I.12Рекомендации и персонализация

Snorkel AI разработала Snorkel-Mistral-PairRM-DPO — чат-модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации ответов по запросу; использует формат промптов Mistral. Модель создана методом итеративного Direct Preference Optimization (DPO): для промптов из подмножества UltraFeedback генерировали варианты ответов, ранжировали их с помощью PairRM и дообучали модель на предпочтительных и отклонённых ответах. Цикл повторили три раза, используя результат каждого этапа как основу следующего. Веса доступны в формате PyTorch; лицензия — Apache-2.0. Карточка позиционирует модель для чата, но не приводит результатов оценки качества и подробного описания языковой поддержки. Указанный в README тестовый inference endpoint предназначен для проб, а не для постоянного производственного использования.

Vietnamese_Embedding — модель эмбеддингов на базе Sentence Transformers, разработанная AITeamVN и дообученная от BAAI/bge-m3 для улучшения поиска по вьетнамским текстам. Она принимает текст и выдаёт вектор размерности 1024; для сравнения векторов предусмотрена метрика dot product. Модель обучалась на примерно 300 тысячах триплетов запросов, положительных и отрицательных документов, а максимальная длина последовательности в карточке указана как 2048 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов по вьетнамским запросам; автор приводит оценку на Legal Zalo 2021. В метаданных указаны архитектура XLM-RoBERTa, контекст до 8194 токенов, библиотека sentence-transformers и форматы ONNX и safetensors. Лицензия — Apache 2.0. В README приведена более короткая максимальная длина последовательности, чем контекст в метаданных; качество поиска на других наборах данных отдельно не подтверждено.

WestLakev2-IreneRP-Neural-7B-slerp — объединённая текстовая модель на базе Mistral, созданная с помощью LazyMergekit из Smuggling1710/IreneRP-Neural-7B-slerp и macadeliccc/WestLake-7B-v2-laser-truthy-dpo. Для объединения использован метод slerp с настройками смешивания для слоёв self-attention и MLP. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста, в том числе диалоговых ответов и продолжения текста. В репозитории представлены веса Safetensors. Лицензия в доступных данных не указана. Качество и поведение унаследованы от объединяемых моделей; отдельные результаты оценки или рекомендации по развёртыванию в карточке не приведены.

Adaptive Sentiment Classifier — модель MemChainAI для классификации английских текстов по тональности на положительные, отрицательные и нейтральные. Она основана на DistilBERT и создана с помощью библиотеки adaptive-classifier; обучение проводилось на примерах из набора SetFit/tweet_sentiment_extraction с применением адаптивного и непрерывного обучения. Модель предназначена для анализа отзывов, сообщений в социальных сетях и пользовательского контента. В карточке особо отмечена обработка технических описаний, вопросов и образовательных текстов как нейтральных. Заявленная точность на тесте составляет 80%; лицензия — MIT. Модель оптимизирована для английского языка и текстов, похожих на твиты, отзывы и вопросы. Качество может снижаться на текстах длиннее 200 символов и при наличии специализированной терминологии; результаты обучения могут отражать смещения исходных данных. Не следует использовать её как единственное основание для важных решений.

Albertina 100M PTPT — энкодерная языковая модель для европейского португальского варианта Португалии, разработанная совместной командой Лиссабонского и Портского университетов. Модель семейства BERT построена на архитектуре DeBERTa и содержит 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно со 100 млн параметров, с 12 слоями и размером скрытого состояния 768. Она принимает текстовые последовательности длиной до 512 токенов и предназначена, в частности, для предсказания замаскированных токенов и использования в качестве основы для языковых задач на португальском языке. Модель обучена на корпусах европейского португальского общим объёмом около 2,2 млрд токенов, включая отфильтрованную для Португалии часть OSCAR, материалы Европейского парламента и стенограммы португальского парламента. В карточке приведены оценки на португальской версии задач GLUE, включая распознавание текстовых следствий, сходство предложений и классификацию пар предложений. Распространяется по лицензии MIT.

BERTomelo ModernBERT Base v1 — португалоязычный энкодер типа BERT, разработанный на базе архитектуры ModernBERT и предварительно обученный с нуля на португальской части корпуса ClassiCC. Версия Base содержит 22 слоя и около 135,5 млн параметров, принимает последовательности до 1 024 токенов и предназначена для заполнения пропусков в тексте. Для обучения использовано около 386,48 млрд токенов; модель применяет RoPE, чередование локального и глобального внимания, а также FlashAttention 2. Карточка сообщает о результатах оценки на задачах семантического сходства, распознавания текстовых следствий и распознавания именованных сущностей для бразильского португальского. Модель подходит для заполнения пропущенных слов и может служить энкодером для последующей адаптации к задачам понимания португальского текста. Контекст 1 024 токена поддерживает обработку более длинных фрагментов по сравнению со многими ранними моделями для бразильского португальского. Репозиторий содержит веса в формате safetensors и имеет лицензию Apache-2.0. Среди ограничений карточка отмечает отсутствие стандартизированных тестов длинного контекста для португальского языка, отсутствие упаковки последовательностей в текущем выпуске и возможность смещений, унаследованных от веб-данных ClassiCC PT.

google/bert_uncased_L-10_H-128_A-2 — компактная англоязычная модель BERT от Google из набора BERT Miniatures, описанного в работе «Well-Read Students Learn Better». В этой конфигурации 10 слоёв, скрытый размер 128 и 2 attention-головы; модель содержит около 6,5 млн параметров и принимает последовательности длиной до 512 токенов. Доступны реализации PyTorch и Flax. Модель предназначена для задач понимания английского текста и может дообучаться для конкретных задач так же, как исходные модели BERT. Компактный размер подходит для сред с ограниченными вычислительными ресурсами; авторы отмечают, что особенно эффективно использовать её в дистилляции, перенося на неё метки, подготовленные более крупной и точной моделью. В README приведены результаты оценки семейства на GLUE, но отдельная строка для данной конфигурации в предоставленном тексте отсутствует. Модель является предобученным чекпойнтом компактной архитектуры BERT; её не следует считать готовой универсальной чат-моделью. Лицензия — Apache-2.0. Для использования следует учитывать англоязычную специализацию и меньшую ёмкость по сравнению с крупными BERT-моделями.

google/bert_uncased_L-2_H-512_A-8 — компактная англоязычная модель BERT из набора BERT Miniatures, опубликованного Google и описанного в работе «Well-Read Students Learn Better». Архитектура содержит 2 слоя, скрытый размер 512 и 8 attention heads; в метаданных указано около 24 млн параметров и контекст до 512 токенов. Доступны веса PyTorch и Flax, лицензия Apache 2.0. Модель предназначена для понимания английского текста в условиях ограниченных вычислительных ресурсов и для дальнейшего тонкого дообучения, например под классификацию предложений, оценку сходства и другие задачи NLP. Авторы отмечают, что компактные варианты особенно эффективны при дистилляции с разметкой, полученной от более крупной модели. Это базовая предобученная модель, а не готовый специализированный классификатор; её следует дообучить для конкретной задачи. README сообщает, что модель обучалась без учета регистра с WordPiece-маскированием.

Geonmo/CLIP-Giga-config-fixed — временная копия конфигурации CLIP от LAION, созданная для использования, пока не будет исправлена конфигурация laion/CLIP-ViT-bigG-14-laion2B-39B-b160k. Модель относится к архитектуре CLIPModel и предназначена для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах. Модель принимает изображения и текстовые метки классов и сопоставляет их, чтобы выбрать подходящую метку. Репозиторий содержит веса в формате PyTorch; карточка указывает лицензию MIT. Это временное исправление конфигурации, поэтому пригодность и качество следует оценивать с учётом зависимости от исходной модели LAION.

mouped/duplicate-detection — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, предназначенная для поиска семантически похожих текстов и обнаружения дубликатов. Модель кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Архитектура включает BERT, усредняющий pooling и нормализацию эмбеддингов. Модель принимает текст, поддерживает многоязычные сценарии и рассчитана на последовательности длиной до 512 токенов. В README приведена оценка на задаче классификации дубликатов обращений в поддержку; также указано обучение на 67 265 парах текстов с ContrastiveLoss. Лицензия в предоставленных данных не указана.

Это дообученная модель серии Dynamic Topic Modeling, разработанная Aman Priyanshu на основе Unsloth/Llama-3.2-1B-bnb-4bit. Она предназначена для генерации иерархических тем по тексту в формате «область > общая тема > конкретная тема». Модель построена на архитектуре Llama 3.2 с 1,2 млрд параметров и контекстным окном до 131 072 токенов по метаданным. Для обучения использовали 100 000 документов из подвыборки RedPajama-1T с аннотациями тем трёх уровней; в описании обучения указана длина последовательности 2048 токенов. Модель ориентирована на английский язык и работает с текстом, выдавая текстовую классификацию тем. Её можно применять для тематической разметки документов и построения иерархии тем в коллекциях текстов. Карточка приводит значение loss 2,3959, но не содержит сравнительной оценки качества на независимом тестовом наборе. Условия лицензии в предоставленных данных не приведены.

Forbidden-Fruit-L3.3-70b-0.2a — разговорная языковая модель, созданная BruhzWater как merge нескольких моделей Llama 3.3 70B. Автор описывает её как универсальную модель для расширения знаний в области культуры, математики, естественных наук и медицины; в состав слияния включена TheDrummer/Fallen-Llama-3.3-70B-v1, чтобы уменьшить количество отказов. Модель предназначена для диалогов и генерации текста по запросам пользователя. Модель имеет плотную архитектуру LlamaForCausalLM, около 69,5 млрд параметров и контекстное окно до 131 072 токенов. Репозиторий содержит веса Safetensors; метаданные указывают библиотеку Transformers и поддержку чата. README не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

facebook/metaclip-2-mt5-worldwide-b32 — мультиязычная модель MetaCLIP 2, разработанная Meta и представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Это чекпойнт ViT-B/32 с токенизатором mT5, соответствующий варианту «ViT-B-32-mT5-worldwide» оригинальной реализации. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на заданных классах: пользователь передаёт изображение и варианты меток или описаний, а модель сопоставляет их. Модель использует архитектуру MetaClip2Model и распространяется в формате safetensors для Transformers. Карточка указывает мультиязычную направленность, но конкретные поддерживаемые языки, число параметров и размер контекста не приводит. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

MetaCLIP 2 (worldwide) — мультимодальная модель семейства MetaCLIP 2, представленная Meta в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-bigG-14-worldwide и предназначен для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах: пользователь задаёт возможные категории или подписи, а модель оценивает их соответствие изображению. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве представлений. Карточка указывает на мультиязычную направленность; конкретные поддерживаемые языки и размер модели в предоставленных данных не уточнены. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

NeuralAlgo-7B-slerp — объединённая модель для генерации текста, созданная с помощью LazyMergekit методом SLERP на основе AurelPx/Percival_01-7b-slerp и yam-peleg/Experiment26-7B. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации продолжений и ответов на текстовые запросы; карточка не описывает специализированные сценарии или языки обучения. Модель распространяется в формате safetensors по лицензии Apache-2.0.

opensearch-project/opensearch-neural-sparse-encoding-v2-distill — модель разреженного поиска OpenSearch Contributors на базе DistilBERT. Она кодирует запросы и документы в разреженные векторы размерности 30 522: индексы соответствуют токенам словаря, а веса отражают их важность. Модель рассчитана на поиск по текстовым коллекциям и может использоваться с инвертированным индексом Lucene через OpenSearch; также доступен запуск через API Hugging Face. Версия v2-distill содержит 67 млн параметров и поддерживает контекст до 512 токенов. В сравнении на подмножестве BEIR она показала средний NDCG@10 0,528 и средний FLOPS 8,3; результаты различаются по наборам данных. Модель обучалась на корпусах для поиска и вопросов-ответов, включая MS MARCO, SQuAD-пары и данные Stack Exchange. Карточка указывает английский язык. Лицензия — Apache-2.0.

pritamdeka/SapBERT-mnli-snli-scinli-scitail-mednli-stsb — модель Sentence-Transformers на базе BERT, разработанная для получения плотных векторных представлений предложений и абзацев. Она содержит 136,7 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов. Модель обучена на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB с использованием CosineSimilarityLoss. Её можно применять для семантического поиска, сравнения смысловой близости текстов и кластеризации, в том числе медицинских и научных текстов. Для использования через Transformers требуется корректно выполнить pooling контекстных представлений. В карточке нет сведений о лицензии и явно заявленной поддержке языков, поэтому условия использования и языковой охват по этим источникам установить нельзя.

Модель sentence-embeddings-xllora-xlmr-afr разработана для получения векторных представлений предложений на языке африкаанс. Она основана на XLM-R и дообучена методом XL-LoRA для обучения представлений предложений в условиях нехватки языковых ресурсов. Размер модели — 305,2 млн параметров, максимальный контекст — 514 токенов; формат весов — PyTorch. Модель предназначена для оценки семантического сходства, поиска предложений и кластеризации текстов на африкаанс. В исходной схеме представления объединяются скрытые состояния первого и последнего слоёв с равными весами, затем применяется усреднение по токенам. Для получения эмбеддингов можно также использовать стандартное усреднение по токенам, но результаты могут немного отличаться от опубликованных в статье. Обучение проводилось на синтетических наборах триплетов; лицензия — MIT.

SPLADE-v3-Doc — разработанная командой Naver модель разреженных текстовых представлений для семантического поиска и разреженного извлечения документов. Это асимметричный SPLADE-энкодер без вычислений на стороне запроса: он кодирует предложения и абзацы в разреженные векторы размерности 30 522, сопоставляемые скалярным произведением. Архитектура построена на BertForMaskedLM с максимальной длиной последовательности 512 токенов; для воспроизведения оценки использовалось 256 токенов. Модель относится к семейству SPLADE-v3 и основана на Luyu/co-condenser-marco. В карточке приведены результаты на MS MARCO dev (MRR@10 37,8) и среднем BEIR-13 (nDCG@10 47,0). Модель предназначена для индексирования текстов и поиска релевантных предложений или абзацев; язык карточки и метаданных — английский. Репозиторий использует PyTorch и safetensors, а лицензия CC BY-NC-SA 4.0 требует атрибуции и ограничивает коммерческое использование.

TIPSv2-B/14 — контрастивная модель «изображение–текст» семейства TIPSv2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Модель создаёт пространственно насыщенные признаки изображений и согласованные с ними текстовые эмбеддинги. Вариант B/14 содержит 86 млн параметров визуального кодировщика и 110 млн параметров текстового кодировщика; общий размер — около 196 млн параметров. Архитектура включает 12-слойный визуальный энкодер ViT и 12-слойный текстовый Transformer, размерность эмбеддингов — 768. Изображения можно подавать в произвольном разрешении после преобразования значений пикселей в диапазон [0, 1]; текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель подходит для поиска и классификации изображений по текстовым меткам, а пространственные признаки также могут использоваться в сценариях сегментации. Поддержка русского языка в README и метаданных не подтверждена. Модель доступна под лицензией Apache-2.0. Для результатов классификации важно заранее подобрать подходящие текстовые описания классов; README не приводит количественных оценок качества или конкретных ограничений применимости.

TIPSv2-L/14 — контрастивная модель «изображение–текст» семейства TIPSv2, представленная в карточке Google. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по пользовательским классам без отдельного обучения на этих классах. Модель также формирует пространственно насыщенные признаки изображений, которые можно использовать для визуализации и задач сегментации. Модель содержит визуальный энкодер ViT из 24 слоёв и текстовый Transformer-энкодер из 12 слоёв. Визуальная часть имеет 303 млн параметров, текстовая — 184 млн; размерность эмбеддингов составляет 1024. Изображения можно подавать с разным разрешением в диапазоне [0, 1] без нормализации ImageNet. Для текста используется токенизатор SentencePiece с приведением текста к нижнему регистру и ограничением в 64 токена. Модель распространяется под лицензией Apache-2.0. Она выдаёт признаки и оценки сходства для сопоставления изображений и текста; README также упоминает пространственные признаки для сценариев сегментации. В метаданных основной задачей указана zero-shot-классификация изображений. Поддерживаемые языки в предоставленных материалах не перечислены.

ViDense — модель эмбеддингов предложений для вьетнамского языка, созданная автором namdp-ptit путём дообучения FacebookAI/xlm-roberta-large. Она предназначена для поиска семантически близких текстов и ранжирования документов по запросу. Модель содержит 658,7 млн параметров, использует mean pooling, Rotary Position Encoding и блочный параллельный трансформер; обучение включало Momentum Contrast и отдельный Rank Encoder для учёта транзитивных связей релевантности. Для оптимизации применялись cross-entropy по оценкам сходства и MSE по оценкам Spearman. В README приведены результаты Recall@3 на вьетнамских наборах ZAC, WebFAQ, OwiFAQ, ViQuAD2.0 и ViLegal. Репозиторий использует PyTorch и Transformers, веса представлены в формате PyTorch; лицензия — Apache-2.0. Модель ориентирована на вьетнамский текст, а заявленная длина контекста составляет 8194 токена.

nomic-embed-text-v2-moe — многоязычная модель текстовых эмбеддингов от Nomic AI для поиска и сопоставления текстов. Она предназначена для семантического поиска, в том числе в системах RAG, где векторные представления документов и запросов используются для извлечения релевантных материалов. Модель основана на архитектуре NomicBert с разреженной смесью экспертов: 475 млн параметров всего, около 305 млн активны при инференсе, восемь экспертов с маршрутизацией top-2. Она формирует эмбеддинги размерностью от 256 до 768 благодаря Matryoshka-представлениям; README указывает максимальную длину входа 512 токенов, а метаданные — контекст 2048 токенов. Поддерживает множество языков, включая русский, и обучалась на более чем 1,6 млрд пар текстов. Модель заявлена как конкурентоспособная на многоязычных задачах поиска, а сокращение размерности позволяет уменьшить хранение эмбеддингов с небольшим снижением качества. Для запросов и документов следует использовать префиксы search_query: и search_document:. Ограничения: качество может различаться между языками, а MoE-архитектура может требовать больше ресурсов, чем плотные модели; для пользовательской реализации архитектуры при загрузке через Transformers требуется trust_remote_code=True. Лицензия — Apache-2.0.

priyaganesh2050/all-MiniLM-L6-v2 — зеркало англоязычного энкодера предложений MiniLM, основанного на BERT и размещённого авторами исходной модели sentence-transformers/all-MiniLM-L6-v2. Это шестислойная модель с 25,9 млн параметров, которая преобразует текст в нормализованные семантические векторы размерности 384; веса доступны в формате safetensors для библиотеки sentence-transformers. Максимальная длина последовательности по метаданным — 512 токенов, а README указывает ограничение в 256 word pieces с усечением более длинного ввода. Модель подходит для семантического поиска, сравнения предложений, кластеризации, удаления дубликатов и извлечения релевантных фрагментов для RAG. В README отмечены высокая скорость кодирования на CPU и единичная длина векторов, позволяющая вычислять косинусное сходство скалярным произведением. Модель рассчитана только на английский язык. Репозиторий содержит копию весов и токенизатора; варианты ONNX, OpenVINO, TensorFlow и Rust следует получать из исходного репозитория. Лицензия — Apache-2.0.

Карточка модели AshwinKM2005/github-duplicates-bi-encoder на Hugging Face совпадает с карточкой google/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

paraphrase-multilingual-mpnet-base-v2 — многоязычная модель Sentence Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для семантического поиска, сравнения сходства и кластеризации текстов. Архитектура основана на XLM-RoBERTa; модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для поиска семантически близких фрагментов и группировки текстов на разных языках. Она доступна в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Результат модели — векторное представление текста, поэтому для получения оценки сходства или поиска требуется сравнить векторы подходящим методом.

USER-base — модель sentence-transformers, разработанная DeepVK для получения эмбеддингов предложений и абзацев на русском языке. Она основана на DeBERTa v1 base, содержит 151,8 млн параметров и преобразует текст в плотные векторы размерности 768; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, оценки сходства, кластеризации, поиска перефразировок и использования эмбеддингов как признаков классификации. Модель дообучена на русскоязычных парах текстов, включая данные ru-HNP и ru-WANLI, а также обучающие выборки ряда задач NLI, поиска и суммаризации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач и эмбеддингов-признаков используется «query: ». В опубликованных сравнениях USER-base показывает конкурентные результаты среди моделей сопоставимого размера, но уступает некоторым более крупным моделям в задачах поиска. Другие языки не оценивались. Лицензия — Apache-2.0.

EuroBERT-2.1B — мультиязычная плотная модель-энкодер семейства EuroBERT, разработанная командой EuroBERT. Модель содержит 2,1 млрд параметров и обрабатывает последовательности длиной до 8192 токенов. Это masked language model для заполнения пропусков; её также можно дообучать или использовать с соответствующими головами для классификации текста и токенов, ответов на вопросы, поиска и регрессии. Модель рассчитана на английский, французский, немецкий, испанский, китайский, итальянский, русский, польский, португальский, японский, вьетнамский, нидерландский, арабский, турецкий и хинди. Карточка также указывает поддержку кода и математики. Для работы подходит библиотека Transformers версии 4.48.0 и выше; веса доступны в форматах PyTorch и Safetensors. EuroBERT-2.1B показала сильные результаты в оценках мультиязычного поиска, классификации, регрессии, качества переводов, кода и математических задач; авторы сообщают, что она превзошла сравниваемые системы в проведённых оценках. Как энкодер, она не предназначена для свободной генерации длинных ответов. Лицензия — Apache-2.0.

srikarvar/multilingual-e5-small-pairclass-contrastive — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-small. Она кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения векторов используется косинусное сходство. Архитектура включает BERT, усреднение токенных представлений и нормализацию; максимальная длина входа — 512 токенов. Модель предназначена для оценки семантического сходства пар текстов, семантического поиска и поиска перефразирований. Эмбеддинги также можно использовать для кластеризации и классификации текста. В README приведены результаты бинарной классификации на наборах pair-class-dev и pair-class-test; обучение проведено с ContrastiveLoss на 296 парах. Многоязычность унаследована от базовой multilingual-e5-small, однако конкретные поддерживаемые языки в доступных данных не перечислены. Лицензия в предоставленных данных не указана.

Многоязычная модель Sentence Transformers на архитектуре BERT, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 384 и предназначена для семантического поиска, сравнения сходства и кластеризации. Обучение с Matryoshka2dLoss поддерживает использование представлений нескольких размерностей, включая 768, 512, 256, 128 и 64; контекст модели составляет 512 токенов, число параметров — 124,3 млн. Модель подходит для многоязычных текстовых коллекций и поиска семантически близких фрагментов. Для сравнения сходства и ранжирования результатов требуется использовать полученные эмбеддинги в соответствующей метрике или поисковом процессе. Лицензия в предоставленных данных не указана.