I.12Рекомендации и персонализация

yahyaabd разработал yahyaabd/allstats-search-mini-v1-1-mnrl-sts — модель Sentence Transformers на архитектуре BERT, дообученную на датасете BPS-STS-dataset-v1 для сравнения смысловой близости текстов. Она кодирует предложения и абзацы в плотные векторы размерности 384; для оценки сходства используется косинусная мера. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Модель принимает текст, а на выходе выдаёт векторы; максимальная длина последовательности в README — 128 токенов, тогда как метаданные указывают нативный контекст 512 токенов. Обучение и примеры в карточке сосредоточены на текстах о статистике и целях устойчивого развития Индонезии; приведённые оценки на STS-наборах показывают корреляцию Спирмена 0,8363 и 0,8631. Лицензия в предоставленных данных не указана.

Aptivra-Base-110M — компактная модель эмбеддингов предложений, дообученная raghunath1 на базе intfloat/e5-base-v2 для маршрутизации запросов к навыкам и инструментам и семантического поиска по их описаниям. Это модель BERT с 136,7 млн параметров: она кодирует текст в 768-мерные векторы с mean pooling и L2-нормализацией, которые сравнивают косинусным сходством. Контекст ограничен 512 токенами. Модель принимает обычный текст без префиксов query: и passage: и предназначена для retrieval-компонента агента, роутера или MCP-сервера. README сообщает о повышении Recall@1 относительно базовой модели на чистом тесте маршрутизации, но качество зависит от корпуса навыков и проверено не для всех предметных пакетов. Модель не генерирует текст и не подходит как самостоятельный авторитет для выполнения действий. Доступны веса safetensors и форматы ONNX и OpenVINO; лицензия — MIT. Карточка характеризует модель как экспериментальную: перед применением следует проверить её на собственных запросах и сохранять последующую проверку политик, безопасности и разрешений.

bert-sr-small — компактная языковая модель на базе BERT, опубликованная пользователем aajrami. Она предварительно обучена с помощью цели shuffle + random; подробности об этой цели и гиперпараметрах приведены в связанной работе о влиянии целей предобучения на усвоение языковых свойств. В метаданных модель представлена архитектурой RoBERTa с классом RobertaModel и содержит 42,5 млн параметров. Модель предназначена для извлечения признаков из текста и может использоваться как основа для получения контекстных представлений текста в NLP-сценариях. Максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель распространяется по лицензии CC BY 4.0. Карточка не уточняет поддерживаемые естественные языки и конкретные ограничения качества; результат следует проверять на целевых данных и задачах.

Модель kaliani/flair-ner-skill предназначена для распознавания сущностей в англоязычном тексте: она выделяет названия навыков и сведения о количестве лет опыта. По README, модель построена на Flair embeddings и архитектуре LSTM-CRF; метаданные указывают семейство BERT и класс BertForTokenClassification, поэтому сведения об архитектуре в источниках расходятся. В карточке приведён результат F1 84,3 на Ontonotes. Модель принимает текст и возвращает метки для токенов; размер — 25,9 млн параметров, контекст — 512 токенов. Лицензия в предоставленных данных не указана.

Модель lincoln/flaubert-mlsum-topic-classification разработана для классификации французских новостных статей по темам. Она основана на flaubert/flaubert_base_cased и дообучена для sequence classification на статьях из MLSUM. Модель принимает текст тела статьи и предсказывает одну из укрупнённых тематических категорий: экономика, мнения, политика, общество, культура, спорт, окружающая среда, технологии, образование или правосудие. Обучение проводилось на 20% очищенного набора MLSUM, содержащего около 294 тысяч статей; средняя длина тела статьи в наборе — 694 токена. Контекст модели ограничен 512 токенами, поэтому длинный текст может быть усечён. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена для тематической разметки новостных материалов и создана как proof of concept; авторы не гарантируют стабильность результатов. Лицензия — MIT.

driaforall/mem-agent — диалоговая модель-агент на базе Qwen3-4B-Thinking-2507, разработанная Dria. Её дообучили методом GSPO для работы с долговременной памятью в формате Markdown, организованной по принципу Obsidian: модель извлекает нужные сведения, обновляет файлы памяти и задаёт уточняющие вопросы при неоднозначности или противоречиях. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 262 144 токенов. Она принимает текстовые запросы и взаимодействует с инструментами памяти через агентный цикл; предусмотрена работа с фильтрами, которые ограничивают или скрывают извлекаемую информацию. Разработчик рекомендует подключать её как MCP-сервер к более крупной модели; также описан автономный режим. В опубликованном разработчиком бенчмарке md-memory-bench модель получила общий результат 0,75, однако качество зависит от структуры хранилища и соблюдения описанного формата файлов и ссылок. Весовые файлы представлены в формате safetensors. Условия лицензирования в доступных сведениях не приведены.

MyAwesomeModel-TestRepo — репозиторий модели, опубликованный пользователем RonnyMaurer255. По метаданным это модель архитектуры BERT для извлечения признаков, реализованная на PyTorch и Transformers; лицензия — MIT. Предназначение, подтверждённое доступными данными, — получение векторных представлений текста для последующего использования в ML-конвейерах. Поисковый результат сообщает о возможном отсутствии весов, но другие найденные сведения указывают на файл pytorch_model.bin, поэтому наличие пригодного к запуску артефакта подтвердить нельзя. В карточке также не нашлось надёжных сведений о размере модели, контексте, поддерживаемых языках или обучении; дополнительные задачи и сильные стороны не установлены.

oxfrug/qwen3-embedding-0.6b-swedish-superlim — плотная модель текстовых эмбеддингов, созданная oxfrug как шведский fine-tune с усреднением весов двух вариантов Qwen/Qwen3-Embedding-0.6B. Она содержит около 507,6 млн параметров, использует архитектуру Qwen3 и формат safetensors; максимальная длина контекста по метаданным — 32 768 токенов. Для поиска рекомендуется применять официальный префикс Qwen к запросу, а не к документам. Модель предназначена для оценки семантического сходства шведских предложений, поиска по FAQ и документам, а также кластеризации. В тестах SuperLim-2 она превзошла указанный в карточке шведский Sentence-BERT на SweParaphrase и SweFAQ, но результаты этих задач ограничены небольшими выборками. Это специализированная настройка: карточка отмечает, что модель уступает сестринской BGE-модели на обеих задачах SuperLim и KBLab по среднему результату на шведском подмножестве MTEB. Модель дообучена на данных SuperLim-2 и шведских вопросах и ответах о здравоохранении, с комбинированием весов двух дообученных вариантов. Лицензия — Apache-2.0. Квантизация до 4 бит может ухудшить результаты сходства, на которых основано заявленное преимущество.

Francesco Periti и соавторы представляют TRoTR-paraphrase-multilingual-MiniLM-L12-v2 — дообученную модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и контексты в эмбеддинги для оценки семантического сходства и тематической связанности, в частности при анализе того, как меняется контекст повторно использованного текста. В примере README модель сравнивает контексты библейской цитаты в разных сообщениях. Модель использует архитектуру XLM-RoBERTa с плотным представлением, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Карточка указывает поддержку английского языка; базовая модель многоязычная, однако README не подтверждает языки, на которых это дообучение проверено. Веса доступны в формате safetensors. Модель подходит для сравнения пар контекстов и поиска тематически близких текстов, но её назначение связано с задачами TRoTR, а эксперимент с цитатами сам по себе не подтверждает качество на широком круге доменов. Лицензия — CC BY-SA 4.0.

Funnel Transformer xlarge-base — предварительно обученная модель Funnel Transformer, выпущенная командой, представившей это семейство. Это англоязычная бескодерная базовая модель архитектуры Funnel с размером контекста 512 токенов. Она обучалась на английских текстах BookCorpus, Wikipedia, ClueWeb, GigaWord и Common Crawl с самоконтролируемой задачей обнаружения заменённых токенов; доступны реализации PyTorch, TensorFlow и веса Safetensors. Модель извлекает скрытые представления текста для последующего обучения или настройки классификаторов и других моделей для задач по целому предложению, включая классификацию последовательностей, классификацию токенов и ответы на вопросы. Выходная последовательность в четыре раза короче входной, поэтому модель подходит для получения сводного представления предложения, но не для задач, которым требуется отдельное представление каждого исходного токена. Она не предназначена для генерации текста. Лицензия — Apache-2.0.

fio-base-japanese-v0.1 — экспериментальная модель эмбеддингов предложений, разработанная Benjamin Clavié как первая версия семейства Fio для японского языка. Она основана на cl-tohoku/bert-base-japanese-v3 и дообучена для оценки сходства и смыслового следования предложений, а также поиска по тексту. Модель использует архитектуру BERT и библиотеку sentence-transformers, содержит 138,4 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для построения векторных представлений японских предложений, семантического сравнения и поиска релевантных фрагментов. В README приведены результаты на JSTS, JSICK и MIRACL; автор отмечает, что JSICK и задачи текстового следования присутствовали в обучающих данных, поэтому результаты на JSICK загрязнены обучением и сравнение с другими моделями может быть несправедливым. Это proof of concept, обученный на ограниченном объёме данных на одной видеокарте. Для токенизации требуются fugashi и unidic-lite. Лицензия в предоставленных данных не указана.

kykim/funnel-kor-base — базовая модель Funnel Transformer для корейского языка. По README, её обучили на 70 ГБ корейских текстов с токенизатором на 42 000 подслов в нижнем регистре. Модель загружается через Transformers как FunnelModel и предназначена для извлечения признаков из текста; контекст составляет до 512 токенов. Полученные представления можно использовать как основу для последующих задач обработки корейского текста. В метаданных указаны реализации PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

Janus-DPO-7B — англоязычная языковая модель от KAIST AI на базе Mistral-7B-v0.2. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает контекст до 32 768 токенов. Модель дообучена методом DPO на наборе Multifaceted-Collection-DPO, содержащем предпочтения для разных системных сообщений. Модель предназначена для генерации ответов с настраиваемым стилем и поведением: системное сообщение задаёт предпочтения, а инструкция — задачу. В карточке отмечены стремление к полезным и безвредным ответам и персонализация под заданные предпочтения. Подходит для диалоговых помощников и экспериментов с управлением поведением языковых моделей. Распространяется по лицензии Apache 2.0.

mobarmg/jev-schema-scorer-deberta-v3-large — дообученная модель на основе энкодера DeBERTa-v3-large, разработанная для классификации с учётом схемы. Она оценивает пары «состояние и вопрос с кандидатом», а затем детерминированный декодер группирует оценки для выбора варианта, оценки по порядковой шкале или ответа «да/нет». Вопросы, критерии и идентификаторы вариантов задаются во время инференса, поэтому новые наборы меток можно передавать без переобучения. Модель содержит 533,8 млн параметров и принимает текст или сериализованные JSON-объекты. Она обучена на 17 170 синтетических англоязычных вопросах из разных прикладных областей; контекст модели — до 512 токенов, а при обучении использовались последовательности длиной до 384 токенов. В тестах авторы сообщают точность 0,841 для выбора варианта на наборе v2; слабые результаты отмечены для определения следующего действия в записях, классификации ошибок в кратком изложении и оценивания ответов учащихся. Модель подходит для экспериментов с маршрутизацией, триажем, маркировкой по заданным критериям, порядковым оцениванием и проверкой утверждений по короткому тексту. Синтетические данные ограничивают перенос на другие области, длинные тексты и языки, кроме английского; критерии, требующие фоновых знаний или сложных рассуждений, могут снижать качество. Вероятности могут быть чрезмерно концентрированными и должны рассматриваться как ранжирование, а не как калиброванная уверенность. Это не классификатор безопасности; для решений с существенными последствиями, в том числе в модерации, здравоохранении и безопасности, необходима проверка человеком. Лицензия — MIT.

laya-ara-rag — модель Мохаммада Альхенизана для переранжирования коротких списков арабских текстовых фрагментов в системах поиска и RAG. Это дообученная версия convaiinnovations/laya-multilingual на архитектуре ModernBERT с 306,9 млн параметров и контекстом до 8192 токенов. Модель не генерирует текст и не предназначена для первичного поиска: она оценивает релевантность пары «запрос — фрагмент» и выбирает наиболее подходящие варианты из списка до 12 кандидатов. Обучение проводилось с использованием RLCD на данных MIRACL-ar, арабской части MASSIVE и внутренних логов поиска, которые не распространяются. В README приведены результаты на арабских задачах переранжирования, включая MIRACL-ar, Mr.TyDi-ar и MLQA-ar; показатели отражают выбор первого кандидата в коротком списке, а не стандартную метрику nDCG@10. Модель распространяется под лицензией Apache-2.0.

MaMMUT2-moderntext ViT-B/32 — исследовательская модель сопоставления изображений и текста, разработанная авторами экспериментов MaMMUT2 и опубликованная rwightman. Она обучена на датасете CC12M в течение 32 эпох с контрастивной целью InfoNCE и дополнительным обучением текстового декодера по подписям. Архитектура включает визуальную башню ViT-B/32 и современный текстовый декодер с RoPE, RMSNorm, SwiGLU, gated attention и qk-нормализацией; текстовый контекст — 128 токенов. Модель предназначена для классификации изображений по произвольным текстовым меткам без дообучения, поиска соответствий между изображениями и подписями, а также генерации текстовых описаний. В карточке приведены сравнительные оценки на ImageNet, наборах retrieval и COCO, но сами авторы характеризуют чекпойнт как исследовательское сравнение архитектур и целей обучения, а не готовую производственную систему. Репозиторий использует OpenCLIP и предоставляет веса PyTorch/Safetensors. Лицензия — Apache-2.0.

fyaronskiy дообучил ModernBERT-large на наборе GoEmotions для многометочной классификации эмоций в английском тексте. Модель находит несколько эмоций одновременно или проверяет наличие заданных эмоций; она построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Нативный контекст — до 8192 токенов. Для исходной модели доступны веса Safetensors и версия ONNX, а также квантованная до INT8 версия ONNX. По результатам автора, ONNX ускоряет инференс примерно в 1,6 раза при сопоставимом качестве, а INT8 — примерно в 2,5 раза с небольшим снижением макро-F1. Качество заметно различается между классами: модель лучше распознаёт некоторые частые эмоции, тогда как редкие классы, например разочарование и осознание, даются ей хуже. Лицензия — MIT.

ytu-ce-cosmos/modernbert-tr-reranker — турецкий cross-encoder-реранкер на базе ModernBERT с 148,7 млн параметров. Он оценивает релевантность пары «запрос — документ» и предназначен для повторной сортировки результатов, найденных первичным поисковым движком. Контекст модели — до 8192 токенов; репозиторий содержит веса Safetensors и ONNX-граф для запуска через ONNX Runtime. Модель разработана ytu-ce-cosmos и дистиллирована из Qwen/Qwen3-Reranker-8B методом listwise KL на данных для турецкого поиска и ответов на вопросы. В тестах с повторной сортировкой первых 100 результатов прирост NDCG@10 составил от 9,27 до 17,74 пункта на наборах SciFactTR, SquadTRRetrieval и ArguAnaTR; абсолютное качество зависит от первичного ретривера. Модель рассчитана на турецкоязычный поиск, включая вопросы и контраргументы. Для чувствительных к качеству сценариев автор рекомендует FP32: INT8 ONNX может заметно менять порядок оценок. Из-за недостатка длинных текстов в обучении качество на длинном контексте может снижаться. Лицензия — Apache-2.0.

sentence-transformers/nli-bert-large — модель Sentence-Transformers, разработанная командой sentence-transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для поиска по смыслу и кластеризации. Модель основана на BERT, имеет 433,9 млн параметров и принимает текст длиной до 512 токенов. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель помечена как устаревшая: авторы предупреждают о низком качестве получаемых эмбеддингов и рекомендуют выбрать другую модель для новых проектов. Распространяется по лицензии Apache-2.0.

Prompsit разработала эту модель для оценки того, является ли одна английская фраза перефразированием другой. Это модель классификации последовательностей на архитектуре BERT, дообученная на базе bert-base-uncased; в репозитории доступны веса PyTorch и Safetensors. Модель рассчитана на пары фраз, а не на длинные тексты или предложения с пунктуацией, и поддерживает контекст до 512 токенов. В README сообщается о проверке на 16 500 размеченных человеком парах фраз. Сведения о лицензии в предоставленных материалах отсутствуют.

hellonlp/promcse-bert-base-zh — китайскоязычная модель для сравнения предложений, разработанная на основе метода Prompt-based Contrastive Sentence Embeddings (PromCSE). Она кодирует предложения в векторные представления, по которым можно вычислять косинусное сходство; README описывает применение через пакет promcse и оценивание на китайских наборах данных ATEC, BQ, LCQMC и PAWSX. Модель использует плотную архитектуру BERT с классом BertForCL, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель рассчитана на китайский язык; лицензия — MIT. Для переноса на другие языки или задачи в предоставленных сведениях подтверждений нет.

SkillReason-reranker-4b — реранкер для поиска навыков ИИ-агентов, разработанный авторами SkillReason и дообученный на базе Qwen/Qwen3-Reranker-4B. Он оценивает соответствие документа с описанием навыка запросу на естественном языке и предназначен для второго этапа конвейера retrieve-then-rerank: после первичного поиска модель пересортировывает кандидатов по релевантности. В опубликованном протоколе оцениваются 20 лучших результатов первичного поиска. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текстовый запрос и текст документа-кандидата, а её основная функция — ранжирование по релевантности. Контекст составляет до 40 960 токенов; для пакетной обработки и длинных документов авторы рекомендуют официальный инструментарий, который сохраняет формат промпта и корректно обрезает длинный ввод. Карточка указывает английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

efederici/text2tags — модель на базе T5, дообученная на наборе из 28 тысяч новостных статей с тегами. Она генерирует подходящие теги для статьи на итальянском языке; автор также указывает возможность использовать её для информационного поиска и генерации запросов (GenQ), а также для дообучения sentence-transformers под асимметричный семантический поиск. Модель содержит 45,8 млн параметров и опубликована в форматах PyTorch и Safetensors. В карточке базовая модель обозначена как it5-small; лицензия и ограничения контекста не приведены. Основное назначение — разметка новостных текстов тематическими тегами, реализованная как суммаризация для генерации тегов.

TIPSv2 g/14 — крупная контрастивная модель компьютерного зрения и языка от Google. Она формирует пространственно насыщенные признаки изображений и текстовые эмбеддинги, выровненные в общем пространстве, и предназначена, в частности, для классификации изображений по текстовым описаниям без дообучения. Модель использует визуальный энкодер ViT из 40 слоёв и текстовый Transformer из 12 слоёв; размер визуальной части — 1,1 млрд параметров, текстовой — 389 млн. Для изображений применяется разбиение на патчи 14×14 пикселей; вход можно масштабировать до произвольного разрешения и подавать в диапазоне [0, 1] без нормализации ImageNet. Текст обрабатывается токенизатором SentencePiece: строчные символы, до 64 токенов. Модель подходит для поиска соответствия между изображениями и текстовыми метками, а пространственные признаки также могут использоваться в сценариях сегментации. Карточка описывает семейство как контрастивное и показывает пример zero-shot-классификации. В репозитории указаны Transformers и формат safetensors. Лицензия — Apache-2.0. Ограничения: текстовый ввод ограничен 64 токенами; качество и перечень поддерживаемых языков в карточке не уточняются.

UniRRM-8B — многоязычная модель оценки ответов, разработанная SUSTech-NLP на базе Qwen3-8B. Она предназначена для сравнения ответов и выставления им оценок по критериям, которые модель формирует с учётом задания и инструкции. Поддерживаются попарная, списочная и поэлементная оценка; модель анализирует задачу, строит критерии и выдаёт структурированное обоснование с итоговым суждением. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат Safetensors. README описывает обучение в два этапа: SFT и GRPO на данных MixReward; заявлена поддержка 103 языков и шести областей данных. Метаданные указывают контекст до 40 960 токенов и мультиязычные языки, включая русский. Лицензия — Apache-2.0. UniRRM-8B подходит для оценки качества ответов в системах генерации и при сравнении вариантов ответа. Это генеративная модель оценки: в отличие от простой выдачи числового рейтинга, она формирует критерии и текстовое рассуждение. Заявленные языковой охват и несколько режимов оценки описаны в карточке модели; независимые гарантии качества для каждой задачи и языка не приведены.

VideoScore — модель оценки качества видео от TIGER-Lab, созданная на основе Mantis-8B-Idefics2 и обученная на наборе VideoFeedback с человеческими оценками по нескольким аспектам. Это регрессионная версия: она оценивает видео и текстовое описание, сопоставляя их и выдавая оценки качества и соответствия текста содержанию видео. Модель предназначена для оценки видео, в том числе роликов, созданных по текстовому запросу, и для сравнения результатов с человеческими предпочтениями. В README заявлена корреляция Спирмена 75,7 с человеческими оценками на VideoFeedback-test; также модель оценивалась на EvalCrafter, GenAI-Bench и VBench. Вариант из этой карточки построен на Idefics2; улучшенная версия VideoScore-v1.1 поддерживает обработку до 48 кадров, однако README не приписывает эту характеристику однозначно данной версии. Для запуска описана библиотека Transformers. Модель распространяется по лицензии Apache-2.0.

X-CLIP base с размером патча 16 — модель для понимания видео и текста, основанная на подходе CLIP и разработанная авторами работы Expanding Language-Image Pretrained Models for General Video Recognition. Эта версия обучена в few-shot режиме с K=2 на наборе HMDB-51. Модель сопоставляет видео с текстом и предназначена для классификации видео в zero-shot, few-shot и supervised сценариях, а также для поиска видео по текстовому описанию и текста по видео. При обучении использовались 32 кадра на видео с разрешением 224×224; указана точность top-1 53,0%. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Оценка приведена для HMDB-51; модель обучена на небольшом числе примеров и может хуже работать на видео из других областей или при отличающейся предобработке.

nomic-embed-text-v1.5 — текстовая модель эмбеддингов, разработанная Nomic AI на архитектуре NomicBert. Она преобразует тексты в векторы для семантического поиска, формирования RAG-индексов, кластеризации, удаления семантических дублей и подготовки признаков для классификации. Для разных сценариев перед текстом требуется указывать соответствующий префикс задачи, например search_document или search_query. Модель поддерживает контекст до 8192 токенов и создаёт векторы размерностью 768; благодаря Matryoshka Representation Learning размерность можно уменьшать с небольшим снижением качества. README описывает именно текстовую модель: отдельная nomic-embed-vision-v1.5 выровнена с её пространством эмбеддингов, но это не означает, что данный репозиторий принимает изображения. Модель распространяется по лицензии Apache-2.0.

Карточка модели indigoskyai/nomic-embed-text-v1.5 на Hugging Face совпадает с карточкой nomic-ai/nomic-embed-text-v1.5, поэтому описание составлено по ней. nomic-embed-text-v1.5 — текстовая модель эмбеддингов компании Nomic AI на архитектуре NomicBert, содержащая 136,7 млн параметров. Она преобразует тексты в векторы для семантического поиска, индексации документов для RAG, кластеризации, поиска дубликатов и подготовки признаков для классификации. Для выбора режима перед текстом требуется указать инструкционный префикс, например search_document или search_query. Модель использует Matryoshka Representation Learning: размерность вектора можно уменьшать, снижая потери качества; в карточке приведены результаты для размерностей 768 и 512. README сообщает о последовательностях до 8192 токенов, тогда как метаданные указывают базовый размер контекста 2048 токенов. Доступны форматы safetensors и ONNX, лицензия Apache-2.0. Для совместных мультимодальных эмбеддингов README указывает на отдельную модель nomic-embed-vision-v1.5; сама эта модель кодирует текст.

parasail-ai/GritLM-7B-vllm — копия модели GritLM 7B от ContextualAI, в которой изменено имя архитектуры в конфигурации для упрощения использования с vLLM. GritLM — инструкционно дообученная языковая модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель объединяет генерацию текста и получение текстовых представлений (эмбеддингов), поэтому подходит для диалогов, генерации ответов и задач семантического поиска или классификации текста. В метаданных указаны теги для разговорного использования и датасет GritLM/tulu2. Репозиторий содержит веса PyTorch в формате safetensors и распространяется по лицензии Apache 2.0.