I.12Рекомендации и персонализация

RishuD7/bge-base-en-v1.5-82-keys-phase-7-exp_v1 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5. Архитектура основана на BERT и включает пулинг по CLS-токену и нормализацию; модель содержит 136,7 млн параметров и создаёт плотные текстовые эмбеддинги размерностью 768. Максимальная длина последовательности — 512 токенов, сходство в README рассчитывается по косинусной мере. Модель предназначена для семантического сравнения предложений и абзацев, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов. В README приведены обучающая выборка из 8 031 примера с парами anchor/positive и оценки на информационном поиске; значения cosine_accuracy@1, @3 и @5 составляют 0,0063, 0,0235 и 0,0353. Модель рассчитана на английский язык. Распространяется по лицензии Apache-2.0.

JINSUP/bge-m3-ko-axriv-agent-part-2025 — модель Sentence Transformer, дообученная разработчиком JINSUP на базе BAAI/bge-m3. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для сравнения семантической близости, семантического поиска, поиска перефразировок, классификации текста и кластеризации. В README указаны архитектура XLM-RoBERTa с пулингом CLS-токена и нормализацией векторов, косинусная функция сходства и максимальная длина последовательности 8192 токена. Обучение проводилось на 2162 парах предложений с функцией потерь MultipleNegativesRankingLoss. Примеры данных включают корейские и английские тексты, в том числе вопросы и ответы о научных темах и лекарствах, но модель описана как дообученная на базе многоязычной BGE-M3, поэтому применима к многоязычному поиску и сопоставлению текстов. Модель принимает текст и выдаёт векторы, пригодные для семантического поиска и оценки сходства. Лицензия в предоставленных данных не указана.

Модель seongil-dn/bge-m3-kor-retrieval-bs16-checkpoint-283 — дообученный Sentence Transformer на базе BAAI/bge-m3, опубликованный автором seongil-dn. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации текста. В модели используется XLM-RoBERTa с пуллингом CLS-токена и нормализацией векторов; README указывает максимум 1024 токена на вход, а метаданные — нативный контекст до 8194 токенов. Для оценки сходства применяется косинусная близость. Модель принимает текст и возвращает векторные представления. Базовая BGE-M3 описана как многоязычная модель для поиска по текстам и документам; имя текущего чекпойнта указывает на корейскую retrieval-настройку, но явный перечень поддерживаемых языков для этого чекпойнта в карточке не приведён. В репозитории указана лицензия и условия использования не описаны в предоставленных данных, поэтому их нельзя уточнить.

RinKana/bge-small-en-v1.5-afterimage-v.0.1 — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработчик — RinKana. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 384 для поиска релевантных текстов и сравнения семантической близости по косинусному сходству. Архитектура состоит из BERT, пулинга по CLS-токену и нормализации; модель принимает текст, имеет 512 токенов максимальной длины последовательности и содержит около 40 млн параметров. В README приведена оценка на задаче поиска подходящего ответа в диалоге и указано обучение на 4 744 примерах с положительными и отрицательными парами. Модель подходит для семантического поиска и извлечения кандидатов, например, для поиска ответа, подходящего к контексту разговора. Метаданные указывают лицензию? В предоставленных данных лицензия не приведена, поэтому условия использования по лицензии определить нельзя.

jebish7/bge-small-en-v1.5_MNSR_3 — дообученная автором карточки модель Sentence Transformers на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы на английском языке в плотные эмбеддинги размерности 384; архитектура включает BERT, пулинг CLS-токена и нормализацию. Модель рассчитана на семантическое сравнение текстов по косинусному сходству, семантический поиск, поиск перефразировок, кластеризацию и классификацию текстов. Максимальная длина входа — 512 токенов. В обучении использован CSV-датасет из 29 545 пар «запрос — релевантный фрагмент»; приведённые примеры относятся к финансовому регулированию ADGM, но карточка не подтверждает более широкую специализацию на этой области. Компактный размер в 40 млн параметров подходит для построения поиска и сравнения англоязычных текстов. Лицензия в предоставленных данных не указана.

peter2000/bmz_topics — модель эмбеддингов предложений на архитектуре XLM-RoBERTa, опубликованная автором peter2000. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. В репозитории указаны PyTorch и использование через Sentence-Transformers либо Transformers с подходящей операцией pooling; объём модели — около 305,2 млн параметров, контекст — 514 токенов. Модель обучалась с BatchHardTripletLoss. Карточка не уточняет целевые языки, обучающие данные и лицензию, поэтому пригодность для конкретного языка или домена следует проверять на собственных данных.

cadet-embed-base-v1 — плотная BERT-base модель для создания текстовых эмбеддингов и поиска релевантных фрагментов. Разработана Manveer Singh Tamber и соавторами; дообучена на базе intfloat/e5-base-unsupervised с помощью листовой дистилляции от cross-encoder моделей RankT5-3B и BAAI/bge-reranker-v2.5-gemma2-lightweight. Для обучения использованы синтетические запросы, созданные Llama 3.1 8B, и более 400 тысяч фрагментов из MSMARCO, DBPedia и Wikipedia. Модель предназначена для плотного поиска: сопоставления запросов с документами и отбора релевантных фрагментов. Она содержит 136,7 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Карточка указывает английский язык. Веса опубликованы в формате safetensors по лицензии Apache-2.0. README характеризует качество поиска как высокое, но не приводит количественных результатов оценки.

CareerBERT-JG — модель векторных представлений предложений на базе BERT, разработанная Lukas Wolfrum и соавторами. Она дообучена на таксономии ESCO для сопоставления резюме с профессиями и формирования рекомендаций по подходящим направлениям работы. Модель кодирует текст в общее пространство эмбеддингов, где можно сравнивать резюме и описания профессий по смысловой близости. Она рассчитана на немецкий язык, содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Базовая модель — agne/jobGBERT; веса опубликованы в формате safetensors. CareerBERT-JG подходит для поиска подходящих профессий в базе ESCO и построения систем рекомендаций для соискателей и карьерных консультантов. В README сообщается о результатах оценки на данных вакансий EURES и с экспертной оценкой резюме, однако подробные метрики в карточке не приведены. Лицензия в предоставленных данных не указана.

ncoop57/codeformer-java — модель Sentence-Transformers на базе RoBERTa, предназначенная для представления предложений и абзацев в виде плотных векторов размерности 768. Её можно применять для семантического поиска, сравнения текстов и кластеризации. В метаданных указано 151,8 млн параметров, контекст до 514 токенов и формат PyTorch. Модель обучалась с MultipleNegativesRankingLoss и косинусной мерой сходства. Это делает её подходящей для получения текстовых эмбеддингов и оценки семантической близости. README не уточняет языки обучающих данных и условия лицензии, поэтому языковую специализацию и лицензионные условия установить по доступным сведениям нельзя.

Карточка модели much1na/distil-cohere-v1-ckpt-backup на Hugging Face совпадает с карточкой much1na/distil-cohere-v1-ckpt, поэтому описание составлено по ней. much1na/distil-cohere-v1-ckpt — дообученная модель Sentence Transformers на базе BERT google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BertModel с усредняющим pooling; сходство векторов можно оценивать косинусной мерой. Модель принимает только текст, поддерживает последовательности длиной до 512 токенов и содержит 40,8 млн параметров. В карточке указано обучение на наборе parquet из примерно 3,81 млн примеров, а метаданные описывают её как модель эмбеддингов. Базовая модель англоязычная, поэтому основное применение — представление английских текстов. Лицензия в доступных данных не указана.

DIVER-GroupRank-32B — ранжировщик текстовых фрагментов, обученный авторами работы GroupRank с применением обучения с подкреплением. Модель основана на Qwen/Qwen2.5-32B-Instruct и использует архитектуру Qwen2ForCausalLM с 32 млрд параметров. При ранжировании она получает запрос и небольшую группу кандидатов, сравнивает их с учётом контекста группы и генерирует оценки релевантности для отдельных фрагментов. Модель предназначена для переранжирования результатов информационного поиска, в том числе запросов, требующих рассуждений. Авторы сообщают о результатах на тестах BRIGHT и R2MED и о способности переносить качество на классические задачи поиска. Заявленная в README длина контекста — 40 тысяч токенов; в метаданных каталога указано 32 768 токенов. Поддерживаются китайский и английский языки. Доступны веса в формате safetensors, библиотека — Transformers. Модель подходит для уточнения порядка найденных документов после первичного поиска. Для скоринга она генерирует текстовые оценки, поэтому её применение требует настройки формата входа и обработки выходов; подробности использования и требования к оборудованию в предоставленной карточке не раскрыты. Лицензия — Apache-2.0.

robzchhangte/e5-base-mizo-crosslingual — текстовая модель Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-base для преобразования предложений и абзацев в плотные векторы. Её можно использовать для поиска и сопоставления текстов, в том числе межъязыковых. Архитектура включает XLM-RoBERTa, усредняющий pooling и нормализацию; размер вектора — 768 измерений, сходство оценивается косинусной мерой. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 512 токенов. В README описан обучающий набор из 82 630 примеров с anchor, positive и negative текстами. Модель подходит для семантического поиска, извлечения релевантных документов и сравнения предложений. Язык Mizo следует из названия репозитория, а многоязычная основа указывает на поддержку межъязыковой работы; конкретные языки обучения в карточке не перечислены. Лицензия в предоставленных данных не указана.

ThanhLe0125/e5-math-ebd — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости с помощью косинусного сходства. Архитектура использует XLM-RoBERTa, усреднение токенных представлений и нормализацию; в метаданных указано 305,2 млн параметров и контекст до 514 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Название репозитория указывает на математическую тематику, но README не уточняет специальную область применения или обучающие данные. Лицензия в предоставленных данных не указана.

helmis/e5-small-it-profiles — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, созданная для сопоставления текстовых описаний профилей специалистов и навыков. Она кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения подходит косинусное сходство. Архитектура состоит из BERT-трансформера, среднего пулинга токенов и нормализации векторов. Модель можно применять для семантического поиска и подбора похожих профилей, поиска перефразировок, кластеризации и классификации текста. Обучение на парах anchor/positive/negative с TripletLoss ориентировано на разделение релевантных и нерелевантных описаний. Контекст ограничен 512 токенами. Базовая модель многоязычная, а приведённые обучающие примеры включают английский и французский. Лицензия в предоставленных сведениях не указана.

E5-V — мультимодальная модель эмбеддингов, разработанная авторами проекта E5-V и дообученная на основе lmms-lab/llama3-llava-next-8b. Она преобразует текст и изображения в векторы для поиска и оценки сходства между объектами, в том числе между разными модальностями. Модель основана на архитектуре LLaVA-NeXT и доступна в формате safetensors; для работы с ней предусмотрена интеграция с Sentence Transformers. E5-V предназначена для мультимодального поиска и сопоставления текста с изображениями, а также для получения эмбеддингов текстовых пар. В карточке отмечено, что обучение только на текстовых парах может превосходить мультимодальное обучение по качеству. Шаблон общения автоматически добавляет к тексту инструкцию «Summary above sentence in one word:», а к изображениям — «Summary above image in one word:». Карточка не сообщает лицензию, размер и длину контекста, поэтому эти характеристики здесь не приводятся. Для использования изображений через Sentence Transformers требуется установить пакет с поддержкой изображений.

spacemanidol/esci-es-mpnet-crossencoder — модель на базе MPNet, представленная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения текстов. Обучение описано с использованием CosineSimilarityLoss; в README также приведён способ работы через Sentence-Transformers или Transformers с подходящим pooling. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 514 токенов. В метаданных основная задача обозначена как sentence-similarity, а каталог также относит модель к feature-extraction. Сведения о поддерживаемых естественных языках и лицензии в предоставленных данных отсутствуют.

NorskHelsenett/eti-granite-4096-v1 — модель Sentence Transformers, дообученная на датасете eti-embedding-training-data-4096-granite-v2 от базовой модели IBM Granite Embedding 311M Multilingual R2. Она использует архитектуру ModernBERT и преобразует предложения и абзацы в нормализованные плотные векторы размерности 768, которые сравниваются по косинусному сходству. В карточке указана максимальная длина последовательности 4096 токенов; метаданные каталога указывают нативный контекст 32768 токенов. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки на тестовых выборках для сравнения предложений и информационного поиска; они не гарантируют такую же точность на других данных. Карточка называет норвежские языки no, nb и nn. Сведения о лицензии в предоставленных источниках отсутствуют.

Ngit/fail-detect — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория Ngit. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически похожих текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров и принимает текст; заявленная длина контекста — 514 токенов. Модель подходит для построения семантического поиска и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss. Доступен формат PyTorch; лицензия в предоставленных данных не указана.

FashionCLIP — разработанная для модной индустрии модель на основе CLIP, дообученная авторами карточки на парных данных изображений и текстовых описаний одежды. В версии 2.0 используется базовый чекпойнт laion/CLIP-ViT-B-32-laion2B-s34B-b79K; архитектура включает визуальный энкодер ViT-B/32 и Transformer-энкодер текста. Обучение на датасете примерно из 800 тысяч товаров применяет контрастивную функцию потерь, чтобы сблизить представления соответствующих изображений и описаний. Модель предназначена для сопоставления изображений товаров с текстовыми запросами и классификации изображений по текстовым категориям без отдельного обучения на этих категориях. Её можно использовать для поиска и категоризации одежды, а также построения представлений модных товаров. В карточке приведены результаты на нескольких наборах данных, но авторы предупреждают, что перед внедрением необходимо оценить пригодность модели для конкретного сценария. Обучающие данные включают англоязычные описания более чем 800 тысяч товаров, поэтому основным языком модели является английский. Модель может хуже работать с короткими текстовыми запросами и изображениями, отличающимися от стандартных товарных фотографий на белом фоне. Данные также могут закреплять гендерные ассоциации с одеждой. Лицензия — MIT.

yograjm/finetuned-MiniLM-question-answering — модель на базе Sentence Transformers, дообученная разработчиком с помощью AutoTrain для работы с предложениями. Она создаёт плотные векторные представления текста, которые можно использовать для семантического поиска, сравнения запросов и предложений, а также поиска подходящих фрагментов для ответа на вопрос. Модель основана на BERT-архитектуре и содержит 25,9 млн параметров; максимальная длина входа — 512 токенов. Для применения используется библиотека Sentence Transformers, веса представлены в формате safetensors. Название указывает на сценарии вопросов и ответов, однако README описывает обучение как Sentence Transformers и не приводит примеров генерации ответов. Поэтому модель следует рассматривать как энкодер для поиска и сопоставления текста, а не как генератор ответов. Базовая модель — англоязычный sentence-энкодер sentence-transformers/all-MiniLM-L6-v2; лицензия и подтверждённый набор языков в доступных данных не указаны.

FRPile_GPL_test_pipeline — модель на основе архитектуры BERT, разработанная как Sentence-Transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 1024. Она предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указано 433,9 млн параметров, контекст до 512 токенов и формат PyTorch; для получения эмбеддингов предусмотрено использование Sentence-Transformers либо Transformers с соответствующей операцией pooling. В карточке упомянуто обучение с MarginDistillationLoss из инструментария GPL. Языки обучения, базовая модель и лицензия в предоставленных данных не раскрыты. Модель выдаёт векторные представления текста, поэтому качество семантического поиска и кластеризации зависит от соответствия текстов и домена её обучению.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_110000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_20000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

Clarkoer/gal-mpnet-finetuned — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического сравнения текстов, поиска, выявления перефразировок, классификации и кластеризации. Архитектура включает MPNet, усреднение токенных представлений и нормализацию; для сравнения векторов используется косинусное сходство. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в README указан предел 384 токена. Дообучение выполнено на 898 парах текстов с MultipleNegativesRankingLoss. Примеры данных связаны с программированием, но карточка не подтверждает специализацию модели на этой области. В README значение метрики Spearman для оценки семантического сходства указано как nan, поэтому качество на этом тесте не подтверждено. Лицензия в предоставленных данных не указана.

sentence-transformers/gtr-t5-xl — модель для семантического поиска, опубликованная сообществом Sentence Transformers и основанная на работе «Large Dual Encoders Are Generalizable Retrievers». Она кодирует предложения и абзацы в плотные векторы размерностью 768, чтобы находить тексты, близкие по смыслу к запросу. Модель использует энкодер архитектуры T5; в README указано, что веса происходят от T5-3B и хранятся в формате FP16. Версия PyTorch получена преобразованием исходной TensorFlow-модели gtr-xl-1. Максимальная длина контекста по метаданным — 512 токенов. Поддерживаемый язык — английский. Для распространения указана лицензия Apache-2.0. Модель подходит для семантического поиска и сопоставления предложений через векторные представления. README предупреждает, что эмбеддинги могут немного отличаться от TensorFlow-версии, хотя результаты на упомянутых бенчмарках совпадают; подробные ограничения применения не описаны.

asaakyan/gutenberg_authorship — модель Sentence Transformers, дообученная автором на базе FacebookAI/roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по смыслу с помощью косинусного сходства. Архитектура включает RoBERTa с усреднением токеновых представлений; максимальная длина последовательности — 512 токенов. Модель можно применять для поиска семантически близких текстов, обнаружения перефразировок, кластеризации и классификации текстов. В README приведены результаты бинарной классификации на наборах litemb-dev и litemb-test; обучающие и оценочные данные описаны как CSV с тройками anchor, positive и negative. Метаданные указывают англоязычную базовую RoBERTa, но отдельный перечень поддерживаемых языков для этой модели не заявлен. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана. Её контекст ограничен 512 токенами, а приведённая оценка качества относится к указанной задаче бинарной классификации и не гарантирует качество на других доменах.

HoangVuSnape/halong_embedding_pr_v3_ep30 — модель Sentence Transformers, дообученная на основе hiieu/halong_embedding. Она использует XLM-RoBERTa с усреднением токенных представлений и нормализацией, чтобы преобразовывать предложения и абзацы в плотные векторы размерностью 768; сходство обычно оценивают косинусной мерой. Максимальная длина входа составляет 514 токенов по метаданным Hugging Face; в README указано ограничение 512 токенов. Модель подходит для поиска семантически близких текстов, оценки сходства предложений, поиска информации, обнаружения перефразировок, кластеризации и классификации текста на основе эмбеддингов. В карточке приведены оценки поиска на нескольких размерностях векторов, однако они относятся к указанным в README наборам и не гарантируют такие же результаты на других данных. Для работы требуется библиотека Sentence Transformers; веса опубликованы в формате safetensors. Языковая выборка README содержит вьетнамские тексты, но широкая языковая поддержка XLM-RoBERTa сама по себе не подтверждает конкретные языки обучения этой версии. Лицензия в предоставленных данных не указана.

yngkyng/klue-roberta-base-sts-nli-ko — модель на базе RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для сравнения семантической близости текстов. Векторы можно использовать для семантического поиска и кластеризации; метаданные также указывают возможность извлечения эмбеддингов и классификации текста. Модель содержит 435,4 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучалась с CosineSimilarityLoss; карточка не сообщает название базовой модели как отдельного репозитория или лицензию. Она подходит для создания эмбеддингов предложений, поиска похожих текстов и группировки по смыслу. По названию репозитория и тегу `ko` модель ориентирована на корейский язык. Полные результаты оценки и подробности обучающего набора в карточке не приведены.

Xenova/LaBSE — версия модели LaBSE из репозитория sentence-transformers/LaBSE, адаптированная в формате ONNX для совместимости с библиотекой Transformers.js. Репозиторий содержит ONNX-веса и предназначен для запуска модели в JavaScript-средах, включая веб-приложения. Модель рассчитана на извлечение признаков: она преобразует входной текст в векторное представление, которое может использоваться в задачах семантического поиска, сравнения текстов, кластеризации и других сценариях работы с эмбеддингами. В README не указаны архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, точные модальности, ограничения качества или лицензия, поэтому эти характеристики нельзя достоверно оценить по предоставленным данным.

Tomaarsen/LFM2-350M-nq-prompts — модель Sentence Transformer, дообученная на парах запросов и ответов набора Natural Questions на базе LiquidAI/LFM2-350M. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных документов. В модели используется архитектура LFM2 с pooling по последнему токену; максимальная длина последовательности составляет 128 000 токенов. Для сравнения векторов предусмотрена косинусная мера сходства; карточка приводит результаты на тестах поиска NanoMSMARCO, NanoNFCorpus и NanoNQ. Модель ориентирована на англоязычные запросы и документы, например поиск ответа на вопрос в коллекции текстов, поиск перефразировок, кластеризацию и классификацию на основе эмбеддингов. Выпущена под лицензией Apache-2.0. Показатели в карточке получены на небольших наборах Nano BEIR и Natural Questions, поэтому их не следует считать гарантией качества на произвольных корпусах; результаты могут зависеть от формата запросов и документов.