I.12Рекомендации и персонализация

jina-embeddings-v5-text-small-mlx — мультимодульная по задачам модель эмбеддингов Jina AI для Apple Silicon, основанная на Qwen3 и использующая четыре LoRA-адаптера для переключения задач. Репозиторий содержит базовые веса и адаптеры; при смене задачи адаптеры объединяются с весами на месте. Модель имеет 507,9 млн параметров, работает в float16 и создаёт векторы размерностью до 1024 с поддержкой Matryoshka-размеров 32, 64, 128, 256, 512, 768 и 1024. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска, сравнения текстов и группировки документов; метаданные указывают задачу feature-extraction. Карточка сообщает о высокой близости результатов к предварительно объединённым контрольным точкам и переключении адаптеров примерно за 20 мс. Установка описана через MLX, поэтому применение ориентировано на устройства Apple Silicon. Модель основана на jinaai/jina-embeddings-v5-text-small и распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

sergeyzh/LaBSE-ru-turbo — русскоязычная модель эмбеддингов предложений на основе BERT, разработанная sergeyzh и дообученная на базе cointegrated/LaBSE-en-ru. Она предназначена для преобразования русских текстов в векторы, сравнения семантической близости предложений, поиска похожих текстов, кластеризации и классификации с использованием эмбеддингов. Модель содержит 155,5 млн параметров, выдаёт эмбеддинги размерностью 768 и обрабатывает до 512 токенов контекста; доступны веса Safetensors и использование через Sentence Transformers. В README приведены результаты на encodechka и ruMTEB, включая сильные показатели на некоторых задачах сходства и кластеризации. Лицензия MIT.

BAAI/llm-embedder — англоязычная модель эмбеддингов, выпущенная BAAI в рамках проекта FlagEmbedding. Она преобразует текст в плотные векторы для поиска и других задач, где нужно сопоставлять тексты по смыслу. Модель предназначена, в частности, для разных сценариев retrieval augmentation в системах на базе больших языковых моделей и может использоваться с векторными базами данных. Это плотная модель архитектуры BERT с 136,7 млн параметров и контекстом до 512 токенов. Векторы подходят для семантического поиска, извлечения документов, классификации и кластеризации. Для коротких поисковых запросов, используемых для нахождения длинных документов, авторы рекомендуют добавлять к запросу инструкцию; необходимость этого зависит от конкретной задачи. Модель не является переранжировщиком: она строит векторные представления, а не оценивает напрямую пару «запрос — документ». Значения сходства могут быть высокими даже для несвязанных текстов, поэтому порог нужно подбирать на данных конкретного применения, а для ранжирования кандидатов можно использовать отдельный reranker. Лицензия — MIT.

Карточка модели onelevelstudio/ML-E5-0.3B 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.

Карточка модели onelevelstudio/ML-E5-0.6B на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large, поэтому описание составлено по ней. Multilingual-E5-large — многоязычная модель эмбеддингов текста, опубликованная intfloat; её технический отчёт подготовили Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder и Furu Wei. Модель основана на XLM-RoBERTa-large и имеет 24 слоя с размерностью эмбеддинга 1024. Она принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Модель предназначена для межъязыкового и многоязычного поиска, ранжирования passage по запросу, оценки семантического сходства, поиска перефразировок и использования эмбеддингов в кластеризации или классификации. При обучении текстовые роли задаются префиксами `query:` и `passage:`; их следует выбирать в соответствии со сценарием, иначе качество может снизиться. Поддерживаются 100 языков XLM-RoBERTa, включая русский, однако для языков с небольшим объёмом ресурсов качество может быть ниже. Вход ограничен 512 токенами, а более длинный текст обрезается. Лицензия — MIT.

Карточка модели emilecornamusaz/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

Карточка модели Ruthvikkk/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой thenlper/gte-small, поэтому описание составлено по ней. gte-small — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Вариант small содержит около 40 млн параметров и принимает тексты длиной до 512 токенов; для более длинных текстов вход обрезается. Модель рассчитана на английский язык. Полученные эмбеддинги подходят для семантического поиска и сравнения предложений, а также могут использоваться в конвейерах поиска информации и ранжирования текстов. Модель можно применять, например, для поиска релевантных документов или оценки смыслового сходства запросов и фрагментов текста. Лицензия — MIT.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_50_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная пользователем jfarray. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит около 305,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В README указано обучение с CosineSimilarityLoss. Название модели указывает на вариант paraphrase-multilingual-mpnet-base-v2, однако базовая модель отдельно в метаданных не указана. Модель подходит для семантического поиска и сопоставления предложений; сведения о поддерживаемых языках в метаданных отсутствуют. Опубликованные файлы — в формате PyTorch. Лицензия в предоставленных данных не указана.

Это англоязычная Sentence Transformer-модель, созданная Vanthuan Ngo дообучением microsoft/mpnet-base на триплетах датасета AllNLI. MPNet преобразует предложения и абзацы в плотные векторы размерности 768; близость текстов можно оценивать косинусным сходством. Модель предназначена для поиска по смыслу, извлечения текстов, похожих на запрос, и сравнения предложений, в том числе в системах retrieval и RAG. Архитектура включает MPNetModel и усредняющий pooling; число параметров — 136,7 млн, максимальная длина последовательности — 512 токенов. В README приведены значения cosine accuracy 0,908 на all-nli-dev и 0,9192 на all-nli-test. Модель принимает текст и выдаёт эмбеддинги; обучалась и предназначена для английского языка. Лицензия — Apache-2.0. Результаты на AllNLI не гарантируют такое же качество на других языках и предметных областях.

pinecone/mpnet-retriever-squad2 — модель Sentence Transformers на базе MPNet, разработанная Pinecone. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для поиска похожих фрагментов и извлечения релевантных текстов по смыслу. В карточке описано обучение, но не указаны языки, обучающие данные и результаты бенчмарков, поэтому качество для конкретных языков и предметных областей по этим сведениям оценить нельзя. Формат файлов — PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

sentence-transformers/msmarco-MiniLM-L6-v3 — модель sentence-transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 на основе архитектуры BERT; модель содержит 25,9 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, а также для кластеризации предложений и абзацев. Её можно использовать с библиотекой Sentence-Transformers либо через Transformers с подходящей операцией pooling. Лицензия — Apache-2.0. Модель выдаёт текстовые эмбеддинги для вычисления семантической близости. Карточка не приводит ограничений точности или перечня поддерживаемых языков.

Карточка модели baby2008/multilingual-e5-large-instruct на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large-instruct, поэтому описание составлено по ней. Multilingual-E5-large-instruct — текстовая модель эмбеддингов из семейства E5, представленная авторами технического отчёта Multilingual E5 Text Embeddings. Она основана на XLM-RoBERTa-large и использует архитектуру XLM-RoBERTa с 24 слоями; размер эмбеддинга — 1024, всего 658,7 млн параметров. Модель принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Репозиторий содержит веса в форматах Safetensors и ONNX. Модель предназначена для семантического поиска, сопоставления запросов с документами и оценки сходства текстов на многих языках. Для запроса необходимо добавлять одно предложение-инструкцию, описывающее задачу; документам инструкция не нужна. Модель обучалась на смеси многоязычных наборов данных и поддерживает 100 языков XLM-RoBERTa, включая русский. Длина контекста ограничена 512 токенами: более длинный текст обрезается. На низкоресурсных языках качество может быть ниже. Абсолютные значения косинусного сходства не следует трактовать как уверенность — для задач поиска важнее относительный порядок оценок. Лицензия — MIT.

Модель celik-muhammed/multi-qa-mpnet-base-dot-v1-finetuned-dtc-zoomcamp — дообученная модель Sentence Transformers на архитектуре MPNet, разработанная Muhammed Celik. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу и кластеризации. В обучении использовались MultipleNegativesRankingLoss и OnlineContrastiveLoss с косинусным сходством. Модель содержит 136,7 млн параметров, принимает текст и формирует векторные представления; заявленная длина контекста — 514 токенов. Доступны форматы PyTorch, Safetensors и TFLite. Лицензия в предоставленных данных не указана.

swardiantara/one-crk10-m0.5-e5-b128-L6 — модель Sentence Transformers на основе архитектуры BERT, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 25,9 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Это делает модель подходящей для построения текстовых эмбеддингов и поиска близких по смыслу фрагментов. В предоставленных материалах не названы поддерживаемые естественные языки и лицензия, поэтому их нельзя определить по этим данным.

Карточка модели AzrilFahmiardi/persona-fit-embedding на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

dbourget/philai-bge-6e — модель эмбеддингов предложений и абзацев на базе архитектуры BERT, опубликованная пользователем dbourget. Она преобразует текст в плотные векторы размерностью 1024 и предназначена для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит около 433,9 млн параметров, использует библиотеку Sentence Transformers и принимает контекст до 512 токенов. Векторы модели подходят для построения поисковых систем и группировки текстов по смыслу. В карточке не описаны языковое покрытие и специализированные предметные области. Репозиторий содержит веса в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

embaas/sentence-transformers-e5-large-v2 — версия модели intfloat/e5-large-v2 в формате Sentence-Transformers, опубликованная embaas. Это плотная BERT-модель с 433,9 млн параметров: она преобразует предложения и абзацы в векторы размерности 1024 для поиска семантически близких текстов, кластеризации и построения семантического поиска. Модель принимает текст, а выдаёт векторные эмбеддинги; максимальная длина контекста — 512 токенов. Модель подходит для кодирования текстов в приложениях Sentence-Transformers и через API embaas. В метаданных отмечены задачи извлечения признаков и определения сходства предложений. README не сообщает ограничений качества или перечня поддерживаемых языков. Лицензия в предоставленных данных не указана.

Карточка модели RedHatAI/snowflake-arctic-embed-m-long на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-m-long, поэтому описание составлено по ней. Snowflake Arctic Embed M Long — текстовая модель эмбеддингов компании Snowflake для поиска и сопоставления запросов с документами. Она преобразует текст в плотные векторы, пригодные для построения семантического поиска, ранжирования кандидатов и других систем извлечения информации. Модель относится к семейству Arctic Embed, обученному на основе открытых моделей представления текста с многоэтапной оптимизацией retrieval-задач: на парах запрос–документ и триплетах с трудными негативными примерами. Архитектура — NomicBert; максимальная длина контекста — 8192 токена. Доступны веса Safetensors и формат ONNX. В README семейство описано как оптимизированное для качества поиска; в карточке этой версии отдельно не приведены размер модели, размерность эмбеддинга или языковой охват. Подходит для семантического поиска по документам, поиска ответов в корпусах и сравнения текстов по смыслу. README сообщает о высоких результатах Arctic Embed на наборах MTEB/BEIR, но более поздние версии семейства названы предпочтительными для многоязычных задач. Модель распространяется по лицензии Apache-2.0.

Модель danfeg/ST-PARA-MPNET-M_Finetuned-COMB-7443 — дообученная модель Sentence-Transformers на базе архитектуры XLM-RoBERTa, разработанная danfeg. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель подходит для построения поиска по смыслу, группировки похожих текстов и вычисления семантического сходства. В карточке указано обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

magnolia-psychometrics/surveybot3000 — модель Sentence-Transformers, разработчик — magnolia-psychometrics. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и обучена с помощью CosineSimilarityLoss. Модель подходит для поиска семантически близких текстов и кластеризации; метаданные также указывают на поддержку извлечения признаков и сходства предложений. Для работы используется библиотека Sentence-Transformers.

Zen Embedding 0.6B — текстовая модель для создания плотных эмбеддингов, разработанная в рамках линейки Zen и переупакованная из Qwen/Qwen3-Embedding-0.6B. Это дообученная модель семейства Qwen3 с 507,6 млн параметров, рассчитанная на получение векторных представлений текста для RAG, семантического поиска и плотного поиска по коллекциям документов. Модель работает с текстом, поддерживает английский и китайский языки и имеет контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Модель подходит для поиска релевантных фрагментов и сравнения текстов по смыслу. Выпущена по лицензии Apache-2.0. README описывает её как переупаковку исходной модели, а не обучение с нуля.

Карточка модели avsolatorio/01-600-11-1-2-2-0-0-cls-qli_6-normed-384-512_ASYM_BAAI_bge-small-en-v1.5-20240417105647-best на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели avsolatorio/01-600-11-1-4-2-0-0-cls-qli_0-normed-384-512_ASYM_BAAI_bge-small-en-v1.5-20240424004605-best на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Это дообученная модель семейства BERT на базе all-MiniLM-L6-v2, представленная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска по смыслу, сравнения текстов и кластеризации. Веса доступны в формате PyTorch; модель содержит 25,9 млн параметров и поддерживает контекст до 512 токенов. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих высказываний и оценки сходства предложений. В обучении использовалась CosineSimilarityLoss. В README приведён идентификатор all-MiniLM-L6-v2-fine-tuned-epochs-1, но явно не описаны обучающие данные и целевая предметная область. Условия лицензии в доступных сведениях не приведены.

LeoChiuu/all-MiniLM-L6-v2-negations — дообученный разработчиком модели энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Архитектура Sentence Transformer включает BertModel, усреднение токенных представлений и нормализацию; модель содержит 25,9 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384. README описывает дообучение на 77 376 парах предложений с CosineSimilarityLoss, включая примеры, где смысл меняется из-за отрицания. Модель предназначена для сравнения семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации. Метаданные указывают максимум контекста 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; для практического использования следует учитывать лимит Sentence Transformers из карточки. Для сопоставления текстов используется косинусное сходство. В карточке нет отдельного указания лицензии или дополнительных ограничений. Базовая модель описана как англоязычный энкодер; поддержка других языков не подтверждена.

qquarkq/all-MiniLM-L6-v2-ru-domain_adapt — дообученная модель Sentence Transformers на основе sentence-transformers/all-MiniLM-L6-v2, предназначенная для создания векторных представлений русских предложений и абзацев. Это плотный энкодер архитектуры BERT с 25,9 млн параметров: он преобразует текст в нормализованные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Модель рассчитана на поиск и сопоставление текстов; в README приведены русскоязычные примеры обучающих данных из 20 000 триплетов. Модель принимает текст, поддерживает последовательности длиной до 512 токенов по метаданным; в README также указано ограничение 256 токенов. Её можно применять для семантического поиска, извлечения релевантных текстов и сравнения предложений. Лицензия в предоставленных данных не указана.

KhaledReda/all-MiniLM-L6-v35-pair_score — англоязычная модель Sentence Transformers, дообученная автором KhaledReda на наборе pairs_with_scores_v30. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; косинусное сходство между векторами можно использовать для оценки семантической близости текстов. Архитектура включает BERT-трансформер, mean pooling и нормализацию; размер модели — 25,9 млн параметров. Контекст по метаданным — до 512 токенов, а README указывает ограничение последовательности в 256 токенов. Модель предназначена для семантического поиска, сравнения текстовых пар, поиска перефразировок, кластеризации и классификации текста. Обучающий набор содержит пары текстов со скалярными оценками сходства; обучение выполнено с помощью CoSENTLoss. Поддерживается английский язык. Лицензия — Apache-2.0. Модель выдаёт эмбеддинги, а не готовые текстовые ответы или метки: для сравнения текстов и поиска нужно отдельно вычислять сходство либо применять векторный индекс. Качество для языков кроме английского не подтверждено; указанная длина последовательности в README меньше контекстного лимита из метаданных.

Карточка модели culudamar/baseline-test-model на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

RedHatAI/bge-base-en-v1.5-quant — квантизированная версия модели эмбеддингов bge-base-en-v1.5 от Red Hat AI. Она предназначена для получения векторных представлений английского текста и ускоренного инференса через DeepSparseSentenceTransformers; README сообщает об ускорении задержки до 4,5 раза на 10-ядерном ноутбуке и 16-ядерном экземпляре AWS. Модель основана на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате ONNX с квантизацией INT8. Модель подходит для поиска по смыслу, кластеризации и других сценариев, использующих текстовые эмбеддинги. Лицензия — MIT. Карточка не сообщает об ограничениях точности после квантизации или о результатах на конкретных наборах оценки.

clinno/bge-large-zh-v1.6 — модель эмбеддингов предложений на базе BERT, опубликованная в формате sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; в метаданных указан контекст до 512 токенов и 424,3 млн параметров. Это производная модель семейства BGE, ориентированная на китайский язык по названию репозитория. Модель подходит для построения векторного поиска и группировки текстов по смыслу. Она выдаёт эмбеддинги, а не готовые ответы или метки классов; качество зависит от текстов и способа сравнения векторов. Репозиторий использует библиотеку sentence-transformers и формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.