I.11Классификация, ранжирование и сопоставление

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-code-GGUF — GGUF-квантизированная версия модели jinaai/jina-embeddings-v2-base-code, разработанной jinaai и преобразованной в GGUF компанией Second State Inc. Это модель для получения векторных представлений текста и исходного кода, предназначенная для семантического поиска, сравнения схожести, классификации и других задач feature extraction, включая работу с кодовыми фрагментами. Указан английский язык. Модель поддерживает контекст до 8192 токенов и формирует embedding размерностью 768. Доступны варианты квантования от 2 до 8 бит, а также f16; размеры файлов составляют примерно от 82,7 до 323 МБ. В README вариант Q4_K_M отмечен как сбалансированный и рекомендуемый, тогда как низкобитные варианты обеспечивают меньший размер ценой заметной потери качества. Модель может запускаться через LlamaEdge с prompt type embedding. Распространяется по лицензии Apache-2.0. Ограничения зависят от выбранного варианта квантования: чем сильнее сжатие, тем выше потенциальная потеря качества embeddings. Архитектура исходной модели, точное число параметров и перечень поддерживаемых языков, кроме указанного английского, в предоставленных данных не описаны.

jina-embeddings-v5-omni-nano-clustering — мультимодальная модель эмбеддингов от Jina AI, вариант семейства jina-embeddings-v5-omni-nano, настроенный для кластеризации. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, совместимого с текстовой моделью jinaai/jina-embeddings-v5-text-nano-clustering. Размер модели — около 0,95 млрд параметров, размерность эмбеддинга — 768. Для текстовых документов требуется префикс «Document: ». Видео представляется кадрами; звуковая дорожка видео автоматически не обрабатывается, её нужно передавать отдельно. Модель подходит для мультимодальной кластеризации и построения индексов, где документы на текстовом языке можно искать по запросам в виде изображений, видео или аудио без повторной индексации. Также эмбеддинги можно использовать для поиска и сопоставления мультимодальных данных. Модель доступна в формате safetensors и предназначена для запуска через Transformers, sentence-transformers или vLLM. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но не коммерческое применение.

jina-embeddings-v5-text-nano-text-matching — компактная модель для получения текстовых эмбеддингов, разработанная Jina AI и являющаяся квантованной версией базовой модели jina-embeddings-v5-text-nano. Она предназначена для сопоставления текстов, оценки семантической схожести, поиска и других сценариев, где требуется сравнивать смысловое содержание запросов и документов. Модель поддерживает мультиязычные тексты; в README приведены примеры на английском, арабском, китайском, французском, немецком, греческом, хинди, итальянском, японском и корейском языках. Модель содержит 239 млн параметров, обрабатывает последовательности длиной до 8192 токенов и формирует эмбеддинги размерностью 768. Используется pooling по последнему токену, предусмотрены матрёшечные размерности 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством и эффективностью хранения или поиска. Модель ориентирована на высокую производительность при небольшом размере и доступна для интеграции через sentence-transformers, vLLM и специальную ветку llama.cpp с поддержкой формата GGUF. README не содержит подробных сведений о конкретных ограничениях качества, кроме ориентации исключительно на задачу text-matching, поэтому применимость к другим задачам эмбеддингов не гарантируется. Модель распространяется по лицензии CC BY-NC 4.0, предусматривающей некоммерческое использование.

cometadata/jina-reranker-v2-multilingual-affiliations-v5 — мультиязычный кросс-энкодер, дообученный на базе jinaai/jina-reranker-v2-base-multilingual с использованием библиотеки Sentence Transformers. Модель оценивает пары «запрос — документ» одним числовым баллом релевантности; баллы подходят для переупорядочивания результатов поиска и семантического поиска. В обучающих данных есть примеры сопоставления аффилиаций организаций и документов, а качество реранжирования оценивалось на наборе affiliation-val. Модель содержит 305,2 млн параметров, имеет архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 1026 токенов по метаданным. Карточка указывает мультиязычную поддержку. На affiliation-val указаны MAP 0,9356, MRR@10 0,9356 и NDCG@10 0,9548. Лицензия CC-BY-NC-4.0 разрешает использование на условиях некоммерческой лицензии.

jina-reranker-v3-GGUF — это версия модели jina-reranker-v3 от Jina AI, преобразованная в формат GGUF для эффективного запуска с использованием llama.cpp. Модель предназначена для многоязычного переранжирования документов: она оценивает релевантность документов поисковому запросу и возвращает их в порядке соответствия. Поддерживаются пользовательские инструкции ранжирования, выбор top_n результатов и опциональный возврат эмбеддингов. Модель содержит около 0,6 млрд параметров и распространяется как GGUF-веса BF16 размером примерно 1,1 ГБ, дополнительно требуя MLP-проектор размером около 3 МБ. Для работы предусмотрены Python-реализация GGUFReranker и бинарные файлы llama.cpp; рекомендуется форк llama.cpp от Hanxiao. Модель рассчитана на мультиязычные текстовые сценарии, однако конкретный перечень языков и максимальная длина контекста в README не указаны. К сильным сторонам относятся компактный размер, возможность локального инференса через llama.cpp и применение в поиске, вопросно-ответных системах и других задачах, где требуется уточнить порядок уже найденных документов. Ограничения включают необходимость ручной настройки окружения и наличие отдельных компонентов, а также отсутствие в README подробных бенчмарков и сведений о производительности. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование; по вопросам коммерческого применения рекомендуется обращаться к Jina AI.

Julia 1 — первая модель семейства Julia и тест обучающей системы SupersonicLabs. Это дообученный мультиязычный энкодер JHU CLSP mmBERT-small на архитектуре ModernBERT: 144,3 млн параметров, веса в формате SafeTensors. Модель принимает состояние, вопрос и от 2 до 20 вариантов ответа, затем выбирает или ранжирует вариант; один интерфейс поддерживает классификацию, маршрутизацию, упорядоченные оценки и булевы решения. Это не генеративная модель и не готовый модуль Transformers для классификации текста. Julia 1 предназначена для задач, где решение должно опираться на переданный контекст и явно заданные варианты: например, для классификации категорий и маршрутизации запросов. Контекст выполнения — до 8 192 токенов суммарно; исторические тесты использовали 1 024 токена. Карточка приводит результаты тестов на AG News, DAIR Emotion и MASSIVE, включая 71,50% точности по сценариям на 52 локалях, но небольшие пилотные выборки не гарантируют качество в новых сценариях. Лицензия — Apache-2.0. Модель может ошибаться при неоднозначной формулировке, незнакомых темах и длинных списках меток; в тесте Banking77 она набрала 64 из 100 при маршрутизации через предварительный список кандидатов. Она сравнивает заданные варианты и не должна рассматриваться как источник недостающих фактов или надёжный решатель многошаговых вычислений. Для крупных списков используется группировка с повторным ранжированием, которая может отсеять верный вариант; перед применением в значимых сценариях следует проверить модель на собственных данных.

alfaneo/jurisbert-base-portuguese-sts — модель на основе BERT, разработанная для представления предложений и абзацев на португальском языке в виде плотных векторов размерности 768. Её можно использовать для семантического поиска, сравнения текстов и кластеризации; для работы доступны форматы PyTorch и Safetensors. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. В README описано обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

KannadaSBERT — модель sentence-transformers от L3Cube-Pune для получения векторных представлений предложений на каннада и сравнения их семантического сходства. Она основана на KannadaBERT (l3cube-pune/kannada-bert) и дообучена на наборе данных NLI; архитектура — BERT с 264,8 млн параметров. Модель поддерживает извлечение признаков и сходство предложений, а длина контекста составляет до 512 токенов. Модель подходит для поиска похожих предложений, семантического поиска и сопоставления текстовых запросов с документами на каннада. README также упоминает отдельную, более качественную модель сходства, дообученную на основе этой модели, поэтому качество сходства у данного чекпойнта может быть ниже. Весы опубликованы в формате PyTorch по лицензии CC-BY-4.0.

KatzBot MiniLLM ST — компактная модель эмбеддингов на базе архитектуры BERT, опубликованная пользователем codegood. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов, кластеризации и измерения сходства предложений. Модель обучалась с BatchHardTripletLoss на датасете codegood/Katzbot. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторы. Доступна в формате safetensors для библиотеки sentence-transformers. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения по языкам и условия использования определить нельзя.

kf-deberta-multitask — корейская модель sentence-transformers на архитектуре DeBERTa-v2, предназначенная для получения плотных векторных представлений предложений и абзацев. Разработчик не назван в доступной части карточки. Модель содержит 213,1 млн параметров, выдаёт эмбеддинги размерностью 768 и имеет контекстное окно 512 токенов. Модель обучалась на KorSTS и KorNLI в многозадачном режиме и оценивалась на KorSTS. Она подходит для семантического поиска, сравнения смысловой близости текстов и кластеризации; README приводит метрики корреляции для нескольких способов сравнения векторов. Для извлечения эмбеддингов через Transformers требуется применять подходящую операцию pooling к контекстным представлениям токенов. Сведения о лицензии в предоставленных источниках отсутствуют.

Kiwi COCO-LM base — модель-энкодер на архитектуре ModernBERT, разработанная автором репозитория на основе answerdotai/ModernBERT-base. Она продолжает предобучение исходных весов на корейских и английских корпусах с методом COCO-LM: обучение распознаванию заменённых токенов сочетается с восстановлением исходных токенов и контрастивным обучением последовательностей. Модель содержит около 159,4 млн параметров, использует словарь Byte-level BPE размером 64 000 токенов и принимает последовательности длиной до 8192 токенов. Энкодер предназначен для извлечения признаков и получения представлений текста, а также для дообучения под классификацию, распознавание именованных сущностей, ответы на вопросы и поиск. В бенчмарках авторы сообщают о результатах, сопоставимых с моделями близкого размера на корейских KLUE и английских GLUE задачах. Хотя в метаданных указан тег feature-extraction, автор предупреждает, что модель не подходит для обычного заполнения пропусков через [MASK] и не предназначена для генерации текста; для таких сценариев требуется другая модель или дообучение под задачу. Для загрузки рекомендуется Transformers версии 5 или новее. Лицензия — Apache-2.0.

hyuk2010/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура включает RoBERTa и mean pooling, а близость векторов оценивается косинусным сходством. Модель содержит 137,8 млн параметров. Максимальная длина последовательности указана как 512 токенов в README и 514 токенов в метаданных. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации и сравнения текстов по смыслу. Для обучения использовались 10 501 пара корейских текстов с оценками сходства. В README приведены оценки на двух таблицах, но они заметно различаются, поэтому качество на целевых данных следует проверять отдельно. Модель принимает текст и выдаёт эмбеддинги; опубликована в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных отсутствует.

hyunkookim/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для оценки семантического сходства корейских предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые сравниваются косинусной близостью; модель также подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает RoBERTa и усреднение токенных представлений; размер базовой модели — 137,8 млн параметров. Максимальная длина входа — 512 токенов по карточке модели и 514 токенов по метаданным. Модель ориентирована на корейский язык и обучена на парах текстов с оценками сходства. В README приведены результаты оценки, но они различаются между таблицами, поэтому их нельзя считать однозначной характеристикой качества. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

pjh6818 выпустил Sentence Transformers модель на основе klue/roberta-base, дообученную для сопоставления предложений. Архитектура включает RoBERTa и mean pooling; модель преобразует текст в плотные векторы размерности 768, а сходство оценивается косинусной мерой. Размер модели — 137,8 млн параметров, максимальная длина последовательности — 512 токенов по README и 514 токенов в метаданных. Модель предназначена прежде всего для оценки семантического сходства корейских текстов. Её также можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Базовая модель klue/roberta-base предварительно обучена для понимания корейского текста. В README приведены результаты оценки сходства, но они зависят от набора данных и не гарантируют такое же качество в других сценариях. Лицензия в предоставленных данных не указана.

Карточка модели choiwonjin/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели hyuksoo1009/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели juhyun76/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

kimbyl разработал Sentence Transformer на основе kimbyl/klue-roberta-base-klue-sts, дообучив его для получения векторных представлений предложений и абзацев. Модель использует энкодер RoBERTa с усреднением токенных представлений и формирует плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Примеры обучающих данных и описание датасета указывают на поддержку корейского языка; в README приведена оценка сходства с коэффициентом Спирмена 0,8304 на использованной оценке. Лицензия в предоставленных данных не указана.

Карточка модели letzdev/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели NicePeterKim/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели Noahyun/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели saychuwho/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

semin-pk/klue-roberta-base-klue-sts-mrc — это Sentence Transformer на базе klue-roberta-base-klue-sts, дообученный для преобразования предложений и абзацев в плотные векторы размерности 768. Модель использует RoBERTa с усреднением токенных представлений и косинусным сходством; максимальная длина последовательности составляет 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. В README приведён пример корейских вопросов и длинных фрагментов документов; оценка на задаче сходства предложений составляет 0,8141 по Spearman для косинусного сходства. Модель содержит 137,8 млн параметров и опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

yj512/klue-roberta-base-klue-sts-mrc — модель Sentence-Transformers, дообученная на базе shangrilar/klue-roberta-base-klue-sts. Она кодирует предложения и абзацы на корейском языке в плотные векторы размерности 768 и предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство; архитектура объединяет RoBERTa с усреднением токенных представлений. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 512 токенов по README и до 514 токенов по метаданным. В README приведены значения Spearman 0,8159 и Pearson 0,8067 на оценке сходства, но они не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

Карточка модели sming0408/klue-roberta-base-klue-sts-mrc1 на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели sming0408/klue-roberta-base-klue-sts-mrc3 на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели cheasuar/klue-roberta-base-klue-sts-mrc-a на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

yngkyng/klue-roberta-base-sts-nli-ko — модель на базе RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для сравнения семантической близости текстов. Векторы можно использовать для семантического поиска и кластеризации; метаданные также указывают возможность извлечения эмбеддингов и классификации текста. Модель содержит 435,4 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучалась с CosineSimilarityLoss; карточка не сообщает название базовой модели как отдельного репозитория или лицензию. Она подходит для создания эмбеддингов предложений, поиска похожих текстов и группировки по смыслу. По названию репозитория и тегу `ko` модель ориентирована на корейский язык. Полные результаты оценки и подробности обучающего набора в карточке не приведены.

ParkMyungkyu/KLUE-STS-roberta-base — модель эмбеддингов предложений на архитектуре RoBERTa, представленная автором ParkMyungkyu. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически похожих текстов, кластеризации и сравнения предложений. Модель содержит 137,8 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers требуется применить pooling к контекстным представлениям токенов. Модель обучалась с CosineSimilarityLoss и ориентирована на семантическое сходство в корейском бенчмарке KLUE-STS. Лицензия в предоставленных данных не указана.