I.12Рекомендации и персонализация

Nhat1904/8_shot_STA_head_skhead — модель Sentence Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель принимает текст и возвращает векторные представления; в метаданных указан контекст до 514 токенов. Для использования подходит библиотека Sentence Transformers или Transformers с корректной операцией pooling. Обучение использовало CosineSimilarityLoss. Карточка не описывает языковой охват и не приводит результаты оценки, поэтому качество для конкретных языков и предметных областей по ней определить нельзя. В метаданных указана загрузка весов PyTorch; сведения о лицензии отсутствуют.

Это англоязычная модель Sentence Transformers, созданная сообществом overfitting-co путём дообучения sentence-transformers/all-MiniLM-L6-v2 на 4 505 парах предложений с контрастивной функцией потерь. Энкодер на архитектуре BERT преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство между ними оценивается косинусной мерой. Метаданные указывают размер модели 25,9 млн параметров и контекст до 512 токенов, а карточка README заявляет максимальную длину последовательности 256 токенов. Модель предназначена для семантического сравнения текстов, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов на основе векторов. Её можно применять для подбора похожих предложений и построения семантического поиска. В README приведены высокие значения точности и F1 на бинарной оценке сходства, однако они относятся к указанным в карточке оценочным наборам и не гарантируют такого же качества на других данных. Опубликованы форматы Safetensors и ONNX; библиотека — Sentence Transformers. Лицензия в предоставленных данных не указана.

lunz21/aa-abr-names-model — модель на базе MPNet, опубликованная пользователем lunz21 и оформленная для библиотеки Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, работает с текстом и имеет контекст длиной до 514 токенов. В README указано обучение с функцией потерь CosineSimilarityLoss. Это позволяет применять модель для получения эмбеддингов и оценки сходства текстов. Репозиторий содержит веса в формате safetensors. Лицензия и конкретные языки в предоставленных данных не установлены.

alime-reranker-large-zh — модель-реранжировщик для оценки и переупорядочивания текстовых кандидатов по релевантности. Карточка называет её reranker; по метаданным это плотная модель XLM-RoBERTa с классификационной головой XLMRobertaForSequenceClassification на 658,7 млн параметров, предназначенная для классификации текста. Репозиторий содержит веса PyTorch. Модель может применяться для сортировки результатов поиска или документов по их соответствию запросу. Суффикс zh указывает на ориентацию на китайский язык, однако карточка не приводит подробностей об обучении, метриках или поддерживаемых языках. Родительская модель, лицензия и явные ограничения в доступных данных не указаны.

LazarusNLP/all-indobert-base-p2 — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Её можно применять для семантического поиска, кластеризации и сравнения смысловой близости текстов на индонезийском языке. Модель содержит 151,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Она обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства на наборах данных для индонезийского языка, включая IndoNLI, MIRACL и TyDiQA. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

leliuga/all-MiniLM-L6-v2-GGUF — это квантизированные файлы модели all-MiniLM-L6-v2 в формате GGUF. Исходную модель разработала команда Sentence Transformers, а репозиторий с GGUF-файлами подготовлен пользователем Leliuga. Модель предназначена для получения векторных представлений предложений и оценки семантического сходства текста, а также может применяться в задачах поиска, сопоставления и извлечения признаков. Модель основана на архитектуре BERT и относится к семейству Sentence Transformers; её название указывает на использование компактного варианта MiniLM с шестью слоями. Поддерживаемый язык — английский. В README не указаны точный размер модели, доступные уровни квантования, длина контекста и перечень модальностей; по представленным данным модель является текстовой. К сильным сторонам относятся компактность архитектуры и формат GGUF, удобный для локального инференса в совместимых инструментах. Ограничениями являются англоязычная специализация и отсутствие в README подробностей о производительности, точности, контексте и конкретных вариантах квантования. Исходная модель распространяется по лицензии Apache-2.0; для GGUF-репозитория также указана лицензия Apache-2.0.

sudomoniker/all-MiniLM-L6-v2-Q8_0-GGUF — это квантованное представление в формате GGUF модели sentence-transformers/all-MiniLM-L6-v2, преобразованное с помощью llama.cpp через GGUF-my-repo. Модель разработана на базе Sentence Transformers и предназначена для задач семантического сходства и извлечения признаков из текстов. В карточке указано, что она обучалась на англоязычных данных из различных источников, включая S2ORC, Stack Exchange, MS MARCO, SNLI, MultiNLI, Natural Questions и другие наборы данных. Модель рассчитана на сравнение предложений, поиск похожих текстов, семантический поиск, кластеризацию и построение текстовых эмбеддингов. Она поддерживает работу локально через llama.cpp, включая CLI и серверный режим. Суффикс Q8_0 указывает на 8-битное квантование, которое обычно позволяет уменьшить требования к ресурсам, однако в README не приведены точные размер модели, длина контекста, архитектурные параметры и численные результаты оценки. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

AtesiT/all-MiniLM-L6-v2-ru-adapted — русскоязычная доменно-адаптированная модель на базе sentence-transformers/all-MiniLM-L6-v2, созданная автором AtesiT для семантического поиска. Это энкодер предложений архитектуры BERT с 25,9 млн параметров: он преобразует текст в эмбеддинги размерностью 384, пригодные для сравнения по семантической близости. Модель принимает текст, поддерживает русский язык и рассчитана на последовательности длиной до 512 токенов по метаданным; в README указано ограничение 256 токенов. Модель дообучена на русских парафразах из deepvk/ru-HNP с TripletLoss. Её можно применять для поиска похожих фраз и документов, ранжирования кандидатов по сходству и построения семантического поиска по коллекциям русскоязычных текстов. Лицензия — Apache-2.0. Качество дообученной версии в README ещё не оценено: приведены только низкие результаты базовой модели на rubq-retrieval. Обучение охватывало 20 тысяч примеров и три эпохи, а различие между обучающими парафразами и задачами поиска по QA может ограничивать перенос качества.

Gloomreach/all-MiniLM-L6-v2-ru-hnp-mnrl — русскоязычная модель эмбеддингов на базе sentence-transformers/all-MiniLM-L6-v2. Автор адаптировал её дообучением на 20 000 примерах парафраз из deepvk/ru-HNP в течение пяти эпох с функцией потерь MultipleNegativesRankingLoss. Модель преобразует текст в векторы размерности 384 и предназначена для сравнения семантической близости русскоязычных предложений, поиска похожих текстов и задач ранжирования по сходству. Это 25,9-миллионная модель семейства BERT с mean pooling и нормализацией эмбеддингов; контекст ограничен 512 токенами. В README указан небольшой прирост Recall@5 и Recall@10 после дообучения. Модель распространяется по лицензии Apache-2.0. Автор отмечает, что качество понимания русской семантики остаётся далёким от идеального; результаты могут зависеть от данных и сценария применения.

Hyperakan/all-MiniLM-L6-v2-smoke — англоязычная модель Sentence Transformer, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 на данных all-nli. Энкодер архитектуры BERT с 25,9 млн параметров преобразует предложения и абзацы в плотные векторы размерности 384; для объединения токенных представлений используется mean pooling. Максимальная длина входа — 512 токенов, сходство векторов оценивается косинусной мерой. Модель предназначена для семантического поиска и извлечения релевантных текстов, а также для сравнения предложений и абзацев. Её можно применять для поиска документов по запросу, ранжирования кандидатов по семантической близости и кластеризации текстов. В README приведены оценки на небольших наборах NanoMSMARCO и NanoNFCorpus, а данные обучения включали 50 примеров, поэтому эти результаты не гарантируют качество на других данных. Модель принимает текст и выдаёт эмбеддинги; указана поддержка английского языка. Лицензия — Apache-2.0.

Это модель SentenceTransformer на базе энкодера BERT all-MiniLM-L6-v2, дообученная на 5 749 парах предложений с CosineSimilarityLoss. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384 и предназначена для оценки семантического сходства, семантического поиска и задач группировки текстов. В архитектуре используются mean pooling и нормализация; метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Модель подходит для поиска похожих предложений, обнаружения перефразирований, кластеризации и классификации текстов. Карточка и базовая модель ориентированы на английский язык; отдельная поддержка других языков не заявлена. Лицензия в предоставленных данных не указана.

jangedoo разработал компактную модель Sentence Transformers на основе jangedoo/all-MiniLM-L6-v3-nepali, дообучив её на наборах данных для поиска, сопоставления предложений и кросс-языковых задач. Модель использует архитектуру BERT с усреднённым пулингом и нормализацией, преобразует текст в плотные векторы размерности 384 и сравнивает их по косинусному сходству. В метаданных указано 25,9 млн параметров; README задаёт максимум 256 токенов на последовательность, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов, сопоставления похожих предложений и поиска между английским и непальским языками. Её можно применять в поиске по новостям, вопросно-ответных корпусах и каталогах товаров. Поддерживаются текст на непальском и английском языках. Качество зависит от языка и предметной области: приведённые в карточке метрики для непальского на задаче сходства ниже, чем для английского; длина входа ограничена. Лицензия в предоставленных данных не указана.

KhaledReda/all-MiniLM-L6-v57-pair_score — англоязычная модель Sentence Transformers, дообученная KhaledReda на датасете пар текстов pairs_with_scores_v46. Она кодирует предложения и абзацы в плотные векторы размерности 384 для оценки семантического сходства по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; в README указана максимальная длина последовательности 256 токенов, а в метаданных — контекст до 512 токенов. Модель принимает текст и выдаёт векторные представления. Она рассчитана на английский язык. Лицензия Apache-2.0. Карточка не приводит результатов независимых оценок качества; качество для языков, отличных от английского, не подтверждено.

nixmaverick1997 выпустил вариант sentence-transformers для построения эмбеддингов предложений и абзацев. Модель на архитектуре MPNet преобразует текст в плотные векторы размерности 768; обучалась с функцией CosineSimilarityLoss с использованием сиамской и триплетной схем. В метаданных указано 136,7 млн параметров и контекст до 514 токенов. Модель подходит для семантического поиска, кластеризации и сравнения сходства текстов. В README она названа классификатором тональности, а в тегах есть sentiment-classifier, однако приведённое описание и сведения об обучении сосредоточены на эмбеддингах; отдельная голова классификации или результаты классификации не описаны. Для работы доступны PyTorch и библиотеки sentence-transformers и SetFit. Лицензия в предоставленных данных не указана.

booster-team/autotrain-l21an-6mkt7 — это дообученный с помощью AutoTrain энкодер предложений на архитектуре BERT, основанный на sentence-transformers/all-MiniLM-L6-v2. Модель содержит 25,9 млн параметров, принимает текст и формирует плотные векторные представления предложений для оценки семантического сходства. Контекст ограничен 512 токенами. Модель предназначена для сравнения смысловой близости текстов и извлечения эмбеддингов, которые можно использовать в поиске, группировке и других задачах работы с предложениями. В карточке приведена метрика loss 0,676 на валидации, но нет описания набора данных или протокола оценки, поэтому по ней нельзя судить о качестве в конкретном сценарии. Использование предполагает библиотеку Sentence Transformers; лицензия в предоставленных данных не указана.

hlyu/basemodel_8MSE_2dotxuan — модель на базе BERT, подготовленная в формате Sentence Transformers для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерностью 768 и подходит для семантического поиска и кластеризации. Модель содержит 61,2 млн параметров, имеет контекстное окно до 512 токенов и распространяется в формате PyTorch. Модель можно использовать в конвейерах поиска и сравнения текстов, а также для группировки семантически близких фрагментов. README указывает на обучение с функцией потерь MSELoss. Языки обучения и применения и лицензия в предоставленных данных не указаны.

sobamchan/bert-base-uncased-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на google-bert/bert-base-uncased с использованием датасета all-nli. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости с помощью косинусного сходства. Архитектура состоит из BERT и mean pooling; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты оценки сходства предложений на STS, однако они не гарантируют такое же качество на других данных. Модель рассчитана на английский язык. Лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-sst5-k1-adaptive-cosine — компактная модель Sentence Transformers, дообученная автором на основе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 и позволяет сравнивать их косинусным сходством, например для семантического поиска и извлечения релевантных текстов. Архитектура включает BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров. По карточке обучение проводилось на 8 554 парах текстов с контрастивной функцией потерь. Модель принимает только текст. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога указывают контекст до 512 токенов; для практического использования разумно ориентироваться на более строгое ограничение из карточки. Базовая модель предназначена для английского языка, и примеры обучающих данных также на английском. Лицензия в предоставленных данных не указана.

datasocietyco/bge-base-en-v1.5-course-recommender-v5 — англоязычная модель Sentence Transformer от Data Society Co., дообученная на базе BAAI/bge-base-en-v1.5 для сопоставления учебных рекомендаций и текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, пулинг по токену CLS и нормализацию выходного вектора. Модель подходит для семантического поиска и ранжирования похожих текстов, поиска парафраз, кластеризации и классификации текста, в том числе в сценариях рекомендаций курсов. Максимальная длина входа — 512 токенов; модель принимает текст и выдаёт эмбеддинги. В метаданных указана лицензия? Нет данных о лицензии, поэтому условия использования по ней определить нельзя. Обучение опирается на 45 пар примеров, что ограничивает основания для выводов о качестве за пределами целевого сценария.

mostafamhmdi/bge-persian — модель Sentence Transformer, дообученная автором на базе BAAI/bge-m3 для сравнения семантической близости персидских предложений и абзацев. Она построена на XLM-RoBERTa с пулингом CLS-токена и нормализацией, выдаёт плотные векторы размерностью 1024 и сравнивает их косинусным сходством. Максимальная длина последовательности составляет 8192 токена, число параметров — около 658,7 млн. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Обучение описано на наборе из 10 963 пар предложений с оценками сходства и функцией CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

abhinav90parmar/bge-small-en-v1.5-erpguard — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 384 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT, CLS-пулинга и нормализации; модель содержит 40 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, извлечения релевантных текстов и ранжирования кандидатов по близости эмбеддингов. В README приведены результаты оценки на наборе для информационного поиска, однако данных недостаточно, чтобы определить специализированное назначение суффикса «erpguard» или оценить качество на других задачах. Для практического использования требуются библиотека Sentence Transformers либо совместимая система инференса. Лицензия — MIT.

BAAI/BGE-VL-large — модель мультимодального поиска и сопоставления текста и изображений, разработанная BAAI. Она дообучена на базе OpenAI CLIP ViT-L/14 и создаёт векторные представления текстов, изображений и составных запросов, объединяющих изображение с текстовым описанием. Представления можно сравнивать по сходству для поиска подходящих изображений, в том числе по запросам вида «изменить фон на ночной», заданным вместе с исходным изображением. Модель работает с текстом и изображениями; карточка демонстрирует использование через Sentence Transformers и Transformers с `trust_remote_code=True`. В метаданных указан язык en, однако примеры показывают мультимодальный поиск без утверждения об исключительной поддержке английского. Репозиторий содержит веса safetensors, лицензия — MIT. Размер модели и длина контекста в предоставленных данных не указаны.

BAAI/BGE-VL-MLLM-S2 — дообученная BAAI мультимодальная модель для поиска изображений по тексту, изображению или их сочетанию. Она основана на LLaVA-NeXT с Mistral-7B и предназначена для универсального мультимодального поиска: например, можно задать изображение вместе с текстовым уточнением и найти подходящие изображения в коллекции. Модель формирует эмбеддинги размерности 4096, которые сравнивают по сходству; для обработки изображений рекомендуется размер 512 × 512. В README описана работа через sentence-transformers: инструкции в prompt задают формат запроса, а без prompt вход используется как кандидат для поиска. Метаданные указывают библиотеку sentence-transformers, формат весов safetensors и лицензию MIT. Карточка приводит примеры текстовых и визуальных запросов, но не заявляет поддержку языков помимо английского.

meet5568/bhash_finetune_phaseB_v2 — модель Sentence Transformer на архитектуре BERT, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для оценки семантического сходства, семантического поиска и других задач сопоставления текстов. Модель использует mean pooling и косинусное сходство; обучалась с TripletLoss на наборе из 3 200 примеров. Максимальная длина последовательности по README — 400 токенов, а метаданные указывают контекст до 512 токенов. Векторы модели можно применять для поиска перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Указанные сценарии предполагают текстовый ввод и векторный вывод. Язык обучающих данных и специализация по конкретным предметным областям в карточке не раскрыты. Лицензия в предоставленных данных не указана.

teven/bi_all_bs192_hardneg_finetuned_WebNLG2017 — модель на основе MPNet, разработанная teven и опубликованная в формате PyTorch для получения плотных векторных представлений предложений и абзацев. Она содержит 136,7 млн параметров, выдаёт эмбеддинги размерности 768 и рассчитана на контекст до 514 токенов. Модель обучена с использованием CosineSimilarityLoss на данных WebNLG2017. Её можно применять для семантического поиска, сравнения сходства предложений и кластеризации текстов. README предлагает использовать библиотеку Sentence Transformers. Лицензия и перечень поддерживаемых естественных языков в предоставленных данных не указаны.

Byrne-Embed — компактная модель для построения эмбеддингов предложений, разработанная автором репозитория Quazim0t0. Она преобразует текст в нормированные векторы размерности 768, пригодные для сравнения косинусного сходства, поиска, кластеризации и ранжирования. Модель содержит 85 млн параметров и использует декодер SpikeWhale с усреднением последнего скрытого состояния и обучаемой проекционной головой. Модель предназначена для семантического поиска и анализа сходства английских текстов. В README приведены результаты оценки на англоязычном наборе MTEB и сравнение геометрии эмбеддингов с EmbeddingGemma-300M. Для загрузки используется Transformers с пользовательской архитектурой; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка сосредоточена на английском языке, а качество для других языков не проверено. В README также отмечена слабая сторона в поиске перефразировок по финансам и экономике; для загрузки требуется код пользовательской архитектуры.

ChengyouXin/cacheverifier-quora — текстовый Cross Encoder, обученный с помощью библиотеки Sentence Transformers для оценки пар текстов. Модель принимает запрос и кандидатный текст, выдаёт один числовой балл релевантности; баллы подходят для ранжирования результатов семантического поиска и других задач сравнения текстовых пар. Архитектура основана на BERT и BertForSequenceClassification, размер — 25,9 млн параметров, максимальная длина входной последовательности — 512 токенов. В README указано обучение на 11 928 примерах с колонками query, response и label и функцией потерь BinaryCrossEntropyLoss. Примеры охватывают вопросы и ответы Quora, включая перефразирования. Данных о лицензии и целевых языках в предоставленных источниках нет. Поскольку обучение заняло 19,5 секунды, качество и обобщение на другие наборы данных следует проверять для конкретного применения.

marianodo/ContrastiveLoss — модель на базе MPNet, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для задач семантического поиска и кластеризации. Модель обучалась с функцией ContrastiveLoss и косинусной метрикой расстояния; число параметров — 136,7 млн, контекст — до 514 токенов. Модель подходит для построения векторных представлений текстов и сравнения их семантического сходства. В карточке не указаны разработчик датасета, поддерживаемые естественные языки и лицензия, поэтому их нельзя надёжно определить.

Kyleiwaniec/COS_TAPT_n_RoBERTa-sts-e3_OnlineContrastiveLoss_2023-10-16 — модель Sentence-Transformers на архитектуре RoBERTa, обученная представлять предложения и абзацы в виде плотных векторов размерности 1024. Её можно применять для поиска семантически близких текстов, кластеризации и сравнения сходства предложений. Модель принимает текст и выдаёт эмбеддинги; карточка указывает контекст длиной 514 токенов. Она обучалась с OnlineContrastiveLoss и распространяется в формате PyTorch. Доступна для использования через Sentence-Transformers или Transformers с подходящей операцией pooling. Сведения о лицензии и целевых языках не приведены в использованных источниках.

teven/cross_all_bs160_allneg_finetuned_WebNLG2020_data_coverage — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства предложений. Модель принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 514 токенов. Название указывает на дообучение для данных WebNLG 2020 с акцентом на покрытие данных, однако README не описывает подробности обучения или сравнительные результаты. Для использования доступны Sentence-Transformers и Transformers с подходящей операцией pooling. В репозитории представлены веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.