I.11Классификация, ранжирование и сопоставление

nps-mpnet — модель на основе MPNet, разработанная для выявления предложений с описанием проблем и решений в патентах. Она дообучена на базе sentence-transformers/paraphrase-mpnet-base-v2 с использованием Sentence-Transformers и функции потерь CosineSimilarityLoss. Модель преобразует предложения и абзацы в плотные векторы размерности 768. Это позволяет сравнивать семантическую близость текстов, искать похожие фрагменты и группировать их; заявленное целевое применение — поиск предложений о проблемах и решениях в патентах. Модель принимает текст и выдаёт векторные представления. Она содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Для работы подходят Sentence-Transformers либо Transformers с корректной операцией pooling. В карточке не указаны лицензия и конкретный список языков; качество для языков помимо обучающих данных не подтверждено.

OneBrain Rerank v1 — мультиязычная модель переранжирования от OneBrain, созданная на основе BAAI/bge-reranker-v2-m3. Это cross-encoder для второго этапа поиска: модель получает пару «запрос — фрагмент текста» отобранных BM25- или векторным поиском кандидатов и вычисляет показатель релевантности. Она не предназначена для первичного поиска и не создаёт векторные эмбеддинги. Модель представляет собой оптимизированную сборку в формате ONNX с динамической int8-квантизацией, рассчитанную прежде всего на локальный инференс на CPU, включая устройства уровня Raspberry Pi. Размер файла модели составляет около 569 МБ против 2,27 ГБ у fp32-экспорта. На выходе формируется необработанный logit для каждой пары; после применения sigmoid получается оценка релевантности от 0 до 1. Максимальная длина входа — 512 токенов, поэтому более длинные фрагменты обрезаются. Поддержка Thai и English унаследована от базовой модели. Сильные стороны модели — уменьшенный размер, более низкая стоимость CPU-инференса и сохранение порядка ранжирования относительно fp32-версии; на приведённых проверочных парах максимальное изменение sigmoid-оценки составило 0,0046. При этом v1 не дообучалась под конкретный домен, а её оценка проводилась только на внутреннем наборе OneBrain, поэтому публичные показатели MTEB, BEIR или MIRACL отсутствуют. Модель предназначена для переранжирования небольшого числа кандидатов и не является заменой полноценному поисковому или embedding-компоненту. Распространяется по лицензии Apache-2.0.

RLHFlow/pair-preference-model-LLaMA3-8B — модель предпочтений, разработанная авторами работы «RLHF Workflow: From Reward Modeling to Online RLHF» (TMLR, 2024). Она обучена на основе LLaMA 3 8B Instruct и предназначена для сравнения ответов языковой модели: принимает пару запросов и ответов и помогает определить, какой ответ предпочтительнее. Для ранжирования более двух ответов авторы рекомендуют турнирный подход. Модель имеет плотную архитектуру LLaMA с 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. В README приведены результаты RewardBench: Chat 98,6, Char-hard 65,8, Safety 89,6 и reasoning 94,9; это показатели на соответствующих наборах оценки, а не гарантия качества в каждом применении. Файлы модели представлены в формате Safetensors. Лицензия — Llama 3.

ENOSYS/Qwen3-Embedding-0.6B-250-v1-GGUF — экспериментальный вариант квантования модели Qwen3-Embedding-0.6B, опубликованный ENOSYS. Репозиторий содержит GGUF-файлы; для квантования использовалась нестандартная ветка LLaMA.cpp с небольшими патчами и калибровочными данными eaddario/imatrix-calibration на английском и русском языках. Тензоры представлены в F16, что рассчитано в том числе на совместимость с видеокартами NVIDIA Pascal. Модель предназначена для создания текстовых эмбеддингов и вычисления семантического сходства, например для семантического поиска и подбора релевантных предложений. README приводит оценки перплексии и расхождения распределений для вариантов квантования с разным числом бит на вес, но не описывает их как прямую оценку качества эмбеддингов. Доступна по лицензии Apache-2.0.

Qwen3-Nemotron-14B-BRRM — дообученная NVIDIA модель оценки ответов больших языковых моделей, основанная на Qwen3-14B. Она предназначена для сравнения двух ответов на запрос и выявления их сильных и слабых сторон в сценариях оценки качества и RLHF. Модель использует двухэтапный подход: сначала выбирает от одного до трёх важных для конкретного запроса критериев, затем проводит углублённый анализ с учётом выбранных критериев. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 14 млрд параметров и рассчитана на контекст до 40 960 токенов. README сообщает о результатах на RewardBench, RM-Bench и RMB, включая среднюю оценку 84,2 для этой версии. Метаданные указывают английский язык; модель работает с текстом и выдаёт текстовые оценки и объяснения. Лицензия указана как other, поэтому перед использованием следует проверить условия NVIDIA для конкретного сценария.

ReasonEmbed — модель текстовых эмбеддингов, разработанная Hanhainebula для поиска документов по запросам, требующим многошагового рассуждения. Она основана на плотной архитектуре Llama 3.1 с 7,5 млрд параметров и дообучена с функцией потерь RI-InfoNCE на синтетических данных; контекст модели составляет 131 072 токена. На бенчмарке BRIGHT модель показала nDCG@10 36,2 при использовании исходных запросов. Она предназначена для извлечения эмбеддингов текста и оценки сходства предложений, в частности для поиска по сложным запросам. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без соответствующих прав.

SauerkrautLM-ColQwen3-4b-v0.1 — мультиязычная модель визуального поиска по документам, разработанная VAGOsolutions на основе Qwen/Qwen3-VL-4B. Это дообученная плотная модель семейства Qwen3-VL с архитектурой ColQwen3: она кодирует изображения страниц и текстовые запросы в многовекторные представления размерностью 128 и использует позднее взаимодействие для ранжирования документов. Такой подход сохраняет визуальную структуру страниц, включая таблицы, формы и графики, и не требует отдельного OCR-конвейера. Модель предназначена для поиска релевантных страниц в коллекциях документов и визуального RAG. В карточке заявлены 4 млрд параметров и ориентир около 8 ГБ VRAM. На ViDoRe v1 указана оценка NDCG@5 90,80; также приведены результаты MTEB и ViDoRe v2/v3. Поддерживаются английский, немецкий, французский, испанский, итальянский и португальский языки. Лицензия — Apache-2.0. Для загрузки указан пакет sauerkrautlm-colpali; README также описывает использование с Sentence Transformers как многовекторного ретривера. Модель предназначена для извлечения и ранжирования документов, а не для генерации ответов или текста. Заявленные результаты относятся к приведённым бенчмаркам и сами по себе не гарантируют качество на иных корпусах; фактические требования к памяти зависят от конфигурации и размера пакета.

QuantFactory/Skywork-Critic-Llama-3.1-8B-GGUF — квантизированная версия модели Skywork-Critic-Llama3.1-8B, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала команда SkyworkAI Alignment Team на базе Meta Llama-3.1-8B-Instruct. Модель предназначена прежде всего для попарной оценки предпочтений: она сравнивает два ответа или других входных объекта и определяет, какой из них качественнее или лучше соответствует заданным требованиям. Возможные сценарии применения включают оценку и улучшение данных, тестирование ответов языковых моделей и построение reward-моделей. Также модель обучалась на задачах критики и общих диалогах, поэтому сохраняет возможности conversational-взаимодействия. Ключевая архитектурная основа — Llama 3.1 8B-Instruct; модель относится к классу text-generation и работает с текстовыми данными. В обучении использовались открытые датасеты предпочтений и критики, внутренние человеческие аннотации, синтетические примеры и данные для диалогов. В README не указаны поддерживаемые языки, размер контекстного окна и конкретный формат или уровень квантизации, поэтому эти характеристики нельзя определить. К ограничениям относятся зависимость качества оценок от формата запроса и исходных данных, а также возможные потери качества, связанные с квантизацией. Лицензия обозначена как other; подробные условия использования в карточке не приведены.

SwinV2 Large — модель классификации изображений и извлечения признаков из семейства Swin Transformer V2. Её разработали авторы работы Swin Transformer V2 и предварительно обучили на ImageNet-22k. Модель содержит около 228,8 млн параметров и рассчитана на изображения размером 192 × 192 пикселя. Модель подходит для классификации изображений, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как основу для визуального поиска, кластеризации изображений и построения прикладных систем компьютерного зрения. Репозиторий распространяет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — MIT. Крупный размер модели и вычислительная стоимость могут затруднять запуск на ограниченном оборудовании.

tevatron-elastic-qwen3-0.6b-reranker-ltc — модель переранжирования документов, разработанная в рамках проекта Tevatron-Elastic на базе Qwen/Qwen3-0.6B-Base. Она оценивает релевантность passages для поискового запроса и помогает улучшить порядок результатов информационного поиска. Модель использует плотную архитектуру Qwen3 и содержит около 508 млн параметров. Это эластичный вариант с послойным сжатием токенов (M-LTC): один чекпойнт поддерживает несколько режимов с разной долей сохраняемых токенов, выбираемых через Tevatron-Elastic. Контекст модели — до 32 768 токенов, однако при обучении использовалась максимальная длина 512 и префиксы query: и passage:. Для оценки на BEIR-15 указано значение nDCG@10 0,552 в полном режиме. Чекпойнт предназначен для экспериментов и воспроизводимости результатов, а не заявлен как модель с передовым качеством. Для загрузки требуется фреймворк Tevatron-Elastic. Модель дообучена на rlhn/rlhn-680K и распространяется по лицензии Apache-2.0.

Это GGUF-квантизированная версия модели gemma2-2b-rerank-checkpoint-8800, предназначенной для задач ранжирования текста. Исходная модель размещена пользователем thusinh1969, а квантизация выполнена Richard Erkhov. Модель может применяться для переупорядочивания текстовых результатов по релевантности, например в поиске или системах retrieval, однако подробности об используемых данных и методике обучения не указаны. В репозитории представлены варианты с квантизацией Q2_K, Q3, Q4, Q5, Q6, Q8 и IQ3/IQ4 разных уровней. Размер файлов составляет примерно от 1,15 до 2,59 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Архитектура основана на семействе Gemma 2 с заявленным размером 2B, но сведения о модальностях, языках, длине контекста и точных характеристиках reranking-компонента отсутствуют. Преимуществами являются компактные GGUF-варианты и возможность локального использования через совместимое программное обеспечение. Ограничения связаны с отсутствием результатов оценки, инструкций по применению, подробного описания обучения и информации о лицензии: в карточке лицензия не указана.

Trendyol-Vision-Flash — мультимодальная модель Trendyol для контроля качества и модерации каталога электронной торговли. Она дообучена методом полного SFT на мультимодальных данных каталога на базе OpenGVLab/InternVL3_5-1B-Instruct. Архитектура InternVL3.5-1B включает InternViT-300M и языковую основу Qwen3-0.6B; модель принимает изображения и текст, поддерживает до 16 изображений в одном запросе и предназначена для работы на одной GPU с низкой задержкой. Модель распознаёт бренды, сравнивает карточки товаров на совпадение SKU, извлекает атрибуты и количество в упаковке, создаёт заголовки и описания товаров, а также классифицирует контент по безопасности каталога. Основной язык — турецкий, английский поддерживается как дополнительный. Модель рассчитана на производственные потоки каталога Trendyol, а не на открытый диалог или масштабную классификацию товарных категорий. К сильным сторонам относятся компактный размер, обработка нескольких изображений и специализация на рабочих задачах каталога. Результаты могут хуже переноситься на другие предметные области; качество английского зависит от задачи, а метки модерации могут не соответствовать правилам каждой платформы или юрисдикции, поэтому для важных решений рекомендуется проверка человеком. Лицензия — CC BY 4.0.

trmteb-trnews-v1 — дообученная модель эмбеддингов предложений на базе trmteb/turkish-embedding-model, разработанная автором карточки для поиска по турецким новостям. Это плотная BERT-модель с mean pooling и размерностью эмбеддинга 768; она содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. При обучении на 100 000 пар «заголовок — аннотация» из корпуса TR-News применялась функция потерь MultipleNegativesRankingLoss. Модель предназначена прежде всего для поиска аннотации по заголовку и сопоставления новостей об одном событии, в том числе для дедупликации. В тесте TR-News дообучение повысило title→abstract R@1 с 0,8635 до 0,8745, но не улучшило тематическую кластеризацию относительно базовой модели; широкая тематическая классификация, общий STS и анализ тональности не входят в целевые сценарии. Лицензия — MIT.

Карточка модели Hieu25025064/vietnamese_embedding_model_merged на Hugging Face совпадает с карточкой AITeamVN/Vietnamese_Embedding, поэтому описание составлено по ней. Vietnamese_Embedding — модель эмбеддингов на базе Sentence Transformers, разработанная AITeamVN и дообученная от BAAI/bge-m3 для улучшения поиска по вьетнамским текстам. Она принимает текст и выдаёт вектор размерности 1024; для сравнения векторов предусмотрена метрика dot product. Модель обучалась на примерно 300 тысячах триплетов запросов, положительных и отрицательных документов, а максимальная длина последовательности в карточке указана как 2048 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов по вьетнамским запросам; автор приводит оценку на Legal Zalo 2021. В метаданных указаны архитектура XLM-RoBERTa, контекст до 8194 токенов, библиотека sentence-transformers и форматы ONNX и safetensors. Лицензия — Apache 2.0. В README приведена более короткая максимальная длина последовательности, чем контекст в метаданных; качество поиска на других наборах данных отдельно не подтверждено.

vit_base_patch16_siglip_gap_224.v2_webli — модель семейства SigLIP 2, опубликованная в библиотеке timm. Это визуальный энкодер ViT с патчами 16×16 и входным разрешением 224 пикселя; текстовый энкодер отсутствует. Вариант gap использует глобальное усреднение признаков и не содержит головы attention pooling. Модель обучена на WebLI и предназначена для извлечения признаков изображений. Полученные представления можно использовать для поиска и сопоставления изображений, кластеризации и других задач компьютерного зрения, где нужны визуальные признаки. Метаданные указывают задачу image-feature-extraction и форматы PyTorch и safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или дополнительных сведений об ограничениях применения.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), опубликованная командой timm. Модель с 304,2 млн параметров предварительно обучена на парах изображение–текст LAION-2B с помощью OpenCLIP, затем дообучена на ImageNet-12k и ImageNet-1k. Она принимает изображения размером 224 × 224 пикселя и может использоваться как классификатор или как основа для извлечения признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов и других классов изображений, а также для получения визуальных представлений, которые можно применять в последующих задачах компьютерного зрения. Репозиторий использует timm и содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

Vulture-40B — многоязычная причинно-следственная языковая модель с архитектурой decoder-only, разработанная Virtual Interactive (VILM) на основе Falcon-40B компании TII. Модель продолжительно предобучена на корпусе из новостных статей и страниц Wikipedia объёмом 80 ГБ на 12 языках, а затем дообучена на многоязычном инструкционном наборе по методике Alpaca. В метаданных указаны 65 млрд параметров и формат safetensors. Модель предназначена для генерации текста и диалоговых ответов, а также может применяться для вопросов и ответов, классификации текста и токенов. Поддерживаемые языки: английский, немецкий, испанский, французский, португальский, русский, итальянский, вьетнамский, индонезийский, китайский, японский и корейский. Для запуска в полной точности bfloat16 требуется около четырёх ускорителей A100 80 ГБ или эквивалентные ресурсы. Разработчики предупреждают о стереотипах и предубеждениях, унаследованных из веб-корпусов, и рекомендуют оценивать риски, настраивать модель под конкретные задачи и применять защитные меры перед использованием в продуктивной среде. Лицензия — Apache-2.0.

facebook/webssl-dino300m-light2b-224 — визуальная модель на основе Vision Transformer (ViT), представленная в работе Fan et al. «Scaling Language-Free Visual Representation Learning» (2025). Она обучена методом самообучения DINOv2 на облегчённо отфильтрованной веб-выборке MetaCLIP без языковой супервизии. Вариант light2b обучался на подмножестве изображений с текстовым содержимым, составляющем около 50,3% исходного набора. Модель предназначена для извлечения визуальных признаков из изображений и их использования в последующих задачах компьютерного зрения. Она принимает изображения с разрешением 224×224 пикселя; архитектура имеет ширину 1536, глубину 40 и 24 головы внимания. По метаданным репозитория, веса занимают около 402,7 млн параметров. Обучение на изображениях с текстом улучшает возможности, связанные с OCR и пониманием диаграмм, при этом модель сохраняет универсальные визуальные представления. Модель не обучалась с языковой супервизией и сама по себе не предназначена для генерации текста или распознавания OCR-текста как отдельного результата. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Zhihui_LLM_Embedding — модель эмбеддингов китайского текста, разработанная Lenovo Zhihui для поиска и ранжирования документов. Она основана на 7,1-миллиардной gte-Qwen2-7B-instruct и использует двунаправленное внимание при контрастивном обучении вместо обычного причинного внимания декодерной модели. Вектор строится методом pooling по последнему токену, его размерность — 3584; заявленная длина контекста составляет 131072 токена. Модель рассчитана на извлечение текстовых эмбеддингов для семантического поиска и задач retrieval. В README сообщается о первом месте на C-MTEB с результатом 76,74 по состоянию на 25 июня 2024 года. Для обучения применялись дистилляция данных с помощью GPT-3.5 и GPT-4, подбор сложных негативных примеров и модифицированная функция контрастивных потерь. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130210931-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/01-000-11-0-0-1-0-0_GIST_BAAI_bge-small-en-v1.5-20240126215547-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

AIMv2 Huge Patch14 448 — зрительная модель семейства AIMv2, разработанная Apple и предварительно обученная с мультимодальной авторегрессионной целевой функцией. Она принимает изображения и извлекает визуальные признаки; её можно использовать как основу для распознавания изображений, поиска по визуальному содержимому и других задач понимания изображений. Модель содержит около 679,5 млн параметров и доступна для Transformers в форматах Flax и Safetensors. В README семейство AIMv2 описано как превосходящее OAI CLIP и SigLIP на большинстве мультимодальных тестов понимания, а также DINOv2 в обнаружении объектов с открытым словарём и понимании ссылочных выражений. Для загрузки приведены примеры на PyTorch и JAX. Лицензия — Apple AMLR.

Argus-Colqwen3.5-4b-v0-bf16 — модель визуального поиска по документам, разработанная группой Data Science Университета Инсбрука. Это дообученная и объединённая с базовой моделью версия Qwen/Qwen3.5-VL-4B-Instruct в формате bfloat16; архитектура Argus использует разреженную смесь экспертов с маршрутизацией, зависящей от визуальных областей страницы и запроса. Модель формирует 1024-мерные векторные представления токенов и рассчитана на страницы с объёмом до 2048 визуальных токенов. Модель предназначена для извлечения релевантных страниц и фрагментов в системах визуального поиска по документам, включая сценарии вопросов и ответов по PDF и отчётам. В README приведены результаты на ViDoRe: сильные показатели на английских наборах v1 и конкурентные результаты на v2. Версия bf16 занимает около 8,8 ГБ и удобнее для развёртывания на ограниченных по памяти GPU, но при объединении LoRA потеряла небольшую долю точности относительно версии fp32. Модель ориентирована преимущественно на английские документы; ViDoRe v3 для неё не оценивался. Весовые файлы опубликованы в формате safetensors, лицензия — Apache-2.0. Для запуска README рекомендует Transformers версии 5 и указывает Flash Attention как дополнительную зависимость.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125211517-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125233651-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

BERT base cased — базовая предобученная модель Google для английского языка на архитектуре Transformer с двунаправленными представлениями. Она обучалась предсказывать замаскированные токены и определять связь между парами предложений на корпусах BookCorpus и английской Википедии. Модель содержит 135,5 млн параметров, использует регистрозависимую токенизацию WordPiece со словарём из 30 000 токенов и поддерживает контекст до 512 токенов. Модель предназначена прежде всего для дообучения под задачи понимания текста, например классификации последовательностей и токенов, ответов на вопросы и извлечения признаков. В исходном виде её можно применять для восстановления замаскированных слов; это не авторегрессионная модель для генерации связного текста. Предоставляются варианты весов для PyTorch, TensorFlow, JAX и Flax. Модель лицензирована по Apache-2.0. Предсказания могут отражать смещения обучающих данных, поэтому результаты требуют проверки в целевом сценарии.

ychafiqui/bge-m3-law-morocco-ar-emb — модель Sentence Transformers, созданная дообучением mhaseeb1604/bge-m3-law. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического сравнения текстов, поиска похожих фрагментов, поиска перефразировок, кластеризации и классификации текстов. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией; сходство можно оценивать косинусной мерой. Обучение проводилось на 7200 парах предложений, а README указывает максимальную длину последовательности 256 токенов. Модель ориентирована на арабские и английские юридические тексты, в частности правовые материалы Марокко, согласно описанию базовой модели и примерам обучающих данных. Метаданные указывают контекст до 8194 токенов, однако это расходится с ограничением в 256 токенов, указанным в README; фактический безопасный предел для этой версии следует проверить при использовании. Лицензия в предоставленных сведениях не приведена.

sanganaka/bge-m3-sanskritFT — модель Sentence Transformers, дообученная на базе BAAI/bge-m3 на наборе mitrasamgraha с параллельными текстами на английском и санскрите. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 1024; для сравнения векторов используется косинусное сходство. Архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. Максимальная длина последовательности — 8192 токена. Модель предназначена для семантического сопоставления английских и санскритских фраз: её можно применять для поиска переводных соответствий, семантического поиска, поиска перефразирований, кластеризации и классификации текста по векторам. В README приведены результаты оценки перевода на двух наборах: средняя точность 0,9402 на translate-val и 0,9288 на translate-test. Эти показатели относятся к описанным тестам и не гарантируют аналогичного качества на других данных. Модель принимает текст и выдаёт векторные представления. Веса размещены в формате safetensors; библиотека для использования — Sentence Transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

CodeSage Large — модель семейства открытых моделей эмбеддингов кода, представленная Dejiao Zhang, Wasi Uddin Ahmad, Ming Tan, Hantian Ding, Ramesh Nallapati, Dan Roth, Xiaofei Ma и Bing Xiang. Это encoder-модель на архитектуре CodeSage с 1,7 млрд параметров; она формирует векторы кода размерности 1024 для задач понимания исходного кода. Модель обучена на данных The Stack и рассчитана на код на C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Её можно применять для поиска похожих фрагментов кода, семантического поиска по репозиториям, сравнения кода и извлечения признаков для классификации. Контекст составляет 2048 токенов. Доступны веса PyTorch для Transformers, лицензия Apache-2.0. Карточка также упоминает fill-mask и text-classification среди поддерживаемых задач.

CommonLingua — компактная модель PleIAs для определения языка текста, созданная в рамках инициативы GSMA «AI Language Models in Africa, by Africa, for Africa». Она содержит 2,35 млн параметров и использует оригинальную байтовую гибридную архитектуру: хешированные встраивания триграмм, три слоя Conv1D и двунаправленный attention. Токенизатор не требуется: модель обрабатывает сырые байты UTF-8, что позволяет ей работать с разными письменностями. Вход дополняется до 512 байт. Модель предназначена для классификации абзацев по языку, в том числе при курировании корпусов предобучения и обработке документов с ошибками OCR. Особое внимание уделено языкам Африки и языкам с малым объёмом доступных данных; поддерживается 61 африканский язык. В README заявлено, что на бенчмарке CommonLID модель превосходит предыдущие базовые решения по macro F1. Репозиторий распространяется по лицензии Apache-2.0.