I.12Рекомендации и персонализация

Модель Mateo Rúa создаёт 384-мерные семантические эмбеддинги заголовков товаров для испаноязычной электронной коммерции. Это дообученная с помощью contrastive learning модель Sentence Transformers на базе intfloat/multilingual-e5-small; архитектура — BERT, размер — 124,3 млн параметров. Модель предназначена для семантического поиска, рекомендаций, выявления дубликатов и группировки товаров в каталогах маркетплейсов. В README приведены результаты retrieval на независимом тесте: Recall@10 составляет 0,921, то есть товар той же категории входит в десятку ближайших соседей в 92% случаев. Модель принимает текстовые заголовки и выдаёт векторы; использует косинусное сходство и поддерживает последовательности до 512 токенов. Оптимизирована для коротких названий товаров на испанском языке и обучена на данных товарного каталога 2019 года. Модель может хуже работать на длинных текстах, с неоднозначными терминами и с недавно появившимися категориями или брендами. Для португальского языка README рекомендует дообучение на соответствующих данных. Лицензия — Apache 2.0.

Giga-Embeddings-instruct-10B-A1.8B-0826 — модель текстовых эмбеддингов, разработанная ai-sage на основе GigaChat3-10B-A1.8B. Её адаптировали под двунаправленное encoder-style внимание и обучили контрастивной функцией потерь InfoNCE. По карточке, архитектура относится к DeepSeek-V3: 26 слоёв, скрытая размерность 1536, Multi-head Latent Attention и MoE с 64 маршрутизируемыми экспертами. Всего около 10 млрд параметров, из них примерно 1,8 млрд активны на токен; веса представлены в bfloat16. Модель строит плотные векторы для поиска по смыслу, семантического сравнения, классификации и кластеризации текста. Она рассчитана в первую очередь на русский и английский языки и поддерживает контекст до 262 144 токенов. Для получения эмбеддингов требуется усреднить представления непустых токенов и выполнить L2-нормализацию; для асимметричного поиска инструкцию добавляют к запросу, а документы кодируют без неё. В README сообщается о результатах на русских, английских и кодовых бенчмарках MTEB. Для коммерческого и иного использования применяется лицензия MIT. Важно соблюдать предусмотренную схемой обработки последовательность пулинга и нормализации: CLS- и last-token pooling дают неверные результаты. Результаты могут немного различаться в зависимости от версий Transformers и PyTorch.

GeorgeCU/Giga-Embeddings-instruct-3B-0826-ft — модель текстовых эмбеддингов из серии Giga-Embeddings, построенная на собственной предобученной модели с архитектурой Qwen3 и двунаправленным encoder-style вниманием. Она содержит около 3,2 млрд параметров, формирует векторы размерностью 2048 и поддерживает контекст до 8192 токенов. Для получения эмбеддинга используются mean pooling по непаддинговым токенам и L2-нормализация. Модель предназначена для векторного поиска, семантического сравнения, классификации и кластеризации текстов. Она обучена контрастивным методом InfoNCE и рассчитана прежде всего на русский и английский языки. В асимметричном поиске инструкцию следует добавлять к запросу, оставляя документы без инструкции; для симметричного сравнения инструкцию можно опустить или использовать общую. README приводит результаты MTEB для русского, английского и кода. Для корректного применения нужны mean pooling и L2-нормализация: CLS- и last-token pooling дают неверные результаты. При прямом использовании transformers эти операции нужно выполнять самостоятельно; результаты могут немного различаться в зависимости от версий PyTorch и Transformers. Лицензия — MIT.

harrier-oss-v1-0.6b — разработанная Microsoft мультиязычная модель эмбеддингов текста на архитектуре Qwen3 с 507,9 млн параметров. Она использует pooling по последнему непустому токену и L2-нормализацию, формируя плотные векторы размерности 1024. Максимальная длина контекста — 32 768 токенов. Модель предназначена для поиска и ранжирования текстов, кластеризации, оценки семантического сходства, классификации и поиска параллельных текстов. Для запросов рекомендуется задавать краткую инструкцию, описывающую задачу; для документов инструкция не требуется. Семейство обучалось контрастивным методом на мультиязычных данных, а варианты 270M и 0.6B дополнительно дистиллированы из более крупных моделей эмбеддингов. В README заявлены высокие результаты на Multilingual MTEB v2. Поддерживаются многие языки, включая русский, английский, китайский, японский и ряд европейских и азиатских языков. Модель распространяется в формате Safetensors по лицензии MIT. Качество зависит от формулировки инструкции для запроса; небольшие различия результатов могут возникать из-за версий Transformers и PyTorch.

onnx-community/harrier-oss-v1-270m-ONNX — ONNX-версия мультиязычной модели эмбеддингов harrier-oss-v1-270m, разработанной Microsoft и подготовленной для использования с Transformers.js. Модель преобразует текст в плотные векторные представления размерностью 640, используя decoder-only архитектуру, pooling по последнему непустому токену и L2-нормализацию. Она поддерживает до 32 768 токенов в контексте и обучена на контрастивных задачах с дополнительной дистилляцией от более крупных embedding-моделей. Модель предназначена для семантического поиска и retrieval, кластеризации, оценки семантического сходства, классификации, поиска параллельных текстов и reranking. Она поддерживает широкий набор языков, включая русский, английский, арабский, китайский, японский, корейский, испанский, французский, немецкий и многие другие. Для запросов рекомендуется добавлять однострочную инструкцию, описывающую задачу; для документов инструкции не требуются. По данным карточки, модель получила оценку 66,5 на Multilingual MTEB v2 на момент выпуска. К сильным сторонам относятся широкая языковая поддержка, большой максимальный контекст, компактный размер 270 млн параметров и возможность запуска через Transformers.js, включая WebGPU. Результаты могут немного отличаться в зависимости от версий Transformers и PyTorch. Модель предназначена для текстовых данных и не описана как мультимодальная. Лицензия — MIT.

Англоязычная модель эмбеддингов Jina AI на архитектуре JinaBERT, основанной на BERT. Она преобразует текст в векторные представления для поиска по смыслу, сравнения предложений, ранжирования и рекомендательных систем. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 8192 токенов; для получения эмбеддингов README рекомендует применять mean pooling. Модель обучена на коллекции Jina AI из более чем 400 млн пар предложений и сложных негативных примеров. В основе лежит JinaBERT, предварительно обученный на C4; симметричный двунаправленный вариант ALiBi позволяет обрабатывать длинные последовательности. Модель подходит для поиска по длинным документам, семантического сходства и RAG, сохраняя сравнительно быстрый инференс. Для загрузки через Transformers требуется trust_remote_code=True; README также указывает на gated-доступ на Hugging Face. Лицензия — Apache-2.0. Модель предназначена для английского текста и не является мультимодальной.

jinaai/jina-embeddings-v2-base-en — англоязычная модель эмбеддингов, разработанная Jina AI. Она предназначена для преобразования текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Модель построена на архитектуре JinaBERT с двунаправленным ALiBi и содержит около 136,7 млн параметров; заявленная длина последовательности — 8192 токена. Модель обучали на коллекции Jina AI из более чем 400 млн пар предложений и сложных негативных примеров. Она рассчитана на поиск по длинным документам, семантическое сходство, ранжирование, рекомендации и RAG. Для получения эмбеддингов README рекомендует применять mean pooling; модель также может выполнять заполнение масок и задачи классификации текста согласно каталожным метаданным. Лицензия — Apache-2.0. Для загрузки весов требуется авторизация из-за gated access; при использовании через Transformers необходимо включить trust_remote_code=True. Модель предназначена для английского текста, поэтому её не следует считать многоязычной.

Карточка модели yodayo-ai/jina-embeddings-v2-small-en-st на Hugging Face совпадает с карточкой jinaai/jina-embeddings-v2-small-en, поэтому описание составлено по ней. jina-embeddings-v2-small-en — англоязычная модель эмбеддингов, разработанная Jina AI. Она построена на архитектуре JinaBERT на базе BERT: энкодер предварительно обучен на C4, а затем модель дообучена на наборе Jina AI из более чем 400 миллионов пар предложений и сложных негативных примеров из разных областей. Модель преобразует текст в векторы для поиска по длинным документам, семантического сравнения текстов, ранжирования, рекомендаций и систем RAG. Контекст поддерживает до 8192 токенов благодаря двунаправленному варианту ALiBi; при обучении использовалась длина последовательности 512 токенов. Для получения эмбеддинга предложения или фрагмента текста README рекомендует применять mean pooling. Размер модели — около 32,4 млн параметров по метаданным. Компактный размер обеспечивает быстрое и экономное по памяти получение эмбеддингов. Модель предназначена для английского языка и не является мультиязычной. Для работы через Transformers может потребоваться параметр trust_remote_code=True; модель доступна в форматах PyTorch, Safetensors, ONNX и Core ML. Лицензия — Apache-2.0.

jina-embeddings-v5-text-small-text-matching — компактная модель векторных представлений текста от Jina AI, предназначенная для сопоставления текстов и оценки их семантической близости. Модель является квантизированной версией jinaai/jina-embeddings-v5-text-small и обучалась с использованием дистилляции и специализированных контрастивных функций потерь. Модель содержит 677 млн параметров, поддерживает многоязычные тексты и обрабатывает последовательности длиной до 32 768 токенов. Она формирует эмбеддинги размерностью 1024 с использованием pooling по последнему токену. Поддерживаются уменьшенные Matryoshka-размерности: 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством и затратами на хранение и поиск. Модель подходит для семантического поиска, дедупликации, кластеризации, ранжирования и других задач сопоставления текстов. К сильным сторонам относятся компактность, высокая производительность для своего размера, многоязычность, длинный контекст и возможность гибко сокращать размер эмбеддинга. Ограничение модели — специализация на text-matching: README не заявляет её оптимизацию для генерации текста или иных задач. Для использования требуется совместимое программное окружение, включая transformers, PyTorch и, в зависимости от способа запуска, vLLM, sentence-transformers или Text Embeddings Inference. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер применения.

spl4shedEdu/mpnet_ISM — модель Sentence Transformers, дообученная автором spl4shedEdu на базе sentence-transformers/all-mpnet-base-v2. MPNet преобразует предложения и абзацы в плотные векторы размерности 768; эмбеддинги нормализуются, а сходство можно сравнивать по косинусной мере. По данным карточки, обучение проводилось на парах anchor–positive с функцией потерь CachedMultipleNegativesRankingLoss; тренировочная выборка содержит 281 342 примера. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Модель принимает текст и выдаёт векторы признаков для предложений и абзацев. README указывает максимальную длину последовательности 384 токена, а метаданные каталога — контекст 514 токенов. Примеры обучающих данных относятся к товарам и каталогам, но карточка не ограничивает применение конкретной областью. Лицензия в предоставленных данных не указана.

groonga/multilingual-e5-base-Q4_K_M-GGUF — это квантизированная в формате GGUF версия multilingual-e5-base, разработанная на основе модели intfloat/multilingual-e5-base и предназначенная для создания векторных представлений текста. Модель ориентирована на задачи семантического сходства, поиска и извлечения документов, классификации текстов и других сценариев, где требуется сравнивать смысл текстовых фрагментов. Она совместима с llama.cpp и связанной экосистемой инструментов. Модель поддерживает широкий набор языков, включая русский, английский, немецкий, французский, испанский, китайский, японский и многие другие. В README указана оценка на бенчмарке MTEB, включающем задачи классификации отзывов и контрфактических высказываний, а также задачи информационного поиска. Квантизация Q4_K_M снижает требования к памяти и может упростить локальный запуск, однако потенциально уменьшает точность по сравнению с исходной версией. Размер модели, точная архитектура, максимальная длина контекста и другие параметры в предоставленных данных не указаны. Модель распространяется по лицензии MIT. Она подходит для многоязычного семантического поиска, построения систем рекомендаций, кластеризации, дедупликации и классификации текстов. Ограничения включают зависимость качества от языка и типа данных, возможные потери качества из-за квантизации, а также отсутствие в README подробных инструкций по применению и сведений о поддерживаемых модальностях, кроме текстовой.

Nano-Em1-0.6B-v2 — модель эмбеддингов текста от KiteFish AI на базе Qwen3-0.6B. Она использует двунаправленное внимание вместо причинной маски, среднее объединение токенных представлений и формирует векторы размерности 1024. Максимальная длина входа по README — 512 токенов; метаданные указывают контекст модели в 40 960 токенов. Модель предназначена для поиска документов по запросу, ранжирования, семантического сходства, классификации пар текстов и кластеризации. Для задач предлагаются инструкции-префиксы; при асимметричном поиске префикс инструкции добавляется к запросу, а документы кодируются без него. В метаданных также указана поддержка извлечения признаков и сходства предложений. Модель ориентирована на английский язык, а качество на других языках не оценивалось. Для загрузки архитектуры требуется включить trust_remote_code=True. Модель дообучена на Qwen/Qwen3-0.6B, распространяется в формате safetensors по лицензии Apache-2.0.

all-mpnet-base-v2 — модель sentence-transformers, разработанная в рамках Community Week при поддержке Hugging Face на основе предварительно обученной модели microsoft/mpnet-base. Она предназначена для кодирования предложений и коротких абзацев: преобразует текст в плотный вектор размерности 768, отражающий его семантическую информацию. Модель подходит для семантического поиска, информационного извлечения, кластеризации и оценки сходства предложений. Она обучалась с использованием контрастивной цели на наборе примерно из 1 млрд пар предложений, сформированных из разнообразных текстовых и специализированных датасетов. Для получения итогового эмбеддинга используется усреднение контекстных представлений токенов с учётом attention mask и последующая L2-нормализация. Поддерживается английский язык; максимальная длина входа по умолчанию ограничена 384 word pieces, более длинный текст усекается. Сильной стороной модели является универсальность для задач сравнения и поиска по англоязычным предложениям и коротким фрагментам текста, а также совместимость с библиотеками Sentence Transformers, Hugging Face Transformers и Text Embeddings Inference. Модель не предназначена для генерации текста, её применение к длинным документам без предварительного разбиения ограничено длиной контекста. Лицензия — Apache-2.0.

Contextual AI разработала Contextual AI Reranker V2 Instruct Multilingual — инструкционную модель для повторного ранжирования текстовых документов. Она оценивает релевантность документов запросу и может учитывать дополнительные указания, например отдавать приоритет более свежим сведениям или разрешать противоречия между результатами поиска. Модель рассчитана на многоязычный поиск, ответы на вопросы по найденным материалам, поиск товаров и рекомендации. Она основана на плотной архитектуре Qwen3ForCausalLM, содержит 2 млрд параметров и принимает текстовые запросы, инструкции и документы. В метаданных указан контекст до 262 144 токенов; README заявляет поддержку контекстов до 32 000 токенов и более 100 языков. Модель возвращает оценки релевантности, где более высокий балл означает более подходящий документ. Лицензия CC BY-NC-SA 4.0 требует атрибуции и распространяет производные материалы на тех же условиях, а также ограничивает коммерческое использование.

mlx-community/embeddinggemma-300m-8bit — 8-битная версия модели EmbeddingGemma объёмом 302,8 млн параметров, преобразованная сообществом mlx-community в формат MLX из модели Google embeddinggemma-300m-qat-q8_0-unquantized. Модель использует текстовую архитектуру семейства Gemma 3 и предназначена для создания нормализованных векторных представлений текстов. Модель подходит для оценки семантического сходства предложений, поиска похожих текстов, семантического поиска, кластеризации, классификации и построения систем retrieval и reranking. README показывает использование через библиотеку mlx-embeddings и поддерживает task-specific prefixes для разных сценариев работы с эмбеддингами. Максимальная длина контекста составляет 2048 токенов, а квантование до 8 бит уменьшает требования к памяти при работе на устройствах Apple с MLX. Для доступа на Hugging Face требуется принять лицензию Google Gemma. Качество результатов зависит от выбранного task prefix, длины входного текста и предметной области; контекст ограничен 2048 токенами.

embeddinggemma-300m-GGUF — это модель для создания векторных представлений текста, основанная на google/embeddinggemma-300m. Исходную модель разработала Google, а GGUF-версии подготовила Second State Inc. Модель предназначена для задач семантического сходства и других сценариев, где требуется сравнивать тексты по смыслу, включая поиск и работу с векторными индексами. Модель поддерживает запуск через sentence-transformers и LlamaEdge, использует специальный режим embedding и имеет контекстное окно 2048 токенов. Доступны варианты размерности эмбеддингов 128, 256, 512 и 768. Репозиторий содержит квантованные GGUF-файлы размером примерно от 212 до 329 МБ, а также версию f16 размером 616 МБ. Квантование уменьшает требования к ресурсам, но может снижать качество: Q4_K_M, Q5_K_M и Q5_K_S обозначены как сбалансированные или рекомендуемые варианты, тогда как наиболее компактные версии имеют существенные потери качества. README не содержит сведений о поддерживаемых языках, точной архитектуре, составе модальностей или конкретных наборах данных обучения. Модель распространяется по лицензии Gemma; условия лицензии следует учитывать при использовании.

EmbeddingGemma — мультиязычная модель эмбеддингов Google DeepMind на 302,8 млн параметров, основанная на текстовой архитектуре Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы для поиска, извлечения информации, оценки семантического сходства, классификации и кластеризации. Модель обучена на данных более чем на 100 языках и рассчитана на запуск в условиях ограниченных ресурсов, включая мобильные устройства и настольные компьютеры. Модель принимает текст длиной до 2048 токенов и выдаёт вектор размерности 768; с помощью Matryoshka Representation Learning его можно сократить до 512, 256 или 128 измерений с последующей нормализацией. Веса предназначены для использования с Sentence Transformers и реализацией Gemma 3 в Transformers. Модель подходит для поиска документов и кода по запросам, а также для подбора текстов по смыслу. Качество может снижаться при неоднозначных формулировках, сарказме и тонких языковых нюансах; результаты также зависят от охвата и возможных смещений обучающих данных. Лицензия — Gemma; применяются условия использования и политика запрещённого использования Gemma.

F2LLM-v2-160M — многоязычная модель эмбеддингов общего назначения от CodeFuse AI, относящаяся к семейству Qwen3. Это instruct-вариант размером 134,8 млн параметров, созданный дообучением пруненной модели F2LLM-v2-0.6B-Preview-Pruned-160M. Модель принимает текст и преобразует его в векторные представления; максимальная длина контекста — 40 960 токенов. Модель предназначена для семантического поиска, ранжирования и других задач сопоставления текстов, включая поиск по запросу, оценку сходства, кластеризацию и поиск параллельных текстов. Она обучена на данных более чем для 200 языков, с особым вниманием к языкам с ограниченными ресурсами; карточка перечисляет поддержку 21 языка. Matryoshka Representation Learning позволяет сокращать размерность эмбеддингов, сохраняя возможность настраивать компромисс между качеством, хранением и скоростью поиска. Для retrieval и reranking рекомендуется задавать инструкцию для запроса, но не для документов; после усечения эмбеддингов их следует нормализовать. Модель распространяется под лицензией Apache-2.0 и доступна в формате Safetensors. Заявления о результатах на бенчмарках относятся к семейству F2LLM-v2 в целом; README не приводит отдельные показатели именно для версии 160M.

Fingu-instruct-3 — модель Sentence Transformer, дообученная FINGU-AI на базе dunzhang/stella_en_1.5B_v5. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство; в метаданных указаны архитектура Qwen2, 1,5 млрд параметров и контекст до 131072 токенов. README указывает максимальную длину последовательности 8096 токенов, поэтому при работе следует учитывать это более низкое ограничение. Модель принимает текст и возвращает векторы; указанная библиотека — sentence-transformers. Лицензия в предоставленных данных не указана.

FRIDA — полноразмерная модель эмбеддингов текста, разработанная командой SaluteDevices AI for B2C RnD. Она основана на энкодере FRED-T5 и использует архитектуру T5; число параметров — 936,6 млн. Модель предварительно обучена на русско-английском наборе данных и дообучена для получения текстовых представлений. Репозиторий содержит веса в формате safetensors. FRIDA предназначена для построения эмбеддингов и оценки сходства предложений. Её можно применять для семантического поиска, подбора похожих текстов и задач ранжирования, используя подходящие префиксы и pooling CLS. Максимальная длина входа — 512 токенов. Модель распространяется по лицензии MIT.

Giga-Embeddings-instruct — двуязычная модель эмбеддингов от разработчиков GigaChat, построенная на decoder-only LLM GigaChat-3b. Она использует pooling типа Latent-Attention и формирует векторы размерности 2048. Модель предназначена для поиска и извлечения информации, семантического сравнения текстов и классификации; для настройки эмбеддингов под задачу перед запросом рекомендуется добавлять инструкцию в формате «Instruct: …\nQuery: …». Для retrieval-инструкцию добавляют к запросу, но не к документу; в симметричных задачах инструкцию добавляют перед каждым сравниваемым текстом. Модель обучена на смеси русских и английских данных и принимает текст, выдавая векторные представления. Максимальная длина входа — 4096 токенов. Указана лицензия MIT. Результаты могут немного различаться в зависимости от версий Transformers и PyTorch.

GritLM-7B — языковая модель ContextualAI, дообученная на основе Mistral-7B-v0.1 с помощью метода GRIT. Она объединяет генерацию текста и получение текстовых представлений: подходит для диалогов и задач, где нужны эмбеддинги или оценки релевантности. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекстное окно 32 768 токенов. Модель предназначена для использования как в генеративных сценариях, так и в задачах представления текста, включая поиск и ранжирование. В репозитории доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0.

gte-Qwen2-1.5B-instruct — модель текстовых эмбеддингов из семейства GTE, разработанная Alibaba NLP на базе Qwen2-1.5B. Она преобразует тексты в векторы размерности 1536 и предназначена для поиска по смыслу, сравнения предложений, ранжирования и других задач, использующих текстовые представления. Модель поддерживает инструкции для запросов и обучалась на многоязычных данных из разных областей; в карточке указано контекстное окно 131 072 токена, тогда как README описывает максимальную длину входа 32 000 токенов. В основе — архитектура Qwen2 с причинной языковой моделью, дополненной двунаправленным механизмом внимания для контекстного представления текста. В README заявлены сценарии для широкого круга языков и задач, но конкретный список языков не приведён. Модель распространяется под лицензией Apache-2.0. Для запуска README указывает зависимости transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее.

Карточка модели DeepanBabu/gte-Qwen2-1.5B-instruct на Hugging Face совпадает с карточкой Alibaba-NLP/gte-Qwen2-1.5B-instruct, поэтому описание составлено по ней. gte-Qwen2-1.5B-instruct — модель текстовых эмбеддингов из семейства GTE, разработанная Alibaba NLP на базе Qwen2-1.5B. Она преобразует тексты в векторы размерности 1536 и предназначена для поиска по смыслу, сравнения предложений, ранжирования и других задач, использующих текстовые представления. Модель поддерживает инструкции для запросов и обучалась на многоязычных данных из разных областей; в карточке указано контекстное окно 131 072 токена, тогда как README описывает максимальную длину входа 32 000 токенов. В основе — архитектура Qwen2 с причинной языковой моделью, дополненной двунаправленным механизмом внимания для контекстного представления текста. В README заявлены сценарии для широкого круга языков и задач, но конкретный список языков не приведён. Модель распространяется под лицензией Apache-2.0. Для запуска README указывает зависимости transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее.

furiosa-ai/harrier-oss-v1-0.6b — производная версия мультиязычной модели эмбеддингов Harrier OSS v1 от Microsoft, подготовленная FuriosaAI для запуска на ускорителях RNGD с Furiosa-LLM. В основе лежит плотная decoder-only архитектура Qwen3; модель содержит 507,9 млн параметров и принимает текст, выдавая L2-нормированные векторы размерности 1024. Контекст — до 32 768 токенов. Модель предназначена для поиска по смыслу, кластеризации, оценки семантического сходства, классификации текстов, поиска параллельных текстов и ранжирования. Она учитывает инструкцию к задаче: для запросов рекомендуется добавлять краткое описание задачи в формате «Instruct: …\nQuery: …», а документы передавать без этой инструкции. Помимо Furiosa-LLM, исходная модель поддерживает запуск через Sentence Transformers и Transformers. Модель опубликована под лицензией MIT. В карточке указана поддержка многих языков, включая английский, арабский, китайский? [исправить]

sirabhop/mart-multilingual-semantic-search-miniLM-L12 — многоязычная модель Sentence Transformer, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для семантического поиска по товарам. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать косинусной мерой. Архитектура включает трансформер BERT и усредняющий токены pooling-слой, число параметров — 124,3 млн. Модель подходит для поиска похожих товарных запросов и карточек, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Обучение описано для набора из 243 060 примеров с якорными, положительными и отрицательными текстами и функцией TripletLoss. README сообщает максимальную длину последовательности 128 токенов; метаданные указывают контекст до 512 токенов. Базовая модель многоязычная, а примеры обучающих данных включают тайский язык. Лицензия в предоставленных данных не указана.

Matryoshka Text Embedding v1 — мультиязычная модель эмбеддингов текста на базе энкодера XLM-RoBERTa, дообученная с применением Matryoshka Representation Learning. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и извлечения документов; поддерживает семь размерностей эмбеддинга от 64 до 1024, что позволяет выбирать компромисс между качеством, скоростью и объёмом хранения. Максимальная длина последовательности — 8194 токена по метаданным модели; README указывает 8192 токена. Модель предназначена для поиска по научной литературе, правовым и медицинским документам, веб-страницам и каталогам товаров, а также для рекомендаций и индексации больших коллекций. В карточке заявлена поддержка более 100 языков; метаданные отдельно перечисляют английский, арабский, немецкий, испанский, французский, китайский, русский, турецкий, корейский, японский, итальянский, португальский и нидерландский. Метаданные указывают 658,7 млн параметров, тогда как README приводит около 568 млн. Модель выпущена hasankursun и дообучена на FacebookAI/xlm-roberta-base. Для лучшего соответствия исходному качеству используют полную размерность или крупные векторы; усечение уменьшает требования к хранению и вычислениям, но может снизить качество. Лицензия CC-BY-NC-4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение.

Minnow-Em1-0.6B — компактная многоязычная модель эмбеддингов от KiteFish AI, дообученная на базе Qwen/Qwen3-0.6B. Это плотный трансформер с примерно 507,9 млн параметров, преобразованный в двунаправленный энкодер: каждый токен учитывает контекст с обеих сторон. Модель принимает текст и формирует векторные представления для поиска, сравнения и группировки текстов; поддерживает контекст до 40 960 токенов и инструкции, задающие тип задачи для запроса. Модель предназначена для семантического поиска и извлечения документов, оценки сходства текстов, классификации, кластеризации, ранжирования и поиска параллельных фрагментов на разных языках. Для корректной работы при загрузке необходимо включить двунаправленное внимание: в сохранённых весах это изменение не зафиксировано, и стандартная причинная маска заметно ухудшает эмбеддинги. Авторы готовят оценку на MMTEB/MTEB; опубликованных итоговых результатов пока нет. В обучении использовались обучающие части ряда публичных бенчмарков, поэтому результаты на соответствующих задачах следует считать внутридоменными; версия v1 смещена в сторону англоязычного поиска вопросов и ответов, а низкоресурсные и межъязыковые задачи могут выполняться слабее. Лицензия — Apache 2.0.

Ovis-Omni-Embedding-3B — мультимодальная модель эмбеддингов с 3 млрд параметров от ATH-MaaS, созданная на основе Qwen2.5-Omni-3B. Она кодирует текст, изображения, визуальные документы, видео, аудио и их сочетания в общее векторное пространство для поиска и сравнения. Модель использует общий бэкбон Thinker и родные текстовый токенизатор, визуальный и аудиоэнкодеры; вектор извлекается из скрытого состояния последнего непустого токена. Для запуска предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для семантического и межмодального поиска, индексации и извлечения данных для мультимодальных RAG-систем, рекомендаций, поиска по видео и аудио, визуальным документам, интерфейсам и памяти агента. Это bi-encoder: запросы и кандидаты кодируются независимо, а ранжирование обычно выполняется по косинусному сходству нормализованных векторов. Генерировать текст или речь модель не предназначена. В бенчмарке MMEB-v3, включающем 190 наборов данных, модель набрала 58,46 балла и показала сильные результаты в агрегатах по группам модальностей. Качество зависит от подходящей инструкции для запроса и корректной предобработки; результаты бенчмарка не гарантируют качество на новых доменах. Лицензия — Apache-2.0.

PawanEmbd-68M — модель эмбеддингов предложений на основе Transformer-энкодера с проекционным слоем, разработанная dmedhi. Модель содержит 67,7 млн параметров, выдаёт векторы размерностью 768 и обрабатывает последовательности длиной до 512 токенов. Она создана методом дистилляции знаний из IBM Granite-278M Multilingual Embedding; репозиторий содержит веса в формате safetensors. Модель предназначена для семантического поиска, оценки сходства предложений, кластеризации текстов, выявления дубликатов, подбора похожих объектов и извлечения релевантных фрагментов для систем вопросно-ответного поиска. В README автор приводит сравнение, согласно которому студенческая модель существенно меньше и быстрее учительской на CPU. В метаданных указан английский язык и набор данных all-nli. Лицензия — Apache-2.0. Максимальная длина последовательности составляет 512 токенов, поэтому более длинные тексты потребуется обрезать или обрабатывать частями.