I.12Рекомендации и персонализация

mmbert-rerank-32k-2d-matryoshka — многоязычный переранжировщик на архитектуре ModernBERT, дообученный на базе llm-semantic-router/mmbert-32k-yarn. Он оценивает релевантность пары «запрос — текст» как кросс-энкодер и подходит для перестановки результатов поиска, в том числе по длинным документам. Модель содержит около 307 млн параметров, принимает до 32 768 токенов и поддерживает сокращение числа слоёв и размерности представлений для выбора компромисса между скоростью и качеством. Модель обучалась на 1 569 864 парах «запрос — фрагмент» из cfli/bge-m3-data. Карточка заявляет поддержку более 1800 языков; метаданные перечисляют английский, китайский, немецкий, французский, испанский, русский, японский, корейский, арабский и хинди. В приведённых тестах модель показывает хорошие результаты на длинных текстах и языках с малым объёмом ресурсов; на коротких документах некоторые конкуренты немного превосходят её. Лицензия — Apache-2.0. Основное ограничение — обучение преимущественно на коротких фрагментах, поэтому качество на очень длинных текстах может зависеть от расширения контекста базовой модели YaRN. Для специализированных областей может потребоваться дообучение. Сокращение числа слоёв само по себе даёт небольшой прирост скорости без механизмов раннего выхода.

jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs — модель эмбеддингов предложений на базе BERT, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 256 для поиска семантически близких текстов и кластеризации. Модель содержит 137,1 млн параметров, работает с текстом и поддерживает контекст до 512 токенов; в карточке указана библиотека Sentence-Transformers и обучение с CosineSimilarityLoss. Модель подходит для семантического поиска и группировки текстов по смыслу. Название базовой модели указывает на испанский BERT dccuchile/bert-base-spanish-wwm-uncased, поэтому основной язык — испанский. В метаданных указаны формат PyTorch и задачи извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

ModernBERT-small-v2 — компактная модель Sentence Transformers для получения плотных векторов предложений и оценки их семантического сходства. В карточке Hugging Face указаны архитектура ModernBERT и 37 млн параметров; разработчик описывает её как 12-слойный энкодер с размерностью эмбеддингов 384. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать по косинусному сходству. Модель предназначена для семантического поиска, ранжирования и извлечения релевантных документов, в том числе в корпусах с вопросами и академическими текстами. По README, её инициализировали проекцией PCA знаний answerdotai/ModernBERT-base, затем обучали на задаче masked language modeling и дистиллировали подражанием эмбеддингам Alibaba-NLP/gte-modernbert-base с MSE loss. Максимальная длина последовательности составляет 1024 токена; заявлены англоязычные поисковые и энциклопедические данные. Узкая размерность вектора и сравнительно небольшой размер модели рассчитаны на быстрое кодирование и компактные поисковые индексы. Модель подходит для применения в поисковых системах и retrieval-сценариях; в README приведены результаты оценивания на NanoMSMARCO, NanoHotpotQA и NanoBEIR. Результаты зависят от данных и конфигурации поиска. Лицензия в предоставленных сведениях не указана.

sobamchan/monnem-large-v0 — модель Sentence Transformer, дообученная на базе answerdotai/ModernBERT-large. Она кодирует предложения и абзацы на английском языке в плотные векторы размерностью 1024 для семантического поиска и извлечения текстов; сходство между векторами рекомендуется оценивать косинусной метрикой. Архитектура состоит из энкодера ModernBERT и слоя усредняющего пулинга. Метаданные указывают 394,7 млн параметров и контекст до 8192 токенов, тогда как карточка модели задаёт максимальную длину последовательности 512 токенов. Модель принимает текст и выдаёт эмбеддинги. Подходит для поиска релевантных предложений и абзацев, в том числе как компонент retrieval-систем. Данных о специализированных предметных областях нет. Модель опубликована под лицензией, сведения о которой в предоставленных источниках отсутствуют.

cross-encoder/monoelectra-base — англоязычный кросс-энкодер для ранжирования текстов, перенесённый из webis/monoelectra-base в библиотеки Sentence Transformers и Transformers. Модель основана на ELECTRA и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для второго этапа retrieve-rerank: она оценивает пары «запрос — найденный фрагмент» и переупорядочивает результаты, полученные поисковым движком, например BM25 или моделью эмбеддингов. Также метаданные указывают поддержку классификации текста. Доступны форматы safetensors, ONNX и OpenVINO. Лицензия — Apache-2.0. README описывает перенос модели в другой интерфейс, а метаданные указывают дообучение от google/electra-base-discriminator. Модель ориентирована на английский язык; её контекст ограничен 512 токенами, поэтому длинные пары текстов требуют усечения или разбиения.

Это модель Sentence Transformers на архитектуре MPNet, дообученная Mert Cobanov на наборе all-nli-triplets-turkish. Она кодирует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать с помощью косинусного сходства. Модель предназначена для оценки семантической близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Обучающий набор содержит турецкие примеры AllNLI в формате троек: опорный текст, семантически близкий текст и отрицательный пример. Несмотря на это, карточка указывает английский как язык модели; фактическое качество для турецкого и других языков следует проверять на целевых данных. Максимальная длина последовательности — 512 токенов. Лицензия — Apache-2.0.

MyAwesomeModel — модель из репозитория safasfaf4546/MyAwesomeModel-TestRepo, опубликованная с лицензией MIT и предназначенная для извлечения признаков из текста в библиотеке Transformers. В метаданных она помечена как BERT-подобная модель для задачи feature extraction и использует PyTorch.

MyAwesomeModel — модель на базе архитектуры BERT, предназначенная для извлечения признаков из текста через библиотеку Transformers и PyTorch. В метаданных Hugging Face она классифицирована для задачи feature extraction; разработчик модели в доступных материалах не назван. Модель распространяется под лицензией MIT. README описывает заявленные возможности рассуждения, программирования, математики, классификации, суммаризации, диалогов, перевода и function calling, однако эти сведения не согласуются с метаданными, где указаны BERT и задача feature extraction. Поэтому для каталога надёжнее рассматривать модель как инструмент получения векторных представлений текста, пригодный для последующей классификации, поиска или кластеризации.

Neurosense Compact GTE R1 — компактная модель эмбеддингов Sharjeelbaig для плотного поиска и сравнения текстов. Она дообучена на базе Supabase/gte-small и использует архитектуру BERT; размер составляет 40 млн параметров, размер чекпойнта — около 128 МБ, размерность эмбеддингов — 384, максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов по запросу, в том числе при ограничениях на размер и вычислительные ресурсы. В README приведены результаты retrieval-бенчмарка на наборах FiQA, NFCorpus и SciFact и небольшое улучшение MRR@10 относительно предыдущего чекпойнта Neurosense. Модель не генерирует ответы и не претендует на превосходство над крупными моделями эмбеддингов. Модель принимает текст и выдаёт векторные эмбеддинги; для сравнения текстов можно использовать косинусное сходство. В карточке указана поддержка английского языка и библиотека sentence-transformers. Лицензия — MIT.

Paolo Embeddings — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, опубликованная lauragobrightly. Она преобразует предложения и абзацы в плотные векторы размерности 384, нормализованные для сравнения по косинусному сходству. Модель построена на архитектуре BERT, поддерживает последовательности длиной до 512 токенов и предназначена прежде всего для англоязычных текстов. Модель подходит для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она дообучена на 17 037 примерах с функцией потерь MultipleNegativesRankingLoss; в README приведён результат cosine accuracy 0,8489 на наборе paolo-eval. Доступны форматы Safetensors и ONNX, использовать модель можно через Sentence Transformers. Это компактная модель примерно на 40 млн параметров, но её контекст ограничен 512 токенами. Указанные оценки относятся к конкретному набору paolo-eval и сами по себе не гарантируют качество на других данных; в карточке не приведены условия лицензии.

Wissam42/paraphrase-multilingual-mpnet-base-v2-retuned-fr — модель Sentence-Transformers на архитектуре XLM-RoBERTa для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель содержит 305,2 млн параметров, принимает текст и имеет контекст до 514 токенов. В README указано обучение с CosineSimilarityLoss; метаданные подтверждают поддержку эмбеддингов и задачи sentence-similarity. Модель может применяться в семантическом поиске и группировке текстов; также её векторы подходят для измерения сходства. Репозиторий содержит веса PyTorch. Сведений о лицензии и конкретной специализации на французском в предоставленных данных нет.

Это многоязычная модель эмбеддингов Sentence Transformer, созданная дообучением CodeFuse AI модели codefuse-ai/F2LLM-v2-0.6B на наборе данных json. Она предназначена для семантического поиска и сравнения текстов: преобразует предложения и абзацы в плотные векторы размерностью 1024, которые можно сопоставлять по косинусному сходству. Также подходит для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Модель использует архитектуру Qwen3 с извлечением признаков, pooling по последнему токену и нормализацией векторов. В README указана максимальная длина последовательности 512 токенов; метаданные сообщают о нативном контексте базовой архитектуры до 40960 токенов. Это текстовая модель с многоязычной поддержкой, распространяемая по лицензии Apache-2.0. В README приведены высокие метрики поиска на наборе eval_pipe, однако обучающий набор содержит всего 160 примеров, поэтому эти результаты не гарантируют качество на других данных. Для корректной работы с задачами поиска README приводит отдельный шаблон запроса с инструкцией; максимальная длина последовательности ограничивает размер обрабатываемого текста.

PKCbert — модель на базе BERT, опубликованная пользователем rbnjade1 в формате PyTorch и оформленная для Sentence-Transformers. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель обучалась с TripletLoss и евклидовым расстоянием; размер составляет 136,7 млн параметров, контекст — до 512 токенов. PKCbert подходит для построения семантического поиска и группировки текстов по близости значений. В README не указаны поддерживаемые естественные языки и лицензия, поэтому языковую специализацию и условия использования определить нельзя.

Это модель Sentence Transformers на базе Qwen3-Embedding-0.6B, дообученная для получения плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. Архитектура включает Qwen3Model, пулинг по последнему токену и нормализацию векторов. Модель предназначена для поиска релевантных фрагментов по запросу, семантического поиска и retrieval-сценариев. В README приведены результаты проверки на двух наборах данных для информационного поиска; обучающая выборка описана как набор из 58 примеров с позитивными и негативными парами. Метаданные указывают контекст до 32768 токенов, тогда как README заявляет максимальную длину последовательности 1024 токена; для практического использования следует учитывать ограничение README. Поддерживается текстовый ввод, на выходе — векторы. Сведения о лицензии в предоставленных материалах отсутствуют.

PeterAM4/Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций модели Qwen3-Embedding-0.6B, разработанной Qwen и квантизированной PeterAM4 с помощью llama.cpp. Модель предназначена для построения эмбеддингов и подходит для RAG-систем, семантического поиска, извлечения документов и задач финансового NLP. Доступны варианты квантизации от 8-битных до 1-битных, включая версии с калибровкой importance matrix, ориентированной на финансовые и технические тексты. Базовая модель содержит 595 776 512 параметров, поддерживает контекст до 32 768 токенов, использует pooling по последнему токену и формирует эмбеддинги размерности 1024. Заявлена мультиязычная поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, португальского, русского и арабского языков. Компактный размер квантизированных файлов позволяет запускать модель на периферийных устройствах, ноутбуках и серверах с ограниченными ресурсами. К сильным сторонам относятся низкое потребление памяти, потенциально малая задержка и сохранение качества при умеренной квантизации; по приведённому тестированию рекомендован вариант Q3_K_M-imat размером 331 МБ. Качество существенно зависит от выбранного формата: при чрезмерно агрессивной квантизации показатели perplexity заметно ухудшаются, а результаты тестов получены на ограниченном корпусе финансовых, математических и общих текстов и не гарантируют качество для всех задач. Модель распространяется по лицензии Apache 2.0.

Qwen3-Embedding-0.6B LRAT Broad Causal Filter v1 — текстовая модель-ретривер на архитектуре Qwen3, дообученная автором на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует запросы и документы в эмбеддинги для плотного поиска и отбора материалов, полезных для продвижения рассуждений агента. Модель содержит 507,6 млн параметров, использует pooling последнего токена и поддерживает контекст до 32 768 токенов. Для обучения использованы 64 606 высокоуверенных пар запросов, положительных и отрицательных примеров, отобранных из предоставленных организатором траекторий агентов LRAT. В локальной оценке автор сообщает небольшое улучшение Recall@50 и Hit@50 относительно контрольной версии broad-v2; эти результаты являются локальными, а не официальными результатами лидерборда. Модель предназначена для текстового поиска и извлечения признаков. Языки обучения или поддерживаемые языки в карточке не уточнены, поэтому можно опираться лишь на многоязычные свойства базовой модели. Лицензия в предоставленных данных не указана.

paulalesius/Qwen3-Reranker-0.6B-GGUF — это GGUF-квантизированная версия модели Qwen3-Reranker-0.6B, разработанной командой Qwen и подготовленной для работы с llama.cpp. Модель предназначена для переранжирования текстовых документов по степени их релевантности запросу в сценариях поиска, retrieval-augmented generation и построения семантических поисковых систем. Она использует архитектуру Qwen3 и cross-encoder-подход с двухклассовой головой, выдающей оценку yes/no для релевантности пары «запрос — документ». README указывает поддержку многоязычных сценариев, но конкретный список языков и размер контекста не приведены. В репозитории доступны варианты NVFP4 размером около 399,5 MiB и Q6_K размером около 472 MiB. Оба файла содержат примерно 595,8 млн параметров и используют гибридное квантование: голова релевантности сохранена в BF16, нормализационные тензоры — в F32, а крупные линейные слои сжаты. Вариант NVFP4 также сохраняет таблицу эмбеддингов в Q8_0. Это уменьшает размер модели относительно BF16 примерно в 2,4–2,9 раза при близком качестве ранжирования; для Q6_K в заявленном тесте корреляция с BF16 была очень высокой, а совпадение решений по порогу 0,5 составило 60 из 60 случаев. Модель подходит для запуска через llama-server с параметром --reranking и endpoint /rerank. Ограничения связаны с тем, что результаты могут зависеть от устройства и используемых CPU/GPU-ядер: в README отмечены заметные различия ранжирования между CPU и GPU на отдельном тестовом наборе. Лицензия — Apache-2.0, как у исходной модели.

Qwen3-Reranker-4B-AWQ-INT4 — это производная версия модели Qwen3-Reranker-4B, разработанная сообществом drawais на основе исходной модели Qwen. Она предназначена для переранжирования результатов поиска и построения полностью локальных стеков семантического поиска в сочетании с embedding-моделью. Модель может использоваться в задачах retrieval, где требуется уточнить порядок найденных документов или сопоставить запрос с кандидатами. Модель представляет собой 4-битную квантизацию весов в формате INT4 с использованием AWQ и имеет размер на диске около 2,7 ГБ. Указанная максимальная длина контекста составляет 32 768 токенов при использовании vLLM. Поддерживается английский язык; другие языки в карточке не заявлены. Это текстовая модель, доступная через библиотеку Transformers и совместимая с vLLM. Ключевое преимущество версии — существенно уменьшенный размер по сравнению с полной моделью, что упрощает локальное развертывание. Ограничения включают поддержку только английского языка, необходимость достаточного запаса видеопамяти для KV-кэша и потенциальные потери качества, связанные с 4-битной квантизацией. Модель распространяется по лицензии Apache License 2.0; для производной работы указаны исходная модель и требования по атрибуции.

Tirth2109 разработал qwen-indic-v1 — дообученную с помощью LoRA модель Qwen3-Embedding-8B для создания текстовых эмбеддингов на индийских языках. Модель использует pooling по последнему токену и L2-нормализацию векторов; размер — 7,6 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для получения эмбеддингов, семантического поиска и сравнения сходства предложений. README сообщает о 22 индийских языках в расписании обучения, а метаданные карточки перечисляют хинди, бенгальский, тамильский и урду. Обучение проводилось на обучающих частях данных с очисткой от пересечений с тестовыми наборами MTEB. Модель распространяется в формате safetensors по лицензии Apache-2.0. Известные ограничения: подробности качества по отдельным языкам и результаты оценивания в карточке не приведены.

Это англоязычный кросс-энкодер kwondw на базе microsoft/MiniLM-L12-H384-uncased, дообученный на MS MARCO с помощью библиотеки sentence-transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их релевантности; архитектура — BertForSequenceClassification с одним выходным значением, размер — около 40 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для повторного ранжирования результатов поиска и семантического поиска: её можно применять для переоценки кандидатов, найденных первичным поиском, по соответствию запросу. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также NanoBEIR; фактическое качество зависит от данных и сценария применения. Модель принимает и выдаёт текстовые данные с оценками релевантности. Лицензия в предоставленных данных не указана. Модель обучена на английском языке и рассчитана на текстовые входы длиной до 512 токенов; результаты для других языков и длинных последовательностей не подтверждены.

tomaarsen/reranker-ModernBERT-base-gooaq-bce — англоязычный cross-encoder, дообученный на данных GooAQ на базе answerdotai/ModernBERT-base с использованием Sentence Transformers. Модель получает пару текстов и оценивает их соответствие одним числовым баллом, который подходит для сортировки кандидатов в поисковой выдаче и семантическом поиске. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает последовательности длиной до 8192 токенов. В README приведены оценки на GooAQ и наборах NanoBEIR; результаты различаются между датасетами, поэтому качество на конкретной коллекции следует проверять отдельно. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Как cross-encoder, она оценивает пары текстов, поэтому для масштабного поиска обычно требуется сначала получить ограниченный набор кандидатов, а затем ранжировать их этой моделью.

tomaarsen выпустил англоязычный CrossEncoder на базе answerdotai/ModernBERT-base, дообученный библиотекой sentence-transformers на парах запрос–ответ с бинарными метками релевантности. Модель содержит 149 млн параметров и обрабатывает последовательности длиной до 8192 токенов; для каждой пары текстов она выдаёт оценку, пригодную для ранжирования и оценки сходства. Модель предназначена прежде всего для повторного ранжирования результатов поиска и семантического поиска, а также может использоваться для оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README приведены результаты оценки на NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Для применения подходят сценарии, где нужно оценивать пару «запрос — документ» или сравнивать два текста. Это текстовая encoder-модель, а не генератор ответов: она оценивает пары входных текстов. Обучающие данные в карточке описаны как набор из 19,99 млн пар query/answer с бинарными метками. Условия лицензии в предоставленных данных не указаны.

Это англоязычный Cross-Encoder, разработанный tomaarsen и дообученный на базе microsoft/MiniLM-L12-H384-uncased с библиотекой sentence-transformers и функцией потерь LambdaLoss. Модель оценивает пары запроса и документа одним числовым баллом, чтобы упорядочивать найденные документы по релевантности для семантического поиска и повторного ранжирования. Модель содержит около 40 млн параметров, принимает текстовые пары и поддерживает последовательности длиной до 512 токенов. В README приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также агрегированная оценка NanoBEIR. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

sobamchan/roberta-large-mrl-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на датасете all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью до 1024 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для оценки близости можно использовать косинусное сходство; обучение с MatryoshkaLoss поддерживает укороченные представления размерностью 768, 512, 256, 128 и 64. Модель принимает последовательности длиной до 512 токенов и построена на RoBERTa с усреднением токенных представлений. В README приведены результаты на STS: Spearman cosine 0,8229 на sts-dev и 0,7977 на sts-test. Это англоязычная модель для текстовых эмбеддингов, поэтому её пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.

Модель atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr — дообученный sentence-transformers энкодер на базе турецкой RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска по смыслу, сравнения текстов и кластеризации. Модель дообучена на наборах nli_tr и emrecan/stsb-mt-turkish; тексты перед подачей следует вручную приводить к нижнему регистру с заменой латинской I на турецкую ı. Число параметров — 71,9 млн, контекст — до 514 токенов. Работает с турецким языком, распространяется под лицензией MIT.

Muennighoff/SBERT-base-msmarco — модель Sentence Transformers на базе BERT для получения векторных представлений предложений и оценки их семантического сходства. Она обучалась с MultipleNegativesRankingLoss на косинусном сходстве и предназначена для задач поиска и сопоставления текстов. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Подробности об авторах, обучающих данных и лицензии в предоставленной карточке отсутствуют.

imvladikon/sentence-transformers-alephbert — модель эмбеддингов предложений на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и рассчитана на семантический поиск, сравнение текстов и кластеризацию. Размер модели — 153,2 млн параметров, максимальная длина контекста — 512 токенов; карточка указывает поддержку иврита. По README, текущая версия получена дистилляцией LaBSE на частном корпусе и обучалась с MultipleNegativesRankingLoss и косинусным сходством. Модель подходит для построения векторных представлений и оценки семантической близости текстов на иврите. Она не генерирует текст; сведения о составе частного обучающего корпуса и его ограничениях не приведены. Формат файлов — PyTorch; лицензия в предоставленных данных не указана.

KoonJamesZ/sentence-transformers-nina-thai-v3 — модель эмбеддингов предложений на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и кластеризации. Число параметров — около 305,2 млн, контекст — до 514 токенов; модель принимает текст и выдаёт векторные представления. Для обучения использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для поиска семантически близких предложений, группировки текстов по смыслу и построения систем поиска по текстовым коллекциям. В названии указано Thai, однако доступные сведения не подтверждают отдельно поддерживаемые языки или их приоритет. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

Это англоязычная модель SentenceTransformer, созданная дообучением sentence-transformers/all-MiniLM-L6-v2 разработчиком dekshitha-k. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерности 384; представления нормализуются, а сходство между ними оценивается косинусной мерой. Модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов согласно метаданным; в README указано ограничение 256 токенов. Модель предназначена для семантического сравнения предложений, поиска по смыслу, поиска перефразировок, классификации и кластеризации текстов. Она обучалась на 5 749 парах предложений с оценками сходства с использованием CosineSimilarityLoss. Библиотека для работы с моделью — Sentence Transformers; веса доступны в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

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.