I.12Рекомендации и персонализация

aditeyabaral/langcache-colbert-v1-4gpu — англоязычная модель PyLate на архитектуре ColBERT/BERT, дообученная на LangCache Sentence Pairs для семантического поиска и сравнения текстов. Она преобразует запросы и документы в последовательности 128-мерных плотных векторов и оценивает их сходство оператором MaxSim; заявленная длина контекста составляет 512 токенов, а в конфигурации модели указана максимальная длина последовательности 127 токенов. Модель содержит 136,7 млн параметров и распространяется в формате safetensors. Модель предназначена для поиска релевантных фрагментов по запросу в индексированных коллекциях, семантического кэширования и переранжирования результатов первичного поиска. Для построения индекса и быстрого поиска README предлагает PyLate и FastPLAID; также описано непосредственное переранжирование пар запрос–документ. Модель обучалась на контрастивных парах LangCache Sentence Pairs. Для указанной в карточке оценки ColBERT Triplet приведена точность 0,8206. Модель рассчитана на английский язык. Результаты представлены в виде векторов токенов и оценок сходства, поэтому для поиска по коллекции требуется индекс или список кандидатов. Лицензия — Apache-2.0.

mist-reranker-22.7M — компактная англоязычная модель-переранжировщик, разработанная OlaVerse. Это cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2 с архитектурой BERT и примерно 25,9 млн параметров по метаданным. Модель оценивает пару «поисковый запрос — фрагмент текста» единым баллом релевантности, чтобы переставлять кандидатов, найденных первым этапом поиска, например в конвейере RAG. Контекст составляет до 512 токенов; модель использует Sentence Transformers и формат safetensors. Модель дообучена на 844 тысячах англоязычных пар из olaverse/reranker-general-en-llm-judged с комбинированной целью: меткой релевантности от LLM-судьи и дополнительным обучением на оценках учителя BAAI/bge-reranker-v2-m3. В карточке сообщается о результатах на NanoBEIR: NDCG@10 равен 0,8543; модель предназначена для быстрого переранжирования при умеренных вычислительных ресурсах. Лицензия — Apache-2.0.

Это модель Sentence Transformers на архитектуре MPNet, дообученная mertcobanov на наборе AllNLI Turkish triplets на базе microsoft/mpnet-base. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения текстов по косинусному сходству; длина входа — до 512 токенов. Модель подходит для поиска семантически близких фраз и документов, оценки сходства предложений, поиска перефразировок, кластеризации и подготовки признаков для классификации текста. Обучающие примеры содержали турецкие предложения, однако в README поле языка указано как en, а метаданные карточки также содержат тег en; поэтому поддержка турецкого подтверждается обучающим набором, но заявленный основной язык неоднозначен. Модель содержит 136,7 млн параметров, использует MPNet с усреднением токенных представлений и опубликована в формате safetensors. Лицензия — Apache-2.0. Оценка на турецких AllNLI dev/test по cosine accuracy составила 0,7423 и 0,7503 соответственно; эти результаты относятся к указанным наборам и не гарантируют качество на других данных.

Horizon-Labs Multilingual Reranker Base — многоязычная модель-переранжировщик, разработанная Horizon-Labs на основе энкодера mmBERT-base и дообученная дистилляцией оценок Qwen3-Reranker-4B. Это cross-encoder: модель получает запрос и кандидатный фрагмент текста и выдаёт один логит релевантности для каждой пары; более высокое значение означает более релевантный результат, а sigmoid(logit) даёт оценку от 0 до 1. Модель предназначена для повторной сортировки результатов поиска и повышения качества выдачи в RAG после первоначального поиска по ключевым словам или векторам. Модель содержит около 307 млн параметров, использует архитектуру ModernBERT и принимает пары длиной до 8192 токенов по нативному контексту; обучение проводилось с длиной 384 токена на пару, поэтому более длинные фрагменты обрезаются. Поддерживается поиск между языками: запрос и фрагмент могут быть на разных языках. В карточке указано обучение на веб-текстах FineWeb и FineWeb-2 на 47 языках и поддержка более 40 языков. Для инференса доступны веса Safetensors и ONNX, включая квантованный ONNX-вариант для CPU и браузера. По результатам приведённых бенчмарков модель улучшает ранжирование, хотя уступает крупной модели-учителю и может быть слабее на длинных и технических фрагментах. Лицензия Apache-2.0. Модель унаследует ошибки учителя; обучающие запросы синтетические и основаны на веб-тексте, поэтому узкоспециализированный поиск в юридической, медицинской и кодовой областях и разговорные запросы представлены хуже. Для длинных документов рекомендуется делить текст на фрагменты перед ранжированием.

multi-qa-mpnet-base-dot-v1 — модель встраиваний предложений и абзацев на базе MPNet, разработанная в рамках проекта Hugging Face «Train the Best Sentence Embedding Model Ever with 1B Training Pairs». Она кодирует запросы и текстовые фрагменты в плотные векторы размерностью 768 для семантического поиска и подбора релевантных документов. Модель дообучена на примерно 215 млн пар «вопрос—ответ» из разных источников; использует CLS-пулинг и сходство по скалярному произведению, а выходные векторы не нормализуются. В метаданных указано 136,7 млн параметров и контекст до 514 токенов. Модель подходит для поиска ответов и документов по смыслу, даже если запрос и найденный текст не совпадают дословно. README предупреждает, что при длине свыше 512 word pieces текст обрезается, а обучение проводилось преимущественно на фрагментах до 250 word pieces, поэтому качество на более длинных текстах может снижаться. В карточке указана лицензия Apache-2.0.

checkiejan/multi-qa-mpnet-base-dot-v1-covidqa-search-multiple-negatives-loss — модель на базе MPNet, опубликованная в формате PyTorch и предназначенная для создания эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и подходит для семантического поиска и кластеризации; метаданные указывают на поддержку задач извлечения признаков и вычисления сходства предложений. Число параметров — 136,7 млн, максимальная длина контекста — 514 токенов. В README указано обучение с MultipleNegativesRankingLoss и косинусной мерой сходства. Для применения предлагается библиотека Sentence-Transformers либо Transformers с подходящей операцией pooling. Карточка не сообщает о языках обучения или лицензии, поэтому их условия здесь определить нельзя.

michaelfeil/mxbai-rerank-large-v2-seq — вариант семейства Mixedbread mxbai-rerank-large-v2, представленный как классификатор последовательностей на архитектуре Qwen2. Модель предназначена для ранжирования пар «запрос—документ»: она оценивает релевантность кандидатов и помогает выбирать подходящие фрагменты для поисковой выдачи и RAG. В карточке указаны поддержка кода и длинного контекста; метаданные указывают 1,5 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на многоязычный поиск; разработчики заявляют поддержку более 100 языков и особенно сильные результаты на английском и китайском. В README приведены результаты тестов BEIR, мультиязычного и китайского поиска, поиска по коду, а также задержка на A100, но эти показатели зависят от условий измерения. Для использования через классификационный интерфейс требуется специальный шаблон промпта. Лицензия репозитория — Apache-2.0.

Карточка модели liddlefish/privacy_embedding_rag_10k_base_checkpoint_2 на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

Карточка модели liddlefish/privacy_embedding_rag_10k_tmp 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.

Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций компактной мультиязычной embedding-модели Qwen3-Embedding-0.6B, разработанной Qwen. Квантизации подготовлены PeterAM4 с использованием llama.cpp и importance matrix, оптимизированной преимущественно для финансовых и технических текстов. Модель предназначена для построения RAG-систем, семантического поиска, извлечения документов и других задач сравнения предложений и текстов. Базовая модель содержит около 596 млн параметров, поддерживает контекст до 32 768 токенов, использует pooling по последнему токену и формирует embeddings размерностью 1024. Заявлена поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, португальского, русского и арабского языков. Доступны варианты от 8-битных до 1-битных, что позволяет запускать модель на периферийных устройствах, ноутбуках и серверах с ограниченными ресурсами. Сильными сторонами являются небольшой размер, низкие требования к памяти и задержке, а также калибровка квантования на финансовых вопросах и ответах, документах SEC 10-K, финансовых данных, математических задачах и общем тексте. В README рекомендован вариант Q3_K_M-imat размером около 331 МБ; его показатель PPL близок к BF16-базовой версии на указанном тестовом корпусе. При этом агрессивное квантование снижает качество: особенно заметная деградация наблюдается у вариантов ниже примерно 3 BPW, а результаты приведённых тестов не гарантируют аналогичную точность в конкретной задаче поиска. Модель распространяется по лицензии Apache 2.0.

Furiosa AI публикует эту версию Qwen3-Reranker-4B вместе с Furiosa Executable Bundle для запуска на ускорителе FuriosaAI RNGD через Furiosa-LLM. В основе — плотный трансформер Qwen3 с 3,7 млрд параметров; модель принимает текстовый запрос и набор документов-кандидатов, оценивает их релевантность и помогает упорядочить результаты поиска. Контекст модели — до 40 960 токенов. Модель предназначена для второго этапа поиска, в том числе для reranking в RAG-системах. README указывает на BF16 без квантизации и поддержку параллелизма по тензорам на одном RNGD с восемью PE. Репозиторий также сообщает о совместимости с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0. Метаданные указывают английский язык карточки; базовая модель описана как мультиязычная, поэтому она подходит для ранжирования текстов на разных языках, хотя конкретный перечень языков здесь не приведён.

ReasonEmbed — текстовая модель эмбеддингов, разработанная авторами проекта ReasonEmbed и дообученная на базе Qwen/Qwen3-8B с функцией потерь RI-InfoNCE на синтетических данных. Она предназначена для извлечения документов по запросам, требующим многошагового рассуждения, и для семантического поиска; особенно ориентирована на сценарии retrieval в RAG-системах. На бенчмарке BRIGHT модель показала nDCG@10 38,1 для исходных запросов. Модель имеет плотную архитектуру Qwen3, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и формирует векторные представления для поиска и сравнения сходства. Доступны веса в формате safetensors; лицензия — Apache-2.0. Основание README указывает Qwen/Qwen3-8B, а метаданные связывают модель с hanhainebula/qwen3-8b-ft-msmarco как с базовой дообученной моделью.

Snowflake Arctic Embed L — модель эмбеддингов текста от Snowflake для высококачественного семантического поиска и извлечения информации. Она построена на архитектуре BERT; в репозитории указаны веса Safetensors и формат ONNX. Модель содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для создания векторных представлений запросов и документов, чтобы находить релевантные материалы по смыслу, в том числе в системах поиска и retrieval-augmented generation (RAG). В README заявлены результаты на бенчмарках MTEB/BEIR и показатели извлечения, сопоставимые с крупными коммерческими эмбеддинг-моделями. Карточка описывает обучение семейства на основе открытых моделей представления текста и многоэтапную оптимизацию для retrieval; точная базовая модель именно этой версии не указана. Модель работает с текстом и возвращает эмбеддинги; контекст ограничен 512 токенами. Указана лицензия Apache-2.0. README сообщает о выпуске более новых многоязычных версий семейства, поэтому для новых многоязычных сценариев может подойти более поздняя версия; поддерживаемые языки этой модели в предоставленных данных не перечислены.

Карточка модели Aksml123/snowflake-arctic-embed-l-v2.0 на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-l-v2.0, поэтому описание составлено по ней. Snowflake Arctic Embed L v2.0 — мультиязычная модель эмбеддингов от Snowflake для семантического поиска и извлечения релевантных текстов. Она основана на архитектуре XLM-RoBERTa и использует представление текста в виде векторов; в метаданных указано 658,7 млн параметров, а контекст составляет до 8194 токенов. Модель принимает текст и выдаёт эмбеддинги, предназначенные для сравнения запросов и документов по смысловой близости. Модель рассчитана на поиск на английском и многих других языках, включая арабский, бенгальский, немецкий, испанский, французский, хинди, японский и корейский. README сообщает о поддержке векторов размерностью 1024 и Matryoshka Representation Learning для сокращения до 256 измерений; вместе с 4-битным квантованием это позволяет хранить вектор примерно в 128 байтах. Указаны результаты оценки на наборах BEIR, MIRACL и CLEF, а также возможность использовать модель как замену BAAI/bge-m3-retromae в системах вывода. Лицензия Apache 2.0 допускает свободное использование в том числе в коммерческих приложениях. Модель предназначена для многоязычного семантического поиска, извлечения документов и построения систем поиска с векторным индексом. Сокращение и квантование эмбеддингов снижают требования к хранению, но могут уменьшить качество поиска; README отмечает небольшое снижение показателей при сокращении размерности до 256. Русский язык не указан среди языков карточки и метаданных, поэтому его поддержку нельзя подтвердить.

multi-qa-MiniLM-L6-cos-v1 — модель эмбеддингов предложений и абзацев, разработанная в ходе Community week проекта Hugging Face по обучению моделей для семантического поиска. Она преобразует запросы, вопросы и текстовые фрагменты в нормализованные плотные векторы размерности 384 для поиска релевантных документов и сравнения смысловой близости. Модель основана на MiniLM-L6-H384-uncased с архитектурой BERT и содержит 25,9 млн параметров. Для получения эмбеддинга применяется mean pooling; обучение проводилось на 215 млн пар «вопрос — ответ» из разных источников с использованием контрастивной цели. Метаданные указывают библиотеку PyTorch, а карточка описывает применение через Sentence-Transformers или Transformers. Модель предназначена прежде всего для семантического поиска по текстам и вопросам. Контекст ограничен 512 токенами WordPiece, а при обучении использовались входы длиной до 250 токенов, поэтому качество на более длинных текстах может снижаться. Лицензия в предоставленных данных не указана.

Модель rohit-vt/tink-reranker-phase6_minilm_multikind — текстовый cross-encoder, дообученный на базе cross-encoder/ms-marco-MiniLM-L6-v2 с помощью библиотеки Sentence Transformers. Она совместно обрабатывает пару текстов и выдаёт оценку их релевантности для переранжирования результатов поиска и семантического поиска. Архитектура — BERT с классификационной головой, 25,9 млн параметров; максимальная длина входной последовательности — 512 токенов. Обучение описано на парах текстов с бинарными метками релевантности. Модель подходит, например, для повторной сортировки кандидатов, полученных поиском или извлечением документов. Базовая модель ориентирована на английский язык; README не подтверждает поддержку других языков. Распространяется под лицензией, указанной в карточке Hugging Face, но в предоставленных метаданных она не приведена.

voyage-4-nano-mlx-bf16 — неофициальная версия Voyage-4-nano, подготовленная сообществом для запуска через MLX на компьютерах Apple с Apple Silicon. Это мультиязычная модель для создания текстовых эмбеддингов: запросы и документы обрабатываются с разными обученными префиксами, а для симметричных задач доступно общее кодирование. Модель построена на основе Qwen3 с двунаправленной обработкой; в метаданных указано 306,6 млн параметров и контекст до 40 960 токенов. Эмбеддинги подходят для семантического поиска и индексации документов на устройстве. Поддерживаются Matryoshka-размерности 2048, 1024, 512 и 256; автор карточки сообщает о близком совпадении с эталонной реализацией и совместимости пространства эмбеддингов с размещёнными моделями Voyage-4. Это порт в формате safetensors, а не отдельная квантизированная версия. Для длинных входов используется плотное внимание, поэтому обработка последовательностей на 32 тыс. токенов может занимать около шести секунд. Лицензия — Apache-2.0; порт неофициальный и не связан с Voyage AI или MongoDB.

seongil-dn создал Sentence Transformer на архитектуре XLM-RoBERTa для получения плотных векторных представлений предложений и абзацев. Модель формирует эмбеддинги размерностью 1024 и рассчитана на последовательности длиной до 8192 токенов; векторный выход нормализуется, а для сравнения рекомендуется косинусное сходство. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Название репозитория указывает на настройку для финансовых, книжных и научных текстов, однако карточка не раскрывает подробности обучающих данных и оценки качества. В метаданных указана лицензия; конкретные условия следует сверить с лицензией репозитория.

Это дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная автором репозитория seongil-dn. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией векторов; модель использует косинусное сходство. В README указан предел последовательности 1024 токена, а метаданные каталога указывают контекст до 8194 токенов. Модель подходит для построения текстового поиска и группировки похожих фрагментов. Базовая BGE-M3 ориентирована на многоязычный семантический, лексический и гибридный поиск; отдельная языковая специализация этой версии не подтверждена. Размер модели — 658,7 млн параметров. В метаданных указана лицензия? Информация о лицензии в предоставленных данных отсутствует, поэтому условия использования установить нельзя.

Это англоязычная модель Sentence Transformer, дообученная автором репозитория на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерности 768 для семантического поиска и извлечения релевантных фрагментов; сходство можно оценивать косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию. Модель принимает только текст, поддерживает контекст до 512 токенов и содержит 136,7 млн параметров. Модель подходит для поиска релевантных документов и passages, сравнения предложений и построения retrieval-компонента RAG. README приводит оценку InformationRetrievalEvaluator: cosine_accuracy@1 — 0,4435, @3 — 0,6532 и @5 — 0,7316; обучение проводилось на наборе из 6 857 пар предложений. Указана лицензия базовой модели не предоставлена в доступных данных, поэтому условия использования определить нельзя.

Карточка модели dengcao/bge-reranker-v2-m3 на Hugging Face совпадает с карточкой BAAI/bge-reranker-v2-m3, поэтому описание составлено по ней. BAAI/bge-reranker-v2-m3 — многоязычная модель переранжирования от BAAI, построенная на базе bge-m3 и использующая архитектуру XLM-RoBERTa для классификации последовательностей. Она принимает запрос и текстовый фрагмент и выдаёт оценку их релевантности; более высокий балл означает более подходящий фрагмент. При необходимости оценку можно преобразовать сигмоидой в значение от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например, для уточнения порядка документов, найденных системой извлечения, и повышения качества выдачи в многоязычных сценариях. В README она описана как быстрая и удобная для развёртывания; метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Карточка характеризует её как многоязычную, но не перечисляет отдельные языки. Модель доступна по лицензии Apache-2.0. Релевантность оценивается для пары «запрос — фрагмент», поэтому для поиска по корпусу сначала нужны кандидаты, полученные отдельной системой извлечения; модель сама не выполняет полный поиск. Скорость и пригодность к развёртыванию заявлены в карточке, но конкретные показатели производительности не приведены.

Это экспортированная в формат ONNX модель BAAI/bge-reranker-v2-m3, опубликованная пользователем rozgo. Она предназначена для оценки релевантности пар «запрос — документ» и ранжирования найденных текстов, например в поиске и системах RAG. В основе лежит архитектура XLM-RoBERTa с классификационной головой; размер составляет 658,7 млн параметров, заявленный контекст — до 8194 токенов. README подтверждает экспорт оптимизированной модели через Optimum в ONNX с opset 13. Модель подходит для повторной сортировки результатов текстового поиска после первичного извлечения кандидатов. Метаданные указывают на языковое семейство XLM-RoBERTa, но конкретный перечень поддерживаемых языков не приведён. Лицензия в предоставленных данных не указана.

DRAMA-1B — плотная мультиязычная модель векторного поиска от разработчиков DRAMA, созданная на основе прунированной большой языковой модели и дообученная для извлечения текстов. Она кодирует запросы и документы в векторы, которые можно сравнивать по сходству для поиска релевантных материалов. Модель имеет архитектуру Llama, около 1,2 млрд параметров и контекст до 131 072 токенов. Модель предназначена для семантического поиска и сопоставления запросов с документами на английском и других языках. Она использует двунаправленное внимание и префикс «Query: » для текста запроса; для документов префикс не нужен. Обучение с Matryoshka Representation Learning позволяет сокращать размерность векторов с базовых 2048 до 768 или 256, выбирая компромисс между размером векторов и качеством поиска. DRAMA-1B оценивалась на бенчмарках BEIR, MIRACL, MLDR и задачах MTEB. В обучающих данных представлены арабский, бенгальский, китайский, английский, финский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, персидский, португальский, русский, испанский, суахили, телугу, тайский и йоруба; для других языков качество может снижаться. Для работы используются пользовательская реализация модели и режим trust_remote_code. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

iara-project/e5-large-matryoshka-sts-pt — модель Sentence Transformers, созданная дообучением intfloat/multilingual-e5-large на наборах для португалоязычного обучения: NLI, семантического сходства и поиска. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; в архитектуре XLM-RoBERTa используются усреднение токенов и нормализация, а сходство можно оценивать косинусной мерой. Предельная длина входа — 512 токенов. Модель предназначена прежде всего для сравнения смысла португалоязычных текстов и может применяться для семантического поиска, поиска перефразирований, кластеризации и классификации текстов. В карточке приведены результаты оценки на STS-B, ASSIN2, IRIS STS и SICK-BR, включая варианты с сокращением размерности векторов. Модель выпущена под лицензией MIT. Метаданные указывают на 514 токенов контекста; README сообщает максимум 512 токенов последовательности.

Adel Elgabry дообучил SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2 для семантического поиска по английским предложениям и абзацам. Модель кодирует текст в плотные векторы размерности 384, которые можно сравнивать косинусной близостью и использовать для поиска релевантных фрагментов. Архитектура включает энкодер BERT, усредняющий пулинг токенов и нормализацию векторов. В метаданных указано 25,9 млн параметров; предельный контекст составляет 512 токенов, а карточка модели указывает максимальную длину последовательности 256 токенов. Обучение описано для 2 225 пар предложений с функцией потерь MultipleNegativesRankingLoss. Модель принимает текст и выдаёт эмбеддинги; лицензия в предоставленных данных не указана.

Gemma 4 E4B-it-text-only — текстовая версия модели Gemma 4, опубликованная principled-intelligence. Из контрольной точки удалены веса визуального и аудиоэнкодеров, а языковая модель сохранена. Это плотная архитектура Gemma4TextModel примерно на 4,7 млрд параметров, предназначенная для извлечения признаков из текста; поддерживается контекст до 131 072 токенов. Репозиторий содержит веса Safetensors и рассчитан на работу через Hugging Face Transformers. Модель подходит для создания текстовых представлений и других сценариев извлечения признаков. По заявлению автора, языковая часть и шаблон чата совпадают с исходной Gemma 4 E4B-it, а удаление мультимодальных энкодеров уменьшает размер файлов и расход видеопамяти. Веса проверялись только с Transformers; поддержка vLLM, SGLang, llama.cpp, Ollama и других движков не заявлена. Модель распространяется по лицензии Apache 2.0.

moshew/gist_small_ft_gooaq_v3 — англоязычная Sentence Transformers модель, дообученная автором на 2 000 пар предложений из набора данных с вопросами и ответами. Она основана на avsolatorio/GIST-small-Embedding-v0 и использует BERT с объединением CLS-токена и нормализацией выходного вектора. Модель кодирует предложения и абзацы в плотные эмбеддинги размерности 384; максимальная длина входа — 512 токенов. Модель предназначена для оценки семантического сходства по косинусной близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста по эмбеддингам. Примеры обучения показывают настройку на сопоставление вопросов с релевантными и нерелевантными фрагментами ответов. Репозиторий распространяет веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Granite-Embedding-Small-English-R2 — плотная модель эмбеддингов из семейства Granite Embeddings, разработанная командой Granite Embedding Team в IBM. Она преобразует английские запросы, фрагменты и документы в векторы размером 384, предназначенные для сравнения по косинусному сходству и использования в поиске и извлечении информации. Модель использует архитектуру биэнкодера на базе ModernBERT: 12 слоёв и 12 голов внимания. Она содержит 47,7 млн параметров и поддерживает контекст до 8192 токенов. В обучении применялись ориентированное на поиск предварительное обучение, контрастивное дообучение, дистилляция и объединение моделей; заявлены результаты на бенчмарках поиска по документам, коду, таблицам и многоходовым диалогам. Модель предназначена для английского текста. Тексты длиннее 8192 токенов обрезаются; для других языков качество не заявлено. Лицензия — Apache 2.0.

Jina Embeddings v2 Base Code Q8_0 GGUF — это квантизированная версия модели для создания векторных представлений текста и исходного кода. Исходную модель разработала команда Jina AI, а данный вариант был конвертирован из jinaai/jina-embeddings-v2-base-code в формат GGUF с помощью llama.cpp и инструмента GGUF-my-repo. Модель предназначена для задач семантического поиска, сравнения сходства предложений, извлечения признаков и работы с кодом, включая сценарии, совместимые с llama.cpp. В карточке указано, что модель ориентирована на английский язык; точные сведения об архитектуре, количестве параметров, размерности эмбеддингов, поддерживаемой длине контекста и наборе модальностей не приведены. Квантование Q8_0 позволяет использовать модель в компактном формате, однако характеристики качества и влияние квантования в README не описаны. Для запуска требуется llama.cpp; доступен режим CLI и серверный режим. Лицензия — Apache-2.0.

jina-reranker-v1-tiny-en — модель переранжирования текстов, разработанная Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Компактная модель содержит около 32,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Модель оценивает релевантность пар «запрос — документ» и помогает переставлять результаты поиска так, чтобы наиболее подходящие документы оказались выше. Её можно применять для поиска по коллекциям документов и отбора контекста для RAG-систем. Модель обучена методом дистилляции: более крупная модель выступала учителем, а tiny-версия рассчитана на быстрый вывод с некоторой уступкой в качестве ранжирования. Модель предназначена для англоязычных текстов. В репозитории доступны форматы PyTorch, Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0. Результаты бенчмарков в карточке показывают конкурентное качество, однако сама карточка отмечает, что tiny-версия ориентирована на скорость и уступает более крупной модели по точности.