I.12Рекомендации и персонализация

Это веса только визуального энкодера CLIP на базе ConvNeXt Large с MLP-головой, опубликованные в библиотеке timm. Модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения изображений. В названии указаны обучение на LAION-2B и режим аугментации AugReg. Репозиторий содержит веса PyTorch в формате safetensors и использует Apache License 2.0. Карточка не сообщает размер модели, контекст или языки; языковые возможности текстового энкодера отсутствуют, поскольку опубликован только энкодер изображений.

Это дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения семантической близости, поиска похожих текстов и кластеризации. Архитектура включает BERT-трансформер и усреднение токенных представлений; сходство оценивается косинусной метрикой. Модель дообучена на 1 800 парах текстов с ContrastiveLoss. Примеры обучающих данных и название модели указывают на акцент на текстах на хинди. Максимальная длина последовательности в конфигурации README — 128 токенов; метаданные указывают контекст до 512 токенов. Для сопоставления текстов следует учитывать предел 128 токенов из описания Sentence Transformers. Размер модели — 124,3 млн параметров; формат весов — safetensors. Лицензия в предоставленных данных не указана.

adalbertojunior/db-msm — модель sentence-transformers на архитектуре BERT, обученная преобразовывать предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения сходства предложений. Модель содержит 79,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления; обучение проводилось с функцией CosineSimilarityLoss. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих документов и оценки сходства формулировок. В карточке не указаны языки обучения или результаты оценки качества, поэтому применимость к конкретному языку и точность на целевых данных следует проверять отдельно. Формат весов — PyTorch; сведения о лицензии отсутствуют в предоставленных метаданных и README.

voidism/diffcse-bert-base-uncased-sts — модель для получения векторных представлений предложений, основанная на BERT-base-uncased и обученная методом DiffCSE. DiffCSE — разработанная Yung-Sung Chuang и соавторами схема контрастивного обучения без разметки: она обучает представления учитывать смысловые различия между исходным и отредактированным предложениями. В README метод показал улучшение результатов на задачах семантического сходства текста по сравнению с unsupervised SimCSE. Модель предназначена для извлечения эмбеддингов предложений, в том числе для оценки семантического сходства и построения систем поиска по смыслу. Это плотная модель семейства BERT с 136,7 млн параметров и контекстом до 512 токенов; принимает текст и выдаёт векторные представления. Карточка описывает DiffCSE для английских моделей BERT и RoBERTa, а данный репозиторий относится к варианту BERT-base-uncased для STS. Лицензия — Apache-2.0. README упоминает необходимость специализированной версии Transformers для обучения DiffCSE; для использования готовой модели рекомендует API SimCSE.

Это англоязычная модель Sentence Transformers на базе distilbert/distilroberta-base, дообученная разработчиком tomaarsen на наборе sentence-transformers/all-nli. Модель кодирует предложения и абзацы в плотные векторы размерностью 768; для сравнения векторов используется косинусное сходство. Архитектура включает RoBERTa-трансформер с усреднением токенных представлений, а параметры хранятся в формате safetensors. Размер модели — 95,2 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В карточке приведены результаты оценки сходства на STS-dev и STS-test. Она принимает текст и выдаёт векторы, поэтому для поиска и классификации обычно требуется отдельный индекс или классификатор. Лицензия в предоставленных данных не указана.

Dist-MPNet-Paracrawl-cs-en — компактная модель семантических эмбеддингов, созданная Seznam.cz. Это BERT-small, дистиллированная из sentence-transformers/all-mpnet-base-v2 и обученная на параллельном чешско-английском наборе ParaCrawl. Модель предназначена для сравнения предложений и применяется для поиска по смыслу, извлечения релевантных текстов, кластеризации и классификации. Модель содержит 27,2 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Указанная лицензия — CC BY 4.0. Количественные результаты оценки и ограничения в доступных материалах не приведены.

E5-small — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder и Furu Wei. Она обучена методом слабого контролируемого контрастивного предобучения и предназначена для кодирования запросов и текстов в векторы для поиска и сравнения семантической близости. Модель основана на BERT и содержит 12 слоёв; размер эмбеддинга — 384, число параметров — около 40 млн. Она принимает английский текст и выдаёт векторы. Контекст ограничен 512 токенами. Для поиска рекомендуется добавлять к текстам префиксы «query: » и «passage: » в соответствии с типом задачи; без них качество может снижаться. Модель распространяется по лицензии MIT. В README рекомендуется перейти на e5-small-v2, у которой выше качество при том же способе использования. Тексты длиннее 512 токенов обрезаются; результаты могут немного отличаться в зависимости от версий PyTorch и Transformers.

m-rudko-pn создал модель Sentence Transformers, дообучив multilingual-e5-small на 79 912 парах текстов из украинской Википедии. Модель на базе BERT преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. Примеры обучающих данных и название модели указывают на специализацию на украинских текстах. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя.

Это вариант модели EmbeddingGemma-300M, опубликованный сообществом LiteRT для запуска на Android и iOS, а также для использования в Android-приложениях с библиотекой Google AI Edge RAG. Базовая карточка модели находится в репозитории google/embeddinggemma-300m; модель предназначена для получения текстовых эмбеддингов и оценки сходства предложений, в том числе для поиска по смыслу и конвейеров RAG. Репозиторий содержит модели в формате LiteRT TFLite и описывает варианты с разной точностью, включая смешанную квантизацию int4/int8. Для токенизации используется SentencePiece. В README приведены сведения о запуске и бенчмарках на Samsung S25 Ultra, однако численные результаты в предоставленном тексте отсутствуют. Модель распространяется по лицензии Gemma; перед использованием следует учитывать её условия.

Ettin encoder 32M — англоязычная модель-энкодер семейства Ettin, разработанная исследовательской группой JHU CLSP. Это версия размером около 31,9 млн параметров на архитектуре ModernBERT, обученная предсказывать скрытые токены (MLM). Она предназначена для извлечения признаков и эмбеддингов, классификации и поиска по тексту; в README отмечены результаты на GLUE и англоязычном поиске MTEB, а также преимущества на задачах классификации и длинного контекста. Модель принимает текст, поддерживает контекст до 7 999 токенов и распространяется в формате PyTorch через Transformers. Лицензия — MIT.

Это порт модели контекстного энкодера Dense Passage Retrieval (DPR) в формате Sentence Transformers, предназначенный для кодирования предложений и абзацев в плотные векторы размерности 768. Архитектура основана на BERT; модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Полученные эмбеддинги подходят для семантического поиска, кластеризации и сравнения текстов. Модель можно использовать через Sentence Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса в форматах PyTorch и Safetensors, а также варианты ONNX и OpenVINO. Лицензия — Apache-2.0.

Это англоязычная модель Sentence Transformers, дообученная на наборе PiC/phrase_similarity на базе google-bert/bert-large-uncased. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и оценивает смысловую близость с помощью косинусного сходства. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из BERT Large и mean pooling; максимальная длина последовательности — 512 токенов. Модель работает с текстом на английском языке и формирует векторные представления для последующего сравнения. В README приведены результаты оценки на наборах для классификации пар предложений, но они не гарантируют качество на других данных. Использование распространяется по лицензии базовой модели; сведения о лицензии самой модели в предоставленных данных отсутствуют.

Fin-Retriever-base — модель Sentence Transformer на архитектуре BERT, представленная valuesimplex-ai-lab. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов. В архитектуре используются BERT, усреднение токенных представлений и нормализация векторов; сходство можно оценивать по косинусной мере. Модель рассчитана на последовательности до 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Название указывает на финансовую тематику, однако README не описывает специализированные финансовые данные или сценарии обучения. Репозиторий содержит веса PyTorch и использует библиотеку sentence-transformers. Условия лицензирования в предоставленных данных не указаны.

GATE-Reranker-V1 — модель-реранкер от NAMAA-space для ранжирования арабских документов по релевантности запросу. Она дообучена на базе Omartificial-Intelligence-Space/GATE-AraBert-v1 и использует архитектуру BERT с классификатором последовательностей; размер модели — 162,4 млн параметров. Модель оценивает пары «запрос — документ» и выдаёт оценки релевантности, которые можно использовать для сортировки результатов поиска. Модель предназначена для повышения качества арабского поиска, ранжирования документов в системах рекомендаций и отбора материалов для ответов на вопросы и RAG. README приводит пример работы через SentenceTransformers CrossEncoder. Максимальная длина контекста — 512 токенов. Модель рассчитана на арабский язык; лицензия — Apache-2.0. Оценка в карточке проводится на двух наборах данных с метриками MAP, MRR и NDCG@10, однако сравнения и дополнительные результаты обозначены как находящиеся в разработке. Поэтому качество на других наборах данных и в прикладных сценариях может отличаться.

GIST-small-Embedding-v0 — англоязычная модель текстовых эмбеддингов, разработанная avsolatorio на основе BAAI/bge-small-en-v1.5 и дообученная методом GISTEmbed. Она кодирует текст в векторы для поиска и сравнения предложений; для получения эмбеддингов инструкционные подсказки не нужны, поэтому запросы можно кодировать напрямую. Модель основана на архитектуре BERT, содержит 40 млн параметров и рассчитана на контекст до 512 токенов. Для дообучения использовались набор MEDI и триплеты, полученные из обучающей части MTEB Classification; качество оценивали на MTEB. В README отмечено, что дообучение улучшило результаты на некоторых задачах, но ухудшило на других, включая поиск по TRECCOVID. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия модели — MIT; лицензии сторонних обучающих данных могут иметь дополнительные условия.

granite-embedding-107m-multilingual-GGUF — мультиязычная embedding-модель семейства Granite, разработанная IBM (базовая модель ibm-granite/granite-embedding-107m-multilingual) и квантованная bartowski в формате GGUF. Она предназначена для преобразования текстов в векторные представления и решения задач семантического поиска, информационного поиска и retrieval-сценариев, включая многоязычные приложения и сопоставление запросов с документами. Модель имеет заявленный размер около 107 млн параметров и поддерживает английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский языки. В README приведены результаты оценки на наборе Miracl для retrieval-задач, однако сведения о точной архитектуре энкодера, размерности эмбеддингов, максимальной длине контекста, способе квантования и системных требованиях не указаны. Поэтому эти характеристики нельзя надёжно определить по представленным данным. К сильным сторонам относятся компактный размер, поддержка нескольких языков и ориентация на семантический retrieval, что может упростить локальное развертывание и использование в поисковых системах, RAG-приложениях и классификации по сходству. Ограничения включают отсутствие подробных сведений о контексте, качестве на всех заявленных языках и особенностях квантования; приведённые метрики относятся к отдельным конфигурациям Miracl и не гарантируют аналогичные результаты в конкретном прикладном сценарии. Модель распространяется по лицензии Apache-2.0.

bartowski/granite-embedding-125m-english-GGUF — квантованная версия модели эмбеддингов ibm-granite/granite-embedding-125m-english, разработанной IBM Granite и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для преобразования англоязычных текстов в векторные представления и задач семантического поиска и извлечения информации, включая retrieval-сценарии и поиск похожих документов. Из доступных данных известно, что модель ориентирована на английский язык и имеет размер 125 млн параметров в базовой версии. Формат GGUF подходит для локального запуска в совместимых инструментах, а квантование может снизить требования к памяти и ускорить инференс, хотя конкретный тип квантования в карточке не указан. Архитектура, размерность эмбеддингов, максимальная длина контекста и поддерживаемые модальности не описаны. В карточке приведены результаты оценки на ряде наборов MTEB для retrieval, включая ArguAna, ClimateFEVER и CQADupstack. Они показывают применимость модели к ранжированию и поиску релевантных текстов, однако качество зависит от предметной области и конфигурации индекса. Модель не следует рассматривать как универсальную генеративную языковую модель: данных о генерации текста, многоязычности или мультимодальности нет. Лицензия — Apache-2.0.

Карточка модели seerware/granite-embedding-30m-sparse на Hugging Face совпадает с карточкой ibm-granite/granite-embedding-30m-sparse, поэтому описание составлено по ней. Granite-Embedding-30m-Sparse — разреженная модель для построения текстовых представлений, разработанная командой Granite Embedding в IBM. Она основана на энкодерной архитектуре на базе RoBERTa, содержит 33,5 млн параметров и рассчитана на английский язык. Модель кодирует текст в словарь токенов и их весов переменной длины, включая расширения исходных токенов. Представления подходят для семантического поиска, извлечения релевантных документов и сравнения текстов. Модель обучалась с использованием предварительного обучения для задач поиска, контрастивной настройки и дистилляции; в карточке сообщается о конкурентных результатах на тестах BEIR, включая сравнение с более крупной SPLADE-моделью. Её можно применять, например, с Sentence Transformers и Milvus. Контекст ограничен 512 токенами: более длинный текст обрезается. Модель обучена только на английских текстах. Лицензия — Apache 2.0.

gte-multilingual-reranker-base — мультиязычная модель переранжирования из семейства GTE, разработанная Alibaba. Это версия для Transformers с неизменёнными весами исходной Alibaba-NLP/gte-multilingual-reranker-base и преобразованным config.json, благодаря чему модель загружается без trust_remote_code. Архитектура — encoder-only Transformer для классификации последовательностей, размер — около 305 млн параметров; модель принимает текстовые запросы и документы и оценивает их релевантность, поддерживая входную длину до 8192 токенов. Модель предназначена для повторной сортировки результатов поиска и улучшения мультиязычного извлечения информации. По данным карточки, она поддерживает более 70 языков и показывает высокие результаты в мультиязычных задачах retrieval; encoder-only архитектура снижает требования к оборудованию и, по README, обеспечивает до десятикратного увеличения скорости вывода по сравнению с некоторыми reranker-моделями на decode-only LLM. Веса доступны в формате safetensors, лицензия — Apache-2.0.

masahiroid/japanese-reranker-small-v2-mlx — это неофициальная общественная конверсия модели hotchpotch/japanese-reranker-small-v2 в формат MLX. Модель представляет собой компактный кросс-энкодер на базе ModernBERT с 70 млн параметров и контекстом до 8192 токенов. Она оценивает релевантность пары «запрос — документ» и помогает переупорядочивать результаты поиска. Модель предназначена для японского и английского текста, в том числе для повышения качества поиска и выдачи в RAG-системах. Для использования README указывает библиотеку mlx-embeddings. Формат репозитория — safetensors; конверсия предназначена для MLX. Лицензия — MIT. Это не официальный выпуск автора исходной модели.

jina-clip-v1 — англоязычная мультимодальная модель эмбеддингов Jina AI на архитектуре CLIP. Она преобразует текст и изображения в векторы общего пространства, пригодные для поиска и сравнения по сходству. Модель рассчитана на текстовый поиск, поиск изображений по текстовому запросу, поиск текста по изображению и текстовый семантический поиск. Модель подходит для мультимодальных систем поиска и RAG, где нужно искать текст и изображения с помощью одной модели. В карточке приведены результаты сравнений на задачах Flickr и MSCOCO для поиска между изображениями и текстом, а также на текстовых наборах STS и BEIR. Для объединения текстовых и межмодальных оценок сходства авторы рекомендуют взвешенное усреднение либо нормализацию z-оценкой, поскольку значения текстового сходства обычно выше. Модель распространяется под лицензией Apache-2.0. В карточке не указаны число параметров и длина контекста; для использования описаны варианты через API Jina AI или библиотеки Transformers и Sentence Transformers.

German Semantic V3 BMF — англоязычная модель Sentence Transformer, дообученная akot на базе jinaai/jina-embeddings-v2-base-de. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и использует косинусное сходство для сравнения текстов. В архитектуре — BERT-трансформер, усредняющий токенные представления с последующей нормализацией; в README указана максимальная длина последовательности 1024 токена, а метаданные задают контекст до 8192 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Обучение выполнено на 4 957 примерах с MatryoshkaLoss и MultipleNegativesRankingLoss; заявлена поддержка английского языка. Репозиторий содержит веса Safetensors, модель насчитывает 160,1 млн параметров и распространяется по лицензии Apache-2.0. Представленные в карточке значения точности поиска очень низкие, поэтому качество следует проверить на целевых данных; длина последовательности в README отличается от контекста в метаданных.

KaLM-Reranker-V1-Small — модель-реранкер семейства KaLM-Reranker-V1, разработанная командой KaLM-Embedding. Она предназначена для повторного ранжирования найденных документов по релевантности запросу, в том числе в конвейерах поиска и RAG. Модель построена на encoder-decoder архитектуре T5Gemma2 и дообучена на базе google/t5gemma-2-1b-1b; в карточке указано около 1 млрд активируемых параметров. Энкодер позволяет заранее кодировать документы, а декодер учитывает инструкции и намерение запроса; перекрёстное внимание связывает запрос с представлением документа. Поддерживается Matryoshka pooling с диапазоном 1x–32x. README указывает длину последовательности 128 тыс. токенов для этой версии, тогда как пример использования ограничивает длину документов 1024 токенами и запросов 512 токенами. Модель рассчитана на оценку пар «запрос—документ» и сортировку документов по релевантности. Авторы сообщают о конкурентных результатах на BEIR, MIRACL и LMEB; также отмечают, что модель не обучалась на больших объёмах многоязычных данных. Метаданные классифицируют её как мультиязычную, но конкретные языки не перечислены. Для инференса описана интеграция с Sentence Transformers и поддержка vLLM. Лицензия — Apache-2.0.

Это квантованная 8-битная версия mxfp8 модели LFM2.5-Embedding-350M от Liquid AI, подготовленная для запуска на Apple Silicon через MLX. Модель представляет собой плотный двунаправленный биэнкодер семейства LFM2.5 с вектором CLS размерности 1024 и предназначена для мультиязычного поиска: отдельно кодирует запросы и документы, после чего их векторы сравнивают по косинусному сходству. При кодировании нужны префиксы «query: » для запросов и «document: » для документов. В репозитории указаны 366 МБ весов и контекст до 128 000 токенов. В тесте на четырёх англоязычных наборах NanoBEIR версия mxfp8 сохранила среднее значение NDCG@10 на уровне 100,7% от fp16; это ограниченная проверка английского поиска, а не оценка всей мультиязычной версии. Для инференса поставлен специализированный MLX-загрузчик, учитывающий двунаправленное внимание и CLS-пулинг. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой базовой модели и файлами лицензии репозитория.

Карточка модели keithtwesigye/lunyoro-sentence-embeddings на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

Merino-Mini-v2 — модель для поиска и ранжирования документов в RAG-системах, разработанная BAA AI (Black Sheep AI). Она объединяет bi-encoder для получения 384-мерных L2-нормализованных эмбеддингов и cross-encoder для оценки релевантности пары «запрос — документ» одним числом. Обе части используют общую таблицу эмбеддингов и основаны на MiniLM-L6-H384-uncased; всего модель содержит около 44 млн параметров. README описывает её как англоязычную. Модель предназначена для векторного поиска кандидатов и последующего уточнения их порядка cross-encoder-ранжированием. Для компактной модели автор рекомендует разбивать материалы на атомарные фрагменты по одному утверждению, ставить ключевую сущность в начало и возвращать родительский раздел для контекста. Авторы сообщают о сертификации 4-битной квантизации как не уступающей fp16 в описанном тесте с отвлекающими документами; это заявление относится к указанному испытанию. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены.

keeeeenw/MicroLlama-text-embedding — англоязычная модель Sentence Transformers, дообученная разработчиком на базе keeeeenw/MicroLlama. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для сравнения смысловой близости и поиска по тексту. Модель использует архитектуру LlamaModel с усреднённым пулингом токенов, принимает текстовые последовательности длиной до 2048 токенов и рассчитывает сходство по косинусной мере. Модель обучалась на наборах all-nli, STSB, Quora и Natural Questions. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Она рассчитана на английский язык; качество для других языков не заявлено. Лицензия в предоставленных данных не указана.

antarge/minilm-finetuned — дообученная модель на базе sentence-transformers/all-MiniLM-L6-v2, предназначенная для получения векторных представлений предложений и оценки их семантического сходства. Она использует плотную архитектуру BERT и распространяется в формате PyTorch; для работы требуется библиотека Transformers или Sentence Transformers. Модель обучена на наборе sentence-transformers/all-nli и ориентирована на англоязычные тексты. Лицензия — MIT, допускающая коммерческое использование при соблюдении её условий. Модель подходит для поиска предложений по смыслу, сравнения формулировок и кластеризации текстов. Размер указан в метаданных как 252 млн параметров, однако README не поясняет его расчёт для этой модели; поэтому практические свойства размера базовой модели отдельно не выводятся. Карточка не сообщает длину контекста и ограничения качества.

MiniMind-Rerank-Dense — плотная cross-encoder-модель для ранжирования пар «запрос — документ», разработанная как часть проекта minimind-embedding на основе MiniMind-3. Она оценивает релевантность по вероятности следующего токена «是» («да»); архитектура — авторегрессионный Transformer с 63,9 млн параметров, контекстом до 32 768 токенов и форматом весов safetensors. Модель дообучена на 80 тысячах пар запрос—документ из C-MTEB/T2Reranking; в README сообщается MAP@10 0,915 и точность 85% на отложенной выборке. Модель предназначена для перестановки результатов поиска по соответствию запросу и для оценки релевантности кандидатов в retrieval-системах. Карточка указывает китайский и английский языки; шаблон запроса и метки релевантности описаны на китайском. Лицензия — Apache-2.0. Авторы отмечают, что проверено обучение только на T2Reranking, а перенос на другие области не оценивался; базовая модель имеет ограниченный словарь и обучающие данные.

MixEmbedBert-base-20240115163419-best — компактная модель эмбеддингов предложений на архитектуре BERT, представленная в карточке как bge-micro. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, кластеризации и сравнения текстов. Модель дистиллирована из avsolatorio/bge-small-en-v1.5 и содержит примерно в четыре раза меньше неэмбеддинговых параметров; по README, при половине параметров all-MiniLM-L6-v2 показывает сопоставимое качество. Модель содержит 18,8 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Метаданные указывают задачи sentence-similarity и feature-extraction. README описывает англоязычную базовую модель и не заявляет поддержку других языков. Для использования доступны веса safetensors; лицензия в предоставленных данных не указана.