I.12Рекомендации и персонализация

Это многоязычная модель Sentence Transformers, дообученная legalvn на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 384, а сходство между текстами оценивается косинусной мерой. Архитектура состоит из BERT-трансформера и слоя усреднения токенов; README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Примеры обучающих данных на вьетнамском языке посвящены нормативным документам и образовательным программам, что делает её полезной для сопоставления вьетнамских запросов с фрагментами документов. Веса доступны в формате safetensors; лицензия в предоставленных данных не указана.

KBLab, лаборатория данных Национальной библиотеки Швеции, разработала эту модель на базе BERT для получения плотных векторных представлений шведских и английских предложений и абзацев. Это sentence-transformers bi-encoder размером 151,9 млн параметров; он отображает текст в векторы размерности 768 и поддерживает входную последовательность до 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Шведская KB-BERT обучалась как student-модель с помощью дистилляции знаний от английской all-mpnet-base-v2. В README приведены результаты оценки на шведских наборах SweParaphrase и SweFAQ; версия v2.0 показала лучшие результаты на задаче поиска ответов в SweFAQ v2.0 среди перечисленных версий. Модель принимает текст и выдаёт векторы, пригодные для сравнения и поиска. Распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанным шведским бенчмаркам; качество на других языках и типах текстов может отличаться.

Карточка модели marma/sentence-bert-swedish-cased на Hugging Face совпадает с карточкой KBLab/sentence-bert-swedish-cased, поэтому описание составлено по ней. KBLab, лаборатория данных Национальной библиотеки Швеции, разработала эту модель на базе BERT для получения плотных векторных представлений шведских и английских предложений и абзацев. Это sentence-transformers bi-encoder размером 151,9 млн параметров; он отображает текст в векторы размерности 768 и поддерживает входную последовательность до 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Шведская KB-BERT обучалась как student-модель с помощью дистилляции знаний от английской all-mpnet-base-v2. В README приведены результаты оценки на шведских наборах SweParaphrase и SweFAQ; версия v2.0 показала лучшие результаты на задаче поиска ответов в SweFAQ v2.0 среди перечисленных версий. Модель принимает текст и выдаёт векторы, пригодные для сравнения и поиска. Распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанным шведским бенчмаркам; качество на других языках и типах текстов может отличаться.

hatemestinbejaia/mmarco-Arabic-AraDPR-bi-encoder-NoKD-v1 — арабоязычная модель Sentence Transformers на базе BERT, дообученная на наборе RARAELECTRAandRARABERTusedDATASET. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и ранжирования текстов; близость оценивается косинусным сходством. Модель подходит для поиска релевантных фрагментов в системах вопросов и ответов, поиска перефразировок и кластеризации текстов. Максимальная длина входа — 512 токенов. В архитектуре используется усреднение токенных представлений BERT. В README приведены результаты оценки ранжирования: MAP 0,5211 и MRR@10 0,5216. Модель ориентирована на арабский язык; метаданные указывают 205,1 млн параметров и формат safetensors. Лицензия в предоставленных сведениях не указана.

ModernCE-base-nli — англоязычный cross-encoder на архитектуре ModernBERT-base, обученный автором dleemiller для классификации отношений между парами текстов: противоречие, нейтральность или следование. Модель дообучена на наборе AllNLI из Sentence Transformers и совместима с сопоставимыми cross-encoder-моделями Sentence Transformers. Модель предназначена для NLI, оценки смыслового сходства и проверки того, следует ли гипотеза из текста-посылки. Автор сообщает точность 90,34% на MNLI mismatched и 90,25% на SNLI. В README заявлена обработка последовательностей до 8192 токенов, тогда как метаданные указывают нативный контекст 2048 токенов. Веса содержат около 149 млн параметров и доступны в формате safetensors. Лицензия — MIT. Показатели приведены для указанных тестовых наборов; они не гарантируют качество на других данных. Модель ориентирована на английский язык.

jordyvl/scibert_scivocab_uncased_sentence_transformer — модель на базе BERT, упакованная для библиотеки Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. В метаданных указаны 137,1 млн параметров и контекст до 512 токенов; модель доступна в форматах PyTorch и safetensors. Модель предназначена для получения эмбеддингов текстов, сравнения семантической близости, поиска и группировки текстов. Название указывает на использование SciBERT с научным словарём, однако карточка не сообщает отдельные результаты оценки или поддерживаемые языки. Условия лицензии в предоставленных данных не указаны.

anuragseven/scifact-biencoder — модель на базе BERT, созданная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусным сходством; максимальная длина контекста составляет 512 токенов. Для использования нужны Sentence-Transformers. Лицензия в предоставленных данных не указана.

TUKE-DeutscheTelekom/slovakbert-skquad-mnlr — модель Sentence Transformer, разработанная для сопоставления словацких предложений и поиска семантически близких текстов. Она основана на gerulata/slovakbert и дообучена на 65 699 примерах с MultipleNegativesRankingLoss. Архитектура использует RoBERTa с усреднением токенных представлений; модель формирует эмбеддинги размерности 768 и сравнивает их косинусным сходством. Модель предназначена для семантического поиска, ранжирования кандидатов по близости к запросу и сопоставления вопросов с контекстами. Максимальная длина последовательности в README — 300 токенов; метаданные указывают нативный предел 514 токенов. Оптимизирована для словацкого языка, в частности для задач поиска ответов на вопросы по текстовым фрагментам. Репозиторий распространяется с файлами safetensors; лицензия в предоставленных данных не указана.

WeMM-Embedding-2B-GGUF — неофициальная GGUF-квантизированная версия модели WeMM-Embedding-2B, разработанной Tencent и подготовленной ewinregirgojr. Это модель эмбеддингов и извлечения признаков, предназначенная для семантического представления кода и текста в виде плотных L2-нормализованных векторов размерностью 2048. Поддерживаются английский, китайский, другие многоязычные сценарии, а также языки программирования, включая Python, TypeScript, JavaScript, C++, Rust, Go, SQL и Shell. Модель использует гибридную архитектуру из 18 слоёв Mamba SSM с линейным вниманием и 6 слоёв полного softmax-внимания и содержит около 2 млрд параметров. Она ориентирована на поиск и извлечение кода, RAG-системы, индексацию векторных баз данных, поиск дубликатов и выявление близких реализаций. GGUF-файлы совместимы с llama.cpp, Ollama и LM Studio; заявлена также интеграция с Unsloth, vLLM и sentence-transformers. В репозитории представлены варианты квантизации от Q4 до Q8, позволяющие выбирать между размером, скоростью и точностью; для некоторых вариантов заявлено сохранение косинусного сходства на уровне примерно 99,59–99,82% относительно FP16-базовой версии. Сильными сторонами являются высокая пропускная способность, компактность квантизированных вариантов и специализация на поиске по коду и техническим данным. Модель не предназначена для авторегрессионной генерации текста, дополнений или чат-ответов. В описании упоминается мультимодальная поддержка базовой модели, включая текст, изображения и видео, однако подробные характеристики этих модальностей для данного GGUF-релиза не приведены; размер контекста также не указан. Лицензия — Apache-2.0.

ColBERTv2 — модель поиска по текстовым коллекциям, разработанная командой ColBERT и представленная в статье ColBERTv2. Она предназначена для быстрого извлечения релевантных фрагментов и поиска passages по запросам, в том числе в крупных корпусах. Контрольная точка обучена на задаче ранжирования фрагментов MS MARCO Passage Ranking. Модель основана на BERT и использует позднее взаимодействие: отдельно кодирует запрос и каждый фрагмент в матрицы контекстных векторных представлений токенов, а затем сопоставляет их оператором MaxSim. В репозитории указаны 136,7 млн параметров и контекст до 512 токенов; модель рассчитана на английский язык. Для поиска нужно заранее индексировать коллекцию; скорость и качество выдачи можно регулировать параметрами поиска. Доступны форматы PyTorch, ONNX и Safetensors. ColBERTv2 подходит для поиска passages и построения компонентов retrieval в системах ответов на вопросы и RAG. Она выдаёт векторные представления и оценки релевантности, а не готовые текстовые ответы. Репозиторий распространяется по лицензии MIT.

OmarAlsaabi/e5-base-mlqa-finetuned-arabic-for-rag — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для сценариев поиска по арабским вопросам и документам MLQA. Она преобразует предложения и абзацы в плотные векторы размерности 768, подходящие для семантического поиска, ранжирования по сходству и кластеризации. Модель содержит около 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для поиска релевантных фрагментов в RAG-системах и сопоставления арабоязычных запросов с текстами. В README указано обучение с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий использует формат safetensors; лицензия в предоставленных данных не указана.

kalle07/embedder_collection — подборка более чем 25 моделей для создания текстовых эмбеддингов, опубликованная пользователем kalle07. Репозиторий содержит практические рекомендации по выбору модели, подготовке документов, разбиению текста на фрагменты и настройке локального RAG. Главная задача моделей в подборке — вычислять векторные представления текста и поддерживать поиск похожих предложений и фрагментов документов. Модели ориентированы на локальное использование с программами вроде AnythingLLM и LM Studio; в репозитории представлены файлы GGUF в форматах BF16, F16, F32 и Q8_0. Автор также упоминает применение через Ollama и KoboldCpp, но совместимость зависит от конкретной модели и среды запуска. В качестве языков в метаданных указаны английский и немецкий; подборка включает модели разных семейств, поэтому характеристики контекста и качество различаются. Подборка пригодится для семантического поиска по документам и построения RAG-систем, но сама по себе не гарантирует улучшения ответов: на результат влияют подготовка текста, разбиение на фрагменты, настройки поиска и основная языковая модель. Автор отмечает, что подходящую модель следует выбирать с учётом языка и предметной области. Лицензия в предоставленных данных не указана.

iLLaDA-8B-Base — базовая языковая модель семейства iLLaDA, разработанная GSAI-ML и представленная в работе Improved Large Language Diffusion Models. Это плотная 8-миллиардная модель с полностью двунаправленной архитектурой маскированной диффузии, обученная с нуля на 12 триллионах токенов. В ней 32 слоя, размерность модели 4096 и 32 головы внимания; контекст составляет 8192 токена. Модель предназначена для генерации текста и диалоговых сценариев. Она поддерживает генерацию переменной длины и оценивание вариантов ответа на основе уверенности, что подходит, в частности, для задач с выбором ответа. В README приведён результат 74,8 на MMLU для базовой версии iLLaDA 8B. Модель доступна в формате Safetensors и используется через Transformers. Лицензия — Apache-2.0. README не сообщает о специализированной отраслевой настройке или ограничениях качества за пределами приведённых результатов; языки обучения и применения не указаны.

tomaarsen/multivector-ModernBERT-base-msmarco-contrastive-no-query-expansion — англоязычный много-векторный энкодер, дообученный tomaarsen на базе answerdotai/ModernBERT-base с помощью библиотеки Sentence Transformers на парах запросов и документов из msmarco-bm25. Модель предназначена для семантического поиска и информационного поиска с поздним взаимодействием: она кодирует текст в последовательность 128-мерных векторов токенов, а релевантность оценивается функцией MaxSim. Модель принимает текст, поддерживает последовательности длиной до 8192 токенов и содержит 149 млн параметров. В README приведены результаты оценки поиска на наборах NanoMSMARCO, NanoBEIR и других задачах извлечения информации; результаты зависят от датасета и выбранной метрики. Для работы требуется сопоставлять векторы запросов и документов, поэтому это энкодер для поискового конвейера, а не генеративная модель ответов. Распространяется по лицензии Apache-2.0.

Sentence-ModernBERT-JP-0.5B-PT — модель для получения векторных представлений японских предложений, разработанная на основе iamtatsuki05/ModernBERT-JP-0.5B-PT-stage2. Авторы дообучили базовую ModernBERT методом контрастивного обучения со слабой разметкой на датасете cl-nagoya/ruri-dataset-v2-pt; модель содержит около 677,5 млн параметров и выдаёт эмбеддинги размерности 1280 с усреднением токенов. Модель предназначена для поиска по смыслу, сравнения предложений и извлечения релевантных текстов. Она принимает текстовые последовательности длиной до 8192 токенов, использует токенизатор SentencePiece с размером словаря 102 400 и позиционное кодирование RoPE; для сравнения векторов рекомендуется косинусное сходство. Поддерживаемый язык — японский. Модель распространяется в формате safetensors и доступна по лицензии MIT.

Модель разработана Hellenic Army Academy (SSE) и Technical University of Crete (TUC) для получения эмбеддингов предложений на английском и греческом языках. Это sentence-transformers на базе XLM-RoBERTa с 305,2 млн параметров: она преобразует предложения и абзацы в плотные векторы размерностью 768, сохраняя смысловую близость между языками. Модель предназначена для оценки семантического сходства, семантического поиска, кластеризации текстов и сопоставления переводов между английским и греческим. В README приведены результаты оценки сходства на парах EN–EL и поиска соответствий между переводами. Контекст составляет до 514 токенов. Распространяется под лицензией Apache-2.0.

vectorizer.guava — многоязычная модель-векторизатор, разработанная Sinequa для поиска релевантных фрагментов текста. Она преобразует запросы и passages в векторы: векторы passages сохраняются в индексе, а вектор запроса используется для поиска подходящих фрагментов. Модель построена на базе mMiniLMv2-L6-H384-distilled-from-XLMR-Large и имеет архитектуру XLM-RoBERTa; в метаданных указано 110,2 млн параметров, а README указывает 107 млн. Выходные эмбеддинги имеют размерность 256 благодаря дополнительному плотному слою, контекст — до 514 токенов. Модель обучена для семантического поиска на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском (упрощённом и традиционном) и польском языках. Она нечувствительна к регистру и диакритическим знакам. README сообщает о среднем Recall@100 0,616 на англоязычных наборах BEIR и приводит результаты для ряда языков MIRACL и традиционного китайского. Для запуска в Sinequa требуется версия не ниже 11.10.0; для GPU указана CUDA compute capability выше 7.5. Лицензия в предоставленных данных не указана.

answerai-colbert-small-v1 — экспериментальная модель с несколькими векторами от Answer.AI, обученная по рецепту JaColBERTv2.5 с дополнительными изменениями. Она использует архитектуру BERT и содержит около 40 млн параметров по метаданным; в README авторы указывают размер 33 млн. Модель рассчитана на англоязычный поиск по пассажам и извлечение релевантных документов в RAG-системах, а также может применяться для переранжирования результатов поиска. ColBERT-кодирование хранит несколько векторов для текста и сопоставляет запрос с документами методом позднего взаимодействия. Это даёт модели сильные результаты на приведённых авторами тестах для модели её размера, включая BEIR. Контекст составляет 512 токенов; доступны веса Safetensors и формат ONNX. Лицензия — Apache-2.0. README описывает модель как доказательство концепции, поэтому результаты на бенчмарках не гарантируют качество для конкретного корпуса или сценария.

Atom 27B — диалоговая модель VANTA Research, созданная дообучением Google Gemma 3 27B IT для совместной работы с человеком. Она позиционируется как партнёр для размышлений: помогает разбирать проблемы, задаёт уточняющие вопросы, мягко проверяет предположения и предлагает идеи. Модель использует плотную архитектуру Gemma 3, содержит 27 млрд параметров и поддерживает контекст до 128 тыс. токенов. Репозиторий включает веса Safetensors и GGUF F16; заявлена возможность локального запуска через llama.cpp. Модель предназначена для диалогов, совместного решения рабочих задач, структурирования рассуждений и мозгового штурма. В карточке показаны примеры анализа причин срыва сроков и подбора идей подарка. Указан английский язык; вход по изображениям для Atom не подтверждён, несмотря на мультимодальность базовой модели. Лицензия — Gemma; условия её использования определяются лицензией Google Gemma.

Это компактная англоязычная модель BERT из набора BERT Miniatures, опубликованного Google. Вариант L-8-H-512-A-8 содержит 8 слоёв, скрытый размер 512 и 8 голов внимания; модель имеет около 49,2 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с токенизацией WordPiece и доступна в форматах PyTorch и Flax. Модель предназначена для задач понимания английского текста и может дообучаться для классификации, анализа тональности, определения семантического сходства и других задач обработки языка. Компактный размер рассчитан на среды с ограниченными вычислительными ресурсами; авторы также указывают на эффективность применения в дистилляции, когда метки для дообучения создаёт более крупная модель-учитель. Лицензия — Apache-2.0.

AnkushRaut216/Contrastive-Finetuned-for-AI-all-MiniLM-L6-V2 — дообученная контрастивным методом модель семейства MiniLM на текстах, связанных с искусственным интеллектом. Она построена на MiniLM-L6-H384-uncased и использует архитектуру BERT; модель содержит 25,9 млн параметров и рассчитана на текстовые входы длиной до 512 токенов по метаданным. README указывает, что последовательности длиннее 256 word pieces обрезаются, поэтому фактический предел может зависеть от используемого пайплайна. Модель преобразует предложения и короткие абзацы в плотные векторы размерностью 384, пригодные для семантического поиска, оценки сходства и кластеризации текстов. Обучение на парах предложений с контрастивной целью помогает сопоставлять близкие по смыслу фразы; карточка называет специализированную область — тексты об ИИ. Указанный язык карточки — английский. Модель распространяется под лицензией Apache-2.0. Она выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст; качество на других языках и предметных областях в предоставленных данных не описано.

Dev-0.4B — разработанная авторами карточки модель классификации решений на 394,7 млн параметров, построенная на двунаправленной архитектуре ModernBERT-large. Она преобразует неструктурированный текст в структурированный выбор: определяет категорию из предложенных вариантов, проверяет утверждения в формате «да/нет» и оценивает текст по шкале. Кандидаты передаются как текст вместе с входными данными, а модель оценивает их за один проход без генерации токенов. Указано контекстное окно до 8192 токенов. Модель предназначена для маршрутизации обращений, проверки условий и утверждений, разбора отзывов, сортировки журналов и выставления оценок по заданной шкале. В README приведены результаты сравнительных оценок на Banking77, BoolQ, Yelp Reviews и CodeSearchNet, а также измерения низкой задержки на Apple Silicon и CUDA; эти показатели относятся к описанным тестам и аппаратным условиям. Модель поддерживает задачи text-classification и fill-mask по метаданным, хотя карточка представляет её как классификатор решений. Dev не генерирует текст, не выдаёт цепочки рассуждений и не подходит для сценариев, требующих потоковой генерации или объяснений в виде текста. Калибровка вероятностей зависит от применяемых температур считывания и рассматриваемых данных. Модель выпущена под лицензией Apache-2.0.

Модель inokufu/flaubert-base-uncased-xnli-sts создана на основе французской Flaubert base uncased и дообучена на задаче распознавания логических отношений между предложениями из XNLI, а затем на оценке семантического сходства по данным STS-fr. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения по смыслу, семантического поиска и кластеризации. Контекст модели — до 512 токенов; формат репозитория — PyTorch. Модель рассчитана прежде всего на французский язык. В README указан результат 83,07% на оценке STS (fr). Для использования через Transformers требуется подходящая операция pooling поверх контекстных представлений. Лицензия в предоставленных данных не указана.

GLiClass Base v1.0 — компактная модель классификации последовательностей от разработчиков семейства GLiClass, вдохновлённая GLiNER. Она выполняет классификацию текста без дообучения на конкретной разметке: пользователь задаёт категории, а модель оценивает текст за один проход. В карточке указана архитектура GLiClass; веса доступны в форматах Safetensors и ONNX. Размер версии Base в README — 186 млн параметров. Модель подходит для классификации тем и тональности, а также для оценки релевантности документов в RAG-сценариях. В тестах zero-shot она показала результаты на наборах IMDB, AG_NEWS и Emotions; точность зависит от задачи и формулировок категорий. Обучение проводилось на синтетических данных. Карточка заявляет возможность коммерческого использования, а метаданные указывают лицензию Apache-2.0.

uclanlp/keyphrase-mpnet-v1 — модель Sentence-Transformers, разработанная UCL NLP для представления фраз в виде плотных векторов размерности 768. Она основана на sentence-transformers/all-mpnet-base-v2 и дополнительно дообучена с помощью SimCSE на корпусе из миллиона ключевых фраз из научных публикаций, новостей, онлайн-форумов и других областей. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текстовые фразы; длина контекста составляет 514 токенов. Векторы подходят для семантического поиска, кластеризации и вычисления семантических оценок качества моделей извлечения ключевых фраз. Обучение на фразах из нескольких предметных областей делает её специализированным вариантом для работы с ключевыми фразами. В предоставленных материалах условия лицензии не приведены.

sankalpakc/nepali-sbert-175k-mpnet — модель Sentence Transformers на архитектуре XLM-RoBERTa, разработанная Sankalpa KC. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения предложений и кластеризации. Модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель ориентирована на непальский язык, что отражено в названии репозитория; README описывает её как инструмент для работы с эмбеддингами предложений и абзацев. Для использования доступны Sentence Transformers и Transformers с подходящей операцией pooling. В метаданных указана лицензия? Сведений о лицензии нет, поэтому условия распространения по предоставленным данным определить нельзя.

PEARL-small — компактная модель эмбеддингов строк и фраз, разработанная Lihu Chen, Gaël Varoquaux и Fabian M. Suchanek. Работа принята на EACL Findings 2024. Модель представляет собой дообученную версию E5-small на контекстно-независимом наборе данных, созданном авторами. В основе — архитектура BERT; размер составляет около 40 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для получения векторных представлений коротких строк и сравнения их семантической близости. Она учитывает тип фразы и морфологические признаки, чтобы лучше сопоставлять варианты написания и формулировок. Основные сценарии — строковое сопоставление, поиск сущностей, кластеризация сущностей и нечёткое соединение записей. В README приведены примеры сравнения названий, а также результаты бенчмарков и сравнение ресурсов с FastText. Модель принимает текст и выдаёт эмбеддинги; метаданные указывают английский язык. Репозиторий распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Данные источников не описывают ограничения качества за пределами приведённых бенчмарков и длины контекста.

Pixel-Linguist-II-Midtrain — визуальный энкодер, разработанный авторами статьи «On the Design Fundamentals of Pixel Text Representation Learning». Он преобразует текст в изображение и кодирует его тем же vision-энкодером, что и обычные изображения; при инференсе текстовый токенизатор не используется. Модель основана на vision tower Qwen2.5-VL, использует ViT с обработкой изображений в исходном разрешении и pooling соседних патчей 2×2. Размер — 676,6 млн параметров. Чекпойнт прошёл два этапа обучения: предобучение и семантический mid-training. Он предназначен для получения эмбеддингов текста и изображений, визуально-текстового поиска и сопоставления документов, включая многоязычные и межъязыковые сценарии. Текст для кодирования нужно предварительно отобразить в изображение; на выходе модель выдаёт усреднённые по патчам L2-нормализованные эмбеддинги. В README приведены результаты на Visual STS и ViDoRe, в том числе улучшение межъязыкового сопоставления и поиска документов после mid-training. Модель распространяется под лицензией Apache-2.0. Для кодирования строк требуется отдельный рендеринг текста в изображение; доступные данные описывают прежде всего задачи эмбеддингов и retrieval, а не генерацию текста или распознавание изображения в текст.

akhooli/sbert_ar_nli_500k_ubc_norm — модель Sentence Transformers, созданная дообучением UBC-NLP/ARBERTv2 на 500 тысячах арабских NLI-триплетов. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения текстов используется косинусное сходство. Архитектура основана на BERT с усреднением токенных представлений, принимает последовательности длиной до 512 токенов и предназначена для арабского языка. Модель подходит для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Качество может снижаться на текстах других языков и на последовательностях длиннее 512 токенов.

Это англоязычный разреженный текстовый энкодер SPLADE, опубликованный tomaarsen и дообученный на базе Luyu/co-condenser-marco с помощью Sentence Transformers. Модель преобразует предложения и абзацы в разреженные векторы размерности 30 522; близость оценивается скалярным произведением. Архитектура включает BERT с masked language modeling и SPLADE-пулингом по максимуму с ReLU. Модель предназначена для семантического поиска и разреженного поиска информации: например, для ранжирования документов по запросу в поисковых системах и системах retrieval. Максимальная длина входной последовательности — 512 токенов. Для дообучения использовались 99 000 примеров; в README приведены оценки на NanoMSMARCO, NanoNFCorpus и NanoNQ. Модель принимает текст на английском языке и выдаёт разреженные векторные представления. В репозитории указаны веса Safetensors, библиотека Sentence Transformers и лицензия Apache-2.0. Результаты оценки относятся к небольшим наборам Nano и сами по себе не гарантируют качество на других данных.