I.11Классификация, ранжирование и сопоставление

ExceedZhang/Qwen3-Embedding-4B-0815-merged — дообученная модель Sentence Transformers, созданная на базе unsloth/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 2560, нормализованные для сравнения косинусного сходства. Модель предназначена для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру Qwen3ForCausalLM с извлечением признаков, пулингом последнего токена и нормализацией. README указывает максимальную длину последовательности 512 токенов; метаданные сообщают о нативном контексте базовой модели до 40960 токенов, однако режим Sentence Transformers описан с ограничением 512 токенов. Обучение проводилось на 73 671 паре anchor-positive из набора данных json с MultipleNegativesRankingLoss. Примеры данных содержат китайский и английский текст, но конкретный перечень поддерживаемых языков не заявлен. Модель выдаёт эмбеддинги, а не готовые текстовые ответы; каталог также отмечает поддержку генерации текста и сходства предложений. Для использования нужны библиотека Sentence Transformers или совместимая система извлечения эмбеддингов. Лицензия в предоставленных данных не указана.

alexliap/Qwen3-Embedding-8B-FP8-DYNAMIC — динамически квантованная версия текстовой embedding-модели Qwen3-Embedding-8B, разработанной командой Qwen. Модель предназначена для преобразования текста в векторные представления и задач семантического поиска, извлечения документов и кода, классификации, кластеризации и межъязыкового поиска. Она поддерживает более 100 языков, включая языки программирования, а также кросс-язычные сценарии. Модель содержит около 8 млрд параметров, имеет контекст длиной до 32K токенов и максимальную размерность эмбеддингов 4096. Благодаря поддержке Matryoshka Representation Learning можно выбирать размер выходного вектора от 32 до 4096 измерений, а инструкции во входных данных позволяют адаптировать поведение под конкретную задачу, язык или сценарий. Производный вариант использует схему FP8_DYNAMIC: все Linear-слои квантованы в FP8, веса масштабируются по каналам, активации — динамически по токенам, а слой embed_tokens сохраняется в формате bfloat16. Ключевое преимущество версии — примерно двукратное снижение потребления памяти по сравнению с исходной моделью в bfloat16 при сохранении возможностей Qwen3-Embedding-8B. Исходная модель показывала высокий результат в многоязычном рейтинге MTEB, однако в README нет отдельных результатов для квантованной версии, поэтому возможное влияние квантования на качество не уточняется. Для развёртывания указан vLLM с режимом pooling, преобразованием в embedding и поддержкой compressed-tensors. Модель распространяется по лицензии Apache-2.0.

Карточка модели emee-ai/Qwen3-Embedding-8B-mxfp8 на Hugging Face совпадает с карточкой mlx-community/Qwen3-Embedding-8B-mxfp8, поэтому описание составлено по ней. mlx-community/Qwen3-Embedding-8B-mxfp8 — текстовая модель эмбеддингов семейства Qwen3, подготовленная сообществом mlx-community в формате MLX из Qwen/Qwen3-Embedding-8B. Она предназначена для получения векторных представлений текста, сравнения сходства предложений и поиска по семантической близости. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Модель подходит для семантического поиска, поиска фрагментов для RAG и ранжирования текстов по сходству. Репозиторий README указывает на формат MLX и пакет mlx-embeddings версии 0.0.3; метаданные также отмечают форматы safetensors и возможности эмбеддингов. Лицензия — Apache-2.0. Данные не подтверждают отдельную поддержку конкретных естественных языков.

Nicolassuez выпустил квантованную версию Qwen3-Reranker-0.6B для ранжирования текстовых кандидатов по релевантности запросу. Модель основана на Qwen/Qwen3-Reranker-0.6B; в репозитории заявлены веса GPTQ W8A16 с группами размера 128, упакованные как int8-значения и масштабы без повторной квантизации. Архитектура — плотная Qwen3ForCausalLM, размер — 507,6 млн параметров, контекст — до 40 960 токенов. Вариант использует пользовательский код: веса int8 остаются в VRAM и деквантуются при каждом прямом проходе; заявленный объём resident-весов — 740 МиБ против 1136 МиБ для bf16. Для оценки применяется официальный шаблон Qwen3-Reranker, а релевантность извлекается как вероятность токена «yes» из логитов последней позиции. README сообщает о совпадении выбора лучшего кандидата с родительским GPTQ-вариантом на проверенных запросах при заданном пороге разницы оценок. Модель предназначена для многоязычного ранжирования и переупорядочивания результатов поиска. Лицензия — Apache-2.0. Для загрузки требуется trust_remote_code=True; версии Transformers следует фиксировать, поскольку численные результаты могут различаться между версиями 4.57 и 5.14.

Furiosa AI публикует эту версию Qwen3-Reranker-4B вместе с Furiosa Executable Bundle для запуска на ускорителе FuriosaAI RNGD через Furiosa-LLM. В основе — плотный трансформер Qwen3 с 3,7 млрд параметров; модель принимает текстовый запрос и набор документов-кандидатов, оценивает их релевантность и помогает упорядочить результаты поиска. Контекст модели — до 40 960 токенов. Модель предназначена для второго этапа поиска, в том числе для reranking в RAG-системах. README указывает на BF16 без квантизации и поддержку параллелизма по тензорам на одном RNGD с восемью PE. Репозиторий также сообщает о совместимости с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0. Метаданные указывают английский язык карточки; базовая модель описана как мультиязычная, поэтому она подходит для ранжирования текстов на разных языках, хотя конкретный перечень языков здесь не приведён.

Qwen3-Reranker-4B-W4A16-G128 — GPTQ-квантизированная версия модели Qwen3-Reranker-4B, разработанной командой Qwen. Модель предназначена для переранжирования результатов поиска и других задач классификации текста, где требуется оценить релевантность текстовых пар или запросов и документов. Она может использоваться в системах семантического поиска, retrieval-augmented generation и других сценариях, в которых исходную выдачу нужно упорядочить по релевантности. Модель основана на архитектуре Qwen3-Reranker-4B и использует 4-битное квантование GPTQ с конфигурацией W4A16-G128. Для калибровки применялись наборы данных Ultrachat, THUIR/T2Ranking и m-a-p/COIG-CQIA. По данным карточки, квантование снижает заявленное потребление VRAM примерно с 17 430 до 11 000 МБ без FA2, однако автор оценивает возможное падение точности менее чем в 5%; окончательная оценка на момент публикации ещё проводилась. Языки, размер контекста и точный перечень поддерживаемых модальностей в карточке не указаны; по описанию модель является текстовой. Модель распространяется по лицензии Apache-2.0. Для запуска требуется установить соответствующие инструменты, включая compressed-tensors, optimum и один из пакетов auto-gptq или gptqmodel, после чего использовать официальный пример для Qwen3-Reranker. Ключевое преимущество — уменьшенное потребление видеопамяти при сохранении назначения исходной модели, а основное ограничение — потенциальная потеря качества после квантования и отсутствие подробных результатов независимой оценки.

Qwen3-Reranker-8B — текстовая модель для переранжирования, разработанная командой Qwen. Она оценивает релевантность пар «запрос — документ» и помогает упорядочить найденные кандидаты так, чтобы наиболее подходящие фрагменты оказались выше. Модель предназначена для поиска по текстам и коду, включая многоязычный и межъязыковой поиск, например как этап извлечения контекста в RAG-системах. Модель основана на плотной авторегрессионной архитектуре Qwen3 и дообучена на базе Qwen/Qwen3-8B-Base. В ней около 7,6 млрд параметров; метаданные указывают контекст до 40 960 токенов, а README — 32 тыс. токенов. Заявлена поддержка более 100 языков. Модель поддерживает инструкции, настраиваемые под задачу; в README отмечено, что их применение может улучшать результаты поиска. Для получения оценки релевантности модель принимает текстовую пару и выдаёт оценку, пригодную для ранжирования. В README указано, что по умолчанию это разность логитов; при необходимости её можно преобразовать в вероятность. Для работы с моделью заявлена библиотека Transformers, также описано использование Sentence Transformers. Лицензия — Apache-2.0.

Qwen3-Reranker-8B-GGUF-llama_cpp — это GGUF-версия модели Qwen3-Reranker-8B, разработанной командой Qwen и конвертированной пользователем Voodisss для запуска через llama.cpp. Модель предназначена для переранжирования текстов: она оценивает релевантность документов поисковому запросу и помогает сортировать результаты в системах поиска, Retrieval-Augmented Generation и других сценариях работы с текстовыми коллекциями. Модель относится к классу text-ranking и использует специализированный классификатор с метками yes/no для вычисления оценки релевантности. Доступны варианты F16 размером около 14,10 ГБ и Q8_0 размером около 7,49 ГБ; квантованный вариант требует меньше памяти, но может иметь небольшие потери качества. В README языки и точный встроенный размер контекста не указаны; в примере конфигурации llama-server используется ctx-size 32768. Сильная сторона этой сборки — корректная поддержка специфичных для reranker тензоров, метаданных pooling типа RANK и шаблона rerank-чата, благодаря чему она работает с llama.cpp и возвращает содержательные оценки релевантности. Модель следует использовать через endpoint /v1/rerank, а не /v1/embeddings: endpoint эмбеддингов для reranker-моделей возвращает нулевые значения. Для запуска требуется llama.cpp с настройками reranking, pooling rank и embedding. Модель распространяется по лицензии Apache 2.0.

Qwen3-Reranker-8B-mxfp8 — конвертированная в формат MLX модель reranker из семейства Qwen3, опубликованная сообществом mlx-community на основе Qwen/Qwen3-Reranker-8B. Она предназначена для ранжирования текстовых кандидатов по релевантности запросу, например для сортировки результатов поиска или отбора фрагментов для RAG. Модель имеет плотную авторегрессионную архитектуру Qwen3 и 7,6 млрд параметров; базовый контекст составляет 40 960 токенов. Метаданные указывают поддержку генерации текста и ранжирования, но основное пользовательское назначение — reranking. Репозиторий содержит веса safetensors, а README описывает конверсию в MLX с помощью mlx-embeddings 0.0.3. Лицензия Apache-2.0.

yrrhall/qwen3-student-qwen3_compressed_distilled — компактный мультиязычный энкодер предложений на архитектуре Qwen3, созданный сжатием и двухэтапной дистилляцией Qwen/Qwen3-0.6B. Модель предназначена для получения векторных представлений текстов, сравнения сходства предложений, классификации и кластеризации. В README указаны сжатие в 48 раз, 4 слоя, размер скрытого состояния 448 и словарь из 7 341 токена; метаданные указывают 12,3 млн параметров и контекст до 40 960 токенов. Модель поддерживает 18 языков: корейский, английский, японский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, арабский, хинди, тайский, вьетнамский, индонезийский, турецкий, нидерландский и польский. В оценке MTEB приведено среднее значение 32,29%; результаты различаются по задачам, поэтому качество следует проверять на целевых данных. Для загрузки README показывает библиотеку Sentence Transformers и параметр trust_remote_code=True. Лицензия — Apache-2.0.

AlexWortega/qwen7k — модель Sentence Transformers, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct. Она преобразует предложения и абзацы в плотные векторы размерностью 896; сходство текстов оценивается косинусной мерой. В архитектуру входят трансформер Qwen2 и mean pooling. Модель содержит 494 млн параметров и принимает текстовые последовательности длиной до 32 768 токенов согласно метаданным; в карточке модели указан лимит 1 024 токена. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. При обучении использовался MultipleNegativesRankingLoss; в карточке приведены результаты оценки на STS. Доступна в формате safetensors через библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

AlexWortega/qwen_emb_6k — модель Sentence Transformer, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct. Она преобразует предложения и абзацы в плотные векторы размерности 896, предназначенные для сравнения семантической близости с помощью косинусного сходства. В архитектуре используются Qwen2Model и усредняющий пулинг токенов; число параметров — 494 млн. Модель подходит для семантического поиска, ранжирования релевантных текстов, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 1024 токена; метаданные сообщают базовый контекст Qwen в 32768 токенов, поэтому для использования этой Sentence Transformer следует ориентироваться на ограничение 1024 токена. В README приведены результаты оценки на наборах NanoBEIR и отдельных задачах поиска, но они не гарантируют качество на других данных. Модель принимает текст и выдаёт векторные представления. Языки обучения или целевого применения явно не обозначены. Лицензия в предоставленных данных не указана.

JLee0 выпустил дообученную на BAAI/bge-m3 модель Sentence Transformers для сопоставления предложений и абзацев по смыслу. Она кодирует текст в плотные векторы размерностью 1024 и использует косинусное сходство; архитектура состоит из XLM-RoBERTa, пулинга по CLS-токену и нормализации. Модель рассчитана на последовательности до 8192 токенов и подходит для семантического поиска, ранжирования по близости, поиска перефразирований, кластеризации и классификации текстов. В примерах обучающих данных есть корейские вопросы и фрагменты руководства пользователя, однако заявленный набор поддерживаемых языков не приведён. В README указана оценка на информационном поиске, но название датасета не раскрыто. Лицензия в предоставленных данных не указана.

Карточка модели jirawan-chro/RAG-thai на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

Это англоязычная модель Cross Encoder, разработанная на базе prajjwal1/bert-tiny и дообученная с использованием библиотеки Sentence Transformers. Модель принимает пары текстов и вычисляет оценку их соответствия, поэтому предназначена для ранжирования результатов поиска, семантического поиска, оценки текстового сходства, поиска перефразировок, классификации текстов и кластеризации. Модель поддерживает последовательности длиной до 512 токенов и возвращает один выходной показатель для каждой пары текстов. Она рассчитана на английский язык и использует архитектуру BERT-tiny, что делает её компактнее полноразмерных BERT-моделей и потенциально удобной для сценариев, где важны умеренные требования к вычислительным ресурсам. Обучение выполнено на данных, связанных с GooAQ; в метаданных также указаны метрики MAP, MRR@10 и NDCG@10, однако числовые результаты оценки не приведены. Модель подходит для сравнения пользовательского запроса с кандидатными документами или ответами и последующего их упорядочивания. Ограничения включают работу только с парами текстов, англоязычную специализацию и максимальную длину входной последовательности 512 токенов. Лицензия — Apache-2.0.

Это дообученный многоязычный переранжировщик IoannisKat1 на основе BAAI/bge-reranker-v2-m3, созданный с помощью Sentence Transformers для оценки релевантности пары «запрос — документ». Модель использует архитектуру Cross-Encoder на базе XLM-RoBERTa и выдаёт один числовой балл для каждой пары текстов; её можно применять для повторной сортировки результатов поиска и семантического поиска, в том числе в чат-ботах. Модель рассчитана прежде всего на греческий язык. Максимальная длина последовательности — 8192 токена. В README приведены результаты оценки на нескольких наборах данных для переранжирования, включая bge-dev и наборы NanoBEIR. Модель принимает и выдаёт текстовые данные со score релевантности. Лицензия — Apache-2.0.

Это кросс-энкодер treprepr, дообученный на базе BAAI/bge-reranker-v2-m3 с помощью библиотеки sentence-transformers. Модель принимает пару текстов и вычисляет оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. В каталоге её основная задача — text-ranking; также указана поддержка text-classification. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и возвращает одну оценку для пары текстов. Метаданные указывают контекст до 8194 токенов, а README — максимальную длину последовательности 2048 токенов. Обучающая выборка содержит 92 768 пар с метками. Базовая модель многоязычная, однако конкретный список поддерживаемых языков для этой версии не приведён. Модель подходит для сортировки найденных документов по соответствию запросу и оценки смыслового сходства текстовых пар. Для работы с ней требуется текстовый ввод; она выдаёт оценку релевантности, а не готовый ответ или эмбеддинги. Лицензия в предоставленных данных не указана.

kwondw/reranker-distilroberta-base-nli — это англоязычный Cross-Encoder на базе distilbert/distilroberta-base, дообученный автором на наборе all-nli с помощью библиотеки Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценки по трём классам, поэтому подходит для классификации отношений между предложениями и оценки их сходства. Число параметров — 95,2 млн, максимальная длина последовательности — 512 токенов. Модель можно применять для проверки следования гипотезы из посылки, сравнения текстовых пар и ранжирования кандидатов по релевантности к запросу. В README приведены результаты классификации на ALLNLI-dev и AllNLI-test: macro F1 0,8226 и 0,7575 соответственно. Для работы требуется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

tomaarsen выпустил англоязычный CrossEncoder на базе answerdotai/ModernBERT-base, дообученный библиотекой sentence-transformers на парах запрос–ответ с бинарными метками релевантности. Модель содержит 149 млн параметров и обрабатывает последовательности длиной до 8192 токенов; для каждой пары текстов она выдаёт оценку, пригодную для ранжирования и оценки сходства. Модель предназначена прежде всего для повторного ранжирования результатов поиска и семантического поиска, а также может использоваться для оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README приведены результаты оценки на NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Для применения подходят сценарии, где нужно оценивать пару «запрос — документ» или сравнивать два текста. Это текстовая encoder-модель, а не генератор ответов: она оценивает пары входных текстов. Обучающие данные в карточке описаны как набор из 19,99 млн пар query/answer с бинарными метками. Условия лицензии в предоставленных данных не указаны.

timm/resnet101_clip.yfcc15m — модель CLIP, опубликованная в экосистеме timm и доступная через open_clip. Это двухкомпонентная модель с визуальным энкодером ResNet-101 и текстовым энкодером, обученная на наборе YFCC-15M. В OpenCLIP она обозначена как RN101-quickgelu. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными текстовыми метками или описаниями без отдельного обучения на этих классах. Её можно применять для поиска изображений по тексту и категоризации изображений с пользовательским набором меток. Модель принимает изображения и текстовые описания, а выдаёт оценки соответствия между ними. Репозиторий содержит веса в форматах PyTorch и safetensors; для работы используются open_clip или timm. Лицензия — MIT.

timm/resnet50_clip.yfcc15m — модель CLIP с визуальным энкодером на основе ResNet-50, обученная на наборе изображений и подписей YFCC-15M. Она разработана для использования через OpenCLIP и timm: в OpenCLIP модель называется RN50-quickgelu, а в timm — resnet50_clip.yfcc15m. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по текстовым меткам без дополнительного обучения: пользователь задаёт варианты классов, а модель оценивает соответствие изображения каждому варианту. Модель принимает изображения и текстовые описания и выдаёт оценки сходства, которые можно использовать для выбора наиболее подходящего текстового класса. Репозиторий содержит веса в форматах PyTorch и safetensors; библиотека для работы — OpenCLIP. Лицензия MIT.

resnet50x4_clip.openai — модель CLIP с визуальным энкодером ResNet-50x4, распространяемая PyTorch Image Models (timm) в формате OpenCLIP. Она сопоставляет изображения и текстовые описания в общем пространстве признаков; модель предназначена, в частности, для классификации изображений по произвольным текстовым меткам без отдельного обучения на этих метках. Веса содержат 87,2 млн параметров и доступны в формате safetensors с точностью F32. Модель принимает изображения и текстовые запросы, а для классификации оценивает соответствие изображения предложенным описаниям. Её можно применять для поиска изображений по тексту и извлечения совместимых визуальных и текстовых признаков. Для загрузки предусмотрена библиотека OpenCLIP. Указанная лицензия репозитория — MIT; в доступных сведениях не приведены длина контекста или перечень поддерживаемых языков.

chirag1701/resolve72-biencoder-v1 — текстовая модель Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-base. Она использует трансформер XLM-RoBERTa с усреднением токенных представлений и нормализацией результата, выдавая векторы размерности 768; для сравнения применяется косинусное сходство. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на парах и тройках текстов; указан объём набора — около 1,04 млн примеров. Модель принимает только текст и рассчитана на многоязычные сценарии благодаря базовой multilingual-e5-base. Максимальная длина последовательности в карточке указана как 96 токенов; метаданные каталога указывают нативный контекст в 514 токенов. Лицензия в предоставленных данных не указана.

DatologyAI CLIP Retrieval Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на базе архитектуры CLIP и обученная с помощью OpenCLIP. Она предназначена для поиска соответствий между изображениями и текстовыми запросами: поддерживает поиск изображений по описанию и подбор описаний к изображениям, а также классификацию изображений по текстовым меткам без отдельного обучения на этих классах. Модель использует визуальный энкодер ViT-B/32 с патчами 32×32 и входным размером изображения 224×224, а также 12-слойный текстовый Transformer с контекстом 77 токенов; размерность эмбеддингов — 512. Обучающие пары изображений и текста отобраны из DataComp-XL с использованием пайплайна курирования DatologyAI. В README приведены результаты на MSCOCO и Flickr30K, однако они не гарантируют аналогичного качества на других распределениях данных. Модель принимает изображения и текст, выдаёт векторные представления для сопоставления и оценки близости. Лицензия — Apache 2.0.

rurupang/roberta-base-finetuned-sts — модель классификации последовательностей на архитектуре RoBERTa, дообученная на базе klue/roberta-base для задачи семантического сходства текстов (STS). Веса содержат около 137,8 млн параметров, модель работает в формате PyTorch и принимает контекст до 514 токенов. Модель предназначена для оценки сходства между текстами. В README приведён результат на наборе оценки KLUE: Pearsonr 0,9560 и loss 0,1999. Эти показатели относятся к указанной оценочной выборке и сами по себе не гарантируют аналогичное качество на других данных. Лицензия в предоставленных материалах не указана.

sobamchan/roberta-base-mean-400 — англоязычная модель Sentence Transformers, дообученная разработчиком на FacebookAI/roberta-base на наборе all-nli. Она кодирует предложения и абзацы в плотные векторы размерности 768 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает RoBERTa, усреднение токенных представлений и нормализацию. В README указан максимальный размер последовательности 256 токенов, а метаданные указывают контекст до 514 токенов. Модель предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации. Она обучалась на парах и тройках текстов из all-nli с MultipleNegativesRankingLoss. Поддерживает английский язык; лицензия и конкретные условия использования в предоставленных данных не описаны.

YIlIl/roberta_base_pm_m3_voc_hf — модель Sentence Transformer на базе RoBERTa, представленная в библиотеке Sentence Transformers. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство текстов оценивается косинусной мерой. Архитектура включает RoBERTa с усреднением токенных представлений и нормализацией; размер модели — 151,7 млн параметров, максимальная длина последовательности — 514 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение — получение эмбеддингов для сравнения предложений. В README не названы разработчик, языки обучения или лицензия, поэтому их нельзя уточнить по доступным сведениям.

teven/roberta_kelm_tekgen — модель Sentence-Transformers на архитектуре RoBERTa, дообученная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, пригодные для вычисления семантического сходства, кластеризации и семантического поиска. Размер модели — 151,9 млн параметров, контекст — до 514 токенов; веса представлены в формате PyTorch. Для использования доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Модель подходит для поиска текстов, близких по смыслу, и группировки похожих фрагментов. В README указано обучение с MultipleNegativesRankingLoss и косинусной функцией сходства. Язык и лицензия в предоставленных данных не установлены, поэтому модель лучше применять с проверкой качества на целевых текстах и языках.

rubert-mini-frida — компактная модель на архитектуре BERT, опубликованная sergeyzh для построения эмбеддингов предложений на русском и английском языках. Она создана дистилляцией эмбеддингов ai-forever/FRIDA в sergeyzh/rubert-mini-sts: 7 слоёв и размер эмбеддинга 312 вместо 24 слоёв и 1536 у FRIDA. Используется mean pooling; по умолчанию настроен префикс «categorize: », также поддерживаются префиксы FRIDA для разных задач. Модель подходит для семантического поиска и сравнения предложений, выявления перефразирований, классификации и кластеризации текста, анализа тональности и токсичности, а также задач NLI. В карточке приведены результаты ruMTEB: модель уступает FRIDA по указанным метрикам, но превосходит приведённые варианты multilingual-e5 в некоторых из них. Хотя унаследованная длина контекста составляет 2048 токенов, автор рекомендует не превышать 512. Лицензия — MIT.

Den4ikAI/rubert-tiny2-retriever — русскоязычная модель эмбеддингов на базе BERT, опубликованная пользователем Den4ikAI. Она преобразует предложения и абзацы в плотные векторы размерности 312 для сравнения семантической близости, поиска и кластеризации. Модель обучена с ContrastiveLoss на косинусном расстоянии и распространяется в формате PyTorch; размер составляет 29 млн параметров, контекст — до 2048 токенов. Модель подходит для семантического поиска по русскоязычным текстам, ранжирования кандидатов по смысловому сходству и группировки похожих высказываний. Для использования с Transformers требуется корректно выполнить pooling контекстных представлений токенов; Sentence-Transformers предоставляет готовый интерфейс. Лицензия — MIT. В карточке не приведены результаты оценки, поэтому качество на конкретных наборах данных следует проверять отдельно.