I.11Классификация, ранжирование и сопоставление

bachngo/intf-e5-small-5t — модель Sentence Transformers на архитектуре BERT, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, сравнения текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; она подходит для поиска близких по смыслу фрагментов и группировки текстовых данных. Контекст ограничен 512 токенами, размер модели составляет 124,3 млн параметров. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformer на базе intfloat/multilingual-e5-large-instruct, дообученная FareedKhan на парах текстов. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024 для семантического поиска и сравнения текстов; сходство оценивается косинусной мерой. Модель построена на XLM-RoBERTa с усреднением токенных представлений и поддерживает последовательности до 512 токенов. Модель подходит для поиска релевантных документов по запросу, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Это дообученный чекпойнт с указанным в карточке набором из 1 814 обучающих примеров; в README приведены результаты оценки для одного набора данных. Лицензия в предоставленных данных не указана.

ahmedHamdi/IR-es-en-gemma — дообученная модель Sentence Transformers на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Архитектура включает Gemma3TextModel и усредняющий токены слой пулинга; число параметров — 302,8 млн. Максимальная длина последовательности в README составляет 256 токенов, а метаданные каталога указывают нативный контекст 2048 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, классификации и кластеризации текстов. README описывает дообучение на 2340 парах предложений с функцией потерь MultipleNegativesRankingLoss. Вход — текст, выход — эмбеддинги; данные не подтверждают конкретные поддерживаемые естественные языки. Репозиторий содержит веса в формате safetensors. Лицензия не приведена в предоставленных данных.

oshizo/japanese-e5-mistral-7b_slerp — объединённая модель эмбеддингов, созданная oshizo слиянием intfloat/e5-mistral-7b-instruct и stabilityai/japanese-stablelm-base-gamma-7b методом SLERP. Она предназначена для получения качественных представлений предложений и сравнения их семантического сходства, в частности для работы с японским текстом. Архитектура — плотная Mistral с 7,1 млрд параметров; максимальная длина контекста по метаданным — 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Модель подходит для поиска по смыслу, ранжирования и сопоставления японских предложений или текстовых фрагментов через их эмбеддинги. В README автор указывает, что при слиянии использовал больше японской базовой модели в слоях ближе к входу, чтобы сохранить понимание японского языка, и больше E5 в слоях ближе к выходу для получения эмбеддингов. Для примеров использования README направляет к карточке E5-Mistral-7B-Instruct и оценочному ноутбуку JapaneseEmbeddingEval.

JEV-27B — модель AutoTrust для быстрых классификационных решений и генерации текста. Она дообучена на базе Qwen/Qwen3.8-27B и объединяет два режима в одном наборе весов: System 1 выдаёт калиброванные вероятности для предложенных вариантов, а System 2 использует генерационную способность базовой модели для ответов и рассуждений. Для обслуживания обоих режимов автор рекомендует vLLM; решения можно запрашивать через HTTP-интерфейс. Модель рассчитана на выбор из заданных вариантов, ранжирование и классификацию по текстовому контексту, включая вопросы с большим числом вариантов. Заявлена поддержка контекста до 262 144 токенов; в README описаны тесты на длинных текстах и результаты на нескольких бенчмарках решений. Карточка указывает английский язык. Модель содержит 22,3 млрд параметров и распространяется в формате safetensors под лицензией Apache-2.0. Результаты бенчмарков и скорость приведены авторами модели и не гарантируют аналогичного качества на других данных. Для режима System 1 требуется использовать интерфейс решения и формат запроса, описанные в README; карточка не заявляет поддержку изображений для этой модели.

Jev-Style-2B-Decision-v3 — дообученная Chaoliang UNSW модель на базе Qwen/Qwen3.5-2B для принятия решений по заданным вариантам. Она принимает текстовое состояние или JSON и типизированные вопросы, затем за один проход выдаёт калиброванные вероятности для каждого предложенного варианта. Это текстовая плотная причинная модель Qwen3.5 с 1,7 млрд параметров и контекстом до 262 144 токенов; для совместимой локальной реализации README описывает общий бюджет входа 25 600 токенов. Модель ориентирована на классификацию, маршрутизацию запросов и оценивание вариантов, а не на свободный диалог: она не генерирует текст, не предлагает ответы за пределами заданных вариантов и не выполняет действия. В опубликованных тестах README сообщает 73,6% точности на JevBench v1.4.1 и указывает, что неуверенные решения следует передавать человеку или более крупной модели. Доступны веса в safetensors; лицензия Apache-2.0.

jinaai/jina-embedding-b-en-v1 — англоязычная модель эмбеддингов текста, разработанная Jina AI. Она предназначена для сопоставления предложений и поиска близких по смыслу текстов, включая пары запрос—документ. Модель обучалась на наборе Linnaeus-Clean из 380 миллионов пар предложений, собранных из разных областей и прошедших очистку; в метаданных также указан датасет jinaai/negation-dataset. Модель построена на архитектуре T5 Encoder, содержит 123,8 млн параметров и принимает последовательности длиной до 512 токенов. Она выдаёт текстовые эмбеддинги для семантического поиска, сравнения предложений и ранжирования кандидатов по близости смысла. Доступна в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Ограничение контекста в 512 токенов делает её менее подходящей для прямого кодирования длинных документов; назначение и языковые данные ориентированы на английский.

jinaai/jina-embeddings-v2-base-en — англоязычная модель эмбеддингов, разработанная Jina AI. Она предназначена для преобразования текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Модель построена на архитектуре JinaBERT с двунаправленным ALiBi и содержит около 136,7 млн параметров; заявленная длина последовательности — 8192 токена. Модель обучали на коллекции Jina AI из более чем 400 млн пар предложений и сложных негативных примеров. Она рассчитана на поиск по длинным документам, семантическое сходство, ранжирование, рекомендации и RAG. Для получения эмбеддингов README рекомендует применять mean pooling; модель также может выполнять заполнение масок и задачи классификации текста согласно каталожным метаданным. Лицензия — Apache-2.0. Для загрузки весов требуется авторизация из-за gated access; при использовании через Transformers необходимо включить trust_remote_code=True. Модель предназначена для английского текста, поэтому её не следует считать многоязычной.

jina-embeddings-v2-base-en-GGUF — англоязычная модель для создания векторных представлений текста. Оригинальная модель разработана jinaai, а GGUF-версии подготовлены Second State Inc. Модель предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство текстовых данных. Модель работает в режиме embedding, поддерживает контекст до 8192 токенов и формирует эмбеддинги размерностью 768. Распространяется в формате GGUF с вариантами квантования от Q2_K до Q8_0, а также в формате f16. Квантированные версии занимают примерно от 61,7 до 146 МБ, тогда как f16-версия — 274 МБ. Для запуска в README указан LlamaEdge версии v0.14.17. Основное преимущество модели — возможность локального запуска и выбор между компактностью и качеством через разные уровни квантования; версии Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые. При этом сильное квантование может приводить к существенной потере качества, особенно у вариантов Q2_K и Q3. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

Это дообученная модель Sentence Transformers на основе jinaai/jina-embeddings-v2-small-en. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для сравнения текстов по косинусному сходству. В архитектуре используется JinaBertModel с усреднением токенных представлений; модель рассчитана на английский язык и принимает последовательности длиной до 8192 токенов по метаданным Hugging Face. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, классификации текстов и кластеризации. Эмбеддинги можно применять для поиска по корпусам и построения RAG-систем. В README указан максимальный размер последовательности 2048 токенов, тогда как метаданные указывают нативный контекст 8192 токена; это расхождение следует учитывать при настройке. Модель опубликована borgcollectivegmbh и сохранена в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели yodayo-ai/jina-embeddings-v2-small-en-st на Hugging Face совпадает с карточкой jinaai/jina-embeddings-v2-small-en, поэтому описание составлено по ней. jina-embeddings-v2-small-en — англоязычная модель эмбеддингов, разработанная Jina AI. Она построена на архитектуре JinaBERT на базе BERT: энкодер предварительно обучен на C4, а затем модель дообучена на наборе Jina AI из более чем 400 миллионов пар предложений и сложных негативных примеров из разных областей. Модель преобразует текст в векторы для поиска по длинным документам, семантического сравнения текстов, ранжирования, рекомендаций и систем RAG. Контекст поддерживает до 8192 токенов благодаря двунаправленному варианту ALiBi; при обучении использовалась длина последовательности 512 токенов. Для получения эмбеддинга предложения или фрагмента текста README рекомендует применять mean pooling. Размер модели — около 32,4 млн параметров по метаданным. Компактный размер обеспечивает быстрое и экономное по памяти получение эмбеддингов. Модель предназначена для английского языка и не является мультиязычной. Для работы через Transformers может потребоваться параметр trust_remote_code=True; модель доступна в форматах PyTorch, Safetensors, ONNX и Core ML. Лицензия — Apache-2.0.

CISCai — модель Model2Vec, дистиллированная из jinaai/jina-embeddings-v3 с применением LoRA-адаптера для задачи separation. Она создаёт статические текстовые эмбеддинги: при выводе усредняет векторы токенов, что позволяет выполнять кодирование значительно быстрее на CPU и GPU, чем у исходного Sentence Transformer. Модель предназначена для поиска по смыслу, сопоставления предложений и других сценариев, где важны низкие задержки или ограниченные вычислительные ресурсы. Модель использует подход Model2Vec: векторы словаря получают из Sentence Transformer, уменьшают их размерность с помощью PCA и взвешивают с помощью Zipf weighting. В метаданных заявлена поддержка контекста до 1 000 000 токенов, мультиязычность и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

jinaai/jina-embeddings-v5-omni-nano-classification — мультимодальная модель эмбеддингов Jina AI, дообученная для задач классификации на базе jinaai/jina-embeddings-v5-omni-nano. Плотная архитектура LlavaEuroBertAudioForEmbedding принимает текст, изображения, видео и аудио и преобразует их в совместимые векторы размерности 768 в общем пространстве. В модели около 0,95 млрд параметров. Модель предназначена для классификации по эмбеддингам и мультимодального поиска: можно индексировать текст и искать в нём по изображениям, видео или аудио без повторной индексации. Видео представляется кадрами; звуковая дорожка автоматически не обрабатывается, её нужно передать отдельно. Для текстовых документов ожидается префикс «Document: ». Доступны веса safetensors и поддержка Transformers; карточка также описывает запуск через sentence-transformers и vLLM. Мультиязычная модель подходит для сопоставления и классификации контента разных модальностей в общем пространстве эмбеддингов. Лицензия CC-BY-NC-4.0 разрешает использование с ограничением на коммерческое применение.

jina-embeddings-v5-omni-small-classification — мультимодальная модель эмбеддингов от Jina AI, адаптированная для задач классификации. Она построена на архитектуре Qwen3-VL-Audio и принимает текст, изображения, видео и аудио, преобразуя их в векторы размерности 1024 в общем пространстве, совместимом с текстовыми моделями эмбеддингов Jina v5. Размер модели — около 1,56 млрд параметров. Модель предназначена для получения признаковых векторов, которые можно использовать в классификации, а также для индексирования и поиска по разным модальностям: например, индексировать текст и искать по изображению, видеокадрам или аудио без повторной индексации. Видео представляется кадрами; звуковая дорожка автоматически не учитывается и должна передаваться отдельно. Для текстового ввода используется префикс «Document: ». Модель поддерживает мультиязычный ввод; в README описаны способы запуска через Transformers, sentence-transformers и vLLM. Веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Для инференса требуются актуальные версии зависимостей; мультимодальные компоненты можно загружать выборочно для экономии памяти.

Это мультимодальная модель для создания эмбеддингов, опубликованная пользователем ewin-reg и основанная на jinaai/jina-embeddings-v5-omni-small-retrieval с архитектурой Qwen3-VL-Audio. Она предназначена для семантического поиска и сопоставления текста, изображений и аудио в общем векторном пространстве. Согласно README, размер эмбеддингов составляет 1024 измерения; заявлена поддержка сокращения векторов средствами MRL. Модель использует смешанную квантизацию INT4 и FP8 и поставляется в формате SafeTensors; в метаданных также указана библиотека Sentence Transformers. Модель подходит для межмодального поиска, сравнения аудиофрагментов и ранжирования соответствий, в том числе в системах с ограничениями по памяти. Она извлекает представления, но не предназначена для генерации свободного текста или синтеза аудио. README сообщает, что для тонкой настройки квантизированные веса нужно сначала деквантизировать в BF16 или FP16. Лицензия — Apache-2.0.

jinaai/jina-embeddings-v5-text-nano-mlx — MLX-сборка модели Jina AI для Apple Silicon: базовые веса jina-embeddings-v5-text-nano с четырьмя LoRA-адаптерами для переключения между задачами. Модель на архитектуре EuroBERT содержит 211,7 млн параметров; веса представлены в формате safetensors с точностью float16. README указывает размерность эмбеддингов 768 и максимальную длину последовательности 32 768 токенов, тогда как метаданные каталога задают нативный контекст 8 192 токена. Модель создаёт текстовые эмбеддинги для семантического поиска, сравнения текстов и кластеризации. README описывает динамическое переключение адаптеров и Matryoshka-размерности 32, 64, 128, 256, 512 и 768. По данным автора, сходство косинусных оценок с предварительно объединёнными чекпойнтами превышает 0,996. Заявленная оптимизация рассчитана на запуск через MLX на Apple Silicon. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. README перечисляет retrieval, text-matching и clustering; карточка также описывает модель как мультиязычную, но конкретные поддерживаемые языки в предоставленных данных не названы.

jina-embeddings-v5-text-small-classification — компактная мультиязычная модель эмбеддингов, разработанная Jina AI и предназначенная прежде всего для задач классификации текста. Она создана на базе jina-embeddings-v5-text-small с применением дистилляции и task-specific contrastive losses, что ориентировано на высокое качество при небольшом размере. Модель может использоваться для классификации документов, маршрутизации обращений, анализа отзывов и других сценариев, где текстовые представления подаются в последующий классификатор. Модель содержит 677 млн параметров, поддерживает последовательности длиной до 32 768 токенов и формирует эмбеддинги размерностью 1024. Используется pooling по последнему токену; доступны Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, позволяющие выбирать компромисс между качеством и затратами на хранение или вычисления. К сильным сторонам относятся компактность, мультиязычность, поддержка длинного контекста и оптимизация под классификационные задачи. README не приводит конкретный перечень языков и подробные количественные результаты бенчмарков, поэтому сравнение качества для отдельных языков и сценариев требует дополнительной проверки. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая запрет коммерческого применения.

Это порт модели эмбеддингов Jina AI v5 Text Small Clustering для Apple Silicon. Модель построена на архитектуре Qwen3-0.6B и использует предварительно объединённые адаптеры LoRA для задач кластеризации. Версия MLX предназначена для запуска на устройствах Apple Silicon с ускорением Metal. Модель кодирует поисковые запросы и документы или фрагменты текста в векторы размерностью до 1024. Поддерживается усечение эмбеддингов по схеме Matryoshka до 32, 64, 128, 256, 512, 768 или 1024 измерений. Максимальная длина последовательности — 32 768 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

jina-reranker-m0 — мультиязычная мультимодальная модель ранжирования от Jina AI. Она оценивает релевантность документов запросу и сортирует их по полученным оценкам. Модель построена на архитектуре vision-language модели Qwen2-VL-2B-Instruct, дообучена с помощью LoRA и использует дополнительную MLP-голову для выдачи оценок релевантности. В метаданных указаны 1,5 млрд параметров и контекст до 32 768 токенов; README сообщает о поддержке документов длиной до 10 тыс. токенов и изображений вплоть до разрешения 4K. Модель предназначена для поиска по визуально насыщенным документам: страницам с текстом, таблицами, графиками, инфографикой и сложной вёрсткой. Она также ранжирует текстовые документы, включая длинные тексты и результаты поиска по коду. README заявляет поддержку более 29 языков и перенос на новые предметные области без специальной донастройки. Вход включает текстовые запросы и текстовые или визуальные документы, выход — оценки и упорядоченный список документов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Размер параметров в README и метаданных различается: в README приведено 2,4 млрд, а в метаданных — 1,5 млрд.

jul-decision-e5-small — дообученная командой jul компактная модель на базе multilingual-e5-small для типизированных решений по тексту: выбора категории (Choice), ответа «да/нет» (Noul) и выставления оценки (Score). В репозитории есть два варианта весов: векторная модель кодирует текст и варианты ответа отдельно для сравнения, а cross-модель обрабатывает вопрос и текст совместно. Архитектура — BERT, 124,3 млн параметров, контекст до 512 токенов; модель рассчитана на английский и французский языки. Для классификации Choice входы векторного варианта используют префикс `query: `; модель можно запускать в облегчённой сборке ONNX с 8-битной квантизацией, опубликованной отдельно. Модель подходит для классификации текстов по заданным вариантам, бинарных решений и оценивания без размеченных примеров, а также для тонкой настройки на конкретную задачу при наличии меток. В README приведены результаты на классификации, определении тональности и оскорбительного содержания, перефразировании и выводе. Указаны слабые места: оценка срочности, распознавание вежливых, но серьёзных жалоб, различение предложений с одинаковыми словами в разном порядке и ответы на вопросы, требующие знаний. Лицензия — Apache-2.0.

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.

KaLM-embedding-multilingual-mini-v1 — мультиязычная модель эмбеддингов из серии KaLM-Embedding, разработанной командой HITsz-TMG. Она основана на Qwen/Qwen2-0.5B и обучена на больших объёмах слабой разметки с последующим контролируемым дообучением. Модель имеет плотную архитектуру Qwen2, содержит 494 млн параметров и поддерживает контекст до 131072 токенов. Модель предназначена для преобразования текста в векторы, поиска семантически похожих фраз и других задач, где требуется сравнивать смысл текстов. Подходит для многоязычного семантического поиска, ранжирования кандидатов по релевантности и построения векторного поиска. В карточке приведены оценки на наборах MTEB и C-MTEB; для работы с Qwen2 рекомендуется Transformers версии 4.37.0 или новее. Модель распространяется по лицензии MIT. В README не описаны конкретный перечень поддерживаемых языков и ограничения качества, поэтому область языковой поддержки и применимость к отдельным доменам следует оценивать на собственных данных.

KaLM-Reranker-V1-Nano — компактная модель-реранкер из семейства KaLM-Reranker-V1, разработанная командой KaLM-Embedding и дообученная на базе google/t5gemma-2-270m-270m. Она оценивает релевантность документов запросу и сортирует найденные кандидаты, например в поиске и RAG-системах. Архитектура encoder-decoder разделяет вычисления: энкодер заранее кодирует passages с помощью Matryoshka pooling, а декодер учитывает инструкцию и запрос; cross-attention сопоставляет их с представлениями документов. Nano содержит 0,27 млрд активируемых параметров и поддерживает контекст до 128 тысяч токенов по характеристикам серии; для варианта Nano в примере использования указаны ограничения длины запроса до 512 и документа до 1024 токенов. Модель рассчитана на эффективное ранжирование пар «запрос—документ» и интеграцию как CrossEncoder в Sentence Transformers. В README приведены конкурентные результаты серии на BEIR, MIRACL и LMEB, включая результаты Nano, сопоставимые с крупными embedding-моделями на LMEB. Карточка помечает модель как multilingual, однако авторы отмечают, что серия не обучалась на обширных многоязычных данных. Распространяется по лицензии Apache-2.0.

Kev-27B — модель принятия решений, разработанная Jared Palmer. Она обрабатывает один документ или другое текстовое состояние и набор типизированных вопросов с заданными вариантами ответа, а затем за один проход выдаёт вероятности для вариантов, наиболее вероятный ответ и оценку уверенности. Модель предназначена для классификации, маршрутизации и проверки документов, а также для сценариев, где уверенные случаи можно автоматизировать, а сомнительные отправлять на проверку человеку. Она поддерживает API TypeSafe System One и совместима с его SDK. В основе — плотная текстовая архитектура Qwen3.8-27B с 22,3 млрд параметров: причинный языковой backbone работает в режиме без генерации текста, а указательная голова оценивает заданные варианты. Все веса backbone дообучены; версия 2 получена усреднением полновесной тонкой настройки с версией 1. Модель рассчитана на английский язык и состояния до 65 536 токенов; для длинных входов требуется мощное оборудование, включая GPU класса 80 ГБ или Mac с достаточной памятью. Распространяется по лицензии Apache-2.0. Модель возвращает оценки только для переданных вариантов и не предназначена для свободной генерации, чата, суммаризации или открытых вопросов. На коротких состояниях версия 2 не превосходит v1, а на длинных контрактах может быть менее точной и чрезмерно уверенной; калибровку следует проверять на данных конкретного применения. Для решений с юридическими, медицинскими, финансовыми или иными серьёзными последствиями нужна проверка человеком.

Карточка модели abhinavsunil/kitchenelite-recipe-model на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели kkh975/klue-reberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Карточка модели bagger3025/klue-roberta-base-klue-sts на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Карточка модели cheasuar/klue-roberta-base-klue-sts на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Карточка модели donkizm/klue-roberta-base-klue-sts на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Карточка модели fenderi/klue-roberta-base-klue-sts на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.