I.12Рекомендации и персонализация

TyBert — предварительно обученная текстовая модель семейства BERT, выпущенная Trendyol для турецкого языка. Она предназначена для получения признаковых представлений текста и может служить основой для задач понимания языка, включая классификацию текстов и распознавание именованных сущностей. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors для Transformers. В метаданных основной задачей указано извлечение признаков; также поддерживается заполнение маскированных токенов. Лицензия Apache-2.0.

Verdict-small — компактная модель для сравнения текста с вариантами ответа и выбора наиболее подходящего решения. Её разработал автор репозитория Manav2op на базе multilingual-e5-small; модель дообучена на смеси из 14 открытых датасетов для классификации намерений, логического следования, оценок отзывов и безопасности. Архитектура — плотный BERT-энкодер на 124,3 млн параметров, библиотека sentence-transformers; доступны веса Safetensors и формат ONNX, включая квантованную int8-версию для браузера. Модель кодирует запросы и варианты в эмбеддинги. В README указано, что косинусное сходство, умноженное на 20, можно использовать как логит для оценки вариантов; примеры — маршрутизация обращения в службу поддержки и проверка соответствия утверждения запросу. Заявлена поддержка английского, хинди, немецкого, французского, испанского, японского, китайского, арабского, португальского, русского, турецкого, корейского, суахили и бенгальского языков. Контекст ограничен 512 токенами. Лицензия — Apache-2.0. В приведённых zero-shot тестах модель превосходит базовую multilingual-e5-small на SST-5 и ToxicChat, но уступает ей на Banking77; результат зависит от задачи и способа применения. Для Banking77 и ToxicChat автор также приводит улучшенные показатели при использовании 16 меток на класс и голов пакета verdictml. Модель не обучалась на Banking77, SST-5 и ToxicChat, согласно README, однако на этих тестах качество неравномерно; поэтому результаты не гарантируют точность на конкретных данных.

facebook/webssl-dino3b-light2b-224 — визуальная модель Meta AI на архитектуре Vision Transformer, обученная методом самообучения DINOv2 на веб-изображениях без языковой супервизии. Вариант light2b обучен на подмножестве данных MetaCLIP, включающем изображения с текстовым содержимым; размер модели в метаданных — 3,9 млрд параметров, разрешение обучения — 224×224 пикселя. Модель предназначена для извлечения визуальных признаков и представлений изображений, которые можно использовать в задачах компьютерного зрения. Разработчики отмечают сильные результаты в распознавании текста и понимании диаграмм, сохраняя широкую применимость к визуальным задачам. Это не языковая модель: она обучена без языковой супервизии. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Agentic-R — англоязычный энкодер запросов для агентного поиска, разработанный авторами работы Agentic-R: Learning to Retrieve for Agentic Search. Модель дообучена на базе intfloat/e5-base-v2 и предназначена для кодирования поисковых запросов в сценариях, где агент ищет сведения в коллекции текстовых фрагментов. Для запросов используется формат с префиксом «query:» и разделителем [SEP], а для документов — префикс «passage:» в стиле E5. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления для семантического поиска и сравнения запросов с фрагментами. Распространяется в формате safetensors по лицензии MIT. Карточка указывает назначение для агентного поиска, но не приводит количественных оценок качества или сведений о поддержке других языков.

bert-base-nli-cls-token — модель sentence-transformers, обученная командой sentence-transformers на основе BERT. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Архитектура — BERT с 136,7 млн параметров; модель принимает текст, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch, Safetensors, TensorFlow, Flax, ONNX и OpenVINO. Модель может служить базовым компонентом семантического поиска и группировки текстов. Авторы пометили её как устаревшую и предупреждают о низком качестве эмбеддингов; для новых задач рекомендуют выбрать более современные модели sentence-transformers. Лицензия — Apache-2.0.

hon9kon9ize/bert-large-cantonese-sts — модель Sentence Transformers на основе BERT, разработанная hon9kon9ize и дообученная на наборах yue-stsb, STS-B и C-MTEB/STSB. Она преобразует предложения и абзацы в плотные векторы размерности 1024; косинусное сходство между ними служит оценкой семантической близости. Модель подходит для поиска похожих текстов, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и поддерживает последовательности длиной до 512 токенов. Она ориентирована прежде всего на кантонский язык; среди примеров обучающих данных есть также английский. Для работы с моделью указана библиотека sentence-transformers. В README приведены результаты оценки сходства на STS-B: коэффициент Спирмена составляет 0,7996 на dev и 0,7605 на test. Лицензия в предоставленных сведениях не указана. Качество зависит от языка и предметной области: обучение и примеры сосредоточены на задачах сходства предложений, поэтому результаты для иных задач и языков требуют отдельной проверки.

Это модель Sentence Transformer на базе BERT, опубликованная pankajrajdeo. Она преобразует предложения и абзацы в плотные векторы размерностью 384, пригодные для сравнения по косинусному сходству. Архитектура использует усреднение токенных представлений; максимальная длина входа составляет 1024 токена. В метаданных указано 50,3 млн параметров, библиотека sentence-transformers и формат safetensors. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Карточка сообщает об обучении на парах anchor-positive и использует MultipleNegativesRankingLoss. Название репозитория указывает на биомедицинскую тематику обучения, в том числе UMLS, PubMed и PMC, однако описание датасета в README приводит также примеры общего характера. Языки и лицензия в предоставленных данных не указаны. Для работы с моделью подходит библиотека Sentence Transformers; результатом являются векторы текста, а не готовые ответы или метки. Качество на конкретных языках и предметных областях следует проверять отдельно.

CamemBERTa-L10 — урезанная версия предварительно обученной модели CamemBERTa, полученная удалением верхних слоёв исходного чекпойнта. Модель разработана авторами CamemBERTa; в карточке указано, что вариант L10 содержит на 14% меньше параметров, чем базовая версия. Метаданные описывают её как плотную архитектуру DeBERTa-v2 примерно на 119 млн параметров, доступную в формате safetensors. Модель принимает французский текст и выдаёт контекстные векторные представления. Её можно использовать для извлечения признаков и дообучать для задач, учитывающих всё предложение, например классификации текста, извлечения ответов на вопросы и семантического поиска. Контекст составляет до 512 токенов. Для генерации текста авторы рекомендуют авторегрессионные модели. Лицензия — MIT.

DiTy/cross-encoder-russian-msmarco — модель ранжирования текстовых пар, разработанная на основе DeepPavlov/rubert-base-cased и дообученная на русскоязычном наборе MS-MARCO для ранжирования passages. Она принимает запрос вместе с каждым найденным фрагментом текста и оценивает их релевантность, чтобы упорядочить результаты поиска по убыванию оценки. Модель основана на BERT, содержит 205,1 млн параметров, распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Использовать её можно в конвейерах информационного поиска после первичного отбора документов, например, результатов ElasticSearch. Лицензия — MIT.

tomaarsen/csr-mxbai-embed-large-v1-nq — англоязычный CSR sparse encoder, дообученный на Natural Questions на базе mixedbread-ai/mxbai-embed-large-v1 с использованием Sentence Transformers. Модель преобразует запросы, предложения и абзацы в разреженные векторы размерностью 4096; векторы могут содержать до 256 активных измерений. Для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и разреженного поиска релевантных документов по запросу. Её обучали на 99 000 примерах Natural Questions; максимальная длина входной последовательности — 512 токенов. Карточка приводит результаты оценки поиска на наборах nq_eval с разным числом активных измерений. Это производная BERT-модели с 433,9 млн параметров, доступная в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено. Показатели в карточке получены на Natural Questions, поэтому они не гарантируют такое же качество на других предметных областях и поисковых коллекциях.

facebook/dragon-plus-context-encoder — контекстный энкодер DRAGON+, плотной модели для семантического поиска, разработанной исследовательской группой DRAGON. Это BERT-base размера, обученный на основе Shitao/RetroMAE с дополнительным обучением на данных, расширенных из корпуса MS MARCO. Модель является частью асимметричного двухэнкодерного ретривера: её параметры отличаются от параметров парного энкодера запросов. Энкодер преобразует текстовые контексты в векторные представления для поиска релевантных фрагментов по запросу. Он подходит для построения систем поиска и retrieval-компонентов RAG в паре с facebook/dragon-plus-query-encoder. Архитектура — BERT с 136,7 млн параметров и контекстом до 512 токенов; формат весов — PyTorch. В карточке также указан fill-mask, но назначение DRAGON+ — плотный retrieval. Качество в README приведено для полного DRAGON+: 39,0 на MS MARCO Dev и 47,4 на BEIR; эти показатели не следует считать отдельной оценкой контекстного энкодера. Сведения о лицензии в предоставленных данных отсутствуют.

deepset/gbert-large-sts — немецкоязычная модель deepset для оценки семантического сходства пар текстов. Она основана на GBERT-large и дообучена на обучающей и валидационной частях немецкого STS-бенчмарка, полученного машинным переводом. Архитектура — BERT для классификации последовательностей, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для сравнения немецких фраз и предложений: например, для поиска похожих формулировок, сопоставления запросов и группировки семантически близких текстов. В карточке указана оценка на тестовой части немецкого STS-бенчмарка, но численные результаты не приведены. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT.

GujaratiSBERT-STS — модель семейства SBERT на архитектуре BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она дообучена на датасете STS от базовой модели l3cube-pune/gujarati-sentence-bert-nli и предназначена для оценки семантического сходства предложений на гуджарати. Модель преобразует текстовые предложения в векторные представления, которые можно использовать для поиска семантически близких предложений и сравнения текстов. Модель содержит 264,8 млн параметров, принимает текстовые входы с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — CC BY 4.0. В README также упоминается отдельная мультиязычная версия для основных индийских языков и межъязыкового сходства; это описание относится к данной модели только как контекст проекта.

Janus-7B — языковая модель KAIST AI на архитектуре Mistral, дообученная методом supervised fine-tuning на всех 196 тысячах примеров датасета Multifaceted-Collection-SFT. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Janus предназначена для генерации ответов с учётом инструкций и предпочтений, заданных в системном сообщении. Её можно применять для персонализированных ответов и диалоговых сценариев, где важны полезность и безвредность ответа. README описывает поддержку английского языка; модель принимает текстовые инструкции и выдаёт текст. Модель распространяется по лицензии Apache 2.0. Качество и соответствие ответов заданным предпочтениям зависят от формулировки системного сообщения; отдельных гарантий для конкретных прикладных областей в карточке не заявлено.

KannadaSBERT-STS — модель L3Cube-Pune для сопоставления смысловой близости предложений на каннада. Это плотная модель на архитектуре BERT, созданная дообучением l3cube-pune/kannada-sentence-bert-nli на датасете STS. Она формирует векторные представления предложений, которые можно использовать для оценки семантического сходства, поиска похожих фраз и построения систем поиска по смыслу. Модель относится к проекту MahaNLP; для использования доступны веса PyTorch и интеграция с Sentence-Transformers или Hugging Face Transformers с подходящим pooling. Модель содержит 264,8 млн параметров и принимает последовательности длиной до 512 токенов. Поддерживает каннада; лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

lingtrain/labse-buryat — модель Lingtrain для получения плотных векторных представлений предложений и абзацев. Она основана на архитектуре BERT и выдаёт эмбеддинги размерности 768; в метаданных указано 498,1 млн параметров. Модель предназначена для семантического поиска, сравнения текстов, кластеризации и других задач, где нужно сопоставлять смысловые представления фрагментов текста. Модель обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Контекст ограничен 512 токенами. Название указывает на ориентацию на бурятский язык, однако README и метаданные не приводят перечень поддерживаемых языков или результаты оценки качества. Лицензия в предоставленных данных не указана.

Redis LangCache Embed v3 Mini — англоязычный BiEncoder на базе Sentence Transformers, дообученный Redis от sentence-transformers/all-MiniLM-L6-v2 для семантического кэширования и поиска похожих запросов. Модель кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает с помощью косинусного сходства. Архитектура включает BERT-энкодер с mean pooling; библиотека — Sentence Transformers. Модель подходит для поиска семантически близких запросов, оценки сходства пар предложений и повторного использования кэшированных ответов в LangCache. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Лицензия — Apache-2.0. В README приведены результаты оценки на наборе с названием «test», но данных недостаточно, чтобы судить о качестве на других наборах и сценариях.

josegg5/ModernBERT-projects-retriever — англоязычная модель Sentence Transformers, дообученная разработчиком josegg5 на joe32140/ModernBERT-base-msmarco для поиска по описаниям проектов. Она преобразует текстовые предложения и абзацы в плотные эмбеддинги размерностью 768; близость между ними оценивается косинусным сходством. Модель построена на архитектуре ModernBERT с усредняющим pooling и принимает последовательности длиной до 8192 токенов. Модель предназначена для семантического поиска и извлечения релевантных описаний проектов по текстовому запросу, включая поиск по предложениям и абзацам. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка описывает текстовый ввод и векторный выход; область специализации — поиск по проектам.

Модель dstefa/roberta-base_topic_classification_nyt_news — дообученная FacebookAI RoBERTa-base модель для тематической классификации новостных заголовков. Она относит текст к одной из восьми категорий: спорт, искусство и развлечения, бизнес и финансы, здоровье и благополучие, образ жизни и мода, наука и технологии, политика или преступность. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. Она обучена на наборе из 256 тысяч заголовков New York Times, опубликованных с 2000 года. В README указаны точность, F1, precision и recall по 0,91 на тестовой выборке из 51 200 примеров; качество различается между категориями. Подходит для автоматической сортировки новостных заголовков по тематике и тематической разметки новостных текстов. Обучение и оценка выполнены на заголовках NYT, поэтому показатели могут не переноситься на другие издания, языки или более длинные тексты. Лицензия — MIT.

Sentence-Sarashina-Bi-0.5B-PT — японская модель эмбеддингов предложений, разработанная iamtatsuki05. Она дообучена на базе iamtatsuki05/sarashina2.2-Bi-0.5b с помощью слабоконтролируемого контрастивного обучения на наборе cl-nagoya/ruri-dataset-v2-pt. Модель использует архитектуру Llama и sentence-transformers; содержит 661,9 млн параметров и формирует векторы размерности 1280 с помощью mean pooling. Модель предназначена для семантического сравнения японских текстов и поиска по смыслу, включая получение эмбеддингов для retrieval-систем. Поддерживает последовательности до 8192 токенов, использует SentencePiece и косинусную меру сходства. В README английский указан в заголовке, но среди заявленных языков поддержки указана только японская. Модель распространяется по лицензии MIT. Это специализированный энкодер для векторного представления текста; README не описывает генерацию ответов или диалоговое применение.

sentence-transformers-ult5-pt-small — модель эмбеддингов предложений и абзацев, разработанная tgsc на основе tgsc/ult5-pt-small. Она преобразует текст в плотные векторы размерности 512 для поиска по смыслу, вычисления сходства, кластеризации и поиска перефразировок. Архитектура — энкодер T5; размер контекста — 1024 токена. Метаданные указывают 47,8 млн параметров, а README приводит оценку около 51 млн для sentence-transformer-версии. Модель предназначена для семантического поиска и анализа отношений между текстами. README описывает применение для кластеризации, оценки семантического сходства и поиска перефразировок; в репозитории указаны форматы PyTorch и Safetensors. Карточка и название базовой модели указывают на португальскую языковую специализацию. Качество для других языков не подтверждено. Лицензия в предоставленных данных не указана.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Organizations-GoFundMe-WEF на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Это конверсия SigLIP 2 от zeromodels в формат Keras 3 на основе google/siglip2-base-patch16-256. Модель предназначена для классификации изображений по текстовым подсказкам без отдельного обучения на заданных классах: на вход подаются изображения и текстовые описания классов, а на выходе — оценки соответствия изображения каждому описанию. SigLIP 2 использует визуально-языковой энкодер с sigmoid loss; при предобучении применялись генерация описаний, самодистилляция и masked prediction. Текстовая часть использует многоязычный словарь Gemma размером 256 тысяч токенов. Реализация Keras 3 работает с TensorFlow, Torch и JAX; для выбора размера изображения и токенизатора рекомендуется соответствующий Processor. Лицензия — Apache 2.0.

SPLADE-BERT-Mini-BS256-distil — разреженный текстовый энкодер, дообученный Yosefw на базе yosefw/SPLADE-BERT-Mini-BS256 с использованием Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522, пригодные для семантического поиска и разреженного поиска документов; сходство оценивается скалярным произведением. Архитектура сочетает BERT с маскированным языковым моделированием и SPLADE pooling с max-пулингом и ReLU. Модель принимает последовательности длиной до 512 токенов и содержит около 12 млн параметров. Модель подходит для кодирования запросов и документов в поисковых системах и информационно-поисковых приложениях. В README приведены метрики dot_accuracy@1 0,5018, @3 0,8286 и @5 0,9194; также указано обучение на наборе из 1 млн примеров с запросами, релевантными и нерелевантными текстами. Языки обучения или целевые языки в доступных данных явно не названы. Репозиторий содержит веса safetensors и использует библиотеку sentence-transformers; сведения о лицензии отсутствуют.

ST-NLI-ca_paraphrase-multilingual-mpnet-base — модель на базе Sentence-Transformers, разработанная проектом AINA для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации, оценки сходства и выявления перефразировок на каталанском языке. Модель создана дополнительным обучением paraphrase-multilingual-mpnet-base-v2 на каталанских данных логического вывода: TE-ca и профессиональном переводе XNLI на каталанский. Для обучения использовались пары с отношением следования и противоречия; нейтральные примеры не применялись. Архитектура XLM-RoBERTa содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. README приводит результаты оценки на каталанских наборах STS-ca, Parafraseja и PAWS-ca. Модель подходит для семантического поиска и сопоставления текстов на каталанском; мультиязычная базовая модель не означает, что качество дообученной версии одинаково для всех языков. В метаданных указан формат PyTorch. Информация о лицензии в предоставленных данных отсутствует.

DeepMount00/Anita — модель Sentence Transformer на базе архитектуры BERT, предназначенная для поиска контекста, наиболее релевантного вопросу на итальянском языке. Она кодирует вопросы и предложения в векторы, чтобы сопоставлять их по смысловой близости; модель подходит для поиска ответов в базе знаний, автоматизации поддержки клиентов и образовательных инструментов. В карточке указано 137,9 млн параметров и контекст до 512 токенов. Модель выпущена в апреле 2024 года и распространяется в формате safetensors по лицензии Apache-2.0. Модель рассчитана на итальянские запросы и тексты. Она ранжирует релевантность контекстов, но README не описывает генерацию ответов: для получения ответа нужно использовать найденный фрагмент в отдельном процессе или системе. Указанная задача Hugging Face — sentence-similarity.

gimmeursocks/ara-e5-small — Sentence Transformer, дообученный на наборе Arabic-NLi-Triplet на основе intfloat/multilingual-e5-small. Модель создаёт 384-мерные эмбеддинги арабских предложений и предназначена для семантического сравнения текстов с использованием косинусного сходства. Её можно применять для поиска перефразировок, оценки сходства предложений и кластеризации арабских текстов. Обучение на триплетах «якорь — похожее предложение — непохожее предложение» улучшило результат примерно на 10% относительно базовой модели на тестовом наборе датасета. Архитектура — BERT, размер — 124,3 млн параметров; метаданные указывают максимальный контекст 512 токенов, а README — максимальную длину последовательности 128 токенов. Репозиторий использует формат safetensors; лицензия в предоставленных данных не указана.

Модель llm-book/bert-base-japanese-v3-jsts разработана авторами книги «大規模言語モデル入門» и представляет собой японскую модель BERT для оценки семантического сходства двух текстов. Она создана дообучением cl-tohoku/bert-base-japanese-v3 на наборе JGLUE JSTS и предназначена для сравнения предложений: модель возвращает числовую оценку сходства. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров, максимальная длина контекста — 512 токенов. Модель работает с японским текстом, использует Transformers и опубликована в формате PyTorch. Лицензия — Apache 2.0. Оценка является выходным баллом модели; README не задаёт шкалу или порог для принятия решений.

BERT-Tiny_L-2_H-128_A-2 — компактная модель семейства BERT, опубликованная nreimers. В карточке она описана как модель Google с 2 слоями, размером скрытого представления 128 и 2 головами внимания; метаданные указывают 4,4 млн параметров и архитектуру BertModel. Модель предназначена для извлечения признаковых представлений текста и может использоваться как основа для задач, которым нужны векторные представления последовательностей. Максимальная длина контекста — 512 токенов. Доступны веса PyTorch и Flax. Карточка не сообщает о специальной предметной области, языковой специализации или ограничениях качества. Лицензия в предоставленных данных не указана.

CamemBERTa-L2 — компактная обрезанная версия предварительно обученной модели CamemBERTa, из которой удалены верхние слои энкодера. Модель разработана автором репозитория antoinelouis и содержит 43,5 млн параметров; её архитектура относится к DeBERTa-v2, длина контекста — 512 токенов. Модель предназначена для получения признаковых представлений текста и последующего дообучения под задачи, где решение зависит от всего предложения: классификацию текста, извлечение ответов на вопросы и семантический поиск. Также её можно применять для masked language modeling. Для генерации текста README рекомендует авторегрессионные модели. Модель ориентирована на французский язык. Удаление верхних слоёв уменьшает размер по сравнению с базовой CamemBERTa, но README не приводит отдельной оценки качества или скорости именно этой версии. Лицензия MIT.