUF в формате F16 с весами мультиязычного ранжировщика cross-encoder/mMiniLMv2-L12-H384-v1, подготовленный Gramscii-IT для запуска через llama.cpp и подачи оценок через endpoint /v1/rerank. Вес модели не изменялись: это конверсия опубликованных весов исходной модели, обученной на mMARCO — наборе MS MARCO, переведённом на 14 языков. Базовая модель построена на nreimers/mMiniLMv2-L12-H384-distilled-from-XLMR-Large. Модель оценивает релевантность пары «запрос — фрагмент текста», чтобы переупорядочить результаты поиска. Её можно использовать после векторного или лексического поиска, например, для повышения точности выдачи в мультиязычном поиске и RAG. README приводит локальный тест на итальянских заметках, но его результаты относятся только к этому корпусу и условиям. Контейнер F16 рассчитан на сервер llama.cpp с режимом reranking и rank pooling; для PyTorch рекомендуется исходная версия. Модель читает до 512 токенов, поэтому более длинные фрагменты нужно обрезать по токенам. Пороговые значения оценок и результаты тестирования могут не переноситься на другие корпуса. Лицензия — Apache 2.0.

mMiniLM-L6-v2-mmarco-v2 — мультиязычная модель на основе MiniLM, дообученная командой Unicamp-DL на версии набора MS MARCO Passage Ranking на девяти языках. Набор mMARCO содержит переведённые с английского passages; для версии v2 использовался Google Translate. Модель предназначена для оценки текстовых фрагментов в задачах поиска и ранжирования passages по запросу. Её можно применять для сортировки найденных документов по релевантности и построения мультиязычного поиска. Архитектура в метаданных указана как XLM-RoBERTa Sequence Classification, размер — 110,2 млн параметров, максимальный контекст — 514 токенов. Модель доступна в формате PyTorch по лицензии MIT. Обучение на автоматически переведённых данных может влиять на качество для языков и формулировок, отличающихся от обучающего набора; контекст ограничен 514 токенами.

Карточка модели arnaultsta/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели igzi/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели nililba/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.