I.11Классификация, ранжирование и сопоставление

yosefw/roberta-amharic-embed-base — модель Sentence Transformers на архитектуре XLM-RoBERTa, дообученная на базе yosefw/roberta-base-am-embed. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. В README приведён пример данных с текстами на амхарском языке, хотя в карточке и метаданных указан английский язык. Модель использует усреднение токенных представлений и нормализацию векторов; сходство можно оценивать косинусной мерой. Размер модели — 137,8 млн параметров, максимальный контекст — 512 токенов. По результатам оценки в README точность cosine_accuracy@1 для поиска составляет 0,6929 при размерности 768 и 0,682 при размерности 256. Модель распространяется по лицензии Apache-2.0.

JeremiahZ/roberta-base-qqp — модель классификации текстовых пар, созданная дообучением RoBERTa-base на наборе GLUE QQP. Она предназначена для определения, задают ли два английских вопроса один и тот же вопрос, например, при поиске дубликатов в FAQ или объединении похожих обращений. Модель построена на архитектуре RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текстовые входные данные с контекстом до 514 токенов. В карточке указаны результаты оценки на тестовом наборе: accuracy 0,9153 и F1 0,8867. Модель поддерживает английский язык и опубликована в формате PyTorch. Лицензия — MIT. Карточка не описывает дополнительные сценарии использования и ограничения; качество на других данных может отличаться от результатов на GLUE QQP.

Карточка модели TigerByteCyber/roberta-base-zeroshot-v2.0-c на Hugging Face совпадает с карточкой MoritzLaurer/roberta-base-zeroshot-v2.0-c, поэтому описание составлено по ней. Moritz Laurer разработал roberta-base-zeroshot-v2.0-c — модель для классификации текстов без размеченных примеров. Это дообученная RoBERTa-base с 151,8 млн параметров, настроенная на задачу вывода по естественному языку: модель оценивает, следует ли гипотеза из текста. Hugging Face pipeline позволяет представить разные задачи классификации как проверку гипотез для заданных классов; можно выбрать один класс или разрешить несколько. Модель предназначена для эффективной работы на CPU и GPU и совместима с производственными контейнерами Hugging Face TEI. В сравнении автора на 28 задачах классификации средний macro-F1 составил 0,587; точность зависит от набора данных и формулировки гипотезы. Модель принимает текст и выдаёт оценки классов. Поддерживаемый язык по карточке — английский; длина контекста — 514 токенов. Вариант с суффиксом «-c» обучен на коммерчески дружественных данных: синтетических текстах, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI. Репозиторий распространяется по лицензии MIT. Модель ограничена задачами классификации текста; возможны смещения из-за базовой модели, данных NLI и синтетических данных.

sobamchan/roberta-large-mrl-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на датасете all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью до 1024 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для оценки близости можно использовать косинусное сходство; обучение с MatryoshkaLoss поддерживает укороченные представления размерностью 768, 512, 256, 128 и 64. Модель принимает последовательности длиной до 512 токенов и построена на RoBERTa с усреднением токенных представлений. В README приведены результаты на STS: Spearman cosine 0,8229 на sts-dev и 0,7977 на sts-test. Это англоязычная модель для текстовых эмбеддингов, поэтому её пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.

Модель atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr — дообученный sentence-transformers энкодер на базе турецкой RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска по смыслу, сравнения текстов и кластеризации. Модель дообучена на наборах nli_tr и emrecan/stsb-mt-turkish; тексты перед подачей следует вручную приводить к нижнему регистру с заменой латинской I на турецкую ı. Число параметров — 71,9 млн, контекст — до 514 токенов. Работает с турецким языком, распространяется под лицензией MIT.

ighina/roberta_topseg_cls_wikicity — модель эмбеддингов предложений на базе RoBERTa, опубликованная на Hugging Face. Она кодирует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 151,8 млн параметров, использует формат PyTorch и рассчитана на контекст до 514 токенов. Модель обучена с функцией потерь CosineSimilarityLoss и предназначена для получения векторных представлений текста, пригодных для семантического поиска и группировки похожих фрагментов. Карточка описывает применение Sentence-Transformers и Transformers; для Transformers требуется корректная операция pooling поверх контекстных представлений токенов. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

ighina/roberta_topseg_mean_wikidisease — модель на основе RoBERTa, опубликованная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Веса содержат около 151,8 млн параметров, модель принимает текст и выдаёт эмбеддинги; максимальный контекст составляет 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Для работы доступны Sentence-Transformers и Transformers, причём при использовании Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов. Репозиторий содержит веса PyTorch. Лицензия и целевые языки в предоставленных данных не обозначены.

sergeyzh/rubert-mini-uncased-query — компактный BERT-энкодер, разработанный для симметричного сравнения поисковых запросов. Это дообученная версия sergeyzh/rubert-mini-uncased, обученная дистилляцией эмбеддингов русских и английских текстов с учётом префикса Qwen/Qwen3-Embedding-8B. Модель имеет 38,8 млн параметров, 7 слоёв, размер эмбеддинга 384 и контекст до 512 токенов; регистр букв не учитывается, специальные префиксы для запросов не нужны. Модель предназначена для оценки семантического сходства запросов, кэширования и фильтрации повторяющихся или близких запросов к LLM, а также для сценариев Q2Q RAG. Карточка сообщает об оценке сходства пар поисковых запросов на русском языке относительно Qwen/Qwen3-Embedding-8B; приведённые в таблице метрики относятся к другим вариантам модели и не позволяют судить о точных показателях этой версии. Модель принимает текст и выдаёт векторные представления для сравнения. Поддерживаются русский и английский языки. Лицензия — MIT.

sergeyzh/rubert-tiny-topic — компактная BERT-модель Сергея Жукова для получения эмбеддингов и тематической классификации и кластеризации текстов. Она создана дистилляцией эмбеддингов русских и английских текстов BERTA в rubert-tiny-lite и предназначена для использования с библиотекой Sentence Transformers. Модель содержит 23,1 млн параметров, имеет 3 слоя, размер эмбеддинга 256 и контекст до 512 токенов. В README приведены оценки на наборах MTEB для классификации заголовков, выявления неприемлемого содержания и классификации научных текстов по рубрикатору GRNTI. Качество на английских текстах автор не проверял, поэтому результаты для английского языка не подтверждены. Модель распространяется по лицензии MIT.

ruElectra-small — небольшая предварительно обученная модель семейства ELECTRA для работы с русским языком, разработанная командой SaluteDevices RnD. Её архитектура, предобучение и оценка описаны в препринте «A Family of Pretrained Transformer Language Models for Russian». Модель содержит 78,1 млн параметров и принимает последовательности длиной до 512 токенов. Карточка предлагает использовать модель для получения эмбеддингов предложений; для лучшего качества рекомендуется усреднять эмбеддинги токенов. Это подходит для представления русскоязычных текстов векторными признаками и последующего поиска или сравнения по смыслу. Модель опубликована в формате PyTorch, лицензия — MIT.

cl-nagoya/ruri-large-v2 — японская модель эмбеддингов предложений, разработанная командой cl-nagoya и построенная как Sentence Transformer на базе cl-nagoya/ruri-pt-large-v2. Она преобразует текстовые фрагменты в векторы размерностью 1024; сходство между ними можно оценивать косинусной мерой. Модель основана на архитектуре BERT, содержит 436,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, где нужно сопоставлять тексты по семантической близости. В README приведена оценка 74,55 в среднем по JMTEB, а также результаты по поиску, семантическому сходству, классификации, ранжированию и кластеризации. Разработчики отмечают, что доступны более новые модели Ruri v3 и рекомендуют их для дальнейшего использования. Модель ориентирована на японский язык. Распространяется под лицензией Apache 2.0.

cl-nagoya/ruri-pt-base — японская модель Sentence Transformers, разработанная CL-Nagoya и дообученная на основе tohoku-nlp/bert-base-japanese-v3. Она преобразует предложения в векторы размерности 768 для сравнения семантической близости, поиска и ранжирования текстов. Модель использует архитектуру BERT, принимает последовательности длиной до 512 токенов и рассчитана на японский язык. В README приведены результаты оценки на JMTEB, включая поиск, семантическое сходство, классификацию и кластеризацию. Лицензия — Apache 2.0.

Ruri-Reranker-Base — японский реранкер на основе Sentence Transformers, разработанный командой cl-nagoya и дообученный на cl-nagoya/ruri-reranker-stage1-base. Модель оценивает релевантность пар запрос–текст и ранжирует найденные документы, например, на этапе поиска в RAG-системе. В метаданных указана архитектура BERT для классификации последовательностей и 138,4 млн параметров. Модель рассчитана на японский язык и принимает текстовые пары; максимальная длина последовательности — 512 токенов. В README приведены результаты на японских наборах JQaRA, JaCWIR и MIRACL: модель показывает 74,3, 93,5 и 95,6 соответственно. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0.

Ruri v3 130M — японская модель текстовых эмбеддингов, разработанная cl-nagoya на основе cl-nagoya/ruri-v3-pt-130m и архитектуры ModernBERT-Ja. Она преобразует текст в векторы размерностью 512 для поиска, сравнения предложений и других задач семантического сходства; сходство оценивается косинусной мерой. Модель содержит 132,1 млн параметров и обрабатывает последовательности длиной до 8192 токенов. В её архитектуре используются словарь на 100 тысяч токенов, токенизатор SentencePiece и FlashAttention; для токенизации не требуется отдельный инструмент сегментации японского текста. В оценке JMTEB модель показала средний результат 76,55. Модель предназначена прежде всего для японского текста. Она выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст, поэтому для поиска или ранжирования обычно требуется сравнивать полученные векторы. Лицензия — Apache 2.0.

kanklc выпустил дообученную на базе intfloat/multilingual-e5-small модель Sentence Transformers для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Модель использует архитектуру BERT с усредняющим pooling и нормализацией векторов; размер эмбеддинга — 384 измерения, сходство оценивается косинусной функцией. Максимальная длина последовательности — 512 токенов, число параметров — 124,3 млн. Модель предназначена для семантического поиска и извлечения релевантных текстов, в частности для сопоставления запросов с документами. Дообучение проведено на 1 420 парах предложений с MultipleNegativesRankingLoss; примеры в карточке посвящены симптомам и медицинским формулировкам на турецком языке. Лицензия в предоставленных данных не указана.

SakThai Multilingual Embedding — модель семейства SakThai, созданная на основе Multilingual-MiniLM-L12-H384 и дообученная для получения векторных представлений предложений. Она строит 384-мерные эмбеддинги, в которых тексты близкого смысла располагаются рядом, в том числе если они написаны на разных языках. Модель предназначена для многоязычного семантического поиска, извлечения контекста для RAG, сравнения предложений, кластеризации и поиска дубликатов. Заявлена поддержка более 50 языков; архитектура BERT имеет 12 слоёв, размер модели по метаданным — 124,3 млн параметров, контекст — до 512 токенов. Использовать её можно через sentence-transformers локально или развернуть на TEI endpoint. Лицензия — MIT. В карточке подтверждены локальная загрузка и кодирование на CPU, но приведённые проверки являются лишь smoke-тестами. Формальные оценки MTEB и STS для этой дообученной модели пока не опубликованы, а показатели базовой модели не следует считать результатами SakThai. Серверless API Hugging Face, согласно README, модель не поддерживает; длинные документы требуют разбиения на фрагменты, а качество может снижаться для малоресурсных языков и отдельных языковых пар.

Sarashina-Embedding-v2-1B — японская модель эмбеддингов, разработанная SB Intuitions на основе Sarashina2.2-1B. Она преобразует предложения и абзацы в плотные векторы размерностью 1792 и предназначена для семантического поиска, сравнения текстов, ранжирования, кластеризации и классификации. Модель использует архитектуру Sentence Transformer с LlamaModel и пулингом по последнему токену; максимальная длина последовательности — 8192 токена. Для поиска рекомендуется добавлять к запросу инструкцию и префикс, а к документу — префикс `text:`. Модель обучена контрастивным обучением в несколько этапов: на слабой разметке, затем с контролируемой настройкой, после чего веса двух вариантов были объединены. В README заявлен лучший средний результат среди 28 наборов JMTEB по оценке от 28 июля 2025 года. Модель ориентирована на японский язык. Лицензия Sarashina Model NonCommercial License Agreement ограничивает коммерческое использование.

akhooli/sbert_ar_nli_500k_ubc_norm — модель Sentence Transformers, созданная дообучением UBC-NLP/ARBERTv2 на 500 тысячах арабских NLI-триплетов. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения текстов используется косинусное сходство. Архитектура основана на BERT с усреднением токенных представлений, принимает последовательности длиной до 512 токенов и предназначена для арабского языка. Модель подходит для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Качество может снижаться на текстах других языков и на последовательностях длиннее 512 токенов.

ostoveland/SBertBaseMittanbudver3 — модель Sentence Transformers от ostoveland, дообученная на основе NbAiLab/nb-sbert-base. Она кодирует предложения и абзацы в плотные векторы размерностью 64 и предназначена для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT с усреднением токенных представлений; используется косинусное сходство. В README указан предел последовательности 75 токенов, а метаданные указывают контекст до 512 токенов. Доступны веса PyTorch и OpenVINO; библиотека для работы — sentence-transformers. Обучающие примеры включают норвежские описания услуг и похожие запросы, поэтому модель особенно подходит для сопоставления коротких норвежских текстов. Лицензия в предоставленных данных не указана.

Muennighoff/SBERT-base-nli-v2 — модель семейства Sentence-BERT на базе BERT для получения векторных представлений предложений и оценки их семантического сходства. Она использовалась в работах SGPT о векторных представлениях предложений для семантического поиска и TSDAE об обучении таких представлений с помощью последовательного автоэнкодера с удалением шума. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска, сравнения предложений и других задач, где требуется сопоставлять тексты по смыслу. При использовании через Transformers к контекстным представлениям токенов необходимо применять подходящую операцию pooling. В карточке указано обучение с MultipleNegativesRankingLoss и косинусной функцией сходства. Сведения о лицензии и языковом охвате в предоставленных источниках отсутствуют.

pucpr-br/sbertimbau_news_2020 — модель Sentence-Transformers, разработанная для преобразования предложений и абзацев на португальском языке в плотные векторные представления размерностью 768. Она основана на BERTimbau Base, дообученной версии BERT для бразильского португальского, и использует архитектуру BERT с 136,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации новостных текстов. Обучение проводилось с функцией потерь BatchAllTripletLoss. Данные карточки не описывают лицензию, поэтому условия использования по лицензии определить нельзя.

pucpr-br/sbertimbau_news_2021 — модель Sentence Transformers на базе BERTimbau, дообученная для получения семантических представлений новостных текстов на бразильском португальском. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска и кластеризации новостей. Модель использует архитектуру BERT и обрабатывает текстовые входы с контекстом до 512 токенов. В README указано обучение с BatchAllTripletLoss; в метаданных — 136,1 млн параметров и формат Safetensors. Лицензия в предоставленных данных не указана.

pucpr-br/sbertimbau_news_2023 — модель Sentence-Transformers, дообученная на базе neuralmind/bert-base-portuguese-cased. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения текстов по смыслу, семантического поиска и кластеризации. Модель построена на архитектуре BERT и содержит 136,1 млн параметров; максимальная длина контекста составляет 512 токенов. Модель рассчитана на тексты на бразильском португальском языке. Её можно использовать для поиска похожих новостных текстов и группировки предложений или документов; для получения эмбеддингов в экосистеме Sentence-Transformers требуется соответствующая библиотека либо отдельная операция pooling при использовании Transformers. Репозиторий предоставляет веса в формате safetensors. Лицензия в предоставленных данных не указана.

akhooli/sbert_nli_test_m — модель Sentence Transformers на основе AraBERTv0.2-base, дообученная на арабских NLI-триплетах. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает BERT и усреднение токенных представлений. Для сравнения текстов используется косинусное сходство. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов на арабском языке. Максимальная длина последовательности — 512 токенов. Распространяется по лицензии Apache-2.0.

Santp98/SBERT-pairs-bert-base-spanish-wwm-cased — модель Sentence-Transformers на архитектуре BERT, разработанная Santp98. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и кластеризации. Модель обучена с функцией потерь Multiple Negatives Ranking Loss и косинусным сходством; в репозитории указаны 137,1 млн параметров и контекст до 512 токенов. Название и базовая архитектура указывают на ориентацию на испанский язык. Модель подходит для семантического поиска по текстовым коллекциям, группировки похожих фраз и оценки сходства предложений. Она принимает текст и выдаёт векторы, а не готовые ответы; для получения релевантности или кластеров нужны дополнительные этапы обработки. Репозиторий содержит веса в формате safetensors. Условия лицензии в предоставленных данных не указаны.

DoanKhoi/sbert-phobert-base — модель Sentence Transformers на архитектуре RoBERTa, обученная для получения векторных представлений предложений и абзацев. Она преобразует текст во векторы размерности 768, подходящие для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 162,4 млн параметров и принимает последовательности длиной до 258 токенов. В README указано обучение с CosineSimilarityLoss; в метаданных перечислены Sentence Similarity и Feature Extraction. По названию PhoBERT и карточке модель предназначена для вьетнамского языка. Доступна в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели ceggian/sbert_pt_reddit_softmax_128 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

Карточка модели ceggian/sbert_pt_reddit_softmax_64 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

Madras1/sbert-quality-filter-ptbr-v1 — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между текстами оценивается косинусной мерой. В README указана архитектура BERT с усреднением токеновых представлений и максимальная длина последовательности 128 токенов; метаданные указывают 124,3 млн параметров и контекст 512 токенов. Модель предназначена для семантического сравнения текстов и может применяться для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Название репозитория указывает на фильтрацию качества для бразильского португальского, но README не уточняет, как именно это реализовано; явные сведения о языке обучения отсутствуют. Для работы подходит библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

ceggian/sbert_standard_reddit_softmax — модель Sentence Transformers на базе архитектуры BERT, разработанная автором репозитория ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Обучение использовало SoftmaxLoss; модель также можно применять через библиотеку sentence-transformers или Transformers с соответствующей операцией pooling. Модель принимает текст и возвращает векторные представления. Контекст ограничен 512 токенами. Карточка не приводит сведения о языковой специализации или лицензии, поэтому нельзя установить целевой язык и условия использования.