I.12Рекомендации и персонализация

TurkuNLP/sbert-cased-finnish-paraphrase — модель Sentence-BERT для финского языка, разработанная TurkuNLP на основе FinBERT. Она преобразует предложения в векторные представления, которые можно сравнивать для поиска смыслово близких фраз и парафраз. Модель построена на архитектуре BERT с корпусным регистром; использует mean pooling и содержит 151,7 млн параметров. Максимальная длина входа — 512 токенов. Модель обучали с помощью sentence-transformers на корпусе финских парафраз и автоматически собранных кандидатах в парафразы: 500 тысяч положительных и 5 миллионов отрицательных примеров. Обучающая задача — бинарно определять, являются ли два предложения парафразами. В README приведён пример извлечения эмбеддингов и упомянута демонстрация поиска похожих предложений в наборе из 400 миллионов фраз. Лицензия в предоставленных данных не указана.

pucpr-br/sbertimbau_news_2023 — модель Sentence-Transformers, дообученная на базе neuralmind/bert-base-portuguese-cased. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения текстов по смыслу, семантического поиска и кластеризации. Модель построена на архитектуре BERT и содержит 136,1 млн параметров; максимальная длина контекста составляет 512 токенов. Модель рассчитана на тексты на бразильском португальском языке. Её можно использовать для поиска похожих новостных текстов и группировки предложений или документов; для получения эмбеддингов в экосистеме Sentence-Transformers требуется соответствующая библиотека либо отдельная операция pooling при использовании Transformers. Репозиторий предоставляет веса в формате safetensors. Лицензия в предоставленных данных не указана.

sdadas/st-polish-paraphrase-from-mpnet — польская модель Sentence-Transformers, разработанная SDadas. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения перефразировок. Архитектура основана на RoBERTa; модель содержит 151,6 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для семантического поиска по польским текстам, группировки похожих документов и оценки сходства предложений. Для использования через Hugging Face Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Опубликована под лицензией LGPL.

AGmind/strizh-ru-retriever — компактный плотный энкодер предложений от AGmind для семантического поиска по русским текстам и извлечения кандидатов на первом этапе RAG. Модель построена на базе deepvk/RuModernBERT-small: из 12 слоёв выбраны четыре, после чего энкодер дообучен контрастивно. Она содержит 24,4 млн параметров и формирует один вектор размерности 384 для каждого текста. Запросы и документы кодируются одинаково, без специальных префиксов; заявленный предел архитектуры — 8192 токена, хотя при обучении использовались последовательности длиной 256 токенов. Модель рассчитана на быстрый RU-first поиск в самостоятельно размещённом RAG, в том числе когда GPU одновременно обслуживает генератор и реранкер. Она выполняет плотный одновекторный поиск, но не обеспечивает лексический поиск или переранжирование: их следует поручить другим компонентам поискового конвейера. По карточке, качество поиска ниже, чем у более крупных русскоязычных и многоязычных ретриверов; английский и межъязыковой поиск слабее русского. Базовая модель имеет поддержку русского и английского, а обучающие пары включали русский, английский и смешанные тексты. Лицензия модели — Apache-2.0; среди обучающих данных указан ru_stackoverflow под CC BY-SA, поэтому условия использования наборов данных следует проверять отдельно.

uzbek-minilm — модель эмбеддингов предложений на базе BERT, дообученная разработчиком sukhrobnurali на многоязычной sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для семантического поиска и извлечения документов на узбекском языке, а также поиска между узбекским и английским. Модель содержит 124,3 млн параметров, преобразует текст в нормализованные векторы и принимает предложения или документы без специальных префиксов; максимальная длина контекста — 512 токенов. По README, дообучение на парах узбекских текстов заметно улучшило результаты поиска относительно базовой модели. Модель подходит для поиска фрагментов в узбекских корпусах и RAG, сравнения сходства предложений, кластеризации и двуязычного поиска uz↔en. Разработчик сообщает высокие результаты на тесте узбекского поиска, но на кросс-языковой оценке модель уступает своей модели uzbek-e5-small. Качество кириллического узбекского проверено ограниченно; редкие тематики представлены хуже, а часть параллельных данных содержит шум машинного перевода. Лицензия — Apache 2.0.

Arabert All NLI Triplet Matryoshka — арабская модель Sentence Transformers, разработанная Omartificial Intelligence Space и дообученная на aubmindlab/bert-base-arabertv02 с использованием набора Arabic NLI Triplet. Она преобразует предложения и абзацы на арабском языке в плотные векторные представления для сравнения семантической близости. Модель основана на BERT с усреднением токенных представлений, имеет 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Вектор размерности 768 можно использовать для семантического поиска, поиска перефразировок, кластеризации и классификации текстов; обучение Matryoshka также рассчитано на представления меньшей размерности — 512, 256, 128 и 64. Для сравнения предусмотрена косинусная близость. В README приведены результаты оценки на STS-наборах, но они не гарантируют аналогичного качества на других данных. Лицензия — Apache-2.0.

Armenian-Text-Embeddings-1 — модель плотных текстовых эмбеддингов для армянского языка, разработанная Metric-AI на базе дообученной multilingual-e5-base. Она преобразует текст в векторы и предназначена для семантического поиска, поиска документов для RAG, сравнения текстов, кластеризации и классификации. Модель построена на архитектуре XLM-RoBERTa, содержит около 305,2 млн параметров и рассчитана на контекст до 514 токенов по метаданным; README указывает ограничение длины последовательности 128 токенов. Для получения эмбеддингов README приводит пример с Sentence Transformers и нормализацией векторов. Указаны армянские тексты на входе, а также англо-армянские данные обучения и поддержка межъязыкового понимания. Лицензия — Apache 2.0. В README также сообщается о более новой версии ATE-2.

BengaliSBERT-STS — модель L3Cube-Pune для оценки семантической близости предложений на бенгальском языке. Она создана на основе l3cube-pune/bengali-sentence-bert-nli и дообучена на наборе данных STS; относится к семейству BERT и использует архитектуру BertModel с плотными представлениями. Число параметров — около 264,8 млн, максимальная длина контекста — 512 токенов. Модель предназначена для получения векторных представлений предложений и сравнения их смысловой близости, например, при поиске похожих фраз или группировке текстов. Поддерживает бенгальский язык; доступна в формате PyTorch и распространяется по лицензии CC BY 4.0. Для использования требуется корректно агрегировать контекстуальные представления токенов с помощью pooling; конкретные ограничения качества в карточке не описаны.

Это переранжировщик BGE Reranker v2 M3, преобразованный автором репозитория в формат GGUF F16 для запуска через llama.cpp. Модель принимает запрос и список текстовых кандидатов, оценивает их релевантность и возвращает кандидатов в упорядоченном виде; её можно подключить к поисковому конвейеру через сервер llama.cpp и endpoint /v1/rerank. Основа модели — BAAI/bge-reranker-v2-m3. По README, преобразование выполнено скриптом llama.cpp без других изменений; файл GGUF занимает около 1 ГБ. В карточке указаны японский и английский языки. Модель распространяется по лицензии MIT. Автор предупреждает, что при некорректном переносе классификационной головы GGUF может выдавать числовые оценки без ошибки, но эти оценки будут бессмысленными. Перед использованием следует проверить порядок результатов на примерах с заметно различающейся релевантностью. Для работы нужен llama.cpp с режимом --reranking; сервер переранжирования запускается отдельно от сервера эмбеддингов.

Qdrant/bm25 — модель на основе алгоритма BM25 (Best Matching 25), предназначенная для поиска и ранжирования текстовых документов по их релевантности поисковому запросу. Она распространяется через FastEmbed и рассчитана на использование с векторной базой Qdrant. Модель преобразует тексты в разреженные представления с индексами и весами токенов, которые можно использовать для лексического поиска. Для корректной работы в Qdrant необходимо настроить векторы с модификатором Modifier.IDF. Такой подход подходит для полнотекстового поиска, сопоставления запросов с документами и гибридных поисковых систем, где важна точная лексическая связь между запросом и содержимым. В карточке указана поддержка английского, арабского, нидерландского, датского, финского, французского, немецкого, греческого, венгерского, итальянского, норвежского, португальского, румынского, русского, испанского, шведского, тамильского и турецкого языков. Архитектура, число параметров, размер контекста и дополнительные модальности не указаны; модель предназначена для работы с текстом. Лицензия — Apache-2.0. Ограничение подхода состоит в том, что BM25 опирается преимущественно на совпадение лексики и статистику терминов, поэтому он может хуже учитывать смысловые перефразирования по сравнению с плотными семантическими моделями.

Модель kwondw/distilbert-base-uncased-msmarco-margin-mse-mnrl-502939 — англоязычная Sentence Transformer, дообученная автором на 502 939 примерах для поиска по смыслу. В основе лежит distilbert/distilbert-base-uncased; архитектура включает DistilBERT и mean pooling. Модель преобразует предложения и абзацы в плотные векторы размерности 768, а сходство оценивает скалярным произведением. Она предназначена для векторного поиска и извлечения релевантных документов по запросу, а также сравнения семантической близости текстов. В README приведены оценки на наборах NanoBEIR и задачах поиска, включая MS MARCO, Quora Retrieval и HotpotQA. Метаданные указывают контекст до 512 токенов; карточка модели задаёт максимум в 300 токенов. Лицензия — Apache-2.0.

Echo-DSRN-v0.1.3-Embed-Intent — многоязычная модель эмбеддингов предложений от Ethicalabs на архитектуре Echo-DSRN, гибридной рекуррентной нейросети с 8 DSRN-блоками. Модель дообучена от ethicalabs/Echo-DSRN-v0.1.3-Embed-Exp на Amazon MASSIVE: около миллиона высказываний на 51 языке. В метаданных указаны 49,9 млн параметров и контекст 2048 токенов; README приводит оценку около 98 млн параметров. Модель предназначена для представления высказываний в виде векторов, чтобы сравнивать их смысл и распознавать намерения и сценарии. На замороженных эмбеддингах в протоколе MTEB для MASSIVE указаны средняя точность 72,42% по 60 намерениям и 79,00% по 17 сценариям. Лицензия — Apache-2.0. Результаты измерялись с левым дополнением последовательностей; карточка предупреждает, что состав батча может влиять на эмбеддинги при таком соглашении о дополнении. В README используется trust_remote_code=True для загрузки модели через Sentence Transformers.

Embedić Large — модель для создания текстовых эмбеддингов, разработанная djovak и дообученная на базе intfloat/multilingual-e5-large. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, информационного поиска, кластеризации и систем RAG. Модель специализируется на сербском языке в кириллице и латинице и также поддерживает английский, поэтому подходит для поиска по смешанным сербско-английским коллекциям. Она построена с использованием Sentence Transformers; в README для семейства указаны обучение в несколько этапов и сравнение результатов на задачах информационного поиска, сходства предложений и поиска параллельных текстов. Модель распространяется по лицензии MIT. README отмечает, что запись сербского текста латиницей без диакритики заметно ухудшает качество поиска, а сохранение заглавных букв в именах собственных может улучшить его.

Halong Embedding — модель эмбеддингов текста, разработанная contextboxai и дообученная на базе intfloat/multilingual-e5-base. Она предназначена прежде всего для вьетнамского языка и сценариев семантического поиска и RAG; также подходит для сопоставления предложений, поиска перефразирований, кластеризации и классификации текста. Модель построена на XLM-RoBERTa в архитектуре Sentence Transformers: усредняет токенные представления, нормализует результат и выдаёт плотный вектор размерностью 768. Максимальная длина входа — 512 токенов; косинусное сходство используется для сравнения векторов. Обучение примерно на 100 тысячах пар вопрос–документ включало Matryoshka loss, позволяющий сокращать размер эмбеддинга с небольшими потерями качества. Модель принимает текст и выдаёт векторные представления. Карточка сообщает о многоязычности с фокусом на вьетнамском, а метаданные также указывают английский. Лицензия — Apache-2.0. Качество может зависеть от языка и предметной области; заявленная устойчивость при сокращении векторов не означает отсутствия потери качества.

indo-sentence-bert-large — модель Sentence-Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерностью 2048. Её можно применять для семантического поиска и кластеризации текстов. Модель разработана авторами репозитория firqaaa/indo-sentence-bert-large. Модель обучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 512 токенов. В карточке указан индонезийский язык. Для запуска предусмотрена библиотека Sentence-Transformers, также описан способ использования через Transformers. Модель распространяется по лицензии Apache-2.0. Оценочные результаты и сведения об авторах в доступной карточке не приведены; качество для конкретных данных следует проверять отдельно.

jina-reranker-v3 — многоязычная модель-реранкер компании Jina AI для переупорядочивания документов по релевантности запросу. Она предназначена для улучшения результатов поиска и retrieval-систем, в том числе RAG, когда исходный поиск возвращает набор кандидатов, который нужно отсортировать точнее. Модель дообучена на Qwen3-0.6B и содержит около 507,9 млн параметров. Это плотная архитектура на базе Qwen3 с 28 слоями трансформера и небольшим MLP-проектором; механизм listwise-ранжирования позволяет сравнивать запрос и несколько документов в общем контексте. За один проход обрабатывается до 64 документов, а длина контекста составляет 131 072 токена. В README заявлены результаты на BEIR, MIRACL, MKQA и CoIR. Модель принимает текст запроса и документы и выдаёт ранжирование, а не обычный ответ пользователю. Поддерживает многоязычный поиск; карточка не уточняет список языков. Для новых проектов разработчик рекомендует jina-reranker-v3.5 как более быстрый и сильный преемник. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими условиями.

Это Sentence Transformer на базе RoBERTa, разработанный автором byKim93 и дообученный на базе byKim93/klue-roberta-base-klue-sts-2. Модель преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для оценки близости используется косинусное сходство. Архитектура включает RobertaModel и усредняющий пулинг токенов; число параметров — 137,8 млн. Максимальная длина последовательности составляет 512 токенов в README и 514 контекстных токенов по метаданным. README приводит результаты оценки сходства: Spearman 0,8454 и Pearson 0,8517. Данные обучения и примеры в карточке на корейском языке; метаданные не подтверждают поддержку других языков. Репозиторий содержит веса в формате safetensors и опубликован под лицензией, указанной в метаданных Hugging Face.

jeongeunKJ/ko-sbert-custom-v1 — корейская модель Sentence-Transformers на архитектуре BERT, дообученная на snunlp/KR-SBERT-V40K-klueNLI-augSTS. Она преобразует предложения и абзацы в плотные векторы размерности 768, используя усреднение токенных представлений; сходство векторов оценивается косинусной мерой. Модель содержит 144 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска и сравнения корейских текстов, поиска перефразирований, кластеризации и классификации. В README указана небольшая обучающая выборка из 4361 пары предложений с оценками сходства и обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

aditeyabaral/langcache-colbert-v2 — англоязычная модель PyLate на архитектуре ColBERT, дообученная на парах предложений LangCache для семантического кэширования и поиска. Она представляет запросы и документы как последовательности плотных векторов размерности 128 и оценивает их сходство оператором MaxSim. Модель основана на colbert-ir/colbertv2.0; в архитектуре используются BERT и линейный слой проекции с 768 до 128 измерений. Размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска по индексированным документам, получения релевантных фрагментов по запросу и повторного ранжирования результатов первичного поиска. Для эффективного поиска README описывает использование индекса FastPLAID через PyLate. Модель обучалась на датасете LangCache Sentence Pairs; заявленный язык — английский. Распространяется по лицензии Apache-2.0.

LFM2.5-ColBERT-350M — многоязычная модель поиска Liquid AI для семантического извлечения документов и ранжирования результатов. Она использует двунаправленную архитектуру LFM2 и позднее взаимодействие ColBERT: модель строит векторы для токенов запроса и документа, а релевантность оценивает по их совпадениям через MaxSim. Модель содержит около 350 млн параметров по README; метаданные каталога указывают 443,4 млн. Базой служит LiquidAI/LFM2.5-350M-Base с двунаправленными изменениями. Реализация доступна в формате safetensors через PyLate. Модель предназначена для многоязычного и межъязыкового поиска в RAG-системах, включая поиск по каталогам товаров, базам FAQ и поддержки, а также внутренним документам. Её также можно применять для повторного ранжирования результатов первичного поиска. README рекомендует длину документа до 512 токенов и запроса до 32 токенов; контекстное окно в метаданных составляет 128 000 токенов. Поддерживаются английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский языки. Многовекторное представление обеспечивает более точное сопоставление, чем одно векторное представление, но увеличивает размер поискового индекса. Модель ориентирована на сценарии с коротким контекстом. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели.

Это квантованная до 8 бит версия LFM2.5-ColBERT-350M от Liquid AI, подготовленная sahilchachra для запуска на компьютерах Apple Silicon с MLX. Модель представляет собой двунаправленный энкодер позднего взаимодействия: преобразует каждый токен запроса и документа в вектор размерности 128, а релевантность оценивает методом MaxSim. Для кодирования нужны маркеры [Q] для запросов и [D] для документов. Модель предназначена для многоязычного семантического поиска и ранжирования документов. Карточка приводит результаты сравнения int8 с fp16 на англоязычном подмножестве NanoBEIR из четырёх наборов данных: среднее значение NDCG@10 у int8 составило 100,5% от fp16. Указан размер весов 376 МБ и пропускная способность 12 978 токенов в секунду на чипах серии M; эти показатели относятся к тесту автора и его конфигурации. В метаданных указаны 443,4 млн параметров, контекст до 128 000 токенов и лицензия other. Формат файлов — safetensors; README описывает квантизацию MLX affine с group_size=64. Это производная от LiquidAI/LFM2.5-ColBERT-350M модель. Результаты в README ограничены небольшим англоязычным тестом и не характеризуют качество на всём наборе языков или других сценариях.

BorisTM/loss-guided-static-multi — мультиязычный статический кодировщик предложений для семантического поиска и сравнения текстов. Модель обучена с контрастивной целью и расширенным словарём: полезные пары соседних токенов получают собственные строки эмбеддингов, при этом базовый токенизатор не меняется. При инференсе используются таблица эмбеддингов и усреднение, без Transformer; размерность векторов — 1 024, всего 321,7 млн параметров. Модель рассчитана на CPU-эффективное семантическое сходство, поиск, кластеризацию и классификацию на 176 языках. Каждый текст необходимо предварять языковым маркером, например __rus_Cyrl__; без него обработка завершается ошибкой. Репозиторий включает пользовательский модуль эмбеддингов и требует trust_remote_code=True. Распространяется по лицензии Apache-2.0.

Mohamed-Gamil/multilingual-e5-small-JapaneseTeacher — модель Sentence Transformers, дообученная на базе intfloat/multilingual-e5-small для создания эмбеддингов предложений и абзацев. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией, выдаёт плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Максимальная длина последовательности — 512 токенов; число параметров — 124,3 млн. Модель предназначена для семантического поиска и сопоставления текстов, включая оценку сходства, поиск перефразировок, кластеризацию и классификацию на основе эмбеддингов. В README указаны английский язык и обучающие пары anchor-positive; примеры обучающих данных содержат японский текст и грамматические пояснения, поэтому возможна специализация на сопоставлении японских учебных материалов, но её охват не подтверждён отдельным описанием. Доступна по лицензии Apache-2.0.

Модель benja-d/paraphrase-spanish-distilroberta-finetuned-chatbot — Sentence Transformer на базе испанской RoBERTa, дообученная для преобразования предложений и абзацев в плотные векторы. Она предназначена для семантического поиска, сравнения текстов и поиска перефразировок; эмбеддинги также можно применять для кластеризации и классификации текстов. Архитектура использует RobertaModel с усреднением токенных представлений, выдаёт векторы размерности 768 и поддерживает косинусное сравнение. Контекст модели — до 514 токенов по метаданным; в README для Sentence Transformers указан предел последовательности 128 токенов. Модель дообучена на 168 парных примерах из набора json. В README приведены небольшие результаты оценки поиска, поэтому они не гарантируют качество на других данных. Карточка указывает испанский язык, а описание базовой модели в каталоге также сообщает поддержку английского. Лицензия — Apache-2.0.

Карточка модели AISE-TUDelft/pharo-keyimplementationpoints-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/pharo-collaborators-classifier, поэтому описание составлено по ней. pharo-collaborators-classifier — модель семейства MPNet от AISE-TUDelft на базе Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости; подходит для семантического поиска и кластеризации текстов. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучена с функцией потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

PolDense-17M — компактная польская модель эмбеддингов из семейства PolDense, разработанного для поиска и извлечения релевантных текстов. Она основана на энкодере ettin-encoders с архитектурой ModernBERT и содержит 16,8 млн параметров. Модель формирует плотные векторные представления текста и рассчитана на низкую задержку при поиске, семантическом сравнении и построении RAG-систем на польском языке. Обучение включало два этапа дистилляции знаний от BGE-Multilingual-Gemma2 и финальную настройку для поиска с использованием данных, подготовленных с помощью BGE-Reranker-v2.5-Gemma2-Lightweight. Карточка сообщает о проверке семейства на польском бенчмарке PIRB и о сильных результатах моделей разных размеров; отдельные показатели PolDense-17M не приведены. Для поиска запросу нужен префикс «[query]: », а для сравнения предложений — «[sts]: ». Модель поддерживает контекст до 7 999 токенов. Лицензия репозитория указана как Gemma; перед использованием следует проверить её условия.

ReasonEmbed — текстовая модель эмбеддингов, разработанная Hanhainebula для поиска документов по запросам, требующим многошагового рассуждения. Она дообучена на базе Qwen3-4B с функцией потерь RI-InfoNCE и синтетическими данными. Репозиторий содержит плотную архитектуру Qwen3 с 3,7 млрд параметров; модель принимает текст и выдаёт эмбеддинги. Контекстное окно составляет 40 960 токенов. Модель предназначена для извлечения и сопоставления документов в задачах reasoning-intensive retrieval. В README приведён результат nDCG@10 37,1 на бенчмарке BRIGHT с исходными запросами. Доступна по лицензии Apache-2.0. Карточка также связывает её с базовой моделью hanhainebula/qwen3-4b-ft-msmarco.

sonoisa/sentence-bert-base-ja-mean-tokens — модель Sentence-BERT для японского языка, представленная разработчиком sonoisa. Она преобразует японские предложения в векторные представления для вычисления сходства и поиска семантически близких текстов. Карточка также отмечает существование версии 2 с точностью примерно на 1,5 процентного пункта выше. Модель основана на BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для извлечения признаков и построения эмбеддингов предложений; метаданные также указывают поддержку заполнения масок и оценки сходства предложений. Доступны веса PyTorch и Safetensors. Лицензия — CC BY-SA 4.0.

Griffin88/sentence-embedding-LaBSE — PyTorch-порт модели LaBSE, предназначенный для представления предложений на 109 языках в общем векторном пространстве. Модель основана на архитектуре BERT и содержит 498,1 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий предоставляет веса PyTorch и safetensors, а для работы через Sentence-Transformers README рекомендует библиотеку sentence-transformers. Модель подходит для получения эмбеддингов предложений и оценки их семантического сходства, в том числе для сопоставления текстов на разных языках. Лицензия — Apache-2.0. README отсылает к публикации LaBSE, но не уточняет автора этого порта или детали обучения именно этой версии.

LazarusNLP/s-indobert-base-mmarco — модель Sentence-Transformers на архитектуре BERT, обученная LazarusNLP для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss на основе косинусного сходства; в метаданных указан датасет unicamp-dl/mmarco и язык индонезийский (id).