I.12Рекомендации и персонализация

Карточка модели rhantj/bge-m3-workflow-query-robust 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.

Это модель sentence-transformers на архитектуре DistilBERT, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска, группировки похожих текстов и оценки сходства предложений в многоязычных сценариях. В названии и обучении указаны multilingual NLI, STS-B и Quora Ranking; README не перечисляет конкретные поддерживаемые языки. Для использования необходима совместимая среда Sentence Transformers либо корректная операция pooling при работе через Transformers. Лицензия — Apache-2.0.

omarelsayeed/e5_base_tsdae — модель эмбеддингов предложений и абзацев на базе XLM-RoBERTa, представленная в формате PyTorch. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения сходства предложений. В метаданных указано 305,2 млн параметров и контекст длиной до 514 токенов. Модель обучена с использованием LoggingDenoisingAutoEncoderLoss и предназначена для получения текстовых представлений, которые можно использовать в поисковых и аналитических системах. Карточка не сообщает поддерживаемые языки и лицензию, поэтому их нельзя уточнить по имеющимся данным.

omarelsayeed/e5_tsdae_contrastive — модель эмбеддингов на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для построения векторного поиска по текстовым коллекциям, поиска похожих предложений и группировки текстов по смыслу. Доступны веса PyTorch; для работы можно использовать библиотеку Sentence-Transformers. Карточка описывает обучение с LoggingCosineLoss, но не приводит результаты оценки. Лицензия в предоставленных данных не указана.

aufklarer/EmbeddingGemma-300M-MLX-8bit — конверсия Google EmbeddingGemma 300M для запуска на устройствах Apple с Apple Silicon через библиотеку MLX. Модель предназначена для получения 768-мерных эмбеддингов предложений и поиска по текстовым расшифровкам; в карточке указана архитектура плотного энкодера Gemma 3 с двунаправленной обработкой, mean pooling, плотной головой и L2-нормализацией. Размер модели — 302,8 млн параметров, точность — 8 бит с группой 64; контекст составляет 512 токенов по README, тогда как метаданные указывают нативный контекст 2048 токенов. Модель принимает текстовые запросы и документы, размеченные специальными префиксами для поиска, и выдаёт нормализованные эмбеддинги. README сообщает о высокой близости результатов к исходной версии в float32 на тестовых расшифровках. Языковые сведения в карточке описывают базовую модель как многоязычную, но конкретный набор языков не приведён. Репозиторий указывает лицензию Gemma; применяются её условия использования.

Это компактная текстовая модель Sentence Transformer, разработанная much1na и дообученная на базе capemox/ettin-encoder-17m-pretrain-50m. Энкодер ModernBERT преобразует предложения и абзацы в плотные векторы размерностью 256; для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и извлечения релевантных документов по текстовому запросу. В README указана максимальная длина последовательности 512 токенов, а метаданные каталога сообщают нативный контекст до 7999 токенов. Модель обучалась с EmbedDistillLoss на наборе примерно из 8,39 млн примеров; в карточке также приведены результаты оценки на NanoMSMARCO. Лицензия в предоставленных данных не указана.

EttinX-sts-m — англоязычный cross-encoder для оценки семантического сходства двух текстов. Модель разработана dleemiller на основе jhu-clsp/ettin-encoder-150m и дообучена на sentence-transformers/stsb после предварительного обучения на подмножестве pair-score-sampled датасета dleemiller/wiki-sim. Модель использует архитектуру ModernBERT и содержит 149 млн параметров. Она принимает пары текстов и возвращает оценку сходства от 0 до 1; заявленная длина контекста — около 8 тыс. токенов. По README, на тестовой части STS-Benchmark достигнуты корреляции Pearson 0,9143 и Spearman 0,9102. Модель подходит для ранжирования пар по сходству, сравнения ответов и оценки результатов LLM. Распространяется по лицензии MIT.

F2LLM-v2-0.6B-Preview — многоязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-0.6B. Она обучена на корпусе из 27 миллионов примеров на более чем 100 естественных и программных языках и предназначена как основа для задач эмбеддингов, последующей настройки и исследований. Это плотная модель семейства Qwen3 с 507,9 млн параметров и контекстом до 40 960 токенов; доступны веса в формате safetensors и работа через Transformers и Sentence Transformers. Модель подходит для кодирования текста в векторы для поиска, сопоставления текстов и других downstream-задач с эмбеддингами. Эта preview-версия обучена без инструкций, поэтому её следует рассматривать как базовую модель для дальнейшей настройки, а не как готовую инструкционную систему. Лицензия — Apache-2.0.

Модель mustozsarac/finetuned-four-epoch-multi-qa-mpnet-base-dot-v1 — дообученный разработчиком Sentence Transformer на базе sentence-transformers/multi-qa-mpnet-base-dot-v1. Она использует MPNet с пуллингом по токену CLS и содержит 136,7 млн параметров. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения векторов используется скалярное произведение. Максимальная длина входной последовательности — около 512 токенов. Модель предназначена для семантического поиска и оценки сходства текстов. Её можно применять для поиска релевантных фрагментов и ответов, выявления перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Базовая модель ориентирована на английские вопросы и текстовые фрагменты; README не сообщает, на каком языке собраны данные дообучения. Модель подходит для построения поисковых и аналитических конвейеров, где текст преобразуется в векторы, а релевантность определяется сравнением этих векторов. Для использования опубликованы веса в формате safetensors; библиотека модели — Sentence Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

Granite-Embedding-125m-English — англоязычная модель эмбеддингов команды Granite Embedding компании IBM. Она преобразует текст в векторы размерности 768 для поиска, извлечения документов и вычисления сходства между текстами. Модель рассчитана на сценарии семантического поиска и retrieval, включая корпоративные задачи; показывает результаты на бенчмарках MTEB Retrieval и CoIR. Модель содержит около 151,8 млн параметров и использует плотную encoder-only архитектуру на основе RoBERTa с 12 слоями и 12 головами внимания. Она обучалась с retrieval-ориентированным предварительным обучением, контрастивным дообучением и дистилляцией. Принимает только английский текст и обрабатывает до 512 токенов; более длинный ввод обрезается. Лицензия — Apache 2.0.

CISCai — модель Model2Vec, дистиллированная из jinaai/jina-embeddings-v3 с применением LoRA-адаптера для задачи separation. Она создаёт статические текстовые эмбеддинги: при выводе усредняет векторы токенов, что позволяет выполнять кодирование значительно быстрее на CPU и GPU, чем у исходного Sentence Transformer. Модель предназначена для поиска по смыслу, сопоставления предложений и других сценариев, где важны низкие задержки или ограниченные вычислительные ресурсы. Модель использует подход Model2Vec: векторы словаря получают из Sentence Transformer, уменьшают их размерность с помощью PCA и взвешивают с помощью Zipf weighting. В метаданных заявлена поддержка контекста до 1 000 000 токенов, мультиязычность и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

soof выпустил дообученную на 41 454 примерах модель Sentence Transformers для сопоставления категорий по смыслу. Она основана на sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и использует архитектуру XLM-RoBERTa с mean pooling. Модель преобразует предложения и абзацы в плотные векторы размерностью 768; близость текстов можно оценивать косинусным сходством. Максимальная длина входной последовательности в README — 128 токенов, а метаданные указывают контекстное окно 514 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Базовая модель многоязычная, поэтому область применения не ограничена одним языком. Для использования нужны Sentence Transformers или совместимый движок эмбеддингов. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

mmBERT-Embed-32K-2D-Matryoshka — мультиязычная модель эмбеддингов на архитектуре ModernBERT, разработанная llm-semantic-router и дообученная на llm-semantic-router/mmbert-32k-yarn. Модель содержит около 307 млн параметров, принимает текст длиной до 32 768 токенов и предназначена прежде всего для поиска по смыслу, семантического сходства и retrieval-сценариев, включая мультиязычный RAG и поиск по длинным документам. В карточке заявлена поддержка более 1800 языков. Поддержка 2D Matryoshka позволяет сокращать размерность эмбеддингов или извлекать их с промежуточных слоёв, выбирая баланс между качеством, скоростью и объёмом хранения. В репозитории представлены веса Safetensors и ONNX; модель работает с Sentence Transformers. Указана лицензия Apache-2.0. Ограничения: сокращение числа слоёв заметно снижает качество, а средний результат MTEB немного ниже приведённого в карточке результата BGE-M3. Модель оптимизирована для retrieval и может требовать дообучения для других задач.

Карточка модели adriencleme/MNLP_M3_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.

Карточка модели OmarIDK/MNLP_M3_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.

Это модель Sentence Transformers на архитектуре MPNet, дообученная tomaarsen на парах вопросов и ответов из набора GooAQ. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между текстами можно оценивать косинусной мерой. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сопоставления вопросов с ответами, а также для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Лицензия Apache-2.0 разрешает свободное использование и распространение с соблюдением её условий.

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.

IoannisKat1 разработал эту модель Sentence Transformers, дообучив multilingual-e5-large для семантического поиска и сопоставления предложений и абзацев. Она преобразует текст в плотные нормализованные векторы размерностью 1024 и использует косинусное сходство для сравнения. В архитектуру входят XLM-RoBERTa, усредняющий pooling и нормализация; модель содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным (в README указан предел 512). Matryoshka-обучение позволяет использовать укороченные векторы размерностью от 64 до 768 для компромисса между размером представления и качеством поиска. Модель предназначена для векторизации текстов и поиска семантически близких фрагментов, в том числе для систем извлечения информации. README указывает английский язык и текстовый ввод; пример обучающих данных включает греческий текст, но это не подтверждает полноценную поддержку греческого. Лицензия — Apache-2.0. Результаты оценки приведены для датасета json и не гарантируют такое же качество на других данных; обучающая выборка содержит 4268 пар.

Карточка модели linhha2705/multilingual-e5-nutrition 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.

nq-distilbert-base-v1 — модель Sentence-Transformers, обученная командой sentence-transformers на базе DistilBERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. В метаданных указаны библиотека Sentence-Transformers, поддержка PyTorch, TensorFlow, ONNX и OpenVINO, а также контекст до 512 токенов. Модель подходит для построения семантического поиска и группировки текстов по смысловой близости. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не уточняет поддерживаемые естественные языки; качество для конкретного языка и предметной области следует проверять отдельно.

TiGa-RCE опубликовал BF16-конверсию модели Qwen3-Embedding-8B в формате MLX для запуска на Apple Silicon через MLX или oMLX. Модель основана на Qwen/Qwen3-Embedding-8B и предназначена для создания текстовых эмбеддингов, семантического поиска и задач извлечения признаков. В метаданных указаны 7,6 млрд параметров и контекст до 40 960 токенов; базовая модель поддерживает многоязычный поиск, в том числе поиск по коду и межъязыковой поиск. В ограниченном локальном smoke-тесте извлечения модель достигла 24/24 совпадений top-1 и MRR 1,0 на 24 парах запросов и документов. Это небольшая инженерная проверка, а не оценка на MTEB и не гарантия качества для других данных. Контрольная точка рассчитана на Apple Silicon и MLX/oMLX; результаты для CUDA и PyTorch к ней не относятся. Лицензия — Apache-2.0.

Furiosa AI публикует эту версию Qwen3-Reranker-0.6B вместе с пакетом Furiosa Executable Bundle для запуска на ускорителях FuriosaAI RNGD через Furiosa-LLM. Модель построена на плотной трансформерной архитектуре Qwen3 и содержит около 507,6 млн параметров. Она принимает текстовый запрос и набор текстовых документов-кандидатов, оценивает релевантность каждой пары и выдаёт оценки для сортировки результатов. Модель предназначена для второго этапа поиска и конвейеров RAG: например, чтобы переупорядочивать найденные документы перед передачей языковой модели. Контекст составляет до 40 960 токенов. В репозитории указана точность BF16 без квантизации; для RNGD применяется распараллеливание по восьми PE на одной карте. Также заявлена совместимость с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0.

espejelomar/sentece-embeddings-BETO — модель на основе BERT, обученная для получения векторных представлений предложений и абзацев. Разработчик описывает её как Sentence-Transformers-модель: текст преобразуется в плотные векторы размерности 768, пригодные для семантического поиска и кластеризации. Модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Для обучения использовалась функция MultipleNegativesRankingLoss с косинусным сходством; среди связанных с моделью датасетов указаны StackExchange XML и CodeSearchNet. Для работы можно использовать Sentence-Transformers либо Transformers с соответствующим pooling. Модель подходит для поиска похожих предложений и организации текстов по смысловому сходству. Метаданные указывают формат PyTorch, но сведения о лицензии и поддерживаемых языках отсутствуют.

Snowflake Arctic-embed-m-v2.0 — мультиязычная модель эмбеддингов компании Snowflake для поиска и извлечения информации по тексту. Она предназначена для построения векторного поиска, семантического сопоставления запросов и документов и retrieval-систем, включая приложения корпоративного поиска. В README сообщается о сильных результатах на англоязычных и многоязычных тестах поиска, в том числе MTEB Retrieval, MIRACL и CLEF. Модель построена на GTE multilingual base и имеет 305,3 млн параметров, из которых 113 млн не относятся к эмбеддингам. Она формирует векторы размерности 768, поддерживает контекст до 8192 токенов и методы Matryoshka Representation Learning: размерность можно сократить до 256 с умеренным снижением качества. README также описывает сжатие векторов до 128 байт с 4-битной квантизацией. В репозитории есть веса safetensors и формат ONNX. Модель рассчитана на поиск по тексту и выдаёт эмбеддинги; для оптимального качества извлечения README рекомендует использовать CLS-токен и добавлять префикс к запросам. Метаданные и карточка описывают поддержку многих языков, включая английский, арабский, болгарский, бенгальский, каталонский, чешский, немецкий, греческий, испанский, персидский, финский, французский, иврит, хинди, хорватский, венгерский, индонезийский и итальянский. Лицензия — Apache-2.0.

sentence-transformers-testing/stsb-bert-tiny-safetensors — компактная модель Sentence Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерности 128. Модель содержит около 4,4 млн параметров, использует mean pooling и поддерживает контекст до 512 токенов. Модель предназначена для вычисления семантического сходства текстов, семантического поиска и кластеризации. Её можно использовать через библиотеку sentence-transformers или напрямую через Transformers с применением mean pooling; формат safetensors поддерживается репозиторием. К сильным сторонам относятся небольшой размер, высокая скорость инференса и низкие требования к ресурсам. Модель создает эмбеддинги, а не генерирует текст, поэтому для поиска или сравнения требуется отдельный механизм вычисления близости. Языки, на которых модель специально обучалась, и лицензия в доступных данных не указаны.

Модель jagadeesh/zeiss-re-1757443344 — Sentence Transformer, дообученный на базе allenai/specter2_base для представления предложений и абзацев в виде плотных векторов. Энкодер BERT с усреднением токенных представлений создаёт эмбеддинги размерности 768; сходство между ними можно оценивать косинусной близостью. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе поиска релевантных документов, выявления перефразировок, кластеризации и классификации текстов. Карточка приводит результаты оценки информационного поиска и сообщает об обучении на 17 793 парах anchor–positive с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

Карточка модели avsolatorio/01-600-11-1-2-2-0-0-cls-qli_0-normed-384-512_ASYM_BAAI_bge-small-en-v1.5-20240416141927-latest 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 JaehyeokLee/20m_em_checkpoint_epoch_1_step_3000 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели MehdiRtal/bge-m3-ct2-int8 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.

cstr/bge-m3-GGUF — это конвертированная в формат GGUF версия модели BAAI/bge-m3, разработанной BAAI. Репозиторий предназначен для запуска модели через лёгкий C/C++-движок CrispEmbed на базе ggml, без Python и ONNX. Модель предназначена для получения текстовых эмбеддингов и задач многоязычного семантического поиска и извлечения информации. BGE-M3 поддерживает плотное, разреженное и многовекторное представление ColBERT в одной модели, заявлена поддержка более 100 языков и контекста до 8192 токенов. Архитектура — XLM-R; модель содержит 568 млн параметров, 24 слоя, размерность эмбеддингов 1024, использует mean pooling и токенизатор SentencePiece. Указана только текстовая модальность. Доступны варианты квантования Q4_K размером 438 МБ и Q8_0 размером 583 МБ, а также версия F32 размером 2175 МБ. Преимущество GGUF-версии — возможность локального и ресурсоэффективного запуска, включая серверный режим CrispEmbed. Согласно README, результаты проверены на битовое соответствие реализации sentence-transformers с косинусным сходством не менее 0,999 на тестовых текстах. Ограничение состоит в том, что репозиторий выполняет только конвертацию и/или квантование исходных весов; сведения о качестве, обучающих данных и возможностях следует уточнять в карточке BAAI/bge-m3. Модель распространяется по лицензии MIT, при этом репозиторий не предоставляет прав сверх лицензии исходной модели.