I.11Классификация, ранжирование и сопоставление

Abiray/harrier-oss-v1-27b-GGUF — это GGUF-квантизированные версии модели эмбеддингов microsoft/harrier-oss-v1-27b, разработанные для генерации текстовых представлений и семантических векторов. Модель предназначена для задач семантического поиска, сопоставления текстов, кластеризации, классификации и других сценариев, где требуется преобразование текста в embedding-векторы. Запуск ориентирован на стандартное потребительское оборудование и CPU с использованием совместимых инструментов, включая llama.cpp. Модель содержит 27 миллиардов параметров. Доступны варианты квантизации с разрядностью 4, 5, 6 и 8 бит: Q4_K_M, Q5_K_M, Q6_K и Q8_0. Восьмибитная версия обеспечивает наиболее высокое качество и близка к FP16, а четырёхбитная имеет наименьший размер — около 16,6 ГБ — и рассчитана на запуск на системах с 24–32 ГБ оперативной памяти. С README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура, набор обучающих данных, численные показатели качества или лицензия. Сильными сторонами являются возможность локального запуска крупной embedding-модели на CPU и выбор между несколькими вариантами размера и качества. К ограничениям относятся значительные требования к памяти, особенно для старших вариантов квантизации, а также потенциальное снижение качества в более компактных версиях. Условия лицензирования в предоставленных данных не указаны.

Это модель Sentence Transformer, дообученная на базе nlpai-lab/KURE-v1 с помощью MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализует их и рассчитана на сравнение косинусным сходством. Модель построена на XLM-RoBERTa; максимальная длина последовательности в README — 256 токенов, а метаданные указывают нативное контекстное окно 8194 токена. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Карточка сообщает о 57 обучающих примерах, поэтому качество на новых данных может быть ограничено и требует проверки на целевом наборе. Лицензия в предоставленных данных не указана.

HydroEmbed/HydroEmbed-OpenQA-MiniLM-DualLoss — англоязычный Sentence Transformer, дообученный разработчиком HydroEmbed на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления и поиска связанных текстов. Модель использует энкодер BERT с усреднением токенных представлений и нормализацией; она преобразует предложения и абзацы в плотные векторы размерности 384. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. В README приведены англоязычные пары вопросов и ответов по тематике водных ресурсов и окружающей среды, однако специализация модели на этой области не заявлена. Указаны потери CosineSimilarityLoss и MultipleNegativesRankingLoss. Лицензия в предоставленных данных не приведена.

jesspi/IFE-sentence-model2 — модель на архитектуре MPNet, опубликованная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления; максимальный контекст составляет 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Доступны веса PyTorch и использование через Sentence Transformers либо Transformers с соответствующей операцией pooling. Карточка не приводит сведения о лицензии и целевых языках, поэтому нельзя определить условия распространения или выделить основной язык.

aloobun разработал эту Sentence Transformer на основе aloobun/d-mxbai-L8-embed, дообучив её для работы с несколькими индийскими языками. Модель на базе BERT преобразует предложения и абзацы в плотные векторы размерностью 1024; сходство между текстами можно оценивать по косинусному сходству. В README указана максимальная длина последовательности 128 токенов, а в метаданных — 512 токенов; это расхождение требует проверки при настройке обработки длинных текстов. Модель предназначена для поиска по смыслу и сопоставления текстов на английском и бенгальском, гуджаратском, хинди, каннада, малаялам, маратхи, тамильском и телугу. Её можно применять для поиска семантически близких предложений, оценки сходства, поиска перефразирований, кластеризации и классификации текстов. Репозиторий распространяется по лицензии Apache-2.0. В README приведены результаты оценки для языковых пар с английским; показатели сходства заметно различаются между языками и в некоторых случаях низкие или отрицательные. Поэтому качество следует проверять на данных и сценариях конкретного применения; модель не генерирует текст, а возвращает векторы для последующей обработки.

IndicSBERT-Matryoshka — дообученная модель семейства BERT для получения векторных представлений предложений на 11 основных индийских языках. Она разработана для использования с Sentence Transformers и обучена с MatryoshkaLoss на основе CoSENTLoss: модель оптимизирует эмбеддинги полной размерности и усечённые представления размером 512, 256, 128 и 64, что позволяет выбирать компромисс между размером вектора и качеством для конкретного сценария. В метаданных указаны 264,8 млн параметров и контекст до 512 токенов. Модель подходит для сравнения семантической близости предложений и построения эмбеддингов для поиска по смыслу, кластеризации и группировки текстов. README указывает на дообучение на 11 индийских языках, а метаданные перечисляют языковые коды en, mr, or, te, ta, ml, pa, hi, gu, kn, bn и as; основной язык среди них не выделен. Модель распространяется по лицензии CC BY 4.0.

Indonesia Islamic Sentence-BERT — модель Sentence Transformers, дообученная автором ramadita на firqaaa/indo-sentence-bert-large. Она преобразует предложения и абзацы на индонезийском языке в плотные векторы размерностью 2048 для поиска по смыслу, сравнения сходства предложений, поиска перефразировок, классификации и кластеризации текста. Архитектура основана на BERT с пуллингом CLS- и средних токеновых представлений; максимальная длина входа — 512 токенов. Для сравнения векторов рекомендуется косинусное сходство. Модель рассчитана на индонезийский язык и опубликована в форматах safetensors и ONNX. В README приведены результаты TripletEvaluator на dev и test наборах, однако метрики зависят от этих данных. Лицензия — Apache-2.0.

naufalihsan/indonesian-sbert-large — модель на базе BERT, представленная как sentence-transformers-модель. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения текстов и кластеризации. Обучение с CosineSimilarityLoss ориентировано на сходство предложений; модель также подходит для построения текстовых эмбеддингов. Модель содержит около 433,9 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В карточке указано назначение для индонезийского языка. Доступны веса в формате PyTorch; для использования описаны библиотеки Sentence-Transformers и Transformers. Лицензия в предоставленных данных не указана.

InRanker-3B — модель-реранкер на базе архитектуры T5, разработанная авторами проекта InRanker. Это версия monoT5, дистиллированная из monoT5-3B с целью повысить эффективность ранжирования в сценариях, отличающихся от обучающих данных. Модель оценивает релевантность найденных текстовых фрагментов запросу и помогает упорядочить результаты поиска. Обучение включало два этапа дистилляции: на существующих мягких метках учителя и на мягких метках для синтетических запросов, созданных большой языковой моделью. Репозиторий содержит веса PyTorch; в метаданных указаны 385,2 млн параметров, контекст 512 токенов и английский язык. Лицензия в предоставленных данных не указана.

hku-nlp/instructor-base — универсальная модель эмбеддингов на архитектуре T5, разработанная командой HKU NLP. Она преобразует текстовые фрагменты, включая заголовки, предложения и документы, в векторы фиксированной длины без дополнительного обучения. Инструкции на входе позволяют настраивать представления под предметную область, например науку или финансы, и под задачу, например классификацию или информационный поиск. Модель предназначена для построения текстовых эмбеддингов и вычисления сходства между предложениями или группами текстов. Она имеет 123,8 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. Доступна в формате PyTorch и по лицензии Apache-2.0. Карточка описывает простой сценарий использования через библиотеку sentence-transformers; специализированные результаты зависят от инструкций, заданных при формировании эмбеддингов.

Instructor-base — текстовая модель эмбеддингов, разработанная исследователями HKUNLP. Это дообученная на инструкциях модель на базе T5, содержащая 123,8 млн параметров и принимающая текстовые запросы длиной до 512 токенов. Инструкция к задаче позволяет настраивать представления текста без дополнительного дообучения модели. Модель предназначена для получения эмбеддингов с учётом задачи и области применения: поиска и извлечения информации, сравнения смысловой близости предложений, кластеризации и оценки текста. Её можно применять для текстов из разных областей, включая науку и финансы; карточка указывает поддержку английского языка. В README сообщается о высоких результатах на разнообразных задачах эмбеддингов, но конкретные сравнительные результаты здесь не приведены. Модель выдаёт текстовые векторы и оценки смысловой близости. Для работы авторы предлагают специализированную библиотеку sentence-transformers. Распространяется по лицензии Apache-2.0.

Instructor-large — модель текстовых эмбеддингов, разработанная исследовательской группой HKUNLP и дообученная следовать инструкциям для получения векторов, настроенных под задачу и предметную область. Задачу задают текстовой инструкцией при кодировании, без отдельного дообучения под каждый сценарий. Модель основана на T5 Encoder и содержит 385,2 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска и извлечения информации, классификации, кластеризации, оценки текста и сравнения сходства предложений. Инструкции могут задавать область, например науку, финансы или медицину, и цель представления текста. В README заявлены высокие результаты на разнообразных задачах бенчмарка MTEB. Модель принимает текст и выдаёт эмбеддинги; для работы с ней авторы рекомендуют библиотеку InstructorEmbedding на базе Sentence Transformers. Модель поддерживает английский язык. Лицензия — Apache-2.0. Контекст ограничен 512 токенами, а заявленные результаты бенчмарка не гарантируют качество для каждой пользовательской задачи; инструкцию и применение следует подбирать и оценивать отдельно.

Internal-LinkLM — модель Nayon Ahmed для оценки релевантности пары «запрос — документ» и ранжирования кандидатов. Это дообученный на основе BAAI/bge-reranker-large cross-encoder с архитектурой XLM-RoBERTa и классификационной головой; в репозитории указано 658,7 млн параметров и контекст до 514 токенов. Модель предназначена для рекомендации внутренних ссылок, семантического поиска и переранжирования результатов информационного поиска. Модель принимает текстовый запрос и текст кандидата-документа, а выдаёт оценку релевантности для сортировки кандидатов. В README приведены результаты оценки: accuracy 0,8476, precision 0,6279 и recall 0,5841. Карточка указывает английский язык; модель распространяется по лицензии MIT.

Omerhan разработал Omerhan/intfloat-fine-tuned-14376-v4 — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-large-instruct для создания плотных текстовых эмбеддингов. Модель использует XLM-RoBERTa с усреднением токеновых представлений и нормализацией; размер эмбеддинга — 1024, максимальная длина последовательности — 512 токенов. Для сравнения векторов подходит косинусное сходство. Модель ориентирована на турецкий язык. Её можно применять для семантического поиска, сравнения предложений и документов, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на наборе json из 920 106 примеров с парами и отрицательными примерами; используются MatryoshkaLoss и MultipleNegativesRankingLoss. Модель распространяется по лицензии Apache-2.0.

DejanX13/ISO_embedding_1000 — модель на базе XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для сравнения семантической близости, семантического поиска и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит около 658,7 млн параметров и поддерживает контекст до 514 токенов. Репозиторий использует формат safetensors; для работы подходит библиотека sentence-transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых языках, поэтому модель можно описать как общую модель эмбеддингов текста. Такие эмбеддинги подходят для поиска похожих текстов и группировки предложений по смыслу. Качество на конкретных языках и доменах следует проверять на собственных данных: карточка не приводит результатов оценки. Лицензия в предоставленных данных не указана.

Bheri/ithasa-mmbert-gist — это дообученная авторами Bheri модель Sentence Transformers на базе jhu-clsp/mmBERT-base. Энкодер ModernBERT преобразует предложения и абзацы в плотные векторы размерностью 768; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на семантическое сравнение текстов и перенос смысла между английским и санскритом; в README приведена оценка на задаче перевода между этими языками. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога сообщают о нативном контексте базовой архитектуры в 8192 токена; практический предел этой версии в Sentence Transformers указан как 128. Чекпойнт содержит 306,9 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Japanese CLIP — контрастивная модель для сопоставления изображений и японского текста в общем пространстве эмбеддингов, разработанная Recruit Co., Ltd. Она использует визуальный энкодер CLIP-ViT-B-32 и текстовый энкодер Japanese RoBERTa-base и обучена на 128 млн пар изображений и текстов из японской части LAION2B-multi. Модель предназначена для поиска изображений по японскому запросу и текста по изображению, классификации изображений без дополнительного обучения по заданным текстовым меткам, а также извлечения признаков изображений и текста. Карточка описывает оценки на наборах для классификации и двунаправленного поиска изображение–текст; для ImageNet V2 и Food101 метки классов были переведены на японский. Модель ориентирована на японский язык и задачи сопоставления текста с изображениями. Лицензия — CC-BY-4.0; разработчик не гарантирует точность и полезность результатов и не несёт ответственности за ущерб, связанный с использованием модели.

JEB-4B — дообученная szybkie.ai модель принятия решений на базе плотной Qwen3.5-4B, предназначенная для классификации и выдачи вероятностей по заданным вариантам ответа. Вместо генерации текста она за один проход оценивает типизированные вопросы о состоянии или тексте: даёт ответ «да/нет», выбирает вариант или выставляет оценку по шкале. Несколько вопросов к одному состоянию обрабатываются параллельно с общим префиксом. Модель дообучена с целевой функцией для принятия решений: ограниченный softmax по токенам ответов обучался на мягких метках, полученных от учителя с 176 млрд параметров. Это помогает выдавать более калиброванные вероятности; в карточке приведены результаты на тестах классификации AG News, SST-2 и TREC. Модель принимает текст и выдаёт распределение вероятностей по предложенным вариантам. Заявленные языки — английский и польский; базовая Qwen3.5 также обладает мультимодальными возможностями, но README описывает сценарии JEB-4B как текстовые. Модель подходит для классификации, маршрутизации запросов и извлечения типизированных суждений в программных системах. Калибровка проверена на ограниченном наборе оценивания и может ухудшиться на других данных; перед использованием нужны проверка на целевом распределении и настройка порогов. Модель не предназначена для медицинских, юридических, финансовых или критичных для безопасности решений без независимой проверки и участия человека. Весы выпущены под Apache-2.0; код JEB — под MIT.

JevBerta — модель leobitz для классификации с нулевым обучением на структурированных задачах с переменным числом вариантов ответа. Она принимает контекст, запрос и список вариантов, а для интерфейса JEV сопоставляет состояние с контекстом, инструкции — с запросом, а критерии — с вариантами. Для каждого варианта формируется пара текстов, которую обрабатывает Transformer-энкодер на базе microsoft/deberta-v3-base; затем блоки внимания по набору вариантов учитывают их взаимосвязь, а MLP выдаёт нормированные вероятности. Размер модели в README указан как 198 млн параметров. В приведённом снимке точность составляет 0,854 на validation и 0,627 на ood_eval; результаты зависят от набора данных и не гарантируют качество на конкретной задаче. Модель предназначена для выбора среди заданных кандидатов, а не для свободной генерации ответов. Лицензия — MIT.

JevK5-9B v0.3.3 — это открытая модель весом 7,2 млрд параметров, разработанная авторами JevK5 как независимая альтернатива Jev для принятия типизированных решений. Она дообучена на Qwen/Qwen3.5-9B: LoRA-адаптер ранга 16 для проекций внимания объединён с базовыми весами. Для работы с вероятностями вариантов используется протокол SemIf: модель оценивает все варианты за один проход без генерации токенов. Поддерживаются вопросы да/нет, выбор из вариантов и числовая оценка; для вопросов более чем с 16 вариантами применяются несколько проходов. Модель предназначена для классификации состояний и запросов по заданным критериям, маршрутизации обращений, оценки решений и других задач, где нужно получить вероятности по заранее заданным вариантам. В README сообщается о результатах проверок на отложенных наборах, включая тесты с вопросами из областей, не встречавшихся при обучении; качество и калибровка различаются между наборами, а сложная категория JevBench калибруется хуже, чем у версии на 4 млрд параметров. Для инференса авторы рекомендуют JevK5 runtime; для bf16 требуется CUDA GPU примерно с 19 ГБ памяти. Лицензия — Apache-2.0.

Карточка модели tomaarsen/jina-clip-v2 на Hugging Face совпадает с карточкой jinaai/jina-clip-v2, поэтому описание составлено по ней. Jina CLIP v2 — модель мультимодальных эмбеддингов общего назначения, разработанная Jina AI. Она совместно обучает текстовый энкодер Jina-XLM-RoBERTa и визуальный энкодер EVA02-L14, чтобы представлять текст и изображения в общем векторном пространстве для поиска и сопоставления. Модель содержит около 0,9 млрд параметров: 561 млн в текстовом энкодере и 304 млн в визуальном. Она принимает текст длиной до 8192 токенов и изображения разрешением до 512 × 512 пикселей, формируя эмбеддинги размерностью до 1024; размер векторов можно сократить до 64 с помощью Matryoshka-представлений. Модель предназначена для мультиязычного поиска по изображениям и текстам, поиска похожих изображений и текстов, а также для извлечения признаков в мультимодальных приложениях. В README заявлена поддержка 89 языков для мультиязычного поиска изображений; метаданные перечисляют языковые коды лишь для части из них. По словам разработчиков, версия v2 улучшает результаты v1 на 3% в задачах поиска текст-текст и текст-изображение. Модель доступна в форматах PyTorch, ONNX и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с обязательной атрибуцией, но исключает коммерческое применение.

jina-embeddings-v2-base-de-GGUF — это квантованная GGUF-версия модели jinaai/jina-embeddings-v2-base-de, разработанная Jina AI и квантованная Second State Inc. Модель предназначена для получения векторных представлений текста, которые можно использовать в семантическом поиске, сопоставлении документов, кластеризации и других задачах обработки естественного языка. Она рассчитана на работу через GaiaNet с шаблоном запроса embedding. Модель поддерживает немецкий и английский языки, имеет размерность эмбеддингов 768 и контекст до 8192 токенов. Формат GGUF и квантование выполнены с использованием llama.cpp b4273, что предназначено для более эффективного запуска при сохранении совместимости с соответствующей инфраструктурой. README не содержит подробностей о конкретном методе квантования, размере файла или показателях качества, поэтому производительность и компромисс между точностью и требованиями к ресурсам оценить нельзя. Модель распространяется по лицензии Apache-2.0. Для запуска и настройки предусмотрена инфраструктура GaiaNet; дополнительные сведения о требованиях к оборудованию и вариантах конфигурации в README не указаны.

jina-embeddings-v2-base-de-GGUF — GGUF-квантизированная версия модели jinaai/jina-embeddings-v2-base-de, разработанной Jina AI и подготовленной квантизатором Second State Inc. Это embedding-модель для преобразования текстов в векторные представления, пригодные для семантического поиска, сопоставления текстов и других задач, где требуется оценивать смысловую близость. В README указаны немецкий и английский языки. Модель поддерживает контекст до 8192 токенов и формирует embeddings размерностью 768. Доступны варианты квантизации от Q2_K до Q8_0, а также f16 в формате GGUF; размеры файлов составляют примерно от 82,5 до 323 МБ. Вариант Q4_K_M позиционируется как сбалансированный по качеству и размеру, тогда как Q2_K–Q4_0 могут заметно снижать качество. Более высокие разрядности уменьшают потери качества, но требуют больше памяти. Модель предназначена для локального запуска через совместимые инструменты, включая LlamaEdge; README приводит конфигурацию с контекстом 8192 и embedding prompt template. Архитектура базовой модели, объём параметров и точные показатели качества в предоставленных данных не указаны. Распространение осуществляется по лицензии Apache-2.0.

jina-embeddings-v5-omni-small-clustering — мультимодальная модель эмбеддингов от Jina AI, созданная на базе jinaai/jina-embeddings-v5-omni-small. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, согласованного с текстовой моделью jinaai/jina-embeddings-v5-text-small-clustering. Вариант настроен для кластеризации; размер модели — около 1,56 млрд параметров, размерность эмбеддинга — 1024. Модель подходит для группировки и сравнения мультимодальных данных, а также для поиска, где документы индексируются текстом, а запросы поступают в виде текста, изображения, видео или аудио. Видео представляется последовательностью кадров; звуковая дорожка видео автоматически не обрабатывается и для совместного кодирования должна передаваться отдельно. Для текстовых документов README рекомендует добавлять префикс «Document: ». Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

jina-embeddings-v5-text-nano-classification — компактная мультиязычная модель эмбеддингов, разработанная Jina AI для задач классификации текста. Она входит в семейство jina-embeddings-v5-text и создана на основе jinaai/jina-embeddings-v5-text-nano с применением дистилляции и контрастивного обучения, ориентированного на конкретную задачу. Модель содержит 239 млн параметров, поддерживает последовательности длиной до 8192 токенов и формирует эмбеддинги размерностью 768. Используется pooling по последнему токену; доступны матрёшечные размерности 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством, размером вектора и скоростью обработки. Модель предназначена прежде всего для классификации и может применяться в многоязычных сценариях анализа текста. Для работы доступны интеграции с sentence-transformers, vLLM и специальной веткой llama.cpp для формата GGUF; заявлена поддержка Transformers и Elastic Inference Service. Конкретный перечень языков и подробные результаты оценки в карточке не указаны. Модель распространяется по лицензии CC BY-NC 4.0, поэтому её использование ограничено некоммерческими целями.

jina-embeddings-v5-text-small-mlx — мультимодульная по задачам модель эмбеддингов Jina AI для Apple Silicon, основанная на Qwen3 и использующая четыре LoRA-адаптера для переключения задач. Репозиторий содержит базовые веса и адаптеры; при смене задачи адаптеры объединяются с весами на месте. Модель имеет 507,9 млн параметров, работает в float16 и создаёт векторы размерностью до 1024 с поддержкой Matryoshka-размеров 32, 64, 128, 256, 512, 768 и 1024. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска, сравнения текстов и группировки документов; метаданные указывают задачу feature-extraction. Карточка сообщает о высокой близости результатов к предварительно объединённым контрольным точкам и переключении адаптеров примерно за 20 мс. Установка описана через MLX, поэтому применение ориентировано на устройства Apple Silicon. Модель основана на jinaai/jina-embeddings-v5-text-small и распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

jina-embedding-t-en-v1 — компактная текстовая модель эмбеддингов, разработанная Jina AI совместно с командой Finetuner. Это плотная BERT-модель на 15,6 млн параметров, обученная на наборе Linnaeus-Clean из 380 млн пар предложений, включая пары запросов и документов. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости; также подходит для поиска и сопоставления запросов с документами. Модель ориентирована на английский язык и обрабатывает последовательности длиной до 512 токенов. В карточке приведены результаты сравнения с несколькими моделями на тестах сходства предложений и поиска, но не все значения таблицы доступны. Модель распространяется по лицензии Apache-2.0.

jina-reranker-v1-tiny-en — модель переранжирования текстов, разработанная Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Компактная модель содержит около 32,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Модель оценивает релевантность пар «запрос — документ» и помогает переставлять результаты поиска так, чтобы наиболее подходящие документы оказались выше. Её можно применять для поиска по коллекциям документов и отбора контекста для RAG-систем. Модель обучена методом дистилляции: более крупная модель выступала учителем, а tiny-версия рассчитана на быстрый вывод с некоторой уступкой в качестве ранжирования. Модель предназначена для англоязычных текстов. В репозитории доступны форматы PyTorch, Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0. Результаты бенчмарков в карточке показывают конкурентное качество, однако сама карточка отмечает, что tiny-версия ориентирована на скорость и уступает более крупной модели по точности.

Misbahuddin разработал компактную модель sentence-transformers на базе multilingual-e5-small для нормализации неоднородных названий профессий. Она сопоставляет входные названия с одной из 4 055 канонических профессий из таксономий ESCO и O*NET, создавая текстовые эмбеддинги для поиска и ранжирования. Модель содержит 124,3 млн параметров, использует архитектуру BERT с mean pooling и выдаёт векторы размерности 384; контекст ограничен 512 токенами, а обучение ориентировано на короткие названия до 64 токенов. Модель подходит для обработки названий должностей в резюме, вакансиях и системах CRM, ATS и HRIS, а также для межъязыкового поиска с французского и немецкого на английский. В README сообщается о тестировании на 15 248 названиях без пересечения профессий между обучающей и тестовой выборками; качество поиска выше, чем у BM25 и исходной e5-small на приведённых метриках. Для корректной работы нужны префиксы `query:` для входных названий и `passage:` для канонических меток. Модель выпущена под лицензией MIT. Покрытие ограничено профессиями ESCO и O*NET, а проверенные языки — английский, французский и немецкий. Она не предназначена для автоматического найма, отбора кандидатов или решений о компенсации; в таких сценариях необходим контроль человека.

Карточка модели kiel2/KielEmbed-Rerank на Hugging Face совпадает с карточкой kiel2/Kiel-Embed-2-Rerank, поэтому описание составлено по ней. Kiel-Embed-2-Rerank — кросс-энкодерный реранкер, дообученный на базе BAAI/bge-reranker-base с использованием библиотеки sentence-transformers. Модель совместно обрабатывает текстовый запрос и документ и выдаёт оценку их релевантности для повторного ранжирования результатов семантического поиска и многоэтапных retrieval-конвейеров, включая RAG. Модель построена на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает пары текстов, выдаёт скалярный логит или оценку релевантности и поддерживает последовательности длиной до 514 токенов по метаданным Hugging Face. Карточка приводит обучение на корпусе из 5 000 примеров с функцией потерь BinaryCrossEntropyLoss. Модель рассчитана на текстовые сценарии. В карточке не названы поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Небольшой обучающий корпус ограничивает основания для выводов о качестве на широком круге запросов и документов. Лицензия в предоставленных данных не указана.