I.12Рекомендации и персонализация

rahmanfadhil/indobert-finetuned-indonli — модель эмбеддингов предложений на базе IndoBERT от indobenchmark, дообученная автором на наборе IndoNLI с функцией потерь MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и кластеризации индонезийских текстов. Архитектура — BERT, число параметров — 151,6 млн, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

Omerhan разработал Omerhan/intfloat-fine-tuned-14376-v4 — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-large-instruct для создания плотных текстовых эмбеддингов. Модель использует XLM-RoBERTa с усреднением токеновых представлений и нормализацией; размер эмбеддинга — 1024, максимальная длина последовательности — 512 токенов. Для сравнения векторов подходит косинусное сходство. Модель ориентирована на турецкий язык. Её можно применять для семантического поиска, сравнения предложений и документов, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на наборе json из 920 106 примеров с парами и отрицательными примерами; используются MatryoshkaLoss и MultipleNegativesRankingLoss. Модель распространяется по лицензии Apache-2.0.

jina-reranker-m0 — мультиязычная мультимодальная модель ранжирования от Jina AI. Она оценивает релевантность документов запросу и сортирует их по полученным оценкам. Модель построена на архитектуре vision-language модели Qwen2-VL-2B-Instruct, дообучена с помощью LoRA и использует дополнительную MLP-голову для выдачи оценок релевантности. В метаданных указаны 1,5 млрд параметров и контекст до 32 768 токенов; README сообщает о поддержке документов длиной до 10 тыс. токенов и изображений вплоть до разрешения 4K. Модель предназначена для поиска по визуально насыщенным документам: страницам с текстом, таблицами, графиками, инфографикой и сложной вёрсткой. Она также ранжирует текстовые документы, включая длинные тексты и результаты поиска по коду. README заявляет поддержку более 29 языков и перенос на новые предметные области без специальной донастройки. Вход включает текстовые запросы и текстовые или визуальные документы, выход — оценки и упорядоченный список документов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Размер параметров в README и метаданных различается: в README приведено 2,4 млрд, а в метаданных — 1,5 млрд.

jina-reranker-v1-turbo-en — англоязычный реранкер от Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Модель оценивает релевантность пар «запрос — документ» и переупорядочивает результаты поиска. Она предназначена для ускорения семантического поиска и улучшения отбора контекста в системах RAG. Это компактная дистиллированная модель с 6 слоями и примерно 37,6 млн параметров; она поддерживает последовательности длиной до 8192 токенов. По данным карточки, в тестах на поисковых наборах она сочетает высокую скорость с конкурентным качеством, хотя в отдельных оценках уступает более крупной версии jina-reranker-v1-base-en. Доступны веса PyTorch и ONNX. Лицензия — Apache-2.0.

LateOn — англоязычная модель поиска LightOn из семейства ColBERT, построенная на ModernBERT и обученная с помощью PyLate. Это supervised-вариант, дообученный контрастивным методом с трудными негативными примерами; модель содержит 149 млн параметров и формирует многовекторные представления текста для поиска документов и сопоставления запросов с текстами. Для документов предусмотрена длина до 300 токенов, для запросов — до 32 токенов; размерность выходных представлений — 128, сходство вычисляется функцией MaxSim. В метаданных указано контекстное окно 8192 токена. Модель предназначена для семантического поиска и извлечения релевантных документов. По заявлению разработчика, LateOn показала средний результат 57,22 NDCG@10 на 15 наборах BEIR и 60,36 на очищенной от пересечений версии из 12 наборов. Модель использует открытые данные обучения; README отмечает, что дистилляцию и асимметричные подсказки не применяли. Лицензия — Apache 2.0.

Модель deman539/legal-ft-snowflake-l-94559c3c-e86d-40df-86f3-b60b1e6a59e8 — дообученная версия Snowflake/snowflake-arctic-embed-l, разработанная автором репозитория на базе Sentence Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения сходства текстов и поиска перефразировок. В README также перечислены кластеризация и классификация текстов как возможные сценарии использования. В основе — BERT с пуллингом CLS-токена и нормализацией векторов; сходство измеряется косинусной близостью. Максимальная длина входа составляет 512 токенов. Модель обучалась на 156 парах предложений и документов; README приводит результаты оценки поиска на тестовом наборе, но они не характеризуют качество на других данных. Данных о лицензии в предоставленных источниках нет.

LRAT Qwen3-Embedding-0.6B Clean-v1 — плотная модель для создания текстовых эмбеддингов и поиска релевантных фрагментов по веб-запросу. Чекпойнт подготовлен для соревнования XIR/LRAT и дообучен на официальном наборе Yuqi-Zhou/LRAT-Train на базе Qwen/Qwen3-Embedding-0.6B. Это полная модель с архитектурой Qwen3 и примерно 508 млн параметров, а не LoRA-адаптер. Модель кодирует запросы и пассажи в векторы размерности 1024; сходство вычисляется по косинусной мере после L2-нормализации. Для запросов требуется заданная в карточке инструкция, пассажи кодируются без неё. При обучении использовалась максимальная длина 512 токенов для запросов и пассажей; базовая модель поддерживает контекст до 32 768 токенов. Веса сохранены в FP32, возможна загрузка в BF16. Чекпойнт обучен на 96 503 парах данных LRAT в течение двух эпох с контрастивной функцией потерь. Карточка не приводит результатов на лидерборде, поэтому качество в соревновании не подтверждено. Модель распространяется по лицензии Apache-2.0.

KennethTM/MiniLM-L6-danish-encoder — компактная модель Sentence-Transformers для семантического представления датских предложений и абзацев. Она построена на архитектуре BERT, содержит 25,9 млн параметров и преобразует текст в плотные векторы размерностью 384. Максимальная длина входной последовательности — 512 токенов. Модель адаптирована от sentence-transformers/all-MiniLM-L6-v2 с датским токенизатором и обучена на наборах ELI5 и SQuAD, переведённых с английского на датский. Её можно применять для семантического поиска, сравнения сходства предложений и кластеризации текстов на датском языке. Для использования доступны веса PyTorch и safetensors; библиотека модели — Sentence-Transformers. Лицензия — MIT. Автор README указывает, что доступна более новая версия KennethTM/MiniLM-L6-danish-encoder-v2, обученная на большем объёме данных.

MMLW-roberta-base — польскоязычный текстовый энкодер от команды MMLW. Модель построена на архитектуре RoBERTa и содержит 151,6 млн параметров; она преобразует текст в векторы размерностью 768 и поддерживает контекст до 514 токенов. Модель дистиллирована из польского чекпойнта RoBERTa с помощью многоязычного знания, полученного от английских моделей FlagEmbeddings (BGE). Она предназначена для семантического сходства, кластеризации и информационного поиска, а также может служить основой для дальнейшего дообучения. Для запросов требуется префикс «zapytanie: ». В карточке приведены оценки 61,05 на польском бенчмарке MTEB и NDCG@10 53,60 на польском бенчмарке поиска PIRB. Модель принимает текст и выдаёт эмбеддинги; основной язык — польский, а обучение включало пары текстов на польском и английском. Распространяется по лицензии Apache-2.0.

qiyuw/pcl-roberta-base — англоязычная модель RoBERTa для оценки сходства предложений. Она использует архитектуру RobertaForCL и содержит 151,8 млн параметров; модель принимает текст и подходит для сравнения предложений по смыслу. Длина контекста составляет 514 токенов. Модель распространяется в формате PyTorch по лицензии MIT. README не содержит дополнительных сведений о методе обучения или конкретных сценариях применения.

neeva/query2query — модель Sentence-Transformers от Neeva для представления поисковых запросов в виде плотных векторов размерности 384. Она основана на архитектуре BERT и содержит 25,9 млн параметров; модель принимает текст и формирует эмбеддинги, которые можно использовать для кластеризации запросов и семантического поиска по ним. Максимальная длина контекста — 512 токенов. Модель подходит для поиска похожих запросов, группировки запросов по смыслу и построения поиска по коллекции запросов. В карточке указано обучение на протяжении 1 млн шагов с размером пакета 1024 и начальной скоростью обучения 2e-5. Репозиторий содержит веса PyTorch. Лицензия CC-BY-NC-SA-4.0 запрещает коммерческое использование без отдельного разрешения правообладателя. Модель предназначена для текстовых запросов; карточка описывает эмбеддинги, но не сообщает о поддержке других модальностей.

pucpr-br/sbertimbau_news_2021 — модель Sentence Transformers на базе BERTimbau, дообученная для получения семантических представлений новостных текстов на бразильском португальском. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска и кластеризации новостей. Модель использует архитектуру BERT и обрабатывает текстовые входы с контекстом до 512 токенов. В README указано обучение с BatchAllTripletLoss; в метаданных — 136,1 млн параметров и формат Safetensors. Лицензия в предоставленных данных не указана.

dlicari/sentence-ita-eurlex-bert-base — модель Sentence-Transformers на базе BERT, разработчик — dlicari. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 137,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Название указывает на связь с итальянским и корпусом EUR-Lex, однако README и метаданные не подтверждают конкретный состав обучающих данных или языковую специализацию. В README указано обучение с DenoisingAutoEncoderLoss. Лицензия в предоставленных данных не указана.

Serafim 335m Portuguese PT Sentence Encoder tuned for Information Retrieval — модель семейства Serafim PT*, представленная Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos в работе 2024 года. Это плотный sentence-transformers энкодер на архитектуре BERT с 433,2 млн параметров; он преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024. Для получения векторов используется mean pooling контекстных представлений. Максимальная длина контекста по метаданным — 512 токенов. Модель предназначена для семантического поиска и задач информационного поиска; векторы также подходят для кластеризации текстов. Она рассчитана на португальский язык и доступна под лицензией MIT. В README параметры обучения указывают на настройку энкодера для IR, но базовая модель явно не названа.

Карточка модели masked-kunsiquat/snowflake-arctic-embed-xs-2 на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-xs, поэтому описание составлено по ней. Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

stella-base-zh-v2 — китайскоязычная плотная модель кодирования текста, разработанная автором семейства stella. Она предназначена для получения векторных представлений предложений и фрагментов текста, семантического поиска, сопоставления запросов с документами и оценки сходства. Модель основана на piccolo-base-zh и дообучена на открытых наборах данных и синтетических парах вопрос–текст и предложение–текст; обучение включало контрастивные потери с трудными отрицательными примерами, EWC и cosent. В отличие от предшественника, v2 не требует инструкционного префикса для поиска. Архитектура — BERT, около 129,5 млн параметров; модель выдаёт эмбеддинги размерности 768 и обрабатывает последовательности длиной до 1024 токенов. Она рассчитана прежде всего на китайский язык и поддерживает сценарии кодирования длинных текстов. В карточке приведены результаты C-MTEB и отдельной оценки длинного текста, однако автор отмечает нехватку таких тестов и возможное пересечение тестовых данных с обучающими. Лицензия в предоставленных данных не указана.

t-tech_T-Search-GGUF — это GGUF-квантизированная версия модели T-Search, разработанной t-tech и подготовленной bartowski с использованием llama.cpp. Модель относится к классу Mixture-of-Experts с заявленным размером 35B и примерно 3B активных параметров, а также содержит MTP-слои для ускорения генерации посредством self-speculative decoding. Модель предназначена для агентного поиска, информационного поиска, retrieval-задач, RAG, использования инструментов и function calling. Она поддерживает английский и русский языки. В README указаны возможности запуска через llama.cpp, ramalama, LM Studio, koboldcpp, Jan AI и другие совместимые приложения. Для активации MTP в llama.cpp требуется параметр --spec-type draft-mtp. Доступно множество вариантов квантизации — от BF16 размером около 71 ГБ до компактных IQ3 и Q3-разновидностей, а также рекомендуемых Q4–Q6 вариантов. Более качественные квантизации обеспечивают лучшее сохранение характеристик, тогда как компактные требуют меньше оперативной памяти, но снижают качество. Для модели не указан размер контекста, поэтому его характеристики в этом отношении неизвестны. Лицензия — Apache-2.0.

Это турецкая модель Sentence Transformer семейства BERT, дообученная авторами trmteb на наборах для поиска и сопоставления текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; для оценки близости предусмотрено косинусное сходство. Архитектура использует BERT и усреднённый пулинг токенов, содержит около 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска, сравнения смысловой близости, поиска перефразирований, кластеризации и классификации текста. Обучение включало турецкие наборы MS MARCO, FIQA, SciFact, NFCorpus, MultiNLI, SNLI, STS-B, Quora и данные WMT16 для перевода между английским и турецким. README приводит результаты оценки сходства на STS-B и бинарной классификации на нескольких наборах, однако отдельные высокие показатели зависят от набора и порога и не гарантируют такого же качества в других сценариях. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели hopeawei/bge-large-zh-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

AbstractPhil/captionbert-8192-v2 — автономный компактный текстовый энкодер предложений, созданный AbstractPhil и дистиллированный из геометрического консенсуса пяти моделей семейства BERT. Модель содержит 66 млн параметров по метаданным, использует 12 слоёв, скрытое представление размерности 512 и контекст до 8192 токенов; на выходе формирует L2-нормализованные векторы размерности 768. Для работы не требуются модели-эксперты; README показывает загрузку через Transformers и токенизатор bert-base-uncased. Модель предназначена для получения векторных представлений предложений и сравнения их семантической близости, включая поиск похожих формулировок и задачи семантического сходства. В README приведены результаты на STS-B, SICK-R и других наборах семантического сходства; авторы отмечают, что базовый энкодер эффективен относительно учителей, но обычное mean pooling у BERT-подобных моделей уступает специализированным энкодерам, обученным на большом количестве пар сходства. Для дополнительной адаптации в репозитории описаны AMOE-адаптеры. Модель ориентирована на английский язык. Лицензия — MIT. Указанная в README загрузка использует trust_remote_code=True; перед применением следует учитывать необходимость доверять коду репозитория. Показатели бенчмарков приведены авторами модели и могут не отражать качество на пользовательских данных.

sentence-transformers/distilbert-base-nli-stsb-mean-tokens — модель Sentence-Transformers, обученная командой Sentence-Transformers на основе DistilBERT. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель использует архитектуру DistilBERT с усреднением контекстных представлений; максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, сравнения предложений и группировки текстов. Карточка помечает её как устаревшую и предупреждает о низком качестве эмбеддингов, поэтому для новых проектов рекомендуется выбрать более современную модель. Лицензия — Apache-2.0.

Карточка модели usama1111/e5-pakistani-legal на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

Карточка модели borsimnet/e5-sk-large на Hugging Face совпадает с карточкой slovak-nlp/e5-sk-large, поэтому описание составлено по ней. e5-sk-large — модель текстовых эмбеддингов для словацкого языка, выпущенная в рамках проекта SkMTEB. Она создана на основе intfloat/multilingual-e5-large: словарь сокращён с 250 тысяч до 60 тысяч токенов, после чего модель дообучена на словацких данных. В метаданных указаны архитектура XLM-RoBERTa, 464,1 млн параметров и контекст до 514 токенов; README сообщает о 365 млн параметров и 1024-мерных эмбеддингах, поэтому размеры расходятся между источниками. Модель предназначена для семантического поиска и извлечения документов, сравнения смысла текстов, кластеризации и классификации по эмбеддингам, а также поиска между словацким, английским и чешским языками. Для запросов поиска рекомендуется добавлять префикс «query: », а для индексируемых документов — «passage: »; для симметричных задач префикс не нужен. Модель показывает сопоставимые с multilingual-e5-large результаты на словацком бенчмарке SkMTEB и подходит для локального развёртывания. Модель оптимизирована для словацкого языка; перенос на другие языки, кроме указанных межъязыковых сценариев, не оценён. Сокращение словаря может ухудшить работу с текстом, смешивающим языки, а обучающие данные преимущественно охватывают новости, парламентские материалы и энциклопедии. При дообучении использовалась длина последовательности 256 токенов, хотя архитектура поддерживает контекст до 512. Лицензия — MIT.

Это англоязычный энкодер предложений ayushexel, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 на наборе вопросов и ответов GooAQ. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384; для сравнения векторов используется косинусное сходство. Архитектура основана на BERT с усреднением токенных представлений и нормализацией. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Её можно использовать, например, для поиска ответов по английским вопросам или группировки похожих вопросов и ответов. Обучение на GooAQ ориентирует её на пары «вопрос—ответ»; на GooAQ dev указана точность по косинусному сходству 0,6034. Это модель представлений, а не генератор текста; заявленные задачи и характеристики относятся к английскому языку. Лицензия в предоставленных данных не указана.

jhgan/ko-sroberta-sts — модель эмбеддингов предложений на основе RoBERTa, обученная для оценки семантического сходства корейских текстов. Она преобразует предложения и абзацы в плотные векторы размерности 768; эмбеддинги подходят для семантического поиска, кластеризации и сравнения текстов. В README приведены результаты оценки на KorSTS: корреляция Пирсона для косинусного сходства — 81,84, Спирмена — 81,82. Модель содержит 137,8 млн параметров, имеет контекстное окно до 514 токенов и доступна в форматах PyTorch и TensorFlow. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; также поддерживается библиотека Sentence-Transformers. Модель ориентирована на корейский язык и семантические задачи с предложениями и абзацами. Условия лицензии в предоставленных данных не описаны.

MarcoMancini/low-law-emb — модель iMEmbeddings на базе архитектуры BERT, разработанная Marco Mancini. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска по смыслу и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на получение эмбеддингов, пригодных для сравнения текстов. Модель подходит для построения семантического поиска, группировки похожих фрагментов и других задач сравнения предложений. Максимальная длина контекста составляет 512 токенов; модель работает с текстом и выдаёт векторы. В README нет сведений о лицензии, поэтому условия использования по доступным данным определить нельзя.

facebook/mcontriever-msmarco — мультиязычная модель плотного поиска, разработанная исследовательской командой Facebook (ныне AI at Meta). Она создаёт векторные представления текстов для поиска релевантных документов по запросу и была дообучена на MS MARCO для улучшения соответствия между запросами и документами. Модель основана на BERT, имеет около 205 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Базовая версия mContriever обучалась на 29 языках; для этой модели опубликованы оценки мультиязычного и межъязыкового поиска, в том числе по запросам на одном языке с поиском документов на другом. Она возвращает эмбеддинги, которые можно сравнивать, например, скалярным произведением; сама по себе не генерирует ответы. Подходит как компонент информационного поиска и retrieval-этапа RAG. Результаты зависят от языка, данных и настройки поиска; карточка Hugging Face не содержит подробного описания ограничений и не показывает лицензию, поэтому условия использования следует сверить с лицензией репозитория разработчика.

mDenseOn — мультиязычная модель плотного поиска LightOn на архитектуре mmBERT-base, представленная как Sentence Transformer с 306,9 млн параметров. Она независимо кодирует запросы и документы в векторы размерностью 768 и сопоставляет их по косинусному сходству; для запросов и документов используются префиксы `query:` и `document:`, а в качестве pooling применяется токен CLS. Модель поддерживает контекст до 8 192 токенов и предназначена для семантического поиска по текстам на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках, а также для поиска по коду. Модель обучена LightOn на мультиязычных данных, полученных в том числе методом translate-train. В карточке заявлены результаты на мультиязычном поиске MIRACL, поиске по длинным документам MLDR, общем англоязычном поиске BEIR и поиске по коду MTEB Code. Одновекторное представление удобно для плотного поиска и ранжирования по сходству, однако качество заметно снижается на языках, не охваченных обучением для поиска; карточка рекомендует mLateOn, если важнее обобщение на такие языки и допустим многовекторный поиск. Лицензия — Apache 2.0.

sentence-transformers/nli-distilbert-base — модель семейства Sentence-Transformers на базе DistilBERT, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; контекст ограничен 512 токенами. Доступны варианты весов в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска по текстам, группировки похожих фраз и вычисления сходства предложений. В README она помечена как устаревшая: качество эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель sentence embeddings. Лицензия — Apache-2.0.

OPI-PIB/pl-ModernBERT-base — базовый одноязычный энкодер ModernBERT для польского языка, обученный разработчиками семейства Polish ModernBERT. Модель содержит 148,7 млн параметров, использует 22 слоя с размером скрытого состояния 768 и принимает последовательности длиной до 8 194 токенов. Архитектура включает RoPE, слои GeGLU, предварительную нормализацию и чередование глобального и локального внимания; веса доступны в формате Safetensors. Модель предварительно обучена на польском корпусе примерно из 44,5 млрд токенов с задачей masked language modeling. В исходном виде она подходит для заполнения пропусков в тексте, а после адаптации — для классификации документов и последовательностей, разметки сущностей, оценки сходства, поиска и переранжирования. В оценке на 30 польских NLU-задачах базовые варианты показали конкурентные результаты, включая задачи с длинным контекстом. Модель принимает текст и выдаёт текстовые предсказания токенов; она не является готовым чат-ассистентом и для большинства прикладных задач требует дообучения или дополнительной головы. Лицензия Apache-2.0 допускает широкое использование при соблюдении её условий.