I.11Классификация, ранжирование и сопоставление

jina-embeddings-v5-omni-small-retrieval-GGUF — мультимодальная retrieval-ориентированная модель эмбеддингов от Jina AI. Это квантизированная GGUF-сборка модели jinaai/jina-embeddings-v5-omni-small-retrieval для использования с llama.cpp. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 1024 и помещает их в общее векторное пространство, совместимое с эталонной PyTorch-версией и текстовой моделью jina-embeddings-v5-text-small-retrieval. Благодаря этому документы можно индексировать одним типом данных, а выполнять поиск — по запросам любой поддерживаемой модальности. Модель предназначена прежде всего для мультимодального семантического поиска и retrieval-сценариев, включая поиск по тексту, изображениям, видео и аудио, а также комбинированные запросы. Она содержит около 1,56 млрд параметров в текстовой, визуальной и аудиочасти, поддерживает контекст до 32768 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности эмбеддингов 32, 64, 128, 256, 512, 768 и 1024, что позволяет уменьшать размер векторов для экономии памяти и ускорения поиска. Поддерживаются распространённые форматы изображений, видео, аудио и PDF-документы. К сильным сторонам относятся единое пространство для разных модальностей, возможность кросс-модального поиска без переиндексации, большой контекст и несколько уровней размерности векторов. Ограничения связаны с тем, что вариант предназначен для retrieval-задач, а не для генерации текста, и требует llama.cpp со специальными мультимодальными патчами Jina AI, которые, согласно README, ещё не вошли в upstream-версию. Текстовая часть доступна в F16 и нескольких квантизированных вариантах, тогда как мультимодальные проекторы поставляются в F16. Лицензия — CC BY-NC 4.0, допускающая использование с обязательным указанием авторства и ограничивающая коммерческое применение.

Jina Embeddings v5 Text Small Retrieval MLX — порт модели эмбеддингов Jina AI для Apple Silicon. Модель основана на Qwen3-0.6B с предварительно объединёнными LoRA-адаптерами; размер — около 507,9 млн параметров. Она преобразует поисковые запросы и документы в векторы размерностью до 1024, поддерживает обрезку векторов до 32, 64, 128, 256, 512, 768 или 1024 измерений и контекст до 32 768 токенов. Модель предназначена для семантического поиска и retrieval-сценариев на устройствах Apple Silicon с ускорением Metal. Для запросов и фрагментов документов предусмотрены отдельные типы задач retrieval.query и retrieval.passage. Репозиторий содержит веса safetensors и использует библиотеку MLX. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без дополнительного разрешения. Это специализированная модель для извлечения признаков и построения эмбеддингов, а не генерации ответов. Заявленная оптимизация рассчитана на Apple Silicon; README не описывает производительность на других аппаратных платформах.

jina-reranker-v1-tiny-en-GGUF — это квантизированная GGUF-версия модели jinaai/jina-reranker-v1-tiny-en, подготовленная пользователем mradermacher. Модель предназначена для переранжирования результатов поиска и оценки релевантности пар «запрос — документ» в системах семантического поиска, включая сценарии на базе Transformers, Sentence Transformers и Transformers.js. По назначению она относится к reranker-моделям и использует архитектуру cross-encoder. Модель ориентирована на английский язык. В репозитории представлены варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и f16; размер файлов составляет примерно 0,1–0,2 ГБ. Для вариантов Q4_K_S и Q4_K_M заявлена высокая скорость, Q6_K обозначен как вариант с очень хорошим качеством, а Q8_0 — как быстрый вариант с лучшим качеством. Количество параметров, максимальная длина контекста и дополнительные модальности в README не указаны. Основные преимущества — компактность, возможность локального запуска и выбор между несколькими уровнями квантования. Ограничения связаны с тем, что это англоязычный reranker, а снижение точности может зависеть от выбранного варианта квантования; характеристики качества в README количественно не приведены. Модель распространяется по лицензии Apache-2.0.

sinjy1203/ko-sbert-natenews — модель эмбеддингов предложений на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 141,2 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. По названию репозитория модель ориентирована на корейские новости. Её можно применять для поиска похожих новостных материалов и группировки статей по смыслу; карточка также описывает обучение с CosineSimilarityLoss. Доступны веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

aditeyabaral/langcache-colbert-v1-4gpu — англоязычная модель PyLate на архитектуре ColBERT/BERT, дообученная на LangCache Sentence Pairs для семантического поиска и сравнения текстов. Она преобразует запросы и документы в последовательности 128-мерных плотных векторов и оценивает их сходство оператором MaxSim; заявленная длина контекста составляет 512 токенов, а в конфигурации модели указана максимальная длина последовательности 127 токенов. Модель содержит 136,7 млн параметров и распространяется в формате safetensors. Модель предназначена для поиска релевантных фрагментов по запросу в индексированных коллекциях, семантического кэширования и переранжирования результатов первичного поиска. Для построения индекса и быстрого поиска README предлагает PyLate и FastPLAID; также описано непосредственное переранжирование пар запрос–документ. Модель обучалась на контрастивных парах LangCache Sentence Pairs. Для указанной в карточке оценки ColBERT Triplet приведена точность 0,8206. Модель рассчитана на английский язык. Результаты представлены в виде векторов токенов и оценок сходства, поэтому для поиска по коллекции требуется индекс или список кандидатов. Лицензия — Apache-2.0.

LateOn — англоязычная модель поиска LightOn из семейства ColBERT, построенная на ModernBERT и обученная с помощью PyLate. Это supervised-вариант, дообученный контрастивным методом с трудными негативными примерами; модель содержит 149 млн параметров и формирует многовекторные представления текста для поиска документов и сопоставления запросов с текстами. Для документов предусмотрена длина до 300 токенов, для запросов — до 32 токенов; размерность выходных представлений — 128, сходство вычисляется функцией MaxSim. В метаданных указано контекстное окно 8192 токена. Модель предназначена для семантического поиска и извлечения релевантных документов. По заявлению разработчика, LateOn показала средний результат 57,22 NDCG@10 на 15 наборах BEIR и 60,36 на очищенной от пересечений версии из 12 наборов. Модель использует открытые данные обучения; README отмечает, что дистилляцию и асимметричные подсказки не применяли. Лицензия — Apache 2.0.

Chaitanya30/maatri-hindi-crossencoder — текстовый Cross Encoder, дообученный разработчиком на базе BAAI/bge-reranker-v2-m3 с библиотекой Sentence Transformers. Модель принимает пару текстов и выдаёт оценку их соответствия, которую можно использовать для переранжирования результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и имеет около 658,7 млн параметров; максимальная длина последовательности — примерно 8192 токена. Модель предназначена прежде всего для работы с текстами на хинди: в README приведена оценка на наборе Hindi-dev. В описанной проверке на Hindi-dev указаны accuracy 0,7699 и F1 0,5031. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

MeaningBERT — модель оценки сохранения смысла между двумя предложениями, представленная автором статьи MeaningBERT: Assessing Meaning Preservation Between Sentences. Она выдаёт оценку смыслового сходства, которую можно использовать как обучаемую метрику при сравнении перефразирований и других пар предложений. В репозитории доступны исходный чекпойнт v1 и рекомендуемый чекпойнт v2 large; карточка указывает архитектуру BERT с 136,7 млн параметров, контекст до 512 токенов и формат safetensors. Для v2 large используется энкодер DeBERTa-v3-large, а результат преобразуется в шкалу от 0 до 100; по данным README, на тесте из 1536 пар он показал корреляцию Пирсона 0,704 ± 0,009. Модель принимает пару текстов и относится к классификации текста, хотя практически её используют как регрессионную метрику сохранения смысла. Она предназначена для оценки результатов перефразирования, упрощения и других преобразований текста. README описывает английские энкодеры bert-base-uncased и deberta-v3-large; основная версия v1 слабее обобщает на некоторые внешние наборы данных, а v2 требует корректного преобразования логита в оценку 0–100. Лицензия в предоставленных данных не указана.

prithivida/miniDense_arabic_v1 — компактная модель встраиваний для поиска на арабском языке. Она разработана как часть серии miniDense и основана на архитектуре BERT с токенизатором XLM-Roberta и словарём примерно на 250 тысяч токенов. Модель предназначена для сопоставления предложений и извлечения релевантных документов; в карточке упомянуты оценки на MIRACL и других наборах для поиска. Модель принимает текст и выдаёт векторы для поиска и ранжирования по сходству. Максимальная длина контекста — 512 токенов; автор рекомендует CLS-пулинг и скалярное произведение. Доступны веса PyTorch и ONNX, включая вариант ONNX FP16 для более лёгкого инференса. По README, обучение не требовало дополнительного предобучения или дорогой тонкой настройки. Модель рассчитана прежде всего на арабский язык. Её можно применять для семантического поиска, поиска ответов и извлечения passages, в том числе в гибридных системах с BM25. Для длинных документов авторы отмечают ограничение длины контекста, а заявленные результаты могут немного отличаться при воспроизведении. Лицензия — Apache-2.0.

Многоязычная модель PyLate для семантического поиска и сопоставления предложений. Она дообучена разработчиками модели на английских данных от jhu-clsp/mmBERT-base и переносит представления текста в последовательности 128-мерных векторов токенов. Архитектура ColBERT использует энкодер ModernBERT с проекцией из 768 в 128 измерений, а релевантность запросов и документов оценивается оператором MaxSim. Модель содержит около 306,9 млн параметров и поддерживает контекст до 8192 токенов по метаданным; в карточке также указаны длины до 1024 токенов для документов и 64 токена для запросов. Модель предназначена для построения поискового индекса по документам, извлечения наиболее релевантных фрагментов и повторного ранжирования результатов первичного поиска. Обучение проводилось на английском языке, а README сообщает о переносе на корейские задачи поиска и приводит результаты оценки на корейских наборах MTEB. Для работы и индексирования описана интеграция с PyLate и FastPLAID. Сведения о лицензии в предоставленных источниках отсутствуют.

MMLW-retrieval-roberta-large — польскоязычный плотный текстовый энкодер семейства RoBERTa от разработчиков MMLW, предназначенный для информационного поиска. Он кодирует запросы и фрагменты текста в векторы размерности 1024; для запросов требуется префикс «zapytanie: ». Модель содержит 533,7 млн параметров, использует контекст до 514 токенов и распространяется в форматах PyTorch и safetensors. Обучение проходило в два этапа: дистилляция знаний англоязычных моделей FlagEmbeddings (BGE) на корпусе из 60 млн польско-английских пар, затем дообучение с контрастивной функцией потерь на польской обучающей выборке MS MARCO. В README приведён результат NDCG@10 58,46 на польском бенчмарке информационного поиска. Модель подходит для поиска по смыслу и сопоставления запросов с текстами; в качестве ограничений следует учитывать необходимость специального префикса для запросов и контекст до 514 токенов. Лицензия — Apache-2.0.

Это модель Sentence Transformers, дообученная на answerdotai/ModernBERT-base на наборе code_search_net. Она кодирует текстовые запросы и фрагменты кода в плотные векторы размерности 768 и предназначена прежде всего для семантического поиска по коду и сопоставления запросов с подходящими фрагментами. Также её можно применять для оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Модель использует encoder-архитектуру ModernBERT с CLS-пулингом и косинусной мерой сходства. README указывает максимальную длину последовательности 4096 токенов, а метаданные — нативный контекст 8192 токена; фактическую длину при использовании следует соотносить с конфигурацией Sentence Transformers. Размер модели — 149 млн параметров. Карточка описывает пары запросов и кода из CodeSearchNet; отдельные языки программирования или естественные языки в метаданных не перечислены. Модель выдаёт эмбеддинги, а не готовые текстовые ответы, поэтому для поиска обычно требуется сравнение векторов и, при необходимости, отдельный индекс. Лицензия в предоставленных данных не указана.

ytu-ce-cosmos/modernbert-tr-reranker — турецкий cross-encoder-реранкер на базе ModernBERT с 148,7 млн параметров. Он оценивает релевантность пары «запрос — документ» и предназначен для повторной сортировки результатов, найденных первичным поисковым движком. Контекст модели — до 8192 токенов; репозиторий содержит веса Safetensors и ONNX-граф для запуска через ONNX Runtime. Модель разработана ytu-ce-cosmos и дистиллирована из Qwen/Qwen3-Reranker-8B методом listwise KL на данных для турецкого поиска и ответов на вопросы. В тестах с повторной сортировкой первых 100 результатов прирост NDCG@10 составил от 9,27 до 17,74 пункта на наборах SciFactTR, SquadTRRetrieval и ArguAnaTR; абсолютное качество зависит от первичного ретривера. Модель рассчитана на турецкоязычный поиск, включая вопросы и контраргументы. Для чувствительных к качеству сценариев автор рекомендует FP32: INT8 ONNX может заметно менять порядок оценок. Из-за недостатка длинных текстов в обучении качество на длинном контексте может снижаться. Лицензия — Apache-2.0.

sobamchan/monnem-large-v0 — модель Sentence Transformer, дообученная на базе answerdotai/ModernBERT-large. Она кодирует предложения и абзацы на английском языке в плотные векторы размерностью 1024 для семантического поиска и извлечения текстов; сходство между векторами рекомендуется оценивать косинусной метрикой. Архитектура состоит из энкодера ModernBERT и слоя усредняющего пулинга. Метаданные указывают 394,7 млн параметров и контекст до 8192 токенов, тогда как карточка модели задаёт максимальную длину последовательности 512 токенов. Модель принимает текст и выдаёт эмбеддинги. Подходит для поиска релевантных предложений и абзацев, в том числе как компонент retrieval-систем. Данных о специализированных предметных областях нет. Модель опубликована под лицензией, сведения о которой в предоставленных источниках отсутствуют.

sangmini/msmarco-cotmae-MiniLM-L12_en-ko-ja — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторные представления размерности 1536. Её можно применять для семантического поиска и кластеризации текстов. Модель построена на архитектуре BERT и содержит 124,3 млн параметров; максимальная длина контекста составляет 512 токенов. В карточке указано обучение с функцией потерь MSELoss. Репозиторий содержит веса в формате PyTorch. Лицензия в доступных данных не указана. Оценка на конкретных наборах или ограничения качества в карточке не описаны.

multi-qa-mpnet-base-dot-v1 — модель встраиваний предложений и абзацев на базе MPNet, разработанная в рамках проекта Hugging Face «Train the Best Sentence Embedding Model Ever with 1B Training Pairs». Она кодирует запросы и текстовые фрагменты в плотные векторы размерностью 768 для семантического поиска и подбора релевантных документов. Модель дообучена на примерно 215 млн пар «вопрос—ответ» из разных источников; использует CLS-пулинг и сходство по скалярному произведению, а выходные векторы не нормализуются. В метаданных указано 136,7 млн параметров и контекст до 514 токенов. Модель подходит для поиска ответов и документов по смыслу, даже если запрос и найденный текст не совпадают дословно. README предупреждает, что при длине свыше 512 word pieces текст обрезается, а обучение проводилось преимущественно на фрагментах до 250 word pieces, поэтому качество на более длинных текстах может снижаться. В карточке указана лицензия Apache-2.0.

Mursit-Embed-Qwen3-4B-TR-i1-GGUF — квантованная GGUF-версия модели Mursit-Embed-Qwen3-4B-TR, разработанной newmindai и подготовленной в виде квантов mradermacher. Модель основана на Qwen3 с примерно 4 миллиардами параметров и преобразует архитектуру decoder-to-encoder для создания текстовых эмбеддингов. Модель предназначена для семантического сходства, извлечения признаков, dense retrieval и информационного поиска, включая поиск по юридическим документам и турецким правовым материалам. В обучении использовались датасеты ms-marco-turkish-triplets и EuroHPC-Legal. Заявлена поддержка турецкого и английского языков, поэтому модель особенно ориентирована на двуязычные и турецко-правовые сценарии. Преимущество этой версии — доступность в широком наборе GGUF-квантовок разных размеров, что позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти, включая варианты IQ4_XS, Q4_K_S и рекомендуемый Q4_K_M. Более агрессивные квантовки могут заметно снижать качество, а сведения о максимальной длине контекста, размерности эмбеддингов, точных метриках и полном примере интеграции в README не приведены. Модель распространяется по лицензии Apache-2.0.

Nemotron-3-Embed-8B-Community-NVFP4 — мультиязычная модель для получения текстовых эмбеддингов, разработанная и опубликованная shadowrock-io на основе nvidia/Nemotron-3-Embed-8B-BF16. Это квантизированная версия базовой модели в формате NVFP4/FP4 с 4-битным представлением, предназначенная для задач семантического поиска, dense retrieval, vector search, feature extraction и построения RAG-систем. Модель ориентирована на использование с vLLM и поддерживает формат Safetensors. Модель работает с текстом и предназначена для сопоставления смысловой близости запросов и документов. В README заявлена поддержка английского, русского, китайского, арабского, немецкого, французского, испанского, японского, корейского, украинского и других языков; полный перечень включает 30 языков. Указана поддержка подхода Matryoshka, однако размерность эмбеддингов и максимальная длина контекста не приведены. К сильным сторонам относятся снижение требований к памяти и вычислительным ресурсам благодаря NVFP4-квантизации, мультиязычность и ориентация на retrieval-сценарии. В предоставленных результатах MTEB модель показывает высокие значения NDCG@10 на отдельных наборах, включая HumanEvalRetrieval — 1,0, WikiSQLRetrieval — 0,99459 и MBPPRetrieval — 0,95722, однако качество зависит от предметной области. Ограничения включают отсутствие подробностей об архитектуре, размере контекста и официальных характеристиках производительности, а также то, что в README инференс помечен как неподтверждённый. Модель распространяется по лицензии openmdw-1.1, обозначенной в карточке как other.

AhmadAfles/NeoAraBERT-STS-Genre — дообученная модель Sentence Transformer на базе U4RASD/NeoAraBERT-STS, предназначенная для преобразования предложений и абзацев в эмбеддинги и поиска по смыслу. Она использует архитектуру NeoBERT с усредняющим pooling, выдаёт плотные векторы размерностью 768 и сравнивает их косинусным сходством. Модель принимает текст, поддерживает последовательности длиной до 512 токенов и подходит для семантического поиска и извлечения релевантных текстов. Модель обучена на 465 парах предложений с MultipleNegativesRankingLoss. Примеры обучающих данных содержат арабский литературный и разговорный текст. В метаданных указано 314,2 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

Модель new-clasification-manish разработана Манишем Неги (Isuremedia) для классификации новостных заголовков и статей на шесть категорий. Это дообученная DistilBERTForSequenceClassification на базе distilbert/distilbert-base-multilingual-cased; модель принимает текст на английском и хинди и поддерживает контекст до 512 токенов. В карточке указана точность 78% на тестовом наборе. Среди примеров категорий — политика, спорт и бизнес; источники обучающих данных включают новостные издания Индии и BBC Hindi. Модель распространяется по лицензии MIT.

SAIRA NASEEM разработала модель классификации новостных статей на базе DistilBERT. Она относит текст к одной из четырёх категорий: мировые новости, спорт, бизнес или наука и технологии. Модель предназначена для автоматической разметки новостных материалов и построения тематических лент или архивов. Модель дообучена на наборе AG News и использует архитектуру DistilBertForSequenceClassification. Для входа она принимает текст; максимальная длина контекста — 512 токенов. В README указаны accuracy 91,25%, F1 91,23% и precision 91,44%. Лицензия в предоставленных данных не указана.

Модель samandar1105/news-classifier — классификатор новостных статей на основе DistilBERT, дообученный на датасете AG News из 120 000 обучающих примеров. Она относит текст к одной из четырёх категорий: World, Sports, Business или Sci/Tech. Модель предназначена для автоматической тематической сортировки новостей и разметки новостных потоков. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Контекст составляет до 512 токенов. В README указаны accuracy и F1 по 0,9447; лицензия в предоставленных данных не приведена.

SlaviSolakchiev/news-topic-distilbert-multilingual-4class — дообученная модель классификации текста на базе distilbert/distilbert-base-multilingual-cased. Она предназначена для отнесения новостных текстов к четырём тематическим классам; конкретные названия классов и описание обучающих данных в карточке не приведены. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9167 и F1 0,9164. Эти показатели относятся к приведённой выборке и сами по себе не гарантируют качество на других данных. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

ENOSYS/Octen-Embedding-0.6B-750-v1-GGUF — экспериментальная GGUF-квантизация модели Octen/Octen-Embedding-0.6B, опубликованная ENOSYS. Репозиторий описывает квантизацию с целевым числом бит на вес, созданную с использованием нестандартной ветки LLaMA.cpp и калибровочных данных на английском и русском языках; для тензоров использован формат F16, совместимый с архитектурой Nvidia Pascal, включая P100. Модель предназначена для получения текстовых эмбеддингов и задач семантического сходства, включая поиск и извлечение информации. Метаданные указывают на поддержку английского, русского и других языков, а также на библиотеку Sentence Transformers. README приводит сравнение вариантов квантизации по показателям perplexity и KLD, но не описывает конкретную конфигурацию этого репозитория среди приведённых результатов. Лицензия — Apache-2.0. Это производная квантованная версия базовой модели Octen/Octen-Embedding-0.6B. Нестандартная ветка инструментов и экспериментальный характер квантизации могут влиять на совместимость и воспроизводимость; метаданные указывают GGUF, а также возможности чата и эмбеддингов.

NVIDIA NV-QwenOmni-Embed-3B-v1 — мультимодальная модель эмбеддингов для поиска и извлечения информации. Она основана на Thinker-компоненте Qwen/Qwen2.5-Omni-3B; компонент Talker для генерации ответов не входит в модель. По данным карточки, модель содержит 4,7 млрд параметров и использует архитектуру Transformer с отдельными кодировщиками зрения и аудио. Она принимает текст, изображения, аудио и видео по отдельности или в сочетании, а также мультимодальные запросы, и возвращает векторы эмбеддингов размерностью 2048. Максимальная длина контекста — 32 768 токенов. Модель обучена как bi-encoder с контрастивным обучением: запросы и материалы кодируются независимо в общем пространстве эмбеддингов. Она предназначена для мультимодальных RAG-систем, поиска по медиакорпусам и межмодального извлечения, включая поиск видео по тексту, аудио по тексту и визуальных документов. Для крупных нетекстовых входов, например длинных видео, может потребоваться настройка разрешения и выборки кадров. Карточка рекомендует запуск на NVIDIA GPU; указана совместимость с A100 и H100. Условия использования регулируются NVIDIA Open License Agreement и Qwen Research License Agreement.

OpenDecider-nano — дообученная модель OpenDecider для быстрых калиброванных решений по тексту. Разработчики описывают её как модель System 1: она принимает текст, письмо, заявку или JSON вместе с типизированными вопросами и возвращает вероятности для вариантов ответа за один проход, не генерируя текст. Модель построена на энкодере ModernBERT семейства Ettin, содержит 394,7 млн параметров и принимает последовательности длиной до 7 999 токенов. Основной язык карточки — английский. Модель предназначена для классификации без заранее заданных классов, маршрутизации запросов в агентских системах, оценки вариантов и проверок «да/нет», включая фильтрацию контента и защиту от prompt injection. В README заявлены быстрый инференс, интеграции с агентскими фреймворками и локальное выполнение в браузере; опубликованные оценки зависят от конкретного набора данных и условий сравнения. Лицензия Apache-2.0 разрешает коммерческое использование. По результатам тестирования защиты от инъекций модель может ошибочно помечать легитимные запросы, поэтому её решения требуют настройки под сценарий применения.

Passage Ranker v1 XS EN — англоязычный реранкер компании Sinequa для поиска. Модель получает запрос и текстовый фрагмент, оценивает их релевантность и помогает упорядочить результаты поиска. Это компактная модель на архитектуре BERT-Mini с примерно 12 млн параметров, обученная по схеме MonoBERT; она нечувствительна к регистру и диакритическим знакам. Контекст составляет 512 токенов. Модель предназначена для повторного ранжирования найденных фрагментов и улучшения поиска по запросам на английском языке. В README приведена средняя оценка NDCG@10 0,438 по 14 англоязычным наборам BEIR. Для работы с FP16 требуется GPU с CUDA compute capability выше 6.0, для других указанных режимов — выше 5.0; README также указывает минимальную версию Sinequa 11.10.0. Лицензия в предоставленных сведениях не описана.

PatentSBERTa_V2 — модель эмбеддингов на базе MPNet, разработанная группой AI: Growth-Lab при Aalborg University Business School для работы с патентными текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска и группировки патентов, а также задач классификации и анализа дистанции между патентами. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; заявленная длина контекста — 514 токенов. Обучение проводилось с CosineSimilarityLoss. Карточка не сообщает поддерживаемые естественные языки и лицензию, поэтому их нельзя определить по доступным данным.

Perception Encoder PE-Core-G14-448 — визуальный энкодер Meta из семейства PE, обученный на изображениях с помощью контрастивного vision-language обучения и дообученный на синтетически выровненных видеоданных. Модель содержит визуальную башню G/14 с разрешением 448 пикселей; для глобального представления использует блок attention pooling с 8 головами. Число параметров и длина текстового контекста именно этого чекпойнта в предоставленных данных не указаны. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для получения визуальных представлений, поиска и переноса признаков в downstream-задачи. В карточке отмечены результаты на наборах ImageNet, ObjectNet и ImageNet-A, а также на задачах поиска и классификации видео. Репозиторий предоставляет веса PyTorch. Лицензия — Apache-2.0.

Perception Encoder PE-Core-B16-512 — визуальный энкодер Meta из семейства Perception Encoder, обученного с помощью контрастивного обучения изображений и текстов и дообученного на синтетически согласованных видео. Эта версия использует архитектуру B/16 с башнями для изображений и текста: визуальная часть содержит около 90 млн параметров, текстовая — около 310 млн; в README для семейства указаны ширина слоёв 768 и 1024, глубина 12 и 24 слоя и контекст текста 32 токена. Модель предназначена для извлечения признаков и визуальных эмбеддингов, которые можно применять для классификации и поиска изображений и видео, в том числе в режиме zero-shot. Сильные стороны семейства — перенос общих визуальных признаков на задачи классификации и поиска; README сообщает о результатах на ImageNet, ObjectNet, COCO и Kinetics. В метаданных указан формат PyTorch, а лицензия — Apache-2.0. Описание результатов в README относится к вариантам B/16, L/14 и G/14, поэтому конкретные показатели для варианта 512 не приведены.