I.12Рекомендации и персонализация

TensorFluxEmbedder — англоязычная модель векторных представлений текста, дообученная IstishadAlamTishad на базе nomic-ai/modernbert-embed-base для семантического поиска. Она охватывает общий язык, веб-поиск, научную литературу и юридические документы и предназначена для получения эмбеддингов запросов и документов в сценариях информационного поиска и RAG. Модель построена на ModernBERT, содержит 149 млн параметров и принимает до 8192 токенов. Размер эмбеддинга можно сокращать при использовании с 768 до 512, 256, 128 или 64 измерений без повторного обучения; в README вариант 256 измерений рекомендован для поиска с низкой задержкой и меньшим расходом памяти. Для лучшего качества поиска нужно задавать префикс search_query: для запросов и search_document: для документов. В README приведены результаты оценки на наборах SciFact и юридическом корпусе; качество зависит от размерности и конкретного корпуса. Модель обучена только на английских текстах, длинные входы свыше 8192 токенов обрезаются, а эффективность на других языках и юридических коллекциях не подтверждена. Она оптимизирована для плотного поиска и не предназначена для классификации, NLI или работы как cross-encoder. Лицензия — Apache-2.0.

PartAI/Tooka-SBERT — модель Sentence Transformer, разработанная PartAI на базе TookaBERT-Large и дообученная для получения плотных векторных представлений предложений и абзацев. Она кодирует персидский текст в векторы размерностью 1024 и предназначена для сравнения смысловой близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель основана на архитектуре BERT, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. Она подходит для поиска и группировки персидских текстов по смыслу. Выпущена по лицензии Apache-2.0; автор README указывает, что доступны более новые версии Tooka-SBERT-V2-Small и Tooka-SBERT-V2-Large.

Jealk/TTC-L2V-supervised-2 — модель эмбеддингов предложений, разработанная Jesper Alkestrup из The Tech Collective. Она дообучена методом LLM2Vec на базе AI-Sweden-Models/Llama-3-8B-instruct и использует двунаправленный энкодер Llama с инструкционно-ориентированным mean pooling. Модель предназначена для преобразования датских, шведских и норвежских текстов в векторы для поиска и сравнения предложений; карточка также указывает поддержку извлечения признаков и кластеризации текста. Модель содержит 7,5 млрд параметров, работает с контекстом до 8192 токенов и доступна в формате safetensors через библиотеку sentence-transformers. Для загрузки требуется разрешить trust_remote_code, поскольку репозиторий содержит пользовательские модули энкодера и pooling. Указанная лицензия — MIT. Полная версия в bfloat16 требует около 14 ГБ памяти; варианты с 8- и 4-битной квантизацией требуют примерно 8 и 5 ГБ соответственно, но качество квантизированных вариантов не оценивалось.

Vela Reranker — многоязычный энкодер на базе ModernBERT, разработанный llm-semantic-router. Модель оценивает релевантность фрагментов для поиска, RAG и выбора контекста в системах маршрутизации. В метаданных указано 306,9 млн параметров и контекст до 32 768 токенов; доступны веса Safetensors и формат ONNX. В приведённых оценках Vela превосходит исходный mmBERT Reranker на указанных наборах MIRACL, Natural Questions и SciFact, а также на двух из трёх перечисленных инструкционных задач MTEB. Результаты относятся только к выбранным наборам и подмножествам и не являются полной оценкой MTEB. Модель предназначена для ранжирования текстовых фрагментов и не генерирует ответы. Лицензия — Apache-2.0.

dangvantuan/vietnamese-document-embedding — модель эмбеддингов документов на вьетнамском языке, разработанная Dang Van Tuan. Она построена на gte-multilingual и дообучена для представления смысла вьетнамских текстов в виде векторов; в обучении использовались Multi-Negative Ranking Loss, Matryoshka2dLoss и SimilarityLoss, а карточка описывает этапы на данных XNLI-vn и STSB-vn. Модель использует архитектуру SentenceTransformer с VietnameseModel, пулингом CLS-токена и нормализацией векторов. Контекст составляет до 8192 токенов по метаданным; README указывает до 8096 токенов. Она предназначена для семантического сравнения предложений и документов, поиска и ранжирования по смыслу на вьетнамском языке. В README приведены результаты оценки на STS-бенчмарках. Модель распространяется по лицензии Apache-2.0.

sentence-transformers/bert-large-nli-stsb-mean-tokens — модель Sentence Transformers, обученная командой sentence-transformers. Она основана на архитектуре BERT и преобразует предложения и абзацы в плотные векторы размерностью 1024, пригодные для семантического поиска, сравнения сходства и кластеризации текстов. Модель принимает текст и рассчитана на последовательности длиной до 512 токенов. Модель можно применять для поиска текстов по смыслу, ранжирования похожих предложений и группировки текстов по тематической близости. Репозиторий содержит варианты весов PyTorch, SafeTensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Авторы пометили модель как устаревшую и предупреждают о низком качестве получаемых эмбеддингов; для новых проектов они рекомендуют выбрать более современные модели эмбеддингов.

binhdinh-embedding — дообученная на внутреннем наборе примерно из 120 тысяч примеров модель Sentence Transformers, разработанная на основе bkai-foundation-models/vietnamese-bi-encoder. Она кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для вычисления семантического сходства и поиска. Архитектура основана на RoBERTa с усреднением токенных представлений; для сравнения векторов применяется косинусное сходство. Обучение с Matryoshka Loss позволяет сокращать размерность эмбеддингов с небольшими потерями качества. Модель предназначена для семантического поиска, оценки сходства предложений, поиска парафраз, кластеризации и классификации текста. В README приведена оценка на наборе Zalo для поиска правовых документов, однако это не означает, что модель ограничена юридической тематикой. Контекст ограничен 258 токенами по метаданным; README указывает максимум 256 токенов. Лицензия — Apache-2.0.

Карточка модели Alibaba-NLP/core-reranker-8b на Hugging Face совпадает с карточкой Alibaba-NLP/core-emb-2b, поэтому описание составлено по ней. Core-Embed-2B — мультимодальная модель эмбеддингов, разработанная Alibaba-NLP на архитектуре Qwen3-VL. Она преобразует текст и изображения в плотные векторы для поиска и сопоставления, уделяя особое внимание композиционным связям между атрибутами и объектами: например, различает изображение с белой тарелкой и чёрным стулом от изображения с обратным сочетанием цветов. Модель содержит 2 млрд параметров и рассчитана на извлечение признаков из текста и изображений. Модель обучена дистилляцией оценок ранжирования: её эмбеддинги учатся сохранять градации соответствия между запросом и кандидатами, включая ошибки атрибутов и объектов. Это помогает выполнять тонкий мультимодальный поиск, сохраняя качество обычного поиска изображений и текстов. Для запуска требуется версия Transformers с поддержкой Qwen3-VL. Модель распространяется по лицензии CC BY 4.0. Карточка описывает семейство и результаты Core-Embed-8B, но не приводит отдельные численные оценки для версии 2B.

cupidon-small-ro — модель эмбеддингов предложений на базе BERT, созданная дообучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 на датасете RoSTSC. Она предназначена прежде всего для оценки семантического сходства румынских предложений, а также для семантического поиска и кластеризации. Модель принимает текст и выдаёт векторные представления предложений; доступна в форматах safetensors, ONNX и OpenVINO. Размер модели — 124,3 млн параметров, контекст — до 512 токенов. Компактная архитектура подходит для эффективного построения систем поиска и сравнения текстов на румынском языке. Базовая модель многоязычная, однако карточка описывает специализацию cupidon-small-ro именно на румынских предложениях. Модель распространяется по лицензии Apache-2.0.

cupidon-tiny-ro — модель Sentence Transformers на архитектуре BERT, разработанная BlackKakapo и дообученная на румынских данных от базовой модели sentence-transformers-testing/stsb-bert-tiny-safetensors. Она преобразует предложения в компактные векторные представления для оценки семантического сходства, поиска и кластеризации. Модель содержит 4,4 млн параметров, принимает текст, поддерживает контекст длиной до 512 токенов и рассчитана на румынский язык. Доступны форматы ONNX, OpenVINO и Safetensors; лицензия Apache-2.0. Для использования через Transformers поверх контекстных представлений требуется применить подходящую операцию pooling.

clips/e5-base-v2-t2t-nl — дообученная командой CLIPS версия модели clips/e5-base-v2-t2t для работы с нидерландским текстом. Она создаёт плотные векторные представления предложений и предназначена для семантического поиска, сравнения предложений и ранжирования текстов; в карточке приведён пример кодирования запросов и фрагментов MS MARCO. Модель построена на архитектуре BERT и содержит 136,3 млн параметров. Она использует библиотеку Sentence Transformers, распространяется в формате Safetensors и имеет лицензию MIT. Модель рассчитана на нидерландский язык, обучена с использованием наборов данных BEIR для mMARCO, HotpotQA и FEVER. Длина контекста составляет 512 токенов. Эти характеристики делают её подходящей для поиска и сопоставления нидерландских текстов; README ссылается на оценку в бенчмарке MTEB-NL, но предоставленный фрагмент таблицы не содержит результатов этой модели.

susnato/ernie-m-large_pytorch — конверсия весов ERNIE-M Large из формата PaddlePaddle в PyTorch, выполненная автором репозитория; исходную модель разработала Baidu. Это плотная мультиязычная модель семейства ERNIE-M с 658,7 млн параметров и контекстом до 514 токенов. Она предназначена для извлечения семантических представлений предложений и межъязычных задач: сопоставления предложений, определения текстового следования, распознавания именованных сущностей и ответов на вопросы после настройки под соответствующую задачу. Модель обучалась выравнивать представления языков с помощью восстановления маскированных токенов и обратного перевода на моноязычных корпусах. В карточке перечислены 14 языков, включая русский, английский, китайский, арабский и хинди. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Это базовая модель извлечения признаков, поэтому классификация и ответы на вопросы обычно требуют подходящей обвязки или дообучения.

bartowski/granite-embedding-30m-english-GGUF — квантованная версия модели granite-embedding-30m-english, разработанной IBM под брендом IBM Granite и опубликованной bartowski. Модель предназначена для создания текстовых эмбеддингов на английском языке и решения задач семантического поиска и retrieval, включая поиск по документам, построение RAG-систем и сопоставление запросов с релевантным содержимым. Модель ориентирована на английские тексты. В README указано, что она распространяется в формате GGUF и относится к семейству embedding-моделей; конкретная архитектура, размер эмбеддинга, объём параметров, максимальная длина контекста и поддерживаемые модальности не приведены. В тестах MTEB представлены результаты на наборах ArguaAna, ClimateFEVER и CQADupstack, что подтверждает применимость к задачам информационного поиска, однако показатели заметно различаются в зависимости от предметной области. Сильными сторонами являются компактное квантованное представление GGUF и специализация на англоязычном семантическом поиске. Ограничения включают отсутствие заявленной мультиязычности и недостаток сведений о точных технических характеристиках; качество для других языков и сценариев по README не подтверждено. Модель распространяется по лицензии Apache-2.0.

HydroEmbed/HydroEmbed-MCQTF-MiniLM-MNRL — дообученный разработчиком HydroEmbed энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель построена на архитектуре BERT и Sentence Transformers: среднее объединение токенов с последующей нормализацией даёт плотный вектор размерности 384. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README указан максимальный размер последовательности 256 токенов, поэтому фактический предел зависит от используемой конфигурации. Модель обучена с MultipleNegativesRankingLoss на 2542 парах предложений. Она предназначена для кодирования текста и сравнения смысловой близости, семантического поиска, выявления перефразировок, кластеризации и подготовки признаков для классификации. Примеры обучающих пар относятся к гидрологии и вопросам с вариантами ответа, но карточка не подтверждает специализацию на этой предметной области. Язык обучения или перечень поддерживаемых языков в предоставленных данных не указан; базовая модель ориентирована на английский. Для применения нужны входные тексты; на выходе модель выдаёт векторы, пригодные для сравнения по косинусному сходству. Это компактная модель для задач сходства предложений, но качество для других языков и предметных областей может отличаться и отдельно не подтверждено. Лицензия в предоставленных данных отсутствует.

AISE-TUDelft/java-rational-classifier — модель на базе MPNet, созданная командой AISE-TUDelft и представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости; модель также подходит для семантического поиска и кластеризации текстов. Число параметров — 136,7 млн, длина контекста — 514 токенов. Модель поставляется в формате PyTorch и обучалась с функцией потерь CosineSimilarityLoss. Название указывает на специализацию на классификации Java-кода по рациональным свойствам, но README описывает применение только как модели эмбеддингов и не раскрывает детали этой специализации. Лицензия в предоставленных сведениях не указана.

jina-embeddings-v5-omni-nano-text-matching — мультимодальная модель эмбеддингов от Jina AI, настроенная на сопоставление текста. Она принимает текст, изображения, видео и аудио и преобразует их в общий векторный простор, согласованный с текстовой моделью jinaai/jina-embeddings-v5-text-nano-text-matching. Модель содержит около 0,95 млрд параметров и выдаёт эмбеддинги размерностью 768; поддерживаемая задача — text-matching. Модель предназначена для поиска и сопоставления, когда документы индексируются текстом, а запрос может поступать в виде изображения, видео или аудио. Видео представлено кадрами: звуковая дорожка автоматически не учитывается, её нужно передавать отдельно. Для текстовых документов требуется префикс «Document: ». Доступны веса в формате safetensors, библиотека Transformers и интеграция с Sentence Transformers и vLLM. Это дообученный вариант jinaai/jina-embeddings-v5-omni-nano с настройкой на сопоставление текста. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; перед применением следует проверить её условия.

semin-pk/klue-roberta-base-klue-sts-mrc — это Sentence Transformer на базе klue-roberta-base-klue-sts, дообученный для преобразования предложений и абзацев в плотные векторы размерности 768. Модель использует RoBERTa с усреднением токенных представлений и косинусным сходством; максимальная длина последовательности составляет 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. В README приведён пример корейских вопросов и длинных фрагментов документов; оценка на задаче сходства предложений составляет 0,8141 по Spearman для косинусного сходства. Модель содержит 137,8 млн параметров и опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

snunlp/KR-SBERT-Medium-klueNLItriplet_PARpair-klueSTS — модель Sentence Transformer от SNUNLP на архитектуре BERT, дообученная на корейском датасете klue/klue. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения семантической близости по косинусному сходству. Максимальная длина входа — 512 токенов. Модель предназначена для оценки сходства корейских текстов и может применяться для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведена оценка Spearman cosine 0,869 на sts-dev. Модель принимает текст и выдаёт векторы; её карточка не указывает лицензию.

Redis дообучила эту модель Cross-Encoder на базе Alibaba-NLP/gte-reranker-modernbert-base для оценки релевантности пар текстов в задачах семантического кэширования LangCache. Модель принимает пару текстов и выдаёт один числовой score, который можно использовать для классификации пар и ранжирования ответов или документов по запросу. Модель построена на ModernBERT, содержит около 149 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Она обучена на англоязычном наборе LangCache Sentence Pairs из 1 452 533 примеров с помощью sentence-transformers и MultipleNegativesRankingLoss. Лицензия — Apache-2.0.

Sahil Chachra подготовил 8-битную квантованную версию mxfp8 модели LiquidAI/LFM2.5-ColBERT-350M для запуска на компьютерах Apple Silicon через MLX. Это двунаправленный энкодер семейства LFM2.5 с поздним взаимодействием ColBERT: он строит 128-мерные векторы для каждого токена, а релевантность оценивается методом MaxSim. Модель предназначена для многоязычного семантического поиска и ранжирования документов; при кодировании запросов и документов нужны маркеры `[Q] ` и `[D] ` соответственно. В README приведён тест на подмножестве английского NanoBEIR: среднее сохранение NDCG@10 относительно fp16 указано как 99,2%. Веса занимают 365 МБ; пропускная способность кодирования в приведённом тесте на устройстве M-series составляет 12 254 токена в секунду. Метаданные указывают 443,4 млн параметров и контекст до 128 000 токенов. Лицензия обозначена как `other`; условия её использования следует сверить с карточкой модели и базовой моделью.

mist-reranker-150m — англоязычный кросс-энкодерный реранкер от Olaverse на базе answerdotai/ModernBERT-base, дообученный на наборе olaverse/reranker-general-en-llm-judged. Модель содержит около 149 млн параметров и принимает пару «запрос — кандидатный фрагмент», выдавая единственную оценку релевантности для переупорядочивания результатов поиска. Она предназначена для второго этапа конвейера поиска и RAG: уточняет ранжирование верхних результатов, полученных, например, с помощью BM25 или биэнкодера. В описанной оценке NanoBEIR модель показала близкие к другим реранкерам результаты на QA и поиске фактов; для аргументативного поиска результаты были слабее. Контекст составляет до 8192 токенов. Модель обучалась на размеченных LLM оценках релевантности; данные карточки указывают английский язык. Распространяется по лицензии Apache-2.0. Оценки производительности приведены для указанных тестов и не гарантируют аналогичного качества на других наборах данных или языках.

Карточка модели mono-of-pg/mmarco-mMiniLMv2-L12-H384-v1-gguf на Hugging Face совпадает с карточкой cross-encoder/mmarco-mMiniLMv2-L12-H384-v1, поэтому описание составлено по ней. Это мультиязычная модель Cross-Encoder семейства XLM-RoBERTa, дообученная авторами Sentence Transformers на MMARCO — автоматически переведённой на 14 языков версии датасета MS MARCO. Модель основана на mMiniLMv2-L12-H384, содержит 124,3 млн параметров и рассчитана на последовательности длиной до 514 токенов. Модель предназначена для повторного ранжирования результатов информационного поиска: она получает запрос и отдельный найденный фрагмент текста, оценивает их релевантность, после чего фрагменты можно отсортировать по оценкам. Подходит для этапа reranking после первичного поиска, например, в поисковой системе или конвейере RAG. Карточка отмечает поддержку 14 языков и сообщает, что модель также хорошо показала себя на других языках. Доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO; для использования предусмотрена библиотека Sentence Transformers. Лицензия — Apache-2.0. Обучение на машинных переводах MS MARCO может ограничивать качество на языках и типах запросов, отличающихся от обучающих данных.

karsar/ModernBERT-base-hu_v3 — модель Sentence Transformers, дообученная автором karsar на базе nomic-ai/modernbert-embed-base для представления венгерских текстов в виде плотных эмбеддингов. Она подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текстов. Модель построена на ModernBERT с mean pooling и нормализацией выходного вектора. Она преобразует текст в эмбеддинг размерности 768; максимальная длина последовательности — 8192 токена. Для оценки сходства README указывает косинусную близость и точность 0,8031 на all-triplet-test. Модель обучена на наборе json с тройками anchor, positive и negative; карточка указывает венгерский язык. Доступна по лицензии Apache-2.0. Метрики и описание датасета приведены автором модели и сами по себе не гарантируют качество на конкретных данных.

robro612/modernbert_colbert_kd — англоязычная модель поиска и ранжирования текста на базе ModernBERT и архитектуры ColBERT, распространяемая в библиотеке PyLate. Она преобразует запросы и документы в последовательности плотных 128-мерных векторов и сравнивает их оператором MaxSim; в README указаны максимальные длины 32 токена для запроса и 512 для документа, а метаданные сообщают о контекстном окне ModernBERT в 8192 токена. Модель предназначена для семантического поиска по коллекциям документов и повторного ранжирования результатов первичного поиска. Её можно использовать для поиска релевантных документов по запросам, в том числе в системах вопросно-ответного поиска и retrieval-augmented generation. В карточке приведены оценки на наборах NanoBEIR и PyLate Information Retrieval, но они не гарантируют аналогичного качества на других данных. Модель описана как дистиллированная; тег датасета указывает на MS MARCO на английском языке. Размер по метаданным — 149 млн параметров. Указаны формат safetensors и библиотека PyLate; сведения о лицензии в предоставленных данных отсутствуют.

Navarna 7B — языковая модель на архитектуре Mistral, дообученная TokenBender для общения на хинди и задач поиска предложений в сценариях RAG. Модель содержит 7,1 млрд параметров, рассчитана на контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Модель подходит для чат-ответов на хинди и поиска релевантных предложений для ответов по материалам. В карточке упомянуты этапы SFT и DPO. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий.

Ogma Micro — компактная англоязычная модель эмбеддингов текста семейства Ogma, разработанная axiotic. Энкодер с 2,3 млн параметров преобразует текст в векторы размерности 128; поддерживаются сокращённые представления Matryoshka размерности 64 и 32. Заявленная длина контекста — 1024 токена, средний результат на английском бенчмарке MTEB — 52,18. Модель предназначена для локального семантического поиска и извлечения документов, векторного поиска, RAG, кластеризации и классификации текстов, а также хранения памяти агентов. Небольшой размер подходит для браузеров, мобильных и настольных приложений, периферийных устройств и сценариев с локальной обработкой данных. Для задач сходства доступны симметричная маршрутизация и режим запросов/документов. Это энкодер, который выдаёт эмбеддинги и не генерирует текст. По данным README, качество ниже более крупных вариантов семейства на некоторых задачах; модель отстаёт от all-MiniLM-L6-v2 в переранжировании. На CPU она медленнее статических моделей, а обучение и оценка ориентированы только на английский. Лицензия весов — CC-BY-NC-4.0, коммерческое использование ограничено.

Phrase-BERT — модель эмбеддингов фраз из официального репозитория к статье EMNLP 2021 «Phrase-BERT: Improved Phrase Embeddings from BERT with an Application to Corpus Exploration». Она основана на архитектуре BERT и предназначена для получения векторных представлений фраз, сравнения их семантического сходства и исследования корпусов. Модель содержит 136,7 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Модель можно использовать через Sentence-Transformers. В статье её оценивают на задачах Turney, BiRD, PPDB, PPDB-filtered и PAWS-short; README также описывает обучение собственной версии на данных интересующей предметной области. Репозиторий содержит веса в формате PyTorch. Сведения о лицензии и поддерживаемых языках в предоставленных источниках отсутствуют.

arthurcollet/Qwen3-VL-Embedding-2B-mlx — конвертированная в формат MLX мультимодальная модель эмбеддингов на основе Qwen3-VL-Embedding-2B. README указывает, что конверсия выполнена с помощью mlx-vlm версии 0.3.11; метаданные связывают модель с Qwen/Qwen3-VL-2B-Instruct и относят её к семейству Qwen3-VL. Модель предназначена для извлечения признаков из мультимодальных данных. Формат MLX рассчитан на запуск в экосистеме Apple MLX. Репозиторий распространяется по лицензии Apache-2.0. README отсылает к карточке исходной модели за подробностями; конкретные языки и ограничения в предоставленных данных не описаны.

sentence-transformers/sentence-t5-large — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она использует энкодер архитектуры T5-large и подходит для вычисления сходства между текстами и других задач, основанных на векторных представлениях. Модель получена конвертацией TensorFlow-модели st5-large-1 в PyTorch; в репозитории доступны форматы PyTorch, Safetensors и ONNX, веса хранятся в FP16. Модель предназначена для сравнения предложений и абзацев, например для поиска похожих формулировок или группировки текстов по близости. Разработчики отмечают, что она хуже подходит для семантического поиска. Карточка ссылается на исследование Sentence-T5: Scalable sentence encoders from pre-trained text-to-text models. Лицензия — Apache 2.0.

Карточка модели 1289dfaj/text2vec-base-chinese на Hugging Face совпадает с карточкой shibing624/text2vec-base-chinese, поэтому описание составлено по ней. text2vec-base-chinese — модель эмбеддингов предложений, обученная проектом text2vec на базе hfl/chinese-macbert-base с методом CoSENT. Она кодирует китайские предложения и короткие абзацы в плотные векторы размерности 768 для семантического поиска, сопоставления текстов, кластеризации и оценки сходства. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; README указывает усечение входа длиннее 256 WordPiece-токенов. Модель предназначена прежде всего для китайских текстов. В README описана настройка на китайских данных STS-B с контрастивной функцией потерь и приведены результаты на китайских наборах для сопоставления предложений. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO; автор также сообщает об ускоренных вариантах ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторы, а не готовые ответы или текст; для поиска и сравнения требуется последующая обработка эмбеддингов. Её специализация на китайском языке и усечение длинных входов ограничивают применение к другим языкам и длинным документам.