I.11Классификация, ранжирование и сопоставление

Furiosa AI публикует эту версию Qwen3-Reranker-0.6B вместе с пакетом Furiosa Executable Bundle для запуска на ускорителях FuriosaAI RNGD через Furiosa-LLM. Модель построена на плотной трансформерной архитектуре Qwen3 и содержит около 507,6 млн параметров. Она принимает текстовый запрос и набор текстовых документов-кандидатов, оценивает релевантность каждой пары и выдаёт оценки для сортировки результатов. Модель предназначена для второго этапа поиска и конвейеров RAG: например, чтобы переупорядочивать найденные документы перед передачей языковой модели. Контекст составляет до 40 960 токенов. В репозитории указана точность BF16 без квантизации; для RNGD применяется распараллеливание по восьми PE на одной карте. Также заявлена совместимость с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0.

Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

Qwen3-Reranker-0.6B — плотная языковая модель для переранжирования текстовых кандидатов, разработанная командой Qwen. Это дообученная версия Qwen/Qwen3-0.6B-Base с 507,6 млн параметров; репозиторий содержит веса Safetensors. Модель оценивает релевантность пары «запрос — текст» и помогает сортировать найденные документы или другие текстовые результаты по соответствию запросу. Модель предназначена для улучшения поиска, включая многоязычный и межъязыковой поиск, поиск по коду и конвейеры RAG. Она поддерживает более 100 языков и контекст до 40 960 токенов по метаданным; README указывает 32K. Можно задавать инструкцию под конкретную задачу. По умолчанию применяется инструкция для поиска фрагментов по веб-запросу. Результат — оценка релевантности; сырые значения являются разностью логитов, а для получения значений в диапазоне 0–1 можно применить sigmoid. Модель принимает текстовые запросы и кандидаты и возвращает оценки, по которым их можно упорядочить. Для многоязычных сценариев авторы рекомендуют формулировать инструкции на английском; в retrieval-задачах отсутствие инструкции на запросе может снижать качество примерно на 1–5%. Лицензия — Apache-2.0.

QuantFactory/Qwen3-Reranker-0.6B-GGUF — квантизированная версия модели Qwen3-Reranker-0.6B, созданная QuantFactory с использованием llama.cpp на основе Qwen/Qwen3-0.6B-Base. Это текстовая reranking-модель для переоценки и сортировки найденных документов по их релевантности запросу, прежде всего в системах поиска, retrieval-augmented generation, вопросно-ответных приложениях, классификации и других сценариях работы с текстом. Модель содержит около 0,6 млрд параметров, имеет 28 слоёв и поддерживает контекст длиной до 32K токенов. Она рассчитана на работу более чем со 100 языками, включая различные языки программирования, и предназначена для многоязычного, кросс-языкового и поиска по коду. Модель поддерживает пользовательские инструкции, которые можно адаптировать под конкретную задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. К сильным сторонам относятся компактный размер, многоязычность, поддержка длинного контекста и возможность уточнять ранжирование с помощью инструкций. К ограничениям относятся специализация именно на переранжировании, необходимость совместного использования с этапом первичного поиска в типичной retrieval-системе и возможные особенности совместимости, связанные с квантизированным форматом GGUF и используемым программным обеспечением. Модель распространяется по лицензии Apache-2.0.

Qwen3-Reranker-0.6B-GGUF-llama_cpp — это GGUF-конверсия модели Qwen3-Reranker-0.6B, разработанной командой Qwen и подготовленной Voodisss для запуска через llama.cpp. Модель предназначена для переранжирования результатов поиска: она оценивает релевантность документов относительно запроса и может использоваться в семантическом поиске, retrieval-augmented generation (RAG), вопросно-ответных системах и дедупликации текстов. Модель относится к классу reranker и имеет размер 0,6 млрд параметров. Она работает с текстовыми запросами и документами, поддерживает специальную классификацию релевантности yes/no и рассчитана на использование через endpoint /v1/rerank в llama-server с настройками pooling rank и embedding. В примере конфигурации указан контекст до 32768 токенов. Сведения о поддерживаемых языках в README не приведены. Ключевое преимущество сборки — корректная конвертация специфичных для reranker компонентов, включая классификатор, метаданные ранжирования и chat template; благодаря этому она выдаёт осмысленные оценки релевантности, в отличие от некоторых GGUF-сборок, возвращающих некорректные значения. Для квантования Q4_K_M заявлено уменьшение размера примерно втрое по сравнению с F16 при потере качества около 0,3% на тесте MTEB AskUbuntuDupQuestions. Более низкие варианты Q4_0 и Q3_K_M снижают качество примерно на 2%, а Q2_K показывает существенную деградацию. Модель следует использовать именно через /v1/rerank, поскольку endpoint /v1/embeddings для reranker-моделей возвращает нулевые значения. Модель распространяется по лицензии Apache 2.0.

mlx-community/Qwen3-Reranker-0.6B-mxfp8 — преобразованная в формат MLX модель-реранкер сообщества mlx-community, полученная из Qwen/Qwen3-Reranker-0.6B с помощью mlx-embeddings 0.0.3. Она оценивает релевантность пары запроса и документа, чтобы ранжировать результаты поиска или выбрать наиболее подходящие фрагменты для системы RAG. Модель основана на плотной архитектуре Qwen3 с примерно 508 млн параметров и поддерживает контекст до 40 960 токенов. Репозиторий предназначен для запуска через mlx-embeddings. В метаданных указаны Apache-2.0 и формат safetensors. Исходная модель-реранкер Qwen3 преобразована в MLX; заявлено назначение для ранжирования текста.

DCC-BS/Qwen3-Reranker-4B-FP8-Dynamic — это динамически квантизованная версия модели Qwen/Qwen3-Reranker-4B, разработанной командой Qwen и подготовленной DCC-BS. Модель предназначена для переранжирования текстовых документов и пассажей: она оценивает релевантность документов запросу и может использоваться в поисковых системах, системах вопросно-ответного поиска и других конвейерах retrieval-augmented generation. Модель работает с текстовой модальностью и рассчитана на многоязычные сценарии; качество проверялось на корпусе Wikipedia в рамках MTEB для 16 языков, при этом в README приведены результаты для немецкого, английского и итальянского языков. Квантизация выполнена в формате FP8_DYNAMIC с использованием llm-compressor: веса представлены в статическом per-channel FP8, а активации масштабируются динамически для каждого токена во время инференса. Token embeddings и lm_head оставлены в формате bfloat16, чтобы сохранить точность оценки по логитам yes/no. Размер весов уменьшен с 7,49 до 4,83 ГиБ, примерно на 35%, что позволяет высвободить видеопамять под KV-кэш и обслуживать более длинный контекст на GPU с ограниченной памятью. В примере конфигурации vLLM используется максимальная длина контекста 32768 токенов, однако README не утверждает, что это предельный контекст самой базовой модели. По результатам проверки на WikipediaRerankingMultilingual среднее значение map_at_1000 практически не изменилось относительно версии bfloat16: 0,9674 против 0,9675, а ни один из проверенных языков не потерял более 0,0100. Модель предназначена для запуска через vLLM в формате compressed-tensors. Нативная FP8-арифметика поддерживается GPU Ada и Hopper с compute capability 8.9 и выше; на Ampere используется Marlin, при этом экономия памяти сохраняется, а скорость примерно не меняется. Лицензия в README не указана.

Карточка модели FeltWelsh/Qwen3-VL-Embedding-2B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Embedding-2B, поэтому описание составлено по ней. Qwen3-VL-Embedding-2B — мультимодальная модель эмбеддингов семейства Qwen от команды Qwen, дообученная на базе Qwen/Qwen3-VL-2B-Instruct. Она преобразует текст, изображения, скриншоты, видео и их сочетания в векторы общего семантического пространства для поиска, сопоставления и кластеризации мультимодального контента. Модель содержит 2 млрд параметров, поддерживает контекст до 32 тыс. токенов и выдаёт эмбеддинги размерностью от 64 до 2048 с настраиваемым размером; также поддерживаются инструкции для адаптации представлений к задаче. Модель предназначена для мультимодального поиска, включая поиск изображений и видео по текстовому запросу, сопоставление текста с визуальным содержимым и кластеризацию смешанных данных. Она поддерживает более 30 языков и может использоваться как первый этап поиска перед отдельной моделью-реранкером. Доступна по лицензии Apache-2.0. В README заявлены широкие возможности мультимодального поиска, но конкретные аппаратные требования и характеристики инференса в предоставленном фрагменте не приведены.

Карточка модели Wxs23/Qwen3-VL-Embedding-2B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Embedding-2B, поэтому описание составлено по ней. Qwen3-VL-Embedding-2B — мультимодальная модель эмбеддингов семейства Qwen от команды Qwen, дообученная на базе Qwen/Qwen3-VL-2B-Instruct. Она преобразует текст, изображения, скриншоты, видео и их сочетания в векторы общего семантического пространства для поиска, сопоставления и кластеризации мультимодального контента. Модель содержит 2 млрд параметров, поддерживает контекст до 32 тыс. токенов и выдаёт эмбеддинги размерностью от 64 до 2048 с настраиваемым размером; также поддерживаются инструкции для адаптации представлений к задаче. Модель предназначена для мультимодального поиска, включая поиск изображений и видео по текстовому запросу, сопоставление текста с визуальным содержимым и кластеризацию смешанных данных. Она поддерживает более 30 языков и может использоваться как первый этап поиска перед отдельной моделью-реранкером. Доступна по лицензии Apache-2.0. В README заявлены широкие возможности мультимодального поиска, но конкретные аппаратные требования и характеристики инференса в предоставленном фрагменте не приведены.

Карточка модели tomaarsen/Qwen3-VL-Embedding-8B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Embedding-8B, поэтому описание составлено по ней. Qwen3-VL-Embedding-8B — мультимодальная модель эмбеддингов семейства Qwen, разработанная командой Qwen и дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для поиска и сопоставления информации между текстом, изображениями, скриншотами и видео, а также для кластеризации мультимодального контента. Модель принимает отдельные модальности и их сочетания и кодирует их в общее векторное пространство. Модель содержит 8 млрд параметров, имеет архитектуру Qwen3-VL и контекст длиной до 32 тысяч токенов. Размерность эмбеддинга достигает 4096; поддерживаются настраиваемые размерности от 64 до 4096. Заявлена поддержка более 30 языков, а среди сценариев — мультимодальный и межъязыковой поиск, сопоставление текста с изображениями и видео и визуальный поиск по документам. Модель распространяется под лицензией Apache-2.0. Эмбеддинги подходят для первичного поиска и кластеризации; для уточнения порядка найденных результатов карточка рекомендует отдельную модель Qwen3-VL-Reranker. Для многоязычных сценариев README советует формулировать инструкции на английском, поскольку большинство инструкций при обучении были на этом языке.

Карточка модели abdebug2003/qwen3-vl-embedding-endpoint на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Embedding-8B, поэтому описание составлено по ней. Qwen3-VL-Embedding-8B — мультимодальная модель эмбеддингов семейства Qwen, разработанная командой Qwen и дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для поиска и сопоставления информации между текстом, изображениями, скриншотами и видео, а также для кластеризации мультимодального контента. Модель принимает отдельные модальности и их сочетания и кодирует их в общее векторное пространство. Модель содержит 8 млрд параметров, имеет архитектуру Qwen3-VL и контекст длиной до 32 тысяч токенов. Размерность эмбеддинга достигает 4096; поддерживаются настраиваемые размерности от 64 до 4096. Заявлена поддержка более 30 языков, а среди сценариев — мультимодальный и межъязыковой поиск, сопоставление текста с изображениями и видео и визуальный поиск по документам. Модель распространяется под лицензией Apache-2.0. Эмбеддинги подходят для первичного поиска и кластеризации; для уточнения порядка найденных результатов карточка рекомендует отдельную модель Qwen3-VL-Reranker. Для многоязычных сценариев README советует формулировать инструкции на английском, поскольку большинство инструкций при обучении были на этом языке.

Карточка модели ArchiveStudio/Qwen3-VL-Reranker-2B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Reranker-2B, поэтому описание составлено по ней. Qwen3-VL-Reranker-2B — мультимодальная модель ранжирования из семейства Qwen, созданная командой Qwen на базе Qwen/Qwen3-VL-2B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность; запрос и документ могут содержать текст, изображения, скриншоты, видео или сочетания этих данных. Модель рассчитана на уточнение результатов поиска после первичного отбора кандидатов, например в мультимодальных и межъязыковых поисковых системах. Модель использует плотную архитектуру Qwen3-VLForConditionalGeneration, содержит 2 млрд параметров и поддерживает контекст до 32 тыс. токенов. По карточке модели она поддерживает более 30 языков и настраиваемые инструкции для задачи ранжирования. В описанных авторами тестах модель показала результаты на наборах для мультимодального поиска, визуальных документов и видео; фактическое качество зависит от данных и сценария применения. Модель предназначена для этапа переранжирования и выдаёт оценку релевантности, а не готовый список результатов или векторные эмбеддинги. Для первого этапа поиска авторы предлагают сочетать её с моделью Qwen3-VL-Embedding. Лицензия — Apache-2.0.

Qwen3-VL-Reranker-2B — мультимодальная модель ранжирования из семейства Qwen, созданная командой Qwen на базе Qwen/Qwen3-VL-2B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность; запрос и документ могут содержать текст, изображения, скриншоты, видео или сочетания этих данных. Модель рассчитана на уточнение результатов поиска после первичного отбора кандидатов, например в мультимодальных и межъязыковых поисковых системах. Модель использует плотную архитектуру Qwen3-VLForConditionalGeneration, содержит 2 млрд параметров и поддерживает контекст до 32 тыс. токенов. По карточке модели она поддерживает более 30 языков и настраиваемые инструкции для задачи ранжирования. В описанных авторами тестах модель показала результаты на наборах для мультимодального поиска, визуальных документов и видео; фактическое качество зависит от данных и сценария применения. Модель предназначена для этапа переранжирования и выдаёт оценку релевантности, а не готовый список результатов или векторные эмбеддинги. Для первого этапа поиска авторы предлагают сочетать её с моделью Qwen3-VL-Embedding. Лицензия — Apache-2.0.

Qwen3-VL-Reranker-2B-5bit — версия мультимодального реранкера из семейства Qwen3-VL, опубликованная mlx-community для запуска в формате MLX. В README указано, что модель преобразована из Qwen/Qwen3-VL-Reranker-2B с помощью mlx-lm версии 0.1.0; метаданные связывают её с дообученной Qwen/Qwen3-VL-2B-Instruct и определяют основную задачу как text-ranking. Модель предназначена для переупорядочивания текстовых результатов поиска по релевантности запросу. Базовая модель поддерживает анализ изображений и видео, однако в данных этой карточки подтверждена только задача текстового ранжирования. Репозиторий содержит веса safetensors, а условия использования определяются лицензией Apache-2.0.

Карточка модели ArchiveStudio/Qwen3-VL-Reranker-8B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Reranker-8B, поэтому описание составлено по ней. Qwen3-VL-Reranker-8B — мультимодальная модель-реранкер семейства Qwen от Qwen, дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность, чтобы пересортировать результаты первичного поиска. Запрос и документ могут содержать текст, изображения, скриншоты, видео или их сочетания. Модель построена на плотной архитектуре Qwen3-VLForConditionalGeneration и содержит 8 млрд параметров. Заявлены контекст до 32 тыс. токенов и поддержка более 30 языков. Реранкер рассчитан на второй этап мультимодального поиска, включая поиск по изображениям, видео и визуальным документам; для первоначального отбора кандидатов его можно сочетать с моделью эмбеддингов Qwen3-VL-Embedding. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. README рекомендует задавать инструкции под конкретный сценарий и отмечает, что на мультиязычных сценариях инструкции предпочтительно формулировать по-английски. Описанные в карточке высокие результаты основаны на бенчмарках разработчиков; реальное качество зависит от данных и настройки поискового конвейера.

Карточка модели Schnappson/qwen-reranker-ai-act-1e-8pn-138q на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

YKYSpatz/ragproject — дообученная модель Sentence Transformers на базе BAAI/bge-small-en, разработанная автором репозитория YKYSpatz. Она кодирует предложения и абзацы в плотные текстовые векторы размерностью 384 для семантического поиска, сравнения сходства, поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с CLS-пулингом и нормализацией векторов; максимальная длина входа — 512 токенов, близость оценивается косинусным сходством. Модель предназначена для построения эмбеддингов и поиска по текстовым корпусам, в том числе в RAG-системах. Базовая модель BGE ориентирована на английский язык. Репозиторий указывает обучение на 254 450 примерах с TripletLoss и хранит веса в формате safetensors. Условия лицензирования в доступных данных не приведены.

Rank-Embed-1B — модель для получения плотных текстовых эмбеддингов, разработанная GorankLabs на основе google/gemma-3-1b-pt. Это биэнкодер с архитектурой Gemma 3 Text и примерно 1,24 млрд параметров: он кодирует запросы, документы и фрагменты текста в векторы, используя mean pooling по последним скрытым состояниям. Для запросов, документов и коротких фрагментов предусмотрены разные специальные префиксы. Модель предназначена для семантического и сложного поиска, извлечения релевантных документов, ранжирования, RAG, кластеризации и поиска дубликатов. Она ориентирована на эффективное применение в поисковых конвейерах; базовые метаданные указывают контекст до 32 768 токенов, тогда как README заявляет поддержку до 131 072 токенов. Лицензия — Apache-2.0. Rank-Embed-1B возвращает векторы, а не готовые ответы. Для загрузки используются пользовательские классы модели и токенизатора; README требует включить trust_remote_code=True и рекомендует предварительно проверить код репозитория перед развёртыванием. Заявленные качества поиска не сопровождаются в предоставленных материалах численными результатами оценки.

Wheatley961 опубликовал модель Sentence-Transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель использует PyTorch; в карточке указан контекст до 514 токенов. Модель подходит для построения семантического поиска, группировки похожих документов и вычисления сходства между фрагментами текста. В README описано обучение с CosineSimilarityLoss. Метаданные указывают задачи извлечения признаков и сравнения предложений; конкретные поддерживаемые естественные языки не перечислены. Лицензия в предоставленных данных не указана.

Это модель семейства Sentence Transformers на базе XLM-RoBERTa, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель содержит 305,2 млн параметров, принимает текст и выдаёт эмбеддинги. Контекст ограничен 514 токенами. В карточке указано обучение с функцией потерь CosineSimilarityLoss; данные README не позволяют установить конкретный обучающий датасет или заявить поддержку определённых языков. Доступны веса в формате PyTorch.

Модель Wheatley961/Raw_3_no_1_Test_3_new.model — модель Sentence-Transformers на базе XLM-RoBERTa, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Обучение с CosineSimilarityLoss указывает на настройку для задач сопоставления текстовых представлений. Модель содержит 305,2 млн параметров, принимает текст и выдаёт векторные представления. Максимальная длина контекста — 514 токенов. Для работы доступны веса PyTorch и библиотеки Sentence-Transformers либо Transformers с подходящей операцией pooling. Языки обучения или приоритетные языки в карточке не указаны.

Модель Sentence-Transformers на архитектуре XLM-RoBERTa преобразует предложения и абзацы в плотные векторы размерностью 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов; для получения эмбеддингов модель использует PyTorch и совместима с Sentence-Transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. Архитектура XLM-RoBERTa предполагает многоязычную обработку текста, однако README и метаданные не уточняют поддерживаемые языки этой конкретной модели. Лицензия в предоставленных данных не указана.

paraphrase-multilingual-MiniLM-L12-v2 — многоязычная модель семейства Sentence Transformers, экспортированная в формат ExecuTorch для библиотеки React Native ExecuTorch. В README разработчик экспортированного репозитория прямо не указан; исходная модель связана с организацией sentence-transformers, а базовый энкодер инициализирован из xlm-roberta-base. Модель предназначена для оценки семантического сходства предложений, поиска парафраз, кросс-языкового поиска и извлечения средних по длине текстовых запросов. Она принимает токены и формирует L2-нормированный вектор размерности 384. Архитектура включает 12-слойный 12-головый BERT-энкодер со скрытым размером 384, mean pooling по последнему скрытому состоянию и без дополнительной проекционной головы. Максимальная длина входа — 126 токенов, словарь содержит 250 037 SentencePiece-элементов, поддерживается более 50 языков. Модель ориентирована на работу на устройстве и доступна в вариантах для Core ML, Vulkan и XNNPACK с точностью fp16, fp32 и 8da4w. Сильная сторона модели — кросс-языковое сравнение предложений и ранжирование более длинных текстов; результаты обычно лучше для предложений и англоязычных входов. Слабее она работает с короткими однословными запросами на неанглийских языках. Файлы опубликованы для ExecuTorch v1.4.1, прямой совместимости с более старыми или будущими версиями не гарантируется. Репозиторий распространяется по лицензии Apache-2.0.

ichko/redis-langcache-v1-test — дообученная модель Sentence Transformers на базе redis/langcache-embed-v1 от Redis. Она использует ModernBERT с пуллингом CLS-токена и преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста, а также для других задач, где нужны векторные представления текстов. Лицензия в предоставленных данных не указана.

REmatch-BGE-Finetuned — англоязычная модель Sentence Transformer, дообученная kagikush на BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Модель построена на BERT и использует pooling по CLS-токену с нормализацией выходных векторов. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Для обучения применялись пары anchor, positive и negative с TripletLoss; на валидационном наборе rematch-validation указана cosine accuracy 0,9068. Лицензия в предоставленных данных не указана.

RenderRank-2B — модель переранжирования пар «запрос — документ», разработанная nlpai-lab на основе Qwen3-VL-Reranker-2B. Модель получает текстовый запрос и документ, оценивает их релевантность и возвращает оценку, по которой можно упорядочить результаты поиска. Параметры документа можно передать как текст, автоматически отрисовать в изображения или предоставить в виде готовых изображений страниц. Визуальное представление текста сжимает последовательность входных токенов и помогает вместить больше содержимого документа в доступный контекст. Поддерживаются многостраничные документы: страницы обрабатываются по порядку и получают общую оценку. Модель содержит 2 млрд параметров, использует архитектуру Qwen3-VL и распространяется в формате safetensors; для работы доступны интерфейсы Transformers и Sentence Transformers. В README приведены результаты оценки на наборах BEIR и длинных документах, однако они сами по себе не гарантируют качество на конкретной коллекции. Описание и обучающие данные ориентированы на английский язык; качество для других языков не подтверждено. Лицензия — Apache-2.0.

grocode87/replyability_model — модель на базе BERT, разработанная автором репозитория и опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 25,9 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель можно применять для поиска похожих фраз и документов, группировки текстов по смыслу и построения систем поиска на эмбеддингах. В карточке указано обучение с OnlineContrastiveLoss. Лицензия в предоставленных данных не указана.

RepresentLM-v1 — модель эмбеддингов предложений и абзацев, разработанная на базе StoriesLM-v1-1963. Она преобразует текст в плотные векторы размерностью 768 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель дообучена на наборе HEADLINES для семантического сходства; в метаданных также указан датасет AmericanStories. Подходит для поиска по смыслу и группировки текстов на английском языке. Распространяется по лицензии MIT.

Это англоязычная модель Cross Encoder, разработанная сообществом cross-encoder-testing и дообученная на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Она оценивает пары текстов и возвращает числовой балл релевантности, поэтому предназначена прежде всего для переранжирования результатов поиска, семантического сравнения текстов, поиска перефразировок, классификации текстовых пар и связанных задач. Модель имеет архитектуру Cross Encoder, один выходной label и поддерживает последовательности длиной до 512 токенов. Она работает с текстом на английском языке и применяется к двум текстам одновременно, что обычно позволяет учитывать их взаимное содержание, но требует отдельного вычисления для каждой пары и может быть менее производительной на больших объёмах, чем модели, кодирующие тексты независимо. В README не приведены размер модели, значения метрик или подробные результаты оценки; указано лишь, что обучение выполнялось с BinaryCrossEntropyLoss на данных GooAQ. Модель распространяется по лицензии Apache-2.0. Для использования рекомендуется библиотека Sentence Transformers; README содержит примеры получения оценок для пар текстов и ранжирования набора документов по запросу.

Это англоязычная модель Cross-Encoder, разработанная tomaarsen и дообученная на датасете MS MARCO от answerdotai/ModernBERT-base с помощью библиотеки sentence-transformers. Она совместно обрабатывает запрос и документ и выдаёт оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. Модель содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; результаты показывают улучшение метрик ранжирования относительно указанной в README базы сравнения. Модель распространяется по лицензии Apache-2.0.