I.12Рекомендации и персонализация

Это разреженный SPLADE-энкодер, дообученный на наборе all-nli с использованием библиотеки Sentence Transformers. Модель основана на naver/splade-cocondenser-ensembledistil и преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство между ними оценивается скалярным произведением. Архитектура включает BERT-модель для masked language modeling и max-пулинг с ReLU. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; карточка README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска, разреженного извлечения документов и оценки сходства предложений на английском языке. В README приведены результаты оценки на STS-dev и STS-test. Доступна по лицензии Apache-2.0. Ее применение ограничено английским языком и указанной длиной входной последовательности; качество на других языках и специализированных областях не заявлено.

gte-en-mlm-large — англоязычный текстовый энкодер серии GTE-v1.5, разработанный Institute for Intelligent Computing группы Alibaba. Модель предназначена для получения текстовых представлений и может служить основой для задач поиска и ранжирования текста. В карточке она указана как вариант GTEv1.5-en-MLM-large-8192 из статьи о представлениях и ранжировании многоязычных текстов с длинным контекстом. Архитектура — Transformer++ на базе энкодера BERT с RoPE и GLU; словарь основан на bert-base-uncased. Модель содержит около 433,9 млн параметров, принимает последовательности длиной до 8192 токенов и обучалась методом masked language modeling на англоязычном корпусе C4. Для варианта large в README приведён результат GLUE 87,58. В метаданных Hugging Face основная задача обозначена как fill-mask. Лицензия — Apache-2.0. Карточка не подтверждает поддержку русского языка; выводы о качестве на других языках делать нельзя.

Italian-ModernBERT-base-embed-mmarco-mnrl — модель Sentence Transformers, дообученная автором репозитория на mmarco на базе DeepMount00/Italian-ModernBERT-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и поиска перефразировок. Также в README указаны применение для кластеризации и классификации текстов. Модель использует архитектуру ModernBERT с усреднением токенных представлений и поддерживает последовательности длиной до 8192 токенов. Обучающие примеры mmarco включают запросы и релевантные и нерелевантные тексты на итальянском языке. В README приведены показатели cosine_accuracy 0,9255 на mmarco_dev и 0,913 на mmarco_test. Модель принимает текст и выдаёт векторы; основное назначение — италоязычные задачи поиска и сопоставления текстов. В метаданных указана библиотека sentence-transformers, а файлы представлены в safetensors. Условия лицензирования в доступной карточке не приведены.

Модель snunlp/KLUE-SRoBERTa-Large-SNUExtended-klueNLI-klueSTS — Sentence Transformer на архитектуре RoBERTa, обученный для работы с корейскими предложениями на наборе klue/klue. Она преобразует текст в плотные эмбеддинги размерности 1024 и оценивает сходство предложений по косинусному сходству; максимальная длина последовательности составляет 512 токенов. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. В README приведён результат Spearman 0,8422 на оценке семантического сходства sts-dev. Модель принимает текст и выдаёт векторные представления; основным языком является корейский. Контекст ограничен 512 токенами, поэтому длинные тексты требуют разбиения. Лицензия в предоставленных источниках не указана.

ko-reranker — модель переранжирования текстов, созданная дообучением BAAI/bge-reranker-large на корейских данных. Она оценивает релевантность пары «запрос — документ» и выдаёт оценку: чем она выше, тем релевантнее документ запросу. Модель можно использовать через FlagEmbedding, Sentence-Transformers или Transformers. Модель построена на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров. Она принимает текстовые пары и рассчитана прежде всего на корейский язык; в метаданных также указаны английский и китайский. Контекст ограничен 514 токенами. Распространяется под лицензией MIT.

redis/langcache-reranker-v2-mnrl — англоязычный Cross-Encoder, разработанный Redis и дообученный на базе Alibaba-NLP/gte-reranker-modernbert-base с использованием библиотеки Sentence Transformers. Модель принимает пары текстов и оценивает их релевантность; её обучали на парах LangCache, чтобы использовать в семантическом кэшировании и ранжировании результатов поиска. Модель основана на ModernBERT, содержит 149 млн параметров и поддерживает последовательности длиной до 8192 токенов. Она предназначена для английского языка и выдаёт оценку для одной пары текстов, которую можно использовать при классификации пар или переранжировании кандидатов в поиске и RAG. Модель не генерирует ответы и не формирует эмбеддинги: для оценки нескольких документов требуется отдельно подать каждую пару «запрос — документ». Карточка указывает лицензию Apache-2.0.

jhu-clsp/mmBERT-small — компактный мультиязычный двунаправленный энкодер, разработанный исследовательской группой JHU CLSP на архитектуре ModernBERT. Модель содержит 140,5 млн параметров, включая 22 слоя с размером скрытого представления 384, и обучена на более чем 3 трлн токенов для свыше 1800 языков. Она использует masked language modeling и поддерживает контекст до 8192 токенов. Модель предназначена прежде всего для заполнения пропусков и получения контекстных представлений текста. После дообучения её можно применять для классификации, межъязыковых эмбеддингов, поиска и ранжирования документов; README сообщает о высокой скорости и улучшении результатов относительно XLM-R на таких задачах. Репозиторий опубликован в формате PyTorch и использует библиотеку Transformers. Лицензия — MIT. Это энкодер, а не генеративная модель для свободных ответов. Для прикладных задач классификации, эмбеддингов, поиска и ранжирования обычно требуется соответствующая донастройка; качество для отдельных языков и задач может различаться.

robro612/modernbert_xtr_contrastive_k128 — англоязычная модель ColBERT на базе answerdotai/ModernBERT-base, дообученная автором репозитория с помощью PyLate на наборе msmarco-10m-triplets. Она кодирует запросы и документы в последовательности плотных 128-мерных векторов, а релевантность оценивает оператором MaxSim. Архитектура включает ModernBERT encoder и линейный слой проекции с 768 до 128 измерений; в метаданных указано 149 млн параметров и контекст до 8192 токенов. В README для использования заданы длины документов до 512 токенов и запросов до 32 токенов. Модель предназначена для семантического поиска по коллекциям документов и переранжирования результатов первичного поиска. Для быстрого поиска по индексу README рекомендует связку с FastPLAID в PyLate. Модель обучалась на англоязычных триплетах MS MARCO; приведены результаты оценивания на наборах Nano BEIR и других коллекциях, но они не гарантируют качество на произвольных данных. Для работы с моделью требуется библиотека PyLate. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Morgan-Tanglish-v7 — модель эмбеддингов предложений, созданная Vishnu N для семантического сравнения текста на танглише: смеси тамильского и английского языков, записанной латиницей. Она дообучена на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и предназначена для коротких сообщений и предложений, похожих на тексты из соцсетей; контекст модели — до 512 токенов. В метаданных указаны архитектура BERT, 124,3 млн параметров и формат safetensors. Модель подходит для семантического поиска, подбора похожих предложений, обнаружения дубликатов, сопоставления обращений в поддержку и резюме с вакансиями, а также поиска по корпусам для RAG-систем. Автор сообщает о результатах на TanglishSTS — наборе из 325 пар, размеченных носителем тамильского языка, — и о превосходстве над сравниваемыми моделями в ряде тестов; это заявление основано на оценке автора. Лицензия — Apache-2.0. Модель обучалась преимущественно на танглише. Автор предупреждает, что она не предназначена для формального тамильского на родном письме, а качество для хинглиша и чисто английских задач не подтверждено. Она оптимизирована для коротких текстов длиной около 6–50 слов; качество на длинных документах и новых интернет-сленгах может быть ниже.

sentence-transformers/nli-roberta-large — модель для получения векторных представлений предложений и абзацев, обученная командой sentence-transformers. Она основана на RoBERTa с плотной архитектурой и содержит 454,1 млн параметров. Модель преобразует текст в эмбеддинги размерностью 1024; контекст ограничен 514 токенами. Эмбеддинги можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Модель принимает текст и выдаёт векторы, пригодные для поиска и группировки семантически близких фрагментов. В README модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новую модель. Лицензия — Apache 2.0.

UCSC-VLAA/openvision-vit-small-patch16-224 — визуальный энкодер из семейства OpenVision, описанного в работе «OpenVision: A Fully-Open, Cost-Effective Family of Advanced Vision Encoders for Multimodal Learning». Репозиторий содержит веса модели в формате PyTorch и предназначен для извлечения признаков изображений, а также для классификации изображений по текстовым описаниям без дополнительного обучения. Модель рассчитана на мультимодальные сценарии, где визуальные признаки используются для сопоставления изображений с текстовыми запросами. По названию репозитория это вариант ViT-Small с патчами 16×16 и входным разрешением 224 пикселя. Лицензия — Apache-2.0.

PE-Core-bigG-14-448 — версия Perception Encoder, преобразованная в формат OpenCLIP; исходную модель разработала Meta. Это контрастивный vision-language энкодер с визуальным и текстовым башнями, обученный на изображениях и дообученный на данных синтетических видео. Вариант bigG/14 принимает изображения с разрешением 448 пикселей; представленный репозиторий содержит веса PyTorch в формате safetensors. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения, а также для извлечения сопоставимых признаковых представлений изображений и текста, поиска и задач понимания видео. Её сильная сторона — универсальные визуальные признаки и высокая эффективность на задачах классификации и поиска. Длина текстового контекста для этого конкретного чекпойнта в предоставленных данных не указана. Лицензия — Apache-2.0.

PE-Core-T-16-384 — модель семейства Perception Encoder, разработанного Meta и представленного как OpenCLIP-совместимая версия исходных весов. Это контрастивный vision-language энкодер с визуальной и текстовой башнями, предназначенный для получения сопоставимых признаков изображений и текста. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения, а также для поиска изображений по тексту и текстов по изображению. Вариант T/16 использует разрешение изображений 384 пикселя; в таблице результатов README для него приведены показатели на наборах ImageNet и ObjectNet, а также на задачах поиска и классификации видео. PE обучен на данных для изображений и текста и дообучен на синтетически выровненных видеоданных. Модель доступна в форматах PyTorch и safetensors и используется через библиотеку open_clip. В метаданных указана лицензия Apache-2.0. Размер текстовой башни и длина её контекста для этого варианта в предоставленных данных не определены.

0xnu/pmmlv2-fine-tuned-hausa — модель эмбеддингов на базе BERT, дообученная для хауса на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует тексты в векторы для сравнения предложений и семантического поиска. Модель содержит 124,3 млн параметров, использует библиотеку Sentence-Transformers и поддерживает контекст до 512 токенов; в карточке также заявлена поддержка множества языков. Модель предназначена прежде всего для работы с текстом на хауса: её можно применять для поиска похожих предложений, сопоставления запросов с документами и построения многоязычного семантического поиска. Лицензия — MIT. Ограничения качества и оценки на тестовых наборах в карточке не приведены.

Модель geetach/prompt-retrieval-midterm-finetuned — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Это плотный BERT-энкодер с усреднением токенов и нормализацией, который преобразует предложения и абзацы в 384-мерные векторы; для сравнения используется косинусное сходство. Модель рассчитана на семантический поиск и сравнение текстов, поиск перефразирований, кластеризацию и классификацию текстов. Она обучалась на 932 примерах, связанных с поиском творческих промптов; максимальная длина последовательности в README — 256 токенов, а метаданные указывают контекст до 512 токенов. Для прикладного использования доступны веса safetensors и библиотека Sentence Transformers. Языковая специализация в карточке не описана; базовая модель предназначена для английского языка, а примеры обучающих данных также англоязычные. Лицензия в предоставленных данных не указана.

Это англоязычный cross-encoder-реранкер, разработанный tomaarsen и дообученный на microsoft/MiniLM-L12-H384-uncased с использованием Sentence Transformers на наборе MS MARCO. Модель совместно обрабатывает пару «запрос—документ» и выдаёт оценку релевантности; оценки можно использовать для перестановки результатов поиска или семантического поиска. Модель построена на архитектуре BERT с классификационной головой, содержит около 40 млн параметров и принимает текстовые последовательности длиной до 512 токенов. README приводит результаты оценки ранжирования на NanoMSMARCO, NanoNFCorpus и NanoNQ, а также агрегированную оценку на NanoBEIR-en. Модель рассчитана на английский язык и задачи ранжирования текстовых пар. Cross-encoder оценивает пары отдельно, поэтому для практического поиска его обычно применяют для переранжирования предварительно отобранных кандидатов. Сведения о лицензии в предоставленных данных отсутствуют.

Это англоязычный кросс-энкодер kwondw/reranker-msmarco-v1.1-ModernBERT-base, созданный дообучением answerdotai/ModernBERT-base на парах запрос–текст из MS MARCO с помощью sentence-transformers. Модель совместно обрабатывает запрос и документ и выдаёт оценку релевантности, которую можно использовать для повторного ранжирования результатов поиска и семантического поиска. Модель построена на ModernBERT-base с архитектурой ModernBertForSequenceClassification, содержит 149 млн параметров и принимает текстовые последовательности длиной до 8192 токенов. В README приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; фактическое качество зависит от данных и сценария применения. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Обучение на MS MARCO и англоязычная базовая модель указывают на основную ориентацию на английский; качество на других языках не подтверждено.

Shitao/RetroMAE_MSMARCO_finetune — BERT-подобная модель семейства RetroMAE, разработанная Shitao Xiao и соавторами для задач нейронного информационного поиска. Она представляет собой дообученную на коллекции MS MARCO passage версию RetroMAE_MSMARCO и предназначена для построения retrieval-ориентированных языковых представлений и плотного поиска.

MMLW-retrieval-roberta-large-v2 — польский текстовый энкодер семейства RoBERTa, предназначенный прежде всего для информационного поиска. Модель разработана для преобразования запросов и фрагментов текста в векторы размерностью 1024; также поддерживает семантическое сходство текстов. В README описано двухэтапное обучение: дистилляция знаний от stella_en_1.5B_v5 на польско-английских парах и последующая настройка с контрастивной функцией потерь на запросах с подобранными позитивными и негативными фрагментами. Модель содержит 533,7 млн параметров, использует архитектуру RoBERTa и имеет контекст длиной 514 токенов. Для поиска запросы следует помечать префиксом «[query]: », а для симметричного сравнения текстов — «[sts]: ». В README указан результат NDCG@10 60,71 на польском бенчмарке PIRB. Метаданные указывают лицензию Gemma; перед использованием следует проверить применимые условия этой лицензии.

Ruri-Base v2 — японская модель для получения векторных представлений текстов, разработанная cl-nagoya. Это Sentence Transformer на архитектуре BERT с 138,4 млн параметров; модель дообучена на базе cl-nagoya/ruri-pt-base-v2. Она предназначена для сравнения сходства предложений и текстового поиска на японском языке. Максимальная длина входа — 512 токенов, размерность выходных векторов — 768, сходство оценивается косинусной мерой. В JMTEB модель получила средний результат 72,48; README рекомендует для новых задач перейти на семейство Ruri v3. Лицензия — Apache 2.0.

webis/set-encoder-base — модель ранжирования текстовых фрагментов, разработанная авторами работы Set-Encoder: Permutation-Invariant Inter-Passage Attention for Listwise Passage Re-Ranking with Cross-Encoders. Это cross-encoder на базе ELECTRA Base с архитектурой Set-Encoder, предназначенный для совместной переоценки набора найденных пассажей и перестановочно-инвариантного listwise reranking. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на работу с библиотекой Lightning IR. Модель подходит для улучшения порядка результатов поиска, в том числе после первичного отбора BM25 или ColBERTv2. В карточке приведены результаты nDCG@10 на TREC DL 2019 и 2020. Указана лицензия Apache-2.0. По данным карточки, базовая модель — google/electra-base-discriminator, дообученная для ранжирования.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Convoy на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Карточка модели yshsdfv/siglip2-base-patch16-naflex на Hugging Face совпадает с карточкой google/siglip2-base-patch16-naflex, поэтому описание составлено по ней. SigLIP 2 Base — базовая модель семейства SigLIP 2, разработанная Google. Это плотный визуально-языковой энкодер класса Siglip2Model для сопоставления изображений и текста; модель доступна в формате Safetensors и используется через библиотеку Transformers. Модель предназначена для классификации изображений по произвольным текстовым меткам без отдельного обучения, поиска соответствий между изображениями и текстом, а также в качестве визуального энкодера для мультимодальных моделей и других задач компьютерного зрения. SigLIP 2 объединяет улучшения предобучения SigLIP для семантического понимания изображений, локализации и получения плотных признаков. Она предобучена на наборе WebLI. Модель принимает изображения и текстовые описания или метки и выдаёт оценки соответствия, пригодные для ранжирования вариантов. Карточка не сообщает конкретный размер параметров и длину контекста. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Оценки из карточки относятся к исследовательской публикации; качество может различаться на задачах и данных, отличающихся от предобучения.

Карточка модели Veritone/siglip2-large-patch16-384 на Hugging Face совпадает с карточкой google/siglip2-large-patch16-384, поэтому описание составлено по ней. SigLIP 2 Large — модель компьютерного зрения и языка от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для сопоставления изображений с текстом: модель выполняет классификацию изображений по заданным текстовым меткам и поиск изображений по текстовым запросам. Её также можно использовать как визуальный энкодер в мультимодальных языковых моделях и других системах компьютерного зрения. Модель принимает изображения и текстовые описания или метки, а на выходе формирует оценки соответствия между ними. Вариант Large с патчами 16×16 рассчитан на обработку изображений с разрешением 384 пикселя; веса опубликованы в формате Safetensors и доступны для Transformers. Лицензия Apache-2.0.

SigLIP 2 So400m — модель визуального энкодера от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для понимания связей между изображениями и текстом. Модель поддерживает классификацию изображений по заданным текстовым меткам без специального дообучения, поиск изображений по текстовому запросу и использование в качестве визуального энкодера для VLM и других задач компьютерного зрения. Модель принимает изображения и текстовые метки или запросы, сопоставляет их семантически и выдаёт оценки соответствия. Вариант So400m использует патчи 14 × 14 и входное разрешение 224 × 224. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий.

Это корейская модель для оценки семантического сходства предложений, разработанная автором репозитория на основе klue/roberta-base. Она кодирует предложения и позволяет сравнивать их смысловую близость по косинусному сходству. Модель построена на RoBERTa, содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в описанных экспериментах использовалась максимальная длина 64 токена. Модель обучалась с учителем на KorNLI-train в течение одной эпохи с методом SimCSE и проверялась на KorSTS-dev и Klue-dev. Она предназначена для поиска семантически близких предложений и сравнения формулировок на корейском языке. Репозиторий распространяется по лицензии MIT.

Это модель Sentence Transformer, разработанная на основе keepitreal/vietnamese-sbert и дообученная на парном наборе данных из 10 200 примеров. Она использует RoBERTa с усреднением токенных представлений и преобразует предложения и абзацы в плотные векторы размерностью 768; близость текстов оценивается косинусным сходством. Модель предназначена для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и классификации текста, в первую очередь на вьетнамском языке. Максимальная длина последовательности — 256 токенов по карточке модели; метаданные указывают контекст до 258 токенов. В README приведены результаты оценки поиска для векторов размерностью 768 и 512, однако они не гарантируют качество на других данных и сценариях. Лицензия в предоставленных сведениях не указана.

Это визуальный энкодер ViT-Huge с патчами 14×14 из модели DFN CLIP, опубликованный библиотекой timm. Репозиторий содержит только веса энкодера изображений; модель предназначена для извлечения признаковых представлений изображений и может использоваться в системах поиска по изображениям или сопоставления визуальных признаков. Модель принимает изображения и выдаёт векторы признаков. В карточке указаны форматы PyTorch и safetensors, а лицензия обозначена как other. Текстовый энкодер CLIP в репозитории не заявлен, поэтому для полноценного сопоставления изображений с текстом он может потребоваться отдельно.

ViT-L-16-SigLIP-256 — контрастивная модель для сопоставления изображений и текста, обученная командой Big Vision на датасете WebLI и опубликованная timm. Она предназначена для классификации изображений без дообучения: модель сравнивает изображение с текстовыми описаниями классов и оценивает их соответствие. Архитектура включает визуальный энкодер ViT-L/16 с разрешением изображения 256 пикселей и текстовый энкодер SigLIP; веса доступны в форматах PyTorch и Safetensors, библиотека для работы — OpenCLIP. Модель принимает изображения и текстовые описания, а выдаёт оценки сходства, которые можно использовать для выбора наиболее подходящей метки; визуальные эмбеддинги также доступны через timm. Лицензия Apache-2.0. README сообщает о конвертации исходных JAX-чекпойнтов Big Vision в PyTorch, поэтому это конверсия формата, а не новое дообучение.

unslothai/vram-40 — модель на архитектуре Llama, опубликованная Unsloth. Карточка Hugging Face указывает задачу извлечения признаков и использование через Transformers как `AutoModel` с токенизатором. Назначение модели — получать числовые представления входного текста для последующей обработки. Доступные сведения не подтверждают её размер, языки, длину контекста или лицензию, поэтому эти характеристики не приводятся.