I.12Рекомендации и персонализация

SkillMatch MPNet — дообученная модель Aleksandruz на базе sentence-transformers/all-mpnet-base-v2 для сопоставления предложений из описаний вакансий с определениями навыков. Она кодирует оба текста в векторы, после чего косинусное сходство позволяет находить наиболее подходящие навыки для каждого предложения. Модель предназначена для извлечения навыков и поиска по ним в текстах вакансий. Модель использует архитектуру MPNet и содержит 136,7 млн параметров. Принимает текст на английском языке; контекст — до 514 токенов. Распространяется в формате Safetensors по лицензии MIT. Оценивалась в исследованиях по автоматическому извлечению навыков и бенчмарке для рабочих задач.

SkillScout Large — плотный bi-encoder TalentGuide для поиска навыков ESCO по названию профессии. Модель разработана для Stage 1 двухэтапного сопоставления профессий и навыков в задаче TalentCLEF 2026 Task B; она кодирует название профессии и описания навыков в эмбеддинги и ранжирует 9 052 навыка по косинусному сходству. Модель основана на jjzha/esco-xlm-roberta-large: архитектура XLM-RoBERTa-large с mean pooling, 658,7 млн параметров и эмбеддингами размерности 1024. Для кодирования и поиска используются sentence-transformers; максимальная длина входа в README указана как 64 токена. Модель обучена на англоязычных данных ESCO и оптимизирована для этой таксономии. Для более точного различения основных и контекстных навыков README рекомендует добавить cross-encoder-реранкер; на проверочной выборке сочетание с ним показало более высокий nDCG@10, чем bi-encoder отдельно. Модель подходит для подбора навыков к названиям вакансий и построения поиска по каталогу ESCO. Лицензия — Apache-2.0.

Карточка модели seerware/Splade_PP_en_v2 на Hugging Face совпадает с карточкой prithivida/Splade_PP_en_v2, поэтому описание составлено по ней. prithivida/Splade_PP_en_v2 — независимая реализация модели SPLADE++ для поиска по текстовым документам, разработанная Donkey Stereotype. Это модель-энкодер на базе BERT с 136,7 млн параметров, формирующая разреженные представления текста через MLM-голову: она расширяет текст контекстуальными токенами и помогает находить документы при несовпадении формулировок запроса и текста. Модель предназначена для кодирования документов в поисковых и retrieval-системах; для запросов автор указывает на отдельную модель. В README описаны настройки для индустриального поиска: ограничение длины документов 128 токенами, оптимизация разреженности и ориентир на баланс качества поиска, задержки и размера индекса. Модель обучалась с использованием MS MARCO; заявлены показатели MRR@10 и времени retrieval, но они зависят от набора данных и конфигурации системы. Поддерживается английский язык, контекст — до 512 токенов. Доступны форматы PyTorch и ONNX. Для применения модель выдаёт признаки и разреженные представления текста, которые можно индексировать и использовать для поиска документов и оценки сходства предложений. Лицензия — Apache-2.0. Ограничения BERT и конкретного дообучения сохраняются; для пользовательских доменов качество следует проверять отдельно.

SqueezeBERT — предварительно обученная англоязычная модель семейства BERT, разработанная Forrest Iandola и соавторами. Она обучена на BookCorpus и англоязычной Википедии с задачами masked language modeling и sentence order prediction; регистр букв не учитывается. Модель использует плотную архитектуру SqueezeBERT: полносвязные слои BERT-base заменены групповыми свёртками. В репозитории указано 136,7 млн параметров и контекст длиной до 512 токенов. Модель предназначена для последующего дообучения под задачи понимания английского текста, включая классификацию и задачи набора GLUE. Авторы сообщают, что SqueezeBERT работает в 4,3 раза быстрее BERT-base-uncased на смартфоне Google Pixel 3. Это предварительно обученная базовая модель без тонкой настройки под конкретную задачу, поэтому для готовой классификации обычно потребуется дообучение. Лицензия — BSD.

Taiyi-CLIP-RoBERTa-326M-ViT-H-Chinese — китайская модель для сопоставления изображений и текста, разработанная командой Fengshenbang. Она обучалась на 123 млн пар изображений и текстов по схеме CLIP: текстовый энкодер основан на chinese-roberta-wwm-large, а визуальный — на ViT-H-14 из open_clip. В ходе предобучения визуальный энкодер был заморожен, а текстовый дообучался на наборах Noah-Wukong и Zero. Модель предназначена для извлечения совместимых представлений изображений и китайских текстов, классификации изображений без дополнительного обучения и поиска изображений по текстовому запросу. README приводит результаты zero-shot классификации на ImageNet1k-CN и поиска по тексту на Flickr30k-CNA, COCO-CN и wukong50k. Метаданные указывают архитектуру BertModel, 424,3 млн параметров и контекст 512 токенов; README отдельно указывает 326 млн параметров для модели в своей таблице. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Карточка модели castorini/tct_colbert-v2-msmarco на Hugging Face совпадает с карточкой castorini/tct_colbert-v2-hnp-msmarco, поэтому описание составлено по ней. castorini/tct_colbert-v2-hnp-msmarco — модель семейства TCT-ColBERT-V2, опубликованная Castorini для воспроизведения варианта плотных моделей поиска, описанного в статье о дистилляции знаний для dense retrieval. Она предназначена для извлечения векторных представлений текстов и их использования в поиске по коллекции документов, в частности в сценариях, связанных с MS MARCO. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. README связывает её с исследовательской работой и отчётом о воспроизведении в Pyserini. Лицензия в доступных данных не приведена.

V-JEPA 2 — видеомодель, разработанная FAIR при Meta. Она использует архитектуру VJEPA2 и предназначена для представления видео и изображений, классификации видео, поиска похожих видео и работы в качестве видеоэнкодера для визуально-языковых моделей. Для этой версии требуется подавать 64 кадра; изображение можно представить как последовательность повторяющихся кадров. Модель содержит 402,7 млн параметров и доступна в формате Safetensors для библиотеки Transformers. Модель подходит для извлечения представлений из видео и изображений, классификации видеоматериалов и поиска по видео. В карточке заявлены возможности понимания видео на основе масштабного предобучения; отдельные численные результаты для этой версии не приведены. Лицензия — MIT.

aimv2_3b_patch14_224.apple_pt — веса визуального энкодера AIM-v2, опубликованные в экосистеме timm и совместимые с библиотекой timm. Модель предназначена для извлечения признаков из изображений; метаданные указывают задачу image-feature-extraction и форматы PyTorch и Safetensors. В названии указаны вариант на 3 млрд параметров, патчи размером 14 и входное разрешение 224 пикселя. Карточка не описывает дополнительные сценарии применения, языковую поддержку или ограничения качества. Указана лицензия apple-ascl; перед использованием следует проверить её условия.

BERTimbau Large — предварительно обученная модель BERT для бразильского португальского языка, опубликованная командой NeuralMind. Это плотный энкодер BERT-Large с 24 слоями; в README указано 335 млн параметров, тогда как метаданные каталога приводят 433,2 млн. Максимальная длина контекста — 512 токенов. Репозиторий предоставляет веса в форматах PyTorch и Flax. Основная задача модели — предсказание замаскированных токенов. Её также можно дообучать или использовать как основу для извлечения эмбеддингов и задач понимания португальского текста, включая распознавание именованных сущностей, оценку семантического сходства предложений и распознавание текстового следования. README сообщает о высоких результатах на этих задачах, но не приводит подробностей оценивания. Модель предназначена для бразильского португальского, поэтому её пригодность для других языков не подтверждена. Указана лицензия MIT.

Это турецкоязычный переранжировщик seroe на основе BAAI/bge-reranker-v2-m3, дообученный как Cross Encoder на наборе vodex-turkish-triplets-large из 215 676 триплетов «запрос, релевантный текст, нерелевантный текст». Модель оценивает пары запроса и текста одним числовым баллом релевантности, чтобы переупорядочивать результаты поиска и улучшать семантический поиск. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, принимает текст и поддерживает последовательности длиной до 8194 токенов. В README приведены результаты оценки на турецких наборах val-hard и test-hard: NDCG@10 составляет 0,8425 и 0,8418 соответственно. Для работы указана библиотека Sentence Transformers. Модель распространяется по лицензии Apache-2.0.

Это модель CLIP семейства ViT, обученная командой Stability AI с OpenCLIP на наборе DataComp-1B, содержащем около 1,4 млрд примеров. Она сопоставляет изображения и текстовые описания в общем пространстве представлений и предназначена прежде всего для классификации изображений без дообучения по заданным текстовым меткам, а также для поиска изображений по тексту и текстов по изображению. Модель можно применять в исследованиях и экспериментах с классификацией по произвольной таксономии, линейными пробами и дообучением для задач компьютерного зрения. В карточке указана точность zero-shot top-1 79,2% на ImageNet-1k и оценка на 38 наборах данных. Обучение на неотфильтрованных веб-данных может приводить к смещениям и нестабильному качеству в зависимости от набора меток; карточка не рекомендует развёртывание без тщательной проверки и исключает наблюдение и распознавание лиц. Лицензия репозитория — MIT.

CLIP ViT-bigG/14 — модель сопоставления изображений и текста, обученная LAION с использованием OpenCLIP. Обучение проводилось на англоязычной подвыборке из 2 млрд пар LAION-5B; модель также частично дообучалась на LAION-A. В метаданных указаны архитектура CLIPModel, библиотека open_clip и форматы PyTorch и safetensors. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для поиска изображений по тексту и поиска текстов по изображению. Её можно использовать как основу для дообучения задач компьютерного зрения и для управления генерацией изображений. README приводит точность top-1 80,1% на ImageNet-1k. Модель обучалась на английских данных, поэтому предназначена для англоязычных сценариев. Лицензия — MIT. Карточка рекомендует исследовательское применение и не рекомендует развёртывание без тщательной проверки на конкретной задаче и фиксированном наборе классов; распознавание лиц и наблюдение указаны как недопустимые сценарии. Данные LAION не курировались и могут содержать нежелательный контент.

kongchan/e5-word-meta-ko — модель эмбеддингов на базе Sentence Transformers, дообученная разработчиком на 25 358 примерах из набора json от dragonkue/multilingual-e5-small-ko-v2. Она кодирует текстовые запросы и описания в плотные векторы размерности 384, нормализует их и предназначена для семантического поиска и сопоставления запросов с документами по косинусному сходству. Архитектура состоит из трансформера BERT с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. В README приведена оценка на наборе meta-assistant-terms: точность cosine_accuracy@1 составляет 0,9889, а @3 и @5 — 0,9997. Примеры обучающих данных показывают корейские запросы и определения терминов, поэтому модель подходит для поиска по корейским терминам и метаданным. Лицензия в предоставленных данных не указана.

Это веса модели EVA02 Enormous Patch14 CLIP 224, опубликованные в репозитории timm и совместимые с библиотекой OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без обучения на целевых классах: она сопоставляет изображение с кандидатными подписями и оценивает их соответствие. Архитектура использует визуальный энкодер EVA02 с патчами 14 × 14 и CLIP-сопоставление изображения и текста; размер входного изображения — 224 пикселя. Веса связаны с обучающей выборкой LAION-2B и доступны в форматах PyTorch и Safetensors. Модель принимает изображения и текстовые варианты классов, а выдаёт оценки соответствия для выбора наиболее подходящего описания. Карточка не сообщает языковую специализацию, поэтому область поддержки языков по ней определить нельзя. Лицензия репозитория — MIT.

InternLM2-7B-Reward —奖励模型，由 InternLM 团队基于 InternLM2-Chat-7B-SFT 训练。它使用超过 240 万条人工标注和 AI 合成的偏好样本，面向对话、写作、诗歌、摘要、代码和数学等内容，可为对话回答打分、比较候选回答并对多个回答排序，也可用于 best-of-N 采样和 RLHF 训练流程。 模型采用 InternLM2 稠密架构，参数量为 7.4B，原生上下文长度为 32,768 个 token。训练数据覆盖英语和中文；Hugging Face 将其标记为文本分类模型。README 抱告其在 RewardBench 上的总分为 86,6, с высокими результатами в категориях диалога, безопасности и рассуждений. Модель предназначена для оценки предпочтительности текстовых ответов, а не для самостоятельной генерации текста. Лицензия указана как other: веса открыты для академических исследований, а бесплатное коммерческое использование требует отдельного разрешения; код распространяется по Apache-2.0.

bsmith3715/legal-ft-demo_final — это дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-m, опубликованная автором bsmith3715. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству; модель подходит для семантического поиска, оценки сходства текстов и поиска перефразировок. Архитектура включает BERT, пулинг по токену CLS и нормализацию; максимальная длина последовательности — 512 токенов. В метаданных указано 136,7 млн параметров и формат safetensors. Карточка показывает дообучение на 200 парах предложений, связанных с текстами о тренировках по пилатесу, поэтому качество на других темах не установлено. В примере оценки InformationRetrievalEvaluator cosine_accuracy@1 составляет 0,45, @3 — 0,69, @5 — 0,73. Модель предназначена для текстового ввода и выдаёт эмбеддинги; в карточке не указана лицензия, поэтому условия использования следует проверить в репозитории.

mMiniLM-L6-v2-mmarco-v2 — мультиязычная модель на основе MiniLM, дообученная командой Unicamp-DL на версии набора MS MARCO Passage Ranking на девяти языках. Набор mMARCO содержит переведённые с английского passages; для версии v2 использовался Google Translate. Модель предназначена для оценки текстовых фрагментов в задачах поиска и ранжирования passages по запросу. Её можно применять для сортировки найденных документов по релевантности и построения мультиязычного поиска. Архитектура в метаданных указана как XLM-RoBERTa Sequence Classification, размер — 110,2 млн параметров, максимальный контекст — 514 токенов. Модель доступна в формате PyTorch по лицензии MIT. Обучение на автоматически переведённых данных может влиять на качество для языков и формулировок, отличающихся от обучающего набора; контекст ограничен 514 токенами.

MobileCLIP2-S4-OpenCLIP — веса модели MobileCLIP2-S4, адаптированные из оригинальной модели Apple для использования с OpenCLIP; репозиторий подготовлен командой timm. Это мультимодальная модель сопоставления изображений и текста для классификации изображений без обучения на целевых классах: пользователь задаёт текстовые описания классов, а модель оценивает их соответствие изображению. Архитектура относится к семейству MobileCLIP2 и рассчитана на эффективный запуск на мобильных устройствах. В карточке заявлено, что S4 достигает точности SigLIP-SO400M/14 при вдвое меньшем числе параметров и превосходит DFN ViT-L/14 по скорости на iPhone 12 Pro Max. Веса представлены в форматах PyTorch и safetensors и предназначены для библиотеки OpenCLIP. Модель подходит для быстрого распознавания и поиска изображений по текстовым описаниям. Результаты зависят от формулировок классов и распределения данных; это не специализированная модель для детекции объектов, OCR или генерации изображений. Лицензия — Apple AMLR.

MobileCLIP-S1 — компактная модель сопоставления изображений и текста, разработанная Apple и опубликованная как чекпойнт для OpenCLIP. Работа о семействе MobileCLIP представлена на CVPR 2024. Вариант S1 включает визуальную часть с 21,5 млн и текстовую часть с 63,4 млн параметров; в README для него указаны точность zero-shot классификации ImageNet 72,6% и средний результат 61,3% на 38 наборах данных. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах, а также для поиска соответствий между изображением и текстом. Компактная архитектура ориентирована на быстрое выполнение таких задач; веса доступны в форматах PyTorch и safetensors, использовать их можно через OpenCLIP. Лицензия — Apple AMLR. README приводит результаты оценки, но не описывает ограничения точности для конкретных предметных областей или условий съёмки; качество следует проверять на целевых данных.

MoEViE-L16-384 — визуальный энкодер Meta из семейства MoE-ViE, предназначенный для понимания изображений и видео. Модель использует контрастивное обучение на визуально-языковых данных и архитектуру Mixture-of-Experts: каждый MoE-блок содержит общего эксперта и пул маршрутизируемых экспертов, а для каждого токена активируется лишь часть параметров. Этот вариант имеет архитектуру L/16: ширина 1024, 24 слоя, разрешение изображений 384 пикселя, 1,7 млрд параметров всего и около 0,3 млрд активных параметров. Он подходит для классификации изображений без примеров целевых классов, а также для сопоставления изображений с текстом и поиска по визуально-текстовым представлениям. В карточке приведены нулевые результаты на ImageNet-1k, ObjectNet и задачах поиска по COCO, Kinetics-400 и MSR-VTT. Для запуска требуются CUDA GPU и Triton; ядра MoE компилируются во время выполнения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это модель Sentence Transformers на базе MuRIL и архитектуры BERT, дообученная для получения векторных представлений предложений и абзацев. Разработчик указан в идентификаторе и карточке модели как pritamdeka. Модель преобразует текст в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Модель предназначена прежде всего для оценки семантического сходства на ассамском языке, а также для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Максимальная длина входной последовательности — 512 токенов. В README приведены результаты оценки сходства на переводных наборах STS для ассамского языка. Модель принимает текст и выдаёт векторы; качество зависит от соответствия входных данных ассамскому языку и задачам, на которых её обучали и оценивали. Лицензия в предоставленных данных не указана.

MyAwesomeModel — модель на базе BERT, опубликованная для использования с библиотекой Transformers и PyTorch. В метаданных Hugging Face она классифицирована для задачи извлечения признаков. README описывает обновлённую версию как модель с улучшенными возможностями рассуждения, логического вывода, генерации кода, суммаризации, диалога, классификации и ответов на вопросы, однако эти сценарии не подтверждены отдельными pipeline-тегами или техническими характеристиками конфигурации. Модель распространяется по лицензии MIT. README также заявляет о снижении частоты галлюцинаций, поддержке системных промптов и function calling, а для работы рекомендует температуру 0,6. Конкретные сведения о размере модели, длине контекста, поддерживаемых естественных языках и точной конфигурации отсутствуют в предоставленных данных.

Репозиторий UCSC-VLAA/openvision-vit-large-patch14-224 содержит веса визуального энкодера OpenVision из семейства моделей, описанного в статье «OpenVision: A Fully-Open, Cost-Effective Family of Advanced Vision Encoders for Multimodal Learning». Модель предназначена для извлечения признаков изображений и может использоваться в задачах классификации изображений без дообучения, в том числе для оценки соответствия изображения текстовым меткам.

timm/regnety_1280.swag_ft_in1k — модель классификации изображений семейства RegNetY-128GF, основанная на архитектуре RegNet и распространяемая в библиотеке timm. Изначально обучена методом слабого обучения с учителем SWAG на примерно 3,6 млрд изображений Instagram и связанных с ними хештегах, затем дообучена авторами статьи на ImageNet-1k. Модель содержит около 644,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В таблице результатов указана точность top-1 88,228% и top-5 98,684% на ImageNet-1k. Реализация timm поддерживает стохастическую глубину, градиентное чекпоинтирование, послойное уменьшение скорости обучения и настройку выходного шага сети. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. Модель принимает изображения и выдаёт метки классов; описание также указывает на возможность получения признаковых представлений.

ResNetRS-50 — сверточная модель семейства ResNetRS для классификации изображений и извлечения визуальных признаков. Версия resnetrs50.tf_in1k создана авторами статьи и обучена на ImageNet-1k в TensorFlow; репозиторий распространяет веса в форматах PyTorch и safetensors через timm. Модель содержит 35,7 млн параметров и использует ReLU, свертку 7×7 с пулингом и проекции 1×1 в обходных соединениях. Модель предназначена для присвоения изображениям классов ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Размер изображения при обучении составлял 160×160 пикселей, при тестировании — 224×224. Лицензия репозитория — Apache-2.0. Она обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных.

ResNeXt101-32x8d — свёрточная модель классификации изображений из библиотеки timm. Авторы статьи предварительно обучили её на наборе хештегов Instagram-1B с использованием слабого надзора, а затем дообучили на ImageNet-1k. Модель также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Архитектура включает начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках, связи с остаточными преобразованиями и ReLU. В модели 88,8 млн параметров; указан входной размер изображения 224×224. Она предназначена для классификации изображений и извлечения визуальных признаков. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение.

Это предварительно обученный визуальный энкодер RoPE SoViT с 150-миллионным вариантом архитектуры p14 и компонентами SwiGLU, RMS и register-токенами; модель разработана проектом Birder и обучена с помощью CAPI. Она предназначена для извлечения признаков изображений общего назначения и использования в качестве основы для последующего обучения классификаторов, детекторов объектов и моделей сегментации. Модель содержит 171 млн параметров и принимает изображения размером 224 × 224 пикселя; обучение проводилось на разнообразном наборе примерно из 21 млн изображений. Энкодер не дообучен под конкретную задачу классификации. Карточка демонстрирует получение эмбеддингов изображений и карт признаков для обнаружения объектов; лицензия — Apache-2.0.

Карточка модели 0x3/ruri-v3-30m на Hugging Face совпадает с карточкой cl-nagoya/ruri-v3-30m, поэтому описание составлено по ней. Ruri v3 30M — модель эмбеддингов японского текста, разработанная cl-nagoya на базе ModernBERT-Ja и дообученная от cl-nagoya/ruri-v3-pt-30m. Она преобразует предложения и фрагменты текста в векторы размерностью 256 для сравнения смысловой близости, поиска, ранжирования и кластеризации. Модель содержит 36,7 млн параметров, поддерживает последовательности до 8192 токенов и использует токенизатор SentencePiece; для токенизации не требуется внешняя сегментация японского текста. Модель предназначена для японских текстовых задач. В оценке JMTEB версия 30M показала средний результат 74,51; карточка также приводит метрики поиска, семантического сходства, классификации, переранжирования и кластеризации. Указана функция сходства cosine similarity. Репозиторий содержит веса safetensors, лицензия — Apache 2.0.

SkillReason-embedding-4b — плотная текстовая модель эмбеддингов, разработанная авторами проекта SkillReason для поиска подходящих навыков агента по запросу на естественном языке. Она дообучена на базе Qwen/Qwen3-Embedding-4B с использованием supervision по рассуждению о возможностях навыков и обратной связи от поиска. Модель содержит 3,7 млрд параметров, использует pooling по последнему непаддинговому токену и поддерживает контекст до 40 960 токенов. Основной сценарий — находить переиспользуемый навык, соответствующий неявной цели пользователя, даже когда тот не называет навык или порядок действий напрямую. Обычный поиск кодирует запрос и документы навыков в векторы; генерация объяснений не требуется. Модель рассчитана на англоязычные данные и подходит для поиска и сравнения текстов, в частности для подбора навыков агентам. Лицензия — Apache-2.0.

SKILLRET-Edge-22M — компактный двунаправленный энкодер на базе BERT, разработанный ThakiCloud для поиска подходящего навыка агента по запросу на естественном языке. Модель дообучена дистилляцией из ThakiCloud/SKILLRET-Embedding-0.6B и основана на Snowflake/snowflake-arctic-embed-xs. В метаданных указано 25,9 млн параметров; README приводит 22,7 млн. Модель принимает текстовые запросы и описания навыков, формирует нормализованные эмбеддинги для семантического сопоставления. Для запросов используется кодирование без префикса инструкции. Контекст модели — 512 токенов; в оценке применялась максимальная длина 256 токенов. На тестовом наборе SKILLRET из 4 392 запросов и 6 006 навыков модель показала NDCG@10 75,26. По данным README, fp16-файл занимает 45,4 МБ; приведены также результаты int8-квантизации и задержки на CPU. Модель предназначена для извлечения навыков из каталога, в том числе при локальном запуске рядом с агентом. Она выдаёт эмбеддинги, а не готовые текстовые ответы. Лицензия — Apache-2.0.