I.11Классификация, ранжирование и сопоставление

Это дообученная модель Waqf-AI для получения плотных векторных представлений текста и поиска по смыслу. Она основана на jinaai/jina-embeddings-v5-text-nano-retrieval и дообучена на арабских данных для поиска; при обучении также использовались английские примеры NLI, чтобы сохранить способности на английском языке. Модель предназначена для арабского семантического поиска и информационного поиска, например для сопоставления запросов с документами. Архитектура — EuroBERT, около 211,7 млн параметров; максимальный контекст — 8192 токена. Формат весов — safetensors, для использования в README приведён пример с Sentence Transformers. Модель поддерживает арабский и английский языки. Лицензия Apache-2.0. README не содержит сравнительных оценок качества, поэтому качество на конкретных наборах данных следует проверять отдельно.

oddadmix/arabic-reranker — арабоязычный реранкер, дообученный на базе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, которая, согласно README, основана на aubmindlab/bert-base-arabertv02. Модель использует архитектуру BERT и оценивает релевантность пары «запрос — текст», чтобы переупорядочивать результаты поиска или варианты ответа. Модель предназначена для повторного ранжирования арабских документов и абзацев в информационном поиске, поисковых системах и сценариях вопросно-ответных систем с выбором среди кандидатов. Она обучалась на синтетических арабских триплетах, созданных с помощью LLM, и дополнительно настраивалась методом оценки. Размер модели — 162,4 млн параметров, максимальная длина входа — 512 токенов; в README приведён пример использования через sentence-transformers CrossEncoder. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

ArabicT5-news-classification-generation — модель на архитектуре T5, разработанная Hezam и дообученная для классификации и генерации текстов арабских новостей. Она принимает текст новости и формирует текстовый ответ, где число обозначает одну из восьми категорий: политика, экономика, здоровье, спорт, культура, технологии, искусство или происшествия. Модель содержит 89,8 млн параметров, использует библиотеку Transformers и формат safetensors; родной контекст — 512 токенов. В карточке приведены результаты оценки: точность классификации 96,17% и генерации 87,16%. Модель подходит для автоматической категоризации арабских новостных материалов и генерации связанных с категорией ответов. Лицензия в предоставленных данных не указана.

Модель bert-base-japanese-v3-unsup-simcse-jawiki — японская модель для получения векторных представлений предложений. Она создана авторами книги «Введение в большие языковые модели» на основе cl-tohoku/bert-base-japanese-v3: BERT дообучен методом SimCSE без учителя на предложениях из японской Википедии llm-book/jawiki-sentences. В метаданных указаны архитектура BERT, библиотека Transformers, 138,4 млн параметров и контекст до 512 токенов. Модель предназначена для представления японских предложений в виде эмбеддингов, которые можно использовать для поиска похожих текстов и извлечения релевантных предложений. В карточке также приведены ссылки на обучающий и инференсный Colab, а датасет llm-book/aio-retriever указан в метаданных. Модель распространяется по лицензии Apache License 2.0.

ahmedheakl/bert-resume-classification — модель классификации последовательностей на базе BERT, разработанная автором репозитория. Она предназначена для присвоения резюме категорий и подходит для автоматической сортировки резюме и первичной классификации кандидатов. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст длиной до 512 токенов. В карточке указан датасет ResumeAtlas и приведён пример применения модели к его данным. Доступна лицензия MIT.

Карточка модели RamyAhmed55/bge-m3-arabic-legal 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.

TesNik369/bge-m3-tqa-merged-v2 — модель Sentence Transformer, дообученная автором на базе BAAI/bge-m3 на наборе tqa-bge-m3-finetune-triplets-verified из 725 примеров. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерности 1024; близость оценивается косинусным сходством. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в системах поиска ответов на вопросы. Архитектура основана на XLM-RoBERTa с CLS-пулингом и нормализацией; длина последовательности в README указана как 512 токенов. Метаданные указывают контекст до 8194 токенов, поэтому фактическую длину ввода следует сверять с используемой конфигурацией модели. README приводит высокую точность на tqa-dev, однако результат относится к описанной оценке и не гарантирует качество на других данных. Модель принимает и выдаёт текстовые представления в виде эмбеддингов; лицензия в предоставленных сведениях не приведена.

Это англоязычная модель Sentence Transformer, дообученная автором репозитория на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерности 768 для семантического поиска и извлечения релевантных фрагментов; сходство можно оценивать косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию. Модель принимает только текст, поддерживает контекст до 512 токенов и содержит 136,7 млн параметров. Модель подходит для поиска релевантных документов и passages, сравнения предложений и построения retrieval-компонента RAG. README приводит оценку InformationRetrievalEvaluator: cosine_accuracy@1 — 0,4435, @3 — 0,6532 и @5 — 0,7316; обучение проводилось на наборе из 6 857 пар предложений. Указана лицензия базовой модели не предоставлена в доступных данных, поэтому условия использования определить нельзя.

ArnavKewalram/bge-small-code-v1 — текстовая Sentence Transformer-модель, дообученная разработчиком на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов. Архитектура основана на BERT: используется CLS-пулинг и нормализация эмбеддингов, а сходство можно оценивать косинусной мерой. Модель рассчитана на текстовые сценарии, включая семантический поиск и извлечение релевантных фрагментов. Метаданные указывают 40 млн параметров и контекст до 512 токенов; в README указан максимальный размер последовательности 384 токена. Карточка называет базовую модель англоязычной, поэтому применение для кода или других языков не следует считать подтверждённым одним лишь названием репозитория. Лицензия в доступных данных не приведена.

ColBERT-XM — модель для многоязычного семантического поиска, разработанная на основе X-MOD. Она кодирует запросы и документы в последовательности токенных векторов, а затем оценивает соответствие с помощью позднего взаимодействия MaxSim; такой подход подходит для эффективного поиска по большим коллекциям текстов. Модель дообучена на английских запросах и отрывках MS MARCO с трудными отрицательными примерами. Благодаря основе X-MOD она поддерживает перенос поиска на другие языки без отдельного дообучения на каждом из них. В обучении использовались векторы размерности 128 и максимальные длины последовательностей 32 токена для запросов и 256 для документов; базовый контекст модели составляет 514 токенов. Размер — 305,2 млн параметров. Модель предназначена для многоязычного поиска документов и ранжирования отрывков по запросу, включая сценарии семантического поиска и извлечения passages. Карточка описывает оценку на наборах mMARCO и Mr. TyDi. Для использования доступны библиотеки Sentence Transformers и ColBERT. Лицензия — MIT.

ColQwen3-VL-Embedding-2B-vdr — мультимодальный многовекторный энкодер, дообученный авторами tomaarsen на базе Qwen/Qwen3-VL-Embedding-2B с использованием Sentence Transformers и набора llamaindex-vdr-en-train-preprocessed из 10 000 примеров. Модель преобразует текст, изображения и видео в последовательности 128-мерных векторов на уровне токенов и оценивает соответствие запросов и документов методом позднего взаимодействия MaxSim. Модель предназначена прежде всего для семантического поиска по визуальным документам и другим мультимодальным данным: она сопоставляет текстовые запросы с изображениями, сохраняя отдельные векторы для токенов вместо сведения всего ввода к одному вектору. Заявленная максимальная длина последовательности — 262 144 токена. В README приведены результаты оценки на vdr-eval-hard, включая maxsim_accuracy@1 0,8467 и maxsim_accuracy@5 0,98. Модель использует библиотеку Sentence Transformers и распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

convnext_base.clip_laiona — модель семейства ConvNeXt из библиотеки timm, разработанная для извлечения признаков изображений. Это только визуальный энкодер CLIP, обученный на данных LAION; он преобразует изображение в векторное представление для последующего сравнения и поиска. Модель принимает изображения и выдаёт векторы признаков. Доступна под лицензией Apache-2.0.

Это франкоязычная модель переранжирования cross-encoder, разработанная Antoine Louis. Она оценивает пары «вопрос — фрагмент текста» и выдаёт оценку релевантности, по которой можно сортировать результаты семантического поиска после первичного извлечения, например BM25 или bi-encoder. Модель предназначена для повышения качества выдачи по запросам на французском языке. Модель основана на XLM-RoBERTa и дообучена на французских данных mMARCO: использовано 2,6 млн обучающих пар с положительными и сложными отрицательными примерами. В метаданных указаны 110,2 млн параметров и контекст до 514 токенов; в описании обучения максимальная длина пары составляла 256 токенов. Оценка вычисляется с помощью sigmoid и находится в диапазоне от 0 до 1. Для работы требуется оценивать каждую пару запроса и фрагмента отдельно, поэтому модель подходит для второго этапа поиска, а не для первичного поиска по большим коллекциям. Модель распространяется по лицензии MIT.

Это англоязычный разреженный CSR-энкодер, созданный tomaarsen дообучением модели mixedbread-ai/mxbai-embed-large-v1 на наборе Natural Questions с использованием Sentence Transformers. Он преобразует запросы, предложения и абзацы в разреженные векторы размерностью 4096 с максимум 256 активными измерениями; сходство оценивается скалярным произведением. Модель предназначена для семантического поиска и разреженного извлечения документов, например для поиска ответов на вопросы в коллекциях текстов. Максимальная длина входа составляет 512 токенов. В README приведены результаты оценки поиска на наборах NanoMSMARCO при разных ограничениях на число активных измерений; качество зависит от выбранного ограничения. Модель распространяется по лицензии Apache-2.0.

tomaarsen выпустил англоязычный CSR Sparse Encoder на базе mixedbread-ai/mxbai-embed-large-v1, дообученный на Natural Questions с использованием Sentence Transformers. Модель преобразует предложения и абзацы в разреженные векторы размерностью 4096 с максимум 256 активными измерениями и использует косинусное сходство; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и разреженного поиска информации, в частности для сопоставления вопросов с подходящими ответами или документами. В карточке приведены оценки поиска на наборах Natural Questions с разным числом активных измерений. Модель имеет 433,9 млн параметров и распространяется по лицензии Apache-2.0.

Komalverma/custom-bge-baai-small-cfr-cms — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработанная пользователем Komalverma. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 384 для семантического поиска и извлечения релевантных текстов. Сходство векторов можно оценивать косинусной мерой. Модель использует архитектуру BERT с усреднённым пулингом выходов токенов, содержит около 40 млн параметров и обрабатывает до 512 токенов за последовательность. Обучающие данные состоят из 47 056 пар предложений; README указывает на примеры из сферы услуг Medicare, но не устанавливает более широкую специализацию модели. Доступны веса в формате safetensors. Лицензия в предоставленных данных не указана.

DenseOn — плотная модель поиска LightOn на базе ModernBERT с 149 млн параметров. Она независимо кодирует запросы и документы в векторы размерности 768 и предназначена для поиска по смыслу и ранжирования документов по близости к запросу. Для запросов используется префикс `query:`, для документов — `document:`; применяется CLS-пулинг и косинусное сходство. Модель рассчитана на англоязычный поиск. В README указана максимальная длина последовательности 512 токенов, тогда как метаданные Hugging Face сообщают о контексте в 8192 токена. В бенчмарке BEIR авторы приводят средний результат 56,75 nDCG@10 на 15 наборах данных и 57,71 на очищенном наборе из 12 датасетов. Модель распространяется по лицензии Apache 2.0.

facebook/dinov3-convnext-small-pretrain-lvd1689m — визуальная модель Meta AI из семейства DINOv3, предназначенная для извлечения признаков изображений. Это вариант ConvNeXt Small с 50 млн параметров, дистиллированный из DINOv3 ViT-7B и обученный на веб-данных LVD-1689M. Модель доступна в формате safetensors и используется через библиотеку Transformers. Модель формирует универсальные визуальные признаки, которые можно применять без дообучения для поиска похожих изображений, классификации, сегментации и других задач компьютерного зрения. Для классификации и ряда downstream-задач к признакам можно подключать простые линейные слои или другие небольшие модели. На вход подаются изображения; основное назначение — представление их визуального содержания в виде признаков. Лицензия указана как DINOv3 License, тип — other в метаданных; перед использованием следует проверить её условия. Среди известных ограничений отмечены различия качества признаков между регионами и доходными группами; дообучение на размеченных данных может усилить смещения.

Карточка модели computer-vision-ai-lab/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.

Карточка модели cont1037/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.

Карточка модели huyhuung/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.

Это англоязычная модель Sentence Transformer, созданная дообучением DistilBERT на наборе MSMARCO с функцией потерь MarginMSELoss и учителем-ансамблем BERT-CAT. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска и извлечения релевантных документов по запросу. Модель использует архитектуру DistilBertModel с усредняющим pooling; сходство векторов оценивается скалярным произведением. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 300 токенов. Карточка приводит оценки на наборах NanoBEIR и отдельных задачах поиска; результаты различаются в зависимости от набора данных. Модель принимает текст и выдаёт эмбеддинги. Она рассчитана на английский язык и распространяется по лицензии Apache-2.0. Её область применения ограничена текстом; качество поиска зависит от предметной области и может требовать проверки на собственных данных.

Модель kwondw/distilbert-base-uncased-msmarco-margin-mse-mnrl-502939 — англоязычная Sentence Transformer, дообученная автором на 502 939 примерах для поиска по смыслу. В основе лежит distilbert/distilbert-base-uncased; архитектура включает DistilBERT и mean pooling. Модель преобразует предложения и абзацы в плотные векторы размерности 768, а сходство оценивает скалярным произведением. Она предназначена для векторного поиска и извлечения релевантных документов по запросу, а также сравнения семантической близости текстов. В README приведены оценки на наборах NanoBEIR и задачах поиска, включая MS MARCO, Quora Retrieval и HotpotQA. Метаданные указывают контекст до 512 токенов; карточка модели задаёт максимум в 300 токенов. Лицензия — Apache-2.0.

Это модель для плотного поиска по текстовым пассажам на основе шестислойного DistilBERT. Её разработчик, Sebastian Hofstätter, обучил веса методом Margin-MSE с дистилляцией оценок ансамбля из трёх BERT_Cat на парах запросов и пассажей из MSMARCO-Passage. Для представления запроса или документа используется вектор CLS; одна и та же модель кодирует оба типа текста. Модель подходит для ранжирования кандидатов, например результатов BM25, и для прямого поиска по векторному индексу. В README приведены результаты на MSMARCO и TREC-DL’19. Репозиторий содержит веса PyTorch; заявленная длина контекста — 512 токенов. Она обучена на англоязычных коротких пассажах, поэтому качество на длинных текстах и вне домена обучения может быть ниже. Карточка отмечает наследуемые социальные смещения DistilBERT и MSMARCO. Условия лицензии в предоставленных данных не указаны.

Модель Anshika0509/distilbert-resume-job-matcher — классификатор пар текста на базе DistilBERT, дообученный на сопоставлении резюме кандидатов с описаниями вакансий. Она кодирует пару «резюме [SEP] описание вакансии» и относит её к одному из трёх классов: «не подходит», «возможное соответствие» или «хорошее соответствие». Модель предназначена для предварительной оценки релевантности профилей, самооценки кандидатов и поддержки рекрутеров при сортировке резюме. Архитектура — DistilBERT с шестью слоями, размерностью скрытого состояния 768 и 12 головами внимания, дополненный классификационной головой. Модель принимает текст и выдаёт метку класса соответствия; заявленная длина контекста — 512 токенов. Карточка описывает английскоязычные данные и обучение на синтетических профилях. Указанная лицензия — MIT. Оценка основана на семантическом сходстве и может учитывать синонимы и близкие навыки, однако результаты на синтетических данных не гарантируют качества на реальных резюме и вакансиях. Длинные входы обрезаются после 512 токенов. Модель следует использовать как вспомогательный инструмент, а не для автоматического принятия решений о найме.

Diver-GroupRank-7B-i1-GGUF — GGUF-квантизированная версия модели Diver-GroupRank-7B, разработанной AQ-MedAI и подготовленной квантизатором mradermacher. Модель предназначена для ранжирования текстовых фрагментов и документов в задачах информационного поиска, passage ranking и text ranking, включая сценарии, где требуется учитывать рассуждения при оценке релевантности. В качестве обучающих данных указаны наборы xlangai/BRIGHT и liuwenhan/reasonrank_data_13k. Модель относится к классу 7B и рассчитана на работу с текстом; заявленный язык — английский. Точная архитектура, размер контекстного окна и дополнительные модальности в README не указаны. Распространяется в формате GGUF с несколькими вариантами квантизации от i1-IQ1_S до i1-Q6_K, что позволяет выбирать баланс между размером файла, скоростью и качеством. В README рекомендуется i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества; наиболее низкие уровни квантизации могут существенно ухудшать результаты. Модель удобна для локального запуска и интеграции в системы поиска и повторного ранжирования при ограниченных ресурсах. Ограничения включают ориентацию на английский язык, отсутствие сведений о контекстном окне и количественных результатах тестирования, а также возможную потерю качества при агрессивной квантизации. Указанная лицензия — Apache-2.0.

DPR-XM — мультиязычная плотная двухбашенная bi-encoder-модель для поиска абзацев по запросам, разработанная Antoine Louis и соавторами. Она кодирует запросы и passages в отдельные векторы размерностью 768 и предназначена для семантического поиска и ранжирования найденных документов по близости векторных представлений. Модель построена на X-MOD и дообучена на английской части MS MARCO passage ranking с трудными негативными примерами; обучение проводилось на 25,6 млн троек «запрос, релевантный абзац, нерелевантный абзац». Благодаря языковым адаптерам X-MOD модель поддерживает перенос поиска на другие языки без отдельного обучения на каждом из них. Контекст модели — 514 токенов, максимальная длина запросов и абзацев при обучении составляла 128 токенов. Модель рассчитана на текстовый ввод и выдаёт векторные представления; доступны веса PyTorch и Safetensors для Sentence-Transformers и Transformers. DPR-XM подходит для мультиязычного поиска по коллекциям документов, в том числе для межъязыкового поиска. Оценка проводилась на mMARCO, включая русский язык. Лицензия и её условия в предоставленных данных не указаны.

DUSUNEN Atlas 278M v1 — модель эмбеддингов, разработанная Göktuğ Düşünen как дообучение intfloat/multilingual-e5-base для поиска на турецком языке. Она построена на XLM-RoBERTa и преобразует запросы и документы в векторы для семантического поиска, извлечения информации и сравнения предложений. Для запросов используется префикс «query: », для документов — «passage: ». Контекст модели — 514 токенов; в README для обучения указана длина последовательности 256 токенов. Модель обучена на 50 000 турецких триплетов с трудными отрицательными примерами с использованием Matryoshka Representation Learning. При инференсе можно выбирать размерность эмбеддингов 768, 512, 384, 256, 128 или 64, что позволяет уменьшить объём векторного индекса. На проверочной выборке из 2 000 примеров авторы сообщают точность 94,75% для 128 измерений против 92,65% у усечённой базовой модели; это результат только для внутридоменной проверки, а не оценка на широком бенчмарке. Модель распространяется под лицензией MIT.

e5-omni-3B — мультимодальная модель эмбеддингов, разработанная Haon-Chen на основе Qwen2.5-Omni-3B и дообученная для поиска по единому пространству представлений. Она преобразует текст, изображения, аудио и видео в эмбеддинги, чтобы сопоставлять запросы и материалы даже при различии модальностей. Модель предназначена для мультимодального поиска, включая поиск по видео и аудио, изображениям документов, диаграммам и PDF, а также многоязычный поиск по тексту. В метаданных указаны архитектура Qwen2.5-Omni-3B, библиотека Sentence Transformers и формат safetensors; README сообщает о результатах на MMEB-V2 и AudioCaps. Лицензия — MIT. Это экспериментальная модель: в README приведены результаты бенчмарков и примеры применения, но нет подробной оценки ограничений или условий эксплуатации помимо лицензии. Результаты поиска зависят от качества представлений и того, насколько данные соответствуют сценариям оценки.

much1na/ettin-encoder-17m-v3-vendor-embeddistill-v2 — компактная текстовая модель Sentence Transformer для поиска по смыслу и извлечения релевантных документов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать косинусным сходством. Архитектура основана на ModernBERT, содержит 16,8 млн параметров и принимает последовательности длиной до 7999 токенов по метаданным; в README заявлено ограничение 8192 токена. Модель обучена на 483 497 примерах msmarco-embed-dense_on-triples-v3 с использованием EmbedDistillLoss. Её можно применять для векторного поиска, подбора документов к запросу и построения семантического поиска; в карточке приведены результаты оценки на англоязычных наборах NanoBEIR и отдельных наборах извлечения информации. Модель принимает текст и выдаёт векторы эмбеддингов. Данные указывают на англоязычное обучение и оценивание, поэтому пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.