I.12Рекомендации и персонализация

Карточка модели vectoriseai/multilingual-e5-large на Hugging Face совпадает с карточкой goldenrooster/multilingual-e5-large, поэтому описание составлено по ней. Multilingual-E5-large — мультиязычная модель текстовых эмбеддингов, основанная на XLM-RoBERTa-large и обученная контрастивным методом на смеси мультиязычных данных. В карточке перечислены авторы Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder и Furu Wei. Модель имеет 24 слоя, размер эмбеддинга 1024 и около 658,7 млн параметров. Она предназначена для поиска по текстам, семантического сходства, поиска парафраз и межъязыкового сопоставления текстов, а также для получения признаков для классификации и кластеризации. Для поиска нужно добавлять к запросу префикс «query:», а к документу — «passage:»; для симметричных задач и получения признаков используется префикс «query:». Поддерживается 100 языков семейства XLM-RoBERTa, включая русский, однако качество может снижаться на языках с малым объёмом обучающих данных. Модель принимает текст и выдаёт векторные представления. Контекст ограничен 512 токенами: более длинные тексты обрезаются. Лицензия — MIT.

Nextcloud-AI/multilingual-e5-large-instruct — модель текстовых эмбеддингов семейства E5, основанная на XLM-RoBERTa-large. Разработчики исходной модели — Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder и Furu Wei; репозиторий Nextcloud-AI содержит её копию. Модель имеет 24 слоя и размерность эмбеддинга 1024, насчитывает 658,7 млн параметров и принимает текст длиной до 514 токенов по метаданным; README предупреждает об усечении длинных текстов до 512 токенов. Она предназначена для создания векторных представлений текста и поддерживает извлечение признаков и сравнение предложений. Подходит для поиска документов по смыслу, ранжирования пассажей и оценки семантического сходства. При кодировании запроса рекомендуется добавлять краткую инструкцию, описывающую задачу; к документам такую инструкцию добавлять не требуется. Модель поддерживает 100 языков XLM-RoBERTa, хотя качество может снижаться для языков с малым объёмом обучающих данных. Репозиторий предоставляет веса в форматах safetensors и ONNX. Лицензия — MIT. README указывает, что результаты могут немного отличаться в зависимости от версий Transformers и PyTorch, а абсолютные значения косинусного сходства не следует трактовать как универсальную оценку: для поиска важнее относительный порядок результатов.

mxbai-embed-large-v1-gguf — модель для построения векторных представлений предложений и текстов, разработанная MixedBread AI и преобразованная в формат GGUF пользователем ChristianAzinn. В основе лежит модель mxbai-embed-large-v1 архитектуры BERT, обученная с использованием функции потерь AnglE на большом высококачественном наборе данных. Модель ориентирована на англоязычные тексты и предназначена для семантического поиска, сравнения текстов, кластеризации, извлечения признаков и других задач, где используются sentence embeddings. Модель поддерживает контекст до 512 токенов и поставляется в вариантах GGUF с квантованием от 2 до 8 бит, а также в FP16 и FP32. Файлы совместимы с llama.cpp и LM Studio при указанных в README версиях. Квантование позволяет снизить требования к памяти, однако варианты с малым числом бит могут существенно ухудшать качество; наиболее сбалансированными авторами названы Q4_K_M, Q5_K_S, Q5_K_M и Q8_0. Размер исходной модели и точное число параметров в README не указаны. Модель сильна в задачах семантического представления текста и заявлена как обеспечивающая высокие результаты на бенчмарках уровня BERT-large. Ограничения включают поддержку только английского языка, ограничение контекста 512 токенами и возможную потерю качества при агрессивном квантовании. Модель распространяется по лицензии Apache-2.0.

MartinV/my-awesome-setfit-model — модель семейства MPNet на базе Sentence Transformers, которая преобразует предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель содержит 136,7 млн параметров и принимает текст с контекстным окном до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Веса опубликованы в формате PyTorch; для использования подходят библиотека Sentence Transformers или Transformers с корректной операцией pooling. В карточке указана архитектура MPNet, но базовая модель и лицензия не установлены, поэтому условия распространения по этим данным описать нельзя.

nomic-embed-text-v2-moe-unsupervised — мультиязычная модель эмбеддингов текста с архитектурой NomicBert и механизмом mixture of experts (MoE), разработанная Nomic AI. Это чекпойнт после контрастивного предварительного обучения, входящий в многоэтапный процесс обучения финальной модели; для извлечения эмбеддингов авторы рекомендуют итоговую модель nomic-embed-text-v2-moe. Модель предназначена для получения векторных представлений текста и вычисления сходства между предложениями. Она основана на nomic-xlm-2048, использует библиотеку Sentence Transformers и принимает текст с контекстом до 2048 токенов. Метаданные указывают на мультиязычность; конкретный перечень языков в доступных сведениях не раскрыт. Доступные файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

SteveTran/ob_semantic_model — это модель Sentence Transformers, дообученная разработчиком на базе Alibaba-NLP/gte-multilingual-base для сопоставления предложений и абзацев по смыслу. Она преобразует текст в плотные векторы размерности 768 и сравнивает их с помощью косинусного сходства; модель предназначена для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру Sentence Transformer с энкодером Transformer, объединением CLS-токена и нормализацией векторов. В карточке указана максимальная длина последовательности 512 токенов, а метаданные каталога указывают контекст до 8192 токенов; при практическом использовании следует учитывать ограничение, заявленное в README. Обучающие примеры состоят из запросов, релевантных описаний и отрицательных примеров; датасет содержит 5 964 образца. Пример в карточке — вьетнамский, а базовая модель многоязычная, поэтому модель подходит для многоязычных текстовых задач, хотя конкретный список поддерживаемых языков в источниках не приведён. Модель принимает текст и выдаёт векторы, пригодные для поиска и сравнения; для обучения применялась MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

Octen-Embedding-8B W4A16 — квантизированный чекпойнт модели Octen-Embedding-8B, опубликованный пользователем groxaxo. Модель предназначена для получения векторных представлений текста и задач feature extraction, включая семантический поиск, retrieval и сопоставление запросов с документами, при локальном или размещённом на сервере инференсе. Модель использует формат AWQ/AutoRound с квантизацией W4A16: веса представлены в 4-битном формате, а активации — в 16-битном. Квантизировано 252 из 253 слоёв, размерность эмбеддингов составляет 4096, модель занимает около 8,1 ГБ в двух шардах против 15 ГБ у базовой версии. Валидация проводилась с last-token pooling и L2-нормализацией; среднее косинусное сходство с базовой моделью превысило 0,98, а на небольшом наборе из пяти пар запрос—документ ухудшения Recall не наблюдалось. На RTX 3060 с 12 ГБ VRAM модель успешно запускалась, потребляя около 4,53 ГБ памяти. Сильными сторонами являются заметное сокращение размера и требований к памяти при сохранении близкого к исходной модели поведения. Ограничения связаны с зависимостью от runtime, совместимого с данным форматом и архитектурой, а также с тем, что опубликованная проверка выполнена на небольшом наборе данных; качество на конкретном распределении текстов необходимо оценивать отдельно. Языки и максимальная длина контекста в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

AlexWortega/qwen11k — Sentence Transformers модель, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct для создания текстовых эмбеддингов. Она кодирует предложения и абзацы в плотные векторы размерности 896; близость текстов можно оценивать косинусным сходством. Архитектура включает трансформер Qwen2 с усреднением токенных представлений, а метаданные указывают контекст до 32 768 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. В README приведена оценка на sts-dev: Spearman для косинусного сходства — 0,7854 при размерности 896. Для текстов длиннее указанного в README лимита последовательности 1024 токена может потребоваться обрезка или разбиение на части. Лицензия в предоставленных данных не указана.

Эта модель — многоязычная модель эмбеддингов на базе декодерной архитектуры Qwen3 с 3,7 млрд параметров, дообученная контрастивным обучением для сравнения смысловой близости текстов. Автор описывает её в контексте исследования того, как модели, обученные с подкреплением и проверяемыми наградами, представляют смысл текста. В README предложена концепция HRSA для анализа сходства представлений; оценка на MTEB и BRIGHT не выявила устойчивого преимущества таких начальных весов над базовыми при одинаковом обучении. Модель предназначена для получения векторных представлений текстов и вычисления семантического сходства, например при поиске похожих фрагментов или ранжировании кандидатов. Она принимает текст и выдаёт эмбеддинги; поддерживает контекст до 40 960 токенов. Репозиторий использует библиотеку Sentence Transformers и формат safetensors. Лицензия — Apache-2.0. README требует включить trust_remote_code для загрузки через Sentence Transformers или Transformers.

jkrukowski/Qwen3-Embedding-0.6B-F32 — версия модели эмбеддингов Qwen3-Embedding-0.6B, подготовленная в формате Float32 из исходных весов BF16. Модель основана на Qwen/Qwen3-0.6B-Base: это плотная архитектура Qwen3ForCausalLM примерно с 508 млн параметров, дообученная для получения текстовых эмбеддингов. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для семантического поиска и извлечения текстов и кода, сравнения предложений, классификации и кластеризации текстов, а также поиска соответствий между языками. Она поддерживает более 100 языков, контекст до 32 768 токенов и размерность эмбеддинга до 1024 с выбором выходной размерности от 32 до 1024. Входные инструкции можно настраивать под задачу; авторы отмечают, что в большинстве сценариев поиска это может повысить качество. Модель выдаёт векторные представления текста; README описывает её как модель эмбеддингов, а не как специализированный реранкер. Перед использованием с Transformers требуется версия 4.51.0 или новее, поскольку в более ранних версиях возможна ошибка распознавания архитектуры Qwen3. Качество конкретной версии F32 отдельно в карточке не оценено.

Карточка модели fabianschmidt-cohere/Qwen3-Embedding-4.9M-init 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 Rasputin312/Qwen3-Embedding-4B_both_60_pct_8_epochs на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-4B, поэтому описание составлено по ней. Qwen3-Embedding-4B — мультиязычная модель для построения текстовых эмбеддингов из семейства Qwen3, разработанная командой Qwen. Это плотная модель на базе Qwen3-4B-Base, дообученная для задач поиска и сравнения текстов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Модель подходит для семантического поиска по документам и коду, оценки сходства предложений, классификации и кластеризации текстов, а также поиска соответствий между языками. Она поддерживает более 100 языков, контекст до 40 960 токенов по метаданным и до 32 тысяч токенов в описании модели. Размер эмбеддинга можно настраивать от 32 до 2560 измерений; также поддерживаются инструкции, настраивающие представление под задачу.

Mungert/Qwen3-Embedding-4B-GGUF — набор GGUF-версий модели эмбеддингов на базе Qwen/Qwen3-4B-Base, подготовленный автором Mungert с использованием llama.cpp. Модель предназначена для извлечения признаков, вычисления сходства между предложениями и других задач семантического поиска и сопоставления текстов. В репозитории представлены варианты с разной точностью и степенью квантования: BF16, F16, гибридные форматы, Q4_K, Q6_K, Q8 и IQ-серии. Автор применяет метод выборочного повышения точности отдельных слоёв поверх стандартного IMatrix-квантования, чтобы улучшить сохранение качества при уменьшении размера модели, особенно для низкобитных вариантов. Это позволяет выбирать компромисс между точностью, объёмом памяти и скоростью инференса в зависимости от оборудования. Точные характеристики архитектуры, размерности эмбеддингов, максимального контекста и поддерживаемых языков в README не указаны. Низкобитные варианты подходят для запуска на CPU и устройствах с ограниченной VRAM, однако могут уступать полноточным версиям по качеству; BF16 и F16 требуют соответствующей аппаратной поддержки. Модель распространяется по лицензии Apache-2.0.

Карточка модели AhmadAfles/qwen3-embedding-finetuned-86genres-focal на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-0.6B, поэтому описание составлено по ней. Qwen3-Embedding-0.6B — многоязычная модель эмбеддингов текста семейства Qwen3, разработанная командой Qwen. Это дообученная версия Qwen/Qwen3-0.6B-Base с плотной архитектурой Qwen3ForCausalLM и примерно 507,6 млн параметров. Модель предназначена для преобразования текста в векторы и поиска семантически близких текстов; её применяют для поиска и извлечения документов, поиска по коду, классификации, кластеризации и сопоставления параллельных текстов. Модель поддерживает более 100 естественных языков и языков программирования, обрабатывает контекст до 32 768 токенов и выдаёт эмбеддинги размерностью до 1024, включая пользовательские размерности от 32 до 1024. Она поддерживает инструкции, настраиваемые под задачу, язык или сценарий, что может улучшать качество поиска. README описывает серию как сильную в многоязычных задачах эмбеддингов, но приведённые в нём отдельные лидирующие результаты относятся к модели 8B, а не к версии 0.6B. Для использования требуется совместимая версия Transformers: в версиях ранее 4.51.0 возможно возникновение ошибки распознавания архитектуры. Лицензия — Apache-2.0.

RexBERT-base-embed-pf-v0.4 — модель Sentence Transformers, дообученная thebajajra на базе thebajajra/RexBERT-base-embed-pf-v0.1 на наборе nomic-embed-supervised-data. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Архитектура включает ModernBERT и mean pooling; модель рассчитана на последовательности до 1024 токенов по README, а метаданные указывают контекст до 7999 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, а также для поиска перефразировок, кластеризации и подготовки признаков для классификации. Данные не указывают на специализацию по языку или прикладной области. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

RexBERT-large — разработанная Rahul Bajaj encoder-only модель семейства ModernBERT, обученная предсказывать скрытые токены и адаптированная к текстам электронной торговли. Она предназначена для поиска и извлечения товаров, классификации, понимания запросов и построения эмбеддингов; для этих сценариев её можно дообучать или использовать как основу для специализированных компонентов. Модель содержит около 394,7 млн параметров, принимает текст, поддерживает контекст до 7 999 токенов и рассчитана на английский язык. Обучение включало общее предобучение, расширение контекста и специализацию на более чем 350 млрд токенов электронной торговли. Модель подходит для поиска по названиям и описаниям товаров, извлечения бренда и характеристик, категоризации и ранжирования. Она не предназначена для генерации длинных текстов; решения о ценах, соблюдении требований и безопасности товаров требуют проверки человеком. Лицензия — Apache-2.0.

Карточка модели Barleysack/rtdb_embedder 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.

ruRoPEBert-classic-base-2k — русскоязычная модель-энкодер от Tochka AI на архитектуре RoPEBert. Она основана на ai-forever/ruBert-base и обучена на датасете CulturaX методом клонирования, описанным авторами в статье на Habr. В модели около 205,5 млн параметров, а обученная длина контекста составляет 2048 токенов; авторы также описывают масштабирование контекста с помощью RoPE scaling. Модель предназначена для получения векторных представлений текстов и их сравнения, а также может служить основой для классификации текста и предсказания пропущенных токенов. В архитектуру встроен mean pooling с учётом маски внимания; доступен и вариант pooling по первому токену с обучаемым преобразованием. В бенчмарке encodechka модель показывает результаты выше ruBert-base по среднему баллу без NE, согласно таблице в карточке. Для загрузки пользовательской архитектуры рекомендуется Transformers версии 4.37.2 или новее и параметр trust_remote_code=True. Карточка не указывает лицензию. В репозитории доступны веса Safetensors.

ruRoPEBert-e5-base-2k — русскоязычная модель-энкодер от Tochka AI на архитектуре RoPEBert с 166,5 млн параметров. Она дообучена на датасете CulturaX методом cloning на основе hivaze/ru-e5-base, который использует русские и английские эмбеддинги intfloat/multilingual-e5-base. Модель предназначена для получения эмбеддингов предложений и текстов, сравнения их семантической близости и построения классификаторов. В архитектуру встроен mean-pooling с учётом маски внимания; также доступен вариант pooling с преобразованием первого токена. Контекст обучения составляет до 2048 токенов. В бенчмарке encodechka модель показала более высокий общий показатель S+W, чем приведённые в карточке ruRoPEBert-e5-base-512 и multilingual-e5-base. Для загрузки требуется Transformers версии 4.37.2 или новее и разрешение загрузки кода из репозитория через trust_remote_code=True. Карточка не указывает лицензию. Модель может работать с более длинным контекстом при настройке RoPE scaling, однако качество за пределами обучающей длины отдельно не подтверждено.

Semantic-Lite-2 — многоязычная модель эмбеддингов предложений, созданная на основе Spark-X2.5-1.7B с замороженными слоями базовой модели и обучаемой проекционной головой. Она преобразует текст в L2-нормированные векторы размерности 256 для сравнения семантической близости; косинусное сходство можно вычислять скалярным произведением. В репозитории указано 371,2 млн параметров, а метаданные задают контекст до 1 048 576 токенов. Модель предназначена для семантического поиска, ранжирования близких предложений и документов, кластеризации, выявления дубликатов, сопоставления запросов и FAQ, рекомендаций по содержанию и поиска контекста для RAG. README описывает поддержку индонезийского, английского, арабского, китайского, японского, корейского, русского, тайского, хинди, вьетнамского, амхарского и суахили; метаданные подтверждают первые десять языков. В README приведены результаты оценки на небольших наборах индонезийских и межъязыковых пар, поэтому они не гарантируют аналогичного качества на других данных. Доступны варианты fp16, q8 и q4; для q4 указано снижение точности примерно на 3 процентных пункта top-1 относительно fp16. Лицензия — Apache-2.0.

KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

Это дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, опубликованная пользователем richie-ghost. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству, семантического поиска и других задач работы со сходством текстов. Архитектура состоит из MPNet, среднего pooling по токенам и нормализации; модель содержит 136,7 млн параметров и рассчитана на последовательности до 514 токенов по метаданным Hugging Face. README указывает максимальную длину 384 токена, поэтому практический предел может зависеть от используемой конфигурации. Модель подходит для поиска похожих фрагментов, выявления перефразировок, кластеризации и получения признаков для классификации текста. В README описано дообучение на 48 393 парах предложений с MultipleNegativesRankingLoss. Языки обучения или поддерживаемые языки не подтверждены предоставленными данными. Лицензия в метаданных и README не указана.

yunyu/sentence-transformers-e5-small-v2 — модель эмбеддингов на архитектуре BERT, опубликованная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска, кластеризации и сравнения текстов. Модель содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. Лицензия в доступных данных не указана.

Pradipta11/setfit-model — модель Sentence Transformers на базе MPNet, разработанная пользователем Pradipta11. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов; для обучения использовалась CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления, которые можно применять для семантического поиска и группировки похожих текстов. Для использования подходят Sentence Transformers или Transformers с подходящей операцией pooling. В репозитории указаны веса PyTorch. Лицензия в предоставленных данных не указана.

cl-nagoya/shioriha-large-pt — модель на архитектуре BERT, опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, кластеризации и задач сравнения сходства. Модель содержит 436,2 млн параметров и обрабатывает вход длиной до 512 токенов. Модель предназначена для создания эмбеддингов текста. В Transformers для получения векторного представления поверх контекстных выходов трансформера требуется применить соответствующую операцию pooling. В карточке нет сведений о специальных предметных областях или поддерживаемых языках. Модель опубликована под лицензией, указанной в метаданных Hugging Face; доступные метаданные её не содержат.

George2002/sledopyt_embedder_v4 — модель Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-large для представления предложений и абзацев в виде плотных текстовых эмбеддингов. Архитектура основана на XLM-RoBERTa-large с усреднением токенов и нормализацией; размер эмбеддинга — 1024 измерения, максимальная длина последовательности — 512 токенов. Для сравнения векторов используется косинусное сходство. Модель обучалась на парах запросов и фрагментов текста, а также на парах похожих запросов с отрицательными примерами. Она подходит для семантического поиска по фрагментам документов, поиска похожих запросов, выявления перефразировок, кластеризации и классификации текста. Примеры обучающих данных на русском языке, а базовая модель многоязычная. Для использования нужны текстовые запросы или документы; результатом служат эмбеддинги, которые можно сравнивать или использовать в поисковых и аналитических системах. Модель опубликована в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

ciCic/snowflake-arctic-embed-l-sts-2d-mrl — текстовая модель эмбеддингов на базе Snowflake Arctic Embed Large, дообученная с использованием Matryoshka Representation Learning и функции потерь CoSENT. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, 768, 512, 256, 128 или 64, что позволяет выбирать компромисс между размером вектора и качеством поиска. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Её можно использовать для поиска документов по запросам и группировки похожих предложений. Архитектура основана на BERT; модель содержит 433,9 млн параметров и принимает текст длиной до 512 токенов. Лицензия в доступных данных не указана.

ai-maker-space/snowflake-ft-tiktok — модель эмбеддингов предложений на базе BERT, опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения сходства. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством; модель содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Лицензия в предоставленных данных не указана.

rohit-vt/tink-reranker-phase4_minilm_real — текстовая Cross-Encoder-модель на базе cross-encoder/ms-marco-MiniLM-L6-v2, дообученная с помощью библиотеки Sentence Transformers. Архитектура BERT обрабатывает пару текстов совместно и выдаёт оценку релевантности; модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для переранжирования результатов поиска и семантического сопоставления запроса с текстами-кандидатами. Её можно применять на втором этапе поиска, чтобы упорядочить документы, навыки или другие короткие текстовые записи по соответствию запросу. Обучение описано на парах текстов с бинарными метками релевантности; отдельные примеры относятся к сопоставлению профессиональных навыков. Указана лицензия Apache 2.0 для базовой модели, но лицензия этой модели в предоставленных данных не приведена.

udever-bloom-560m — модель для получения текстовых эмбеддингов, разработанная Alibaba Group на основе bigscience/bloom-560m. Это декодерный трансформер семейства BLOOM с 659,6 млн параметров и контекстом до 2048 токенов; модель дообучена методом BitFit на MS MARCO Passage Ranking, SNLI и MultiNLI с контрастивной функцией потерь и трудными отрицательными примерами. Модель предназначена для представления естественного языка и кода в виде векторов для поиска, сравнения семантической близости, классификации, кластеризации и ранжирования текстов. В карточке заявлена поддержка множества естественных и программных языков; метаданные перечисляют языки, включая английский, китайский, французский, испанский и другие. Репозиторий содержит веса PyTorch и опубликован под лицензией BigScience BLOOM RAIL 1.0. Результаты в README приведены на MTEB и CodeSearchNet, но не дают полной картины качества по всем языкам и сценариям.