I.11Классификация, ранжирование и сопоставление

BGE base Financial Matryoshka — англоязычная модель Sentence Transformer, дообученная автором на финансовых текстовых парах на основе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы для сравнения по косинусному сходству; полная размерность эмбеддинга — 768, а обучение с MatryoshkaLoss позволяет использовать сокращённые размерности от 64 до 512. Модель построена на BERT с CLS-пулингом и нормализацией, принимает текст длиной до 512 токенов. Модель предназначена для семантического поиска по финансовым материалам, сравнения текстов и поиска перефразировок; эмбеддинги также подходят для кластеризации и классификации текста. В README приведены оценки поиска на наборах с размерностями 64–768, однако они не устанавливают качество на других типах текстов. Доступна по лицензии Apache-2.0.

dat-ai/bge-base-for_text2sql — англоязычная модель Sentence Transformer, дообученная разработчиком dat-ai на базе BAAI/bge-base-en-v1.5 для поиска и сопоставления текста в сценариях Text-to-SQL. Она преобразует текстовые фрагменты в плотные эмбеддинги размерностью 768, нормализует векторы и использует косинусное сходство; обучение проводилось на 56 355 примерах с контекстом и вопросом, связанными с генерацией SQL-запросов. Архитектура основана на BERT, максимальная длина входа — 512 токенов. Модель подходит для поиска релевантного контекста и вопросов по табличным данным, но сама SQL-запросы не генерирует. Лицензия — Apache-2.0.

CHEONINJEONG/bge-m3-address-v2 — модель Sentence Transformers на архитектуре XLM-RoBERTa, дообученная для сопоставления корейских адресов. Она преобразует текстовые адреса и запросы в плотные векторы размерностью 1024; косинусное сходство между ними можно использовать для поиска и ранжирования вариантов записи адреса. В обучающих примерах сопоставляются разговорные, слитные или записанные словами адреса с нормализованными вариантами, включая сложные отрицательные примеры с близкими, но неверными адресами. Модель предназначена для семантического поиска и извлечения адресов, в том числе при различиях в пробелах, сокращениях и записи чисел. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов; README задаёт максимальную длину последовательности 512 токенов. Лицензия в предоставленных данных не указана.

Wilfredo Martel дообучил BGE-M3 на наборе rvzrtx600k20250828 из 546 265 пар запросов и релевантных текстов на испанском языке. Это плотная модель Sentence Transformer на архитектуре XLM-RoBERTa с выходными эмбеддингами размерности 1024 и максимальной длиной входа 8192 токена; вектор нормализуется, а близость текстов можно оценивать косинусным сходством. Модель предназначена для семантического поиска и сопоставления испаноязычных текстов юридической тематики, а также для кластеризации, поиска перефразирований и классификации на основе эмбеддингов. Лицензия — Apache-2.0. Карточка приводит результаты оценки поиска, но они относятся к набору eval_dim_768 и не гарантируют такое же качество на других данных.

Roflmax/bge-m3-legal-ru-cocktail-40-60 — русскоязычная модель эмбеддингов для поиска и сравнения юридических документов, разработанная на основе двух дообученных вариантов BGE-M3. Она создана методом LM-Cocktail: веса моделей Roflmax/bge-m3-russian-legal и Roflmax/bge-m3-legal-ru-updata объединены в пропорции 40/60. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт векторы размерностью 1024; в метаданных указаны задачи sentence-similarity и feature-extraction. Модель предназначена для семантического поиска по судебным решениям, федеральным законам и региональным нормативным актам, а также для поиска похожих документов, кластеризации и классификации по сходству эмбеддингов. Для сравнения векторов рекомендуется косинусное сходство. README сообщает о Recall@5 91,79% на тестовом наборе из 7 187 примеров и указывает, что запросы можно кодировать без префиксов. Метаданные указывают контекст до 8194 токенов, тогда как README рекомендует ограничивать последовательность 512 токенами и разбивать более длинные документы на фрагменты. Модель оптимизирована для русского языка и юридического домена; на текстах из других областей качество может быть ниже. Данные о давности обучающей выборки не приведены. Лицензия — MIT.

bge-m3-vistalab — дообученная Ulku Tuncer Kucuktas на BAAI/bge-m3 модель эмбеддингов для турецких текстов. Она предназначена прежде всего для поиска по юридическим документам: договорам, нормативным актам и судебным решениям; также обучалась на задачах семантического сходства, поиска и классификации. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст, преобразуя его в векторные представления. В README указаны варианты представления размерностью 1024 и 256; метаданные сообщают контекст до 8194 токенов, тогда как в описании обучения указан max_seq 512. Для адаптации применялся LoRA с рангом 32, а обучение включало синтетические турецкие юридические и поисковые данные, реальные данные NLI/STS и MS MARCO-TR. В README приведены результаты оценки на турецких юридических задачах и MTEB-Turkish. Модель распространяется по лицензии MIT.

cstr/cld3-GGUF — конверсия Compact Language Detector v3 (CLD3), компактного нейросетевого определителя языка от Google, ранее использовавшегося в Chromium. Модель принимает текст и относит его к одному из 109 языковых классов, включая отдельные метки для латинизированных вариантов некоторых языков. Архитектура включает шесть экстракторов признаков и таблиц эмбеддингов, объединённых в вектор размерности 80, а также два полносвязных слоя с размерами 80→208 и 208→109. Репозиторий содержит веса F16 в формате GGUF; файл занимает около 440 КБ. Модель предназначена для быстрой идентификации языка в браузерном и другом CPU-сценарии, где важны малый размер и низкая задержка. В README заявлены задержка менее миллисекунды и совпадение с эталонной реализацией pycld3 для 7 из 8 тестовых примеров. На коротких строках, особенно короче примерно 50 символов, предсказания могут быть ненадёжны и зависеть от языкового априорного распределения; рекомендуется учитывать уверенность. Упрощённая очистка текста в C++ runtime может также давать расхождения для HTML и текста с большим количеством пунктуации. Использование регулируется лицензией Apache-2.0; репозиторий меняет формат представления весов, но не обучает модель заново.

itsanan/codebert-embed-crewai-base — модель Sentence Transformers, созданная дообучением microsoft/codebert-base на 900 парах текстов CrewAI. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, оценки сходства и извлечения релевантных текстов; в README также заявлены кластеризация, поиск перефразировок и классификация текста. В основе — RoBERTa/CodeBERT с усреднением токенных представлений. Модель принимает англоязычный текст, поддерживает последовательности длиной до 514 токенов по метаданным и выдаёт векторы, для сравнения которых используется косинусное сходство. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Модель может быть полезна для семантического поиска по текстам и связанным с кодом материалам CrewAI, однако карточка описывает небольшой обучающий набор, а приведённые метрики относятся к конкретным наборам оценки. Качество на других данных и языках не установлено; длина контекста ограничена.

Con-J-Qwen2-7B — генеративная модель-судья, разработанная на основе Qwen2-7B-Instruct. Она обучена на данных предпочтений Skywork/Skywork-Reward-Preference-80K-v0.1: исходная модель генерировала положительные и отрицательные оценки с пояснениями, а затем пары таких контрастных суждений использовались для обучения методом Direct Preference Optimization (DPO). Модель предназначена для оценки ответов и выдачи вердикта с обоснованием на естественном языке. Модель использует плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров, принимает текст и выдаёт текст. Контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. README заявляет точные оценки с пояснениями, но не приводит численных результатов в доступном фрагменте, поэтому качество на конкретных наборах данных по нему определить нельзя.

microsoft/deberta-base-mnli — англоязычная модель классификации текста от Microsoft, полученная дообучением базовой DeBERTa-base на задаче MNLI. DeBERTa использует раздельное представление содержимого и позиций в механизме внимания и улучшенный декодер маскирования; в этой версии применяется архитектура DebertaForSequenceClassification с 151,8 млн параметров и контекстом до 512 токенов. Модель предназначена прежде всего для классификации текстовых пар по отношению между посылкой и гипотезой: например, для определения логического следования, противоречия или нейтральности. Её можно применять в задачах понимания естественного языка и как основу для оценки текстовых гипотез. Карточка приводит результаты базовой DeBERTa на MNLI и SQuAD, но показатели SQuAD не подтверждают, что данный чекпойнт дообучен для ответов на вопросы. Модель распространяется по лицензии MIT.

kwondw/distilbert-base-uncased-msmarco-margin-mse-mnrl-100 — англоязычная модель Sentence Transformers, дообученная автором на основе distilbert/distilbert-base-uncased для поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерности 768; близость оценивается скалярным произведением. Архитектура включает DistilBERT и усредняющий слой пулинга. README указывает максимальную длину последовательности 300 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для извлечения эмбеддингов и поиска релевантных текстов, включая семантический поиск и retrieval. В README приведены результаты оценки на NanoMSMARCO, однако показатели dot_accuracy@1, @3 и @5 низкие, поэтому качество для практического поиска следует проверять на целевых данных. Также указано, что обучение проводилось на наборе из 100 примеров. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache-2.0.

DRISTI-V2-Heavy — 155-миллионная модель классификации текста на архитектуре DeBERTa-v2 от автора swarajchattaraj. Она служит более медленным локальным резервным классификатором в каскадной системе DRISTI: после быстрой модели V1 обрабатывает сложные, технические или неоднозначные запросы, в том числе запросы, для которых V1 не уверена в результате. Модель выдаёт оценки классификации и предназначена для маршрутизации запросов, обнаружения входов вне обучающего распределения и отклонения бессмысленных или неподходящих запросов; для работы с полной логикой каскада README рекомендует официальный движок DRISTI. В README указано, что V2 работает на CPU и локально, тогда как метаданные задают контекст 512 токенов, язык английский и формат PyTorch. Заявленные для V2 на тестовой системе задержка около 699 мс и пропускная способность 1,43 запроса в секунду являются результатами конкретного теста, а не гарантией для других конфигураций. Лицензия — MIT.

varin/embeddinggemma-thai-law — дообученная модель Sentence Transformers на базе varin/embeddinggemma-thai-law, предназначенная для получения эмбеддингов тайскоязычных юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и использует косинусное сходство для сравнения. В метаданных указана архитектура Gemma 3 Text, 302,8 млн параметров и контекст до 2048 токенов; карточка модели задаёт максимальную длину последовательности 256 токенов. Модель обучена на 20 750 примерах пар anchor/positive/negative с CachedMultipleNegativesRankingLoss. Её можно применять для семантического поиска по юридическим документам Таиланда, оценки сходства формулировок, поиска перефразировок, классификации и кластеризации текста. Лицензия в предоставленных данных не указана.

eth-setfit-multilabel-model — модель Sentence Transformers на архитектуре MPNet, разработанная проектом physician-ethics-responsible-data-science. Она преобразует предложения и абзацы в плотные векторы размерности 768 для кластеризации, семантического поиска и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучалась с использованием CosineSimilarityLoss. Несмотря на название, в карточке описаны векторные представления текста, а метаданные указывают возможности embeddings; назначение для конкретной задачи многометочной классификации не подтверждено. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

facebook/fasttext-pt-vectors — готовые векторные представления слов на португальском языке для библиотеки fastText, разработанной Facebook. Модель предназначена для извлечения признаков из текста, языковой идентификации и использования в качестве входных представлений для классификаторов и других NLP-систем. Векторы обучены методом CBOW с позиционными весами на текстах Common Crawl и Википедии. Размерность представлений — 300; используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. fastText работает на обычных многоядерных процессорах и подходит для прототипирования и применения в продуктивных системах. Модель выдает векторы слов, а не готовые ответы или метки классов. В README отмечен риск смещённых предсказаний; косинусное сходство между векторами можно использовать для оценки семантической близости. Лицензия — CC-BY-SA-3.0.

FinEmbedLarge — англоязычная модель эмбеддингов, созданная дообучением BAAI/bge-large-en-v1.5 на парах «вопрос—ответ» из примерно 50 годовых отчётов компаний S&P 500. Она предназначена для поиска финансовой информации по смыслу: преобразует текстовые запросы и фрагменты документов в векторы, которые можно сравнивать для ранжирования релевантных материалов. Модель построена на архитектуре BERT, содержит 433,9 млн параметров и принимает последовательности длиной до 512 токенов. В оценке на отложенных финансовых документах модель показала более высокие значения метрик поиска, чем исходная BGE Large 1.5; результаты относятся к описанному набору данных. Репозиторий содержит веса в формате safetensors и указывает использование Sentence-Transformers. Лицензия в предоставленных данных не указана.

Карточка модели bakarqureshi/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Карточка модели eaboouf55/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Карточка модели Ninja2005/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Карточка модели ong365/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Immerwinter/gbert-large-privacy-policy-content-control — дообученная модель классификации текста на основе немецкоязычной deepset/gbert-large. Она предназначена для отнесения фрагментов текста к темам, связанным с содержанием политик конфиденциальности: аудитория, контактные данные, контроль, удаление, правовое основание, обработка данных, цели, сроки хранения, безопасность и приватность, продажа и передача данных, третьи стороны и права пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 434,5 млн параметров и принимает текстовые фрагменты длиной до 512 токенов. Модель ориентирована на анализ текстов на немецком языке и может применяться для тематической разметки и сортировки разделов политик конфиденциальности. В репозитории представлены форматы safetensors и ONNX. Лицензия — Apache-2.0.

Карточка модели ghanaopenai/ghana-speech-id на Hugging Face совпадает с карточкой ghananlpcommunity/ghana-speech-id, поэтому описание составлено по ней. ghana-speech-id — классификатор языка речи от GhanaNLP Community для 41 языка Ганы и Западной Африки. Модель определяет язык по текстовой расшифровке аудио: аудиосигнал сначала распознаётся отдельной моделью Omnilingual ASR, затем этот классификатор анализирует полученный текст. Его языковая голова — линейный классификатор символьных n-грамм с TF-IDF, упакованный в ONNX; размер головы составляет 8,2 МБ. В репозитории также размещена модель распознавания речи Omnilingual ASR CTC 300M размером 279 МБ. Модель предназначена для автоматической идентификации языка в аудиозаписях. Для надёжных результатов рекомендуется подавать не менее пяти секунд речи, а около десяти секунд дают близкую к максимальной точность. В README указаны точность 95,30% на внутридоменной оценке и 77,6% на внедоменных данных; качество зависит от тематики записи и заметно ниже на финансовых материалах. Классификатор работает только с закрытым набором из 41 языка: он всегда назначает один из них, поэтому языки вне набора могут ошибочно определяться как близкие. Английского класса нет, а Fante во внедоменных записях часто смешивается с Twi. Лицензия репозитория — CC-BY-NC-4.0; вложенная модель ASR Meta распространяется отдельно по Apache 2.0.

GreenLeaf Law Embed Tiny — плотная модель эмбеддингов для поиска по юридическим текстам, разработанная JudicialMind в рамках открытой исследовательской инициативы. Она предназначена для поиска релевантных документов и фрагментов с учётом юридической терминологии, цитат, перекрёстных ссылок и длинного контекста; подходит для поиска по судебным решениям, договорам, законам и нормативным материалам. Модель использует двунаправленный трансформерный энкодер на основе архитектуры Qwen3: причинная маска снята во всех 28 слоях, размер скрытого слоя — 1024. README указывает 596 млн параметров, тогда как метаданные — 507,9 млн. Контекст составляет до 32 768 токенов; по умолчанию используется лимит 1024 токена, который можно увеличить настройкой max-length. Поддерживаются более 35 языков, включая английский, немецкий, французский, испанский, китайский, японский, корейский, арабский и хинди. Эмбеддинги можно сокращать по размерности благодаря Matryoshka Representation Learning; при инференсе доступны режимы float32, int8 и binary. В README приведены результаты на MLEB-12 и MTEB(Law, v1), но они не являются гарантией качества для конкретного корпуса. Модель специализирована на юридических текстах и может уступать универсальным эмбеддерам на общих текстах. Лицензия — Apache-2.0.

IndicBERT-v3-1B — многоязычная двунаправленная языковая модель AI4Bharat на архитектуре Gemma-3, дообученная на основе google/gemma-3-1b-it. Она предназначена для задач с архитектурой энкодера, в частности для классификации токенов. Модель обучена методом Masked Next Token Prediction (MNTP), при котором целевой токен предсказывается по состоянию предыдущей позиции; при дообучении важно учитывать этот сдвиг в подготовке данных. Обучение продолжалось на примерно 35 млрд токенов с последовательностями длиной до 4096. Модель адаптирована к английскому и индийским языкам, включая хинди, тамильский, телугу, бенгальский, урду и ряд низкоресурсных языков. Веса доступны в формате safetensors, лицензия — MIT. Карточка описывает сильные результаты во внутренних тестах, но не приводит подробных оценок; версии для эмбеддингов и поиска в README обозначены как планируемые.

Модель nestauk/jobbert-base-cased-compdecs разработана Nesta, британским агентством инноваций, в рамках проекта Open Jobs Observatory. Это дообученная для классификации версия jjzha/jobbert-base-cased — англоязычной BERT-модели, предварительно обученной на текстах вакансий. Модель с 135,5 млн параметров принимает текст и относит предложения из объявлений о работе к одному из двух классов: описание компании или не описание компании. Модель предназначена для извлечения описаний компаний из онлайн-вакансий и последующего анализа, например сопоставления компаний с кодами стандартной отраслевой классификации SIC. Для обучения использованы 486 вручную размеченных предложений с описаниями компаний и 1000 предложений без таких описаний длиной менее 250 символов. На тестовой выборке из 147 предложений точность составила 0,92157; показатель F1 для класса описаний компаний — 0,884. Модель использует архитектуру BERT для классификации последовательностей, работает с английским текстом и имеет контекст длиной до 512 токенов. Распространяется по лицензии MIT. Результаты оценки получены на небольшой выборке, поэтому качество на вакансиях других источников и форматов может отличаться.

Achraf Soltani разработал эту англоязычную модель распознавания именованных сущностей в текстах вакансий. Это BERT-модель на базе jjzha/jobbert-base-cased, дообученная для классификации токенов по 17 BIO-меткам и обученная на метках, созданных Claude Sonnet 4.6. Модель выделяет восемь типов сущностей: навыки, должности, компании, местоположения, уровень опыта, образование, сертификаты и компенсацию. Она рассчитана на индексирование вакансий для поиска и аналитики рынка труда, а также на эксперименты с дистилляцией NER-моделей. Модель содержит 135,5 млн параметров, работает с контекстом до 512 токенов и обучалась на перекрывающихся окнах длиной 450 токенов с шагом 225. Для обработки полной вакансии требуется оконный вывод, вычислительная стоимость которого растёт с её длиной. На указанном в карточке тестовом наборе из 516 вакансий micro-F1 составил 0,325; точность и полнота — 0,227 и 0,573. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

woong0322 разработал Ko-Legal-SBERT — модель эмбеддингов предложений на базе jhgan/ko-sbert-nli, дообученную для корейских юридических текстов. Она кодирует текст в векторы размерности 768 и предназначена для оценки семантического сходства между запросами и правовыми документами. Модель построена на архитектуре BERT и использует библиотеку SentenceTransformers; размер составляет 137,8 млн параметров, максимальная длина последовательности — 512 токенов. Модель обучена с Triplet Loss и подбором сложных отрицательных примеров на 35 104 триплетах, составленных по данным судебных решений и законодательства Кореи. Её можно применять для семантического поиска прецедентов и норм права, подбора похожих дел и сравнения договорных положений. В README приведены метрики сходства для юридических текстов, но независимая оценка качества не описана. Модель рассчитана на корейский язык и юридическую область. Распространяется по лицензии Apache 2.0, допускающей коммерческое использование с соблюдением условий лицензии.

rufimelo/Legal-BERTimbau-sts-base — модель на архитектуре BERT, разработанная для семантического сравнения португалоязычных юридических текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, пригодные для поиска семантически близких фрагментов и кластеризации. Модель основана на Legal-BERTimbau-large, созданной на базе BERTimbau base, и дообучена для задачи Semantic Textual Similarity на датасетах ASSIN и ASSIN2. В метаданных указаны 136,1 млн параметров и контекст длиной до 512 токенов; поддерживаются форматы PyTorch и safetensors. Карточка приводит результаты оценки на португальских наборах STS, включая ASSIN, ASSIN2 и stsb_multi_mt. Модель предназначена для семантического поиска, сопоставления предложений и группировки юридических текстов на португальском языке. Лицензия в предоставленных данных не указана.

SetFit-модель для классификации коротких названий товаров по 18 категориям интернет-магазина. Её опубликовал пользователь mini1013; модель основана на klue/roberta-base и использует дообученный Sentence Transformer с контрастивным обучением и классификатор LogisticRegression. Для работы применяется библиотека SetFit. Модель принимает текстовые названия и категории товаров, например товары для дома, одежду, электронику, продукты и туристические услуги, и присваивает им одну из 18 меток. Контекст ограничен 512 токенами. В README приведена метрика 0,9798, однако не уточняется её тип и набор оценки, поэтому её нельзя напрямую трактовать как ожидаемую точность в новых данных. Модель и базовая RoBERTa ориентированы на корейский язык; фактические метки и примеры также преимущественно на корейском. Лицензия в предоставленных сведениях не указана. Модель подходит для автоматической категоризации товарных названий, но область её применения ограничена набором из 18 классов и каталогом, на котором она обучалась.

Mihaiii/Metis-0.5 — дообученная модель Mistral с 7,1 млрд параметров, созданная на основе migtissera/Tess-XS-v1-3-yarn-128K. Модель предназначена для генерации ответов с упором на рассуждения и понимание текста; автор отмечает, что она хорошо работает с длинными системными инструкциями. Для взаимодействия используется формат с ролями SYSTEM, USER и ASSISTANT. Нативная длина контекста — 32 768 токенов. Модель подходит для анализа текста и решения задач на рассуждение, но автор не рекомендует использовать её для универсального сочинительства, например для написания историй. Она обучена на закрытом датасете. Лицензия — Apache-2.0.