I.12Рекомендации и персонализация

pplx-embed-v1-4b — мультиязычная модель текстовых эмбеддингов, разработанная Perplexity AI на основе Qwen3, продолженно предобученной с помощью diffusion. Модель содержит 3,7 млрд параметров и предназначена для веб-масштабного поиска по смыслу и извлечения релевантных текстов; она формирует независимые векторы для запросов и документов, а для фрагментов документов с учётом окружающего контекста README рекомендует отдельную модель pplx-embed-context-v1. Модель принимает текст и выдаёт эмбеддинги размерностью 2560. Она поддерживает контекст до 32 768 токенов, mean pooling и сокращение размерности MRL; префикс-инструкция для кодирования текста не требуется. Векторы изначально имеют квантизованный int8-формат и не нормализованы, поэтому для сравнения README рекомендует косинусное сходство. Доступны веса safetensors и формат ONNX. Лицензия — MIT.

Карточка модели fsousaon/Qwen3-Embedding-4B-Lia 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.

Карточка модели Yaldat/Yalda-Embedding5 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.

Карточка модели GrishaKushnir/embeddinggemma-300m на Hugging Face совпадает с карточкой google/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

Карточка модели jigmam/embeddinggemma-int8 на Hugging Face совпадает с карточкой google/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

Карточка модели ushakov15/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой woodx/Qwen3-Embedding-0.6B-SGLang, поэтому описание составлено по ней. Qwen3-Embedding-0.6B-SGLang — дообученная модель семейства Qwen3, представленная в репозитории woodx и основанная на Qwen/Qwen3-0.6B-Base. Она преобразует текст в эмбеддинги для семантического поиска и сопоставления текстов. Модель содержит около 507,6 млн параметров, поддерживает контекст до 32 768 токенов и формирует векторы размерностью от 32 до 1024 с возможностью задавать инструкцию под задачу. Модель предназначена для многоязычного поиска по текстам и коду, классификации и кластеризации текстов, поиска параллельных фрагментов на разных языках и задач семантического сходства. В карточке серии заявлена поддержка более 100 языков. Для улучшения результатов поиска рекомендуется задавать подходящую инструкцию; в многоязычных сценариях авторы советуют формулировать её на английском. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

sentence-transformers/paraphrase-MiniLM-L3-v2 — модель sentence-transformers для преобразования предложений и абзацев в плотные векторы размерностью 384. Она основана на архитектуре BERT и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель обучена командой sentence-transformers; в карточке указаны 18,8 млн параметров и библиотека sentence-transformers. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать или использовать для группировки похожих фрагментов. Контекст составляет до 512 токенов. Доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0.

Rank-Embed-0.6B — компактная модель эмбеддингов от GorankLabs для семантического поиска и плотного извлечения текстов. Она дообучена на Qwen/Qwen2.5-0.5B-Instruct и использует архитектуру bi-encoder: запросы и документы кодируются в общее векторное пространство для сравнения по смыслу и намерению. Модель формирует нормализованные векторы размерности 768: скрытые представления Qwen агрегируются mean pooling, затем линейная проекция преобразует размерность 896 в 768. Модель предназначена для семантического поиска, извлечения контекста для RAG, кластеризации и поиска дубликатов; векторные представления можно сопоставлять по косинусному сходству. Число параметров в метаданных — 494 млн, длина контекста — 32 768 токенов. Указан английский язык. Лицензия — Apache-2.0.

sentence-transformers/stsb-mpnet-base-v2 — модель sentence-transformers, обученная командой sentence-transformers на базе архитектуры MPNet. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости текстов, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. Для обработки использует контекст длиной до 514 токенов. Доступны веса и варианты для PyTorch, safetensors, ONNX и OpenVINO; модель поддерживает Sentence-Transformers, Transformers и Text Embeddings Inference. Лицензия Apache-2.0 разрешает широкое использование, включая коммерческое, при соблюдении её условий. В карточке не указаны конкретные языки обучения; пригодность для отдельных языков следует проверять на целевых данных. Для текстов длиннее контекстного окна потребуется усечение или разбиение на фрагменты.

Карточка модели hilabs/tm_custom_embedding на Hugging Face совпадает с карточкой nomic-ai/nomic-embed-text-v1.5, поэтому описание составлено по ней. nomic-embed-text-v1.5 — текстовая модель эмбеддингов компании Nomic AI на архитектуре NomicBert, содержащая 136,7 млн параметров. Она преобразует тексты в векторы для семантического поиска, индексации документов для RAG, кластеризации, поиска дубликатов и подготовки признаков для классификации. Для выбора режима перед текстом требуется указать инструкционный префикс, например search_document или search_query. Модель использует Matryoshka Representation Learning: размерность вектора можно уменьшать, снижая потери качества; в карточке приведены результаты для размерностей 768 и 512. README сообщает о последовательностях до 8192 токенов, тогда как метаданные указывают базовый размер контекста 2048 токенов. Доступны форматы safetensors и ONNX, лицензия Apache-2.0. Для совместных мультимодальных эмбеддингов README указывает на отдельную модель nomic-embed-vision-v1.5; сама эта модель кодирует текст.

VSR Embeddings v1 Text Nano — компактный мультиязычный текстовый энкодер семейства ModernBERT от Xunzhuo, дообученный на базе llm-semantic-router/mmbert-embed-32k-2d-matryoshka. Модель независимо кодирует текстовые фрагменты двунаправленным энкодером и предназначена для семантической маршрутизации, сопоставления текстов, поиска по эмбеддингам и извлечения релевантных фрагментов. Она содержит 306,9 млн параметров, поддерживает контекст до 32 768 токенов и выдаёт векторы размерности 768, которые можно сокращать до 512, 256, 128 или 64 измерений с повторной нормализацией. Модель рассчитана на высокую пропускную способность и низкую задержку, в том числе для семантического кэширования, удаления дубликатов запросов, кластеризации, поиска по карточкам моделей и классификации по прототипам. Для длинных документов автор рекомендует разбивать текст на перекрывающиеся фрагменты и оценивать максимум сходства запроса с фрагментами, а не полагаться на один общий вектор документа. Доступна под лицензией Apache-2.0. Векторное сходство не является откалиброванным решением для безопасности или политик. Качество выбранной размерности эмбеддинга следует проверять на целевом индексе.

Карточка модели Yaldat/Yalda-Embedding-Scratch 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.

Qdrant/all-MiniLM-L6-v2-onnx — это ONNX-порт модели sentence-transformers/all-MiniLM-L6-v2, опубликованный Qdrant для получения векторных представлений текста. Модель предназначена для сравнения семантической близости предложений, поиска похожих текстов и задач текстовой классификации на основе эмбеддингов. Она содержит около 25,9 млн параметров и поддерживает контекст длиной до 512 токенов. Модель подходит для семантического поиска, кластеризации, дедупликации и ранжирования текстовых документов; эмбеддинги можно использовать в векторных базах данных и системах поиска, включая сценарии с FastEmbed. Формат ONNX удобен для эффективного инференса в совместимых средах. В README не указаны поддерживаемые естественные языки и специализированные домены, поэтому языковые и предметные характеристики не уточняются. Модель распространяется по лицензии Apache-2.0.

barisaydin/bge-base-en — англоязычная модель встраивания текста из семейства BGE (BAAI General Embedding), представленная в карточке FlagEmbedding. Она кодирует текст в плотные векторы для поиска релевантных документов, семантического поиска, кластеризации и классификации, а также для использования в векторных базах данных и системах RAG. Архитектура — BERT; модель содержит 136,7 млн параметров и обрабатывает до 512 токенов. Для поиска по короткому запросу в длинных документах авторы рекомендуют добавлять к запросу инструкцию «Represent this sentence for searching relevant passages:», но не к документам. В README рекомендован переход на BAAI/bge-base-en-v1.5: у текущей версии распределение оценок сходства менее удобно. Абсолютные значения сходства могут быть высокими даже у несхожих предложений, поэтому порог следует подбирать на данных конкретной задачи и ориентироваться на относительный порядок результатов. Модель распространяется по лицензии MIT.

Карточка модели megavn/bge-m3-embeddings на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

Карточка модели Boopathy2861/google_embeddinggemma-300m на Hugging Face совпадает с карточкой google/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

leeloolee/intention — многоязычная модель векторных представлений текста из семейства GTE, описанная в карточке как gte-multilingual-base. Она предназначена для поиска по смыслу, многоязычного и межъязыкового поиска, а также других задач представления текста. Модель имеет архитектуру Transformer encoder-only, около 305 млн параметров и поддерживает контекст до 8192 токенов. Она формирует плотные эмбеддинги размерности 768 и может выдавать разреженные векторы; заявлена поддержка более 70 языков. Карточка сообщает о высоких результатах на задачах многоязычного поиска и оценках текстовых представлений, а также о более низких требованиях к инференсу по сравнению с более крупными моделями семейства GTE. Указанные результаты относятся к оценкам разработчиков; они не гарантируют качество на каждом конкретном наборе данных. Лицензия — Apache-2.0.

Карточка модели cern6959/intfloat_multilingual-e5-base на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

onelevelstudio/MPNET-0.3B — многоязычная модель эмбеддингов предложений, основанная на архитектуре XLM-RoBERTa и библиотеке Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В README указана модель sentence-transformers/paraphrase-multilingual-mpnet-base-v2 как описание и источник сведений о назначении; разработчиком базовой модели названа команда Sentence-Transformers. Модель содержит 305,2 млн параметров и принимает текстовые фрагменты с контекстом до 514 токенов. Доступны веса и реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Поддерживаются многие языки, в том числе русский и английский. Лицензия — Apache-2.0. Подходит для семантического поиска, оценки сходства текстов и кластеризации предложений и абзацев. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы или разметку; качество зависит от языка и предметной области, а предел контекста ограничивает длину обрабатываемого фрагмента.

Карточка модели ajmcclary/nomic-embed-text-v2-moe на Hugging Face совпадает с карточкой nomic-ai/nomic-embed-text-v2-moe, поэтому описание составлено по ней. nomic-embed-text-v2-moe — многоязычная модель текстовых эмбеддингов от Nomic AI для поиска и сопоставления текстов. Она предназначена для семантического поиска, в том числе в системах RAG, где векторные представления документов и запросов используются для извлечения релевантных материалов. Модель основана на архитектуре NomicBert с разреженной смесью экспертов: 475 млн параметров всего, около 305 млн активны при инференсе, восемь экспертов с маршрутизацией top-2. Она формирует эмбеддинги размерностью от 256 до 768 благодаря Matryoshka-представлениям; README указывает максимальную длину входа 512 токенов, а метаданные — контекст 2048 токенов. Поддерживает множество языков, включая русский, и обучалась на более чем 1,6 млрд пар текстов. Модель заявлена как конкурентоспособная на многоязычных задачах поиска, а сокращение размерности позволяет уменьшить хранение эмбеддингов с небольшим снижением качества. Для запросов и документов следует использовать префиксы search_query: и search_document:. Ограничения: качество может различаться между языками, а MoE-архитектура может требовать больше ресурсов, чем плотные модели; для пользовательской реализации архитектуры при загрузке через Transformers требуется trust_remote_code=True. Лицензия — Apache-2.0.

Qwen3-Embedding-0.6B-SGLang — дообученная модель семейства Qwen3, представленная в репозитории woodx и основанная на Qwen/Qwen3-0.6B-Base. Она преобразует текст в эмбеддинги для семантического поиска и сопоставления текстов. Модель содержит около 507,6 млн параметров, поддерживает контекст до 32 768 токенов и формирует векторы размерностью от 32 до 1024 с возможностью задавать инструкцию под задачу. Модель предназначена для многоязычного поиска по текстам и коду, классификации и кластеризации текстов, поиска параллельных фрагментов на разных языках и задач семантического сходства. В карточке серии заявлена поддержка более 100 языков. Для улучшения результатов поиска рекомендуется задавать подходящую инструкцию; в многоязычных сценариях авторы советуют формулировать её на английском. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

voyage-4-nano-ONNX — это ONNX-экспорт модели voyage-4-nano от Voyage AI, подготовленный для CPU-инференса с библиотекой sentence-transformers и интеграции с Vespa. Модель предназначена для получения векторных представлений текстов, семантического поиска, построения retrieval-систем и сравнения текстов по косинусному сходству. Модель имеет 306,6 млн параметров, формирует L2-нормализованные эмбеддинги размерности 2048 и использует mean pooling. В метаданных указана нативная длина контекста 40960 токенов; в README максимальная длина последовательности указана как 32K токенов. Доступны варианты FP32 размером около 1,3 ГБ и INT8 для AVX512 размером 332 МБ; INT8 рекомендован для экономии памяти и сохраняет косинусное сходство около 0,96 относительно FP32. Для retrieval-сценариев запросы следует кодировать с префиксом «Represent the query for retrieving supporting documents: », а документы — без префикса. Модель распространяется по лицензии Apache 2.0. Она предназначена для эмбеддингов, а не для генерации текста; качество INT8 может немного отличаться от FP32, а использование требует ONNX Runtime или sentence-transformers с ONNX-бэкендом.

vSR Embeddings v1 Text Small — мультиязычная модель текстовых эмбеддингов, разработанная Xunzhuo для семантического поиска, сопоставления текстов, кластеризации и маршрутизации запросов в AI-шлюзах. Это дообученная плотная модель семейства Qwen3 примерно на 508 млн параметров, распространяемая в формате safetensors по лицензии MIT. Модель использует инструкции для ролей запроса и документа и поддерживает Matryoshka-векторы размерностью 1024, 512, 256, 128 или 64, позволяя выбирать баланс между скоростью и точностью. Для длинных документов README описывает разбиение на фрагменты по 320 токенов с перекрытием 64 токена и оценивание по максимальному сходству запроса с фрагментами; заявленный рабочий предел такого сценария — 32 тысячи токенов. Нативное окно контекста — 32 768 токенов. Модель предназначена для высокопроизводительного поиска и маршрутизации; в README приведены результаты MTEB Multilingual v2 и профиль производительности на AMD MI300X, которые зависят от конфигурации сервера. Это биэнкодер для получения эмбеддингов, а не кросс-энкодер-реранкер и не классификатор безопасности на уровне последовательности.

all-MiniLM-L12-v2 — модель Sentence Transformers, разработанная в рамках проекта Hugging Face по обучению моделей эмбеддингов предложений на больших наборах парных данных. Это дообученная версия microsoft/MiniLM-L12-H384-uncased: компактная BERT-архитектура примерно с 40 млн параметров, которая кодирует предложения и короткие абзацы в плотные векторы размерности 384. Модель предназначена для поиска по смыслу, оценки сходства предложений и кластеризации текстов. Её можно применять для получения векторных представлений документов и запросов; для текстов длиннее 256 WordPiece-токенов вход усекается. Данные обучения охватывают широкий спектр текстовых пар, но карточка описывает модель как англоязычную. Доступны веса и конвертированные варианты в форматах PyTorch, Safetensors, ONNX и OpenVINO. Лицензия — Apache-2.0. Это текстовый энкодер: он выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст.

Карточка модели jpbalarini/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

Карточка модели rjfrjf/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

BAAI/bge-reranker-v2.5-gemma2-lightweight — мультиязычная модель-реранкер от BAAI, построенная на Gemma 2 9B. Она принимает запрос и текстовый фрагмент и оценивает их релевантность; оценку можно преобразовать в диапазон [0, 1] с помощью сигмоиды. Модель также поддерживает сравнение смысла двух фрагментов или запросов и выявление противоречия между аргументами. Для снижения вычислительных затрат применяются сжатие токенов и сокращение слоёв, по отдельности или вместе. В README сообщается о результатах уровня SOTA на наборах BEIR и MIRACL; для одной конфигурации указана экономия 60% FLOPs. Метаданные указывают 9 млрд параметров и контекст 8192 токена. Модель предназначена для повторного ранжирования результатов поиска и оценки семантической релевантности в многоязычных сценариях. Лицензия — Gemma. Доступность весов в safetensors подтверждена метаданными. README не приводит конкретный перечень поддерживаемых языков и не описывает ограничения качества; использование требует учитывать лицензионные условия Gemma и вычислительные потребности модели.

Diba-Embed — модель для получения плотных векторных представлений текста, разработанная Dibachain. Она предназначена прежде всего для поиска и извлечения информации на персидском языке, поддерживает также английский и сопоставление текстов между этими языками. Модель содержит около 507,6 млн параметров, выдаёт эмбеддинги размерностью 1024 с возможностью сокращения до 32 по принципу Matryoshka и принимает последовательности длиной до 32 768 токенов. Для загрузки через sentence-transformers требуется trust_remote_code=True; также доступны файлы GGUF для запуска через llama.cpp. Модель подходит для семантического поиска, извлечения фрагментов для RAG, сопоставления FAQ, кластеризации, дедупликации и ранжирования найденных текстов. В описанном автором тесте на 400 персидских парах вопросов и ответов указаны Recall@1 82%, Recall@3 95% и MRR 0,89; тест охватывал историю Ирана, современные темы и вопросы о компании Dibachain. Качество лучше на обычном и формальном персидском; для узкоспециализированных или зашумлённых текстов может потребоваться адаптация. Модель выдаёт векторы, а не готовые ответы или сгенерированный текст, и может отражать смещения обучающих данных. Лицензия — Apache-2.0.

E5-large-v2 — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 24 слоя и размерность эмбеддинга 1024. Общее число параметров — 433,9 млн, максимальная длина входа — 512 токенов. Модель преобразует тексты в векторы для семантического поиска, сопоставления запросов и документов, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричного сравнения обычно используют «query: » перед обоими текстами. Модель предназначена только для английских текстов; более длинные входы обрезаются до 512 токенов. При использовании косинусного сходства важнее относительный порядок оценок, чем их абсолютные значения. Расхождения в версиях PyTorch и Transformers могут вызывать небольшие различия результатов. Лицензия — MIT.

Многоязычная модель Sentence Transformer, дообученная saraleivam на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует BERT с усреднением токеновых представлений и преобразует предложения и абзацы в плотные векторы размерностью 384; сходство можно оценивать косинусной метрикой. По карточке, модель предназначена для семантического сравнения текстов, поиска и извлечения перефразировок, кластеризации и классификации текста. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель принимает текст и выдаёт векторы; библиотека Sentence Transformers поддерживает её использование. Лицензия в предоставленных данных не описана.