I.11Классификация, ранжирование и сопоставление

Jaume/gemma-2b-embeddings — модель Sentence Transformer на архитектуре Gemma, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерностью 2048. В репозитории указано 2,5 млрд параметров; модель использует усреднение токенных представлений и поддерживает последовательности длиной до 8192 токенов. Векторы можно сравнивать по косинусному сходству. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Она принимает текст и возвращает эмбеддинги; в метаданных также указана задача sentence similarity. Сведения о лицензии в предоставленных материалах отсутствуют.

Карточка модели Gidigi/gidigi_79c07173_0003 на Hugging Face совпадает с карточкой HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v1.5, поэтому описание составлено по ней. KaLM-embedding-multilingual-mini-instruct-v1.5 — многоязычная модель для создания текстовых эмбеддингов, разработанная командой HIT-TMG и опубликованная HITsz-TMG. Она основана на Qwen2-0.5B и обучена с использованием масштабного слабонаблюдаемого предварительного обучения и контролируемой тонкой настройки. Модель содержит 494 млн параметров, использует архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Модель предназначена для получения векторных представлений предложений и текстов, поиска семантически близких фрагментов и сравнения сходства между текстами. Метаданные указывают поддержку задач извлечения признаков и сравнения предложений; карточка приводит оценки на наборах MTEB и C-MTEB. Модель распространяется в формате safetensors по лицензии MIT. Для работы с Qwen2 в README рекомендуется Transformers версии 4.37.0 или новее. Языки, конкретные ограничения качества и сведения о том, какие именно языки охвачены обучением, в предоставленных данных не перечислены.

GeorgeCU/Giga-Embeddings-instruct-480M-0826-ft — дообученная модель текстовых эмбеддингов, созданная на основе ai-sage/Giga-Embeddings-instruct-480M-0826. Она предназначена для преобразования текстов в векторы, которые можно применять для семантического поиска, сравнения сходства предложений, классификации и кластеризации. Модель использует плотную двунаправленную архитектуру Qwen3 и библиотеку Sentence Transformers. В ней около 483,7 млн параметров, она принимает текст с контекстом до 8192 токенов и выдаёт эмбеддинги. В карточке указан русский язык; базовая модель описана как двуязычная, но второй язык для этой версии отдельно не подтверждён. Для загрузки в Sentence Transformers README показывает параметр trust_remote_code=True и нормализацию эмбеддингов. Модель распространяется по лицензии other; конкретные условия лицензии в предоставленных данных не раскрыты.

Gist — разработанная desert-ant-labs компактная мультиязычная модель для присвоения тем и тегов публикациям и статьям. Она классифицирует текст по фиксированной таксономии из 36 тем и рассчитана на локальный запуск на устройстве: использует статические эмбеддинги и хешированные n-граммы без трансформера во время инференса. Мультиязычная сборка занимает 74 МБ; доступны форматы Core ML и LiteRT/TFLite. Модель принимает заголовок, публикацию или краткое описание и выдаёт вероятности по 36 темам. Она предназначена для многометочной классификации: для одного материала обычно выбирают несколько тем, а оценки можно агрегировать по ленте или каналу. Темы сопоставлены с IAB Content Taxonomy 2.2 и категориями Apple Podcasts. Заявлена поддержка 101 языка; отдельная английская сборка на 15 МБ ограничена английским текстом и латинским письмом. В проверке на 572 размеченных публикациях модель показала 88% точности попадания в топ-3 на выборочной проверке 15 языков; README сообщает о recall@3 на уровне лучших небольших моделей. Лучше всего она подходит для коротких текстов. Лицензия указана в метаданных как other, конкретные условия в доступной карточке не приведены.

GLiClass Base v3.0 — компактная модель классификации последовательностей от Knowledgator. Она предназначена для классификации текста без дополнительного обучения: пользователь задаёт возможные метки, а модель оценивает текст по ним. В README также указаны анализ тональности и повторное ранжирование результатов в RAG-системах как сценарии применения. Модель построена на архитектуре GLiClass и выполняет классификацию за один прямой проход, что, согласно карточке, делает её вычислительно эффективнее cross-encoder-подхода. Версия Base содержит 384M LoRA-параметров; при дообучении на логических задачах использовались LoRA-адаптеры. В опубликованных тестах приведены результаты нулевого обучения на нескольких наборах данных и скорость инференса для других вариантов GLiClass v3.0. Модель принимает текст и выдаёт оценки классов. Карточка не подтверждает конкретные поддерживаемые естественные языки и длину контекста. Лицензия — Apache-2.0. Результаты зависят от формулировки меток и задачи; в README приведены тесты лишь на части наборов данных, поэтому они не гарантируют качество для произвольных предметных областей.

GLiClass Qwen 0.5B v1.0 — компактная модель классификации последовательностей семейства GLiClass, представленная Knowledgator. Она выполняет классификацию без заранее заданного набора классов и подходит для определения тематики и тональности текста, а также для ранжирования результатов в RAG-сценариях. По карточке, модель использует подход LLM2Vec, преобразующий современный декодер в двунаправленный энкодер, и обрабатывает классификацию за один проход; автор заявляет более высокую вычислительную эффективность по сравнению с cross-encoder и расширенное контекстное окно. Модель обучена на синтетических данных; в метаданных указан датасет MoritzLaurer/synthetic_zeroshot_mixtral_v0.1. Карточка сообщает о сопоставимом с версией на DeBERTa качестве в zero-shot-режиме и сильных результатах в few-shot-режиме, но не приводит конкретных метрик. Доступны веса в форматах Safetensors и ONNX; лицензия Apache-2.0 допускает коммерческое применение. Карточка описывает поддержку английского языка.

GLiClass Small v1.0-lw — компактная модель семейства GLiClass для классификации текста без примеров, разработанная авторами проекта GLiClass. Она обрабатывает текст и заданные пользователем метки за один проход модели; вариант lw использует выбор признаков на разных слоях для учёта языковых признаков разного уровня. В README указан размер 144 млн параметров для gliclass-small-v1.0; метаданные описывают архитектуру как GLiClassModel и содержат веса в форматах ONNX и safetensors. Модель подходит для тематической классификации, анализа тональности и оценки релевантности документов в RAG-сценариях. README приводит результаты zero-shot-бенчмарков для нескольких наборов данных и показывает, что качество зависит от задачи; на отдельных тестах результаты уступают более крупным вариантам GLiClass. Модель обучена на синтетических данных и заявлена как пригодная для коммерческого использования. Лицензия — Apache-2.0.

Модель stephanefschwarz/google-bert-MultipleNegativesRanking-InverseCosineSimilarity-loss — Sentence Transformer на архитектуре BERT, предназначенная для получения плотных векторных представлений предложений и абзацев. Она содержит 194,6 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов; для объединения токенов используется усреднение. Модель обучали на 10 000 примерах с парами предложений и оценками сходства, применяя CosineSimilarityLoss с функцией MSE. Эмбеддинги можно использовать для семантического сравнения текстов, поиска близких по смыслу фрагментов, поиска парафраз, кластеризации и классификации текста. В карточке приведены также 11 618 примеров для оценки. Модель поддерживает работу через библиотеку Sentence Transformers; лицензия в предоставленных данных не указана.

GPC-1 — мультимодальный классификатор общего назначения, разработанный на основе Qwen3.5-35B-A3B и дообученный с помощью адаптера для структурированных предсказаний. Он принимает текстовые инструкции и изображения, а результаты формирует в соответствии с заданными метками, числовыми диапазонами или перечнем допустимых JSON-записей. Модель предназначена для классификации категорий с оценками вероятности, ограниченных числовых оценок и координат на изображении. Она подходит для маршрутизации документов, скоринга, визуальной разметки, оценки координат объектов и согласованных решений по нескольким связанным полям. Несколько числовых полей рассчитываются за один проход; выбор среди связанных вариантов ограничен записями, перечисленными в запросе. GPC-1 использует мультимодальную архитектуру mixture of experts семейства Qwen3.5 и поставляется вместе с соответствующим адаптером. Для числовых полей применяется конечная сетка из 101 позиции, поэтому оценки имеют ограниченное разрешение; полный скелет для координат ключевых точек не гарантируется. Для запуска требуется совместимое оборудование NVIDIA с достаточным объёмом памяти для модели BF16. Код GPC-1 распространяется по Apache-2.0; базовая модель сохраняет собственную лицензию и уведомления Qwen.

Watwat100/gpu1 — модель семейства MPNet на базе Sentence Transformers, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; размер модели составляет 136,7 млн параметров, а контекст — до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Она предназначена для получения текстовых эмбеддингов и сравнения семантической близости предложений и абзацев. Сведения о поддерживаемых языках и лицензии в предоставленных источниках отсутствуют.

GreenNode/GreenNode-Embedding-E5-Large-VN-V1 — sentence-transformers-модель на базе XLM-RoBERTa, созданная для преобразования предложений и абзацев в плотные векторы размерности 1024. Архитектура включает трансформер, pooling по CLS-токену и нормализацию; сходство векторов рекомендуется измерять косинусной близостью. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Метаданные указывают на поддержку задач извлечения признаков и оценки сходства предложений, но карточка не называет языки обучения или целевое языковое покрытие, поэтому в описании не предполагается конкретный язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

GritLM-7B — языковая модель ContextualAI, дообученная на основе Mistral-7B-v0.1 с помощью метода GRIT. Она объединяет генерацию текста и получение текстовых представлений: подходит для диалогов и задач, где нужны эмбеддинги или оценки релевантности. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекстное окно 32 768 токенов. Модель предназначена для использования как в генеративных сценариях, так и в задачах представления текста, включая поиск и ранжирование. В репозитории доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0.

parasail-ai/GritLM-7B-vllm — копия модели GritLM 7B от ContextualAI, в которой изменено имя архитектуры в конфигурации для упрощения использования с vLLM. GritLM — инструкционно дообученная языковая модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель объединяет генерацию текста и получение текстовых представлений (эмбеддингов), поэтому подходит для диалогов, генерации ответов и задач семантического поиска или классификации текста. В метаданных указаны теги для разговорного использования и датасет GritLM/tulu2. Репозиторий содержит веса PyTorch в формате safetensors и распространяется по лицензии Apache 2.0.

Карточка модели sucharush/gte_hard на Hugging Face совпадает с карточкой thenlper/gte-small, поэтому описание составлено по ней. gte-small — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Вариант small содержит около 40 млн параметров и принимает тексты длиной до 512 токенов; для более длинных текстов вход обрезается. Модель рассчитана на английский язык. Полученные эмбеддинги подходят для семантического поиска и сравнения предложений, а также могут использоваться в конвейерах поиска информации и ранжирования текстов. Модель можно применять, например, для поиска релевантных документов или оценки смыслового сходства запросов и фрагментов текста. Лицензия — MIT.

gte-large-en-v1.5 — англоязычная модель текстовых эмбеддингов, разработанная Institute for Intelligent Computing группы Alibaba. Она предназначена для поиска по смыслу, сопоставления предложений и длинных текстов, а также для задач извлечения информации, где требуется сравнивать текстовые представления. Модель построена на энкодерной архитектуре transformer++ на основе BERT с RoPE и GLU; содержит около 434 млн параметров, выдаёт векторы размерности 1024 и поддерживает контекст до 8192 токенов. В README приведены результаты оценки на MTEB и LoCo, включая сильные показатели для модели этого размера и конкурентные результаты на длинноконтекстном поиске. Модель обучалась с masked language modeling и контрастивным предварительным обучением и дообучением. Для работы с ней доступны веса safetensors и ONNX, библиотека Transformers. Лицензия — Apache-2.0. Модель ориентирована на английский язык; качество для других языков не заявлено.

gte-large-zh — модель текстовых эмбеддингов General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на больших наборах пар текстов, связанных по релевантности. Она предназначена для китайских текстов и преобразует их в векторы размерности 1024 для поиска и сравнения по смыслу. Модель подходит для информационного поиска, оценки семантического сходства и ранжирования текстов, а также может использоваться в классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов; более длинные тексты обрезаются. В тестировании на китайском бенчмарке CMTEB модель показала средний результат 66,72 по 35 наборам данных. Репозиторий содержит веса PyTorch и Safetensors, лицензия — MIT.

lemon-mint/gte-modernbert-base-code-3 — англоязычная модель Sentence Transformers, дообученная разработчиком lemon-mint на базе Alibaba-NLP/gte-modernbert-base на парах запросов и положительных примеров из набора Magpie-Qwen2.5-Coder-Pro-300K-Query-Positive-Pair. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска и сравнения текстов, в том числе запросов и материалов по программированию. Архитектура включает ModernBERT и пулинг CLS-токена; максимальная длина входа — 8192 токена, сходство можно оценивать косинусной мерой. Модель подходит для поиска релевантных фрагментов по запросам, ранжирования текстов по смысловой близости, кластеризации и поиска перефразирований; эмбеддинги также можно использовать как признаки для классификации. Основной язык — английский. Лицензия Apache-2.0. Ее векторное представление ориентировано на семантическое сопоставление, а не на генерацию текста; README не приводит количественных результатов оценки качества.

afanjul/gte-reranker-modernbert-base-mlx — англоязычный реранкер на базе ModernBERT-base, подготовленный afanjul и преобразованный из Alibaba-NLP/gte-reranker-modernbert-base в формат MLX. Модель оценивает релевантность текста для ранжирования, например при поиске или отборе результатов по запросу. Она построена на архитектуре ModernBERT и содержит 149 млн параметров; длина контекста составляет до 8192 токенов. Репозиторий содержит веса в формате safetensors, а README описывает использование через mlx-embeddings. Модель рассчитана на англоязычные задачи ранжирования текста. Лицензия — Apache-2.0. README указывает на конверсию в MLX, а метаданные связывают модель с дообучением answerdotai/ModernBERT-base; конкретная схема обучения реранкера не описана.

nlplabtdtu/gte-small — модель для получения векторных представлений предложений и абзацев. В README она описана как модель Sentence Transformers, отображающая текст в плотное пространство эмбеддингов размерностью 384; метаданные указывают архитектуру BERT и около 40 млн параметров. Модель предназначена для семантического поиска, сравнения смысловой близости текстов и кластеризации. Она принимает текст и выдаёт векторы, которые можно сопоставлять по косинусному сходству. Контекст модели — до 512 токенов. В README указано обучение с MultipleNegativesRankingLoss и косинусной функцией сходства. Карточка не сообщает, для каких языков модель обучена, поэтому языковую специализацию определить нельзя. Модель опубликована в формате PyTorch; отдельная лицензия в предоставленных данных не приведена.

Supabase/gte-small — англоязычная модель текстовых эмбеддингов семейства GTE, разработанного Alibaba DAMO Academy. Репозиторий Supabase содержит веса ONNX для Transformers.js; также доступны веса PyTorch. Модель основана на BERT, насчитывает около 40 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для получения векторных представлений текста, которые можно использовать для информационного поиска, сравнения семантической близости текстов и ранжирования результатов. Подходит для семантического поиска и вычисления сходства между короткими фразами и документами. Лицензия — MIT. Модель рассчитана только на английский язык. Длинные тексты усекаются до 512 токенов; векторные представления сами по себе не генерируют ответы.

ChristianAzinn/gte-small-gguf — это GGUF-версия модели текстовых эмбеддингов gte-small, разработанной Alibaba DAMO Academy и опубликованной thenlper. Репозиторий содержит варианты модели, преобразованные и квантованные ChristianAzinn для использования с llama.cpp и совместимыми приложениями. Модель основана на архитектуре BERT и предназначена для получения векторных представлений текста. Она подходит для информационного поиска, оценки семантического сходства, переранжирования результатов и других задач sentence embeddings. Заявлена поддержка английского языка и контекста до 512 токенов; модель работает только с текстовыми данными. Главное преимущество — небольшой размер файлов и возможность локального запуска, включая LM Studio. Доступны варианты квантования от 2 до 8 бит, а также FP16 и FP32; более сильное квантование уменьшает требования к памяти, но может заметно снижать качество. Для большинства сценариев рекомендуется сбалансированный вариант Q4_K_M или варианты с меньшими потерями качества. Использование поддерживается llama.cpp начиная с указанного в README коммита и LM Studio версии 0.2.19 или новее. Лицензия модели — MIT.

Hemg/gte-small-llama — дообученная Hemg на базе thenlper/gte-small модель Sentence Transformers для получения плотных текстовых эмбеддингов. Она кодирует предложения и абзацы в векторы размерности 384; архитектура включает BERT-трансформер, усреднение токенов и нормализацию векторов. Максимальная длина входа — 512 токенов, сходство текстов можно оценивать по косинусному сходству. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведены обучающие пары из 3 327 примеров и настройка обучения с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

Карточка модели Koat/gte-tiny на Hugging Face совпадает с карточкой TaylorAI/gte-tiny, поэтому описание составлено по ней. TaylorAI/gte-tiny — компактная модель эмбеддингов предложений на базе архитектуры BERT, представленная как sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, кластеризации и сравнения текстов. Модель дистиллирована из thenlper/gte-small; README сообщает о сопоставимом, немного более низком качестве при примерно вдвое меньшем размере. В метаданных указано 25,9 млн параметров и контекст до 512 токенов. Модель подходит для построения векторного поиска по документам, группировки похожих текстов и оценки семантической близости. Доступны веса PyTorch и safetensors, а также формат ONNX. Язык обучения или перечень поддерживаемых языков в предоставленных данных не указан, поэтому языковую специализацию определить нельзя. Условия лицензии в предоставленных данных не указаны.

GeniusVoice/gv-semanticsearch-dutch-cased — модель Sentence-Transformers на базе BERT, разработанная для преобразования предложений и абзацев в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. Обучение с MultipleNegativesRankingLoss и косинусным сходством направлено на получение векторов, полезных для ранжирования семантически близких текстов. По названию модель ориентирована на нидерландский язык с сохранением регистра. Её можно применять для поиска документов по смыслу, группировки похожих предложений и вычисления семантического сходства. Лицензия в предоставленных данных не указана.

osmanh/Harry_Potter_and_the_Sorcerers_Stone_en — модель sentence-transformers на базе BERT для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерности 384 и предназначена для поиска семантически близких фрагментов, кластеризации и сравнения текстов. Модель содержит 25,9 млн параметров, использует архитектуру BertModel и принимает контекст длиной до 512 токенов. При обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Название указывает на связь с английским текстом «Гарри Поттер и философский камень», однако карточка не уточняет языковой состав обучающих данных или условия лицензии.

HindSBERT — модель семейства BERT от L3Cube-Pune, дообученная на наборе данных NLI на основе l3cube-pune/hindi-bert-v2. Она преобразует предложения и абзацы на хинди в плотные векторы размерности 768 для оценки семантического сходства, поиска и кластеризации текстов. Модель использует архитектуру BERT, имеет 264,8 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения предложений и группировки похожих текстов на хинди. Доступна в формате PyTorch и лицензирована по CC BY 4.0. Для получения эмбеддингов через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов.

Это текстовый Cross Encoder для ранжирования пар «запрос — документ», обученный с помощью библиотеки Sentence Transformers. Модель построена на BERT с архитектурой BertForSequenceClassification и примерно 124,3 млн параметров; она выдаёт один показатель релевантности для каждой пары текстов. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога сообщают о контексте до 512 токенов. Модель предназначена для повторной сортировки результатов семантического поиска и оценки соответствия документов запросу. Её можно использовать как реранкер в поисковом конвейере: сначала получить кандидатов, затем упорядочить их по оценкам модели. В карточке указаны 4 536 обучающих примеров с запросами, документами и метками, а также обучение с LambdaLoss. Поддерживается текстовый ввод и выдаются оценки, поэтому для каталога подходят модальности text на входе и vector на выходе. Карточка не сообщает языки обучения или специализацию по предметной области. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не приведена.

IndicSBERT — модель семейства BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она основана на google/muril-base-cased и дообучена на наборе данных NLI для десяти основных индийских языков; поддерживает также английский и межъязыковое сравнение предложений. Модель создаёт векторные представления предложений для оценки их смыслового сходства и извлечения признаков. Размер составляет 264,8 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, сравнения предложений и задач, где требуется сопоставлять тексты на разных языках. Карточка описывает применение через Sentence-Transformers или Transformers с подходящей операцией pooling. Доступна по лицензии CC BY 4.0, требующей указания авторства. README отмечает, что отдельная дообученная версия для сходства предложений опубликована отдельно.

yahyaabd/indosbert-bps-custom-tokenizer — модель Sentence Transformer на архитектуре BERT, представленная в формате safetensors. Она преобразует предложения и абзацы в плотные векторы размерности 1024; среднее объединение токенов используется для получения представления текста, а сходство между векторами можно оценивать косинусной мерой. Модель рассчитана на последовательности до 512 токенов. Её можно применять для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Метаданные указывают 434 млн параметров и библиотеку Sentence Transformers. В README обучение модели описано в общих чертах, без сведений о разработчике или обучающих данных. Лицензия в предоставленных сведениях не указана.

KnutJaegersberg/infoxlm-large-sentence-embeddings — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 1024. Она основана на XLM-RoBERTa и предназначена для поиска семантически близких текстов, кластеризации и семантического поиска. В обучении использовалась функция TripletLoss с евклидовой метрикой расстояния. Модель содержит 658,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. В карточке указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не приведена.