I.11Классификация, ранжирование и сопоставление

Это модель Sentence Transformers на базе архитектуры BERT, созданная для преобразования предложений и абзацев в плотные векторы размерности 384. Её можно применять для семантического поиска и кластеризации текстов, сравнивая полученные представления по близости. Модель обучалась с Triplet Loss и евклидовой метрикой расстояния. Она содержит 124,3 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Для использования подходят библиотека sentence-transformers или Transformers с соответствующей операцией pooling. Языки и лицензия в предоставленных сведениях не определены.

BaoLocTown/tuned_KaLM-embedding-multilingual-mini-instruct-v2.5_combined_v4_200k_2048_len_lr_2e-5_lasttoken — текстовая модель Sentence Transformer на архитектуре Qwen2 с 494 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 896; сходство между векторами оценивается косинусной мерой. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текста. В архитектуре используется pooling по последнему токену. README указывает максимальную длину последовательности 32 768 токенов, а метаданные каталога — нативный контекст 131 072 токена. Модель ориентирована на многоязычные текстовые эмбеддинги, но конкретные языки в предоставленных данных не перечислены. Репозиторий содержит веса в формате safetensors; лицензия в источниках не указана.

Это турецкая модель Sentence Transformer семейства BERT, дообученная авторами trmteb на наборах для поиска и сопоставления текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; для оценки близости предусмотрено косинусное сходство. Архитектура использует BERT и усреднённый пулинг токенов, содержит около 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска, сравнения смысловой близости, поиска перефразирований, кластеризации и классификации текста. Обучение включало турецкие наборы MS MARCO, FIQA, SciFact, NFCorpus, MultiNLI, SNLI, STS-B, Quora и данные WMT16 для перевода между английским и турецким. README приводит результаты оценки сходства на STS-B и бинарной классификации на нескольких наборах, однако отдельные высокие показатели зависят от набора и порога и не гарантируют такого же качества в других сценариях. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Twitter4SSE — модель для вычисления семантического сходства текстов, разработанная авторами исследования об использовании Twitter для создания корпусов слабосвязанных пар предложений. Она преобразует текст в плотные эмбеддинги размерностью 768 и обучена на данных Twitter с функцией потерь Multiple Negatives Ranking Loss (MNRL). Модель основана на BERTweet и обучена с помощью Sentence-Transformers. Архитектура — RoBERTa; размер составляет 162,4 млн параметров, максимальный контекст — 130 токенов. Модель предназначена для сравнения предложений и поиска семантически близких текстов; метаданные указывают английский язык. Лицензия — Apache 2.0.

swardiantara/two-stage-cdk10-MiniLM-L12-v2 — модель на базе Sentence Transformers, разработанная пользователем swardiantara. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска по смыслу, вычисления сходства и кластеризации. Модель обучалась с Contrastive Loss и косинусной метрикой; архитектура относится к семейству BERT, размер составляет около 40 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и возвращает векторные представления, пригодные для семантического поиска и группировки текстов. README не сообщает, на каких языках она обучена или оценивалась, поэтому поддержку конкретных языков нельзя подтвердить. Лицензия в предоставленных данных не указана.

WhereIsAI/UAE-Large-V1 — англоязычная модель плотных текстовых эмбеддингов, разработанная командой AnglE. Она основана на архитектуре BERT и обучена с оптимизацией AnglE для получения векторных представлений предложений. Модель подходит для сравнения семантической близости текстов и поиска по смыслу; для задач извлечения информации в README рекомендуется использовать специальный prompt Prompts.C для запроса, но не для документов. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и возвращает эмбеддинги. В README заявлен результат 64,64 среднего балла на MTEB и лидерство в рейтинге на момент публикации. Поддерживаются форматы safetensors, ONNX и OpenVINO. Лицензия MIT разрешает использование в разных сценариях.

ukr-paraphrase-multilingual-mpnet-base — модель sentence-transformers проекта lang-uk, дообученная для украинского языка на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текст; максимальная длина контекста составляет 514 токенов. Модель ориентирована прежде всего на украинский, сохраняя многоязычную основу. Её можно применять для поиска семантически близких фрагментов, группировки текстов и построения эмбеддингов. Распространяется по лицензии Apache-2.0.

buelfhood опубликовал Sentence Transformer, дообученный на базе microsoft/unixcoder-base-unimodal. Модель использует архитектуру RoBERTa и преобразует предложения и абзацы в плотные векторы размерностью 768; сходство между ними можно оценивать косинусной мерой. В README указана максимальная длина последовательности 512 токенов, а метаданные каталога указывают нативный контекст в 1026 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Данные о специализированной предметной области или целевых языках не приведены. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

USER-bge-m3 — русскоязычная модель sentence-transformers, разработанная командой DeepVK для получения семантических эмбеддингов предложений и абзацев. Она основана на TatonkaHF/bge-m3_en_ru — уменьшенной версии baai/bge-m3 — и дообучена преимущественно на русском языке. Архитектура модели относится к XLM-RoBERTa; размер составляет 449,9 млн параметров, контекст — до 8194 токенов. Модель преобразует текст в плотные векторы размерности 1024. Её используют для семантического поиска, сравнения похожести текстов, кластеризации, классификации и поиска по документам. В README приведены результаты сравнений на русскоязычных задачах encodechka и MTEB: по ряду средних метрик модель превосходит базовую baai/bge-m3, но в среднем на задачах reranking немного уступает ей. Возможности разреженного и многовекторного кодирования авторы тщательно не оценивали, а качество на языках помимо русского не проверялось. Лицензия — Apache-2.0.

uz_embeddinggemma-300m — дообученная модель Sentence Transformer на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Модель содержит 302,8 млн параметров, принимает последовательности длиной до 2048 токенов и распространяется в формате safetensors. Модель предназначена для семантического поиска и оценки сходства текстов, а также для поиска перефразировок, классификации и кластеризации. В карточке указано обучение на 18 000 примерах и приведены метрики оценки информационного поиска. Метаданные отмечают узбекский язык; базовая модель Google описана как многоязычная. Условия лицензии в предоставленных данных не указаны.

Модель codersan/validadted_FaLabse_onV8d — дообученная разработчиком codersan модель Sentence Transformer на базе sentence-transformers/LaBSE. Архитектура BERT преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для сравнения текстов по косинусному сходству; используется библиотека sentence-transformers. В README указана максимальная длина последовательности 256 токенов, а в метаданных — контекст 512 токенов. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Она обучена на 21 484 парах «запрос — релевантный текст» с MultipleNegativesRankingLoss. LaBSE рассчитана на многоязычные тексты и поддерживает 109 языков, но конкретные языки, на которых улучшилось качество после дообучения, не определены. Лицензия в предоставленных данных не указана.

Vela-1.0-Encoder-307M-Embedding — мультиязычная модель эмбеддингов на базе ModernBERT, разработанная командой vLLM Semantic Router. Она предназначена для семантического сопоставления запросов, поиска контекста и организации памяти в маршрутизаторах. Модель содержит 306,9 млн параметров, использует 22 слоя и 768 измерений, поддерживает контекст до 32 768 токенов и доступна в форматах Safetensors и ONNX. Модель применима для семантического поиска, извлечения релевантных документов и сравнения предложений на английском, арабском, испанском, японском и китайском языках. В приведённых оценках она превосходит исходную mmBERT Embedding на отдельных задачах MTEB и при поиске по длинным документам; результаты относятся только к перечисленным тестам. Лицензия — Apache-2.0.

Vela Reranker — многоязычный энкодер на базе ModernBERT, разработанный llm-semantic-router. Модель оценивает релевантность фрагментов для поиска, RAG и выбора контекста в системах маршрутизации. В метаданных указано 306,9 млн параметров и контекст до 32 768 токенов; доступны веса Safetensors и формат ONNX. В приведённых оценках Vela превосходит исходный mmBERT Reranker на указанных наборах MIRACL, Natural Questions и SciFact, а также на двух из трёх перечисленных инструкционных задач MTEB. Результаты относятся только к выбранным наборам и подмножествам и не являются полной оценкой MTEB. Модель предназначена для ранжирования текстовых фрагментов и не генерирует ответы. Лицензия — Apache-2.0.

Vela Reranker — дообученный мультиязычный энкодер семейства ModernBERT от vLLM Semantic Router. Модель оценивает релевантность пассажей для поиска, RAG и отбора контекста. Она насчитывает 306,9 млн параметров, принимает пары запросов и текстовых фрагментов и поддерживает контекст до 32 768 токенов. В опубликованных сравнениях Vela превосходит исходный mmBERT Reranker на MIRACL, Natural Questions и SciFact, а также на двух из трёх приведённых инструкционных задач MTEB. Результаты относятся только к указанным задачам и наборам разработки; авторы не заявляют полный балл или рейтинг MTEB. Модель доступна в форматах Safetensors и ONNX под лицензией Apache-2.0.

Verdict-small — компактная модель для сравнения текста с вариантами ответа и выбора наиболее подходящего решения. Её разработал автор репозитория Manav2op на базе multilingual-e5-small; модель дообучена на смеси из 14 открытых датасетов для классификации намерений, логического следования, оценок отзывов и безопасности. Архитектура — плотный BERT-энкодер на 124,3 млн параметров, библиотека sentence-transformers; доступны веса Safetensors и формат ONNX, включая квантованную int8-версию для браузера. Модель кодирует запросы и варианты в эмбеддинги. В README указано, что косинусное сходство, умноженное на 20, можно использовать как логит для оценки вариантов; примеры — маршрутизация обращения в службу поддержки и проверка соответствия утверждения запросу. Заявлена поддержка английского, хинди, немецкого, французского, испанского, японского, китайского, арабского, португальского, русского, турецкого, корейского, суахили и бенгальского языков. Контекст ограничен 512 токенами. Лицензия — Apache-2.0. В приведённых zero-shot тестах модель превосходит базовую multilingual-e5-small на SST-5 и ToxicChat, но уступает ей на Banking77; результат зависит от задачи и способа применения. Для Banking77 и ToxicChat автор также приводит улучшенные показатели при использовании 16 меток на класс и голов пакета verdictml. Модель не обучалась на Banking77, SST-5 и ToxicChat, согласно README, однако на этих тестах качество неравномерно; поэтому результаты не гарантируют точность на конкретных данных.

SSHHIVANI разработала эту модель Sentence Transformers, дообучив англоязычный sentence-transformers/all-MiniLM-L6-v2 на 4 555 обучающих примерах. Это плотный энкодер на архитектуре BERT с усреднением токеновых представлений и нормализацией: он преобразует текст в векторы размерностью 384, а сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности по метаданным — 512 токенов; в README указано ограничение 256 токенов. Модель предназначена для семантического сравнения предложений и абзацев, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов. Обучение с MultipleNegativesRankingLoss ориентировано на сопоставление запросов с документами. Поддерживается текстовый ввод; основной язык — английский, унаследованный от базовой модели. Доступен формат safetensors. Лицензия в предоставленных данных не указана.

Vignesh finetuned bge — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория на базе BAAI/bge-base-en-v1.5 на 311 351 паре текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и сравнения текстов; архитектура включает BERT, пулинг по CLS-токену и нормализацию, а сходство оценивается косинусной мерой. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Модель подходит для поиска релевантных фрагментов, ранжирования по семантическому сходству, поиска перефразировок, кластеризации и классификации текстов с использованием эмбеддингов. Максимальная длина входа — 512 токенов; README приводит результаты оценки поиска для нескольких размерностей векторов. Модель предназначена для английского языка и распространяется по лицензии Apache-2.0.

ViT-B-16-SigLIP-384 — модель сопоставления изображений и текста на основе SigLIP, обученная на наборе WebLI. Чекпойнт преобразован из исходных весов JAX проекта Big Vision в формат PyTorch; репозиторий поддерживает использование через OpenCLIP для работы с изображениями и текстом, а также через timm для получения представлений изображений. Лицензия — Apache-2.0. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах и для получения эмбеддингов изображений. Можно сравнивать изображение с набором текстовых меток или описаний и выбирать наиболее подходящее. Вариант имеет размер изображения 384 пикселя по стороне, что отражено в названии модели. Модель использует контрастивное обучение изображения и текста с функцией потерь SigLIP и обучалась на WebLI. Карточка не сообщает о поддержке конкретных естественных языков, поэтому языковые возможности текстового компонента нельзя уточнить. Для прикладного сценария качество зависит от соответствия текстовых меток обучающим данным и выбранной предметной области.

timm/vit_base_patch16_clip_224.metaclip_2pt5b — модель семейства CLIP, доступная для использования через open_clip и timm. Она основана на архитектуре ViT-B/16 с вариантом активации QuickGELU и обучена на наборе MetaCLIP-2.5B. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными текстовыми категориями без отдельного обучения на них. Репозиторий содержит веса PyTorch и SafeTensors и использует библиотеку open_clip. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и ограничивает коммерческое применение.

Это модель CLIP семейства ViT-B/32, опубликованная в репозитории timm и обученная на наборе LAION-400M. Она совместима с open_clip и timm; вариант в OpenCLIP называется ViT-B-32-quickgelu. Модель сопоставляет изображения и текст в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Модель можно применять для поиска изображений по тексту и первичной категоризации изображений с помощью заранее заданных текстовых меток. Она принимает изображения и текстовые описания и выдаёт оценки соответствия между ними. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или список поддерживаемых языков.

timm/vit_huge_patch14_clip_378.metaclip2_worldwide — модель семейства CLIP с визуальным энкодером ViT-H/14 и размером входного изображения 378 пикселей. Она доступна для использования через open_clip и timm и предназначена для классификации изображений по текстовым описаниям без дообучения: модель сопоставляет изображение с кандидатными метками, заданными текстом. Вариант весов называется ViT-H-14-worldwide-378 с pretrained_tag metaclip2_worldwide и связан с MetaCLIP2. Модель принимает изображения и текстовые метки, а выдаёт оценки сходства для выбора подходящей метки. Репозиторий содержит веса PyTorch в формате safetensors; лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Сведения о языках и контексте в карточке отсутствуют, поэтому языковую поддержку не уточняю.

ViT-L-16-SigLIP-256 — контрастивная модель для сопоставления изображений и текста, обученная командой Big Vision на датасете WebLI и опубликованная timm. Она предназначена для классификации изображений без дообучения: модель сравнивает изображение с текстовыми описаниями классов и оценивает их соответствие. Архитектура включает визуальный энкодер ViT-L/16 с разрешением изображения 256 пикселей и текстовый энкодер SigLIP; веса доступны в форматах PyTorch и Safetensors, библиотека для работы — OpenCLIP. Модель принимает изображения и текстовые описания, а выдаёт оценки сходства, которые можно использовать для выбора наиболее подходящей метки; визуальные эмбеддинги также доступны через timm. Лицензия Apache-2.0. README сообщает о конвертации исходных JAX-чекпойнтов Big Vision в PyTorch, поэтому это конверсия формата, а не новое дообучение.

Модель timm/vit_large_patch14_clip_224.laion400m_e31 — модель CLIP с архитектурой Vision Transformer, разработанная для использования через open_clip и timm. В OpenCLIP она обозначена как ViT-L-14; при обучении использовался датасет LAION-400M. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: пользователь задаёт варианты классов словами, а модель сопоставляет их с изображением без отдельного дообучения на этих классах. Она принимает изображения и текстовые описания и формирует оценки сходства для выбора подходящего описания. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — MIT.

timm/ViT-SO400M-16-SigLIP2-256 — модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI. Контрастивное обучение связывает изображения с текстом, благодаря чему модель подходит для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах. Модель преобразована из исходных контрольных точек JAX проекта Big Vision для использования с OpenCLIP. В названии указаны архитектура ViT-SO400M-16 и размер изображения 256 пикселей. Она принимает изображения и текстовые метки или описания и поддерживает zero-shot классификацию. Лицензия — Apache 2.0.

Это многоязычная модель Sentence Transformer, созданная tomaarsen на основе FacebookAI/xlm-roberta-base и дообученная на парах данных английского с арабским, французским, немецким, испанским, турецким и итальянским. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство текстов можно оценивать по косинусной мере. Архитектура включает XLM-RoBERTa с усреднением токенных представлений, а максимальная длина последовательности в карточке модели — 128 токенов. В метаданных также указано контекстное окно базовой модели в 514 токенов. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста, в том числе в поддерживаемых межъязыковых парах. Карточка приводит результаты оценки для нескольких пар с английским, но качество может различаться между языками и задачами; это модель представлений, а не генеративная модель или система перевода. Размер модели — 305,2 млн параметров. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

IronPooh/xlm_roberta_hard_negatives — текстовый Cross Encoder, дообученный на базе FacebookAI/xlm-roberta-base с библиотекой Sentence Transformers. Модель оценивает пары текстов одним выходным баллом и предназначена для переранжирования результатов поиска и семантического поиска; её также можно применять для классификации пар по релевантности. Архитектура — XLMRobertaForSequenceClassification с 305,2 млн параметров. Модель принимает только текст, максимальная длина последовательности составляет 514 токенов по метаданным. README сообщает о бинарной классификации и приводит для набора xlm-roberta-val accuracy 0,8483 и F1 0,8033. Обучающая выборка содержит 5 691 пример. Базовая XLM-RoBERTa многоязычная, а примеры в карточке включают украинский текст; метаданные не задают конкретные языки именно для этой дообученной модели. Лицензия в предоставленных данных не указана.

amahdaouy/xlmrsim-mar_cos — мультиязычная модель Sentence Transformer, дообученная на базе sentence-transformers/stsb-xlm-r-multilingual. Она использует XLM-RoBERTa с mean pooling и преобразует предложения и абзацы в плотные векторы размерности 768; косинусное сходство подходит для сравнения текстов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов. В README указана максимальная длина последовательности 128 токенов; метаданные каталога указывают нативный контекст до 514 токенов. Модель обучена на 19 755 примерах с CosineSimilarityLoss. Указанные в карточке языки примеров включают английский, французский и арабский; базовая модель мультиязычная. Доступна в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

prashpathak/xlscout_standigger_2_aug — модель Sentence Transformers на архитектуре BERT, представленная пользователем prashpathak. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения по косинусному сходству; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. Её можно применять для поиска похожих фрагментов в корпусе, группировки документов по смыслу и подготовки векторных представлений для последующей классификации. В метаданных указаны 136,7 млн параметров и формат safetensors. Лицензия в предоставленных сведениях не указана.

Yinka — модель для получения текстовых эмбеддингов, дообученная разработчиками Classical на открытой модели stella-v3.5-mrl с использованием многозадачной гибридной функции потерь, описанной в piccolo2. Она принимает текст и преобразует его в векторы для задач семантического поиска и сравнения текстов. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и поддерживает контекст до 512 токенов. Полный размер вектора — 1792 измерения; README указывает на возможность использовать векторы меньшей размерности, отбирая первые n измерений перед нормализацией. Для применения не требуются специальные префиксы. В таблице README приведены результаты на наборах задач классификации, кластеризации, сопоставления пар, ранжирования, поиска и семантического сходства; отдельного описания обучающих данных нет. Модель предназначена для извлечения признаков из текста. Доступные сведения не подтверждают конкретный набор поддерживаемых языков, поэтому языки не перечисляются. Лицензия в предоставленных данных не указана.

Youtu-Embedding — универсальная модель текстовых эмбеддингов, разработанная Tencent Youtu Lab. Она предназначена для поиска и сопоставления текстов, семантической оценки сходства, кластеризации, ранжирования и классификации. Модель имеет плотную архитектуру UTU и около 2,4 млрд параметров; README указывает размерность эмбеддингов 2048 и длину последовательности до 8K токенов, тогда как метаданные каталога указывают контекст до 131 072 токенов. Модель обучена по совместной дискриминативной схеме с разными функциями потерь для задач и динамической выборкой задач. README сообщает о результате 77,58 на китайском бенчмарке CMTEB по состоянию на сентябрь 2025 года. Карточка ориентирует на китайский язык и описывает интеграцию с Transformers, Sentence Transformers, LangChain и LlamaIndex для поисковых и RAG-систем. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.