I.12Рекомендации и персонализация

Модель kinit/slovakbert-sts-stsb — словацкий энкодер предложений на базе RoBERTa, разработанный командой Kinit. Она дообучена на словацком переводе набора STSbenchmark и предназначена для получения векторных представлений предложений и оценки их семантического сходства. Её можно применять как универсальный кодировщик словацких текстов в поиске по смыслу, кластеризации и других задачах сравнения предложений. В карточке сообщается о Spearman-корреляции 0,791 на тестовой части STSbenchmark. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Доступна под лицензией CC BY 4.0; для использования требуется библиотека sentence-transformers.

SNT News Classifier v0.6 — разработанная Sweenk мультиметочная модель для классификации новостных статей по двум уровням таксономии: 12 основным и 71 подкатегории. Она построена на энкодере XLM-RoBERTa large, дообученном на примерно 264 тысячах новостных статей; два независимых sigmoid-выхода предсказывают метки обоих уровней. Статья может получить несколько меток одновременно. Для классификации передают заголовок и основной текст, объединённые через пустую строку; вход обрезается до 512 токенов. Модель рассчитана на маршрутизацию новостной ленты и тематическую разметку статей. В тестировании на 26 412 статьях авторы сообщают macro-F1 0,847 для верхнего уровня при настроенных порогах. Метки корпуса созданы с участием языковой модели и выборочно проверялись людьми, поэтому эти показатели измеряют согласие с такой разметкой, а не с полностью проверенной человеческой истиной. Хотя базовый энкодер поддерживает 100 языков, обучение почти полностью велось на английских новостях, и качество для других языков не измерено. Модель выпущена под лицензией MIT.

sdadas/st-polish-paraphrase-from-distilroberta — модель на базе Sentence-Transformers, опубликованная пользователем sdadas. Она преобразует предложения и абзацы на польском языке в плотные векторы размерности 768 для поиска семантически близких текстов. Модель основана на архитектуре RoBERTa и содержит около 151,6 млн параметров; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска, сравнения предложений и абзацев, кластеризации текстов и построения векторного поиска. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; Sentence-Transformers упрощает этот процесс. Веса доступны в форматах PyTorch, Safetensors и TensorFlow. Лицензия — LGPL. Карточка указывает назначение для парафразов, однако не приводит конкретных результатов оценки, поэтому качество на конкретных данных следует проверять отдельно. Модель предназначена для польского языка; перенос на другие языки не подтверждён.

cassador/2bs16lr2 — модель Sentence Transformers, дообученная на afaji/indonli от базовой indobenchmark/indobert-base-p2. Она кодирует предложения и абзацы на индонезийском языке в плотные векторы размерности 768 для сравнения смысловой близости; архитектура включает BERT и усреднение токенных представлений. Для сравнения используется косинусное сходство, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, поиска перефразировок и кластеризации текстов; полученные векторы также можно использовать в классификационных системах. В README приведены оценки на наборах sts-dev и sts-test, причём результаты на sts-test заметно ниже, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных сведениях не указана.

Armenian-Text-Embeddings-2-base — модель Metric-AI для преобразования армянских текстов в плотные векторные эмбеддинги. Она дообучена на базе intfloat/multilingual-e5-base и построена на архитектуре XLM-RoBERTa; содержит 305,2 млн параметров, выдаёт векторы размерности 768 и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска на армянском языке, извлечения документов для RAG, сравнения сходства текстов, кластеризации и классификации. В карточке также заявлена обработка транслитерированных запросов и межъязыковое понимание; метаданные указывают на обучающий набор Reddit на армянском языке. Лицензия — MIT. Качество может снижаться на специализированной терминологии и культурных контекстах; карточка также отмечает возможные смещения, унаследованные от данных Reddit, и ограничения, связанные с качеством переводов.

rithwik-db/bert-base-cased_banking77_10000 — модель Sentence-Transformers на архитектуре BERT, обученная представлять предложения и абзацы в виде плотных векторов размерности 768. Она предназначена для семантического поиска и кластеризации текстов; обучение проводилось с TripletLoss и евклидовой метрикой расстояния. Модель содержит 135,5 млн параметров, принимает текст, а её контекст ограничен 512 токенами. Модель подходит для поиска похожих запросов и группировки текстов по смыслу. Карточка не сообщает, на каких языках обучена модель или для какой предметной области она предназначена, поэтому её название само по себе не подтверждает специализированную поддержку банковских запросов. Лицензия в предоставленных данных не указана.

wilsonmarciliojr/bertimbau-embed-nli — дообученная модель Sentence Transformers на основе neuralmind/bert-base-portuguese-cased, разработанная автором репозитория. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 768 для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также может применяться для кластеризации и классификации текста. В основе лежит BERT-архитектура BertModel с усреднением токенных представлений; максимальная длина входа — 512 токенов. В README приведены результаты оценки сходства на STS: Spearman 0,8034 на sts-dev и 0,7498 на sts-test. Модель рассчитана на текст на бразильском португальском; других языков карточка не подтверждает. Лицензия в предоставленных данных не указана.

Nalyd1908/bge-reranker-v2-m3-finetuned — дообученная модель на архитектуре XLM-RoBERTa, созданная на основе BAAI/bge-reranker-v2-m3. Она предназначена для оценки релевантности пары «запрос — текст» и переранжирования результатов поиска. Модель содержит 658,7 млн параметров и принимает последовательности длиной до 8194 токенов. В README приведены метрики на наборе оценки: pointwise accuracy 0,919, F1 0,799, AUC 0,9567 и group top-1 accuracy 0,885. Датасет дообучения не назван, поэтому эти результаты не позволяют судить о качестве на конкретных поисковых коллекциях. Лицензия — Apache-2.0.

bowdpr/bowdpr_wiki_triviaft — дообученный плотный ретривер для поиска ответов на вопросы, созданный на основе bowdpr/bowdpr_wiki. Модель использует архитектуру BERT с 136,7 млн параметров и кодирует предложения и абзацы в плотные векторы размерности 768. Для поиска по TriviaQA модель дообучали в два этапа с негативными примерами BM25 и примерами, найденными на первом этапе; дистилляция не применялась. Модель предназначена для семантического поиска и извлечения релевантных фрагментов по запросам, в том числе в QA-сценариях. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 512 токенов. В карточке не приведены сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

Danica Fisher дообучила англоязычный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель кодирует предложения и абзацы в плотные семантические векторы размерности 384; архитектура включает энкодер BERT, усреднение токенов и нормализацию. Для сравнения векторов используется косинусное сходство. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и получения признаков для классификации. Обучение описано как дообучение на 180 парах предложений с MultipleNegativesRankingLoss. Карточка не сообщает о специализированной поддержке русского языка, поэтому основное применение следует ориентировать на английский текст. Лицензия в предоставленных данных не указана.

chungimungi/ettin-glint-kd — текстовый многовекторный энкодер на архитектуре ModernBERT, обученный с помощью библиотеки Sentence Transformers. Модель преобразует текст в последовательность векторов размерности 128 на уровне токенов и сопоставляет запросы с документами методом позднего взаимодействия MaxSim. Модель предназначена для семантического поиска, где важно учитывать соответствия между отдельными частями запроса и документа. Максимальная длина последовательности в README — 300 токенов для документа и 32 токена для запроса; метаданные указывают контекст до 7999 токенов. Модель содержит 16,8 млн параметров и распространяется в формате safetensors. README сообщает об обучении на наборе parquet из примерно 1 046 009 примеров с запросами, документами и оценками. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

ddobokki/klue-roberta-base-nli-sts — модель эмбеддингов предложений на базе архитектуры RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Модель содержит 137,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. В карточке описано обучение с функцией потерь CosineSimilarityLoss. Файлы доступны в форматах PyTorch и Safetensors; для использования подходят Sentence-Transformers или Transformers с соответствующим pooling. Это производная модель на основе KLUE-RoBERTa-base, дообученная для задач сходства предложений и семантического представления текста. Основной язык — корейский, что следует из KLUE в названии базовой модели. Условия лицензирования в предоставленных данных не указаны.

danfeg/LaBSE_Finetuned-FR-1000 — дообученная модель Sentence-Transformers на основе LaBSE для получения плотных векторных представлений предложений и абзацев. Она рассчитана на задачи семантического поиска, сравнения сходства предложений и кластеризации текстов. Обучение использовало CosineSimilarityLoss. Модель построена на архитектуре BERT, содержит около 498,1 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов. Репозиторий предоставляет веса PyTorch и Safetensors. Суффикс FR-1000 указывает на французскую специализацию, однако доступные сведения не раскрывают состав обучающих данных или конкретные языковые ограничения. Лицензия в предоставленных данных не указана.

LLäMmlein2Vec 120M — немецкоязычная модель-энкодер, созданная командой LSX-UniWue на основе собственной авторегрессионной модели LLäMmlein 120M с преобразованием по методу LLM2Vec. Она предназначена для получения векторных представлений немецких текстов, например для семантического поиска, сравнения текстов и построения систем поиска по документам. Модель построена на архитектуре LLaMA с двунаправленным энкодером LlamaBiModel, содержит около 100,1 млн параметров и обрабатывает контекст до 8192 токенов. Для запуска авторы рекомендуют библиотеку llm2vec. Модель обучалась с использованием данных RedPajama-Data-V2. В метаданных указана лицензия other, поэтому условия использования следует уточнить в карточке модели и связанных материалах. Карточка ссылается на препринт, но не приводит здесь результаты оценки качества.

mDeBERTa-v3-base — многоязычная модель Microsoft на архитектуре DeBERTa V3, предназначенная для задач понимания текста и предсказания замаскированных токенов. Вариант base содержит 12 слоёв, скрытый размер 768 и 306 млн параметров; словарь включает 250 тыс. токенов. Модель обучена на многоязычных данных CC100 с использованием предобучения в стиле ELECTRA и механизма разделения градиентов при совместном использовании эмбеддингов. Контекст ограничен 512 токенами. Модель поддерживает английский, русский и другие языки, перечисленные в метаданных. В README приведены результаты переноса с обучением только на английских данных и тестированием на 15 языках XNLI; в этой оценке mDeBERTa-base показала более высокий средний результат, чем XLM-R-base. Модель подходит как основа для дообучения на классификацию и другие задачи понимания естественного языка, однако сама карточка задаёт основную задачу fill-mask. Распространяется по лицензии MIT.

Mykes/med-MiniLM-L12-3059 — дообученная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения смыслового сходства, семантического поиска, поиска перефразировок, классификации текстов и кластеризации. В архитектуре используются BERT и усреднение токенных представлений; для сравнения векторов можно применять косинусное сходство. Базовая модель поддерживает несколько языков. Модель создана на парных примерах «запрос — положительный текст», включая медицинские формулировки на русском языке. По README максимальная длина последовательности составляет 128 токенов; метаданные указывают нативный контекст 512 токенов. Модель содержит 124,3 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

MiniMind-Rerank-MoE — компактная модель-реранкер на архитектуре Mixture-of-Experts, разработанная авторами MiniMind и дообученная на базе jingyaogong/minimind-3. Она оценивает пару «запрос — документ» как релевантную или нерелевантную, используя вероятность токена «是» как оценку релевантности. Модель предназначена для повторного упорядочивания результатов поиска и отбора документов для систем поиска с дополненной генерацией. Архитектура включает четыре эксперта с маршрутизацией top-1; в README указаны 198 млн общих параметров и 64 млн активных, а метаданные указывают 63,9 млн параметров. Контекст составляет до 32 768 токенов. Модель обучалась три эпохи на 80 тысячах пар T2Reranking. На указанном тесте C-MTEB/T2Reranking она показала MAP@10 0,604 и точность классификации 88%; авторы рекомендуют Dense-версию для ранжирования, поскольку у неё MAP@10 заметно выше. Поддерживаются китайский и английский языки. Лицензия — Apache-2.0.

Это многоязычная модель-реранкер на архитектуре ModernBERT, разработанная авторами репозитория vllm-sr. Она построена на vllm-sr/mmbert-32k-yarn и оценивает релевантность пары «запрос — текст», чтобы упорядочивать результаты поиска. Модель содержит около 307 млн параметров, принимает до 32 768 токенов и поддерживает сокращение числа слоёв и размерности представления по схеме 2D Matryoshka для выбора компромисса между качеством и скоростью. Модель предназначена для многоязычного поиска, включая ранжирование длинных документов, где ответ может находиться в середине или конце текста. В карточке заявлена поддержка более 1800 языков; метаданные перечисляют английский, китайский, немецкий, французский, испанский, русский, японский, корейский, арабский и хинди. README приводит результаты тестов, но часть из них основана на синтетических длинных документах; на коротких документах специализированные конкуренты могут показывать лучшие результаты. Ограничения: обучение преимущественно проводилось на коротких фрагментах, поэтому качество на очень длинных текстах зависит также от возможностей базовой модели с расширенным контекстом. Для узкоспециализированных областей может потребоваться дообучение; сокращение числа слоёв само по себе даёт небольшой прирост скорости без механизмов раннего выхода. Лицензия — Apache-2.0.

robro612/modernbert_xtr_kd_k512 — модель извлечения и ранжирования текстовых документов на основе ModernBERT и архитектуры ColBERT, опубликованная в PyLate. Она кодирует запрос и документ в последовательности 128-мерных векторов и сравнивает их с помощью MaxSim; подходит для семантического поиска, формирования выдачи и повторного ранжирования результатов первичного поиска. В README указаны пределы длины 32 токена для запроса и 512 токенов для документа; метаданные сообщают о 149 млн параметров и контекстном окне 8192 токена. Модель предназначена для английского языка и обучалась на 640 тысячах примеров из датасета lightonai/ms-marco-en-bge-gemma с дистилляцией. Для использования модель требует библиотеку PyLate; для эффективного поиска README описывает индекс FastPLAID. Карточка приводит результаты оценки на наборах NanoBEIR и Nano BEIR, но качество зависит от данных и сценария поиска. Файлы представлены в формате safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

MoganBERT-Embed — модель эмбеддингов MoganAI на базе турецкого энкодера MoganBERT-TR. Она содержит около 149 млн параметров и использует архитектуру ModernBERT. Модель преобразует текст в векторы размерности 768 с помощью среднего pooling и L2-нормализации; инструкции к задаче или префиксы не требуются. Контекст по метаданным — до 8192 токенов; в описанной оценке MTEB использовалось не более 2048 токенов. Модель предназначена для семантического поиска, кластеризации, классификации текстов и оценки семантического сходства предложений. Она обучалась с дистилляцией от Qwen3-Embedding-8B и контрастивным дообучением на сигналах поиска, NLI, STS, классификации, вопросах и ответах, а также параллельных текстах. По README, поиск — относительно слабая сторона модели; для сценариев, где он является основным приоритетом, авторы указывают на Mogan-ColBERT-TR. Модель распространяется по лицензии Apache-2.0.

gongysh2004/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers на базе MPNet, обученная разработчиком репозитория на триплетах набора AllNLI для сопоставления предложений. Она кодирует предложения и абзацы в плотные векторы размерности 768; близость оценивается косинусным сходством. Модель содержит 136,7 млн параметров, использует mean pooling и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведены результаты TripletEvaluator на AllNLI: точность косинусного сходства 0,9124 на dev и 0,9239 на test. Для задач вне английского языка и предметных областей качество не установлено. Лицензия — Apache-2.0.

Это англоязычный многовекторный текстовый энкодер семейства ModernBERT, созданный tomaarsen на базе Alibaba-NLP/gte-modernbert-base и дообученный на 20 тысячах примеров MS MARCO с дистилляцией оценок bge-reranker-v2-gemma. Модель преобразует текст в последовательность 128-мерных векторов токенов и оценивает соответствие запросов и документов с помощью late interaction MaxSim; длина входной последовательности — до 8192 токенов. Модель предназначена для семантического поиска и извлечения документов, особенно в системах, где важна точная токен-уровневая оценка релевантности. В карточке приведены результаты оценки на наборах NanoMSMARCO и NanoBEIR. Веса доступны в формате safetensors, использовать их можно с библиотекой Sentence Transformers. Лицензия — Apache-2.0.

MyAwesomeModel — модель из репозитория tool02/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers. Метаданные Hugging Face классифицируют её как BERT-модель для извлечения признаков и указывают реализацию на PyTorch. Лицензия — MIT. Модель предназначена прежде всего для получения векторных представлений текста, которые можно использовать в поиске по смыслу, классификации, кластеризации и других downstream-задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы, суммаризации, диалогов и function calling, однако эти характеристики не согласуются с pipeline-тегом feature-extraction и не сопровождаются техническими сведениями о конфигурации модели. Сильной стороной является совместимость с экосистемой Transformers и BERT-архитектурой, что упрощает интеграцию в существующие ML-пайплайны. Размер модели, поддерживаемые естественные языки и длина контекста в доступных данных не указаны.

PolDense-1B — польская плотная embedding-модель для семантического поиска и извлечения релевантных текстов, разработанная как часть семейства PolDense. Она основана на энкодерах ettin-encoders с архитектурой ModernBERT и содержит 1 млрд параметров. Модель выдаёт векторные представления текстов и предназначена для польского поиска, retrieval и систем RAG. PolDense-1B обучали в три этапа: адаптировали английские энкодеры к польскому языку с помощью дистилляции знаний на параллельных польско-английских текстах, затем улучшали соответствие учителю на польских текстах и дообучали для retrieval на запросах и пассажах. В README сообщается о сравнении семейства на польском бенчмарке PIRB из 41 задачи; вариант 1B показал результаты выше сопоставлявшихся крупных моделей. Для retrieval к запросам добавляют префикс «[query]: », а для симметричного сравнения текстов — «[sts]: ». Модель принимает текст и выдаёт эмбеддинги; её контекст составляет 7 999 токенов. Репозиторий содержит веса в формате safetensors. Указана лицензия Gemma; применимые условия следует сверять с лицензией базовой модели и условиями распространения репозитория.

ReasonEmbed — модель текстовых эмбеддингов, разработанная Hanhainebula для поиска документов по запросам, требующим многошагового рассуждения. Она основана на плотной архитектуре Llama 3.1 с 7,5 млрд параметров и дообучена с функцией потерь RI-InfoNCE на синтетических данных; контекст модели составляет 131 072 токена. На бенчмарке BRIGHT модель показала nDCG@10 36,2 при использовании исходных запросов. Она предназначена для извлечения эмбеддингов текста и оценки сходства предложений, в частности для поиска по сложным запросам. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без соответствующих прав.

RetroMAE-Small — компактная модель семейства BERT, разработанная Seznam.cz и предварительно обученная с целевой функцией RetroMAE на чешском веб-корпусе. Она предназначена для получения семантических представлений предложений и решения задач поиска по смыслу и оценки сходства текстов. Модель содержит 27,2 млн параметров и принимает текст с контекстом до 512 токенов. Её можно применять для поиска похожих предложений, извлечения релевантных документов, кластеризации и классификации чешских текстов. Лицензия — CC BY 4.0.

Sarashina-Embedding-v2-1B — японская модель эмбеддингов, разработанная SB Intuitions на основе Sarashina2.2-1B. Она преобразует предложения и абзацы в плотные векторы размерностью 1792 и предназначена для семантического поиска, сравнения текстов, ранжирования, кластеризации и классификации. Модель использует архитектуру Sentence Transformer с LlamaModel и пулингом по последнему токену; максимальная длина последовательности — 8192 токена. Для поиска рекомендуется добавлять к запросу инструкцию и префикс, а к документу — префикс `text:`. Модель обучена контрастивным обучением в несколько этапов: на слабой разметке, затем с контролируемой настройкой, после чего веса двух вариантов были объединены. В README заявлен лучший средний результат среди 28 наборов JMTEB по оценке от 28 июля 2025 года. Модель ориентирована на японский язык. Лицензия Sarashina Model NonCommercial License Agreement ограничивает коммерческое использование.

SciBERT-Neuro-Contrastive — модель на архитектуре BERT, опубликованная Biodatlab как sentence-transformers-модель для получения плотных векторных представлений предложений и абзацев размерностью 768. Её можно использовать для семантического поиска и кластеризации текстов, а также для оценки сходства между предложениями. Модель обучена с Triplet Loss и евклидовой метрикой расстояния. Она содержит 137,1 млн параметров, принимает текстовые входы и формирует эмбеддинги; максимальная длина контекста — 512 токенов. Карточка не перечисляет поддерживаемые естественные языки или конкретные нейронаучные наборы данных, поэтому специализированную языковую поддержку подтвердить нельзя. Для использования предусмотрены Sentence-Transformers и Transformers с подходящим pooling слоем. Модель опубликована в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

UBC-SLIME/sparcol-large-k512-no-cls — разреженный энкодер на базе ModernBERT, обученный с библиотекой Sentence Transformers на парах предложений и абзацев. Модель преобразует текст в разреженный вектор размерности 512; сходство оценивается функцией ColBERT. В карточке указан максимальный размер последовательности 512 токенов, а метаданные указывают контекст до 8192 токенов и 394,7 млн параметров. Модель предназначена для семантического поиска и разреженного извлечения релевантных текстов. Её можно использовать для индексации документов и поиска по запросам, сопоставляя представления текстов в векторном пространстве. Репозиторий содержит веса safetensors; отдельная лицензия в предоставленных данных не приведена.

SPLADE-BERT-Medium — разреженный энкодер для поиска, созданный yosefw дообучением prajjwal1/bert-medium с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство между ними оценивается скалярным произведением. Архитектура включает BertForMaskedLM и слой SpladePooling с max-пулингом и ReLU. Модель рассчитана на английский язык, принимает последовательности длиной до 512 токенов и поддерживает поиск по смыслу и разреженное извлечение документов. Модель подходит для сопоставления запросов с релевантными документами и ранжирования результатов в поисковых системах. В README приведены метрики dot_accuracy@1/3/5 на оценочном наборе, однако сведения о названии и составе этого набора ограничены. Лицензия — MIT.