I.12Рекомендации и персонализация

ytu-ce-cosmos/modernbert-tr-1k-embed — текстовая Sentence Transformer-модель на архитектуре ModernBERT, обученная для получения эмбеддингов предложений и абзацев и поиска по сходству. Она кодирует текст в плотные векторы размерностью 768, которые можно сравнивать косинусной близостью; модель подходит для семантического поиска и извлечения релевантных текстов. В README указан максимум 512 токенов, а метаданные указывают родной контекст до 8192 токенов. Модель содержит 148,7 млн параметров, использует mean pooling и распространяется в формате Safetensors; для работы заявлена библиотека Sentence Transformers. В обучающем наборе было 625 121 пример на турецком языке с парами anchor и positive и оценками сходства. Это делает модель ориентированной прежде всего на турецкие тексты. В карточке не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

ModernBERT-TR Embed — компактная модель текстовых эмбеддингов на основе ModernBERT, разработанная ytu-ce-cosmos для представления турецких текстов в виде векторов. Модель содержит около 148,7 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Она предназначена для семантического поиска и оценки сходства предложений; также применима для классификации, кластеризации и двуязычного поиска на турецком и английском языках. Модель дистиллирована из Qwen/Qwen3-Embedding-8B, затем дообучена на задачах поиска и понимания турецкого языка, а несколько чекпойнтов объединены усреднением весов. По приведённому в карточке сравнению, она показывает конкурентные результаты на турецких бенчмарках при меньшем числе параметров, чем некоторые сравниваемые модели. Доступны форматы ONNX и safetensors; модель рассчитана на использование с Sentence Transformers и Text Embeddings Inference. Лицензия — Apache-2.0.

Карточка модели dititce/mxbai-rerank-large-v2-seq на Hugging Face совпадает с карточкой michaelfeil/mxbai-rerank-large-v2-seq, поэтому описание составлено по ней. 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.

MyAwesomeModel — модель из репозитория lfeng03/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. По метаданным Hugging Face она относится к архитектурному семейству BERT и предназначена для извлечения признаков из текста. Основной сценарий применения — получение векторных представлений, которые затем можно использовать в задачах классификации, поиска и анализа текста. В README модель также описывается как обновлённая система с улучшенными способностями к рассуждению, математике, программированию, логике, генерации текста, суммаризации, переводу и function calling. Однако заявленные в README характеристики генеративной чат-модели не согласуются с метаданными, где pipeline_tag указан как feature-extraction; поэтому для каталога надёжнее ориентироваться на извлечение признаков и BERT-подобную архитектуру. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель из репозитория sfafas2234/MyAwesomeModel-TestRepo, опубликованная для извлечения признаков из текста. В метаданных она относится к семейству BERT и предназначена для использования через библиотеку Transformers на базе PyTorch. Основной сценарий применения — преобразование текстовых входов в векторные представления для последующей классификации, поиска по смыслу, кластеризации и других задач анализа текста. README также заявляет о возможностях рассуждения, генерации кода, диалога, суммаризации и других генеративных задачах, однако эти сведения не согласуются с указанным pipeline_tag feature-extraction и не подтверждают назначение модели как генеративной. Модель распространяется по лицензии MIT. В доступных данных нет подтверждённых сведений о размере, длине контекста, поддерживаемых естественных языках и конкретном наборе данных для обучения.

Piccolo-large-zh-v2 — китайская модель эмбеддингов, разработанная группой General Model компании SenseTime Research. Она предназначена для получения векторных представлений текста для поиска, ранжирования, оценки сходства, классификации и кластеризации. Модель построена на архитектуре BERT и обучена с использованием многоцелевой комбинированной функции потерь; размер эмбеддинга — 1792 измерения, длина последовательности — до 512 токенов. Обучение поддерживает гибкую размерность векторов благодаря MRL. В README описаны результаты на китайском бенчмарке C-MTEB и сценарии дообучения для прикладных задач. Модель принимает текст и выдаёт эмбеддинги; в метаданных указан формат PyTorch и около 424,3 млн параметров. Весовые файлы временно сняли с публикации в мае 2024 года, поэтому README предлагает временный доступ через API. Условия лицензирования в предоставленных материалах не указаны.

Карточка модели JaehyeokLee/preliminary_efficient_batching_random_gist_checkpoint_epoch_1_step_230 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 JaehyeokLee/preliminary_efficient_batching_random_gist_checkpoint_epoch_1_step_270 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 AISE-TUDelft/python-developmentnotes-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/python-expand-classifier, поэтому описание составлено по ней. AISE-TUDelft/python-expand-classifier — модель на базе MPNet, разработанная AISE при TU Delft. Она кодирует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости. Модель можно применять для семантического поиска, кластеризации и задач sentence similarity. Модель содержит 136,7 млн параметров, работает с текстом и имеет контекстное окно до 514 токенов. Она обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

yosefw/roberta-amharic-embed-base — модель Sentence Transformers на архитектуре XLM-RoBERTa, дообученная на базе yosefw/roberta-base-am-embed. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. В README приведён пример данных с текстами на амхарском языке, хотя в карточке и метаданных указан английский язык. Модель использует усреднение токенных представлений и нормализацию векторов; сходство можно оценивать косинусной мерой. Размер модели — 137,8 млн параметров, максимальный контекст — 512 токенов. По результатам оценки в README точность cosine_accuracy@1 для поиска составляет 0,6929 при размерности 768 и 0,682 при размерности 256. Модель распространяется по лицензии Apache-2.0.

Карточка модели ceggian/sbert_pt_reddit_softmax_128 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

Итальянская модель эмбеддингов предложений на базе архитектуры BERT, разработанная автором репозитория nickprock и предназначенная для использования с Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые подходят для поиска семантически близких текстов, кластеризации и оценки сходства. Модель содержит 137,9 млн параметров, принимает текстовое описание на итальянском языке и поддерживает контекст до 512 токенов. Обучение использовало CosineSimilarityLoss; в репозитории доступны форматы PyTorch, Safetensors и ONNX. Базовая модель — dbmdz/bert-base-italian-xxl-uncased. Лицензия — MIT. Возможности модели сосредоточены на получении эмбеддингов предложений; качество зависит от соответствия входных текстов итальянскому языку и прикладной задаче.

Veritone/siglip2-so400m-patch16-512-vision — облегчённая копия визуальной башни модели Google SigLIP 2 So400m, опубликованная Veritone. Она кодирует изображения и видеокадры в общее пространство эмбеддингов и предназначена прежде всего для отдельной загрузки при индексации, когда текстовая башня не нужна. Модель можно использовать для классификации изображений по произвольным текстовым меткам, поиска изображений по тексту и как визуальный энкодер для мультимодальных моделей. Архитектура — SigLIP, класс SiglipModel; размер So400m, входное разрешение — 512 пикселей. Обучение SigLIP 2 проводилось на наборе WebLI. Репозиторий содержит веса SafeTensors и опубликован под лицензией Apache-2.0. Отдельная текстовая башня доступна в Veritone/siglip2-so400m-patch16-512-text.

princeton-nlp/unsup-simcse-bert-large-uncased — модель извлечения признаков группы Princeton NLP на базе BERT Large Uncased, обученная методом SimCSE без разметки. Она предназначена для получения векторных представлений предложений, которые можно применять для сравнения семантической близости текстов и в качестве признаков для последующих задач NLP. Модель содержит около 433,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В репозитории доступны веса PyTorch и Flax. Обучение SimCSE улучшает геометрию представлений BERT, сохраняя их пригодность для задач семантического сходства. В README приведены эксперименты с оценкой сходства предложений и переносом на downstream-задачи; сами результаты для этой конкретной модели не указаны. Лицензия в доступных данных не определена. Как и другие языковые модели, она может воспроизводить вредные стереотипы и предубеждения.

Это арабоязычная модель Sentence Transformers от Omartificial-Intelligence-Space, дообученная на наборе arabic-n_li-triplet на основе tomaarsen/mpnet-base-all-nli-triplet. Архитектура MPNet формирует плотные векторы размерностью 768 для предложений и абзацев; сходство можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического сравнения арабских текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Обучение на парах и тройках текстов и результаты оценки на STS-тестах поддерживают её применение для задач сходства, но качество зависит от данных и сценария. Распространяется по лицензии Apache-2.0.

Ангелитаср/bge-base-en-v1.5_eeid — англоязычный Sentence Transformer на архитектуре BERT, дообученный на базе BAAI/bge-base-en-v1.5. Модель преобразует предложения и абзацы в плотные эмбеддинги размерности 768; для сравнения используется косинусное сходство. В метаданных указано 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации по эмбеддингам. Она обучалась на 3503 парах anchor-positive с MultipleNegativesRankingLoss; примеры связаны с вопросами по математике и типичными ошибками в ответах. Лицензия в предоставленных данных не указана.

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.

akarum/cloudy-large-zh — модель семейства BERT для получения векторных представлений текста и оценки сходства между предложениями. По карточке, она ориентирована на китайский язык, выдаёт эмбеддинги размерностью 1024 и поддерживает последовательности длиной до 1024 токенов; инструкции для поисковых запросов не требуются. Модель содержит 424,3 млн параметров и опубликована в формате safetensors. Модель подходит для семантического поиска, сопоставления запросов с документами и поиска похожих предложений на китайском языке. В метаданных Hugging Face основной задачей указан sentence-similarity, а каталог также отмечает feature-extraction. Сведений о лицензии и конкретных ограничениях применения в предоставленных материалах нет.

ColBERT MUVERA Micro — компактная модель NeuML на базе PyLate, дообученная на google/bert_uncased_L-2-H-128_A-2 на англоязычном датасете MS MARCO. Она преобразует предложения и абзацы в последовательности плотных векторов размерностью 128 и сопоставляет тексты оператором MaxSim для оценки семантического сходства. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и предназначена для совместимости с фиксированным кодированием MUVERA благодаря обучению на ненормализованных оценках. Модель подходит для семантического поиска по коллекциям документов, построения баз эмбеддингов и извлечения релевантных фрагментов для RAG. В README приведены результаты на подмножествах BEIR и NanoBEIR; автор отмечает конкурентные показатели относительно более крупных вариантов ColBERT при существенно меньшем размере. Для использования доступны PyLate и интеграция с txtai. Модель ориентирована на английский язык. Контекст ограничен 512 токенами, а оценки в README зависят от настроек бенчмарков txtai и могут отличаться от опубликованных в статьях. Лицензия — Apache-2.0.

e5-sk-large — модель текстовых эмбеддингов для словацкого языка, выпущенная в рамках проекта SkMTEB. Она создана на основе intfloat/multilingual-e5-large: словарь сокращён с 250 тысяч до 60 тысяч токенов, после чего модель дообучена на словацких данных. В метаданных указаны архитектура XLM-RoBERTa, 464,1 млн параметров и контекст до 514 токенов; README сообщает о 365 млн параметров и 1024-мерных эмбеддингах, поэтому размеры расходятся между источниками. Модель предназначена для семантического поиска и извлечения документов, сравнения смысла текстов, кластеризации и классификации по эмбеддингам, а также поиска между словацким, английским и чешским языками. Для запросов поиска рекомендуется добавлять префикс «query: », а для индексируемых документов — «passage: »; для симметричных задач префикс не нужен. Модель показывает сопоставимые с multilingual-e5-large результаты на словацком бенчмарке SkMTEB и подходит для локального развёртывания. Модель оптимизирована для словацкого языка; перенос на другие языки, кроме указанных межъязыковых сценариев, не оценён. Сокращение словаря может ухудшить работу с текстом, смешивающим языки, а обучающие данные преимущественно охватывают новости, парламентские материалы и энциклопедии. При дообучении использовалась длина последовательности 256 токенов, хотя архитектура поддерживает контекст до 512. Лицензия — MIT.

phgelado/finbeddings_bert — англоязычная модель Sentence Transformer, дообученная разработчиком на базе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с усреднением токенных представлений и поддерживает последовательности длиной до 512 токенов. При обучении использовались наборы all-NLI, STS-B, Quora, Natural Questions, fin-phrases и sec-july; в метаданных также перечислены all-nli, stsb, quora-duplicates и natural-questions. Карточка приводит оценку cosine_accuracy 0,9895 на sec-july-dev, но не описывает методику и условия, поэтому результат не следует считать гарантией качества на других данных. Модель рассчитана на английский язык и текстовый ввод; результатом служат векторные представления, пригодные для вычисления сходства и поиска. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

GLiClass Edge v3.0 — компактная модель классификации последовательностей от Knowledgator на архитектуре GLiClass. Она предназначена для классификации текста без обучения на конкретном наборе меток: можно задавать категории для тематической классификации и анализа тональности. Модель также подходит для ранжирования результатов в RAG-системах. В карточке указаны 32,7 млн параметров и размер 131 МБ; веса опубликованы в формате safetensors. Модель обучали на логических задачах, используя LoRA-адаптеры, чтобы сохранить ранее приобретённые знания. По данным README, Edge быстрее более крупных вариантов GLiClass V3 в приведённых тестах, но показывает более низкий F1 на указанных наборах классификации; результаты зависят от задачи и формулировки меток. Поддерживаемые языки и длина контекста в предоставленных данных не обозначены. Лицензия — Apache-2.0.

ParkMyungkyu/KLUE-STS-roberta-base — модель эмбеддингов предложений на архитектуре RoBERTa, представленная автором ParkMyungkyu. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически похожих текстов, кластеризации и сравнения предложений. Модель содержит 137,8 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers требуется применить pooling к контекстным представлениям токенов. Модель обучалась с CosineSimilarityLoss и ориентирована на семантическое сходство в корейском бенчмарке KLUE-STS. Лицензия в предоставленных данных не указана.

Merino-Nano — компактная модель для поиска, созданная BAA AI (Black Sheep AI). Она объединяет биэнкодер для построения 384-мерных L2-нормализованных эмбеддингов и кросс-энкодер, который оценивает релевантность пары «запрос — документ» одним числом. Обе части используют общую таблицу эмбеддингов и основу MiniLM-L6-H384-uncased; всего около 34 млн параметров. Модель предназначена для двух этапов поиска в RAG-системах: сравнения запросов и документов по эмбеддингам и последующего ранжирования найденных фрагментов. В README её характеризуют как экономичную модель общего назначения для английских данных и рекомендуют для атомарных фрагментов, содержащих по одному утверждению, с возвратом родительского раздела для контекста. Заявлена сертификация 4-битной квантизации без измеримой потери качества в описанном испытании с отвлекающими документами. Репозиторий содержит веса в формате safetensors, лицензия указана как other; конкретные условия лицензии в предоставленных данных не раскрыты. Оценка Position Balance в README указывает на ограничения поиска второго факта во фрагменте, поэтому автор рекомендует делить документы на атомарные фрагменты. Модель рассчитана на английский язык.

Mixtral-8x7B-v0.1-pl — модель семейства Mixtral с архитектурой смеси экспертов (MoE), дообученная на польских данных. Авторы использовали 2,2 млрд польских токенов из набора SpeakLeash и около 600 млн токенов RedPajama, чтобы сохранить возможности модели в английском языке. Обучение провели при поддержке программы TPU Research Cloud на TPUv3-256; в разработке участвовали Konrad Staniszewski, Bartłomiej Cupiał и Piotr Miłoś. Модель предназначена для извлечения признаковых представлений из текста. Она содержит 7,9 млрд параметров, принимает текст с контекстом до 32 768 токенов и ориентирована прежде всего на польский язык, сохраняя поддержку английского. В репозитории представлены веса safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

multi-qa-mpnet-base-dot-v1 — модель для создания текстовых эмбеддингов, разработанная командой Sentence Transformers в рамках проекта Hugging Face Community Week. Она кодирует вопросы, предложения и абзацы в плотные векторы размерностью 768 для семантического поиска: по запросу можно находить релевантные фрагменты текста. Модель основана на MPNet-base и дообучена на примерно 215 млн пар «вопрос — ответ» из разных источников с контрастивной целью обучения. Для сравнения векторов используется скалярное произведение; эмбеддинги не нормализуются. Модель рассчитана прежде всего на поиск ответов и документов по вопросам и текстовым запросам. Она поддерживает английский язык, построена на MPNet и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Максимальная длина входа составляет 512 токенов, однако обучение проводилось на текстах длиной до 250 токенов, поэтому качество на более длинных фрагментах может снижаться. Условия лицензии в предоставленных данных не описаны.

mxbai-edge-colbert-v0-17m — компактная модель поиска Mixedbread AI: 16,8 млн параметров, основана на Ettin-17M и архитектуре ModernBERT. Она строит многовекторные представления текста в стиле ColBERT с размерностью проекции 48 и предназначена для семантического поиска, извлечения документов и переранжирования результатов после первичного поиска. Модель совместима с PyLate и Sentence Transformers. В README заявлена обработка документов длиной до 32 000 токенов. Метаданные указывают нативный контекст в 7 999 токенов, поэтому предел 32 000 следует считать заявленной возможностью представления документов, а не подтверждённой длиной нативного контекста. Модель ориентирована на английский язык. Доступны форматы safetensors и ONNX; лицензия — Apache-2.0.

mxbai-edge-colbert-v0-32m — компактная модель поиска Mixedbread AI на основе архитектуры ModernBERT и модели Ettin-32M. Она содержит 31,9 млн параметров и формирует многовекторные представления ColBERT с размерностью проекции 64 для поиска с поздним взаимодействием между запросом и документом. Модель предназначена для семантического поиска по коллекциям документов и повторного ранжирования результатов после первого, более лёгкого этапа поиска. По README, она может кодировать документы длиной до 32 000 токенов и совместима с PyLate и Sentence Transformers. Метаданные указывают нативный контекст в 7 999 токенов; это значение следует учитывать отдельно от заявленной в README длины кодируемых документов. Карточка приводит сравнительные результаты на BEIR и LongEmbed, но не содержит полного набора оценок модели в предоставленном фрагменте. Указана лицензия Apache-2.0. Поддерживаемый язык в метаданных — английский.

mxbai-rerank-base-v1 — базовая модель семейства реранкеров от Mixedbread, предназначенная для повышения качества поиска. Она оценивает релевантность пары «запрос — документ» и упорядочивает результаты, например, после поиска по ключевым словам. Модель построена на архитектуре DeBERTa-v2 и содержит 211,6 млн параметров; для работы с ней README рекомендует актуальную версию sentence-transformers. Модель рассчитана на английский язык и принимает текст, выдавая оценки релевантности, которые можно использовать для ранжирования документов. В README приведены результаты оценки на 11 наборах BEIR и указано, что реранкер хорошо дополняет поиск по ключевым словам. Длина контекста составляет 512 токенов. Модель распространяется по лицензии Apache-2.0.

Ogma Mini — компактная англоязычная модель эмбеддингов текста семейства Ogma, предназначенная для локального поиска и работы на устройствах с ограниченными ресурсами. В README указаны 3,5 млн параметров, размер около 14 МБ и контекст до 1024 токенов; модель использует архитектуру энкодера и выдаёт векторные представления текста, а не генерирует текст. Модель подходит для семантического и векторного поиска, извлечения документов для RAG, памяти агентных систем, кластеризации и классификации. Поддерживаются маршруты кодирования с токенами задач и Matryoshka-размерности 256, 128, 64 и 32, позволяющие уменьшать размер векторов. В README приведена оценка 53,06 на англоязычном бенчмарке MTEB; результаты зависят от задачи и способа применения. Ограничения: модель рассчитана на английский язык, не выполняет генерацию текста и уступает MiniLM-L6-v2 в задачах реранжирования. На CPU трансформерный энкодер может работать заметно медленнее статических моделей. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без отдельного разрешения.