I.11Классификация, ранжирование и сопоставление

SimCSE-Small-E-Czech — компактная модель семантических эмбеддингов предложений, разработанная Seznam.cz. Она основана на Seznam/small-e-czech и дообучена с целевой функцией SimCSE; архитектура — ELECTRA, размер — 20,4 млн параметров. Модель предназначена для сравнения смысла чешских предложений и может применяться в семантическом поиске, извлечении релевантных текстов, кластеризации и классификации. Модель принимает текст и выдаёт векторные представления предложений для задач сходства. Она рассчитана на чешский язык, поддерживает контекст до 512 токенов и распространяется в формате PyTorch по лицензии CC BY 4.0. README не приводит подробных результатов оценки; качество для конкретного набора данных следует проверять отдельно.

LazarusNLP/s-indobert-base-mmarco — модель Sentence-Transformers на архитектуре BERT, обученная LazarusNLP для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss на основе косинусного сходства; в метаданных указан датасет unicamp-dl/mmarco и язык индонезийский (id).

Mozilla/smart-tab-embedding — англоязычная модель Sentence Transformer, разработанная Mozilla и дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического сравнения текстов; близость векторов оценивается косинусным сходством. Архитектура основана на BERT: токеновые представления усредняются, затем вектор нормализуется. В репозитории представлены форматы ONNX и safetensors; размер модели — 25,9 млн параметров, контекст по метаданным — до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов, а также оценки сходства предложений. Карточка описывает обучение на 49 800 парах предложений с CosineSimilarityLoss. Указанная оценка Spearman cosine равна 0,2402, поэтому качество на конкретной задаче следует проверять на собственных данных. Лицензия в предоставленных данных не указана.

SmolLM3-3B German Embeddings — экспериментальная модель текстовых эмбеддингов от Mayflower GmbH на основе SmolLM3-3B. Авторы преобразовали decoder-only Llama-модель в текстовый энкодер с двунаправленным вниманием и дообучили её методом LLM2Vec: сначала на задаче предсказания маскированных токенов, затем контрастивным обучением на парах немецких текстов. Модель содержит 3,1 млрд параметров и формирует векторы размерности 2048. Модель предназначена прежде всего для немецкоязычного семантического поиска и сопоставления текстов; эмбеддинги также можно использовать для кластеризации, классификации и выявления дубликатов. Она принимает текст и выдаёт плотные векторы. В README указана максимальная длина последовательности 512 токенов; контекст архитектуры в метаданных составляет 65 536 токенов, но практический лимит модели для эмбеддингов указан как 512. Поддержка других языков возможна, однако не оценивалась. Модель выпущена под лицензией Apache-2.0.

Карточка модели Hanan-Alnakhal/solar-rag-embedding-model на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

copenlu/spiced — модель на базе MPNet, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости текстов, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучалась с функцией CosineSimilarityLoss. Её можно применять для получения текстовых эмбеддингов, поиска похожих фрагментов и группировки семантически близких предложений. Карточка не сообщает о специализированной предметной области или языковой специализации. Лицензия в предоставленных данных не указана.

SRBedding-base-v1 — модель Smartcat для семантического поиска и извлечения информации на сербском языке. Это Sentence Transformer на архитектуре XLM-RoBERTa, дообученный на базе e5-multilingual-base. Модель преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения сходства и ранжирования результатов поиска. Модель рассчитана на поиск релевантных документов по запросу, в том числе в коллекциях сербской Википедии, новостей и других текстов. В README указана максимальная длина входа 512 токенов; метаданные сообщают о 305,2 млн параметров и контекстном окне в 514 токенов. Для использования нужен текстовый запрос или документ; результатом служат векторные представления. README описывает оценку на сербских версиях MS MARCO, Natural Questions и SQuAD, но результаты относятся к указанным наборам и не гарантируют такое же качество на других данных. Модель выпущена по лицензии MIT.

pritamdeka/S-Scibert-snli-multinli-stsb — модель Sentence-Transformers на архитектуре BERT, содержащая 137,1 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства предложений. Модель обучалась с функцией потерь CosineSimilarityLoss; для использования с Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Модель принимает текст и выдаёт векторные представления. Максимальная длина контекста составляет 512 токенов. В README описаны примеры использования с библиотеками Sentence-Transformers и Hugging Face Transformers. Сведения о поддерживаемых естественных языках и лицензии в предоставленных данных отсутствуют.

Standard One 3B — мультиязычная модель решений от StandardThinking на базе дообученной и слитой версии Ministral 3 3B Instruct. Она оценивает заданный сценарий и возвращает вероятности для вариантов ответа: выбора из списка, ответа «да/нет» или порядковой шкалы; свободный текст модель не генерирует. Поддерживается ввод изображений, однако приведённые в карточке результаты относятся к текстовым решениям. Модель рассчитана на сценарии, где нужно ранжировать ограниченный набор вариантов или оценить их вероятности, включая вопросы с большим числом ответов и длинными документами. Контекст при описанной конфигурации обслуживания — до 32 768 токенов. Обучающая смесь включает английский, японский, китайский, испанский, французский, немецкий, португальский, русский и в меньшей доле корейский языки. Контрольные результаты зависят от распределения задач и способа обслуживания; для существенно отличающегося распределения рекомендуется повторно настроить температуры. Вероятности в локальном и серверном режимах могут различаться. Лицензия — Apache-2.0.

Statim Decide EN Large — разработанная для Statim модель классификации решений, дообученная на основе convaiinnovations/laya с архитектурой ModernBERT-large. Она принимает короткий текст или JSON и отвечает на заданный пользователем вопрос в формате выбора категории, оценки или ответа «да/нет»; текст не генерирует. Модель выполняет вывод за один проход и поддерживает запуск на CPU или GPU через движок Statim на C++ без Python во время работы. Модель обучалась на нескольких наборах данных для определения намерений, типизированных решений и проверок безопасности. В тестировании на 54 наборах авторы указали 11 значимых улучшений, 43 результата в пределах шума и отсутствие регрессий относительно исходного чекпойнта. Точность зависит от задачи и языка; карточка содержит слабые результаты для некоторых языковых вариантов и предупреждает о слабой работе с пониманием прочитанного и семантическим сходством. Весовые файлы доступны в GGUF F32 и Q8_0, а также в формате чекпойнта Laya. Версия 0.5.0 распространяется по лицензии PolyForm Noncommercial 1.0.0: коммерческое использование не разрешено. Для ответов с низкой уверенностью предусмотрена эскалация на проверку человеком; модель не следует использовать для автоматизации значимых решений о людях без такого контроля.

Карточка модели ITESM/st_demo_2 на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели ITESM/st_demo_6 на Hugging Face совпадает с карточкой somosnlp-hackathon-2022/bertin-roberta-base-finetuning-esnli, поэтому описание составлено по ней. bertin-roberta-base-finetuning-esnli — модель Sentence-Transformers на архитектуре RoBERTa, разработанная Anibal Pérez, Emilio Tomás Ariza, Lautaro Gesuelli и Mauricio Mazuecos. Модель обучена на испанских задачах вывода по естественному языку, включая ESXNLI и автоматически переведённые SNLI и MultiNLI. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, кластеризации и оценки семантического сходства. Модель содержит 151,8 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. В оценке на испанском наборе SemEval-2015 STS она превзошла приведённый в карточке базовый результат BETO STS по корреляциям Пирсона и Спирмена. Для использования с Transformers требуется корректная операция pooling поверх контекстных представлений токенов. Сведения о лицензии в предоставленных данных отсутствуют.

gubartz/st_scibert_pubmed_rct — модель Sentence-Transformers на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; размер модели составляет 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель обучалась с функцией потерь BatchAllTripletLoss. Для получения эмбеддингов её можно запускать через Sentence-Transformers или Transformers с подходящей операцией pooling. Она предназначена для текстовых входов и выдаёт векторы; формат весов в репозитории — PyTorch. Метаданные и README не сообщают лицензию или конкретные языки обучения, поэтому их нельзя уточнить.

Supertron-embedding-300M — компактная модель эмбеддингов на базе Sentence Transformers, разработанная Surpem и дообученная на основе google/embeddinggemma-300m. Она преобразует текст в векторные представления для семантического поиска, сравнения предложений и кластеризации документов, в том числе в системах RAG. Модель построена на плотном трансформере семейства Gemma 3 Text, содержит 302,8 млн параметров и рассчитана на контекст до 2048 токенов. В README указана максимальная длина последовательности 256 токенов для описанной процедуры обучения. Модель ориентирована на английский язык и демонстрирует результаты на задачах семантического сходства из бенчмарка MTEB. Компактный размер делает её подходящей для прикладных систем с ограниченными вычислительными ресурсами. Модель распространяется в формате Safetensors по лицензии Apache 2.0.

princeton-nlp/sup-simcse-bert-large-uncased — модель извлечения признаков и получения эмбеддингов предложений, разработанная группой Princeton NLP. Это вариант BERT Large, обученный методом supervised SimCSE на объединённых наборах MNLI и SNLI (около 314 тысяч примеров); модель содержит 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Её можно применять для представления предложений в виде векторов, в том числе для оценки семантического сходства и переноса признаков в последующие NLP-задачи. Модель предназначена для англоязычного текста. В README указаны риски предвзятых ассоциаций и стереотипов в представлениях; результаты следует оценивать с учётом контекста и возможного вреда. Форматы репозитория включают PyTorch и Flax. В карточке не приведены сведения о лицензии, поэтому условия использования следует уточнить у разработчика перед применением.

cl-nagoya/sup-simcse-ja-large — японская модель эмбеддингов предложений, разработанная на основе cl-tohoku/bert-large-japanese-v2. Она дообучена методом Supervised SimCSE на датасете JSNLI и использует архитектуру BERT с вектором CLS и стратегией pooling CLS; дополнительный MLP-слой применялся только при обучении. Модель содержит 436,2 млн параметров и рассчитана на последовательности длиной до 512 токенов по метаданным; в обучении использовалась максимальная длина 64 токена. Модель предназначена для получения векторных представлений японских предложений и оценки их смыслового сходства, например для поиска похожих фраз или построения семантического поиска. Для работы указана библиотека Sentence-Transformers; веса представлены в формате PyTorch. Лицензия — CC BY-SA 4.0.

Это мультимодальная модель Sentence Transformers, дообученная daruokta на базе daruokta/t5gemma-2-1b-multimodal-embedding-indo-v6 для поиска и сопоставления предложений. Она кодирует текст и изображения в плотные векторы размерностью 1152; для сравнения векторов используется косинусное сходство. Максимальная длина последовательности — 4096 токенов. Модель обучалась на задачах поиска, семантического сходства, вывода и классификации и подходит для семантического поиска и сравнения текстов. В карточке указаны индонезийский и английский языки. Лицензия — Apache-2.0. В опубликованных оценках приведены результаты для семантического сходства, поиска и бинарной классификации, однако они относятся к указанным наборам оценки и не гарантируют аналогичного качества на других данных. Карточка не описывает отдельную генерацию текста или извлечение признаков изображения помимо заявленной поддержки текстовых и визуальных входов.

Taiyi-CLIP-Roberta-large-326M-Chinese — китайская модель семейства Taiyi-CLIP, разработанная командой Fengshenbang. Это текстовый энкодер RoBERTa-large в модели CLIP, обученной сопоставлять изображения и китайские описания. Для визуальной части используется ViT-L-14; при предварительном обучении визуальный энкодер замораживали, а текстовый дообучали на 123 млн пар изображение–текст из наборов Noah-Wukong и Zero. В README указано 326 млн параметров для модели, тогда как метаданные репозитория сообщают 424,3 млн параметров. Модель предназначена для извлечения совместимых представлений изображений и текста, классификации изображений без дополнительного обучения и поиска изображений по китайскому текстовому запросу. В README приведены результаты zero-shot классификации ImageNet1k-CN и поиска текста по изображениям на Flickr30k-CNA, COCO-CN и Wukong50k. Метаданные указывают архитектуру BertForSequenceClassification, контекст до 512 токенов и pipeline feature-extraction; этот репозиторий представлен как текстовая часть мультимодальной системы CLIP. Лицензия — Apache-2.0.

Tamil-Embed-Base — модель эмбеддингов предложений, разработанная для работы с тамильским языком и дообученная на базе intfloat/multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров по метаданным; README указывает 278 млн. Модель преобразует текст в векторы для семантического поиска, сравнения предложений и межъязыкового поиска между тамильским и английским языками. Её обучали в два этапа: на парах для NLI, затем на параллельном корпусе Samanantar с трудными негативными примерами. Размер эмбеддинга — 768 измерений; Matryoshka-представления позволяют использовать усечённые векторы размером 512, 256, 128 или 64 измерения, чтобы ускорить поиск. Максимальная длина контекста — 514 токенов. Модель распространяется под лицензией Apache-2.0. README приводит результаты на межъязыковом бенчмарке, но таблица показана не полностью; поэтому по ней нельзя оценить качество на всех заявленных сценариях.

Это Sentence Transformer, дообученный на базе intfloat/multilingual-e5-base с использованием Sentence Transformers. Модель использует XLM-RoBERTa, усредняет токенные представления и нормализует результат; она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для сравнения по косинусному сходству. Максимальная длина последовательности составляет 512 токенов. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск похожих предложений, перефразов, кластеризацию и классификацию текста на основе эмбеддингов. Примеры обучающих данных на норвежском языке связаны с услугами по ремонту и строительству; это указывает на специализацию в поисковых запросах такого типа, хотя README также заявляет более широкие сценарии применения. В метаданных лицензия не приведена.

Kyurem — компактная модель эмбеддингов на основе архитектуры BERT, созданная слиянием предварительно обученных моделей методом Model Stock с помощью mergekit. В слияние вошли Mihaiii/Wartortle, TaylorAI/bge-micro-v2 и TaylorAI/bge-micro; последняя указана как базовая модель. Модель предназначена для преобразования предложений и коротких текстов в векторные представления, семантического поиска и сравнения сходства. Она содержит 18,8 млн параметров, работает с контекстом до 512 токенов и доступна в форматах safetensors и ONNX через библиотеку sentence-transformers. По сведениям о базовой модели, основное назначение — англоязычные тексты. Модель распространяется по лицензии MIT. Её компактный размер удобен для поиска и сопоставления текстов с ограниченными вычислительными ресурсами; ограничения включают контекст в 512 токенов и англоязычную специализацию базовой модели.

Карточка модели Gflorent/test_false_positive на Hugging Face совпадает с карточкой Gflorent/fossil_flex, поэтому описание составлено по ней. Gflorent/fossil_flex — модель sentence-transformers на архитектуре MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель обучена с функцией потерь CosineSimilarityLoss. Её можно использовать в сценариях семантического поиска и группировки похожих текстов; репозиторий содержит веса PyTorch. Лицензия в доступных сведениях не приведена.

witty-works/test_false_positive_2 — модель на базе архитектуры MPNet, разработанная командой witty-works. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, сравнения предложений и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и возвращает эмбеддинги; заявленная длина контекста — 514 токенов. Для использования доступны веса PyTorch и интеграция с Sentence-Transformers или Transformers. Модель подходит для семантического поиска и группировки текстов по смыслу. Она обучалась с функцией потерь CosineSimilarityLoss. В карточке не указаны языковая специализация и условия лицензии, поэтому их нельзя определить по предоставленным данным.

Карточка модели Bhuvana/test-setfit-model на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

dinait/test-setfit-model — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и вычисления сходства. Модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов; для получения векторов её можно использовать через Sentence-Transformers либо Transformers с соответствующей операцией pooling. Модель подходит для семантического поиска, группировки текстов и сравнения предложений по смыслу. В README указано обучение с CosineSimilarityLoss, однако сведений о языках обучающих данных и результатах оценки не приведено. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

tevatron-elastic-qwen3-0.6b-reranker-depth — модель для повторного ранжирования текстовых документов, обученная с помощью Tevatron-Elastic на базе Qwen/Qwen3-0.6B-Base. Она поддерживает эластичное сокращение по глубине: один чекпойнт позволяет выбирать число используемых слоёв и тем самым менять баланс между скоростью и качеством. Для настройки рабочей точки используются параметры `prune_to` и `encode_at` в фреймворке Tevatron-Elastic. Модель содержит около 508 млн параметров, принимает текстовые запросы и фрагменты документов с префиксами `query:` и `passage:`; максимальная длина при обучении составляла 512 токенов. На полной конфигурации авторы сообщают nDCG@10 0,555 на BEIR-15. Чекпойнт выпущен как ресурс для воспроизводимости результатов статьи, а не как заявка на лучшие показатели. Лицензия — Apache-2.0.

text2vec-large-chinese — модель представления предложений на основе BERT, созданная GanymedeNil. Согласно карточке, в производной версии MacBERT заменён на LERT, а остальные условия обучения сохранены. Модель предназначена для оценки сходства между предложениями и получения векторных представлений текста, которые можно использовать для поиска и сопоставления фраз. Модель содержит 424,3 млн параметров, принимает текст с контекстом до 512 токенов и поддерживает китайский язык. Репозиторий включает веса PyTorch и Safetensors; в README также упомянута версия для ONNX Runtime. Лицензия — Apache-2.0. Карточка не приводит сведения о качестве на конкретных тестах.

ellery/text-safety-embedding — модель на базе архитектуры BERT, опубликованная в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерностью 1024 и подходит для семантического поиска и кластеризации. Модель также можно использовать для сравнения семантической близости текстов. Контекст модели составляет до 512 токенов, а размер — 424,3 млн параметров. Для работы доступны Sentence-Transformers или Transformers с подходящей операцией pooling поверх контекстных представлений. В карточке не описаны языки обучения или специализация на выявлении небезопасного контента, поэтому название модели само по себе не подтверждает такую возможность.

tifilBERT-Base — турецкий энкодер предложений и экстрактор признаков, разработанный Şuayp Talha Kocabay в AI-клубе TÜBİTAK Science High School (TFLai). Это дообученная версия jhu-clsp/mmBERT-small на архитектуре ModernBERT с 140,5 млн параметров; модель предназначена прежде всего для получения семантических представлений предложений и оценки их сходства. Карточка сообщает о языковой адаптации и контрастивном выравнивании, а метаданные указывают контекст до 8192 токенов. Для обучения и оценки использовались, в частности, турецкие данные NLI и набор OPUS-100; автор приводит результаты на задачах классификации, NLI и QA. Модель рассчитана главным образом на короткие и средние турецкие тексты и может служить основой для дообучения под классификацию, распознавание сущностей и другие NLP-задачи. Контрастивное обучение усиливает семантическое сходство, но может ухудшать оценку грамматической приемлемости. README указывает практический предел около 512 токенов и предупреждает о возможных предвзятостях данных из Википедии, новостей и интернета; это расходится с контекстом 8192 токена в метаданных. Лицензия модели — MIT.

ClovenDoug/tiny_64_all-MiniLM-L6-v2 — модель Sentence Transformers на архитектуре BERT, разработанная ClovenDoug. Она преобразует предложения и абзацы в плотные векторы размерностью 64 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. Модель получена дистилляцией all-MiniLM-L6-v2 с исходным пространством векторов размерностью 384; более компактные векторы ускоряют сравнение сходства, при этом время инференса, согласно карточке, остаётся примерно таким же. Модель содержит 25,9 млн параметров, принимает текст и выдаёт векторы. Контекст ограничен 512 токенами. Доступны веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.