I.11Классификация, ранжирование и сопоставление

hellonlp/promcse-bert-base-zh — китайскоязычная модель для сравнения предложений, разработанная на основе метода Prompt-based Contrastive Sentence Embeddings (PromCSE). Она кодирует предложения в векторные представления, по которым можно вычислять косинусное сходство; README описывает применение через пакет promcse и оценивание на китайских наборах данных ATEC, BQ, LCQMC и PAWSX. Модель использует плотную архитектуру BERT с классом BertForCL, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель рассчитана на китайский язык; лицензия — MIT. Для переноса на другие языки или задачи в предоставленных сведениях подтверждений нет.

BlueAvenir/prosieben_event_based_model_updated — модель Sentence Transformers на базе XLM-RoBERTa, разработанная BlueAvenir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов; архитектура содержит около 305,2 млн параметров, а длина контекста составляет 514 токенов. Модель предназначена для построения семантического поиска и группировки похожих текстов. README описывает обучение с CosineSimilarityLoss, но не раскрывает обучающие данные и точный языковой охват; идентификатор и карточка не позволяют установить конкретную предметную область. Репозиторий содержит веса PyTorch.

PunjabiSBERT-STS — модель эмбеддингов предложений, разработанная L3Cube-Pune в рамках проекта MahaNLP. Это дообученная на наборе STS модель PunjabiSBERT, основанная на l3cube-pune/punjabi-sentence-bert-nli. Она предназначена для оценки семантического сходства между предложениями на панджаби и получения векторных представлений предложений для поиска и сравнения текстов. Модель использует архитектуру BERT и содержит 264,8 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch, а для получения эмбеддингов README описывает использование Sentence-Transformers либо трансформера Hugging Face с подходящей операцией pooling. Лицензия — CC BY 4.0.

AISE-TUDelft/python-expand-classifier — модель на базе MPNet, разработанная AISE при TU Delft. Она кодирует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости. Модель можно применять для семантического поиска, кластеризации и задач sentence similarity. Модель содержит 136,7 млн параметров, работает с текстом и имеет контекстное окно до 514 токенов. Она обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

neeva/query2query — модель Sentence-Transformers от Neeva для представления поисковых запросов в виде плотных векторов размерности 384. Она основана на архитектуре BERT и содержит 25,9 млн параметров; модель принимает текст и формирует эмбеддинги, которые можно использовать для кластеризации запросов и семантического поиска по ним. Максимальная длина контекста — 512 токенов. Модель подходит для поиска похожих запросов, группировки запросов по смыслу и построения поиска по коллекции запросов. В карточке указано обучение на протяжении 1 млн шагов с размером пакета 1024 и начальной скоростью обучения 2e-5. Репозиторий содержит веса PyTorch. Лицензия CC-BY-NC-SA-4.0 запрещает коммерческое использование без отдельного разрешения правообладателя. Модель предназначена для текстовых запросов; карточка описывает эмбеддинги, но не сообщает о поддержке других модальностей.

Mactavish1996/qwen-0.6B-skills-finetuned — дообученная на 1 396 парах предложений модель Sentence Transformers на базе Qwen/Qwen3-Embedding-0.6B. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и сравнивает их косинусным сходством. Архитектура включает трансформер Qwen3, pooling по последнему токену и нормализацию; максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Обучающие примеры охватывают короткие термины из разных областей, например названия технологий и продуктов. Лицензия и конкретные поддерживаемые естественные языки в предоставленных данных не указаны.

Эта модель — дообученная версия Qwen2.5-0.5B, созданная Lucas Wun Yu CHAN для получения эмбеддингов предложений и сравнения их семантического сходства. В README описаны эксперименты с эмбеддингами, инициализированными моделями после обучения с RLVR, и метод анализа HRSA; карточка не приводит количественных результатов именно этого чекпойнта. Модель построена на плотной архитектуре Qwen2, содержит 494 млн параметров и имеет контекст до 32 768 токенов. Она принимает текст и предназначена для извлечения векторных представлений; для использования через Sentence Transformers или Transformers требуется включить trust_remote_code. В метаданных указаны поддержка многоязычных данных и лицензия Apache-2.0.

lucaswychan/Qwen-2.5-1.5B-SimpleRL-Zoo-Reasoning-Embedding — модель эмбеддингов на основе плотной архитектуры Qwen2 с 1,5 млрд параметров. Она дообучена на базе hkust-nlp/Qwen-2.5-1.5B-SimpleRL-Zoo и предназначена для получения семантических представлений текстов и сравнения их сходства. Контекст модели составляет 32 768 токенов; в метаданных указана поддержка нескольких языков. Для загрузки через Sentence Transformers или Transformers карточка рекомендует включить trust_remote_code=True. Модель ориентирована на поиск и сопоставление текстов по смыслу. В README описано исследование влияния RLVR-обучения базовой модели на качество эмбеддингов: оценки на MTEB и BRIGHT не выявили стабильного преимущества по сравнению с эмбеддингами, полученными из исходных моделей при одинаковой схеме контрастивного обучения. Модель распространяется по лицензии Apache-2.0.

Qwen3-Embedding-4B-4bit-DWQ — модель для создания векторных представлений текста, разработанная сообществом mlx-community на основе Qwen/Qwen3-Embedding-4B от Qwen. Она предназначена для задач семантического сравнения текстов, поиска по смыслу, кластеризации, извлечения признаков и других сценариев, где требуется преобразовать текст в embedding-векторы. Модель конвертирована в формат MLX с использованием mlx-lm версии 0.24.0. Модель имеет размер базовой версии 4B параметров и использует 4-битное квантование DWQ, что ориентировано на более экономичное выполнение на совместимом оборудовании Apple через MLX. В README не указаны поддерживаемые языки, максимальная длина контекста, дополнительные модальности и точные характеристики качества. Лицензия — Apache-2.0. Для работы требуется библиотека mlx-lm; сведения о совместимости с другими фреймворками и ограничениях применения в карточке не приведены.

Qwen3-Embedding-4B-GGUF — это квантизированная версия модели Qwen3-Embedding-4B, разработанной командой Qwen и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для создания текстовых эмбеддингов и может применяться в задачах семантического поиска, сравнения предложений, извлечения признаков, кластеризации и построения retrieval-систем. В метаданных указана поддержка английского языка и интеграция с экосистемой Transformers и sentence-transformers. Модель имеет размер около 4 миллиардов параметров; точная архитектура и максимальная длина контекста в README не указаны. Доступны варианты квантизации от Q2_K до Q8_0, IQ4_XS и f16, с размером файлов примерно от 1,8 до 8,1 ГБ. Квантизация позволяет снизить требования к памяти и ускорить запуск, однако варианты с меньшим размером могут уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди быстрых конфигураций. README не содержит результатов бенчмарков и подробных ограничений качества. Модель распространяется по лицензии Apache-2.0.

Qwen3-Embedding-4B-i1-GGUF — квантованная версия модели Qwen3-Embedding-4B, разработанной командой Qwen и подготовленной в формате GGUF пользователем mradermacher. Это модель для создания текстовых эмбеддингов и извлечения признаков, предназначенная для семантического сравнения текстов, поиска, классификации и других задач, где требуется представление текста в виде векторов. В метаданных указана поддержка английского языка. Модель основана на архитектуре Qwen3 и имеет размер около 4 млрд параметров. Репозиторий содержит варианты квантизации i1 с разными типами и размерами файлов — примерно от 1,2 до 3,4 ГБ, а также файл imatrix для самостоятельного создания квантов. Варианты различаются компромиссом между размером, скоростью и качеством: например, Q4_K_M обозначен как быстрый и рекомендуемый, а Q5_K и Q6_K должны обеспечивать более высокое качество при большем размере. Точная длина контекста, размер выходного вектора, поддерживаемые дополнительные языки и результаты тестирования в README не указаны. Главное преимущество модели — возможность локального запуска в компактном формате GGUF и выбор подходящего уровня квантизации под доступные ресурсы. Ограничения связаны с потерями качества при низкобитной квантизации; сам README предупреждает о низком качестве некоторых вариантов. Модель распространяется по лицензии Apache-2.0.

Это 8-битная MLX-квантизация модели эмбеддингов Qwen3-Embedding-4B, подготовленная majentik с помощью mlx-embeddings для Apple Silicon. Модель семейства Qwen3 построена на архитектуре decoder-only Qwen3ForCausalLM и использует pooling последнего токена, чтобы преобразовывать текст в плотные векторные представления. До квантизации модель содержит около 4 млрд параметров; размер файлов после квантизации — около 4 ГБ. Максимальная длина контекста по метаданным составляет 40 960 токенов. Модель предназначена для семантического поиска, сравнения текстов и других задач, где нужны текстовые эмбеддинги. В README заявлены высокие результаты в мультиязычных бенчмарках MMTEB. В метаданных указана поддержка английского и китайского языков, а также мультиязычный режим; конкретный набор остальных языков не перечислен. Для использования требуется библиотека mlx-embeddings и устройство Apple Silicon. Модель распространяется по лицензии Apache-2.0. Это квантизированная производная Qwen/Qwen3-Embedding-4B; характеристики базовой модели и её результаты не следует автоматически считать гарантированными для этой сборки.

arthurcollet/Qwen3-Embedding-4B-mlx-nvfp4 — текстовая модель для создания эмбеддингов, преобразующая текст в векторы для сравнения смысла и поиска по сходству. Репозиторий содержит конверсию модели Qwen/Qwen3-Embedding-4B в формат MLX; в метаданных указана связь с Qwen/Qwen3-4B-Base и дообучение этой базовой модели. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров, нативный контекст — 40 960 токенов. Модель предназначена для получения текстовых представлений, поиска семантически близких фрагментов и оценки сходства предложений. Метаданные указывают возможности embeddings и задачи feature-extraction, text-generation и sentence-similarity. Для использования через MLX в README предлагается пакет mlx-embeddings. Лицензия — Apache-2.0. README описывает конверсию из Qwen/Qwen3-Embedding-4B в MLX, тогда как метаданные указывают базовую модель Qwen/Qwen3-4B-Base и дообучение; точное соотношение этих этапов из доступных данных установить нельзя. Поддерживаемые языки и ограничения качества отдельно не описаны.

Qwen3-Embedding-4B-mxfp8 — текстовая модель для получения эмбеддингов, опубликованная mlx-community и преобразованная в формат MLX из Qwen/Qwen3-Embedding-4B с помощью mlx-embeddings 0.0.3. Она предназначена для семантического поиска, сравнения предложений и извлечения признаков из текста; эмбеддинги можно использовать, например, в поисковых системах и системах подбора релевантных документов. Модель основана на плотной архитектуре Qwen3, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. Для запуска в экосистеме MLX README указывает библиотеку mlx-embeddings.

Qwen3-Embedding-8B-i1-GGUF — квантизированная GGUF-версия модели Qwen3-Embedding-8B, разработанной командой Qwen и подготовленной пользователем mradermacher. Модель предназначена для создания текстовых эмбеддингов и задач извлечения признаков, семантического сравнения предложений, поиска и построения систем на основе близости текстов. В метаданных указана поддержка английского языка. Модель основана на архитектуре Qwen3-Embedding-8B с заявленным размером 8 млрд параметров, однако подробности об архитектуре, максимальной длине контекста и поддерживаемых модальностях в README не приведены. Репозиторий содержит imatrix-файл и множество вариантов квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,0 до 6,3 ГБ. Вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как компромисс между размером, скоростью и качеством. Основное преимущество модели — возможность запускать эмбеддинги в формате GGUF с различными требованиями к памяти и производительности. Ограничения связаны с потерями качества у низкобитных вариантов квантизации; README отдельно отмечает низкое качество некоторых конфигураций. Лицензия модели — Apache-2.0.

mlx-community/Qwen3-Reranker-0.6B-4bit — модель для переранжирования текстовых результатов, разработанная сообществом mlx-community на основе Qwen/Qwen3-Reranker-0.6B от Qwen. Она предназначена для оценки релевантности пар «запрос — документ», например при веб-поиске и retrieval-сценариях, чтобы упорядочивать найденные passages по соответствию запросу. Модель использует cross-encoder на базе causal language model и вычисляет оценку релевантности через вероятности ответов «yes» и «no». Для работы требуется MLX; модель была конвертирована с использованием mlx-lm 0.31.3. Доступна в аффинной 4-битной квантизации с group_size=64, примерно 4,5 бита на вес. Размер на диске составляет около 331 МБ. В README не указаны точный размер архитектуры, поддерживаемые языки и максимальная длина контекста. К преимуществам относятся компактный размер и возможность применять модель для переранжирования найденных документов с вероятностной оценкой релевантности. Ограничения включают необходимость подавать пары «запрос — документ» и возможное снижение точности из-за 4-битной квантизации. Модель распространяется по лицензии Apache-2.0.

ggml-org/Qwen3-Reranker-0.6B-Q8_0-GGUF — это модель для ранжирования текста, преобразованная в формат GGUF из базовой модели Qwen/Qwen3-Reranker-0.6B. Конвертация выполнена с использованием llama.cpp через сервис GGUF-my-repo от ggml.ai; исходная модель разработана командой Qwen. Модель предназначена для оценки релевантности текстовых пар или результатов поиска и может применяться в системах информационного поиска, семантического поиска и других сценариях, где требуется переупорядочить документы по соответствию запросу. Модель имеет размер 0,6 млрд параметров и поставляется в квантизированном варианте Q8_0 в формате GGUF, что ориентировано на использование с совместимыми инструментами экосистемы llama.cpp. В README не указаны архитектурные детали, поддерживаемые языки, длина контекста, модальности, конкретные показатели качества или ограничения применения, поэтому оценить эти характеристики невозможно. Лицензия — Apache-2.0.

furiosa-ai/Qwen3-Reranker-8B — версия модели Qwen/Qwen3-Reranker-8B, подготовленная для запуска через Furiosa-LLM на ускорителе FuriosaAI RNGD. Это плотная трансформерная модель семейства Qwen3 с 7,6 млрд параметров. Она принимает текстовый запрос и набор кандидатных документов и возвращает оценки релевантности, по которым результаты можно переупорядочить; типичный сценарий — второй этап поиска в RAG-системах. Контекст составляет до 40 960 токенов. Модель работает в исходной точности BF16 без квантизации; для RNGD используется параллелизм по тензорам на 8 вычислительных элементах одной карты. Репозиторий также содержит Furiosa Executable Bundle, а README указывает совместимость с Sentence Transformers, vLLM и Transformers. Модель распространяется по лицензии Apache 2.0. Описание не приводит результатов сравнительной оценки качества; запуск с Furiosa-LLM на RNGD требует соответствующего оборудования и программной среды.

Hyper-AI/Qwen3-VL-Embedding-8B-fp8 — мультимодальная модель для построения эмбеддингов, представленная как FP8-квантизированная версия 8-миллиардной модели семейства Qwen3-VL. В метаданных указана базовая модель Qwen/Qwen3-VL-8B-Instruct, а описание связывает модель с серией Qwen3-VL-Embedding, разработанной для мультимодального поиска и сопоставления информации. Инструментарий lightvl, упомянутый в README, предназначен для квантизации моделей и интеграции с vLLM; автор репозитория явно не назван. Модель принимает текст, изображения, скриншоты, видео и произвольные комбинации этих модальностей. Она предназначена для семантического поиска, кросс-модального retrieval, кластеризации, сопоставления текста с изображениями или видео и построения первого этапа двухступенчатых поисковых систем совместно с reranker-моделью. Заявлена поддержка более 30 языков, контекст до 32K токенов и размерность эмбеддингов до 4096 с настраиваемым выходным размером от 64 до 4096. Также заявлена поддержка инструкций для адаптации к конкретным задачам и MRL. Ключевое преимущество этой версии — снижение потребления памяти примерно с 16 до 8,8 ГБ и заявленное ускорение около 30% по сравнению с исходной версией; предусмотрен запуск через vLLM. README также сообщает о cosine similarity до 0,99 для изображений, однако не приводит подробностей методики измерения. Ограничения включают зависимость качества и производительности от FP8-квантизации, аппаратной поддержки и выбранных настроек инференса; подробные требования к оборудованию и результаты бенчмарков в приведённых данных отсутствуют. Лицензия — Apache-2.0.

RamManavalan/Qwen3-VL-Embedding-8B-FP8 — мультимодальная embedding-модель, представляющая собой FP8-квантизированную версию Qwen/Qwen3-VL-Embedding-8B. В README указано, что модель подготовлена для эффективного инференса с vLLM; разработчик исходной модели — Qwen, а данный вариант опубликован пользователем RamManavalan. Модель предназначена для получения векторных представлений текста, изображений, скриншотов, видео и мультимодальных комбинаций, поэтому может применяться в семантическом поиске, сопоставлении контента и мультимодальном retrieval. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Размерность embedding составляет 4096, максимальная длина контекста — 32K токенов. Используется FP8_DYNAMIC-квантизация W8A8: веса слоёв декодера представлены в FP8 E4M3 с поканальным масштабированием, активации квантизуются динамически по токенам во время выполнения. Vision Encoder и выходные embedding сохраняются в BF16. Размер модели сокращён примерно с 16 до 9 ГБ, что даёт около 45% экономии памяти; калибровочные данные не требуются. Для инференса рекомендуется vLLM версии 0.14.0 или новее с pooling runner; требуется GPU NVIDIA с поддержкой FP8 и compute capability не ниже 8.9, а минимальный объём VRAM заявлен около 10 ГБ. Сильными сторонами являются поддержка нескольких модальностей, высокая эффективность инференса и сохранение большей части качества исходной модели; для FP8 заявлено обычно более 95% исходной точности, однако отдельные результаты приведены для базовой модели, а не как независимая оценка этой квантизированной версии. Ограничения включают требования к совместимому FP8-оборудованию и зависимость от vLLM или специальной конфигурации Transformers. Модель распространяется по лицензии Apache-2.0.

Это исправленная сборка официальной мультимодальной модели Qwen3-VL-Embedding-8B, подготовленная scottlowry для загрузки в инструментах на базе MLX, включая oMLX и mlx-vlm. Веса BF16 сохранены без изменений; добавлен один тензор lm_head.weight — копия матрицы токенных эмбеддингов, необходимая загрузчику MLX. Модель создаёт эмбеддинги текста, изображений и видео для семантического поиска и сопоставления. Модель подходит для поиска по мультимодальным данным и оценки сходства между запросами и материалами. По карточке базовая модель имеет 8 млрд параметров; репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Исправление предназначено для совместимости с MLX-инструментами; оно не меняет исходные четыре шарда и не добавляет функциональность генерации текста.

Qwen3-VL-Reranker-2B-8bit — мультимодальная модель ранжирования от mlx-community, преобразованная в формат MLX из Qwen/Qwen3-VL-Reranker-2B. Она предназначена для оценки релевантности и упорядочивания результатов поиска; семейство Qwen3-VL также поддерживает работу с визуальным содержимым. Модель основана на Qwen/Qwen3-VL-2B-Instruct и использует плотную архитектуру Qwen3-VL с классом Qwen3VLForConditionalGeneration. В репозитории указаны веса SafeTensors и библиотека Transformers. Лицензия — Apache 2.0. README не сообщает конкретные сведения о контекстном окне и поддерживаемых языках.

mlx-community/Qwen3-VL-Reranker-2B-mxfp8 — мультимодальная модель ранжирования, преобразованная сообщество mlx-community в формат MLX из Qwen/Qwen3-VL-Reranker-2B. Она предназначена для оценки релевантности и упорядочивания кандидатов, в том числе в мультимодальных сценариях. Архитектура семейства Qwen3-VL; в метаданных указан размер базовой модели 2B по идентификатору, а файлы репозитория представлены в формате safetensors. Для использования в README предлагается пакет mlx-embeddings. Модель может применяться для переранжирования результатов поиска и выбора наиболее подходящих текстовых или визуальных кандидатов. Базовая модель Qwen3-VL-2B-Instruct поддерживает анализ изображений и видео, однако README этой версии не уточняет входной формат, поддерживаемые языки или длину контекста. Лицензия — Apache-2.0.

Qwen3-VL-Reranker-2B-nvfp4 — мультимодальная модель переранжирования из сообщества mlx-community, преобразованная из Qwen/Qwen3-VL-Reranker-2B в формат MLX с помощью mlx-lm 0.1.0. Она предназначена для переоценки и сортировки результатов поиска по релевантности запросу; исходное семейство Qwen3-VL также поддерживает анализ изображений и видео, однако карточка этой версии подтверждает только задачу переранжирования. Модель основана на Qwen/Qwen3-VL-2B-Instruct и использует архитектуру Qwen3-VL с плотной генеративной основой. Репозиторий содержит веса safetensors; обозначение nvfp4 в названии указывает на вариант с пониженной точностью. Лицензия — Apache 2.0.

R3-Rerank-0.6B — компактный реранкер, разработанный Tencent для поиска навыков, подходящих агенту с учётом запроса. Это cross-encoder на базе Qwen3, который совместно оценивает запрос и каждый кандидат-навык, чтобы упорядочить результаты поиска. В двухэтапном поиске R3-Skill он выполняет этап ранжирования после извлечения кандидатов; для этапа отбора кандидатов используется R3-Embedding-0.6B. Модель содержит 507,6 млн параметров, принимает текст и выдаёт оценки релевантности для сортировки. Контекст — до 40 960 токенов. В метаданных указана задача text-ranking; также отмечена возможность text-generation, однако README описывает применение именно для реранжирования. Лицензия — Apache-2.0.

Raw_1_no_3_Test_2_new.model — модель Sentence Transformers на базе XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и кластеризации текстов. В README описано обучение с CosineSimilarityLoss. Модель принимает текст и выдаёт векторы; заявленная длина контекста — 514 токенов. В метаданных указана библиотека PyTorch. Лицензия не приведена.

Wheatley961/Raw_2_Test_1_new.model — модель Sentence-Transformers на базе архитектуры XLM-RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. По метаданным модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Репозиторий содержит веса PyTorch; для получения эмбеддингов можно использовать Sentence-Transformers или Transformers с подходящей операцией pooling. Модель подходит для построения поиска по смыслу и группировки текстов. В README указано обучение с CosineSimilarityLoss. Данные о лицензии и конкретном наборе поддерживаемых языков отсутствуют в предоставленных источниках, поэтому их нельзя уточнить.

Wheatley961/Raw_3_Test_1_new.model — модель Sentence-Transformers на базе XLM-RoBERTa, разработчик — Wheatley961. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, семантического поиска и кластеризации. Модель имеет 305,2 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. В обучении использовалась CosineSimilarityLoss. Модель подходит для поиска похожих фрагментов текста и группировки предложений по смыслу. Карточка не приводит сведения о поддерживаемых языках и лицензии, поэтому языковой охват и условия использования определить по имеющимся данным нельзя.

kwondw/reranker-ModernBERT-base-gooaq-bce — англоязычный кросс-энкодер, дообученный автором на основе answerdotai/ModernBERT-base с помощью Sentence Transformers. Модель оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, например ответов на вопросы. Модель использует архитектуру ModernBertForSequenceClassification и содержит около 149 млн параметров. Она принимает только текст, поддерживает последовательности длиной до 8192 токенов и обучена на 292 161 примере GooAQ с вопросами, ответами и метками. В README приведены результаты оценки на GooAQ и нескольких наборах для поиска; метрики различаются между наборами. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено. Как кросс-энкодер, она оценивает пары текстов и подходит для повторной сортировки кандидатов, а не для самостоятельного поиска по большой коллекции без предварительного этапа извлечения.

Это англоязычный CrossEncoder, разработанный tomaarsen и дообученный на базе microsoft/MiniLM-L12-H384-uncased с использованием библиотеки sentence-transformers и данных MS MARCO. Модель принимает пару текстов — например, запрос и документ — и вычисляет оценку их соответствия для ранжирования результатов поиска. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification и содержит около 40 млн параметров. Максимальная длина входа — 512 токенов; результатом служит один скалярный балл. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также NanoBEIR. Модель рассчитана на английский язык и текстовый ввод. Лицензия в предоставленных данных не указана.