I.11Классификация, ранжирование и сопоставление

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_920 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели avsolatorio/60-600-13-1-4-2-0-0-384-512-cm_NOI_avsolatorio_GIST-all-MiniLM-L6-v2-20240511003225-best на Hugging Face совпадает с карточкой avsolatorio/GIST-all-MiniLM-L6-v2, поэтому описание составлено по ней. GIST Embedding v0 — модель векторных представлений текста, созданная Av Solatorio. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 с методом GISTEmbed: обучающие негативные примеры отбираются из MEDI и дополненных триплетами обучающих данных классификации MTEB. Модель имеет архитектуру BERT, содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и оценки их сходства, в том числе для семантического поиска и retrieval. Для кодирования запросов не требуются специальные инструкции. Модель оценивали на бенчмарке MTEB; дообучение улучшило некоторые задачи, но ухудшило результаты на других, включая поиск по TRECCOVID. Поддерживается английский язык. Лицензия — MIT.

AIMv2 Large Patch14 224 — модель компьютерного зрения из семейства AIMv2, разработанного Apple. Это зрительная энкодерная модель с 308,3 млн параметров, обученная с мультимодальной авторегрессионной целью; репозиторий содержит веса в форматах Flax и safetensors и предназначен для извлечения признаков изображений через Transformers. Модель принимает изображение и выдаёт его векторное представление. Такие признаки подходят для задач визуального поиска и построения систем сопоставления изображений с текстом или другими изображениями. В README сообщается, что семейство AIMv2 превосходит CLIP и SigLIP на большинстве бенчмарков мультимодального понимания, а также DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты; эти результаты относятся к семейству в целом. Карточка демонстрирует загрузку модели через Flax и библиотеку Transformers. Указана лицензия Apple AMLR. Модель принимает изображения и сама по себе не генерирует текст; языки её работы не обозначены.

Apertus v1.1 Swiss multilingual retrieval embeddings — самостоятельная модель Sentence Transformers для построения эмбеддингов и поиска семантически близких текстов. Она создана на основе swiss-ai/Apertus-v1.1-0.5B и дообучена для многоязычного поиска на немецком, английском, французском, итальянском, ретороманском и алеманнском (швейцарском немецком) языках. Параметры LoRA после обучения объединены с базовыми весами, поэтому отдельный адаптер не требуется. Модель содержит около 439 млн параметров, использует плотную архитектуру Apertus и поддерживает контекст до 4096 токенов. Обучение на парах текстов с MultipleNegativesRankingLoss и MatryoshkaLoss ориентировано на монолингвальный и межъязыковой поиск; модель подходит для извлечения документов по запросу и сопоставления текстов между поддерживаемыми языками. В репозитории указана лицензия Apache-2.0. Оценки в карточке являются внутренними диагностическими результатами на небольших наборах, а не внешними бенчмарками. Обучающие пары из Википедии служат приближённой поисковой разметкой, а выравнивание параллельных отрывков не полностью отражает реальные поисковые запросы; для алеманнского нет явного параллельного обучения.

Arabic-Retrieval-v1.0 — модель эмбеддингов предложений, опубликованная пользователем omarelshehy и построенная на sentence-transformers с архитектурой BERT. Она дообучена на базе aubmindlab/bert-base-arabertv02 для поиска и сопоставления арабоязычных запросов и текстов. Модель выдаёт векторы размерности 768; для оценки сходства используется косинусная близость. Максимальная длина входной последовательности — 512 токенов. Модель предназначена для семантического поиска, информационного поиска и извлечения релевантных фрагментов, в том числе в системах вопросов и ответов и RAG. В README приведено сравнение на трёх наборах данных по NDCG@10: результаты близки к multilingual-e5-large и multilingual-e5-base, однако заявленные показатели относятся к указанным наборам и не гарантируют качество на других данных. Автор также заявляет об экономии памяти относительно крупных мультиязычных моделей, но подробности замеров не приводятся. Модель рассчитана на арабский язык, включая его диалектные особенности. Лицензия — Apache-2.0. Вход — текст, выход — векторные представления для сравнения и ранжирования; контекст ограничен 512 токенами.

Карточка модели Sing0402/auslegal-embed-gte-dense 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.

Карточка модели Sing0402/auslegal-embed-gte-inbatch 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.

Модель разработана CatkinChen и представляет собой дообученную версию BAAI/bge-base-en-v1.5 для работы с текстовыми предложениями и абзацами. Это Sentence Transformer на архитектуре BERT с 136,7 млн параметров, который преобразует текст в нормализованные плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Модель предназначена для семантического поиска, оценки сходства предложений и извлечения релевантных текстов. В README также перечислены кластеризация, поиск перефразирований и классификация текста. Максимальная длина последовательности — 512 токенов; модель рассчитана на английский язык и может использоваться в системах поиска и RAG. В карточке приведены результаты оценки на InformationRetrievalEvaluator и сведения о дообучении на наборе из 309 примеров с TripletLoss. Эти данные не устанавливают качество на других наборах и сценариях. Модель распространяется с лицензией базовой модели, однако лицензия в доступных сведениях не указана.

swardiantara/bert-tiny-snli-k1-adaptive-euclidean — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает двухслойный BERT с усредняющим pooling; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным, хотя в README указано ограничение 128 токенов. Модель подходит для семантического поиска, извлечения кандидатов и оценки сходства текстовых фрагментов. Обучение описано на 1 648 104 парах текстов с контрастивной функцией потерь. Базовая модель англоязычная, поэтому основное применение ориентировано на английский язык. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

NaqibL дообучил модель BGE на базе BAAI/bge-base-en-v1.5 для получения эмбеддингов предложений и абзацев. Это текстовая Sentence Transformer модель с архитектурой BERT, которая преобразует вход в нормализованный плотный вектор размерности 768; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на поиск и сопоставление текстов, включая семантический retrieval. Максимальная длина входа — 512 токенов, а обучение проводилось на наборе из 26 953 примеров. В README приведён результат cosine accuracy 0,8534 на оценке TripletEvaluator. Модель унаследовала англоязычную основу BGE; отдельные поддерживаемые языки и лицензия в предоставленных данных не описаны. Для неё нужны совместимые средства Sentence Transformers или text-embeddings-inference.

BAAI/bge-base-zh-v1.5 — плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная Beijing Academy of Artificial Intelligence. Она преобразует текст в низкоразмерные векторы для семантического поиска, извлечения документов, классификации и кластеризации, а также для поиска контекста в векторных базах данных при построении систем с генерацией с дополненной выборкой (RAG). Модель основана на BERT, содержит около 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Для поиска коротким запросом длинных документов инструкция к запросу может повысить качество, но её влияние зависит от задачи. Модель рассчитана на китайский язык; README описывает семейство BGE и на английском, однако это само по себе не подтверждает поддержку английского этой конкретной модели. Модель выдаёт векторные представления, а не готовые ответы или оценки релевантности документов. Значения сходства между парами текстов не следует интерпретировать по универсальному порогу: для фильтрации нужно подбирать порог на собственных данных. Лицензия — MIT.

Карточка модели kshitijpandey3h/bge-large-agri-fused-2 на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

Карточка модели shen919/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. 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.

Карточка модели rhantj/bge-m3-workflow-query-robust на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. 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.

aneforge/bge-small-en-v1.5 — копия англоязычной модели BAAI/bge-small-en-v1.5, опубликованная для запуска через ANEForge на Apple Neural Engine. Это компактная плотная BERT-модель примерно на 40 млн параметров, преобразующая текст в эмбеддинги для семантического поиска и сравнения предложений. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. По README, веса побайтно совпадают с исходной моделью и не изменялись. Репозиторий размечен для ANEForge, который компилирует граф модели для запуска на Apple Neural Engine; лицензия — MIT. Модель рассчитана на англоязычные тексты, а её применение в первую очередь связано с поиском и оценкой семантической близости предложений.

abhinav90parmar/bge-small-en-v1.5-erpguard — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 384 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT, CLS-пулинга и нормализации; модель содержит 40 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, извлечения релевантных текстов и ранжирования кандидатов по близости эмбеддингов. В README приведены результаты оценки на наборе для информационного поиска, однако данных недостаточно, чтобы определить специализированное назначение суффикса «erpguard» или оценить качество на других задачах. Для практического использования требуются библиотека Sentence Transformers либо совместимая система инференса. Лицензия — MIT.

BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

BAAI/BGE-VL-v1.5-zs — мультимодальная модель эмбеддингов для поиска по изображениям и тексту, разработанная командой BAAI в рамках семейства BGE-VL. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf и использует архитектуру LLaVA-NeXT с плотным представлением; для работы применяются Sentence Transformers и веса Safetensors. Модель принимает текст, изображения или их сочетание и формирует эмбеддинги для мультимодального поиска и сравнения сходства. В README указано, что изображения для этой модели следует приводить к размеру 512×512; инструкции в запросе можно использовать для представления входа как поискового запроса, а без них — как кандидата. Модель предназначена для поиска изображений по текстовому описанию, поиска по сочетанию изображения и текстового уточнения, а также для универсального мультимодального извлечения и сопоставления. В README семейство BGE-VL показывает сильные результаты в zero-shot-поиске с составными запросами по изображениям и на бенчмарке MMEB. Указанная лицензия — MIT. Карточка описывает результаты семейства и не приводит отдельные оценки именно этой версии; для корректной работы с изображениями требуется учитывать рекомендованный размер 512×512.

Модель antoinelouis/biencoder-camembert-base-mmarcoFR — плотный биэнкодер для семантического поиска на французском языке, разработанный Antoine Louis. Она кодирует запросы и фрагменты текста в отдельные векторы размерностью 768 и оценивает их релевантность по косинусному сходству. Модель построена на CamemBERT-base и дообучена на французской части mMARCO, включая сложные отрицательные примеры, полученные от плотных поисковых систем. Модель предназначена для поиска passage по запросу, ранжирования найденных фрагментов и построения семантического поиска по французским коллекциям документов. В README указаны максимальная длина последовательностей 128 токенов при обучении, а метаданные задают контекст модели в 514 токенов; для вычисления эмбеддингов предлагаются Sentence-Transformers, FlagEmbedding и Transformers. Лицензия — MIT.

PM-AI/bi-encoder_msmarco_bert-base_german — немецкоязычная модель двунаправленного кодировщика, разработанная PM-AI для семантического поиска и извлечения релевантных фрагментов документов по запросу. Она основана на BERT и содержит 137,1 млн параметров; принимает текст и формирует эмбеддинги для запроса и пассажей, которые можно сопоставлять для поиска. Максимальная длина контекста — 512 токенов. Модель дообучена на немецком машинном переводе набора MS MARCO Passage Ranking: примерно 500 тысячах вопросов и 8,8 миллиона пассажей. При обучении применялись сложные отрицательные примеры и функция потерь Margin MSE, что предназначено для асимметричного поиска — например, когда короткий вопрос сопоставляется с более длинными фрагментами документов. Модель подходит для поиска по разнородным текстам; заявленное качество зависит от коллекции и требует проверки на целевых данных. Модель распространяется по лицензии MIT. Карточка описывает применение через библиотеку Sentence Transformers; модель предназначена для текстового поиска и не является генеративной системой.

CLIP ViT-L/14 — мультимодальная модель семейства CLIP, обученная LAION с помощью OpenCLIP на англоязычной подвыборке из 2 млрд пар данных LAION-5B. В карточке указано, что обучение проводил Росс Уайтман на суперкомпьютере JUWELS Booster. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве признаков; основная задача в каталоге — классификация изображений без примеров обучения по текстовым меткам. Её также применяют для поиска изображений по тексту и текста по изображению, линейной классификации и как компонент конвейеров генерации изображений. Для ImageNet-1k заявлена точность zero-shot top-1 75,3%. Модель обучалась на английских данных и не предназначена для сценариев на других языках. Авторы рекомендуют ограничивать применение исследованиями; развёрнутые сценарии и использование без тщательной проверки на фиксированной таксономии не рекомендуются. Применение для наблюдения и распознавания лиц исключено из допустимых сценариев. Лицензия — MIT.

newmindai/ColmmBERT-small-TR — модель PyLate на базе ModernBERT, дообученная на турецком наборе msmarco-tr для поиска и ранжирования текстов. Она кодирует запросы и документы в последовательности плотных векторов размерности 128 и оценивает их сходство оператором MaxSim. Модель подходит для семантического поиска по индексам FastPLAID и для переранжирования результатов первичного поиска. В архитектуре ColBERT используется трансформер ModernBertModel и линейный слой проекции с 384 до 128 измерений. В README заданы длина запроса 32 токена и длина документа 180 токенов; метаданные указывают контекст до 8192 токенов и 140,5 млн параметров. Модель рассчитана на турецкий язык. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

CoT-MAE base uncased — англоязычная модель предварительного обучения на основе BERT, разработанная авторами CoT-MAE для задач плотного поиска пассажей. Модель обучена без учителя на корпусе MS MARCO и предназначена для получения представлений предложений и поиска семантически близких фрагментов текста. В репозитории указана архитектура BertForMaskedLM, формат PyTorch, размер около 136,7 млн параметров и контекст до 512 токенов. Модель подходит как основа для семантического поиска и сравнения предложений, в том числе для retrieval-систем. Метаданные также указывают на поддержку заполнения пропусков в тексте. Карточка не приводит лицензию и подробные ограничения применения; модель описана как предварительно обученная, а не как готовый диалоговый ассистент.

crossencoder-distilcamembert-mmarcoFR — французская модель-переранкер на базе DistilCamemBERT, разработанная Antoine Louis. Она обрабатывает запрос и passage совместно с помощью cross-attention и выдаёт оценку их релевантности; результаты используют для сортировки кандидатов, уже найденных системой первичного поиска, например BM25 или плотным bi-encoder. Модель дообучена на французских данных mMARCO, производных от MS MARCO; для обучения использованы сложные негативные примеры. Размер модели — 81,2 млн параметров, базовая архитектура — CamemBERT, максимальный контекст — 514 токенов. Модель предназначена для повышения качества семантического поиска на французском языке, когда нужно переупорядочить найденные документы или фрагменты. В README описано обучение на парах «запрос—фрагмент» с бинарной кросс-энтропией; сигмоида преобразует оценку в диапазон от 0 до 1. Для оценки использовались MRR и recall на dev-наборе mMARCO-fr. Лицензия — MIT. Как cross-encoder, модель оценивает каждую пару отдельно, поэтому её следует применять после первичного поиска, а не для перебора всей коллекции. README указывает максимальную длину объединённой пары в 256 токенов при обучении; длинные пары могут потребовать усечения.

Это англоязычный разреженный CSR-энкодер, созданный на базе mixedbread-ai/mxbai-embed-large-v1 и дообученный на наборе Natural Questions с использованием Sentence Transformers. Модель предназначена для преобразования запросов и текстовых фрагментов в векторы для семантического поиска и разреженного информационного поиска. Архитектура основана на BERT; размерность векторного пространства — 4096, при этом в выходе может быть не более 256 активных измерений. Для сравнения векторов используется косинусное сходство. Максимальная длина входа составляет 512 токенов. Модель содержит около 433,9 млн параметров и распространяется в формате safetensors. Карточка приводит результаты оценивания на небольших наборах для поиска, включая Natural Questions и MS MARCO; точность зависит от числа активных измерений. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

DenseOn-ONNX — ONNX-версия модели DenseOn, разработанной LightOn и автоматически конвертированной сообществом onnx-community. Модель предназначена для плотного семантического поиска и сравнения сходства между запросами и документами, включая сценарии retrieval и sentence similarity. Она поддерживает английский язык и рассчитана на использование с Transformers.js. Модель построена на базе ModernBERT и содержит 149 млн параметров. Это dense-модель, кодирующая запрос и документ независимо в один вектор; релевантность оценивается по косинусному сходству. Для кодирования используются префиксы query: и document:, а представление извлекается с помощью CLS pooling. Заявлены результаты 56,75 nDCG@10 на BEIR и 57,71 на очищенной от пересечений версии BEIR; по данным разработчика, модель превосходит другие dense-модели базового размера и некоторые существенно более крупные модели. Сильными сторонами являются относительно компактный размер, возможность высокопроизводительного развёртывания и хорошие результаты в задачах поиска. Ограничение состоит в специализации на плотном одно-векторном retrieval: модель не является мультимодальной и предназначена прежде всего для семантического сопоставления текста. Лицензия — Apache 2.0.

Это англоязычная модель Sentence Transformers, созданная дообучением DistilBERT разработчиком репозитория kwondw на данных MS MARCO с функцией потерь MarginMSELoss и учителем BERT-CAT ensemble. Архитектура состоит из DistilBertModel и слоя усреднённого pooling; она преобразует текст в плотные векторы размерности 768 для поиска и сравнения предложений и абзацев по скалярному произведению. В README указан предел последовательности 300 токенов, а метаданные указывают контекстное окно 512 токенов. Модель подходит для семантического поиска, извлечения релевантных фрагментов и ранжирования текстовых кандидатов по близости к запросу. Обучение описано на выборке из 100 примеров MS MARCO; приведённые результаты на NanoMSMARCO низкие (dot_accuracy@1 — 0,02, @3 — 0,04, @5 — 0,08), поэтому качество следует проверять на целевых данных. Поддерживается английский язык. Лицензия — Apache-2.0.

sw882882/distill-roberta-code-instruction-tune — модель на базе RoBERTa, обученная преобразовывать предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации; для работы предусмотрены Sentence-Transformers и Transformers с подходящей операцией pooling. В метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат PyTorch. README сообщает об обучении с DenoisingAutoEncoderLoss, но не уточняет базовую модель, языки обучения или специализацию на коде и инструкциях. Лицензия в предоставленных данных не указана.

DUSUNEN Pusula 118M v0 — компактный турецкий энкодер для поиска и сравнения текстов, разработанный автором репозитория GoktugD. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообучена на 100 000 обучающих и 2 000 проверочных триплетах с Cached Multiple Negatives Ranking Loss. Она преобразует запросы и документы в нормализованные векторы размерностью 384; архитектура — BERT, число параметров — около 124,3 млн, контекст — до 512 токенов. Модель предназначена для семантического поиска, ранжирования документов по близости к запросу и других сценариев retrieval на турецком языке. В README приведены результаты оценки на пяти турецких поднаборах MTEB и сравнение компромисса между размером модели, памятью индекса и качеством поиска. Модель не генерирует текст и не ведёт диалог. Лицензия — Apache-2.0. Качество поиска ниже, чем у более крупной DUSUNEN Rota 270M v1 в указанном наборе задач; компактность достигается за счёт снижения оценочного результата. Обучающие данные основаны на машинном переводе турецкого MS MARCO и могут содержать ошибки перевода, устаревшие сведения и смещения веб-текстов. Оценка сходства служит сигналом ранжирования, а не вероятностью или проверкой фактов.

oridror разработал e5-base-hebrew-qa-v2-myd-r1 — модель эмбеддингов на базе intfloat/multilingual-e5-base, дообученную для сопоставления вопросов и ответов на иврите. Она использует архитектуру XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые запросы и документы, преобразуя их в векторы для оценки семантического сходства. Контекст модели — до 514 токенов. Модель предназначена для семантического поиска ответов на вопросы на иврите, ранжирования подходящих фрагментов и поиска по парам «вопрос—ответ». Для корректной работы нужно добавлять префикс «query: » к запросам и «passage: » к документам. В оценке на 500 отложенных парах на иврите указаны Accuracy@1 0,722, Accuracy@5 0,852 и MRR@10 0,7774. Модель выпущена под лицензией Apache-2.0.