I.11Классификация, ранжирование и сопоставление

SpanBERT-PT-Coreference — модель разрешения кореференции, разработанная для португальских протоколов заседаний муниципальных советов. Она использует архитектуру ранжирования упоминаний поверх BERT-энкодера и связывает упоминания одной сущности в кластеры, чтобы обеспечить последовательную псевдонимизацию персональных и административных данных в документе. В README указано 110 млн параметров энкодера и около 25 млн параметров голов кореференции; метаданные каталога указывают 135,5 млн параметров. Модель дообучена на португальских административных протоколах и поддерживает окно 512 токенов с перекрытием 128 токенов; длинные документы обрабатываются скользящими окнами. По карточке, модель специализируется на европейском португальском и 17 категориях сущностей. Для работы ей нужны spans сущностей от отдельной NER-модели; сама она их не обнаруживает. Модель рассчитана на административные протоколы, а качество на других типах документов может варьироваться. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

ConvNeXt-Tiny — сверточная модель для классификации изображений и извлечения признаков, обученная Россом Уайтменом в библиотеке timm на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом. Модель содержит 36,9 млн параметров; указанное разрешение входного изображения — 224 × 224 пикселя. Модель предназначена для предсказания классов изображений, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как основу для классификации и визуального поиска. В README приведено исследование скорости и точности на других моделях, но метрики ConvNeXt-Tiny для этой карточки не указаны. Репозиторий содержит веса в форматах PyTorch и Safetensors и рассчитан на использование с timm. Лицензия — Apache-2.0.

deka-qwen3-emb-0.6b-multipos-lay — текстовая модель эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и ранжирования; использует архитектуру Qwen3, пуллинг последнего токена с левым паддингом и L2-нормализацию. Модель содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов, хотя при обучении максимальная длина документа составляла 1300 токенов, а запроса — 256. Обучение оптимизировало поиск документов с несколькими положительными примерами; запросы обучались сопоставляться с текстами фактической части дела. В тестах на полном корпусе Recall@10 составил 16,67 для запросов пользовательского регистра, 25,24 для юридического и 30,95 для регистра fact. Для работы запросу требуется добавлять использованный при обучении инструкционный префикс, а документам — нет. Модель распространяется по лицензии Apache-2.0.

distilroberta-clickbait — модель классификации заголовков на кликбейт и обычные заголовки, созданная дообучением distilroberta-base на размеченных данных. Она предназначена для автоматической проверки новостных и других публикационных заголовков. В метаданных указаны архитектура RoBERTa, около 95,2 млн параметров и контекст до 514 токенов; модель принимает текст и выдаёт метку класса. В README сообщается, что обучение использовало 32 тысячи заголовков из Kaggle с метками «кликбейт» и «не кликбейт», а точность на оценочном наборе составила 0,9963. Этот результат относится к указанному набору и не гарантирует такое же качество на заголовках из других источников. Репозиторий содержит веса PyTorch; лицензия обозначена как other, конкретные условия использования по имеющимся данным определить нельзя.

DynamicRAG-7B — англоязычная модель на основе Llama 2, выпущенная авторами проекта DynamicRAG для динамического ранжирования документов в системах генерации с дополненным поиском (RAG). Она адаптирует порядок и количество найденных документов для каждого запроса, используя обратную связь от языковой модели. Обучение включает поведенческое клонирование экспертных траекторий и оптимизацию с подкреплением по обратной связи LLM. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов; опубликована в формате safetensors и рассчитана на английский язык. В проекте её применяют для переупорядочивания и отбора найденных документов, чтобы улучшить ответы RAG-систем. Карточка описывает исследовательские эксперименты и оценивание на нескольких бенчмарках; для обучения авторы указывают требование не менее восьми GPU A100-80G. Лицензия — Apache 2.0.

vivekkopthsd/embeddinggemma-300m-taxrag-ft — дообученный Vivek Kopth на базе google/embeddinggemma-300m энкодер эмбеддингов для многоязычного поиска по индийским налоговым и финансовым документам. Модель кодирует текстовые запросы и фрагменты документов в векторы для семантического поиска и извлечения контекста в RAG-системах. Модель основана на архитектуре Gemma 3 Text, содержит 302,8 млн параметров и выдаёт эмбеддинги размерности 768 с поддержкой Matryoshka-размеров 512 и 384. Максимальная длина последовательности — 2048 токенов. Дообучение выполнено на парах запросов и фрагментов Income-Tax Act, 2025 и финансовых вопросах из BeIR/fiqa. Основные языки — английский и хинди; карточка также заявляет работу с Hinglish. На указанном тесте модель достигла Recall@5 1,0 для английского и хинди, но результаты для Hinglish ниже. Лицензия — Gemma; выход модели предназначен для образовательного использования и не является юридической или финансовой рекомендацией.

IDEA-CCNL разработала Erlangshen-Roberta-110M-NLI — китайскую модель RoBERTa-wwm-ext-base, дообученную для естественно-языкового вывода (NLI). Она классифицирует отношения между парами текстов, например определяет, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Модель предназначена для задач понимания китайского языка и проверки смысловых отношений в тексте. Модель содержит 129,5 млн параметров, использует архитектуру BERT и классификационную голову BertForSequenceClassification; максимальный контекст — 512 токенов. Дообучение проводилось на четырёх китайских наборах NLI, всего на 1 014 787 примерах. В README приведены результаты на CMNLI, OCNLI и SNLI. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Модель рассчитана на китайский язык и классификацию текстовых пар. Результаты на перечисленных наборах не гарантируют качество на других жанрах и предметных областях; её назначение не охватывает генерацию текста.

EVE-Embed-1.1-Legal — модель эмбеддингов, разработанная ysmeta для поиска корейских судебных прецедентов по обычным вопросам, сформулированным практикующими юристами. Она дообучена на базе dragonkue/BGE-m3-ko и построена на архитектуре XLM-RoBERTa; содержит 658,7 млн параметров, принимает текст и создаёт векторные представления для семантического поиска и сравнения предложений. Максимальная длина контекста — 8194 токена. Модель ориентирована на корейский язык и юридические запросы к судебной практике. По результатам приведённой в карточке оценки на 59 786 корейских судебных решениях модель лучше базовой BGE-m3-ko на задачах поиска релевантных прецедентов по переформулированным вопросам. Она подходит для поиска похожих дел и первого этапа юридического поиска, но не выдаёт юридическое толкование и не заменяет консультацию специалиста. Корпус не включает тексты статей законов и практические финансовые документы; охват патентных и семейных дел ограничен. В карточке также отмечены ограничения бенчмарка, созданных языковой моделью запросов и разметки. Лицензия — Apache-2.0.

ThomasTschinkel/fake-news-detector — англоязычный бинарный классификатор новостных статей на основе дообученной RoBERTa-Large с пользовательской классификационной головой и объединением представлений CLS-токена и среднего по токенам. Модель относит текст к классам REAL или FAKE и предназначена для первичной проверки новостных материалов и выявления потенциальной дезинформации. Модель содержит 454,1 млн параметров, принимает текст и выдаёт метки классификации с оценками. Для длинных документов действует усечение примерно после 512 токенов. В README заявлены высокие показатели на использованном наборе данных, однако обучение на одном наборе может ухудшать перенос на другие источники и темы; результат не является подтверждением фактической истинности новости. Лицензия — MIT.

tyuan73/finetuned-modernbert-finance-large — модель Sentence Transformers, дообученная tyuan73 на новостях фондового рынка Yahoo Finance. В основе — ModernBERT-large с архитектурой ModernBertModel; модель содержит 396,4 млн параметров и формирует плотные векторы размерности 1024. Максимальная длина входа — 8192 токена, сходство векторов можно оценивать косинусной мерой. Модель предназначена для получения эмбеддингов финансовых текстов и поиска смыслового сходства. Её можно применять для семантического поиска новостей и документов, поиска перефразировок, кластеризации, классификации текстов и ранжирования похожих фрагментов. Обучение проводилось на датасете обработанных новостей Yahoo Finance с парами положительных и отрицательных примеров. Карточка не сообщает лицензию и конкретные поддерживаемые естественные языки. Качество за пределами финансовых новостей отдельно не подтверждено; указанный в README результат cosine_accuracy 1.0 относится к тесту TripletEvaluator и не гарантирует такую точность на других данных.

FinMA-7B-NLP — языковая модель для финансовой сферы, разработанная в рамках проекта PIXIU. Это плотная LLaMA-модель с 6,6 млрд параметров, дообученная следовать инструкциям на NLP-задачах из набора PIXIU. Модель предназначена для анализа тональности, классификации финансовых новостных заголовков, распознавания именованных сущностей и ответов на вопросы по финансовым темам. Модель принимает текст и генерирует текст. Карточка указывает английский язык, а метаданные — контекст длиной 2048 токенов и библиотеку Transformers. Веса опубликованы в формате PyTorch по лицензии MIT. Карточка описывает обучение на NLP-части PIXIU; более широкий набор задач представлен в других моделях проекта.

Fin-ModernBERT — англоязычная модель семейства ModernBERT, разработанная clapAI посредством продолженного предобучения ModernBERT-base на финансовых текстах. Модель содержит 149 млн параметров и предназначена для заполнения пропусков в тексте; её можно адаптировать к анализу тональности, распознаванию финансовых сущностей, классификации, ответам на вопросы и поиску по финансовым документам. Карточка описывает обучение на корпусе FinData-dedup, собранном из финансовых новостей, публикаций о фондовом рынке и криптовалютах. В README указана длина контекста 1024 токена, а метаданные каталога приводят native context в 8192 токена. В приведённых в карточке тестах модель показала более высокие F1-результаты, чем ProsusAI/finbert и ModernBERT-base, на CIKM и PhraseBank; оценка других задач ещё продолжается. Для работы доступны веса в формате safetensors и библиотека Transformers. Лицензия — Apache-2.0.

GermanEduScorer-Qwen2-1.5b — языковая модель для оценки качества немецкоязычных образовательных текстов. Разработчики дообучили её методом ORPO на базе VAGOsolutions/SauerkrautLM-1.5b, модели семейства Qwen2. В карточке описано обучение на 380 тысячах уникальных записей в течение трёх эпох; заявленная оценка качества достигает примерно 95%, но подробности методики и независимая проверка этих результатов не приведены. Модель принимает текст и генерирует ответ с оценкой по критериям организации, релевантности, нейтральности, глубины знаний и пригодности материала для разных уровней образования. Контекст составляет до 32 768 токенов, размер — 1,5 млрд параметров. Модель ориентирована на немецкий язык и может использоваться для автоматической оценки учебных материалов от начальной школы до университета. Модель распространяется по лицензии Apache-2.0. Карточка отмечает склонность к чрезмерно высокой оценке как проблему, выявленную при разработке; заявленные показатели точности следует считать результатами авторской оценки.

GLM-10B-Chinese — плотная языковая модель семейства GLM, разработанная исследовательской командой авторов статьи GLM: General Language Model Pretraining with Autoregressive Blank Infilling. Модель содержит 13,1 млрд параметров и 48 слоёв Transformer с размером скрытого состояния 4096 и 64 головами внимания на слой. Она предварительно обучена на корпусе WuDaoCorpora с авторегрессионной целью заполнения пропусков и поддерживает режимы для коротких пропусков, заполнения предложений и генерации слева направо. Модель предназначена для задач понимания и генерации китайского текста, включая языковое моделирование, генерацию продолжений, заполнение пропусков и настройку под задачи seq2seq. В карточке Hugging Face основная задача обозначена как извлечение признаков; метаданные также указывают поддержку классификации текста и генерации текста. Модель выпущена в формате PyTorch. Условия лицензии в предоставленных данных не описаны.

DEk21_hcmute_embedding — вьетнамская модель эмбеддингов на базе Sentence Transformers и RoBERTa, дообученная разработчиками на примерно 100 000 примерах юридических вопросов и соответствующих контекстов. Она предназначена для семантического поиска и retrieval в RAG-системах, особенно по юридическим материалам на вьетнамском языке. Модель преобразует текстовые последовательности в векторы размерности 768, сопоставляемые по косинусному сходству. Обучение с MatryoshkaLoss позволяет укорачивать векторы с небольшим снижением качества, чтобы ускорить сравнение; максимальная длина последовательности — 258 токенов по метаданным. Для векторного поиска её можно использовать с Sentence Transformers; репозиторий содержит форматы ONNX и safetensors. В README приведены результаты оценки на задаче поиска по юридическим вопросам, однако они относятся к варианту с сегментацией wseg и указанному набору данных. Лицензия — Apache-2.0.

Это дообученная модель классификации текста на базе индонезийской BERT-модели indolem/indobert-base-uncased. По названию она предназначена для оценки релевантности вопросов с вариантами ответа KISI для индонезийской аудитории. Модель построена на архитектуре BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки на тестовом наборе: MSE 0,0242, RMSE 0,1555 и MAE 0,0803. Описание набора данных, способ применения и ограничения не раскрыты. Модель распространяется по лицензии MIT.

IndoBERT-Lite Large Model (phase1, uncased) — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark. Она основана на архитектуре ALBERT и обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в качестве основы для последующих задач обработки индонезийского языка. Модель содержит около 433,4 млн параметров, принимает текстовые последовательности длиной до 512 токенов и поддерживает извлечение признаков через Transformers; в репозитории доступны форматы PyTorch и TensorFlow. Карточка описывает uncased-вариант, то есть текст обрабатывается без различения регистра. Лицензия — MIT.

Legal-BERTimbau-sts-base-ma — модель Sentence Transformers на базе BERT, созданная для семантического сравнения предложений и абзацев на португальском языке в юридической области. Она преобразует текст в плотные векторы размерности 768, пригодные для семантического поиска и кластеризации. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель дообучена для оценки семантического сходства на португалоязычных наборах ASSIN, ASSIN2 и STS-B Multi-MT; при обучении также применялась многоязычная дистилляция знаний. В README приведены результаты STS на этих наборах. Модель может использоваться для поиска юридических текстов по смыслу, группировки похожих документов и сравнения формулировок. Она предназначена прежде всего для португальского юридического текста; контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

LFM2.5-350M-RLCD — репозиторий notnotsamuel с кодом параллельного вывода структурированных данных на основе неизменённых весов LiquidAI/LFM2.5-350M. Модель семейства LFM2 — плотная причинная языковая модель с 444,6 млн параметров и контекстом до 128 000 токенов; для запуска используются Transformers и PyTorch, веса хранятся в safetensors. В README указана работа с английским, французским и испанским языками. Решение предназначено для извлечения значений из текста в поля с ограниченным набором вариантов: оно повторно использует состояние контекста, оценивает кандидаты параллельно, а затем собирает JSON в Python. Поддерживаются плоские схемы, где каждое поле обязательно и имеет тип boolean или непустой строковый enum; пример посвящён классификации обращений в поддержку. В опубликованных синтетических тестах для 28 булевых полей показано ускорение относительно авторегрессивного вывода, но результат зависит от нагрузки и оборудования. Корректный JSON и соответствие поддерживаемой схеме обеспечивает программная сборка, а не точность модели. В тесте на 28 полях ни один метод не получил полностью правильный объект; точность полей для ограниченного вывода составляла 60,7–64,3%. Поля выбираются независимо, оценки не являются калиброванной уверенностью, большие наборы вариантов могут исчерпать память, а неподдерживаемые ограничения схемы отклоняются. Лицензия указана как other; конкретные условия следует сверять с карточкой и файлами репозитория.

LINCE-ZERO — испаноязычная инструкционная языковая модель Clibrain для генерации текста и выполнения запросов на естественном языке. Это декодерная авторегрессионная модель архитектуры Falcon, дообученная на 80 тысячах примеров из закрытого набора, созданного по образцу Alpaca и Dolly. В README указано 7 млрд параметров, тогда как метаданные Hugging Face указывают 10,9 млрд; размер модели в источниках расходится. Модель предназначена для прямого использования в виртуальных ассистентах, генерации контента и других общих задачах на испанском языке. Среди поддерживаемых сценариев также заявлены классификация текста и токенов, ответы на вопросы и генерация текста. Она использует библиотеку Transformers и опубликована под лицензией Apache 2.0. Качество модели оценено не полностью: авторы сообщают, что результаты оценки будут опубликованы позднее. Возможны галлюцинации, токсичные высказывания и стереотипы; ответы следует проверять. README не рекомендует применять модель в production без предварительной оценки рисков и мер по их снижению.

litil-embed-0.6b — текстовая модель эмбеддингов для поиска по юридическим документам, разработанная litillabs на основе Octen/Octen-Embedding-0.6B. Модель дообучена на юридических данных для поиска, использует дистилляцию от Octen-Embedding-8B и объединённый с базовой моделью LoRA-адаптер. Архитектура — плотная Qwen3, размер — 507,6 млн параметров; контекст — до 32 768 токенов, размерность выходных эмбеддингов — 1024. Модель рассчитана на английский, немецкий и китайский языки и совместима с базовой моделью по архитектуре, токенизатору и промптам. Модель предназначена для семантического поиска и извлечения релевантных положений из юридических документов, включая поиск соответствующих клауз по вопросам. В оценке MTEB(Law, v1) результаты различаются по наборам данных: есть улучшение на немецком юридическом поиске, тогда как на AILACasedocs результат ниже базовой модели. Лицензия — Apache 2.0.

LLaVA-Critic-72B — открытая мультимодальная модель команды LMMS-Lab для оценки ответов, связанных с изображениями. Она дообучена на наборе LLaVA-Critic-113k на базе lmms-lab/llava-onevision-qwen2-72b-ov-sft; модель с плотной архитектурой LLaVA и 71,5 млрд параметров принимает текст и изображения и генерирует текстовые оценки и объяснения. Контекст составляет 32 768 токенов. Модель предназначена для оценки качества ответов мультимодальных языковых моделей: она выставляет балл отдельному ответу или сравнивает два ответа, формируя обоснование с опорой на изображение. Карточка сообщает о близком к человеческому согласии оценок и сопоставимых с GPT-4V результатах в описанных авторами сценариях. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Mizan — арабоязычная модель классификации новостных текстов, разработанная Khaled Tarabay для выявления дезинформации. Она дообучена на aubmindlab/bert-base-arabertv2 и относит текст к одному из двух классов: «Fake» или «Credible». Модель построена на архитектуре BERT, содержит 162,4 млн параметров и рассчитана на контекст до 512 токенов; при обучении использовалась максимальная длина последовательности 128 токенов. Поддерживается арабский язык. Модель обучена на наборе AFND примерно из 50 000 сбалансированных новостных статей. В README указана взвешенная F1-мера 89,3% на отложенной сбалансированной тестовой выборке из 5 000 примеров. Она предназначена для предварительной проверки новостных текстов и выдачи сигнала для последующей оценки человеком. Лицензия — MIT. Результаты могут ухудшаться для текстов, отличающихся от новостного распределения AFND, и для арабских диалектов, недостаточно представленных в данных. Метки AFND могут содержать шум; оценка модели не заменяет проверку фактов человеком.

MSH-v1 (Marsh Harrier) — польская диалоговая языковая модель MedIT Solutions, созданная слиянием чекпойнтов Speakleash Bielik 11B v2.3 Instruct и Bielik 11B v2. Она основана на плотной архитектуре Mistral и содержит 11 млрд параметров; доступна в формате safetensors. Модель генерирует текст и отвечает на инструкции, прежде всего на польском языке. Контекст — до 32 768 токенов. В README приведены результаты оценки на польских бенчмарках: модель показывает улучшения в среднем относительно Bielik v2.3, но уступает на отдельных задачах, в том числе MT-Bench-PL и PolQA reranking. Лицензия — Apache-2.0.,

bebechien/my-embeddinggemma-news-vibe — дообученная автором репозитория модель Sentence Transformer на базе google/embeddinggemma-300m, предназначенная для получения эмбеддингов текста. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 2048 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. В README показано дообучение на пяти примерах с темами новостей и меткой MY_FAVORITE_NEWS, поэтому пригодность полученных векторов для более широких задач может быть ограничена малым объёмом тренировочных данных. Модель опубликована в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

NeuralTxt Reward Model — компактная модель оценки ответов, разработанная paperbd и дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Она сравнивает ответ с эталонным ответом и выдаёт оценку соответствия по шкале 0–1; модель предназначена для быстрого получения сигналов вознаграждения при обучении языковых моделей, а также для оценки эквивалентности и корректности ответов в системах вопросов и ответов. Для сравнения подаётся текст в формате «эталон [SEP] ответ». Архитектура основана на BERT-энкодере с 25,9 млн параметров, слоем Dropout и линейной оценочной головой; максимальная длина контекста — 512 токенов. Модель принимает и обрабатывает английский текст. Обучение охватывает ответы на вопросы по научным статьям, примеры предпочтений и эквивалентности ответов, а также пары семантически похожих предложений. В карточке приведены результаты на нескольких тестовых наборах, включая точность 0,93 на задаче эквивалентности ответов. Лицензия — MIT. Модель лучше подходит для текстов вопросов и ответов, чем для творческих или разговорных ответов; ей необходим эталон, поэтому она не является самостоятельным оценщиком общего качества. Оценки систематически смещены вниз, и отдельные фактические подмены одного слова могут оставаться незамеченными.

OPOD-Qwen3-Omni-30B-A3B — мультимодальная модель Tung111, дообученная методом On-Policy Omni Distillation на базе Qwen/Qwen3-Omni-30B-A3B-Instruct. Она объединяет возможности текстовых, визуальных и аудиомоделей в одном чекпойнте и предназначена для рассуждений и ответов на задачи с текстом, изображениями, аудио и видео. Архитектура Qwen3 Omni MoE; модельный процессор и мультимодальный формат совместимы с базовой моделью. В метаданных указаны английский и китайский языки. По результатам авторской оценки модель набрала в среднем 70,8 на 12 бенчмарках, превысив базовую модель на 3,8 пункта. Она рассчитана прежде всего на проверяемые задачи и формат промпта с отдельными тегами для рассуждения и финального ответа. Генерация речи унаследована от базовой модели, но не оптимизировалась и не оценивалась; свободный диалог, длинная генерация и речевой вывод не входят в проверенную область применения. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять в карточке модели и связанных документах.

org-geo-ner — модель распознавания именованных сущностей, разработанная MDPI AG для разбора строк аффилиаций авторов. Она дообучена на SIRIS-Lab/affilgood-affilxlm, модели на архитектуре XLM-RoBERTa, предварительно обученной на строках аффилиаций из OpenAlex. Модель содержит около 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель извлекает из адресов организаций и их подразделения, города и страны, используя разметку BIO. Она предназначена для обработки аффилиаций в научных рукописях и метаданных и может выступать первым этапом сопоставления адресов с идентификаторами Research Organization Registry (ROR). Работает с многоязычными строками, но лучше соответствует латинскому письму и англоязычным форматам аффилиаций; для произвольных текстов общего назначения не предназначена. Модель распространяется по лицензии Apache 2.0 и доступна для использования через pipeline token-classification в библиотеке Transformers.

patembed-basesmall — модель Sentence Transformer из проекта PatenTEB, предназначенная для построения эмбеддингов патентных текстов. Она разработана для поиска и анализа патентных документов; при выводе рекомендуется использовать специализированные для задачи инструкционные префиксы. Модель основана на архитектуре BERT и дистиллирована из datalyes/patembed-large с использованием слоёв 0, 3, 6, 9, 12, 15, 18 и 21. В карточке указаны 143 млн параметров, 8 слоёв, размер скрытого состояния 1024, эмбеддинги размерности 512 и максимальная длина последовательности 512 токенов; метаданные каталога оценивают размер в 175 млн параметров. Модель рассчитана на английские тексты и принимает текст, выдавая векторные представления для сравнения семантической близости. Подходит для поиска патентов и предшествующего уровня техники, классификации и кластеризации патентных документов, а также анализа технологических направлений. Лицензия CC BY-NC-SA 4.0 требует атрибуции и ограничивает коммерческое использование; модель ориентирована на патентные тексты и английский язык.

patembed-large — модель Sentence Transformers для получения векторных представлений патентных текстов. Она разработана командой проекта PatenTEB и предназначена для поиска и анализа патентных документов. Модель использует 24-слойную архитектуру BERT, дообученную на патентных корпусах и задачах бенчмарка PatenTEB; размер эмбеддинга составляет 1024, максимальная длина входа — 512 токенов. Метаданные каталога указывают 443,5 млн параметров, а README — 344 млн. Модель рассчитана на англоязычные патенты. Её применяют для поиска патентов и предшествующего уровня техники, сравнения документов по смыслу, классификации и кластеризации патентных текстов, а также анализа технологических направлений. Для оптимальной работы при выводе следует использовать инструкционные промпты, соответствующие задаче. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование с сохранением условий атрибуции и распространения на тех же условиях.