I.11Классификация, ранжирование и сопоставление

Clef-Flash — мультимодальная модель на 9 млрд параметров, разработанная Cloudflare и дообученная на основе Qwen/Qwen3.5-9B. Она оценивает ситуацию и набор типизированных вопросов, а затем за один проход выдаёт вероятности допустимых ответов: «да/нет», выбор из вариантов или оценку по упорядоченной шкале. Модель не генерирует произвольный текст; выходные оценки формируются совместной схемной головой, которая связывает свидетельства из входных данных с вопросами. На вход модель принимает текст, JSON, изображения и видео; текстовые и мультимодальные записи можно объединять в одном пакете. Для текстового ввода максимальная длина по умолчанию составляет 16 384 токена, а границу для описания ситуации можно задавать отдельно. Модель предназначена для структурированных решений, классификации и оценивания, в том числе в бизнес-процессах и сценариях выбора действий. Она совместима с API Jev и SystemOne и распространяется под лицензией Apache-2.0. Ограничение модели — ответы возможны только в рамках заданных вопросов и допустимых вариантов, поэтому она не подходит для свободного диалога или генерации произвольных объяснений. Качество зависит от формулировок вопросов, описаний вариантов и входных данных; обработка изображений и видео требует соответствующего мультимодального процессора.

ColBERT-Zero-supervised — модель поиска LightOn на базе PyLate и архитектуры ModernBERT, предназначенная для много-векторного поиска по тексту с поздним взаимодействием ColBERT и оценкой MaxSim. Она формирует векторы размерности 128 для токенов запросов и документов; в карточке указаны максимальные длины 39 токенов для запроса и 519 токенов для документа, а метаданные задают контекст до 8192 токенов. Модель содержит 149 млн параметров и использует асимметричные промпты: при кодировании нужно применять prompt_name="query" для запросов и prompt_name="document" для документов. Модель рассчитана на построение поисковых индексов и ранжирование документов по релевантности; в README сообщается результат 55,43 nDCG@10 на BEIR. Данные в карточке указывают на обучение на англоязычных наборах, а метаданные отмечают английский язык. Среди ограничений — чувствительность к соответствию промптов и зависимость результатов от состава обучающих данных и масштаба обучения. Лицензия — Apache-2.0.

Это визуальный энкодер ConvNeXt-Base из семейства CLIP, опубликованный в библиотеке timm. Веса обучены на данных LAION при разрешении изображения 320 пикселей; модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения. Модель принимает изображения и выдаёт векторы признаков. Это только визуальная часть CLIP: текстовый энкодер и генерация текста в репозитории не представлены. Модель распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0; использовать её можно в приложениях, совместимых с timm.

Это англоязычная модель Sentence Transformer, дообученная Komalverma на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные текстовые эмбеддинги размерности 768 и предназначена для поиска и сравнения текстов по семантическому сходству. Сходство между векторами можно оценивать косинусной мерой. Модель построена на архитектуре BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. Обучение выполнено на 47 056 парах предложений, а в метаданных указан DenoisingAutoEncoderLoss. Модель подходит для семантического поиска и извлечения релевантных документов, в том числе как компонент RAG. Лицензия в предоставленных данных не указана.

deepset-mxbai-embed-de-large-v1 — открытая модель эмбеддингов предложений, разработанная Mixedbread совместно с deepset. Она основана на intfloat/multilingual-e5-large и дообучена с функцией потерь AnglE на более чем 30 млн пар немецких данных. Модель использует архитектуру XLM-RoBERTa, содержит около 585,8 млн параметров и принимает текстовый контекст длиной до 514 токенов. Модель предназначена для поиска по смыслу и извлечения релевантных документов на немецком и английском языках. Для запросов требуется префикс «query: », для документов — «passage: ». Она поддерживает Matryoshka Representation Learning и бинарную квантизацию, что позволяет уменьшать размер эмбеддингов и затраты на хранение при сохранении значительной части качества. По данным авторов, средний результат на NDCG@10 составляет 51,7. Модель распространяется по лицензии Apache-2.0. Она рассчитана на получение векторных представлений текста; качество и применимость за пределами немецкого и английского языков в предоставленных материалах не описаны.

EIDORA/DINOv2_VITB14 — модель для получения векторных представлений изображений, разработанная EIDORA на основе оригинальной DINOv2 ViT-B/14 от Meta (Facebook Research). EIDORA преобразовала исходную модель в формат ONNX, но не является её первоначальным разработчиком. Модель предназначена для визуального группирования, поиска похожих изображений, retrieval, карт обнаружения и других задач, где требуется сравнивать изображения по семантическим и визуальным признакам. Она рассчитана прежде всего на коллекции естественных изображений и сценарии, в которых качество эмбеддингов важнее минимального времени работы на CPU. Модель принимает изображение и возвращает нормализованный float32-эмбеддинг размерности 768 в формате [batch, 768], предназначенный для сравнения с помощью cosine similarity. Это ONNX-модель среднего размера и средней вычислительной нагрузки, ориентированная на современные ноутбуки и настольные компьютеры; используется ONNX Runtime с CPU. В графе предусмотрена предобработка: центральное кадрирование по умолчанию, масштабирование значений на 1/255 и нормализация со средними [0.485, 0.456, 0.406] и стандартными отклонениями [0.229, 0.224, 0.225]. Исходная DINOv2 обучалась на наборе LVD-142M, содержащем 142 миллиона изображений. Сильными сторонами модели являются высокое качество визуального группирования и поиска по сравнению с более компактными вариантами. Она не предназначена для обработки текста, видео или аудио, а также для идентификации личности, биометрии, оценки намерений, защищённых атрибутов и других решений с высоким риском. Эмбеддинги могут наследовать пробелы в покрытии и предвзятость крупномасштабных веб-изображений. Пакет распространяется по лицензии Apache-2.0; версия пакета — 1.0.0, ONNX opset — 17.

camenduru/dinov3-vitl16-pretrain-lvd1689m — это вариант визуальной модели DINOv3, разработанной Meta AI и представленной в формате Transformers. Модель основана на Vision Transformer ViT-L с патчами 16×16; в метаданных указано 402,7 млн параметров. Она принимает изображения и формирует плотные признаки: представление класса, токены патчей и регистрационные токены. Для изображения 224×224 архитектура ViT-L использует 201 токен, а изображения большего размера поддерживаются при размерах, кратных 16 пикселям. Модель предназначена для извлечения универсальных визуальных признаков и использования в последующих задачах без обязательного дообучения. Полученные признаки подходят для поиска похожих изображений, классификации, сегментации, оценки глубины и обнаружения объектов; поддерживаемый pipeline Hugging Face — image-feature-extraction. Репозиторий указывает базовую модель facebook/dinov3-vit7b16-pretrain-lvd1689m и связь finetune. Модель распространяется по лицензии DINOv3 License (в метаданных лицензия обозначена как other). К ограничениям относятся снижение качества в низкодоходных регионах и различия результатов между географическими регионами; дообучение может усилить смещения, присутствующие в метках.

Карточка модели Fluxmire/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

DRAMA-base — компактная плотная модель для многоязычного поиска по текстам, разработанная авторами семейства DRAMA. Она построена на прореженной языковой модели Llama и дообучена для кодирования запросов и документов в векторы, пригодные для поиска и сравнения сходства. В карточке указана архитектура Llama с классом DramaModel; размер репозитория — 211,7 млн параметров, а README описывает вариант примерно со 113 млн параметров без эмбеддингов. Контекстное окно составляет 131 072 токена. Модель предназначена для семантического поиска и извлечения документов на английском и других языках. Размер эмбеддинга по умолчанию — 768 измерений; обучение Matryoshka позволяет сокращать его, например, до 512 или 256. Для запросов используется префикс «Query: », а в реализации применяется двунаправленное внимание. README сообщает об оценке на BEIR, MIRACL, MLDR и многоязычных задачах MTEB, а также об ускорении пакетного вывода с последовательностями разной длины при использовании Nested Tensors. Обучающие данные охватывали арабский, бенгальский, китайский, английский, финский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, персидский, португальский, русский, испанский, суахили, телугу, тайский и йоруба; для других языков качество может снижаться. Для загрузки через Transformers или Sentence Transformers требуется доверять пользовательскому коду репозитория. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование не разрешено условиями этой лицензии.

DRAMA-large — компактная плотная модель поиска текстов, разработанная авторами DRAMA на основе обрезанной языковой модели и дообученная для многоязычного семантического поиска. Она преобразует запросы и документы в векторы для поиска релевантных материалов; для запросов используется префикс «Query: », а модель применяет двунаправленное внимание. Модель построена на архитектуре Llama, содержит около 399,8 млн параметров по метаданным и поддерживает контекст до 131 072 токенов. Стандартная размерность эмбеддингов — 1024; благодаря Matryoshka Representation Learning её можно сокращать, например, до 512 или 256. Модель рассчитана на арабский, бенгальский, китайский, английский, финский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, персидский, португальский, русский, испанский, суахили, телугу, тайский и йоруба. DRAMA-large предназначена для семантического поиска и извлечения документов, в том числе в многоязычных системах. Авторы сообщают об оценке на BEIR, MIRACL, MLDR и задачах MTEB; компактный размер и гибкая размерность эмбеддингов позволяют выбирать баланс между качеством и затратами на хранение и поиск. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это компактная модель Sentence Transformers, разработанная автором репозитория much1na и дообученная на основе capemox/ettin-encoder-17m-pretrain-50m для поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерности 768 и позволяет сопоставлять запросы с документами по косинусному сходству. Модель построена на архитектуре ModernBERT, содержит 16,8 млн параметров и принимает текст с контекстом до 7999 токенов по метаданным; в README заявлена максимальная длина 8192 токена. Модель обучена на 483 497 примерах датасета msmarco-embed-dense_on-triples-v3 с EmbedDistillLoss. Её сценарии — семантический поиск, извлечение релевантных документов и ранжирование кандидатов по близости векторных представлений; в README приведены результаты оценки на наборах NanoBEIR и отдельных задачах поиска. Базовая модель описана как англоязычная, а оценка использует английский NanoBEIR и подсказки query/document, поэтому подтверждена пригодность прежде всего для английского текста. Лицензия в предоставленных данных не указана. Как и другие модели векторного поиска, качество зависит от языка и тематики входных текстов; приведённые оценки относятся к указанным тестовым наборам и не гарантируют качество на произвольных данных.

F2LLM-v2-0.6B-Preview — многоязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-0.6B. Она обучена на корпусе из 27 миллионов примеров на более чем 100 естественных и программных языках и предназначена как основа для задач эмбеддингов, последующей настройки и исследований. Это плотная модель семейства Qwen3 с 507,9 млн параметров и контекстом до 40 960 токенов; доступны веса в формате safetensors и работа через Transformers и Sentence Transformers. Модель подходит для кодирования текста в векторы для поиска, сопоставления текстов и других downstream-задач с эмбеддингами. Эта preview-версия обучена без инструкций, поэтому её следует рассматривать как базовую модель для дальнейшей настройки, а не как готовую инструкционную систему. Лицензия — Apache-2.0.

F2LLM-v2-8B-Preview — мультиязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-8B на корпусе из 27 миллионов примеров. Версия Preview обучена без инструкций и предназначена как основа для задач получения эмбеддингов и дальнейшей тонкой настройки. Модель имеет плотную архитектуру Qwen3, около 7,6 млрд параметров и принимает текст; метаданные указывают контекст до 40 960 токенов. Модель подходит для кодирования текстов в векторные представления в многоязычных сценариях. README заявляет поддержку более 100 естественных и программных языков, а метаданные карточки перечисляют языки, включая английский, русский, китайский, арабский, японский и другие. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Это предварительная версия без инструкционного обучения, поэтому её поведение в диалоговых задачах и качество на конкретных наборах данных могут требовать проверки.

Fashion-CLIP — модель семейства CLIP, разработанная для получения совместимых представлений изображений и текстов о товарах модной индустрии. В карточке описана версия FashionCLIP 2.0 на базе laion/CLIP-ViT-B-32-laion2B-s34B-b79K: архитектура ViT-B/32 кодирует изображения, а Transformer с маскированным self-attention — текст. Модель дообучена на контрастном сопоставлении более 800 тысяч пар изображение–текст из англоязычного датасета Farfetch. Модель предназначена для поиска и классификации модных товаров по текстовым описаниям, в том числе в zero-shot сценариях и при переносе на новые наборы данных. Авторы приводят улучшение weighted macro F1 относительно исходных CLIP на трёх бенчмарках. Модель лучше подходит для стандартных каталожных фотографий одежды на белом фоне и может лучше работать с длинными запросами, чем с короткими. Карточка предупреждает о наследуемых от CLIP ограничениях и смещениях обучающих данных, включая гендерные ассоциации; качество переноса на новые домены зависит от сценария применения. Репозиторий распространяется по лицензии MIT.

Карточка модели ng3owb/finance_embedding_8k 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.

Это англоязычная модель Sentence Transformers, дообученная thanhpham1 на базе sentence-transformers/all-mpnet-base-v2 на 5 146 парах технических текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов; близость оценивается косинусным сходством. Архитектура включает MPNet, усреднение токенных представлений и нормализацию векторов. Обучение Matryoshka позволяет использовать укороченные представления размерностью 512, 256, 128 или 64 с компромиссом между размером вектора и качеством поиска. Модель подходит для поиска ответов и фрагментов в технической документации, сопоставления технических вопросов с релевантными пояснениями, поиска перефразировок и кластеризации технических текстов. README приводит метрики поиска на нескольких размерностях, однако подробности тестового набора ограничены. Максимальная длина последовательности в README указана как 384 токена, а метаданные указывают контекст до 514 токенов. Лицензия Apache-2.0.

Это модель Sentence Transformer, разработанная на основе BAAI/bge-base-en-v1.5 и дообученная на парах коротких запросов и фрагментов PDF. Она кодирует предложения и абзацы в плотные текстовые векторы размерностью 768, нормализованные для сравнения косинусным сходством. Архитектура включает BERT, пулинг CLS-токена и нормализацию; максимальная длина входа — 512 токенов. В метаданных указано 136,7 млн параметров. Модель предназначена для семантического поиска по PDF и другим текстам, сравнения сходства предложений, поиска перефразировок и кластеризации. В README приведены результаты поиска на наборе из 76 обучающих примеров; они могут не отражать качество на других данных. Модель ориентирована на английский язык, как и её базовая BGE-модель. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Gevva e2b Multimodal — мультимодальная модель-классификатор, созданная Дэйвом Бёрхансом и дообученная на основе google/gemma-4-E2B-it. Она предназначена для быстрых решений по тексту и изображениям: проверки утверждений по источникам, выявления галлюцинаций, маршрутизации запросов к инструментам и проверки того, подтверждают ли диаграммы, таблицы или документы заданное утверждение. В README заявлена обработка контекста до 128 000 токенов, задержка около 15 мс на GPU и около 147 мс на обычном CPU; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель поддерживает английский, французский, испанский, немецкий, китайский, арабский, хинди, русский, суахили и вьетнамский языки. README также описывает применение для проверки ответов учащихся по эталону. Заявления о лидерстве на JevBench, скорости и точности приведены авторами модели и зависят от условий измерений. Лицензия — Apache 2.0.

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.

GLuCoSE-base-ja — японская модель эмбеддингов предложений, разработанная Акихико Фукутти, Юитиро Хосино и Ётаро Ватанабэ. Она основана на LUKE и дообучена для получения векторных представлений японского текста; использует mean pooling и формирует эмбеддинги размерности 768. Модель рассчитана на последовательности длиной до 512 токенов по README; метаданные указывают контекст в 514 токенов. Модель предназначена для сравнения смысловой близости предложений и семантического поиска по японским текстам. Для обучения использована смесь веб-данных и наборов для поиска и понимания естественного языка. В карточке приведены результаты оценки на JSTS и AIO3, где модель превзошла сравниваемые эмбеддинг-модели по указанным метрикам. Модель принимает текст и выдаёт векторные представления, удобные для поиска и ранжирования по близости. Она поддерживает японский язык и распространяется по лицензии Apache-2.0. Оценки в карточке относятся к конкретным тестовым наборам и сами по себе не гарантируют качество на других данных.

Granite-Embedding-30m-English — компактная модель встраиваний из семейства Granite Embeddings, разработанная командой Granite Embedding в IBM. Она построена на энкодерной архитектуре на основе RoBERTa, содержит 33,5 млн параметров и формирует векторы текста размерности 384. Модель принимает текст на английском языке; максимальная длина контекста — 514 токенов. Модель предназначена для получения векторных представлений, которые можно использовать для поиска по смыслу, извлечения релевантных документов и оценки сходства предложений. Версия r1.1 ориентирована на контекстный поиск в многоходовых диалогах: для запроса ей передают историю разговора в заданном формате. По данным карточки, модель примерно вдвое быстрее сопоставимых по размеру векторов моделей и показывает конкурентные результаты на бенчмарках поиска. Модель доступна в форматах PyTorch, Safetensors и ONNX, совместима с Sentence Transformers. Лицензия — Apache 2.0. Ограничения: модель рассчитана на английский язык, а контекст ограничен 514 токенами; версии r1.1 для многоходового поиска требуется подавать историю диалога в специальном формате.

GritLM-8x7B-KTO — версия GritLM, разработанная Contextual AI и обученная методом KTO. GritLM объединяет генерацию текста и создание текстовых представлений в одной языковой модели; семейство включает вариант на архитектуре Mixtral 8x7B. В репозитории указаны веса Safetensors и лицензия Apache-2.0. Модель предназначена для диалоговой генерации текста и задач, где нужны текстовые представления, например поиск по смыслу и сопоставление текстов. Контекст составляет до 32 768 токенов. Карточка не приводит отдельные результаты или ограничения качества именно версии KTO; пригодность для конкретного сценария следует оценивать на его данных.

yankexe/gte-multilingual-base-air-gapped — вариант модели gte-multilingual-base из семейства GTE, предназначенный для получения текстовых представлений и поиска по смыслу. Это плотная encoder-only Transformer-модель размером 305,3 млн параметров с embedding-размерностью 768 и контекстом до 8192 токенов. README описывает запуск в изолированной среде с vLLM; метаданные указывают формат safetensors и возможность получать эмбеддинги. Модель предназначена для многоязычного поиска и извлечения информации, в том числе межъязыкового и по длинным текстам. Помимо плотных представлений, она поддерживает разреженные векторы и эластичные по размеру плотные представления, позволяя уменьшать затраты на хранение и вычисления. README заявляет поддержку более 70 языков и высокую скорость относительно некоторых крупных моделей GTE; конкретные результаты оценки приведены со ссылкой на статью и бенчмарки. Лицензия — Apache-2.0. Для запуска в air-gapped-среде README приводит конфигурацию vLLM с pooling runner и trust-remote-code. Точное соответствие опубликованных результатов конкретному варианту air-gapped и характеристики отдельных языков в карточке не раскрыты.

gte-reranker-modernbert-base — англоязычный переранжировщик текста, разработанный Tongyi Lab (Alibaba Group) на основе encoder-only модели ModernBERT-base. Он оценивает релевантность пар запроса и документа, чтобы переупорядочивать результаты поиска и улучшать отбор контекста для RAG. Модель содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. В карточке приведены результаты на наборах BEIR и LoCo для поиска по документам, а также COIR для поиска кода. Репозиторий содержит веса Safetensors и ONNX; для запуска поддерживается Transformers. Модель рассчитана прежде всего на английский язык. Оценки релевантности могут уступать специализированным моделям на других языках или предметных областях; приведённые результаты бенчмарков не гарантируют качество на конкретном корпусе. Лицензия — Apache-2.0.

HRM-Embed-0.6b — модель для создания текстовых эмбеддингов, разработанная на основе архитектуры Hierarchical Reasoning Model (HRM) от Sapient Intelligence и дообученная контрастивным методом на базе Xiaoye08/HRM-Text-0.6B. Она формирует 1280-мерные L2-нормализованные векторы: для этого применяется двунаправленное кодирование, усреднение финального состояния рекуррентной архитектуры и нормализация. В модели около 610,8 млн параметров; максимальная длина контекста — 4096 токенов. Модель предназначена для семантического поиска и извлечения документов, в том числе в сценариях, где запросы требуют рассуждений. В тестах BRIGHT сильнее всего показала себя при поиске теорем, определений и справочных сведений, а также в научных вопросах по биологии и психологии. Переформулирование запроса внешней языковой моделью заметно повышает результаты на этом бенчмарке; для поиска кода переформулирование может ухудшить качество. Модель поддерживает английский язык. Это эмбеддер, а не генератор: обычная загрузка без описанного в карточке рецепта не даёт корректных эмбеддингов, а генерация текста не предназначена для использования. Модель опубликована под лицензией Apache-2.0.

DEk21_hcmute_embedding_v2 — вьетнамская модель эмбеддингов предложений, разработанная для семантического поиска и сравнения сходства предложений. Она дообучена авторами репозитория на основе bkai-foundation-models/vietnamese-bi-encoder с помощью Sentence Transformers; архитектура — RoBERTa, размер — 162,4 млн параметров. Модель преобразует текстовые запросы и контексты в векторы для поиска релевантных фрагментов, в частности во вьетнамских данных вопрос—контекст. Основной размер вектора — 768 измерений; обучение Matryoshka позволяет использовать укороченные векторы размером 512 или 256 измерений. Для сравнения предусмотрено косинусное сходство, а длина контекста составляет 258 токенов. Модель рассчитана на вьетнамский язык и поиск по вьетнамским текстам; результаты оценки показывают улучшение ряда метрик относительно базовой модели, хотя качество зависит от данных и сценария применения. Распространяется по лицензии Apache-2.0.

Folma/IndoBERT-Retail-Search-Model — модель Sentence Transformers, созданная разработчиком Folma путём дообучения indobenchmark/indobert-base-p2. Она преобразует текстовые запросы и описания товаров в плотные векторы размерности 768 и предназначена для поиска и сопоставления предложений по косинусному сходству. Модель обучалась на парах запросов и товаров из розничного каталога; README приводит примеры на индонезийском языке и результаты оценки поиска по набору retail-production-eval. Архитектура состоит из BERT и усредняющего pooling-слоя. Максимальная длина последовательности в README — 128 токенов; метаданные указывают нативный контекст до 512 токенов. Модель принимает текст и выдаёт векторы для семантического поиска, ранжирования кандидатов и извлечения похожих товаров. Лицензия в предоставленных данных не указана.

hotchpotch разработала japanese-reranker-xsmall-v2 — компактную модель для переранжирования японских текстов. Она основана на ModernBERT и дообучена на базе cl-nagoya/ruri-v3-pt-30m; размер составляет 36,7 млн параметров, контекст — до 8192 токенов. Модель принимает пары текстов и оценивает их релевантность, чтобы упорядочить кандидатов по соответствию запросу. Модель рассчитана на повышение качества поиска и RAG-систем, в том числе при работе на CPU, Apple Silicon и устройствах с ограниченными ресурсами. В README приведены результаты оценок на японских наборах задач и замеры скорости для GPU, MPS и CPU; фактическая производительность зависит от оборудования и конфигурации. Для запуска описана поддержка sentence-transformers и ONNX. Модель поддерживает японский язык и распространяется по лицензии MIT.

jina-clip-v1 — англоязычная мультимодальная модель эмбеддингов Jina AI на архитектуре CLIP. Она преобразует текст и изображения в векторы общего пространства, пригодные для поиска и сравнения по сходству. Модель рассчитана на текстовый поиск, поиск изображений по текстовому запросу, поиск текста по изображению и текстовый семантический поиск. Модель подходит для мультимодальных систем поиска и RAG, где нужно искать текст и изображения с помощью одной модели. В карточке приведены результаты сравнений на задачах Flickr и MSCOCO для поиска между изображениями и текстом, а также на текстовых наборах STS и BEIR. Для объединения текстовых и межмодальных оценок сходства авторы рекомендуют взвешенное усреднение либо нормализацию z-оценкой, поскольку значения текстового сходства обычно выше. Модель распространяется под лицензией Apache-2.0. В карточке не указаны число параметров и длина контекста; для использования описаны варианты через API Jina AI или библиотеки Transformers и Sentence Transformers.

jina-embeddings-v5-omni-nano-retrieval-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI. Это GGUF-квантизированная сборка модели jina-embeddings-v5-omni-nano-retrieval для llama.cpp, предназначенная для задач retrieval. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 768, совместимые в одном векторном пространстве с текстовой моделью jina-embeddings-v5-text-nano-retrieval. Это позволяет индексировать данные с помощью текста, а выполнять поиск по запросам любой поддерживаемой модальности без переиндексации. Модель содержит около 0,95 млрд параметров, поддерживает контекст до 8192 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности 32, 64, 128, 256, 512 и 768, а текстовая часть представлена в F16 и нескольких уровнях int-квантизации с калибровкой imatrix; мультимодальные проекторы используют F16. Поддерживаются распространённые форматы изображений, видео и аудио, а также PDF. Основные сценарии применения — мультимодальный семантический поиск, retrieval-augmented generation, построение единого индекса для разных типов контента и сравнение схожести между текстом и медиа. К сильным сторонам относятся единое пространство эмбеддингов для нескольких модальностей, сравнительно небольшой размер и возможность уменьшать размерность вектора. Ограничения включают специализацию только на retrieval-задачах, необходимость использовать специализированную ветку llama.cpp с мультимодальными патчами, а также отдельные multimodal projector-файлы для обработки изображений, видео и аудио. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательным соблюдением её условий и ограничений на коммерческое применение.