I.12Рекомендации и персонализация

ys7yoo/sentence-roberta-large-klue-nli-sts-all — модель на базе RoBERTa large, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска по смыслу и кластеризации. При обучении использовалась функция потерь CosineSimilarityLoss; модель содержит 435,4 млн параметров и рассчитана на контекст до 514 токенов. Модель подходит для построения семантического поиска, группировки похожих текстов и других задач сравнения предложений по смыслу. Для использования доступны PyTorch и библиотека Sentence Transformers; при работе через Transformers требуется применить подходящую операцию pooling к контекстным эмбеддингам. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя. Указание KLUE в названии не подтверждает само по себе, какие языки модель поддерживает.

Карточка модели lewtun/setfit-minilm-distilled на Hugging Face совпадает с карточкой chiragme/setfit-minilm-distilled-ledgar, поэтому описание составлено по ней. chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Muennighoff/SGPT-5.8B-weightedmean-msmarco-specb-bitfit — модель эмбеддингов предложений на архитектуре GPT-J, обученная для оценки сходства текстов. Она предназначена для поиска семантически близких предложений и документов, ранжирования результатов и построения поисковых систем. В README указано обучение с MultipleNegativesRankingLoss и косинусной мерой сходства; метаданные отмечают поддержку эмбеддингов и задачи sentence similarity. Контекст составляет 2048 токенов, формат весов — PyTorch. Модель опубликована под лицензией 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.

StaRSE — компактная модель статических эмбеддингов русских предложений, представленная как StaticEmbedding для Sentence-Transformers. Она предназначена для быстрого вычисления векторных представлений на CPU, когда высокопроизводительная обработка важнее использования полного Transformer-энкодера. Модель подходит для оценки семантического сходства, кластеризации, извлечения признаков для классификации и построения начальных представлений для поиска. В README указаны 61,51 млн логических параметров: матрица размером 120 138 × 512 хранится в виде бинарных знаковых битов и вектора норм FP32. Для набора MTEB(rus, v1.1) приведён средний основной балл 51,16 по 23 задачам. Модель ориентирована на русский язык и использует Sentence-Transformers; формат файлов репозитория — safetensors. Модель опубликована под лицензией Apache-2.0. В README приведены результаты классификации, кластеризации и многометочной классификации; показатели для других сценариев в доступном фрагменте не раскрыты.

Карточка модели BlueAvenir/sti_modern_workplace_V_0_1 на Hugging Face совпадает с карточкой BlueAvenir/sti_cyber_security_model_updated, поэтому описание составлено по ней. BlueAvenir/sti_cyber_security_model_updated — модель на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, семантического поиска и кластеризации текстов. Модель содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов. Модель можно применять для поиска похожих текстов, группировки документов по смыслу и построения векторного представления текстовых данных. В README указано обучение с CosineSimilarityLoss. Репозиторий содержит веса PyTorch; лицензия и специализация на кибербезопасности в предоставленных данных не подтверждены.

josedossantos/tree-txtInteiroTeorLimpo-bertimbau — модель Sentence Transformer, созданная дообучением neuralmind/bert-large-portuguese-cased. Она кодирует предложения и абзацы на бразильском португальском в плотные векторы размерностью 1024, сравнимые по косинусному сходству. Архитектура включает BERT Large с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель предназначена для поиска семантически близких текстов и оценки сходства. Её также можно применять для поиска перефразировок, кластеризации и классификации текста, а в прикладных системах — для векторного поиска по португалоязычным документам. Обучение проводилось на 4 327 парных примерах с ContrastiveLoss. В карточке указана лицензия Apache-2.0. Как и другие модели эмбеддингов, она возвращает векторы, а не готовые ответы; качество зависит от соответствия входных текстов обучающему распределению. Контекст ограничен 512 токенами.

Модель Heimat24/vhs_burghausen_danielheinz_e5-qa_generation_user-5-1-0.8 — модель Sentence-Transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, поиска похожих текстов и кластеризации. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. В карточке указана максимальная длина контекста 514 токенов. Для работы используется библиотека sentence-transformers; веса доступны в формате safetensors. Модель подходит для семантического поиска и группировки текстов. Языковая поддержка явно не описана, хотя архитектура XLM-RoBERTa рассчитана на многоязычные данные. Лицензия в предоставленных сведениях не указана.

Это визуальный энкодер SigLIP из библиотеки timm: вариант ViT-Base с патчами 16×16, глобальным усреднением признаков и входным разрешением 224 пикселя. В репозитории опубликованы веса только image encoder, обученного на данных WebLI; модель предназначена для извлечения признаков изображений и может использоваться в системах поиска и анализа изображений. Модель принимает изображения и выдаёт их векторные представления. Она доступна в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия — Apache-2.0. Карточка не описывает численное качество и подробные ограничения применения.

Это визуальный энкодер SigLIP 2 на архитектуре ViT Giant с оптимизированными патчами 16 и входным разрешением 384 пикселя, подготовленный для библиотеки timm. Модель соответствует только визуальной части SigLIP 2 и обучена на наборе данных WebLI. Модель предназначена для извлечения признаков изображений: полученные представления можно использовать для поиска похожих изображений, сопоставления изображений с текстом в составе мультимодальной системы и других задач визуального анализа на основе признаков. Метаданные указывают задачу image-feature-extraction; модель принимает изображения и выдаёт векторные представления. Репозиторий распространяется по лицензии Apache 2.0. Карточка не сообщает число параметров, длину контекста или ограничения качества; это визуальный энкодер, поэтому он сам по себе не генерирует текст и не принимает текстовые запросы.

Это веса визуального энкодера ViT-Huge/14 из семейства DFN CLIP, опубликованные timm. Модель предназначена для извлечения признаковых представлений изображений, которые можно использовать для поиска по изображениям, сравнения визуального сходства и построения мультимодальных систем. Это только энкодер изображений, а не полная модель CLIP с текстовым энкодером.

Модель timm/vit_so400m_patch14_siglip_224.webli — визуальный энкодер семейства SigLIP на архитектуре Vision Transformer. Это только image encoder с исходным attention pooling, предназначенный для извлечения признаков изображений. Модель разработана Google и распространяется в экосистеме timm; веса доступны в форматах PyTorch и safetensors. Энкодер преобразует изображение в признаки, которые можно использовать для визуального поиска, сопоставления изображений и построения систем классификации или кластеризации с отдельными компонентами. Карточка не сообщает размер модели, разрешение входа, языки или контекст; лицензия Apache-2.0 разрешает использование и распространение на её условиях.

onnx-community/voyage-4-nano-ONNX — ONNX-версия модели voyageai/voyage-4-nano, подготовленная сообществом onnx-community. Это multilingual-модель для извлечения признаков и построения векторных представлений текста, пригодная, в частности, для семантического поиска и поиска документов по запросу. В README показан сценарий представления поискового запроса для последующего поиска поддерживающих документов. Модель запускается через ONNX Runtime и принимает токенизированный текст с использованием Transformers AutoTokenizer. Выходы включают last hidden state размерности 2048 на токен и pooler output размерности 2048 для всего входа. В README приведён пример с англоязычным запросом; точный перечень поддерживаемых языков, максимальная длина контекста, количество параметров и сведения об архитектуре не указаны. К сильным сторонам относятся формат ONNX, совместимый с ONNX Runtime, и получение компактного векторного представления размерности 2048 для задач поиска и сопоставления текстов. Ограничения описания связаны с отсутствием данных о качестве, производительности, поддерживаемых языках и предельной длине входа. Модель распространяется по лицензии Apache-2.0.

qxakshat/all-MiniLM-L6-v2-32dim — модель Sentence Transformers на архитектуре BERT, которая преобразует предложения и абзацы в плотные векторы размерностью 32. Её можно применять для семантического поиска, кластеризации и оценки сходства текстов. Репозиторий содержит веса в формате safetensors; модель насчитывает 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Это уменьшенная по размерности версия all-MiniLM-L6-v2: README указывает, что 32-мерное представление получено снижением размерности исходного 384-мерного. На тесте STS с оценкой косинусного сходства версия на 32 измерения показала Pearson 0,7256 и Spearman 0,7481, ниже исходной версии с 384 измерениями (0,8274 и 0,8203 соответственно). Модель ориентирована на английский язык и выпущена по лицензии Apache-2.0.

Модель manupande21/all-MiniLM-L6-v2-finetuned-triplets — англоязычный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, дообученный на 800 тысячах примеров из задачи ранжирования passages датасета MS MARCO. Архитектура Sentence Transformer использует BERT-энкодер и mean pooling; она преобразует предложения и абзацы в плотные векторы размерностью 384. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов; для практического использования следует учитывать ограничение библиотеки или конфигурации модели. Модель предназначена для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Сходство векторов можно оценивать косинусной мерой. README приводит значение cosine_accuracy 0,9667 на тесте TripletEvaluator, но не описывает набор данных этого теста достаточно подробно для обобщения результата на другие сценарии. Лицензия в предоставленных данных не указана.

Модель omarelshehy/arabic-english-sts-matryoshka — двуязычная Sentence Transformer, дообученная разработчиком на базе FacebookAI/xlm-roberta-large. Она преобразует предложения и абзацы на арабском и английском языках в плотные векторы размерностью 1024 для сравнения семантической близости. Векторы можно сокращать до 768, 512, 256, 128 или 64 измерений, чтобы уменьшить требования к памяти и вычислениям; для оценки сходства используется косинусная мера. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и классификации. Она поддерживает как сравнение текстов внутри каждого языка, так и межъязыковое сопоставление арабского и английского текстов. Архитектура основана на XLM-RoBERTa large, содержит 658,7 млн параметров, принимает текст длиной до 514 токенов и выдаёт векторы. Для использования требуется библиотека Sentence Transformers. В README приведены обнадёживающие результаты MTEB, но разработчик рекомендует проверять качество на целевых данных. Модель распространяется по лицензии Apache-2.0.

flaglow/BAAI-bge-reranker-v2-m3-mlx-fp16 — MLX-совместимая версия модели BAAI/bge-reranker-v2-m3, разработанной Beijing Academy of Artificial Intelligence (BAAI) и подготовленной пользователем flaglow для локального запуска через MLX. Это не генеративная модель общего назначения, а многоязычный reranker для оценки релевантности пары «запрос—документ» и переупорядочивания результатов поиска, например в системах семантического поиска и Retrieval-Augmented Generation. На вход подаются запрос и текстовый фрагмент, на выходе — числовой score релевантности; при необходимости его можно преобразовать в значение от 0 до 1 с помощью sigmoid-функции. Модель содержит около 0,6 млрд параметров и основана на семействе BGE-M3 с архитектурой XLM-RoBERTa; исходная модель позиционируется как multilingual и поддерживает несколько языков, но точный перечень языков для этой производной версии в её карточке не указан. В примерах исходной модели используется ограничение длины входа 512 токенов. Репозиторий flaglow содержит MLX-представление в формате Safetensors; карточка указывает совместимость с MLX и размер около 2,27 ГБ, однако собственная документация производной версии отсутствует, поэтому детали конвертации и фактического числового формата следует проверять по файлам модели. Сильные стороны модели — многоязычное ранжирование, сравнительно небольшой размер и возможность эффективного локального запуска на совместимом оборудовании. Ограничения — модель предназначена для оценки релевантности, а не для самостоятельной генерации ответов; качество зависит от языка, домена и длины входных текстов. Для исходной BAAI/bge-reranker-v2-m3 указана лицензия Apache-2.0; отдельная лицензия производного репозитория flaglow в доступной карточке явно не описана.

swardiantara/bert-tiny-sst5-k1-fixed-cosine — компактная Sentence Transformer-модель на базе BERT, дообученная для сопоставления предложений. Она кодирует текст в плотные векторы размерности 128 и предназначена для поиска и сравнения фраз или абзацев по косинусному сходству. Архитектура включает BertModel с усреднением токенных представлений; модель содержит 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и возвращает эмбеддинги. Обучение описано на 8 554 парах текстов с OrdinalProxyContrastiveLoss; примеры и базовая модель указывают на англоязычные данные. Компактный размер подходит для векторного поиска и семантического сравнения при ограниченных вычислительных ресурсах. Качество и применимость за пределами английского языка карточкой не подтверждены. Лицензия в предоставленных данных не указана.

MANMEET75 разработал англоязычную Sentence Transformer модель, дообученную на базе BAAI/bge-large-en-v1.5 для сопоставления предложений и семантического поиска. Модель построена на BERT: преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 1024, сравниваемые по косинусному сходству. Контекст ограничен 512 токенами. Модель предназначена для поиска релевантных фрагментов по вопросу, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текста. Обучение Matryoshka позволяет использовать укороченные представления размерностью до 64, сохраняя полезность для поиска. В README приведены результаты InformationRetrievalEvaluator на датасетах dim_768, dim_512, dim_256, dim_128 и dim_64; размер обучающей выборки — 530 пар. Модель принимает текст и возвращает векторы признаков; лицензия Apache-2.0. Она рассчитана на английский язык, а качество на других языках не подтверждено. Тексты длиннее 512 токенов выходят за заявленный предел последовательности.

Nishit28/bge-large-finetuned-400 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная пользователем Nishit28. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусной мерой сходства; репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Модель подходит для построения семантического поиска по текстовым коллекциям и группировки близких по смыслу фрагментов. Она принимает текст и выдаёт векторы; по метаданным, размер модели составляет 433,9 млн параметров, а контекст ограничен 512 токенами. Данных о специализированной предметной области и поддерживаемых естественных языках нет. Условия лицензии в предоставленных сведениях не описаны.

htdht/bge_m3_finetuned — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная автором репозитория htdht. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024 для семантического поиска и извлечения документов по запросу. Архитектура включает XLM-RoBERTa, CLS-пулинг и нормализацию; сходство векторов можно оценивать косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель обучалась на парах запрос–положительный документ с MultipleNegativesRankingLoss и рассчитана на текстовый поиск. Примеры обучающих данных и запросов в карточке преимущественно на вьетнамском языке, в том числе для поиска товарных описаний; результаты приведены для retrieval-оценки. Лицензия в предоставленных данных не указана.

mlx-community представила неофициальную версию BAAI/bge-m3, преобразованную для MLX и квантованную до 8 бит для работы на Apple Silicon. Это плотная модель на архитектуре XLM-RoBERTa с 658,7 млн параметров; размер эмбеддинга — 1024, контекст — до 8194 токенов. Квантование affine с группами по 64 веса уменьшает размер примерно до 592 МБ. Модель предназначена для создания текстовых представлений и семантического поиска. Исходная BGE-M3 поддерживает плотный, разреженный и многовекторный поиск, включая подход ColBERT; приведённый пример использования этой версии извлекает векторные представления текста через mean pooling. Многоязычная поддержка включает английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский, португальский и русский языки. Квантованная версия рассчитана на сценарии, где важны качество и работа в пределах памяти около 600 МБ. Это неофициальная конверсия, поэтому совместимость ориентирована на MLX и Apple Silicon. Лицензия — MIT.

BAAI/bge-reranker-base — компактная модель-реранкер семейства BGE, разработанная BAAI. Она использует архитектуру XLM-RoBERTa с классификационной головой и содержит около 305,2 млн параметров. Модель принимает запрос вместе с текстовым фрагментом и оценивает их релевантность, что позволяет повторно упорядочивать документы, найденные на первом этапе поиска. Основной сценарий — улучшение поисковой выдачи и RAG: после извлечения кандидатов из индексатора реранкер пересчитывает релевантность пар «запрос — документ». Это кросс-энкодер, который обычно точнее ранжирует кандидатов, чем один лишь поиск по эмбеддингам, но требует отдельного вычисления для каждой пары. Контекст ограничен 514 токенами. В карточке указаны английский и китайский языки; README также описывает модель как предназначенную для китайского и английского языков. Доступны форматы PyTorch, Safetensors и ONNX. Модель распространяется по лицензии MIT. Оценка релевантности не ограничена фиксированным диапазоном, поэтому её следует интерпретировать для ранжирования, а не как калиброванную вероятность. Для длинных текстов учитывайте ограничение контекста; BAAI указывает, что более новые реранкеры поддерживают более длинные входы и больше языков.

furiosa-ai публикует копию многоязычной модели-переранжировщика BAAI/bge-reranker-v2-m3 и Furiosa Executable Bundle для запуска через Furiosa-LLM на ускорителях FuriosaAI RNGD. Модель использует плотную архитектуру XLM-RoBERTa и класс XLMRobertaForSequenceClassification; она обрабатывает пары «запрос — документ» и выдаёт оценки релевантности для переупорядочивания результатов поиска в RAG- и поисковых конвейерах. Размер составляет 658,7 млн параметров, нативный контекст — 8194 токена. Репозиторий сохраняет исходные веса FP32 без низкоразрядной квантизации; для исполнения через FXB Furiosa-LLM преобразует их в BF16. На RNGD модель использует tensor parallelism с размером 8 PE на одной карте. Доступна лицензия Apache 2.0. Карточка описывает назначение переранжирования, но не приводит конкретный список поддерживаемых языков.

Supabase/bge-small-en — это англоязычная версия модели встраивания текста BGE, опубликованная Supabase в формате ONNX для работы с Transformers.js. Модель основана на архитектуре BERT, содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. В карточке указано, что исходная линейка BGE разработана командой BAAI; эта версия представляет собой форк с весами ONNX. Модель преобразует текст в плотные векторы для семантического поиска, поиска релевантных фрагментов по запросу, кластеризации и классификации. Для поиска документов README рекомендует добавлять к запросу инструкцию «Represent this sentence for searching relevant passages: ». Векторы можно использовать в векторных базах данных, в том числе для приложений с RAG, а запуск поддерживается через JavaScript и Transformers.js. Модель рассчитана на английский язык и имеет лицензию MIT. Это компактный вариант BGE, удобный для JavaScript-приложений и сценариев, где важны размер модели и получение эмбеддингов; окно контекста ограничено 512 токенами.

Qdrant подготовила ONNX-порт модели BAAI/bge-small-en-v1.5 с квантизованными весами. Это компактная BERT-модель примерно на 40 млн параметров для получения текстовых представлений и поиска похожих предложений; в карточке также указаны задачи классификации текста и поиска сходства. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения предложений и классификации текста в системах, использующих ONNX или FastEmbed. Указанная лицензия — MIT. Поскольку модель основана на англоязычной bge-small-en-v1.5, её основное применение — англоязычные тексты.

teven/bi_all-mpnet-base-v2_finetuned_WebNLG2017 — модель Sentence Transformers на архитектуре MPNet, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации; также может применяться для сравнения семантической близости текстов. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель полезна для поиска похожих формулировок и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss; имя модели указывает на дообучение на WebNLG2017. Доступный формат весов — PyTorch. Лицензия в предоставленных данных не указана.

Qdrant/clip-ViT-B-32-vision — ONNX-порт визуальной части модели sentence-transformers/clip-ViT-B-32, опубликованный Qdrant. Модель содержит 113,2 млн параметров и предназначена для классификации изображений и поиска визуально похожих изображений; в карточке приведён пример использования через FastEmbed. Модель относится к семейству CLIP Vision и работает с изображениями, формируя визуальные представления для задач классификации и поиска сходства. Репозиторий содержит веса в формате ONNX. Лицензия — MIT.

Карточка модели Tool-COLT/contriever-base-msmarco-v1-ToolBenchG2 на Hugging Face совпадает с карточкой MassTool/contriever-base-msmarco-v1-ToolBenchG2, поэтому описание составлено по ней. MassTool/contriever-base-msmarco-v1-ToolBenchG2 — модель Sentence-Transformers на базе архитектуры BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления; в README также описано обучение с MultipleNegativesRankingLoss и косинусным сходством. Данных о целевых языках и специализации на конкретной предметной области нет.

convnext_base.clip_laiona — модель семейства ConvNeXt из библиотеки timm, разработанная для извлечения признаков изображений. Это только визуальный энкодер CLIP, обученный на данных LAION; он преобразует изображение в векторное представление для последующего сравнения и поиска. Модель принимает изображения и выдаёт векторы признаков. Доступна под лицензией Apache-2.0.