I.11Классификация, ранжирование и сопоставление

Карточка модели RedHatAI/GLiNER2.5-Decide на Hugging Face совпадает с карточкой fastino/GLiNER2.5-Decide, поэтому описание составлено по ней. GLiNER2.5-Decide — англоязычная модель классификации Fastino из семейства GLiNER2.5. Она содержит 340 млн параметров и дообучена на базе fastino/gliner2-large-v1. Модель принимает текст и набор меток, заданный при вызове, и за один проход оценивает несколько задач классификации; результатом служат метка или несколько меток выше заданного порога, без генерации текста. Модель предназначена для операционной маршрутизации и классификации: определения намерений, тональности, тематики, типа документа, приоритета и срочности, а также модерации и направления обращений нужной команде или оператору. В README указана точность exact match 60,2% на англоязычном наборе fastino/fast-decisions. Модель не предназначена для рассуждений, объяснений и ответов на открытые вопросы; для многоязычного ввода автор рекомендует GLiNER2.5-multi-Decide. Лицензия — Apache-2.0.

nickprock/granite-311m-italiano-matryoshka — текстовая модель Sentence Transformers, дообученная автором nickprock на базе ibm-granite/granite-embedding-311m-multilingual-r2 для итальянских задач поиска и сравнения предложений. Она построена на ModernBERT с пулингом CLS и нормализацией выходных векторов. Модель преобразует текст в плотные эмбеддинги размерностью 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска, извлечения релевантных фрагментов для RAG, оценки сходства предложений, поиска перефразировок, кластеризации и классификации. При дообучении использовались 45 181 пример итальянского набора it-wiki-retrieval-synthetic-hn; README также описывает оценки на итальянских наборах SQuAD-it и STSb-it. Репозиторий содержит веса Safetensors и ONNX, модель работает через Sentence Transformers. Лицензия — Apache-2.0.

Это векторная модель Sentence Transformers на архитектуре ModernBERT, дообученная Thivy на базе ibm-granite/granite-embedding-311m-multilingual-r2 на наборе eti-embedding-training-data-4096-granite-v2. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. Модель рассчитана на норвежский букмол и нюношк, включая длинные фрагменты: README указывает максимум 4096 токенов, а метаданные — нативный контекст 32768 токенов. В README приведены метрики на тестовых данных: точность cosine similarity 0,985 для TripletEvaluator и cosine_accuracy@1 0,612, @3 0,902, @5 0,95 для InformationRetrievalEvaluator; эти результаты относятся к указанным наборам оценки и не гарантируют качество на других данных. Модель предназначена для построения поиска и сравнения текстов на норвежском языке, в том числе для содержательных фрагментов длиной до 4096 токенов. Обучающий набор содержит 543 922 примера. Доступны веса в формате safetensors; в предоставленных данных лицензия не указана.

Granite-Embedding-97M-Multilingual-R2-GGUF — это мультиязычная модель для создания векторных представлений текста, опубликованная пользователем mykor и основанная на модели ibm-granite/granite-embedding-97m-multilingual-r2, разработанной IBM Granite. Модель распространяется в формате GGUF и предназначена для задач feature extraction, семантического поиска, сравнения предложений и других сценариев, где требуется оценивать смысловую близость текстов. Модель поддерживает широкий набор языков, включая русский, английский, китайский, японский, корейский, арабский и многие другие. В README указано, что доступен файл granite-embedding-97M-multilingual-r2-BF16.gguf в формате BF16; размер базовой модели составляет 97 млн параметров. Для запуска приведён пример с llama.cpp через llama-cpp-python в режиме генерации эмбеддингов. README не содержит сведений о максимальной длине контекста, размерности векторов или подробностях архитектуры. В качестве сильной стороны заявлена близкая совместимость эмбеддингов с исходной моделью Sentence Transformers: в приведённом примере косинусное сходство результатов двух реализаций составляет 0,9999579. Ограничения и результаты независимых бенчмарков в README не описаны. Модель распространяется по лицензии Apache-2.0.

GreenNode/GreenNode-Embedding-Large-VN-Mixed-V1 — модель GreenNode для получения плотных векторных представлений предложений и абзацев. Она построена на XLM-RoBERTa с архитектурой Sentence Transformers: векторное представление размерности 1024 нормализуется, а сходство можно оценивать косинусной мерой. Модель содержит 658,7 млн параметров и принимает последовательности длиной до 8194 токенов. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации. В карточке приведены результаты на наборах для поиска по таблицам и вьетнамским юридическим текстам и ответам на вопросы; заявленные языки — вьетнамский и английский. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — MIT.

gte-base-zh — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Она предназначена для получения векторных представлений китайских текстов и подходит для информационного поиска, сравнения смысловой близости предложений и ранжирования текстов. Модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов; более длинные тексты обрезаются. Метаданные указывают на векторные представления и задачи извлечения признаков и сравнения предложений. Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии MIT.

gte-en-mlm-base — англоязычный текстовый энкодер GTE-v1.5, разработанный Institute for Intelligent Computing группы Alibaba. Модель основана на энкодере Transformer++: BERT с RoPE и GLU; для токенизации используется словарь bert-base-uncased. Веса содержат 136,7 млн параметров, максимальная длина входа — 8192 токена. Модель обучена на английской части C4 методом masked language modeling и предназначена для кодирования текста. Она входит в серию обобщённых энкодеров GTE для представления текста и задач поиска и ранжирования; в опубликованной таблице для этой версии приведён результат GLUE 85,61. Репозиторий предоставляет веса в формате safetensors. Лицензия — Apache 2.0.

gte-large-zh-i1-GGUF — это GGUF-квантизации модели thenlper/gte-large-zh, подготовленные mradermacher. Модель предназначена для задач семантического сравнения предложений и создания текстовых эмбеддингов; соответствующие сценарии включают поиск по смыслу, сопоставление текстов и другие задачи, поддерживаемые библиотеками Sentence Transformers и MTEB. В репозитории представлены варианты квантизации i1-IQ и Q различных уровней, размером примерно от 0,2 до 0,4 ГБ. Квантизация позволяет уменьшить требования к хранению и потенциально упростить локальный запуск, однако чрезмерно компактные варианты могут заметно уступать по качеству. В README указано, что модель относится к Transformers и заявлена для английского языка; сведения о точной архитектуре, числе параметров, размере контекста и поддержке других модальностей отсутствуют. Модель распространяется по лицензии MIT. Репозиторий содержит именно квантизированные GGUF-файлы, поэтому для использования требуется совместимое программное обеспечение; конкретные ограничения совместимости и рекомендуемый вариант зависят от выбранного типа квантизации.

onnx-community/gte-multilingual-reranker-base — это ONNX-версия модели Alibaba-NLP/gte-multilingual-reranker-base, подготовленная сообществом onnx-community для совместимости с Transformers.js. По названию модель предназначена для мультиязычного reranking, то есть переоценки и упорядочивания результатов поиска или извлечения документов по их релевантности запросу. Ключевая особенность этой версии — наличие ONNX-весов, размещённых в отдельном репозитории для использования в веб-средах через Transformers.js. В README не указаны точная архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, показатели качества или лицензия. Также не описаны дополнительные ограничения эксплуатации; сведения о лицензии следует проверять в исходном репозитории Alibaba-NLP/gte-multilingual-reranker-base.

asaakyan/gutenberg_authorship — модель Sentence Transformers, дообученная автором на базе FacebookAI/roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по смыслу с помощью косинусного сходства. Архитектура включает RoBERTa с усреднением токеновых представлений; максимальная длина последовательности — 512 токенов. Модель можно применять для поиска семантически близких текстов, обнаружения перефразировок, кластеризации и классификации текстов. В README приведены результаты бинарной классификации на наборах litemb-dev и litemb-test; обучающие и оценочные данные описаны как CSV с тройками anchor, positive и negative. Метаданные указывают англоязычную базовую RoBERTa, но отдельный перечень поддерживаемых языков для этой модели не заявлен. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана. Её контекст ограничен 512 токенами, а приведённая оценка качества относится к указанной задаче бинарной классификации и не гарантирует качество на других доменах.

Halong Embedding — модель эмбеддингов текста, разработанная contextboxai и дообученная на базе intfloat/multilingual-e5-base. Она предназначена прежде всего для вьетнамского языка и сценариев семантического поиска и RAG; также подходит для сопоставления предложений, поиска перефразирований, кластеризации и классификации текста. Модель построена на XLM-RoBERTa в архитектуре Sentence Transformers: усредняет токенные представления, нормализует результат и выдаёт плотный вектор размерностью 768. Максимальная длина входа — 512 токенов; косинусное сходство используется для сравнения векторов. Обучение примерно на 100 тысячах пар вопрос–документ включало Matryoshka loss, позволяющий сокращать размер эмбеддинга с небольшими потерями качества. Модель принимает текст и выдаёт векторные представления. Карточка сообщает о многоязычности с фокусом на вьетнамском, а метаданные также указывают английский. Лицензия — Apache-2.0. Качество может зависеть от языка и предметной области; заявленная устойчивость при сокращении векторов не означает отсутствия потери качества.

HoangVuSnape/halong_embedding_pr_v3_ep30 — модель Sentence Transformers, дообученная на основе hiieu/halong_embedding. Она использует XLM-RoBERTa с усреднением токенных представлений и нормализацией, чтобы преобразовывать предложения и абзацы в плотные векторы размерностью 768; сходство обычно оценивают косинусной мерой. Максимальная длина входа составляет 514 токенов по метаданным Hugging Face; в README указано ограничение 512 токенов. Модель подходит для поиска семантически близких текстов, оценки сходства предложений, поиска информации, обнаружения перефразировок, кластеризации и классификации текста на основе эмбеддингов. В карточке приведены оценки поиска на нескольких размерностях векторов, однако они относятся к указанным в README наборам и не гарантируют такие же результаты на других данных. Для работы требуется библиотека Sentence Transformers; веса опубликованы в формате safetensors. Языковая выборка README содержит вьетнамские тексты, но широкая языковая поддержка XLM-RoBERTa сама по себе не подтверждает конкретные языки обучения этой версии. Лицензия в предоставленных данных не указана.

hi-di-hi-base — англоязычная модель Sentence Transformers, дообученная автором репозитория на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов, семантического поиска и других задач, основанных на близости эмбеддингов. Модель использует архитектуру BERT с пулингом по CLS-токену и нормализацией выходного вектора; сходство вычисляется косинусной мерой. Максимальная длина последовательности — 512 токенов. Обучение проводилось на 36 000 парах anchor-positive из датасета json; Apache-2.0 допускает использование и распространение на условиях этой лицензии. Эмбеддинги также подходят для кластеризации, поиска перефразирований и классификации текстов. Карточка приводит результаты оценки поиска с сокращёнными векторами разных размерностей, но не описывает предметную специализацию; качество на других корпусах и языках может отличаться.

HierarCaps CLIP-L — модель CLIP ViT-L/14, дообученная на наборе HierarCaps автором репозитория malper в рамках работы «Emergent Visual-Semantic Hierarchies in Image-Text Representations» (ECCV 2024). Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для сопоставления изображений с категориями, учитывая их уровень специфичности. Модель сохраняет архитектуру CLIP-L/14 и улучшает иерархическую организацию пространства эмбеддингов изображений и текста. Модель принимает изображения и текстовые метки классов, а для классификации оценивает соответствие между ними. Для работы доступны веса PyTorch и интерфейс Transformers. В карточке указана лицензия MIT. Языковая специализация и длина контекста не заявлены; текстовые метки используются как часть задачи классификации.

RabidUmarell/hubert-embedding-paraphrase-multilingual — модель на базе архитектуры BERT, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений; использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель выдаёт текстовые эмбеддинги, пригодные для семантического поиска и группировки похожих высказываний. В карточке она названа многоязычной, однако конкретные языки и результаты оценки не приведены. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

danfeg/IF-E5-L-M_Finetuned-EN-2481 — модель эмбеддингов предложений на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и кластеризации. Модель содержит около 658,7 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель обучена с использованием CosineSimilarityLoss и ориентирована на английские данные, что отражено в названии репозитория. Её можно применять для поиска похожих текстов и группировки предложений по смыслу. Веса опубликованы в формате safetensors; для использования в README предлагается библиотека Sentence-Transformers. Лицензия в предоставленных данных не указана.

danfeg/IF-E5-L-M_Finetuned-FR-1000 — модель эмбеддингов предложений на архитектуре XLM-RoBERTa, опубликованная в формате Sentence-Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для поиска по смыслу, кластеризации и сравнения текстов. В метаданных указано около 658,7 млн параметров и контекст длиной 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss; название репозитория указывает на дообучение для французского языка, но README не уточняет состав обучающих данных или результаты оценки. Она принимает текст и возвращает векторы, которые можно использовать для семантического поиска и группировки похожих фрагментов. Лицензия в предоставленных данных не указана.

cassador/indobert-embeddings — модель эмбеддингов предложений на базе IndoBERT, опубликованная cassador и дообученная на наборе IndoNLI. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации и оценки сходства текстов на индонезийском языке. Модель использует архитектуру BERT и поддерживает контекст до 512 токенов. Для получения эмбеддингов README рекомендует библиотеку Sentence-Transformers; при использовании Transformers необходимо применить подходящую операцию pooling к контекстным представлениям токенов. В метаданных указан формат PyTorch и около 151,6 млн параметров. Лицензия в предоставленных данных не указана.

carles-undergrad-thesis/indoBERT-Knowledge-distillation-en-id-SBERT — модель Sentence-Transformers на архитектуре BERT, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения сходства текстов. Модель принимает текст и выдаёт эмбеддинги; в метаданных также указаны задачи извлечения признаков и сравнения сходства предложений. Максимальная длина контекста — 512 токенов, всего 194,6 млн параметров. Для использования через Transformers после получения контекстных представлений требуется подходящая операция pooling. Репозиторий содержит веса в формате safetensors. Название указывает на дистилляцию IndoBERT для английского и индонезийского языков и на применение SBERT, однако базовая модель и языковая область прямо не подтверждены приведёнными метаданными и README. Лицензия в предоставленных данных не указана.

carles-undergrad-thesis/indobert-mmarco-margin-mse — модель на базе IndoBERT, дообученная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768, пригодные для семантического поиска, кластеризации и ранжирования документов по релевантности. Модель построена на архитектуре BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки на наборах mMARCO, Mr.TyDi и MIRACL, включая метрики MRR@10 и Recall@1000; для mMARCO и Mr.TyDi показано улучшение относительно BM25 по отдельным метрикам. Обучение проводилось с MarginMSELoss. Репозиторий содержит веса PyTorch и опубликован 20 октября 2023 года. Сведения о лицензии в предоставленных данных отсутствуют.

Indonesia Islamic Sentence-BERT — модель Sentence Transformers на базе BERT, дообученная авторами репозитория ramadita на firqaaa/indo-sentence-bert-large. Она преобразует предложения и абзацы на индонезийском языке в плотные эмбеддинги размерностью 2048 для сравнения смысловой близости, семантического поиска, поиска перефразировок и кластеризации. Архитектура включает BertModel и слои pooling; максимальная длина входа — 512 токенов, для сравнения эмбеддингов предусмотрена косинусная близость. Модель также можно применять для классификации текста на основе эмбеддингов. В README приведены результаты TripletEvaluator на dev- и test-наборах, однако они не гарантируют качество на других данных и сценариях. Модель принимает текст и выдаёт векторные представления; опубликована под лицензией Apache-2.0.

indoSBERT-large — модель семейства BERT, опубликованная пользователем denaya в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев на индонезийском языке. Модель основана на sentence-transformers и дообучена по схеме сиамской сети, вдохновлённой SBERT, с использованием набора STS 2012–2016, переведённого на индонезийский язык. Размер эмбеддинга — 256 измерений, контекст — до 512 токенов. Полученные векторы подходят для семантического поиска, сравнения смысловой близости предложений и кластеризации текстов. Доступны веса PyTorch; модель принимает текст и выдаёт векторы. Лицензия в предоставленных сведениях не описана.

Intern-Decision-2B — мультимодальная модель структурированного принятия решений, созданная дообучением Qwen/Qwen3.5-2B. Она принимает общее описание состояния, схему с именованными вопросами и вариантами ответов, а также необязательные изображения; за один проход модели выдаёт для каждого поля распределение вероятностей и типизированный ответ в JSON. Архитектура — плотная Qwen3.5ForConditionalGeneration с 2 млрд параметров; для работы используется Transformers и формат весов safetensors. Модель предназначена для пакетного выбора среди заданных вариантов, оценки по категориям и бинарных решений. В README описан masked-next-token метод: модель оценивает допустимые символы вариантов, а затем применяет к вероятностям отдельную калибровку. Можно передать от 1 до 16 вопросов, до 62 вариантов на вопрос и до 8 изображений; максимальная длина входа по умолчанию — 8192 токена, при превышении запрос отклоняется без усечения. Лицензия — Apache-2.0.

Это турецкоязычная модель эмбеддингов предложений с двухэнкодерной архитектурой, разработанная на основе intfloat/multilingual-e5-base и дообученная контрастивным обучением на турецких NLI-триплетах. Она использует XLM-RoBERTa, mean pooling и косинусное сходство; размерность векторов — 768. Метаданные указывают 305,2 млн параметров, а базовая модель поддерживает контекст до 514 токенов; при обучении использовалась длина последовательности до 256 токенов. Модель предназначена для семантического поиска и извлечения фрагментов для RAG, оценки сходства предложений, поиска перефразировок и дубликатов, кластеризации и получения признаков для классификаторов на турецком языке. Для запросов используется префикс «query: », для документов — «passage: »; в задачах с симметричным сравнением обеим сторонам задают «query: ». Модель лучше приспособлена к турецким текстам, чем к другим языкам, несмотря на многоязычную основу. Обучающие данные получены машинным переводом набора AllNLI, поэтому в модели могут сохраняться артефакты перевода. Для длинных документов рекомендуется разбивать текст на фрагменты; для переранжирования с перекрёстным вниманием эта модель не предназначена. Результаты на научных и финансовых текстах слабее, а в чувствительных сценариях необходима проверка человеком. Лицензия — CC BY-SA 4.0.

Italian-ModernBERT-base-embed-mmarco-mnrl — модель Sentence Transformers, дообученная автором репозитория на mmarco на базе DeepMount00/Italian-ModernBERT-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и поиска перефразировок. Также в README указаны применение для кластеризации и классификации текстов. Модель использует архитектуру ModernBERT с усреднением токенных представлений и поддерживает последовательности длиной до 8192 токенов. Обучающие примеры mmarco включают запросы и релевантные и нерелевантные тексты на итальянском языке. В README приведены показатели cosine_accuracy 0,9255 на mmarco_dev и 0,913 на mmarco_test. Модель принимает текст и выдаёт векторы; основное назначение — италоязычные задачи поиска и сопоставления текстов. В метаданных указана библиотека sentence-transformers, а файлы представлены в safetensors. Условия лицензирования в доступной карточке не приведены.

MohitML10 опубликовал sentence-transformers-модель для сопоставления предложений и абзацев по смыслу. Она основана на BERT, содержит 25,9 млн параметров и преобразует текст в нормализованные плотные векторы размерностью 384; сходство оценивается косинусной мерой. Обучение проводилось на 7 200 парах предложений с оценками сходства. Метаданные указывают максимальный контекст 512 токенов, а карточка модели описывает максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, ранжирования текстов по сходству, поиска перефразировок, кластеризации и использования в качестве признаков для классификации текста. Хотя название репозитория указывает на обнаружение jailbreak-запросов, карточка описывает обучение на сходстве предложений и не подтверждает отдельную классификацию таких запросов. Лицензия в предоставленных данных не указана.

hotchpotch/japanese-reranker-cross-encoder-base-v1 — японский reranker серии CrossEncoder, разработанный hotchpotch. Он предназначен для повторного ранжирования результатов поиска: модель совместно оценивает запрос и документ, чтобы упорядочить найденные варианты по релевантности. Модель построена на архитектуре BERT и содержит 12 слоёв со скрытым размером 768; всего в ней 138,4 млн параметров. Она принимает пары текстов, поддерживает японский язык и имеет контекстное окно до 512 токенов. В карточке приведены оценки на японских наборах JQaRA, JaCWIR, MIRACL и JSQuAD. Модель распространяется по лицензии MIT.

Jebadiah 27B — модель принятия решений от Frontier Infra на базе Qwen3.8-27B. Это плотная модель с 27 млрд параметров; LoRA-адаптер объединён с базовыми весами, которые опубликованы в формате safetensors с точностью bf16. Модель принимает типизированные вопросы трёх видов: выбор одного варианта, ответ «да/нет» с вероятностью положительного ответа и оценку по упорядоченной шкале. Вместо обычного текста она выдаёт вероятности по меткам вариантов за один проход. Поддерживаются диалоговый интерфейс и обработка изображений, однако заявленная задача модели — типизированные решения. Модель предназначена для классификации вариантов, бинарных суждений и оценивания состояний по заданной рубрике, а также для интеграции через совместимый с TypeSafe интерфейс `/v1/systemone`. README приводит результаты на публичных наборах тестов и сведения о калибровке вероятностей; модель сильна в таких оценках, но результаты зависят от набора данных и калибровки. Обучение проводилось на публичных данных, преимущественно англоязычных. Веса распространяются по лицензии Apache-2.0. Ограничения: модель рассчитана на одношаговые суждения; цепочки рассуждений следует разбивать на отдельные этапы. В интерфейсе `/v1/systemone` выбор ограничен 20 вариантами, обучающие состояния обрезались после 2048 токенов, а калибровку рекомендуется перенастроить перед использованием вероятностей как порогов. Для запуска bf16-весов требуется около 56 ГБ памяти под веса плюс запас на работу среды.

Jev-Style-0.8B-Decision-v3 — компактная текстовая модель компании Jev-Style, созданная полным дообучением Qwen/Qwen3.5-0.8B. Она оценивает варианты решения и возвращает вероятности, поддерживая классификацию намерений, выбор среди произвольного числа вариантов и несколько вопросов к одному описанию состояния. Модель содержит 581,4 млн параметров по метаданным и принимает до 25 600 токенов на весь вход; архитектура — плотная причинная языковая модель Qwen3.5. Репозиторий содержит веса safetensors в формате bf16 и реализацию для Transformers. Модель рассчитана на многоязычные решения и классификацию, в том числе определение намерения по набору кандидатов. В README сообщается о тестировании на 51 языке и о 77 вариантах, оценённых за один проход. Указанные в карточке метаданных языки включают английский, китайский, арабский, русский и другие. По лицензии Apache-2.0 модель можно использовать на её условиях. Модель оценивает заданные варианты и выдаёт вероятности; она не генерирует текст и не выполняет действия самостоятельно. Для длинных списков вариантов runtime может делить их на части; ограничения входа и заголовка запроса могут приводить к ошибке превышения бюджета. Результаты точности и сравнения в README получены на описанных авторами тестах и не гарантируют аналогичное качество на иных данных.

Jev-Style-Qwen3.5-2B-Decision-v2-MLX-bf16 — англоязычная модель для классификации, маршрутизации и выбора типизированного ответа из заданного списка. Она основана на Qwen3.5-2B и дообучена в формате Jev-style: получает описание состояния, вопрос и от 2 до 26 вариантов, а за один проход выдаёт вероятности выбора с применением калибровки. Репозиторий содержит веса MLX в BF16, клиент инференса и материалы оценки; указанный размер модели — 1,7 млрд параметров, нативный контекст — 262 144 токена. Модель предназначена для задач с заранее заданными ответами, включая классификацию текста, логические вопросы, маршрутизацию и упорядоченные оценки. В фиксированной англоязычной панели автор сообщает точность 81,20% и улучшение метрик относительно сравниваемых моделей; эти результаты относятся к описанному набору задач и не гарантируют аналогичного качества на других данных. Интерфейс ограничивает промпт 1 024 токенами, хотя контекстная ёмкость базовой архитектуры больше. Этот вариант рассчитан на запуск через MLX на Apple Silicon. Лицензия — Apache-2.0.