I.12Рекомендации и персонализация

multi-qa-distilbert-cos-v1 — модель Sentence-Transformers на базе DistilBERT, разработанная в рамках проекта Hugging Face по обучению моделей эмбеддингов предложений. Она кодирует вопросы, предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска и сопоставления запросов с релевантными фрагментами текста. Модель обучена на 215 млн пар «вопрос — ответ» из разных источников с контрастивной функцией потерь и усреднением контекстных представлений. Модель предназначена для поиска ответов и документов по смыслу: запрос и текстовые фрагменты преобразуются в векторы, сходство которых можно оценивать косинусом или скалярным произведением. Поддерживаются английский язык и входы длиной до 512 токенов; обучение проводилось на текстах длиной до 250 токенов, поэтому качество на более длинных фрагментах может снижаться. Доступны варианты в форматах PyTorch, Safetensors, ONNX и OpenVINO. README и метаданные не сообщают лицензию модели.

legacy107/multi-qa-mpnet-base-dot-v1-wikipedia-search — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для семантического поиска и кластеризации текстов; в поисковой системе её можно использовать для представления запросов и документов в общем векторном пространстве. Модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель обучалась с TripletLoss на евклидовом расстоянии. В карточке не указана лицензия, поэтому условия распространения и использования по имеющимся данным определить нельзя. Заявленные задачи — семантический поиск и кластеризация; качество зависит от соответствия текстов и поискового корпуса обучающим данным.

larsksy/norbert4-large-scandinavian-embedding — модель Sentence Transformer, дообученная на базе ltg/norbert4-large для получения эмбеддингов предложений и абзацев на норвежском, датском и шведском языках. Модель насчитывает 358,8 млн параметров и строит плотные векторы размерности 960; для сравнения текстов используется косинусное сходство. Максимальная длина входной последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение проводилось на данных NLI, group-b-qa и DDSC. Доступна в формате safetensors и предназначена для использования с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

meedan/paraphrase-filipino-mpnet-base-v2 — модель эмбеддингов предложений и абзацев, опубликованная Meedan. Она преобразует текст в плотные векторы размерности 768 для поиска семантически близких фраз и документов, кластеризации и сравнения предложений. Архитектура основана на XLM-R; модель обучена методом «учитель—ученик» с учителем sentence-transformers/paraphrase-mpnet-base-v2 и учеником sentence-transformers/paraphrase-multilingual-mpnet-base-v2. В обучении использовались параллельные пары английских и филиппинских/тагальских текстов из OPUS. Модель содержит 305,2 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста составляет 514 токенов. В оценке на тесте семантического сходства получена корреляция Спирмена 0,80 для английского и 0,75 для филиппинского текста; авторы отмечают улучшение для филиппинского языка относительно многоязычной базовой модели. Качество обучающих данных было переменным, а оценка на филиппинском проводилась на машинном переводе набора STS, что ограничивает интерпретацию результатов. Лицензия в предоставленных данных не указана.

pplx-embed-context-v1-4b — модель текстовых эмбеддингов Perplexity AI на основе плотной двунаправленной архитектуры PPLXQwen3. Она предназначена для контекстных эмбеддингов фрагментов документов в системах поиска и RAG, где при представлении фрагмента учитывается окружающий текст. Модель содержит 3,7 млрд параметров и поддерживает контекст до 32 768 токенов. Модель формирует векторы размерности 2560 с поддержкой сокращения размерности MRL. Эмбеддинги нативно выдаются без нормализации и квантизованы в INT8; README рекомендует сравнивать их по косинусному сходству. Для построения эмбеддингов не требуется добавлять инструкцию к тексту. Репозиторий содержит веса в форматах Safetensors и ONNX; лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_5m_checkpoint_epoch_1_step_440 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_random_gist_checkpoint_epoch_1_step_160 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

BlueAvenir/sti_cyber_security_model_updated — модель на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, семантического поиска и кластеризации текстов. Модель содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов. Модель можно применять для поиска похожих текстов, группировки документов по смыслу и построения векторного представления текстовых данных. В README указано обучение с CosineSimilarityLoss. Репозиторий содержит веса PyTorch; лицензия и специализация на кибербезопасности в предоставленных данных не подтверждены.

use-cmlm-multilingual — версия на PyTorch модели universal-sentence-encoder-cmlm/multilingual-base-br, опубликованная в репозитории sentence-transformers. Она преобразует тексты на 109 языках в векторы общего пространства, чтобы сопоставлять предложения между языками. Модель основана на LaBSE и предназначена для получения эмбеддингов и задач семантического сходства. Модель использует архитектуру BERT и содержит около 498,1 млн параметров. Максимальная длина контекста — 512 токенов. Доступны веса PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0. Карточка отмечает сопоставимое с LaBSE качество на последующих задачах, но не приводит конкретных оценок или бенчмарков.

LocalDoc разработала двуязычную модель эмбеддингов предложений для азербайджанского и английского языков. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для оценки семантической близости, семантического поиска, поиска перефразировок, классификации текстов и кластеризации. Модель основана на sentence-transformers/all-MiniLM-L6-v2: архитектура BERT с 6 слоями, скрытым размером 384 и 12 головами внимания. Она дообучена дистилляцией знаний на параллельном корпусе примерно из 4,14 млн азербайджано-английских пар; используется собственный токенизатор SentencePiece Unigram с словарём около 50 тыс. токенов. Максимальная длина входа — 512 токенов. В метаданных указано 33,4 млн параметров; README приводит оценку около 30,2 млн после расширения словаря. Модель подходит для двуязычного поиска и сравнения текстов, но заявленные результаты относятся к STS-бенчмаркам на азербайджанском и не гарантируют качество на других задачах или языках. Распространяется по лицензии CC BY 4.0.

Карточка модели q2323q431/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.

TesNik369/bge-m3-tqa-merged-v2 — модель Sentence Transformer, дообученная автором на базе BAAI/bge-m3 на наборе tqa-bge-m3-finetune-triplets-verified из 725 примеров. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерности 1024; близость оценивается косинусным сходством. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в системах поиска ответов на вопросы. Архитектура основана на XLM-RoBERTa с CLS-пулингом и нормализацией; длина последовательности в README указана как 512 токенов. Метаданные указывают контекст до 8194 токенов, поэтому фактическую длину ввода следует сверять с используемой конфигурацией модели. README приводит высокую точность на tqa-dev, однако результат относится к описанной оценке и не гарантирует качество на других данных. Модель принимает и выдаёт текстовые представления в виде эмбеддингов; лицензия в предоставленных сведениях не приведена.

raul-delarosa99/bge-small-en-v1.5-RIRAG_ObliQA — англоязычная Sentence Transformer модель, дообученная разработчиком на базе BAAI/bge-small-en-v1.5 для поиска и сопоставления текстов в сценариях вопросов и ответов. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 512; архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов. Для сравнения используется косинусное сходство. Модель содержит 40 млн параметров и обрабатывает до 512 токенов на входе. Модель подходит для семантического поиска релевантных фрагментов по вопросу, оценки сходства предложений и абзацев, поиска перефразировок, кластеризации и классификации текстов. В приведённой оценке на qa_eval дообученная версия показала более высокие значения точности и полноты поиска на первых десяти результатах, чем базовая модель. Обучающий набор содержит 29 547 пар anchor-positive с примерами вопросов и фрагментов ответов, в том числе юридического содержания. Для практического использования модель формирует векторные представления текста; она не генерирует ответы сама по себе. Лицензия в предоставленных данных не указана.

Omerhan/checkpoint-6248-v7 — модель Sentence Transformer, созданная дообучением intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы на турецком языке в плотные векторы размерности 1024, которые можно сравнивать с помощью косинусного сходства. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов. Максимальная длина последовательности — 512 токенов; библиотека — Sentence Transformers. В обучении использовались 920 106 примеров с парами и отрицательными примерами. Лицензия — Apache-2.0.

clips/e5-large-v2-t2t-nl — нидерландская модель для получения плотных текстовых эмбеддингов, созданная дообучением clips/e5-large-v2-t2t. Она предназначена для семантического поиска, сравнения предложений и ранжирования текстов, в том числе для поиска по запросам и документам и задач на основе нидерландских наборов BEIR. Модель построена на архитектуре BERT, содержит 433,4 млн параметров, принимает текст и формирует векторные представления. Максимальная длина контекста — 512 токенов. Модель поддерживает сценарии поиска и сопоставления текстов на нидерландском языке. В карточке приведена оценка на MTEB-NL, но она не описывает все возможные прикладные сценарии. Репозиторий распространяется по лицензии MIT.

lewispons/email-classifiers — модель на базе BERT, созданная с помощью Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель подходит для семантического поиска, кластеризации и сопоставления текстов, в том числе для группировки и поиска похожих электронных писем. Модель содержит 25,9 млн параметров, работает с текстом и поддерживает контекст длиной до 512 токенов. В карточке указано обучение с функцией потерь CosineSimilarityLoss. Доступны веса PyTorch; лицензия в предоставленных данных не описана.

gte-large-zh — модель текстовых эмбеддингов General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на больших наборах пар текстов, связанных по релевантности. Она предназначена для китайских текстов и преобразует их в векторы размерности 1024 для поиска и сравнения по смыслу. Модель подходит для информационного поиска, оценки семантического сходства и ранжирования текстов, а также может использоваться в классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов; более длинные тексты обрезаются. В тестировании на китайском бенчмарке CMTEB модель показала средний результат 66,72 по 35 наборам данных. Репозиторий содержит веса PyTorch и Safetensors, лицензия — MIT.

Jina Reranker v2 Base Multilingual — модель Jina AI для повторного ранжирования результатов поиска. Это кросс-энкодер на базе XLM-RoBERTa, дообученный на парах «запрос — документ»: он принимает запрос и текст документа и возвращает оценку их релевантности, по которой можно переставить результаты поиска. В метаданных указано 305,2 млн параметров; модель доступна в форматах PyTorch, Safetensors и ONNX и использует библиотеку Transformers. Модель предназначена для мультиязычного поиска по документам, коду и структурированным данным, а также для отбора результатов в системах поиска с вызовом инструментов или генерацией SQL. Контекст составляет до 1026 токенов по метаданным; README указывает 1024 токена и описывает разбиение более длинных текстов на фрагменты со скользящим окном. В модели также используется Flash Attention. Карточка приводит сравнительные результаты на нескольких тестах поиска, но они не гарантируют качество для конкретного корпуса или языка. Лицензия CC-BY-NC-4.0 разрешает исследовательское и оценочное использование, но ограничивает коммерческое применение; для коммерческого использования README предлагает обратиться к сервисам Jina AI или связаться с разработчиком.

atasoglu/mbert-base-cased-nli-stsb-tr — модель Sentence Transformers на основе многоязычного BERT, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель основана на google-bert/bert-base-multilingual-cased и обучена на наборах данных nli_tr и emrecan/stsb-mt-turkish. Она предназначена прежде всего для работы с турецким языком. Архитектура — BERT, число параметров — 205,1 млн, максимальный контекст — 512 токенов. Модель подходит для поиска смыслово близких текстов и группировки предложений. В карточке приведены результаты оценки на тестовой части STS-b, но конкретные значения здесь не представлены. Распространяется по лицензии Apache-2.0.

Fremtind/mmBERT-base-norwegian — модель Sentence Transformer, разработанная Fremtind и дообученная на базе многоязычного энкодера ModernBERT jhu-clsp/mmBERT-base. Она преобразует предложения и абзацы на норвежском языке в плотные векторы размерностью 768 для сравнения смысловой близости, семантического поиска, классификации и кластеризации текста. Модель использует архитектуру ModernBERT с 306,9 млн параметров и формат safetensors. Для дообученного Sentence Transformer стандартная максимальная длина последовательности составляет 75 токенов; базовая модель допускает контекст до 8192 токенов. Модель оценивали на норвежских задачах классификации и кластеризации из MTEBv2. Модель распространяется по лицензии MIT. Она предназначена прежде всего для норвежского языка; результаты README указывают на оценивание по ограниченному набору задач, поэтому качество на других языках и сценариях этими данными не подтверждено.

msmarco-distilbert-dot-v5 — модель Sentence Transformers, обученная командой sentence-transformers для семантического поиска. Она кодирует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения запросов и текстовых фрагментов по смыслу. Модель обучена на 500 тысячах пар «запрос — ответ» из набора MS MARCO и использует архитектуру DistilBERT; максимальная длина входной последовательности составляет 512 токенов. Модель подходит для поиска релевантных документов или ответов по запросу, семантического сопоставления текстов и построения поисковых систем с векторным индексом. Для применения доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Основной язык карточки и метаданных — английский. Эмбеддинги не нормализуются автоматически, поэтому при сравнении нужно учитывать выбранную метрику и способ нормализации. Модель распространяется по лицензии Apache-2.0.

flax-sentence-embeddings/multi-qa_v1-mpnet-cls_dot — модель SentenceTransformers для построения векторных представлений предложений, разработанная в рамках проекта Hugging Face Community Week. Она основана на microsoft/mpnet-base и дообучена сиамской сетью с контрастивной целью на парах вопросов и ответов из Stack Exchange, MSMARCO, Natural Questions и других наборов данных. Для представления предложения используется выход CLS, а сходство при обучении вычислялось скалярным произведением. Модель предназначена для кодирования текста в векторы, сохраняющие семантическую информацию, прежде всего для поисковых систем и поиска ответов по смыслу. Полученные эмбеддинги также подходят для сравнения сходства предложений и кластеризации. Архитектура — MPNet; в репозитории указано 136,7 млн параметров и контекст до 514 токенов. Обучающие последовательности ограничивались 128 токенами. Модель принимает текст и выдаёт векторы; обучение на вопросно-ответных парах делает её особенно подходящей для поиска по вопросам и ответам. Лицензия в предоставленных данных не указана.

naija-embed-base — модель эмбеддингов предложений, разработанная OlaVerse для поиска смыслового сходства между английским, хауса, йоруба и игбо. Это дообученная на контрастных парах версия olaverse/mist-encoder-base-ng: пары для обучения получены машинным переводом английских предложений на нигерийские языки. Архитектура — ModernBERT с mean pooling; размер — 30,7 млн параметров, максимальный контекст — 1024 токена. Модель предназначена для межъязыкового поиска, семантического поиска внутри одного языка, кластеризации и удаления дубликатов. Эмбеддинги можно использовать в RAG-системах, например для поиска документов на йоруба по запросу на хауса. В README приведены результаты классификации тематик новостей и межъязыкового поиска на FLORES+. Обучение на синтетических переводах добавляет шум и ограничивает точность межъязыкового выравнивания; для игбо оно несколько слабее, чем для хауса. Нигерийский пиджин не входил в обучение. Модель распространяется по лицензии Apache-2.0.

Nemotron-3-Embed-1B-BF16-MLX — конверсия мультиязычной модели эмбеддингов NVIDIA Nemotron-3-Embed-1B-BF16, созданная независимым сообществом для запуска на Apple Silicon через MLX. Модель использует архитектуру Ministral3 с двунаправленным вниманием и выдаёт усреднённые L2-нормализованные текстовые эмбеддинги. Размер исходной модели — 1,1 млрд параметров; веса сохранены в BF16 без квантизации, формат файлов — safetensors. В метаданных указан контекст до 262 144 токенов, однако в этой реализации README задаёт max_length 4096 и отмечает, что двунаправленное внимание с квадратичной сложностью ограничивает практическую длину последовательности. Модель предназначена для семантического поиска, сопоставления запросов с документами, извлечения релевантных фрагментов и построения RAG-систем. Поддерживает множество языков, включая русский и английский; для запросов и документов требуются префиксы `query: ` и `passage: ` либо соответствующий параметр `input_type`. README сообщает о близком совпадении эмбеддингов с исходной PyTorch-реализацией, но отдельно подчёркивает, что это не измерение качества поиска. На Apple Silicon скорость обработки длинных документов может быть невысокой. Лицензия — OpenMDW-1.1; конверсия не связана с NVIDIA и не одобрена компанией.

Карточка модели infgrad/Prism-Qwen3.5-Reranker-9B на Hugging Face совпадает с карточкой infgrad/Prism-Qwen3.5-Reranker-4B, поэтому описание составлено по ней. Prism-Qwen3.5-Reranker-4B — модель-реранкер от infgrad на основе архитектуры Qwen3.5, дообученная для поиска и RAG-сценариев. Она оценивает релевантность пары «запрос — документ» и может дополнительно выдать краткий вклад документа в ответ на запрос и самостоятельный фрагмент с релевантными свидетельствами. Для нерелевантных документов возвращает отрицательный результат без этих пояснений. Модель предназначена для переупорядочивания результатов поиска, в том числе в агентных системах, и обработки запросов в форме ключевых слов. Веса содержат 3,4 млрд параметров; архитектура плотная, контекстное окно по метаданным — 262 144 токена. Однако обучение ограничивало примеры 10 тысячами токенов, поэтому на более длинных входах качество может снижаться. Основные языки — английский и китайский; другие языки также поддерживаются, но обучающих данных для них меньше. Модель распространяется под лицензией MIT.

DMetaSoul разработала DMetaSoul/sbert-chinese-general-v1 — модель Sentence-Transformers на базе BERT, дообученную на наборах данных для семантического сходства и перефразирования, включая NLI, PAWS-X, PKU-Paraphrase-Bank и STS. Она предназначена для общего семантического сопоставления китайских текстов: извлечения векторов предложений, кластеризации текстов и семантического поиска. Модель содержит 129,5 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 512 токенов. Лицензия Apache-2.0. В карточке приведены результаты на нескольких наборах оценки: модель особенно хорошо показала себя на Chinese-STS, но на других задачах результаты неоднородны. Авторы отмечают риск переобучения и предупреждают, что модель не оптимальна для всех задач.

Snowflake Arctic Embed M — плотная текстовая embedding-модель Snowflake для поиска по смыслу и извлечения релевантных документов. В карточке она описана как средняя модель семейства Arctic Embed, основанная на intfloat/e5-base-unsupervised и обученная в несколько этапов на парах запрос–документ и триплетах с трудными негативными примерами. Метаданные указывают архитектуру BERT, 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для построения векторного поиска и retrieval-компонента в системах RAG. Для версии M README приводит размерность эмбеддингов 768 и оценку MTEB Retrieval 54,90 NDCG@10. Она принимает текст и выдаёт векторные представления, которые можно сравнивать для ранжирования по релевантности. Карточка позиционирует исходную модель как англоязычную; более новые версии семейства отдельно заявлены для многоязычных сценариев. Модель распространяется по лицензии Apache-2.0. Ограничение контекста — 512 токенов; заявленные характеристики retrieval относятся к оценке из карточки и могут различаться на конкретных данных и настройках поиска.

Tamil-Embed-Base — модель эмбеддингов предложений, разработанная для работы с тамильским языком и дообученная на базе intfloat/multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров по метаданным; README указывает 278 млн. Модель преобразует текст в векторы для семантического поиска, сравнения предложений и межъязыкового поиска между тамильским и английским языками. Её обучали в два этапа: на парах для NLI, затем на параллельном корпусе Samanantar с трудными негативными примерами. Размер эмбеддинга — 768 измерений; Matryoshka-представления позволяют использовать усечённые векторы размером 512, 256, 128 или 64 измерения, чтобы ускорить поиск. Максимальная длина контекста — 514 токенов. Модель распространяется под лицензией Apache-2.0. README приводит результаты на межъязыковом бенчмарке, но таблица показана не полностью; поэтому по ней нельзя оценить качество на всех заявленных сценариях.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130184711-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130201355-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.