I.11Классификация, ранжирование и сопоставление

Карточка модели novelcore/model13 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 novelcore/model9 на Hugging Face совпадает с карточкой sentence-transformers/multi-qa-mpnet-base-cos-v1, поэтому описание составлено по ней. multi-qa-mpnet-base-cos-v1 — модель Sentence Transformers на базе MPNet, разработанная в рамках Community Week Hugging Face. Она преобразует вопросы, предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска и сопоставления текста по смыслу. Модель обучена на 215 млн пар «вопрос–ответ» из разных источников с контрастивной целью и усреднением токеновых представлений; для сравнения векторов подходят косинусная близость и скалярное произведение. Модель принимает текст и предназначена для кодирования поисковых запросов и текстовых фрагментов, чтобы находить релевантные документы или ответы. Контекст ограничен 514 токенами по метаданным; карточка рекомендует не превышать 250 word pieces, поскольку более длинные входы могут работать хуже, а тексты свыше 512 word pieces обрезаются. Карточка указывает английский язык. Доступны веса PyTorch и форматы ONNX и OpenVINO; лицензия в предоставленных данных не указана.

ModernBERT-small-v2 — компактная модель Sentence Transformers для получения плотных векторов предложений и оценки их семантического сходства. В карточке Hugging Face указаны архитектура ModernBERT и 37 млн параметров; разработчик описывает её как 12-слойный энкодер с размерностью эмбеддингов 384. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать по косинусному сходству. Модель предназначена для семантического поиска, ранжирования и извлечения релевантных документов, в том числе в корпусах с вопросами и академическими текстами. По README, её инициализировали проекцией PCA знаний answerdotai/ModernBERT-base, затем обучали на задаче masked language modeling и дистиллировали подражанием эмбеддингам Alibaba-NLP/gte-modernbert-base с MSE loss. Максимальная длина последовательности составляет 1024 токена; заявлены англоязычные поисковые и энциклопедические данные. Узкая размерность вектора и сравнительно небольшой размер модели рассчитаны на быстрое кодирование и компактные поисковые индексы. Модель подходит для применения в поисковых системах и retrieval-сценариях; в README приведены результаты оценивания на NanoMSMARCO, NanoHotpotQA и NanoBEIR. Результаты зависят от данных и конфигурации поиска. Лицензия в предоставленных сведениях не указана.

robro612/modernbert_xtr_contrastive_k512 — англоязычная модель для поиска и ранжирования текстов, созданная дообучением answerdotai/ModernBERT-base командой или автором robro612 с помощью PyLate на наборе msmarco-10m-triplets. Архитектура ColBERT включает ModernBERT и линейный слой, преобразующий представления размерности 768 в последовательности 128-мерных векторов. Модель сопоставляет запросы и документы оператором MaxSim; в README указаны пределы в 32 токена для запроса и 512 токенов для документа, а метаданные указывают контекст до 8192 токенов. Модель предназначена для семантического поиска по коллекциям документов и повторного ранжирования результатов первичного поиска. Её можно применять для построения поискового индекса через PyLate и FastPLAID, поиска релевантных документов по запросу и ранжирования готовых пар запрос–документ. Обучение проводилось на англоязычных примерах MS MARCO; в README также приведены результаты оценки на наборах Nano BEIR и других коллекциях. Модель принимает текст запросов и документов и выдаёт векторные представления, используемые для расчёта релевантности. Репозиторий содержит веса Safetensors; для работы описан PyLate. Лицензия в предоставленных данных не указана.

sentence-transformers/msmarco-distilbert-base-tas-b — перенос модели DistilBert TAS-B в формат Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и оптимизирована для семантического поиска: например, чтобы находить документы по смыслу запроса, даже если в них используются другие слова. Модель построена на DistilBERT, принимает текст и выдаёт эмбеддинги; доступная длина контекста — 512 токенов. Поддерживаемый язык — английский. Модель предназначена для семантического поиска и вычисления сходства между текстами. Для использования с Transformers поверх контекстных представлений требуется применить соответствующую операцию pooling. Распространяется по лицензии Apache-2.0.

Это порт модели ANCE FirstP в формате Sentence Transformers. Разработчики Sentence Transformers адаптировали модель для преобразования предложений и абзацев в плотные векторы размерностью 768. Её можно применять для семантического поиска и кластеризации текстов. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO; модель предназначена для получения текстовых эмбеддингов и оценки семантического сходства. Указана лицензия Apache-2.0.

Модель isy-thl/multilingual-e5-base-learning-outcome-skill-tuned — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-base для сопоставления результатов обучения, описаний курсов и описаний навыков ESCO. Она кодирует текст в плотные векторы размерностью 768 и подходит для семантического поиска, ранжирования совпадений, кластеризации и классификации текстов. Для сравнения векторов используется косинусное сходство. Модель построена на XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов. В метаданных указано 305,2 млн параметров и контекст до 514 токенов; README указывает максимальную длину последовательности 512 токенов. Оценка на наборе learning_outcome_esco_pairs показывает cosine_accuracy@1 0,8582 и @5 0,9716. Модель принимает текст и выдаёт эмбеддинги; обучение описано для корпуса course-esco-skill-retrieval из 9 562 примеров. Лицензия в предоставленных данных не указана.

Это компактная многоязычная модель эмбеддингов multilingual-e5-small в формате GGUF F16, преобразованная из весов intfloat/multilingual-e5-small для работы с llama.cpp и llama-server. В основе — энкодер XLM-RoBERTa семейства BERT; модель создаёт векторы размерности 384 и поддерживает контекст до 512 токенов. Для индексируемых документов и поисковых запросов требуются префиксы «passage: » и «query: » соответственно; README рекомендует mean pooling и L2-нормализацию, после которой можно сравнивать векторы по cosine similarity. Модель предназначена для семантического поиска, сравнения предложений и многоязычного подбора текстов, включая поиск по документам на разных языках. В README приведено сравнение F16-эмбеддингов с результатами sentence-transformers на небольшом многоязычном наборе: близость по cosine similarity составила не менее 0,9976, а средний top-1 результат сохранился. Это наблюдение относится только к указанной выборке; токенизация SentencePiece может давать небольшие отличия. Лицензия — MIT, унаследованная от базовой модели.

jangedoo/multilingual-e5-small-pruned — компактная многоязычная модель эмбеддингов на базе BERT, созданная обрезкой токенов и словаря модели intfloat/multilingual-e5-small. Она предназначена для получения векторных представлений текста, семантического сравнения предложений и поиска текстов по смыслу. Модель содержит около 94,6 млн параметров по метаданным каталога, использует библиотеку Sentence Transformers и принимает последовательности длиной до 512 токенов. Обрезка уменьшила размер словаря примерно на 31%, а число параметров — примерно на 25% относительно базовой модели согласно README. В приведённых оценках STS-B и NanoBEIR качество ниже базовой версии, хотя остаётся близким по STS-B. Модель поддерживает многоязычный текст; конкретный перечень языков в источниках не приведён. Условия лицензии в предоставленных данных отсутствуют.

multi-qa-MiniLM-L6-cos-v1 — модель Sentence Transformers, разработанная в рамках проекта Hugging Face по обучению моделей эмбеддингов предложений. Она преобразует вопросы, предложения и абзацы в нормализованные плотные векторы размерностью 384 и предназначена прежде всего для семантического поиска и подбора релевантных документов по запросу. Модель основана на архитектуре BERT и дообучена на примерно 215 млн пар «вопрос—ответ» из разных источников, включая наборы вопросов и ответов, Stack Exchange и пары для Wikipedia. Для представления текста используется mean pooling; контрастивное обучение улучшает близость векторных представлений связанных текстов. Модель содержит 25,9 млн параметров, поддерживает английский язык и рассчитана на последовательности до 512 токенов, хотя при обучении использовался текст длиной до 250 word pieces. Её можно применять для семантического поиска, поиска ответов и ранжирования текстовых фрагментов по сходству; нормализованные векторы позволяют использовать косинусное сходство или скалярное произведение. Тексты длиннее 512 токенов обрезаются, а качество на последовательностях существенно длиннее 250 word pieces может снижаться. Сведения о лицензии в предоставленных данных отсутствуют.

multi-qa-mpnet-base-cos-v1 — модель Sentence Transformers на базе MPNet, разработанная в рамках Community Week Hugging Face. Она преобразует вопросы, предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска и сопоставления текста по смыслу. Модель обучена на 215 млн пар «вопрос–ответ» из разных источников с контрастивной целью и усреднением токеновых представлений; для сравнения векторов подходят косинусная близость и скалярное произведение. Модель принимает текст и предназначена для кодирования поисковых запросов и текстовых фрагментов, чтобы находить релевантные документы или ответы. Контекст ограничен 514 токенами по метаданным; карточка рекомендует не превышать 250 word pieces, поскольку более длинные входы могут работать хуже, а тексты свыше 512 word pieces обрезаются. Карточка указывает английский язык. Доступны веса PyTorch и форматы ONNX и OpenVINO; лицензия в предоставленных данных не указана.

legacy107/multi-qa-mpnet-base-dot-v1-wikipedia-augmented-search-farmed — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов; в README также указаны сценарии кластеризации и семантического поиска. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель принимает текст и выдаёт векторные представления, пригодные для поиска по смыслу и группировки похожих текстов. Контекст составляет до 514 токенов. Данных о специальных языках, на которых модель оптимизирована, в карточке нет. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

flax-sentence-embeddings/multi-qa_v1-mpnet-cls_dot — модель SentenceTransformers для построения векторных представлений предложений, разработанная в рамках проекта Hugging Face Community Week. Она основана на microsoft/mpnet-base и дообучена сиамской сетью с контрастивной целью на парах вопросов и ответов из Stack Exchange, MSMARCO, Natural Questions и других наборов данных. Для представления предложения используется выход CLS, а сходство при обучении вычислялось скалярным произведением. Модель предназначена для кодирования текста в векторы, сохраняющие семантическую информацию, прежде всего для поисковых систем и поиска ответов по смыслу. Полученные эмбеддинги также подходят для сравнения сходства предложений и кластеризации. Архитектура — MPNet; в репозитории указано 136,7 млн параметров и контекст до 514 токенов. Обучающие последовательности ограничивались 128 токенами. Модель принимает текст и выдаёт векторы; обучение на вопросно-ответных парах делает её особенно подходящей для поиска по вопросам и ответам. Лицензия в предоставленных данных не указана.

michaelfeil/mxbai-rerank-base-v2-seq — вариант семейства Mixedbread mxbai-rerank, переписанный как классификатор на базе плотной архитектуры Qwen2. Модель предназначена для ранжирования текстов: она оценивает релевантность документов запросу и подходит для поиска и конвейеров RAG. В README заявлены поддержка кода, длинного контекста и более 100 языков; метаданные указывают 494 млн параметров и контекст до 32 768 токенов. Указанные в карточке языки включают английский, китайский, немецкий, японский, корейский, испанский, французский, арабский, бенгальский, русский, индонезийский, тайский, суахили и телугу. README сообщает о сильных результатах на бенчмарках поиска и эффективности, но технический отчёт ещё готовится, а независимые условия сравнения в карточке описаны ограниченно. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Для вызова через API классификации требуется специальный шаблон промпта; конкретный шаблон в доступном README не приведён.

mxbai-rerank-xsmall-v1 — компактная модель-реранкер от Mixedbread AI из семейства crispy rerank. Она оценивает релевантность пары «запрос — текст» и предназначена для повторной сортировки результатов поиска, например, после полнотекстового поиска или первичного извлечения кандидатов. Модель построена на архитектуре DeBERTa-v2 с классификационной головой и содержит 77,5 млн параметров; максимальная длина контекста — 512 токенов. Для работы авторы рекомендуют актуальную версию sentence-transformers. Модель ориентирована на улучшение поиска и, согласно README, хорошо сочетается с поиском по ключевым словам. В метаданных указан английский язык. Репозиторий содержит веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

Nemotron-3-Embed-8B-BF16 — мультиязычная модель эмбеддингов текста, разработанная NVIDIA для семантического поиска, извлечения релевантных фрагментов и систем RAG. Она предназначена, в частности, для поиска ответов на вопросы в больших текстовых корпусах и поддерживает межъязыковой поиск. Модель построена на архитектуре Transformer и дообучена на базе mistralai/Ministral-3-8B-Instruct-2512. Приблизительно 8 млрд параметров; для получения эмбеддинга используется усреднение представлений токенов, итоговый вектор имеет размерность 4096. README указывает максимальную длину входа 32768 токенов; более длинные тексты следует разбивать на части или усекать. Векторы можно сокращать до меньшей размерности с последующей L2-нормализацией. Модель принимает текст и выдаёт плотные векторные представления. NVIDIA сообщает об оценке на 34 языках и сильных результатах мультиязычного и межъязыкового поиска. Для работы с BF16-чекпойнтом README указывает Transformers 5.2.0 и выше и CUDA-среду; доступны PyTorch и vLLM. Условия использования задаёт лицензия OpenMDW-1.1; базовая модель выпущена под Apache 2.0.

Карточка модели dansporici/NoInstruct-small-Embedding-v0-doc-cls на Hugging Face совпадает с карточкой avsolatorio/NoInstruct-small-Embedding-v0, поэтому описание составлено по ней. NoInstruct-small-Embedding-v0 — компактная модель эмбеддингов avsolatorio на архитектуре BERT, предназначенная для поиска и сопоставления предложений. По заявлению автора, она улучшает качество retrieval по сравнению с avsolatorio/GIST-small-Embedding-v0 и позволяет кодировать запросы без составления специальных инструкций. Модель содержит около 40 млн параметров, принимает текст, выдаёт векторные представления и поддерживает контекст до 512 токенов. Модель подходит для семантического поиска, подбора релевантных документов и оценки сходства текстов. В метаданных также указана задача извлечения признаков. Лицензия — MIT. Автор отмечает, что технические детали будут опубликованы позднее; поддержка библиотеки Sentence Transformers заявлена как ожидаемая, поэтому доступные способы применения могут быть ограничены.

Карточка модели dansporici/NoInstruct-small-Embedding-v0-query-mean на Hugging Face совпадает с карточкой avsolatorio/NoInstruct-small-Embedding-v0, поэтому описание составлено по ней. NoInstruct-small-Embedding-v0 — компактная модель эмбеддингов avsolatorio на архитектуре BERT, предназначенная для поиска и сопоставления предложений. По заявлению автора, она улучшает качество retrieval по сравнению с avsolatorio/GIST-small-Embedding-v0 и позволяет кодировать запросы без составления специальных инструкций. Модель содержит около 40 млн параметров, принимает текст, выдаёт векторные представления и поддерживает контекст до 512 токенов. Модель подходит для семантического поиска, подбора релевантных документов и оценки сходства текстов. В метаданных также указана задача извлечения признаков. Лицензия — MIT. Автор отмечает, что технические детали будут опубликованы позднее; поддержка библиотеки Sentence Transformers заявлена как ожидаемая, поэтому доступные способы применения могут быть ограничены.

Octen-Embedding-4B — плотная текстовая embedding-модель, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-4B. Она преобразует текст в векторы размерности 2560 для семантического поиска, извлечения информации, сравнения и кластеризации документов, а также для поиска по запросам на разных языках и языках программирования. Модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов; в карточке заявлена поддержка более 100 языков, включая английский и китайский. Модель предназначена прежде всего для retrieval-сценариев, в том числе поиска по юридическим, финансовым, медицинским и техническим материалам. Лицензия Apache-2.0. Это модель эмбеддингов, поэтому она не предназначена для генерации текста; качество может различаться в зависимости от языка и предметной области, а документы длиннее контекстного окна требуют усечения.

Octen-Embedding-4B-INT8 — текстовая embedding-модель, разработанная Octen на основе Qwen/Qwen3-Embedding-4B и дообученная методом LoRA. Она преобразует тексты в векторы размерностью 2560 и предназначена для семантического поиска, retrieval-сценариев, оценки схожести предложений, извлечения признаков и поиска по документам. Модель поддерживает английский, китайский и другие языки, а также различные языки программирования, что позволяет использовать её для многоязычного, кросс-языкового и кодового поиска. Модель содержит около 4 млрд параметров и представлена в INT8-квантизированном формате с использованием bitsandbytes. По данным README, объём памяти составляет примерно 4 ГБ против около 8 ГБ для версии BF16. Заявлена поддержка длинного контекста: в большинстве разделов указано до 32 768 токенов, а в разделе характеристик — до 40 960 токенов. Поэтому точное ограничение контекста следует проверять в конфигурации модели. Embedding-пространство высокой размерности рассчитано на работу с длинными документами и специализированными данными в юридической, финансовой, медицинской и программной областях. К сильным сторонам относятся уменьшенное потребление памяти, широкая языковая поддержка, ориентация на прикладные retrieval-задачи и возможность обработки длинного контекста. К ограничениям относятся отсутствие гарантии ускорения инференса после INT8-квантизации: на некоторых аппаратных платформах модель может работать немного медленнее BF16-версии. В приведённых результатах Octen-Embedding-4B получила средний показатель 0,7834 на RTEB, включая 0,7747 на Public и 0,7942 на Private. Модель распространяется по лицензии Apache-2.0.

Orange разработала текстовую модель эмбеддингов на базе nomic-ai/nomic-embed-text-v1.5. Она кодирует тексты в векторы размерностью 1536 для поиска по смыслу, сравнения предложений и других задач, где нужны текстовые представления. Модель построена на архитектуре NomicBert: выход базового трансформера размерностью 768 проходит через pooling и обучаемую линейную проекцию до 1536 измерений. В README указано, что проекция сохраняет косинусное сходство базовой модели; поддерживаются Matryoshka-векторы меньшей размерности и контекст до 8192 токенов. Модель подходит для семантического поиска, индексации документов для RAG, сопоставления запросов с документами, кластеризации и сравнения текстов. Для задания режима обработки вход нужно снабжать инструкционным префиксом, например search_document, search_query или clustering. Карточка указывает поддержку английского языка; лицензия — Apache-2.0. Дополнительная размерность может быть полезна для совместимости с существующими 1536-мерными векторными хранилищами, однако README отмечает лишь маргинальную пользу увеличения размерности и не приводит полных результатов сравнительной оценки.

Это дообученная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанной командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, сравнения текстов по смыслу, поиска перефразирований, кластеризации и классификации. Архитектура основана на BERT с усреднением токенных представлений; для сравнения векторов применяется косинусная близость. В метаданных указано 124,3 млн параметров и контекст до 512 токенов; README описывает максимальную длину последовательности 128 токенов, поэтому при использовании следует учитывать возможное усечение текста. Модель дообучена на 4 485 парах запросов и релевантных фрагментов, связанных с правилами и учебными материалами Ханойского университета науки и технологий; примеры датасета на вьетнамском языке. Она подходит для поиска по документам и подбора текстов на нескольких языках, унаследованных от базовой модели. Лицензия в предоставленных данных не указана.

LLukas22/paraphrase-multilingual-mpnet-base-v2-embedding-all — модель эмбеддингов на архитектуре XLM-RoBERTa, дообученная автором на базе paraphrase-multilingual-mpnet-base-v2. Она предназначена для представления предложений и поиска семантически близких текстов, в том числе для поиска ответов и дубликатов в системах вопросов и ответов. Модель насчитывает 305,2 млн параметров, поддерживает контекст до 514 токенов и рассчитана на применение через Sentence-Transformers. Модель обучалась на SQuAD, NewsQA, CQADupStack, FiQA, SciDocs, GermanQuAD и Natural Questions; автор приводит результаты ранжирования релевантных ответов на нескольких значениях top-k. В метаданных указаны английский и немецкий языки. Модель выпущена под лицензией Apache-2.0. Она формирует векторные представления и оценки сходства, поэтому качество поиска зависит от соответствия запроса и корпуса данным обучения; приведённые результаты относятся к указанным оценочным наборам.

IoannisKat1 разработал эту модель Sentence Transformers на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2, дообучив её на 4 268 парах текстов. Модель преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и извлечения релевантных текстов; близость векторов можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa и mean pooling. Matryoshka-обучение позволяет использовать усечённые векторы меньшей размерности, с приведёнными в карточке результатами для 512, 256, 128 и 64 измерений. Модель принимает текст. В карточке указан английский язык, а примеры обучающих данных написаны на греческом, поэтому применимость к другим языкам не следует считать подтверждённой только по заявленному языку. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов; README отдельно задаёт максимальную длину последовательности в 128 токенов. Лицензия — Apache-2.0.

sdadas/polish-reranker-roberta-v2 — польский реранкер, разработанный автором репозитория на основе sdadas/polish-roberta-large-v2. Это плотная модель RoBERTa с классификационной головой, обученная на парах текстов с функцией потерь RankNet и дистиллированная по предсказаниям BAAI/bge-reranker-v2.5-gemma2-lightweight. Она оценивает релевантность текстовых пар и предназначена для повторной сортировки результатов поиска и задач информационного поиска на польском языке. По README, модель показала NDCG@10 65,30 в категории реранкеров бенчмарка PIRB и результаты, близкие к BAAI/bge-reranker-v2.5-gemma2-lightweight; метаданные указывают 533,7 млн параметров и контекст 514 токенов. Репозиторий содержит веса safetensors и использует библиотеку sentence-transformers. Лицензия указана как Gemma; применимость условий этой лицензии следует проверять перед использованием.

Карточка модели liddlefish/privacy_embedding_bge_small_synthetic 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.

hroth01/psais-multi-qa-mpnet-base-dot-v1-50shot — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. Модель обучалась с функцией потерь CosineSimilarityLoss. В README приведены варианты использования через Sentence-Transformers и Transformers; для последнего требуется подходящая операция pooling поверх контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает контекст до 514 токенов и распространяется в формате PyTorch. В карточке не указаны языки обучения и лицензия, поэтому область языкового применения и условия распространения по доступным данным определить нельзя.

zecafonso/Qwen3-Embedding-0.6B-384 — текстовая модель Sentence Transformer, дообученная автором репозитория на Qwen/Qwen3-Embedding-0.6B. Она кодирует предложения и абзацы в плотные векторы размерности 1024, нормализует их и позволяет оценивать близость по косинусному сходству. Модель рассчитана на поиск релевантных фрагментов по запросу и семантическое сравнение текстов; в README приведена оценка на двух наборах данных для поиска, а также сведения о небольшом обучающем наборе из 66 примеров. Архитектура использует Qwen3Model с pooling по последнему токену. Максимальная длина последовательности в карточке — 384 токена; общая длина контекста базовой модели указана в метаданных как 32 768 токенов, но для данного чекпойнта README указывает более короткое ограничение. Модель принимает текст и выдаёт векторные представления. Репозиторий использует формат safetensors и библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

furiosa-ai/Qwen3-Embedding-4B — текстовая модель эмбеддингов из серии Qwen3-Embedding, опубликованная FuriosaAI в виде пакета для запуска на ускорителе FuriosaAI RNGD с библиотекой Furiosa-LLM. Она преобразует текст в плотные векторы для семантического поиска, извлечения релевантных документов и сравнения сходства текстов. Это дообученная версия Qwen/Qwen3-Embedding-4B на плотной трансформерной архитектуре Qwen3; число параметров — 3,7 млрд, нативная длина контекста — 40 960 токенов. Модель поддерживает многоязычные сценарии и Matryoshka Representation Learning, позволяющий получать эмбеддинги уменьшенной размерности через параметр dimensions. Репозиторий содержит веса BF16 без квантизации и Furiosa Executable Bundle; для инференса также можно использовать Sentence Transformers, vLLM или Transformers, следуя карточке исходной модели. Лицензия — Apache 2.0.

Qwen3-Reranker-0.6B-ONNX — ONNX-конверсия модели Qwen3-Reranker-0.6B из семейства Qwen, подготовленная сообществом onnx-community для использования с Transformers.js v4. Это текстовая модель ранжирования, предназначенная для оценки релевантности документов поисковому запросу и последующей сортировки результатов, например в системах веб-поиска, семантического поиска и retrieval-augmented generation. Модель основана на архитектуре CausalLM и оценивает релевантность не как обычный классификатор, а по логитам токенов «yes» и «no» на последней позиции последовательности. Поддерживаются варианты динамического 8-битного квантования и 4-битного квантования; ONNX-граф оптимизирован слиянием операций Grouped-Query Attention. Контекстное окно составляет 32K токенов, при этом для практического использования рекомендуется ограничивать длину 8192 токенами. Модель работает с текстовыми запросами и документами; сведения о точном наборе языков и параметрах обучения в README не приведены. К сильным сторонам относятся компактный размер около 0,6 млрд параметров, возможность запуска в браузере и локальных приложениях через Transformers.js, а также ускорение на WebGPU и поддержка WASM/CPU. К ограничениям относятся отсутствие вариантов fp32 и fp16 в данном репозитории, зависимость от совместимости ONNX Runtime Web с используемыми операциями и необходимость корректно форматировать запрос, инструкцию и документ в специальный prompt. Модель распространяется по лицензии Apache-2.0.