I.12Рекомендации и персонализация

Карточка модели tonywng/Qwen3-Embedding-0.6B на Hugging Face совпадает с карточкой unsloth/Qwen3-Embedding-0.6B, поэтому описание составлено по ней. Qwen3-Embedding-0.6B — текстовая модель эмбеддингов семейства Qwen3, представленная в репозитории Unsloth и основанная на Qwen/Qwen3-0.6B-Base. Это плотная архитектура с 507,6 млн параметров и контекстом до 32 768 токенов. Модель преобразует текст в векторы размерностью от 32 до 1024 и позволяет задавать инструкцию для конкретной задачи. Модель предназначена для семантического поиска и извлечения текстов, сравнения предложений, классификации и кластеризации текста, поиска по коду и межъязыкового сопоставления. Она поддерживает более 100 языков, включая языки программирования, и рассчитана на многоязычные и межъязыковые сценарии. Лицензия — Apache-2.0. Карточка описывает всю серию Qwen3 Embedding, поэтому приведённые в ней лидерские результаты относятся к модели 8B, а не подтверждают такие же результаты для версии 0.6B. Для работы с Transformers требуется версия 4.51.0 или новее: более ранние версии могут выдавать ошибку распознавания архитектуры Qwen3.

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

Карточка модели cherishlh/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели Nil626yhh/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели QubeBox/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели Renegad/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели unsloth/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

all-mpnet-base-v2 — модель эмбеддингов предложений семейства MPNet, разработанная командой Sentence Transformers в рамках проекта Hugging Face Community Week. Она дообучена на базе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений. Модель кодирует предложения и короткие абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель принимает текст и выдаёт векторное представление. Входы длиннее 512 токенов WordPiece обрезаются; при использовании через Transformers требуется применить подходящий pooling к контекстным представлениям. В карточке указана лицензия Apache-2.0.

ggml-org/bge-m3-Q8_0-GGUF — это модель для извлечения признаков и вычисления семантического сходства предложений, преобразованная в формат GGUF из базовой модели BAAI/bge-m3. Конвертацию выполнили с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач поиска по смыслу, ранжирования, сопоставления текстов и построения векторных представлений, в том числе при локальном запуске через совместимые инструменты llama.cpp. Ключевая характеристика этой версии — квантование Q8_0 в формате GGUF, которое обычно позволяет сократить требования к памяти по сравнению с полноразмерными весами при сохранении большей части качества исходной модели. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста и точных модальностях; по назначению и указанной базовой модели речь идет о текстовой embedding-модели. Ограничения качества и совместимости зависят от исходной BAAI/bge-m3 и используемого программного окружения. Лицензия — MIT.

Ductratra/BGE_M3_v2 — модель Sentence Transformer на архитектуре XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; сходство между текстами можно оценивать косинусной мерой. Модель рассчитана на последовательности длиной до 8192 токенов. Её можно применять для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В репозитории указаны веса safetensors и библиотека sentence-transformers. Лицензия и конкретные обучающие данные в предоставленных сведениях не описаны.

BidirLM-1.7B-Embedding — многоязычная модель для получения текстовых эмбеддингов, разработанная авторами семейства BidirLM. Это плотный двунаправленный энкодер BidirLMModel на 1,7 млрд параметров, дообученный на основе BidirLM/BidirLM-1.7B-Base контрастивным обучением. Модель использует mean pooling, поддерживает контекст до 32 768 токенов и предназначена для семантического поиска и других задач сопоставления текстов. Модель подходит для поиска и извлечения документов, оценки семантического сходства, кластеризации, классификации текстов, парной классификации, переранжирования и поиска параллельных текстов. Также её можно дообучать для классификации последовательностей и токенов, включая NER и POS-разметку. В карточке заявлена поддержка более 119 языков; метаданные подтверждают многоязычность и перечисляют языковые коды, включая английский, арабский, китайский и хинди. В карточке отмечены результаты на бенчмарках MTEB и LongEmbed, а также возможность применять одну модель и для эмбеддингов, и для последующего дообучения под прикладные задачи. Для загрузки требуется trust_remote_code=True и совместимые версии Transformers и Sentence Transformers. Модель распространяется по лицензии Apache-2.0.

BOOM_4B_eng_data_v1 — англоязычная модель текстовых эмбеддингов, созданная авторами исследования BOOM на основе Qwen3-4B. Она предназначена для получения представлений текста для поиска, ранжирования, семантического сходства, классификации и кластеризации. Модель объединяет несколько вариантов эмбеддинговой модели, обученных на выборках разного размера, методом Multi-SLERP; такой подход рассчитан на повышение устойчивости и качества переноса на новые данные при сохранении эффективности инференса одной моделью. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 40 960 токенов. Обучение охватывает англоязычные задачи поиска, переранжирования, классификации, кластеризации и семантического сходства; README также сообщает о включении общих данных, в том числе многоязычных наборов для поиска, и выборки кода. Для практического применения доступны веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

Contextual AI ctxl-rerank-v2-instruct-multilingual-1b — мультиязычная модель-реранкер на архитектуре Qwen3 с 1 млрд параметров. Она оценивает релевантность документов запросу и следует дополнительным инструкциям, например приоритизирует свежие сведения или помогает разрешать противоречия в результатах поиска. Подходит для поиска и ответов на вопросы по найденным документам, а также для товарного поиска и рекомендаций. Модель поддерживает более 100 языков и контекст до 40 960 токенов по метаданным; в README заявлен контекст до 32K токенов. Она выдаёт оценки релевантности, где более высокое значение означает более подходящий документ. Доступны веса в формате safetensors; для работы описаны Transformers и Sentence Transformers, а для производственного использования рекомендован vLLM. Модель выпущена Contextual AI и распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README заявляет высокие результаты на BEIR, однако конкретные показатели в карточке не приведены.

Contextual AI Reranker v2 1B — мультиязычная модель переранжирования текста, разработанная Contextual AI. Она предназначена для повторной сортировки документов, найденных поисковой или retrieval-системой, с учётом запроса и пользовательских инструкций. Модель подходит для вопросно-ответных систем, мультиязычного поиска, рекомендаций и продуктового поиска, а также для сценариев, где требуется учитывать противоречия между документами или отдавать приоритет более свежей информации. Модель содержит около 1 млрд параметров, поддерживает более 100 языков и контекст длиной до 32K токенов. Её ключевая особенность — следование инструкциям при ранжировании: например, можно указать приоритет последних исследований или другого критерия отбора. В README заявлены высокие результаты на BEIR и выгодное соотношение стоимости и качества, однако конкретные значения бенчмарков не приведены. Модель ориентирована на текстовые задачи и требует специального инференс-процесса с vLLM или Transformers; для production рекомендуется vLLM. Ограничения включают зависимость от совместимых версий библиотек и аппаратных режимов, а также лицензию CC-BY-NC-SA-4.0, которая ограничивает коммерческое использование и предусматривает условия Attribution и ShareAlike.

E5-base-multilingual-4096 — многоязычная модель эмбеддингов на архитектуре XLM-RoBERTa, разработанная как версия Local-Sparse-Global модели intfloat/multilingual-e5-base. Она кодирует запросы и текстовые фрагменты в векторные представления для сравнения смысловой близости и ранжирования, в том числе в сценариях поиска по коллекции документов. Модель содержит 305,2 млн параметров и поддерживает контекст до 4098 токенов. Модель предназначена для многоязычных задач семантического поиска и сопоставления предложений; README приводит пример кодирования запросов и пассажей из MS-MARCO. В метаданных указана поддержка множества языков, включая английский, немецкий, французский, испанский, китайский и другие. Репозиторий содержит веса PyTorch. Лицензия в предоставленных сведениях не указана.

Luong23/e5-finetune-embedding-v1 — модель Sentence Transformers, дообученная на базе intfloat/multilingual-e5-base для преобразования предложений и абзацев в плотные текстовые векторы размерности 768. Архитектура включает XLM-RoBERTa с усреднённым pooling и нормализацией; сходство векторов можно оценивать косинусной мерой. Модель принимает текст, максимальная длина последовательности в README — 256 токенов; метаданные указывают контекст до 514 токенов. Модель предназначена для семантического поиска и извлечения релевантных фрагментов: например, сопоставления короткого запроса с описанием товара. Обучение проведено на 321 881 паре anchor-positive с использованием MultipleNegativesRankingLoss. Карточка приводит в качестве примеров вьетнамские запросы и описания товаров, но не заявляет этот язык как единственный или основной. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели ChaosAIVision/embeddinggemma-300m на Hugging Face совпадает с карточкой michaelfeil/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная мультиязычная модель эмбеддингов от Google DeepMind на основе текстовой архитектуры Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы и предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации. Модель содержит 302,8 млн параметров, принимает текст длиной до 2048 токенов и выдаёт эмбеддинги размером 768, 512, 256 или 128 измерений с помощью Matryoshka Representation Learning. Обучалась на данных более чем из 100 языков и рассчитана в том числе на запуск на мобильных устройствах и компьютерах с ограниченными ресурсами. Подходит для поиска документов и кода по запросам, поиска материалов для систем вопросов и ответов, обнаружения дубликатов, тематической группировки текстов и классификации по заданным категориям. Для использования предусмотрена библиотека Sentence Transformers. Лицензия — Gemma; применяются условия использования и политика допустимого использования Gemma. Качество зависит от охвата и особенностей обучающих данных. Модель может хуже улавливать языковые нюансы, сарказм и переносный смысл; возможны смещения в эмбеддингах.

EmbeddingGemma-300m — компактная модель эмбеддингов Google DeepMind на базе Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы размерности 768; благодаря Matryoshka Representation Learning векторы можно сократить до 512, 256 или 128 измерений и перенормировать. Модель содержит 302,8 млн параметров, принимает до 2048 токенов и рассчитана на работу, в том числе на устройствах с ограниченными ресурсами. Модель предназначена для семантического поиска и извлечения документов, сравнения текстов, классификации и кластеризации. Её можно применять для поиска по документам и коду, обнаружения дубликатов, подбора рекомендаций и поиска доказательств для проверки фактов. Обучение охватывает более 100 языков, однако в карточке этой версии явно указаны английский и немецкий. Модель выдаёт числовые векторы, а не готовые текстовые ответы. Её качество зависит от охвата обучающих данных; возможны ошибки при интерпретации языковых нюансов, сарказма и образных выражений. Репозиторий указывает лицензию Gemma; использование регулируется условиями Google и политикой допустимого использования Gemma.

EmbeddingGemma — компактная модель эмбеддингов от Google DeepMind на 302,8 млн параметров, построенная на текстовой архитектуре Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы размерности 768; размер можно сократить до 512, 256 или 128 с помощью Matryoshka Representation Learning. Модель рассчитана на контекст до 2048 токенов и обучалась на данных более чем на 100 языках. Модель предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации текстов. Её небольшой размер подходит для развёртывания на телефонах, ноутбуках и настольных компьютерах с ограниченными ресурсами. В README указано использование через Sentence Transformers и Transformers. Качество зависит от охвата и особенностей обучающих данных; модель может хуже улавливать нюансы, сарказм и переносный смысл, а смещения в данных могут отражаться в эмбеддингах. Репозиторий распространяется по лицензии Gemma; следует учитывать условия использования и политику допустимого применения Gemma.

EmbeddingGemma 300M 4bit — модель для создания текстовых эмбеддингов, представленная сообществом mlx-community и конвертированная в формат MLX из модели Google embeddinggemma-300m-qat-q4_0-unquantized. Она предназначена для задач семантического сравнения предложений, поиска, кластеризации, классификации, reranking, retrieval и суммаризации. Модель имеет размер 300 млн параметров и использует 4-битное квантование. Она работает с текстом и возвращает нормализованные векторные представления, для сравнения которых можно применять скалярное произведение. README не указывает поддерживаемые языки и максимальную длину контекста. Для разных задач предусмотрены специализированные текстовые префиксы, включая sentence similarity, search result, clustering, classification и summarization. К сильным сторонам относятся компактный размер, сниженное потребление памяти благодаря 4-битному представлению и интеграция с экосистемой MLX через библиотеку mlx-embeddings. Ограничения включают отсутствие в README подробностей о языковом охвате, контексте, качестве на бенчмарках и совместимости за пределами MLX. Для использования требуется принять лицензию Google Gemma на Hugging Face; точные условия лицензии Gemma следует проверить отдельно.

Карточка модели unsloth/embeddinggemma-300m-qat-q8_0-unquantized на Hugging Face совпадает с карточкой h2oai/embeddinggemma-300m-qat-q8_0-unquantized, поэтому описание составлено по ней. EmbeddingGemma — мультиязычная модель эмбеддингов Google DeepMind на 302,8 млн параметров, основанная на текстовой архитектуре Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы для поиска, извлечения информации, оценки семантического сходства, классификации и кластеризации. Модель обучена на данных более чем на 100 языках и рассчитана на запуск в условиях ограниченных ресурсов, включая мобильные устройства и настольные компьютеры. Модель принимает текст длиной до 2048 токенов и выдаёт вектор размерности 768; с помощью Matryoshka Representation Learning его можно сократить до 512, 256 или 128 измерений с последующей нормализацией. Веса предназначены для использования с Sentence Transformers и реализацией Gemma 3 в Transformers. Модель подходит для поиска документов и кода по запросам, а также для подбора текстов по смыслу. Качество может снижаться при неоднозначных формулировках, сарказме и тонких языковых нюансах; результаты также зависят от охвата и возможных смещений обучающих данных. Лицензия — Gemma; применяются условия использования и политика запрещённого использования Gemma.

F2LLM-v2-14B — мультиязычная модель для получения текстовых эмбеддингов из семейства F2LLM-v2, разработанного CodeFuse AI. Это плотная модель архитектуры Qwen3 с 14 млрд параметров и контекстом до 40 960 токенов; она принимает текст и выдаёт векторные представления. Семейство обучено на более чем 200 языках, уделяя особое внимание языкам с ограниченными ресурсами; метаданные этой модели отмечают поддержку русского и других языков. Модель предназначена для семантического поиска, ранжирования и переранжирования, поиска близких по смыслу текстов, кластеризации, оценки семантического сходства и поиска параллельных текстов. Поддерживает инструкции к запросам и Matryoshka Representation Learning: можно сокращать размерность эмбеддингов, чтобы экономить место и ускорять векторный поиск. Репозиторий содержит safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. В карточке заявлены высокие результаты на широком наборе бенчмарков MTEB, однако точные показатели для этой версии здесь не приведены.

knguyennguyen/fashion_5k — модель Sentence Transformers, дообученная на основе FacebookAI/roberta-base на парных текстах о модных товарах. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству; в метаданных указан размер 151,8 млн параметров. Модель предназначена для семантического поиска и сопоставления запросов с описаниями товаров, оценки сходства и поиска перефразировок, а также может использоваться для кластеризации и классификации текста. Архитектура состоит из энкодера RoBERTa и слоя mean pooling. README указывает максимальную длину последовательности 128 токенов; метаданные каталога указывают нативное контекстное окно 514 токенов. Обучающий набор содержит 4 693 пары текстов. Базовая RoBERTa ориентирована на английский язык, а примеры данных описывают одежду, аксессуары и другие модные товары. Модель подходит для семантического поиска по каталогу и ранжирования описаний товаров по смысловому соответствию запросу. Она выдаёт векторы, а не готовые текстовые ответы; тексты длиннее лимита последовательности могут обрезаться. Лицензия в предоставленных данных не указана.

LamaDiab/FinetuningMiniLM-V23Data-256ConstantBATCH-SemanticEngine — модель Sentence Transformers на базе BERT, дообученная авторами репозитория от LamaDiab/MiniLM-V23Data-256ConstantBATCH-SemanticEngine. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения текстов по смыслу, семантического поиска, поиска перефразировок, классификации и кластеризации. Для сравнения векторов используется косинусное сходство. В архитектуре применяются Transformer с усреднением токенных представлений и нормализацией выходного вектора. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекстное окно 512 токенов. Модель обучалась на примерах текстовых запросов и соответствующих категорий товаров; в README также приведён результат cosine accuracy 0,9648 на оценке TripletEvaluator. Модель принимает текст и выдаёт векторы, пригодные для ранжирования и поиска по близости. README не сообщает поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не указаны.

Fingu-instruct-2 — дообученная FINGU-AI модель Sentence Transformer на базе dunzhang/stella_en_1.5B_v5, построенная на архитектуре Qwen2 и содержащая 1,5 млрд параметров. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. В README указана максимальная длина последовательности 8096 токенов, а метаданные указывают нативный контекст 131072 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Её можно использовать для поиска похожих фрагментов в коллекциях документов и группировки текстов по смыслу. Для работы опубликованы веса в формате safetensors и поддерживается библиотека Sentence Transformers; также указана совместимость с text-embeddings-inference. Сведений о лицензии в предоставленных данных нет.

gte-base — модель для получения векторных представлений текста из семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy. Она основана на архитектуре BERT и обучена на большом корпусе пар текстов с разметкой релевантности с использованием многоэтапного контрастивного обучения. Модель предназначена для поиска информации, оценки семантического сходства предложений и ранжирования текстов; её также можно применять для кластеризации и классификации текстов. Модель содержит 136,7 млн параметров, формирует эмбеддинги размерности 768 и обрабатывает последовательности длиной до 512 токенов. Доступны форматы PyTorch и ONNX. В сравнении на бенчмарке MTEB модель показала средний результат 62,39 по 56 задачам согласно карточке модели. Поддерживается английский язык; более длинные тексты обрезаются до 512 токенов. Лицензия — MIT.

gte-Qwen1.5-7B-instruct — многоязычная модель эмбеддингов из семейства gte, разработанная Alibaba-NLP на основе языковой модели Qwen1.5-7B. Она преобразует текст в векторы размерности 4096 для поиска семантически похожих предложений и других задач, основанных на сходстве текстов. Модель использует двунаправленное внимание и настройку инструкциями для запросов; обучалась на многоязычном корпусе из разных областей с сочетанием слабой и контролируемой разметки. Модель содержит 7 млрд параметров и принимает до 32 тыс. токенов. Подходит для семантического поиска, ранжирования кандидатов по смысловой близости и построения систем поиска по текстовым коллекциям. Для запуска README указывает Transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее. Распространяется по лицензии Apache-2.0.

onnx-community/harrier-oss-v1-0.6b-ONNX — ONNX-версия мультиязычной модели для получения текстовых эмбеддингов, разработанной Microsoft. Модель предназначена для поиска и извлечения релевантных документов, кластеризации, оценки семантического сходства, классификации, поиска параллельных предложений и переранжирования. Она поддерживает широкий набор языков, включая русский, английский, китайский, японский, корейский, арабский, немецкий, французский и многие другие. Модель построена на decoder-only архитектуре и использует pooling по последнему непустому токену с последующей L2-нормализацией. Версия имеет около 0,6 млрд параметров, размерность эмбеддинга 1024 и поддерживает контекст до 32 768 токенов. Обучение выполнялось с использованием контрастивного обучения на крупной смеси мультиязычных наборов данных; для вариантов на 270 млн и 0,6 млрд параметров дополнительно применялась дистилляция знаний от более крупных моделей. Заявленный результат на Multilingual MTEB v2 составляет 69,0. Сильными сторонами являются широкий охват языков, большой контекст, универсальность для задач семантического поиска и сопоставления текстов, а также возможность запуска через Transformers.js, в том числе в браузере с WebGPU и квантованием. Для запросов рекомендуется добавлять однострочную инструкцию с описанием задачи, тогда как для документов инструкции не требуются; их отсутствие для запросов может снижать качество. Модель предназначена для работы с текстом и не поддерживает другие модальности. Распространяется по лицензии MIT.

Instructor-XL — модель текстовых эмбеддингов, разработанная исследователями HKU NLP. Это дообученная на инструкциях версия энкодера T5, содержащая 385,2 млн параметров и принимающая текст с контекстом до 512 токенов. Задачу и область применения можно задавать инструкцией при создании эмбеддингов, без дополнительного дообучения модели. Модель предназначена для поиска документов и информации, оценки сходства и релевантности текстов, кластеризации, классификации и оценки текста. Она поддерживает английский язык; в README также приведены примеры применения в научной, финансовой и медицинской областях. Модель выдаёт векторы эмбеддингов, пригодные для этих задач. Доступна по лицензии Apache-2.0.

jina-embeddings-v2-base-es-GGUF — это модель для создания векторных представлений текста (эмбеддингов), разработанная Jina AI на основе jinaai/jina-embeddings-v2-base-es и преобразованная в формат GGUF компанией Second State Inc. Она предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство документов или запросов. Модель поддерживает испанский и английский языки, использует контекст размером до 8192 токенов и формирует эмбеддинги размерности 768. В README не указаны точные архитектурные характеристики базовой модели или поддержка дополнительных модальностей, поэтому модель следует рассматривать как текстовую. Доступны варианты квантования Q2_K–Q8_0, а также f16, с размером файлов примерно от 82,7 МБ до 323 МБ. Основное преимущество GGUF-вариантов — возможность выбрать баланс между размером, скоростью и качеством: Q4_K_M, Q5_K_M и Q5_K_S обозначены как рекомендуемые, тогда как низкобитные варианты дают заметные потери качества. Более высокие разрядности лучше сохраняют качество, но требуют больше памяти; некоторые варианты отмечены как нежелательные из-за невыгодного соотношения характеристик. Модель распространяется по лицензии Apache 2.0.