I.11Классификация, ранжирование и сопоставление

chungimungi/ettin-glint-kd — текстовый многовекторный энкодер на архитектуре ModernBERT, обученный с помощью библиотеки Sentence Transformers. Модель преобразует текст в последовательность векторов размерности 128 на уровне токенов и сопоставляет запросы с документами методом позднего взаимодействия MaxSim. Модель предназначена для семантического поиска, где важно учитывать соответствия между отдельными частями запроса и документа. Максимальная длина последовательности в README — 300 токенов для документа и 32 токена для запроса; метаданные указывают контекст до 7999 токенов. Модель содержит 16,8 млн параметров и распространяется в формате safetensors. README сообщает об обучении на наборе parquet из примерно 1 046 009 примеров с запросами, документами и оценками. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

EVA-CLIP — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Чекпойнт опубликован в библиотеке timm; авторы исходной работы предварительно обучили его на LAION-400M с использованием CLIP, а затем дообучили на ImageNet-1k. Архитектура включает крупную модель с примерно 1,013 млрд параметров и обработкой изображений размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям и получения векторных представлений изображений. Обучение использовало предварительно обученные визуальную и текстовую башни MIM, прореживание патчей FLIP и оптимизированные параметры обучения. Доступны веса PyTorch и safetensors; версия timm хранится в float32. Лицензия — MIT.

FashionCLIP — разработанная для модной индустрии модель на основе CLIP, дообученная авторами карточки на парных данных изображений и текстовых описаний одежды. В версии 2.0 используется базовый чекпойнт laion/CLIP-ViT-B-32-laion2B-s34B-b79K; архитектура включает визуальный энкодер ViT-B/32 и Transformer-энкодер текста. Обучение на датасете примерно из 800 тысяч товаров применяет контрастивную функцию потерь, чтобы сблизить представления соответствующих изображений и описаний. Модель предназначена для сопоставления изображений товаров с текстовыми запросами и классификации изображений по текстовым категориям без отдельного обучения на этих категориях. Её можно использовать для поиска и категоризации одежды, а также построения представлений модных товаров. В карточке приведены результаты на нескольких наборах данных, но авторы предупреждают, что перед внедрением необходимо оценить пригодность модели для конкретного сценария. Обучающие данные включают англоязычные описания более чем 800 тысяч товаров, поэтому основным языком модели является английский. Модель может хуже работать с короткими текстовыми запросами и изображениями, отличающимися от стандартных товарных фотографий на белом фоне. Данные также могут закреплять гендерные ассоциации с одеждой. Лицензия — MIT.

bartowski/granite-embedding-125m-english-GGUF — квантованная версия модели эмбеддингов ibm-granite/granite-embedding-125m-english, разработанной IBM Granite и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для преобразования англоязычных текстов в векторные представления и задач семантического поиска и извлечения информации, включая retrieval-сценарии и поиск похожих документов. Из доступных данных известно, что модель ориентирована на английский язык и имеет размер 125 млн параметров в базовой версии. Формат GGUF подходит для локального запуска в совместимых инструментах, а квантование может снизить требования к памяти и ускорить инференс, хотя конкретный тип квантования в карточке не указан. Архитектура, размерность эмбеддингов, максимальная длина контекста и поддерживаемые модальности не описаны. В карточке приведены результаты оценки на ряде наборов MTEB для retrieval, включая ArguAna, ClimateFEVER и CQADupstack. Они показывают применимость модели к ранжированию и поиску релевантных текстов, однако качество зависит от предметной области и конфигурации индекса. Модель не следует рассматривать как универсальную генеративную языковую модель: данных о генерации текста, многоязычности или мультимодальности нет. Лицензия — Apache-2.0.

HCAE-21M-v1.1-Instruct — инструктивно дообученная модель эмбеддингов HeavensHackDev на архитектуре Hybrid Convolutional-Attention Encoder (HCAE). Она предназначена для поиска по смыслу, асимметричного поиска и семантического анализа специализированных текстов, включая научные и медицинские корпуса. Для запросов и документов поддерживает префиксы `query:` и `passage:` соответственно. Модель содержит 21,1 млн параметров, имеет гибридную архитектуру с четырьмя сверточными и четырьмя attention-блоками, а размерность эмбеддингов составляет 384. Контекст ограничен 512 токенами. Доступны веса Safetensors и формат ONNX для запуска, в том числе на устройствах с ограниченными ресурсами. В README приведены результаты на STSBenchmark и SciFact. Модель дообучена на наборах NLI, SciFact и специализированных технических данных. Лицензия — Apache-2.0.

davanstrien/headline-similarity — модель Sentence Transformers на базе BERT, разработанная для сопоставления заголовков и других коротких текстов по смыслу. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, кластеризации и оценки сходства. Модель дообучена на dbmdz/bert-base-historic-multilingual-cased с использованием MultipleNegativesRankingLoss; в обучающих данных использовался набор headlines-semantic-similarity. Архитектура содержит 137,8 млн параметров, а контекст ограничен 512 токенами. Модель ориентирована на английские газетные заголовки. Её можно применять для поиска похожих заголовков, группировки публикаций по теме и обнаружения семантически близких формулировок. Репозиторий использует формат PyTorch; в предоставленных сведениях лицензия не указана.

Многоязычная модель Sentence Transformers, разработанная командой Impresso Project на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и дообученная для исторического и современного люксембургского языка. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена прежде всего для кросс-языкового семантического поиска между люксембургским и другими языками, а также для сравнения текстов, поиска парафраз и кластеризации. Модель подходит библиотекам и архивам для поиска по коллекциям и изучения изменений языка во времени. Архитектура — XLM-RoBERTa; модель содержит 305,2 млн параметров, использует библиотеку Sentence Transformers и принимает текст. README указывает ограничение в 128 субтокенов на вход, хотя метаданные каталога сообщают длину контекста 514 токенов. На историческом и современном люксембургском модель показывает сильный результат в различении парафраз ParaLUX; для поиска по более длинному контексту README рекомендует другую модель. Лицензия — AGPL-3.0.

Jina-ColBERT-v1-en — англоязычная модель поиска по фрагментам документов, разработанная Jina AI. Она использует архитектуру ColBERT на основе JinaBERT и обучена на наборе MSMARCO для ранжирования пассажей. Модель создаёт представления запросов и документов для поиска релевантных фрагментов и может применяться для первичного поиска и переранжирования результатов BM25. Модель насчитывает 136,7 млн параметров и поддерживает контекст до 8192 токенов благодаря JinaBERT с двунаправленным вариантом ALiBi. В README сообщается о сопоставимых с ColBERTv2 результатах на стандартных поисковых тестах и лучших результатах на наборах с длинными документами. Лицензия — Apache-2.0.

jina-embeddings-v5-omni-small-retrieval — мультимодальная модель эмбеддингов от Jina AI, дообученная для поиска. Она принимает текст, изображения, видео и аудио и кодирует их в общее векторное пространство, совместимое с jinaai/jina-embeddings-v5-text-small-retrieval: можно индексировать текст и искать по нему с помощью другой модальности без перестроения индекса. Модель построена на архитектуре Qwen3VLAudioModel, содержит около 1,56 млрд параметров и выдаёт эмбеддинги размерностью 1024. Модель предназначена для межмодального поиска и семантического сопоставления. При кодировании нужно явно указывать роль входа — запрос или документ — через соответствующий префикс либо функции encode_query() и encode_document(); это относится ко всем модальностям. Для видео используются кадры, звуковая дорожка автоматически не обрабатывается: аудио следует передавать отдельно. Доступны веса в формате safetensors и поддержка Transformers; лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

jina-embeddings-v5-text-nano-retrieval — компактная текстовая embedding-модель компании Jina AI, предназначенная для задач информационного поиска. Она преобразует запросы и документы в векторные представления для семантического поиска, сопоставления релевантности и построения retrieval-систем. Модель поддерживает мультиязычные тексты и входит в семейство jina-embeddings-v5-text, созданное с применением дистилляции и task-specific contrastive losses. Модель содержит 239 млн параметров, поддерживает последовательности длиной до 8192 токенов и формирует embeddings размерностью 768. Используется last-token pooling; предусмотрены Matryoshka-размерности 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством, размером индекса и скоростью обработки. Модель ориентирована именно на retrieval, поэтому её применение для других задач в README не заявлено. К сильным сторонам относятся компактность, заявленная высокая производительность среди моделей сопоставимого размера, мультиязычность и возможность гибко уменьшать размер embeddings. Для использования требуются совместимые версии transformers, PyTorch и других библиотек; поддерживаются sentence-transformers, vLLM, Elastic Inference Service и специальная ветка llama.cpp. Модель распространяется по лицензии CC BY-NC 4.0, предусматривающей некоммерческое использование.

Kazakh-E5-RAG-Embedding — модель эмбеддингов текста для поиска и извлечения документов на казахском языке, опубликованная shyngys879. Это плотный двунаправленный кодировщик на архитектуре XLM-RoBERTa, основанный на multilingual-e5-base и KazEmbed-V5; в метаданных указано 305,2 млн параметров, а README описывает базовый размер в 278 млн. Модель преобразует текст в 768-мерные векторы и использует формат E5 с префиксами «query:» для запросов и «passage:» для документов; контекст составляет до 514 токенов. Модель предназначена для семантического поиска, поиска ответов на вопросы и документов, а также извлечения контекста для RAG. Она оптимизирована для сопоставления казахских запросов и фрагментов, включая различение похожих нерелевантных вариантов; README сообщает об оценке на трёх казахских наборах поиска. Поддерживаются казахский и также русский и английский языки по тегам карточки. Для поиска по корпусу Wikipedia в описанных тестах multilingual-e5-base и multilingual-e5-large показали лучшие результаты. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

Archeiothiki S.A., команда AI Services, разработала эту модель для классификации страниц документов на греческом языке по 18 категориям. Она принимает текст, извлечённый из документов с помощью OCR, и возвращает категорию страницы; среди примеров — счета за энергию, сертификаты и другие деловые документы. Для предварительной обработки текста перед запуском требуется использовать предусмотренную авторами функцию. Модель построена на BERT и дообучена на базе nlpaueb/bert-base-greek-uncased-v1. В обучении применялись контрастивное обучение и настройка классификатора с функцией потерь для несбалансированных классов. В архитектуре оставлено 6 слоёв из исходных 12; размер скрытого слоя — 768, словарь содержит 35 000 токенов, максимальная длина входа — 512 токенов. В метаданных указано 83,5 млн параметров. На тестовом наборе из 1 336 примеров авторы сообщают точность 0,94 и macro F1 0,92. Модель подходит для сортировки и маршрутизации страниц греческих документов после OCR. Редкие классы представлены малым числом примеров, и качество на них может быть ниже; авторы отмечают, что для класса AA_LEGAL_ENT_CERTIFICATE требуется больше обучающих данных. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Карточка модели Sing0402/legal-embed-gte-bm25 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/legal-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.

sahilchachra/LFM2.5-ColBERT-350M-mxfp4 — версия модели LiquidAI LFM2.5-ColBERT-350M, квантованная автором репозитория в формат MLX mxfp4 с группами по 32 значения и 4-битными весами для запуска на компьютерах Apple Silicon. Это двунаправленный энкодер с поздним взаимодействием ColBERT: он формирует 128-мерные векторы для каждого токена через проекцию Dense(1024→128), а релевантность пары запроса и документа вычисляется методом MaxSim. Для запросов и документов нужны маркеры `[Q] ` и `[D] ` соответственно. Модель предназначена для многоязычного поиска документов и ранжирования результатов. В карточке приведены результаты на подмножестве англоязычного NanoBEIR: среднее сохранение NDCG@10 после квантования составляет 98,7% относительно fp16; это сравнение не охватывает весь многоязычный набор задач. Репозиторий указывает скорость кодирования 12 740 токенов в секунду на системе с процессором серии M. Метаданные указывают 443,4 млн параметров и контекст до 128 000 токенов; README сообщает о 4-битной квантовке и весах размером 188 МБ. Лицензия в метаданных обозначена как other, поэтому условия следует сверить с карточкой базовой модели и файлами лицензии репозитория. Модель требует специализированного загрузчика для двунаправленного энкодера; обычные загрузчики причинных LFM2 могут формировать неверные векторы.

LightOn-rerank-PW-0.8B — мультимодальный кросс-энкодерный реранкер компании LightOn на базе Qwen/Qwen3.5-0.8B. Он оценивает по отдельности каждую пару «запрос — кандидат» и ранжирует текстовые фрагменты или изображения страниц документов по оценке logit("Yes") − logit("No"); модель предназначена для второго этапа поиска после BM25, dense retrieval или ColPali-подобного ретривера. Число параметров — около 0,85 млрд; веса опубликованы в формате safetensors и bfloat16. Модель принимает текстовый запрос вместе с текстом или изображением страницы, поэтому подходит для поиска по PDF, слайдам и сканам наряду с обычным текстовым поиском. Обучение проводилось совместно на текстовых и визуальных данных на английском языке; французский поддерживается с переносом без дополнительного обучения. Архитектура унаследована от мультимодальной Qwen3.5 с гибридным линейным и полным вниманием. Модель распространяется по лицензии Apache-2.0. В тестах она показала полезные результаты для текстового реранжирования, но слабее подходит для визуальных кандидатов: на ViDoRe V3 оценка nDCG@10 составила 48,20 и оказалась ниже результата исходного ретривера без реранжирования. Для независимого pointwise-оценивания сложных визуальных кандидатов размер 0,8B недостаточен; авторы рекомендуют listwise-вариант LightOn-rerank-LW-0.8B для визуального реранжирования такого масштаба.

ainativestudio/locomo-e5-large-finetuned — текстовая Sentence Transformer модель, дообученная на базе intfloat/e5-large-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска и извлечения релевантных фрагментов. Архитектура включает BERT, mean pooling и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель принимает только текст, максимальная длина последовательности — 512 токенов. Модель обучена с TripletLoss на 2 806 примерах, включающих вопросы, релевантные и нерелевантные текстовые фрагменты. Это делает её подходящей для поиска ответов и контекста в коллекциях текстов, в том числе в сценариях retrieval и RAG. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

LRAT Qwen3-Embedding-0.6B Retriever-Observable Utility V2 — текстовая модель эмбеддингов для поиска документов по веб-запросу. Она разработана на базе Qwen3-Embedding-0.6B и дообучена с использованием траекторий LRAT: пары «запрос — документ» взвешивались по оценке самостоятельной полезности документа для поиска. Модель использует архитектуру Qwen3 с плотными весами, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Для обучения применялись pooling последнего токена и нормализация эмбеддингов; обучающие запросы и passages ограничивались 512 токенами. Модель предназначена для получения представлений запросов и passages, которые можно применять для ранжирования кандидатов и семантического поиска релевантных документов. Обучение проводилось на датасете Yuqi-Zhou/LRAT-Train в течение двух эпох с weighted InfoNCE и девятью отрицательными примерами на положительный. Данные не подтверждают поддержку конкретных естественных языков, поэтому языковую специализацию не следует предполагать. Модель распространяется по лицензии Apache-2.0.

mDenseOn — мультиязычная модель плотного поиска LightOn на архитектуре mmBERT-base, представленная как Sentence Transformer с 306,9 млн параметров. Она независимо кодирует запросы и документы в векторы размерностью 768 и сопоставляет их по косинусному сходству; для запросов и документов используются префиксы `query:` и `document:`, а в качестве pooling применяется токен CLS. Модель поддерживает контекст до 8 192 токенов и предназначена для семантического поиска по текстам на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках, а также для поиска по коду. Модель обучена LightOn на мультиязычных данных, полученных в том числе методом translate-train. В карточке заявлены результаты на мультиязычном поиске MIRACL, поиске по длинным документам MLDR, общем англоязычном поиске BEIR и поиске по коду MTEB Code. Одновекторное представление удобно для плотного поиска и ранжирования по сходству, однако качество заметно снижается на языках, не охваченных обучением для поиска; карточка рекомендует mLateOn, если важнее обобщение на такие языки и допустим многовекторный поиск. Лицензия — Apache 2.0.

mMiniLM-L6-v2-pt-v2 — мультиязычная модель семейства MiniLM, дообученная исследователями Unicamp DL на португальской версии набора MS MARCO для ранжирования фрагментов текста. Данные для версии v2 были переведены с помощью Google Translate. Модель построена на архитектуре XLM-RoBERTa и содержит 110,2 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для классификации текстовых пар и оценки релевантности при поиске по португальским документам, в частности для задач, связанных с MS MARCO. Она принимает текст и выдаёт классификационные оценки. В метаданных Hugging Face основная задача указана как text-classification. Лицензия — MIT.

MMLW-retrieval-e5-large — польскоязычный текстовый энкодер, разработанный для задач информационного поиска. Модель основана на multilingual E5 и использует архитектуру XLM-RoBERTa; её размер составляет 658,7 млн параметров, а контекст — 514 токенов. Она кодирует запросы и фрагменты текста в векторы размерности 1024. Модель обучали в два этапа: сначала дистиллировали на 60 млн польско-английских пар с использованием англоязычных моделей FlagEmbeddings (BGE) в качестве учителей, затем дообучили с контрастивной функцией потерь на польской части MS MARCO. Для кодирования запросов нужен префикс «query: », для документов — «passage: ». На польском бенчмарке PIRB модель показала NDCG@10 58,30. Распространяется по лицензии Apache-2.0.

Madaray/moderncamembert-msmarcofr-ranknetloss — кросс-энкодер на базе ModernBERT, обученный с библиотекой Sentence Transformers. Он оценивает пары «запрос — документ» одним числовым баллом и предназначен для переупорядочивания результатов поиска и семантического поиска. Модель содержит 135,5 млн параметров, поддерживает последовательности до 8192 токенов и распространяется в формате safetensors. В карточке приведены примеры французских запросов и документов; название модели и обучающие примеры указывают на французскую направленность. Обучение проводилось на 502 939 примерах с использованием RankNetLoss. Оценки модели можно применять для ранжирования кандидатов по релевантности; отдельные оценки не следует трактовать как вероятности без дополнительной калибровки. Лицензия в предоставленных данных не указана.

cross-encoder/ms-marco-MiniLM-L6-v2 — англоязычный ранжировщик на основе архитектуры BERT, предназначенный для переранжирования результатов поиска. Модель обучена на задаче MS MARCO Passage Ranking и оценивает релевантность пары «запрос — фрагмент текста», после чего найденные документы можно сортировать по оценке. Модель содержит 25,9 млн параметров, принимает пары текстов и поддерживает контекст до 512 токенов. Она рассчитана на этап reranking в системах информационного поиска, например после получения кандидатов из ElasticSearch. Доступны форматы PyTorch, SafeTensors, ONNX, OpenVINO и Flax. Модель распространяется по лицензии Apache 2.0. Описанные данные указывают на англоязычное обучение и назначение; качество для других языков не подтверждено. README приводит оценки на наборах TREC Deep Learning 2019 и MS MARCO, но не содержит чисел для этой версии MiniLM-L6-v2.

cross-encoder/ms-marco-TinyBERT-L6 — англоязычная модель ранжирования текстовых пар, разработанная командой Sentence Transformers и обученная на задаче MS MARCO Passage Ranking. Она предназначена для повторной сортировки найденных поисковой системой отрывков по их релевантности запросу: модель оценивает пары «запрос — отрывок», после чего результаты упорядочиваются по оценке. Это делает её пригодной для конвейеров информационного поиска, где сначала извлекают кандидатов, например через Elasticsearch, а затем выполняют reranking. Модель основана на TinyBERT и реализована как плотная архитектура BERT для классификации последовательностей; содержит 80,1 млн параметров и принимает последовательности длиной до 512 токенов. Доступны форматы PyTorch, safetensors, ONNX, Flax и OpenVINO. Для запуска подходит библиотека Sentence Transformers. Лицензия — Apache-2.0. Модель специализирована на англоязычном поиске по отрывкам и выдаёт оценки релевантности для ранжирования. В README приведены результаты для моделей семейства Cross-Encoder, но не отдельные показатели именно этой версии L6, поэтому нельзя приписывать ей конкретные значения метрик. Также она оценивает пары по одной и сама не заменяет этап первичного поиска кандидатов.

MultiQA-mMini-L6-H384 — модель эмбеддингов предложений, разработанная carlesoctav на основе nreimers/mMiniLMv2-L6-H384-distilled-from-XLMR-Large. Она дообучена методом дистилляции с учителем sentence-transformers/multi-qa-MiniLM-L6-dot-v1 на параллельных английских и индонезийских предложениях. Модель кодирует запросы, вопросы и текстовые фрагменты в плотные векторы размерности 384 для семантического поиска, поиска документов и межъязыкового информационного поиска. Модель использует архитектуру XLM-RoBERTa и содержит 110,2 млн параметров. Эмбеддинги формируются с помощью CLS pooling и не нормализуются. Контекст модели составляет 514 токенов по метаданным, однако карточка указывает ограничение в 256 word pieces и обучение на текстах длиной до 80 word pieces, поэтому качество на более длинных фрагментах может снижаться. Валидационная точность для поиска параллельных текстов на паре английский—индонезийский составила 92%. Лицензия — Apache-2.0.

NeoMME-800M-Retriever-ST-dense — мультимодальная модель для поиска по документам, разработанная Hcompany. Это вариант NeoMME-800M-Retriever, дообученный для независимой настройки плотных представлений с помощью Sentence Transformers. Общий двунаправленный Transformer-энкодер кодирует текстовые запросы и текстовые документы или изображения страниц; модель содержит 1,1 млрд параметров и поддерживает контекст до 16 384 токенов. Модель возвращает только плотные эмбеддинги, нормализованные по L2; сходство оценивается косинусной мерой. Её можно применять для поиска текстов и визуального поиска по страницам документов, включая мультиязычные сценарии. По README, версия Sentence Transformers использует только одну из двух голов поиска за раз. Лицензия — Apache-2.0.

Модель Yueh-Huan — классификатор новостных заголовков на базе DistilBERT, дообученный на 210 тысячах заголовков HuffPost за 2012–2022 годы. Она предназначена для отнесения заголовка к категории новостей и может использоваться для автоматической разметки новостных материалов. Модель принимает текст и возвращает метку класса. Архитектура — DistilBertForSequenceClassification; репозиторий содержит веса в формате TensorFlow. Карточка указывает поддержку английского языка и контекст до 512 токенов. Лицензия — OpenRAIL.

kartashoffv/news_topic_classification — дообученная модель BERT для классификации текста по темам новостей. Она основана на русскоязычной DeepPavlov/rubert-base-cased и содержит 205,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для присвоения новостным текстам тематических меток и может использоваться в автоматической сортировке новостей и тематической разметке публикаций. В карточке приведён результат F1 0,8712 на оценочном наборе, но название и состав набора, схема классов и методика оценки не раскрыты. Модель работает с текстом и выдаёт классификационные метки. Используются форматы PyTorch и safetensors; лицензия в предоставленных данных не указана.

Модель tomaarsen/paraphrase-multilingual-MiniLM-L12-v2-de-mmarco — дообученная разработчиком tomaarsen модель Sentence Transformers на парах немецких запросов и документов из набора данных mMARCO. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска документов по запросу и извлечения релевантной информации. Для сравнения векторов можно использовать косинусное сходство; архитектура включает BERT и усредняющий pooling. Модель содержит 124,3 млн параметров, работает с текстом на немецком языке; README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Лицензия — Apache-2.0. Оценка на mMARCO немецком приведена в карточке, но её результаты не гарантируют качество на других данных и языках.

LeopoldBloom2K/patentscout-models — дообученная модель Sentence Transformers на базе mpi-inno-comp/paecter для преобразования английских предложений и абзацев в плотные эмбеддинги. Она использует архитектуру BERT с усреднённым пулингом токенов, формирует векторы размерности 1024 и сравнивает их по косинусному сходству. Максимальная длина входа — 512 токенов; модель опубликована в формате safetensors и рассчитана на работу с библиотекой Sentence Transformers. Модель подходит для семантического поиска и сравнения патентных текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Обучение описано как дообучение с MultipleNegativesRankingLoss на наборе из 250 примеров с парами и отрицательными примерами. Лицензия в предоставленных данных не указана.