I.11Классификация, ранжирование и сопоставление

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 tomaarsen/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.

LingoIITGN разработала qwen-indic-v1 — мультиязычную модель текстовых эмбеддингов для 22 официально запланированных индийских языков. Она дообучена методом LoRA на базе Qwen/Qwen3-Embedding-8B, после чего адаптер объединён с базовыми весами. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3, pooling последнего токена и L2-нормализацию; размер эмбеддинга — 4096, длина контекста — до 40 960 токенов. Модель предназначена для получения векторных представлений текста, семантического поиска, ранжирования и сравнения предложений на индийских языках. В оценке MTEB(Indic, v1) она показала средний результат 73,80 по 20 задачам. Для классификации и оценки семантического сходства предусмотрены соответствующие префиксы инструкций, применяемые через sentence-transformers. Качество может быть ниже для языков с малым объёмом обучающих данных, включая кашмири, манипури, бодо и сантали; кластеризация уступает современным лидерам MTEB(Indic). Модель наследует возможности и смещения базовой Qwen3-Embedding-8B. Для инференса в bf16 требуется около 16 ГБ VRAM. Лицензия — Apache 2.0.

Raon-VisionEncoder — мультимодальная модель извлечения признаков изображений и текста, разработанная KRAFTON. Она предназначена для получения признаковых представлений, которые можно использовать для классификации изображений без обучения на целевых классах и поиска соответствий между изображениями и текстовыми запросами. Модель содержит 1,14 млрд параметров и построена на архитектуре LocCa (Localized CoCa) с визуальным энкодером ViT-SO400M и текстовым энкодером. Поддерживает обработку изображений с сохранением исходного соотношения сторон с помощью NaFlex; размер патча составляет 16×16, стандартная конфигурация использует 256 патчей. Модель основана на OpenCLIP и распространяется в формате safetensors. Raon-VisionEncoder принимает изображения и текст и извлекает их признаки для сравнения и классификации. Карточка не сообщает лицензию и не приводит конкретных ограничений качества или набора поддерживаемых языков.

Wheatley961/Raw_3_no_0_Test_2_new.model — модель sentence-transformers на архитектуре XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска по смыслу и кластеризации. Обучение использовало CosineSimilarityLoss. Модель содержит 305,2 млн параметров, работает с текстом и поддерживает контекст длиной до 514 токенов. Карточка не уточняет обучающие языки и условия лицензии. Метаданные указывают формат PyTorch.

Модель ibm-research/re2g-reranker-trex разработана IBM и предназначена для повторного ранжирования найденных текстовых фрагментов по запросу или вопросу. Она помогает отбирать наиболее релевантные материалы из результатов первичного поиска и объединять выдачу разных систем, например BM25 и нейронного ретривера, чьи исходные оценки напрямую несопоставимы. Модель представляет собой BERT для классификации последовательностей, содержит 136,7 млн параметров и обрабатывает до 512 токенов. В карточке указана поддержка английского языка и базовая модель BERT-base, обученная на MS MARCO. Репозиторий содержит веса PyTorch. Реранкер можно применять в поисковых системах и RAG-конвейерах перед передачей найденных фрагментов генеративной модели. Лицензия Apache 2.0 разрешает использование и модификацию на её условиях. Модель оценивает релевантность пар запроса и фрагмента, но сама не выполняет генерацию ответов и наследует ограничение контекста в 512 токенов.

flax-sentence-embeddings/reddit_single-context_mpnet-base — англоязычная модель эмбеддингов предложений, разработанная участниками Community Week Hugging Face в проекте по обучению sentence embedding моделей. Она основана на mpnet-base и дообучена контрастивным методом на более чем 700 млн пар предложений из диалогов Reddit; для каждой реплики использовался первый контекстный ответ. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст длиной до 514 токенов по метаданным каталога. Модель кодирует входное предложение в вектор семантического содержания. Векторы подходят для поиска информации, кластеризации и вычисления сходства предложений, например для подбора релевантных фрагментов по запросу. README приводит ограничение длины последовательности в 128 токенов при обучении, поэтому качество на более длинных входах может быть ниже. В карточке указана лицензия Apache-2.0.

Rene-1 31B FP8 — плотная модель принятия решений Salfati Group на архитектуре Rene. Она за один проход читает текстовый документ вместе с набором заданных пользователем вопросов и возвращает вероятности для каждого варианта ответа; текст не генерируется. Поддерживаются вопросы «да/нет», выбор из вариантов и оценка по порядковой шкале. В README заявлены сбалансированный результат 64,18 на 37 из 40 бенчмарков Decision Index 0.2 и медианная ошибка калибровки 0,046 на этих бенчмарках. Модель предназначена для классификации, маршрутизации и приоритизации документов, а также для проверки нескольких критериев и присвоения оценок с оценкой уверенности. FP8-веса позволяют запускать её на одной видеокарте; пакетная обработка поддерживает до 64 запросов и 65 536 упакованных токенов. README не сообщает длину контекста. Ввод изображений обозначен как экспериментальный: модель обучалась только на тексте, а ответы по изображениям не оценивались. Модель не объясняет свои ответы, а её калибровка заметно слабее на отдельных бенчмарках; также не проверена чувствительность к порядку и названиям вариантов. Для использования требуется Transformers и пакет compressed-tensors. Лицензия — Apache-2.0. README рекомендует передавать trust_remote_code=True, предварительно изучив код репозитория и зафиксировав его ревизию.

Модель cross-encoder-testing/reranker-bert-tiny-gooaq-bce-tanh-v3 — это англоязычный Cross Encoder, разработанный на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Модель дообучена на данных GooAQ и предназначена для оценки пар текстов: она получает два фрагмента на вход и вычисляет один числовой балл их смыслового соответствия. Основные сценарии применения включают семантический поиск и переранжирование результатов, оценку текстового сходства, поиск перефразировок, классификацию текстов и другие задачи, где требуется сравнивать два текстовых фрагмента. Максимальная длина последовательности составляет 512 токенов, модель поддерживает один выходной лейбл и рассчитана на работу с английским языком. В метаданных указаны метрики MAP, MRR@10 и NDCG@10; размер базовой модели обозначен как BERT-tiny, однако точное число параметров не приведено. К сильным сторонам относятся компактность базовой архитектуры и возможность напрямую ранжировать пары запрос–документ или другие пары текстов. Как Cross Encoder, модель совместно анализирует оба текста, что может обеспечивать более точную оценку соответствия, но обычно требует отдельного вычисления для каждой пары и потому менее удобна для первичного поиска по большим коллекциям. README не приводит численных результатов оценки, подробностей о составе обучающей выборки или ограничений по доменам. Лицензия — Apache-2.0.

Это англоязычный кросс-энкодер kwondw на базе microsoft/MiniLM-L12-H384-uncased, дообученный на MS MARCO с помощью библиотеки sentence-transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их релевантности; архитектура — BertForSequenceClassification с одним выходным значением, размер — около 40 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для повторного ранжирования результатов поиска и семантического поиска: её можно применять для переоценки кандидатов, найденных первичным поиском, по соответствию запросу. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также NanoBEIR; фактическое качество зависит от данных и сценария применения. Модель принимает и выдаёт текстовые данные с оценками релевантности. Лицензия в предоставленных данных не указана. Модель обучена на английском языке и рассчитана на текстовые входы длиной до 512 токенов; результаты для других языков и длинных последовательностей не подтверждены.

kwondw/reranker-ModernBERT-base-gooaq-lambda — англоязычный кросс-энкодер, дообученный автором на базе answerdotai/ModernBERT-base с использованием Sentence Transformers и LambdaLoss. Модель принимает пары текстов и выдаёт оценку их релевантности для ранжирования результатов поиска; её можно использовать как второй этап после первичного поиска, а также для семантического поиска. Веса сохранены в формате safetensors, размер модели — 149 млн параметров, максимальная длина последовательности — 8192 токена. Модель обучена на наборе GooAQ из 95 939 примеров с вопросами, ответами и метками. В README приведены результаты переоценки для GooAQ и небольших наборов NanoBEIR: на GooAQ значение nDCG@10 составляет 0,7664, тогда как результаты на других наборах различаются. Это указывает на возможную зависимость качества от данных и сценария поиска; оценки из карточки не гарантируют аналогичной точности на пользовательских данных. Лицензия — Apache-2.0.

Это англоязычный Cross-Encoder, разработанный tomaarsen и дообученный на базе microsoft/MiniLM-L12-H384-uncased с библиотекой sentence-transformers и функцией потерь LambdaLoss. Модель оценивает пары запроса и документа одним числовым баллом, чтобы упорядочивать найденные документы по релевантности для семантического поиска и повторного ранжирования. Модель содержит около 40 млн параметров, принимает текстовые пары и поддерживает последовательности длиной до 512 токенов. В README приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также агрегированная оценка NanoBEIR. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

kwondw/reranker-msmarco-v1.1-MiniLM-L12-H384-uncased-lambdaloss-hard-neg — англоязычный Cross-Encoder, дообученный на базе microsoft/MiniLM-L12-H384-uncased с библиотекой Sentence Transformers. Модель совместно обрабатывает запрос и текст документа и выдаёт оценку релевантности для ранжирования результатов поиска. Её можно использовать для повторного ранжирования кандидатов и семантического поиска. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification, содержит около 40 млн параметров и принимает текстовые пары с максимальной длиной последовательности 512 токенов. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; результаты различаются между наборами, поэтому качество следует проверять на данных целевого поиска. Лицензия в предоставленных данных не указана.

robpasternak/retrieval-de-conloss — модель эмбеддингов предложений на базе XLM-RoBERTa, опубликованная на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель обучена с ContrastiveLoss на основе косинусного расстояния и доступна в формате PyTorch; заявленная длина контекста — 514 токенов. Модель подходит для поиска похожих фрагментов текста и группировки текстов по смыслу. В README не указаны конкретные языки обучающих данных, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных сведениях не указана.

RetroMAE-Small — компактная модель семейства BERT, разработанная Seznam.cz и предварительно обученная с целевой функцией RetroMAE на чешском веб-корпусе. Она предназначена для получения семантических представлений предложений и решения задач поиска по смыслу и оценки сходства текстов. Модель содержит 27,2 млн параметров и принимает текст с контекстом до 512 токенов. Её можно применять для поиска похожих предложений, извлечения релевантных документов, кластеризации и классификации чешских текстов. Лицензия — CC BY 4.0.

yjoonjang/reviewsearch-dense — текстовая модель Sentence Transformer для поиска и сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Модель построена на архитектуре Gemma 3 Text и содержит 302,8 млн параметров; максимальная длина последовательности — 2048 токенов. Модель обучена на данных reviewsearch и предназначена для извлечения релевантных документов по запросу. В README приведена оценка поиска на reviewsearch с cosine_accuracy@1 0,3588 и cosine_accuracy@10 0,775. Доступны файлы в форматах Safetensors и ONNX, использовать модель можно через библиотеку Sentence Transformers. Язык данных в карточке не установлен, поэтому языковую специализацию определить нельзя. Условия лицензии в предоставленных данных не указаны.

OpenJev (Verdict) — дообученная модель принятия решений на основе ModernBERT, опубликованная heman10x. Она оценивает текст и заданные кандидаты, выдавая выбор, порядковую оценку или вероятности классов за один проход без генерации текста. Модель рассчитана на структурированные программные сценарии, где нужны быстрые семантические суждения и оценка уверенности; предусмотрен отдельный вариант отказа при недостатке свидетельств. Модель построена на GLiClass/ModernBERT с 151 378 177 параметрами и поддерживает до 25 кандидатов за один вызов. Для калибровки использованы совместная функция потерь Cross-Entropy и Brier Score, а затем температурное масштабирование. Заявлены запуск через PyTorch и ONNX Runtime, а также локально в браузере с WebGPU/WASM. Лицензия — Apache-2.0. В README приведены результаты на тестовом наборе из 1 000 примеров с пятью кандидатами: точность Top-1 — 95%, Brier Score после калибровки — 0,0785. Эти показатели относятся к указанной оценке и не гарантируют качество на других данных; модель не предназначена для свободного диалога и генерации текста.

Это модель sentence-transformers, разработанная Netherlands Forensic Institute на основе RobBERT от KU Leuven и дообученная на переведённом на нидерландский языке наборе Paraphrase, включающем пары похожих текстов. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантического сходства. Модель предназначена для семантического поиска, кластеризации текстов и поиска похожих предложений или вопросов. Архитектура — RobertaModel, основанная на RobBERT; модель содержит 146,1 млн параметров и поддерживает контекст до 514 токенов. Для обучения использованы датасеты с парами похожих текстов, включая дубликаты вопросов и текстовые пары из разных областей. Модель рассчитана на нидерландский язык. Перевод обучающих данных выполнялся машинным способом, что может влиять на качество представлений. Распространяется по лицензии Apache-2.0.

JakubJanusz/roberta-8k-ownRep — модель Sentence Transformers, дообученная на базе PKOBP/polish-roberta-8k. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура состоит из RobertaModel и mean pooling, а сходство между векторами оценивается косинусной метрикой. Модель принимает текст и рассчитана на последовательности длиной до 8194 токенов. Модель предназначена для семантического сравнения текстов и поиска по смыслу. Её также можно применять для поиска перефразировок, кластеризации и классификации текста. Польская языковая направленность следует из базовой модели; карточка не приводит отдельной лицензии, поэтому условия использования по имеющимся данным определить нельзя.

KasuleTrevor/Roberta-base-lug-QQ — модель Sentence Transformers, дообученная Trevor Kasule на FacebookAI/xlm-roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель предназначена для оценки семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa с mean pooling; максимальная длина последовательности — 512 токенов, размер базовой модели — 305,2 млн параметров. Обучение проводилось на 7 106 парах предложений с MultipleNegativesRankingLoss. Многоязычная основа XLM-RoBERTa позволяет обрабатывать тексты на нескольких языках, однако README не уточняет, на каких языках модель обучалась и проверялась специально. Для применения модель выдаёт эмбеддинги, а не готовые ответы; для поиска или сравнения их нужно использовать в последующем пайплайне. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformer от sobamchan, дообученная на базе FacebookAI/roberta-base на датасете all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Архитектура состоит из RoBERTa и mean pooling; контекст ограничен 512 токенами. Модель подходит для оценки семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. В README приведены результаты на STS: Spearman 0,8259 для sts-dev и 0,7921 для sts-test. Модель рассчитана на английский язык; её качество для других языков не подтверждено. Репозиторий распространяется в формате safetensors, лицензия в предоставленных данных не указана.

sobamchan/roberta-base-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на наборе all-nli на основе FacebookAI/roberta-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Архитектура состоит из трансформера RoBERTa с усреднением токенных представлений; для сравнения векторов используется косинусное сходство. Максимальная длина входной последовательности — 512 токенов (514 токенов в метаданных). Модель обучалась с MatryoshkaLoss и MultipleNegativesRankingLoss на англоязычных данных all-nli. Модель подходит для получения векторных представлений текста и задач поиска или группировки похожих фраз. Она рассчитана на английский язык; качество для других языков не подтверждено. Лицензия в предоставленных данных не указана.

bobox/RoBERTa-base-unsupervised-TSDAE — модель Sentence Transformer, дообученная разработчиком bobox на FacebookAI/roberta-base с помощью DenoisingAutoEncoderLoss. Она преобразует предложения и абзацы в плотные векторы размерности 768; в README приведена косинусная мера сходства. Модель рассчитана на семантический поиск и сравнение текстов, поиск перефразировок, кластеризацию и классификацию текста на основе эмбеддингов. Архитектура включает RoBERTa и mean pooling. Максимальная длина последовательности — 512 токенов (метаданные указывают контекст 514 токенов). В README приведена оценка на sts-test: Spearman cosine 0,6912. Обучающие примеры и базовая модель указывают на английский язык. Для работы нужны Sentence Transformers или совместимая среда; репозиторий содержит веса PyTorch. Лицензия в предоставленных сведениях не указана.

clu-ling/roberta-finetuned-stsbenchmark — модель на архитектуре RoBERTa, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024 для поиска семантически близких фрагментов, кластеризации и сравнения текстов. Модель поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска и группировки текстов по смыслу. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers нужно применить подходящую операцию pooling к контекстным представлениям токенов. В README упомянуто обучение с CosineSimilarityLoss. Язык данных обучения и лицензия в предоставленных сведениях не приведены. Качество зависит от соответствия языка и тематики входных текстов данным обучения; результаты сходства следует проверять на целевом наборе.

Maite89 разработала эту модель на базе RoBERTa с помощью Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска семантически близких текстов, кластеризации и оценки сходства. Модель обучалась с функцией CosineSimilarityLoss и подходит для построения эмбеддингов и семантического поиска; метаданные указывают поддержку испанского языка. Число параметров — 454,1 млн, максимальный контекст — 514 токенов. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

sobamchan/roberta-large-mrl-1024-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и других задач, где нужно сопоставлять смысл текстовых фрагментов. Модель использует архитектуру RoBERTa с усреднением токенных представлений при пулинге. Обучение с MatryoshkaLoss позволяет использовать усечённые представления размерностью 768, 512, 256, 128 или 64. Максимальная длина последовательности — 512 токенов; параметры модели составляют около 454,1 млн. Карточка сообщает оценку Spearman 0,8789 на sts-dev. Модель может применяться для поиска похожих предложений, поиска перефразирований, кластеризации текстов и подготовки признаков для классификации. Она рассчитана на английский язык, а качество на других языках не подтверждено. Лицензия в предоставленных данных не указана.

sobamchan/roberta-large-no-mrl — англоязычная модель Sentence Transformer, дообученная разработчиком на базе FacebookAI/roberta-large на наборе all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура состоит из трансформера RoBERTa и среднего pooling по токенам. Модель использует косинусное сходство и предназначена для получения эмбеддингов и сравнения текстов. Максимальная длина входной последовательности — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста. В README приведены результаты на STS: Spearman cosine составляет 0,7649 на sts-dev и 0,7351 на sts-test. Модель рассчитана на английский язык; результаты и назначение для других языков не заявлены. Лицензия в предоставленных данных не указана.

TensorVizion/roBERTa-nanobeir — англоязычная модель на архитектуре RoBERTa-base, дообученная автором на наборе NanoBEIR с помощью контрастивного обучения. Это компактный энкодер для поиска релевантных фрагментов: он кодирует запросы и тексты в векторы для семантического поиска, извлечения кандидатов и использования в RAG. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов; она ориентирована на быстрый запуск на ноутбуках, CPU и небольших GPU. Модель также подходит для кластеризации текстов, поиска дубликатов и оценки сходства. Она не генерирует текст и предназначена для английского языка. Ограничения включают короткий контекст RoBERTa, слабую работу с узкими предметными областями и возможную зависимость оценок сходства от совпадения ключевых слов; автор также отмечает возможные смещения в данных. Лицензия в предоставленных данных не указана.

RoBERTa TopSeg Wikisection — модель на базе RoBERTa, опубликованная пользователем ighina и упакованная для Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Обучение использовало CosineSimilarityLoss; доступен формат PyTorch. Модель подходит для поиска смыслово близких фрагментов и группировки текстов. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

ighina/RoBERTa_topseg_wikidisease_ARP — модель на базе архитектуры RoBERTa, опубликованная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling для получения вектора из контекстных представлений токенов. В карточке указано около 151,8 млн параметров и контекст длиной до 514 токенов. Модель подходит для построения семантического поиска, сопоставления текстов и группировки похожих предложений и абзацев. Лицензия и конкретные ограничения применения в предоставленных данных не описаны.