I.12Рекомендации и персонализация

Bheri/ithasa-mmbert-gist — это дообученная авторами Bheri модель Sentence Transformers на базе jhu-clsp/mmBERT-base. Энкодер ModernBERT преобразует предложения и абзацы в плотные векторы размерностью 768; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на семантическое сравнение текстов и перенос смысла между английским и санскритом; в README приведена оценка на задаче перевода между этими языками. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога сообщают о нативном контексте базовой архитектуры в 8192 токена; практический предел этой версии в Sentence Transformers указан как 128. Чекпойнт содержит 306,9 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

jinaai/jina-embedding-b-en-v1 — англоязычная модель эмбеддингов текста, разработанная Jina AI. Она предназначена для сопоставления предложений и поиска близких по смыслу текстов, включая пары запрос—документ. Модель обучалась на наборе Linnaeus-Clean из 380 миллионов пар предложений, собранных из разных областей и прошедших очистку; в метаданных также указан датасет jinaai/negation-dataset. Модель построена на архитектуре T5 Encoder, содержит 123,8 млн параметров и принимает последовательности длиной до 512 токенов. Она выдаёт текстовые эмбеддинги для семантического поиска, сравнения предложений и ранжирования кандидатов по близости смысла. Доступна в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Ограничение контекста в 512 токенов делает её менее подходящей для прямого кодирования длинных документов; назначение и языковые данные ориентированы на английский.

Xenova/jina-embeddings-v2-base-zh — версия модели эмбеддингов Jina AI, подготовленная Xenova с весами ONNX для использования в Transformers.js. Она основана на jinaai/jina-embeddings-v2-base-zh и предназначена для получения векторных представлений китайских и английских текстов, например для семантического поиска и сравнения сходства. Модель построена на архитектуре JinaBERT семейства BERT, содержит 160,1 млн параметров и поддерживает контекст до 8192 токенов. Репозиторий включает ONNX-веса, а также файлы PyTorch и Safetensors; указана лицензия Apache-2.0. README описывает использование через библиотеку Transformers.js. Данных о качестве на конкретных наборах задач или иных ограничениях в предоставленной карточке нет.

jina-embeddings-v5-omni-small-retrieval-GGUF — мультимодальная retrieval-ориентированная модель эмбеддингов от Jina AI. Это квантизированная GGUF-сборка модели jinaai/jina-embeddings-v5-omni-small-retrieval для использования с llama.cpp. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 1024 и помещает их в общее векторное пространство, совместимое с эталонной PyTorch-версией и текстовой моделью jina-embeddings-v5-text-small-retrieval. Благодаря этому документы можно индексировать одним типом данных, а выполнять поиск — по запросам любой поддерживаемой модальности. Модель предназначена прежде всего для мультимодального семантического поиска и retrieval-сценариев, включая поиск по тексту, изображениям, видео и аудио, а также комбинированные запросы. Она содержит около 1,56 млрд параметров в текстовой, визуальной и аудиочасти, поддерживает контекст до 32768 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности эмбеддингов 32, 64, 128, 256, 512, 768 и 1024, что позволяет уменьшать размер векторов для экономии памяти и ускорения поиска. Поддерживаются распространённые форматы изображений, видео, аудио и PDF-документы. К сильным сторонам относятся единое пространство для разных модальностей, возможность кросс-модального поиска без переиндексации, большой контекст и несколько уровней размерности векторов. Ограничения связаны с тем, что вариант предназначен для retrieval-задач, а не для генерации текста, и требует llama.cpp со специальными мультимодальными патчами Jina AI, которые, согласно README, ещё не вошли в upstream-версию. Текстовая часть доступна в F16 и нескольких квантизированных вариантах, тогда как мультимодальные проекторы поставляются в F16. Лицензия — CC BY-NC 4.0, допускающая использование с обязательным указанием авторства и ограничивающая коммерческое применение.

jina-embedding-t-en-v1 — компактная текстовая модель эмбеддингов, разработанная Jina AI совместно с командой Finetuner. Это плотная BERT-модель на 15,6 млн параметров, обученная на наборе Linnaeus-Clean из 380 млн пар предложений, включая пары запросов и документов. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости; также подходит для поиска и сопоставления запросов с документами. Модель ориентирована на английский язык и обрабатывает последовательности длиной до 512 токенов. В карточке приведены результаты сравнения с несколькими моделями на тестах сходства предложений и поиска, но не все значения таблицы доступны. Модель распространяется по лицензии Apache-2.0.

pouxie/LaBSE-en-ru-bviolet — модель на базе BERT, опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит 155,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на формирование представлений, пригодных для ранжирования по смысловой близости. По названию модель ориентирована на английский и русский языки. Её можно использовать для семантического поиска и группировки текстов на этих языках. В README не приведены результаты оценки, поэтому качество для конкретного набора данных следует проверять отдельно. Лицензия в предоставленных сведениях не указана.

LaSER-Qwen3-8B-i1-GGUF — это GGUF-квантизированная версия модели LaSER-Qwen3-8B, разработанной Alibaba-NLP и дополнительно подготовленной к публикации mradermacher. Модель предназначена прежде всего для плотного поиска, построения эмбеддингов, извлечения признаков и задач информационного поиска, включая сценарии семантического сопоставления документов и запросов. В README указано, что она обучалась с использованием набора данных jinjiajie/LaSER-Training. Модель относится к семейству Qwen3 и имеет размер 8B параметров; точные сведения об архитектуре, длине контекста, поддерживаемых модальностях и языках, кроме английского, не приведены. Доступны варианты квантизации i1 с размерами примерно от 2,2 до 6,8 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Низкоразрядные варианты могут заметно терять в качестве, тогда как i1-Q4_K_M обозначен как быстрый и рекомендуемый, а i1-Q4_K_S — как сбалансированный по размеру, скорости и качеству. Лицензия модели — MIT.

Карточка модели ronaldmannak/LFM2.5-Embedding-350M-bf16 на Hugging Face совпадает с карточкой mlx-community/LFM2.5-Embedding-350M-bf16, поэтому описание составлено по ней. LFM2.5-Embedding-350M-bf16 — мультиязычная модель-энкодер Liquid AI, преобразующая запросы и документы в векторы для семантического поиска и сравнения сходства. Репозиторий mlx-community содержит сборку для локального запуска на устройствах Apple Silicon с библиотекой MLX; архитектура — двунаправленный плотный энкодер LFM2.5 с 1024-мерным CLS-представлением. Число параметров — 444,6 млн, исходная точность bf16 сохранена, контекст — до 128 000 токенов. Модель подходит для поиска документов по смыслу, многоязычного и кросс-языкового поиска, а также ранжирования по косинусному сходству векторных представлений. В README приведены оценки retrieval на небольших наборах NanoBEIR и сокращённых пулах MIRACL для нескольких языков; авторы предупреждают, что абсолютные результаты MIRACL нельзя напрямую сравнивать с лидербордом. Это конверсия исходной модели LiquidAI/LFM2.5-Embedding-350M: веса и поведение сохранены, изменён формат для MLX. Лицензия указана как other; конкретные условия следует сверить с карточкой исходной модели.

LFM2.5-Embedding-350M-fp16 — мультиязычная модель-энкодер Liquid AI, представленная в формате MLX для запуска на Apple Silicon. Это плотный двунаправленный би-энкодер семейства LFM2.5 с вектором CLS размерности 1024; число параметров по метаданным — 444,6 млн, веса fp16 занимают 709 МБ. Модель кодирует запросы и документы в векторы для семантического и межъязыкового поиска. Для кодирования используются префиксы «query: » и «document: », а сходство оценивается косинусной мерой. Карточка приводит результаты на английском подмножестве NanoBEIR и сообщает о высокой скорости кодирования на тестовой системе Apple M-series. Для корректной работы в MLX репозиторий включает специализированный загрузчик: обычные причинные загрузчики LFM2 дают неверные эмбеддинги для этой двунаправленной архитектуры. Базовая модель поддерживает английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский языки. Лицензия указана как other; условия следует сверять с карточкой модели и лицензией базовой модели.

LFM2.5-Embedding-350M-int8 — 8-битная квантованная версия мультиязычного двунаправленного би-энкодера Liquid AI LFM2.5-Embedding-350M, опубликованная sahilchachra для запуска на Apple Silicon через MLX. Модель кодирует запросы и документы в векторы размерности 1024 с CLS-пулингом; для входов требуются префиксы «query: » и «document: », а близость оценивается косинусным сходством. Контекст составляет до 128 000 токенов. Модель предназначена для семантического и кросс-языкового поиска и извлечения релевантных документов. В README приведено сравнение на английском подмножестве NanoBEIR: средний NDCG@10 после квантования практически совпал с fp16. Указана лицензия other; перед использованием следует проверить условия лицензии базовой модели и репозитория. Для корректного получения эмбеддингов нужен двунаправленный энкодер с CLS-пулингом: обычные причинные загрузчики LFM2 дают неверные результаты.

Lore-Qwen3-embedding-0.6B — плотная модель эмбеддингов на основе Qwen3, дообученная методом LORE (Logic-ORiented Retriever Enhancement). Она предназначена для поиска по тексту, особенно для запросов со сложными логическими выражениями, и для различения релевантных документов и отвлекающих фрагментов. В обучении использовалось контрастивное разделение примеров на положительные, близкие отвлекающие и отрицательные; применялась архитектура с замороженным энкодером документов и обучаемым энкодером запросов. Модель содержит около 507,6 млн параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache-2.0. Модель рассчитана на создание векторных представлений текста для семантического поиска и retrieval-систем. По карточке, LORE улучшает обработку логически сложных запросов и сохраняет вычислительную эффективность базовой модели. В основе указан Qwen/Qwen3-0.6B-Base; README при этом называет Qwen/Qwen3-Embedding-0.6B исходной моделью для дообучения.

Luxical-One — компактная модель встраивания текста от DatologyAI, полученная дистилляцией Snowflake/snowflake-arctic-embed-m-v2.0. Она создаёт векторы для симметричного сравнения сходства полных документов на английском языке и для задач классификации. Модель рассчитана на высокопроизводительное получение эмбеддингов без GPU-ускорения; доступна интеграция для инференса через Hugging Face. В репозитории указаны веса в формате safetensors. Лицензия — Apache-2.0.

MiniMind-Embedding-Dense — плотная модель текстовых эмбеддингов на основе MiniMind-3, разработанная в проекте minimind-embedding. Это причинный Transformer-декодер с 63,9 млн параметров и размером скрытого слоя 768; вектор текста формируется по последнему токену EOS. Обучение использует контрастивную функцию InfoNCE с маскированием вероятных ложных негативов и Matryoshka Representation Learning, поэтому эмбеддинг можно сокращать до 64, 128, 256 или 512 измерений для более быстрого поиска. Максимальная длина контекста — 32 768 токенов. Модель предназначена для получения векторов текста, поиска семантически близких предложений и извлечения релевантных документов по запросу. В карточке показаны оценки на китайских наборах ATEC, BQ и LCQMC; заявленная область применения — прежде всего китайские тексты, также указана поддержка английского. Карточка отмечает, что качество ограничивают небольшой словарь в 6400 токенов и сравнительно малый объём первого этапа обучения. Модель дообучена на jingyaogong/minimind-3 и распространяется по лицензии Apache-2.0.

MixEmbed-base-20240113172018-best — компактная модель эмбеддингов на основе архитектуры BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и кластеризации. Модель содержит 18,8 млн параметров и рассчитана на контекст до 512 токенов. Согласно README, модель дистиллирована из bge-small-en-v1.5 и имеет вчетверо меньше параметров без эмбеддингов, чем исходная модель. README также сообщает, что у неё вдвое меньше параметров, чем у all-MiniLM-L6-v2, при сопоставимом качестве. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers требуется корректное pooling contextualized word embeddings. В метаданных указаны safetensors и задачи извлечения признаков и сходства предложений. Модель предназначена для поиска и группировки текстов по смыслу. README указывает на английскую базовую модель bge-small-en-v1.5; поддержка других языков не подтверждена. Лицензия в предоставленных данных не указана.

Карточка модели igzi/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели Youssefbou62/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой thenlper/gte-large, поэтому описание составлено по ней. gte-large — модель текстовых эмбеддингов General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на крупном корпусе пар текстов с оценками релевантности. Она преобразует английские тексты в векторы размерностью 1024 и предназначена для поиска информации, сравнения семантической близости и ранжирования текстов. Модель применима в поисковых системах, семантическом сопоставлении предложений и других задачах, использующих текстовые эмбеддинги. В тесте MTEB для gte-large указана средняя оценка 63,13 по 56 задачам. Контекст ограничен 512 токенами: более длинные тексты обрезаются. Модель рассчитана только на английский язык. Лицензия — MIT.

Карточка модели igzi/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

ModernBERT-embed-large-unsupervised — англоязычная модель LightOn AI для построения эмбеддингов текста. Это плотный двунаправленный энкодер ModernBERT-large с 394,7 млн параметров и контекстом до 8192 токенов, дообученный Contrastors в течение одной эпохи на 235 млн слабонаблюдаемых контрастивных пар из набора Nomic Embed. Модель предназначена для поиска и сравнения текстов; в README приведены результаты на задачах классификации, кластеризации, поиска, переранжирования и семантического сходства. Репозиторий содержит веса в формате Safetensors и поддерживает извлечение признаков и оценку сходства предложений. Модель рассчитана прежде всего на английский язык. Для использования эмбеддингов в поисковых системах или других приложениях обычно требуется отдельная система индексации и поиска. Лицензия — Apache-2.0.

Xavarary/mpnet-base-all-medium-triplet — англоязычная модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-distilroberta-v1 на датасете all-nli. Архитектура включает энкодер RoBERTa, усреднение токенных представлений и нормализацию; модель содержит 95,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Максимальная длина входа — 514 токенов по метаданным; в карточке указано ограничение в 512 токенов. Модель предназначена для семантического сравнения текстов, поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации. Её можно использовать для построения векторного поиска и оценки близости английских фраз. Обучение на парах и тройках all-nli и нормализованные эмбеддинги поддерживают сравнение векторных представлений. Модель распространяется по лицензии Apache-2.0. Карточка приводит результаты TripletEvaluator на all-nli-dev, однако значения cosine_accuracy заметно ниже dot_accuracy, поэтому способ сравнения векторов следует выбирать по результатам собственной проверки; опубликованные показатели ограничены указанным датасетом.

din0s/mpnet-base-nq-prompts-baseline — текстовая модель Sentence Transformers, дообученная на наборе Natural Questions на базе microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их косинусным сходством; модель предназначена для семантического поиска и сопоставления текстов. Архитектура состоит из MPNetModel и слоя mean pooling, максимальная длина входа — 512 токенов. Модель рассчитана на английский язык и выпущена под лицензией Apache-2.0. Её можно применять для поиска релевантных ответов на вопросы, оценки семантической близости предложений, поиска перефразировок, кластеризации и классификации текстов. Карточка приводит результаты на наборах для информационного поиска и NanoBEIR, но качество может различаться на данных других тематик и языков; это модель эмбеддингов, а не генератор ответов.

Это англоязычный Cross Encoder на базе jhu-clsp/ettin-encoder-32m, дообученный авторами Sentence Transformers на датасете MS MARCO. Модель использует архитектуру ModernBERT, содержит 31,9 млн параметров и принимает пару текстов, чтобы оценить их релевантность; результатом служит один числовой балл. Для этой модели указано максимальное ограничение в 512 токенов на последовательность. Модель предназначена для переранжирования результатов поиска и семантического поиска: её можно применять для переоценки кандидатов, уже найденных поисковой системой, чтобы поднять наиболее подходящие документы выше. В README приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель распространяется в формате safetensors и рассчитана на использование с библиотекой sentence-transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

Xenova/ms-marco-MiniLM-L-12-v2 — это версия модели cross-encoder/ms-marco-MiniLM-L-12-v2 с весами в формате ONNX, подготовленная для работы в библиотеке Transformers.js. Модель предназначена для оценки релевантности пары текстов: например, поискового запроса и найденного документа или ответа на вопрос и контекста. Она возвращает числовой балл, который можно использовать для ранжирования результатов информационного поиска и переранжирования кандидатов. Модель относится к архитектуре MiniLM с 12 слоями и работает как модель классификации последовательностей, обрабатывая два текста совместно. В README указана совместимость с JavaScript-окружением и запуском непосредственно через Transformers.js; приведён пример применения к англоязычному запросу и двум фрагментам текста. ONNX-веса могут существовать в квантованном и неквантованном вариантах, что позволяет выбирать между меньшим размером и потенциально более высокой точностью. Сильная сторона модели — совместная оценка запроса и документа, обычно более подходящая для точного переранжирования, чем независимое построение эмбеддингов. Ограничения, параметры контекста, точный размер, поддерживаемые языки, показатели качества и лицензия в README не указаны. Условия использования следует уточнять в исходном репозитории cross-encoder/ms-marco-MiniLM-L-12-v2.

Xenova/multilingual-e5-base — версия модели intfloat/multilingual-e5-base с весами в формате ONNX, подготовленная для использования в Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript-средах, включая веб-приложения, через библиотеку @huggingface/transformers. Модель предназначена для извлечения признаков из текста и может использоваться как основа для задач семантического поиска, сравнения текстов, кластеризации и построения других NLP-систем. В README подтверждён сценарий feature extraction. Модель заявлена как multilingual, однако конкретный перечень поддерживаемых языков, размер, архитектура, длина контекста и точные характеристики качества в предоставленных данных не указаны. Ключевое преимущество этой версии — совместимость с Transformers.js и ONNX, что облегчает запуск модели в JavaScript- и веб-средах. Ограничение описания заключается в отсутствии подробных сведений о производительности, поддерживаемых языках, требованиях к ресурсам и лицензии. Информация о лицензии в README не приведена.

Это модель Sentence Transformer, дообученная автором anhtuansh на базе intfloat/multilingual-e5-base. Она преобразует предложения и абзацы в плотные векторы размерностью 768; архитектура включает XLM-RoBERTa, усреднение токенов и нормализацию, а близость векторов можно оценивать косинусным сходством. Модель предназначена для семантического поиска, сопоставления текстов, поиска перефразировок, кластеризации и классификации текста. При дообучении использован набор json из 10 200 пар anchor-positive с MatryoshkaLoss и MultipleNegativesRankingLoss. Максимальная длина входа — 512 токенов по README и 514 токенов контекстного окна по метаданным. Многоязычная базовая модель позволяет работать с текстами на разных языках; в обучающих примерах есть вьетнамские юридические тексты. README приводит результаты оценки поиска, но не уточняет язык и состав тестовых данных. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

SMARTICT/multilingual-e5-large-wiki-tr-rag — модель Sentence Transformer, созданная дообучением intfloat/multilingual-e5-large. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 512; для сравнения используется косинусное сходство. Архитектура построена на XLM-RoBERTa с усреднением токенных представлений и нормализацией. Модель содержит 658,7 млн параметров, принимает последовательности длиной до 514 токенов по метаданным. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, в том числе для сценариев RAG. Примеры обучающих данных содержат запросы и длинные фрагменты на турецком языке; название репозитория также указывает на турецкую Wikipedia, поэтому модель ориентирована на поиск по турецким текстам. Лицензия в предоставленных данных не указана.

Это дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-small, разработанная автором репозитория srikarvar. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 384 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT-трансформер, усреднение токеновых представлений и нормализацию; сходство векторов оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для многоязычных сценариев работы с текстами. В README приведены результаты бинарной классификации пар предложений: точность 0,93 и F1 0,9238 на указанных наборах pair-class-dev и pair-class-test. Веса опубликованы в формате safetensors; лицензия в доступных данных не приведена.

JoBeer/multi-qa-mpnet-base-dot-v1-eclass — модель эмбеддингов на базе архитектуры MPNet, представленная в формате PyTorch и совместимая с Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Обучение описано с использованием MultipleNegativesRankingLoss и косинусного сходства. Модель содержит 136,7 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Её можно применять для семантического поиска и получения сходства между предложениями; README также указывает кластеризацию как сценарий использования. Сведения о лицензии и целевых языках в предоставленных данных отсутствуют.

mlx-community/mxbai-rerank-large-v2 — версия модели mixedbread-ai/mxbai-rerank-large-v2, преобразованная сообществом mlx-community в формат MLX для запуска на устройствах Apple Silicon. Это плотная авторегрессионная модель Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов; базовая модель предназначена для переоценки и сортировки результатов поиска по релевантности запросу. Карточка указывает библиотеку MLX и формат safetensors, а также лицензию Apache-2.0. Модель подходит для включения в конвейеры поиска и RAG, где нужно пересортировать найденные документы или фрагменты по соответствию запросу. Метаданные Hugging Face помечают её задачей text-generation и разговорной моделью, хотя базовая модель предназначена для ранжирования; README описывает конвертацию весов, но не содержит подробностей о вызове реранкера или оценках качества. Языковые теги и карточка базовой модели указывают на многоязычность, но русский язык среди перечисленных языков карточки не указан.

Nemotron-3-Embed-8B-GGUF — мультиязычная модель для создания текстовых эмбеддингов, опубликованная Abiray на основе модели NVIDIA Nemotron-3-Embed-8B-BF16. Она предназначена для Retrieval-Augmented Generation (RAG), семантического поиска и кросс-языкового поиска, включая локальные сценарии на потребительском оборудовании с использованием llama.cpp, Ollama или LM Studio. Модель имеет архитектуру Transformer, содержит около 8 миллиардов параметров и поддерживает контекст длиной до 32 тысяч токенов. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Репозиторий предоставляет варианты квантования в формате GGUF от Q3_K_M до Q8_0 объёмом примерно от 4,01 до 8,46 ГБ; Q4_K_M указан как рекомендуемый вариант, обеспечивающий баланс между качеством и требованиями к памяти. Сильными сторонами модели являются мультиязычность, поддержка кросс-языкового поиска, возможность локального развёртывания и ориентация на задачи извлечения информации; в README также заявлено первое место в мультиязычном рейтинге RTEB по состоянию на июль 2026 года. Ограничения связаны с потерями качества у более низких уровней квантования и значительными требованиями к памяти. Лицензия — OpenMDW-1.1.

Nemotron-3-Embed-8B-GGUF — набор GGUF-квантизаций модели Nemotron-3-Embed-8B-BF16, разработанной NVIDIA. Модель предназначена для создания текстовых эмбеддингов, семантического сходства и задач информационного поиска, включая retrieval и сценарии на базе sentence-transformers. Это текстовая embedding-модель с размером исходной модели 8B; точные сведения об архитектуре, поддерживаемых языках и длине контекста в README не указаны. Квантизация выполнена с использованием llama.cpp и публичной матрицы важности Wikitext-2. Для корректной работы к запросам требуется добавлять префикс «query: », а к документам — «passage: ». Эмбеддинги формируются посредством mean pooling и нормализуются по L2, что удобно для сравнения векторов. Сильные стороны модели — наличие GGUF-формата и ориентация на семантический поиск и сопоставление текстов. Ограничения включают необходимость соблюдать специальные префиксы и отсутствие в предоставленных данных подробностей о качестве, конкретных вариантах квантизации, языковом покрытии и контекстном окне. Модель распространяется по лицензии OpenMDW 1.1; README также указывает, что данный репозиторий не связан с NVIDIA, Mistral или другими компаниями и не одобрен ими.