I.12Рекомендации и персонализация

czl/CLM-v0.1-8B-MLX — версия контрастивной модели CLM-v0.1-8B, подготовленная для запуска через MLX на Apple Silicon. Это модель семейства Qwen3 с плотной архитектурой, примерно 7,6 млрд параметров и контекстом до 40 960 токенов. Вариант bf16 служит эталоном для сравнения квантованных версий; README описывает кодирование текста и ранжирование кандидатов по эмбеддингам. Модель предназначена для сравнения кандидатов, ранжирования вариантов и оценки действий в агентных сценариях. Она использует last-token pooling для получения 4096-мерных эмбеддингов и применяет стек проекционных голов; оценки вероятностей зависят от набора кандидатов. Карточка сообщает об оценке на 23 926 вопросах и о сравнении результатов разных разрядностей с эталоном bf16. Это ранжировщик, а не генеративная модель: выходная проекция lm_head при pooling не используется. Проекционные головы привязаны к эмбеддингам Qwen3-8B размерности 4096, а ошибки косинусного сходства усиливаются в 100 раз в стеке голов. Лицензия — Apache-2.0; запуск рассчитан на MLX и Apple Silicon.

Luong23/bmg-m3-finetune-embedding — дообученная модель Sentence Transformer на базе BAAI/bge-m3, предназначенная для получения плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; архитектура включает XLM-RoBERTa, CLS-пулинг и нормализацию, а сходство оценивается косинусной мерой. В метаданных указана длина контекста 8194 токена, однако карточка модели задаёт максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. В примерах обучающих данных есть короткие запросы и подробные описания товаров на вьетнамском языке, но это не подтверждает, что модель рассчитана только на него. Модель принимает текст и выдаёт векторы; опубликована в формате safetensors. Условия лицензии в предоставленных данных не указаны.

HAI — модель Sentence Transformers из экосистемы HelpingAI для оценки семантического сходства текстов и получения плотных эмбеддингов. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2; архитектура включает энкодер BERT, усреднение токеновых представлений и нормализацию векторов. Модель содержит 25,9 млн параметров, выдаёт эмбеддинги размерности 384 и принимает до 256 токенов на вход по README; метаданные указывают нативный контекст 512 токенов. Модель предназначена для сравнения смысловой близости предложений и контекстно-ориентированной работы с текстом с акцентом на эмоционально окрашенные ответы. Её можно применять для семантического поиска, ранжирования похожих фраз и группировки текстов. README сообщает об обучении на 75 897 примерах с оценками сходства от 0 до 1 и использовании Cosine Similarity Loss. Лицензия — Apache-2.0.

Nano-Em1-0.6B-v2.1 — модель текстовых эмбеддингов от KiteFish AI на базе Qwen3-0.6B. Она предназначена для поиска и сопоставления текстов, классификации, кластеризации и ранжирования по релевантности; для задач можно задавать инструкцию-префикс. Модель использует двунаправленное внимание вместо стандартной причинной маски, усреднение токенных представлений и выдаёт векторы размерности 1024. В README указана максимальная длина последовательности 512 токенов; метаданные указывают родной контекст базовой модели в 40960 токенов. Модель работает с текстом и ориентирована прежде всего на английский язык. Для загрузки требуется включить trust_remote_code=True из-за собственной реализации архитектуры. По оценке автора, модель не проверялась на задачах для других языков. Распространяется по лицензии Apache-2.0.

leafxyz/qwen3-embedding-0.6b-arabic-ecom — текстовая Sentence Transformer модель на базе Qwen3-Embedding-0.6B, дообученная для поиска товаров в арабской электронной торговле. Она преобразует поисковые запросы и описания товаров в плотные векторы размерности 1024; близость оценивается косинусным сходством. В архитектуру входят Qwen3Model, pooling по последнему токену и нормализация эмбеддингов. Модель рассчитана на извлечение подходящих товаров по арабскому запросу, включая сценарии семантического поиска и ранжирования кандидатов. Она обучалась на парах запросов и товаров, в том числе с отрицательными примерами. README указывает максимальную длину последовательности 128 токенов; метаданные указывают контекст модели в 32768 токенов. Для применения используются Sentence Transformers и формат весов safetensors. Это дообученная версия Qwen/Qwen3-Embedding-0.6B с примерно 507,6 млн параметров. В данных модели лицензия не указана, поэтому условия использования следует сверить с лицензией базовой модели и репозитория.

Qwen3-Embedding-4B-4bit-DWQ — модель для создания векторных представлений текста, разработанная сообществом mlx-community на основе Qwen/Qwen3-Embedding-4B от Qwen. Она предназначена для задач семантического сравнения текстов, поиска по смыслу, кластеризации, извлечения признаков и других сценариев, где требуется преобразовать текст в embedding-векторы. Модель конвертирована в формат MLX с использованием mlx-lm версии 0.24.0. Модель имеет размер базовой версии 4B параметров и использует 4-битное квантование DWQ, что ориентировано на более экономичное выполнение на совместимом оборудовании Apple через MLX. В README не указаны поддерживаемые языки, максимальная длина контекста, дополнительные модальности и точные характеристики качества. Лицензия — Apache-2.0. Для работы требуется библиотека mlx-lm; сведения о совместимости с другими фреймворками и ограничениях применения в карточке не приведены.

HELLOMRKINOBI/all-mpnet-base-v2 — версия модели all-mpnet-base-v2 с весами ONNX, подготовленная для работы с Transformers.js. Модель на архитектуре MPNet содержит около 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Её основное назначение — вычисление сходства между предложениями, например для поиска похожих фраз или сопоставления запросов с текстами. Метаданные также указывают поддержку задачи заполнения масок. Модель работает с текстом и выдаёт оценки сходства либо предсказания замаскированных токенов. Карточка не приводит отдельные сведения о языковой специализации или лицензии, поэтому их нельзя уточнить по имеющимся данным. Формат ONNX и библиотека Transformers.js позволяют использовать модель в JavaScript-средах.

swardiantara/bert-tiny-yelp-k1-fixed-cosine — компактная модель Sentence Transformer, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 128 для поиска и сравнения текстов по косинусному сходству. Архитектура объединяет BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров и принимает только текст. Модель подходит для семантического поиска, извлечения признаков и ранжирования текстов по смысловой близости, в том числе для отзывов о ресторанах и других сервисах. Максимальная длина последовательности в README — 128 токенов; метаданные каталога указывают контекст до 512 токенов. Лицензия в предоставленных данных не указана.

pszemraj/flan-ul2-text-encoder — текстовый энкодер, опубликованный pszemraj и полученный извлечением энкодера из google/flat-ul2. Модель предназначена для получения векторных представлений текста и, в частности, может использоваться для оценки семантического сходства через косинусное расстояние после взвешенного усреднения токеновых представлений. Это модель семейства T5 на 7,6 млрд параметров с архитектурой T5EncoderModel. Контекст составляет 512 токенов; веса представлены в PyTorch и Safetensors, в README указано использование точности bfloat16 и размер 17,44 ГБ. Лицензия — Apache-2.0. README демонстрирует получение эмбеддингов и сравнение текстов, но не сообщает о специализированной языковой или предметной настройке.

Xenova/gte-small — версия модели thenlper/gte-small с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript- и веб-средах, а исходная модель разработана командой thenlper. Модель используется для извлечения векторных представлений текста: она преобразует предложения в эмбеддинги размерностью 384. Такие представления подходят для оценки семантического сходства, поиска похожих текстов, кластеризации и других задач, где требуется сравнение текстовых данных. В README показано применение через pipeline feature-extraction с mean pooling и нормализацией, после чего сходство можно вычислять, например, с помощью косинусной меры. Модель ориентирована на текстовый ввод; сведения о поддерживаемых языках, максимальной длине контекста и точной архитектуре в предоставленных данных отсутствуют. К сильным сторонам относятся компактный размер эмбеддингов и совместимость с Transformers.js, включая использование в веб-приложениях. Ограничения — отсутствие информации о языковом охвате, качестве на конкретных доменах и лицензии. По умолчанию применяется 8-битная квантованная версия, также доступны варианты fp32, fp16 и q4.

LLARA-pretrain — модель семейства LLaRA от BAAI, представленная в проекте LLARA. В карточке проекта описаны подходы EBAE (автоэнкодирование на основе эмбеддингов) и EBAR (авторегрессия на основе эмбеддингов). Это плотная причинно-языковая модель LlamaForCausalLM с 6,6 млрд параметров и контекстом до 4096 токенов. Модель предназначена для получения текстовых эмбеддингов и оценки сходства предложений; метаданные также указывают поддержку извлечения признаков и генерации текста. Её можно применять для поиска семантически близких фраз и построения эмбеддинговых представлений текста. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

mlx-community/Qwen3-Embedding-8B-4bit-DWQ — модель для получения признаковых представлений текста, задач sentence similarity и feature extraction. Она основана на Qwen/Qwen3-Embedding-8B и преобразована сообществом mlx-community в формат MLX с использованием mlx-lm 0.25.1. Модель имеет размер 8B параметров и 4-битное квантование DWQ, что предназначено для снижения требований к памяти при сохранении возможности локального запуска в экосистеме MLX. В карточке указана поддержка библиотек Transformers и Sentence Transformers, а также тип конвейера feature-extraction. Конкретные языки, размер контекста и перечень поддерживаемых модальностей не указаны; по представленным данным модель предназначена для работы с текстом. Лицензия модели — Apache-2.0. README не содержит подробных сведений о качестве, ограничениях, языковом покрытии и результатах тестирования, поэтому эти характеристики нельзя оценить точнее.

Xenova/all-mpnet-base-v2 — модель для извлечения признаков, представляющая собой ONNX-версию модели sentence-transformers/all-mpnet-base-v2. Репозиторий подготовлен Xenova для совместимости с библиотекой Transformers.js и запуска в JavaScript-средах, включая веб-приложения. Модель предназначена для преобразования текстовых входов в числовые представления, которые могут использоваться в задачах семантического поиска, сравнения текстов, кластеризации и других сценариях обработки естественного языка. В README приведён пример запуска через pipeline feature-extraction в Transformers.js. Из доступных данных известно, что используются ONNX-веса и поддерживается работа через Transformers.js. Размер модели, точная архитектура, языки, максимальная длина контекста, набор модальностей, показатели качества и лицензия в README не указаны. Отдельно отмечено, что размещение ONNX-весов в отдельном репозитории рассматривается как временное решение до более широкого распространения WebML.

GR-Lite — модель извлечения визуальных признаков для поиска изображений товаров моды; разработчик — srpone. Она дообучена на базе facebook/dinov3-vitl16-pretrain-lvd1689m и предназначена для поиска похожих товаров по изображению и построения векторного индекса каталога. Модель использует архитектуру ViT-L/16 и принимает RGB-изображения размером 336 × 336. Основной результат — L2-нормированный эмбеддинг размерности 1024, подходящий для сравнения по косинусному сходству; также доступно полное последовательное представление. Метаданные указывают 402,7 млн параметров, а README — 303 млн, поэтому размер модели в источниках расходится. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. GR-Lite заявлена как модель для поиска в fashion-каталогах; README сообщает о высоких результатах на LookBench и других бенчмарках, но не приводит численных метрик. Она извлекает признаки изображений, а не генерирует описания или изображения; для практического поиска потребуется сравнить эмбеддинги запроса с эмбеддингами каталога.

JEV-27B — модель AutoTrust для быстрых классификационных решений и генерации текста. Она дообучена на базе Qwen/Qwen3.8-27B и объединяет два режима в одном наборе весов: System 1 выдаёт калиброванные вероятности для предложенных вариантов, а System 2 использует генерационную способность базовой модели для ответов и рассуждений. Для обслуживания обоих режимов автор рекомендует vLLM; решения можно запрашивать через HTTP-интерфейс. Модель рассчитана на выбор из заданных вариантов, ранжирование и классификацию по текстовому контексту, включая вопросы с большим числом вариантов. Заявлена поддержка контекста до 262 144 токенов; в README описаны тесты на длинных текстах и результаты на нескольких бенчмарках решений. Карточка указывает английский язык. Модель содержит 22,3 млрд параметров и распространяется в формате safetensors под лицензией Apache-2.0. Результаты бенчмарков и скорость приведены авторами модели и не гарантируют аналогичного качества на других данных. Для режима System 1 требуется использовать интерфейс решения и формат запроса, описанные в README; карточка не заявляет поддержку изображений для этой модели.

shuaih777/music-crs-biencoder-personalized — англоязычная Sentence Transformer-модель на базе BAAI/bge-large-en-v1.5, дообученная для сопоставления текстовых запросов и предложений. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024 и использует косинусное сходство; архитектура включает BertModel, CLS-пулинг и нормализацию. Модель рассчитана на семантический поиск и сравнение текстов, в том числе персонализированных запросов о музыкальных рекомендациях. Контекст ограничен 512 токенами, библиотека — Sentence Transformers; веса доступны в формате safetensors. README не сообщает лицензию.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в репозитории asfafagf45/MyAwesomeModel-TestRepo. Согласно метаданным, она предназначена для извлечения признаков и работает с библиотекой Transformers на PyTorch. Лицензия — MIT.

Nomic-embed-text-v1.5-GGUF — модель для создания текстовых embedding-векторов и задач семантического сходства. Она основана на nomic-ai/nomic-embed-text-v1.5, разработана nomic-ai и предназначена для представления англоязычных текстов в виде векторов, которые можно использовать для поиска, сравнения и семантического сопоставления документов и запросов. Модель распространяется в формате GGUF и оптимизирована для запуска с llama.cpp; квантизацию выполнила Second State Inc. В конфигурации GaiaNet указан шаблон prompt «embedding» и размер контекста 768 токенов. Сведения о точном размере модели, архитектуре, типе квантизации и поддержке других языков в README не приведены, поэтому возможности модели за пределами англоязычных сценариев не подтверждены. Модель подходит для локальных и интегрируемых в приложения сценариев семантического поиска и сравнения текстов, однако ограничение контекста в 768 токенов следует учитывать при обработке длинных материалов. Лицензия — Apache-2.0.

Kyurem — компактная модель эмбеддингов на основе архитектуры BERT, созданная слиянием предварительно обученных моделей методом Model Stock с помощью mergekit. В слияние вошли Mihaiii/Wartortle, TaylorAI/bge-micro-v2 и TaylorAI/bge-micro; последняя указана как базовая модель. Модель предназначена для преобразования предложений и коротких текстов в векторные представления, семантического поиска и сравнения сходства. Она содержит 18,8 млн параметров, работает с контекстом до 512 токенов и доступна в форматах safetensors и ONNX через библиотеку sentence-transformers. По сведениям о базовой модели, основное назначение — англоязычные тексты. Модель распространяется по лицензии MIT. Её компактный размер удобен для поиска и сопоставления текстов с ограниченными вычислительными ресурсами; ограничения включают контекст в 512 токенов и англоязычную специализацию базовой модели.

TwHIN-BERT-large — многоязычная предварительно обученная языковая модель на архитектуре BERT от Twitter. Она обучена на 7 миллиардах твитов более чем на 100 языках с помощью маскированного языкового моделирования и дополнительной цели, учитывающей взаимодействия в гетерогенной социальной сети Twitter. В репозитории Hugging Face указаны 658,7 млн параметров и контекст до 512 токенов; модель представлена в форматах PyTorch и safetensors. Модель предназначена для восстановления замаскированных токенов и может использоваться как замена BERT в задачах NLP и рекомендаций: для классификации текстов, семантического анализа твитов и прогнозирования взаимодействия пользователей с публикациями. Особенно подходит для текстов из социальных сетей и многоязычных сценариев. Лицензия — Apache-2.0. README сообщает о высокой эффективности на задачах семантического понимания и социальных рекомендаций, но не приводит конкретных метрик.

swardiantara/bert-tiny-yelp-k3-fixed-cosine — компактная модель Sentence Transformers, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска по смыслу, извлечения текстовых признаков и сравнения текстов по косинусному сходству. Архитектура состоит из BERT с усреднением токенных представлений; модель содержит 4,4 млн параметров и работает с текстом. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные сообщают контекст до 512 токенов; для практического использования следует учитывать ограничение конфигурации модели и проверять фактическую длину входа. Карточка описывает обучающий набор из 585 120 примеров с парами текстов и оценками. Модель подходит для поиска похожих отзывов и ранжирования текстов по семантической близости. Лицензия в предоставленных данных не указана.

BAAI/BGE-VL-MLLM-S1 — мультимодальная модель эмбеддингов для поиска по изображениям, разработанная BAAI и представленная в работе MegaPairs. Она принимает изображение, текст или их сочетание и кодирует входы в векторы для сравнения запросов с кандидатами. Текстовая инструкция позволяет задавать критерии поиска, в том числе для поиска изображения по тексту и изображению одновременно. Модель основана на LLaVA-NeXT с архитектурой Mistral-7B и дообучена для мультимодального поиска. Для изображений рекомендуется размер 512 × 512 пикселей; размерность эмбеддингов в примере Sentence Transformers — 4096. Модель предназначена для вычисления сходства между запросом и изображениями-кандидатами, а не для генерации описаний или ответов.

MODA-Fashion-Matryoshka — модель HopitAI для получения векторных представлений изображений модной одежды и аксессуаров. Она предназначена для поиска похожих изображений и построения компактных индексов в fashion-каталогах; по README, на LookBench модель показывает высокое качество поиска Fine R@1 при сокращении размера эмбеддингов. Модель основана на архитектуре ViT-B/16-SigLIP с визуальной и текстовой частями и содержит 203,2 млн параметров. Благодаря Matryoshka Representation Learning первые 64–768 измерений эмбеддинга образуют пригодные для поиска представления: можно выбирать размер вектора под требования к памяти и качеству. Репозиторий использует open_clip и содержит веса в формате safetensors; лицензия — MIT. Модель поддерживает поиск по визуальному сходству и классификацию изображений без дообучения. В README описана обработка изображений; текстовая часть архитектуры указана, но отдельные сценарии текстового поиска не приведены. Заявления о результатах основаны на LookBench и не гарантируют такое же качество на других каталогах.

MyAwesomeModel — модель на базе Transformers для извлечения признаков из входных данных. В метаданных Hugging Face она отмечена как feature-extraction и связана с экосистемой PyTorch и семейством BERT. README также описывает улучшения рассуждений, понимания языка, генерации кода и текста, однако основным подтверждённым сценарием применения остаётся получение векторных представлений.

MyAwesomeModel — модель из репозитория zSQ2WSA/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных она обозначена как модель для извлечения признаков и связана с архитектурой BERT, PyTorch и Transformers. Это позволяет использовать её для получения векторных представлений текста и последующей обработки в задачах машинного обучения.

Gist — разработанная desert-ant-labs компактная мультиязычная модель для присвоения тем и тегов публикациям и статьям. Она классифицирует текст по фиксированной таксономии из 36 тем и рассчитана на локальный запуск на устройстве: использует статические эмбеддинги и хешированные n-граммы без трансформера во время инференса. Мультиязычная сборка занимает 74 МБ; доступны форматы Core ML и LiteRT/TFLite. Модель принимает заголовок, публикацию или краткое описание и выдаёт вероятности по 36 темам. Она предназначена для многометочной классификации: для одного материала обычно выбирают несколько тем, а оценки можно агрегировать по ленте или каналу. Темы сопоставлены с IAB Content Taxonomy 2.2 и категориями Apple Podcasts. Заявлена поддержка 101 языка; отдельная английская сборка на 15 МБ ограничена английским текстом и латинским письмом. В проверке на 572 размеченных публикациях модель показала 88% точности попадания в топ-3 на выборочной проверке 15 языков; README сообщает о recall@3 на уровне лучших небольших моделей. Лучше всего она подходит для коротких текстов. Лицензия указана в метаданных как other, конкретные условия в доступной карточке не приведены.

AmadeusAI/JabuticaBERT-Large — языковая модель на архитектуре DeBERTa-v2, опубликованная на Hugging Face и предназначенная для извлечения признаков из текста. Модель подключается через библиотеку Transformers и преобразует входные последовательности в векторные представления, пригодные для последующей обработки и обучения прикладных моделей. Модель содержит около 533,8 млн параметров и поддерживает контекст длиной до 512 токенов. Её можно использовать для построения эмбеддингов, семантического поиска, кластеризации, классификации и других задач, где нужны информативные представления текста. Сведения о разработчике, поддерживаемых естественных языках и лицензии в доступных источниках отсутствуют.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная в библиотеке Transformers и распространяемая по лицензии MIT. Метаданные Hugging Face указывают задачу feature extraction, а также использование PyTorch и Transformers. Модель предназначена для преобразования текстовых данных в векторные представления, которые можно использовать в поиске по смыслу, кластеризации, классификации, оценке сходства текстов и других задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации текста, ответов на вопросы, программирования и работы с функциями, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не подтверждают генеративное применение модели. Языки, число параметров, размер контекста и точная архитектура базовой модели в предоставленных данных не определены; тег BERT указывает на семейство архитектур. Ограничения включают отсутствие подтверждённых сведений о языковой поддержке и специализированных результатах именно для извлечения признаков. Использование разрешено на условиях лицензии MIT.

Xenova/paraphrase-multilingual-mpnet-base-v2 — это версия модели sentence-transformers/paraphrase-multilingual-mpnet-base-v2 с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Репозиторий поддерживается сообществом Xenova и предназначен для запуска модели в JavaScript-средах, включая веб-приложения, через pipeline Transformers.js. Модель используется для извлечения признаковых представлений текста (feature extraction), поэтому подходит для задач семантического сравнения, поиска похожих текстов, кластеризации и других сценариев, где нужны текстовые embeddings. В README приведён пример обработки англоязычной фразы, однако языки, размер, архитектура, максимальная длина контекста и точные характеристики исходной модели не указаны. Известно, что ONNX-веса размещены в отдельном репозитории для web-ready использования; сведения о сильных сторонах, ограничениях и лицензии в README отсутствуют.

unslothai/8 — модель семейства Llama от Unsloth AI, опубликованная как модель для извлечения признаков. Метаданные указывают на архитектуру LlamaModel, формат Safetensors, библиотеку Transformers и контекст 2048 токена. В карточке Hugging Face репозиторий также обозначен задачей feature extraction. Модель может использоваться для получения векторных представлений текста в задачах поиска и оценки сходства. Доступные сведения не позволяют надёжно определить размер модели, поддерживаемые естественные языки или конкретную базовую модель. Условия лицензии в проверенных источниках не установлены.