I.12Рекомендации и персонализация

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_90000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000, поэтому описание составлено по ней. DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000 — модель на базе RoBERTa, разработанная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и других задач сравнения текстовых представлений. В метаданных указаны 151,8 млн параметров, контекст до 514 токенов и формат весов safetensors. Модель принимает текст и выдаёт векторные представления; для использования доступны Sentence-Transformers и Transformers с соответствующей операцией pooling. В README указано обучение с MarginDistillationLoss. Сведений о поддерживаемых языках, лицензии и ограничениях качества в предоставленных источниках нет.

Hkgkang00/FT-label-consent-20 — англоязычный Sentence Transformer, дообученный разработчиком на базе sentence-transformers/all-MiniLM-L6-v2 для сравнения предложений и поиска семантически близких текстов. Модель кодирует предложения и абзацы в плотные векторы размерности 384; архитектура включает энкодер BERT, усреднение токенов и нормализацию. Для оценки сходства используется косинусная мера. В README указана максимальная длина последовательности 256 токенов; метаданные Hugging Face указывают контекст до 512 токенов. Модель предназначена для семантического поиска, оценки сходства текстовых пар, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. README сообщает о дообучении на наборе FT_label и приводит метрику Spearman cosine 0,4076 на его оценочной выборке. Базовая модель описана как англоязычная, поэтому применение к другим языкам не подтверждено. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

Это экспорт IBM Granite-Embedding-97M-Multilingual-R2 в формате Core AI для запуска на устройствах Apple. Модель содержит 97,4 млн параметров, использует архитектуру ModernBERT и кодирует текст в векторы размерности 384 с L2-нормализацией. В README описаны готовые сборки для iOS 27 и macOS 27, включая варианты с длиной последовательности 128 или 512 токенов; указана поддержка японского и английского языков, а метаданные характеризуют модель как многоязычную. Модель предназначена для семантического поиска и сопоставления запросов с документами, например поиска заметок по смыслу. Это энкодер: он принимает токенизированный текст и выдаёт эмбеддинг, а не генерирует текст. README приводит измерения скорости и проверку численного соответствия исходной модели, но подчёркивает, что сравнительное качество retrieval не оценивалось. Экспорт распространяется по лицензии Apache-2.0; для корректной работы важны точная токенизация, специальные токены и маска внимания.

gte-large-zh-i1-GGUF — это GGUF-квантизации модели thenlper/gte-large-zh, подготовленные mradermacher. Модель предназначена для задач семантического сравнения предложений и создания текстовых эмбеддингов; соответствующие сценарии включают поиск по смыслу, сопоставление текстов и другие задачи, поддерживаемые библиотеками Sentence Transformers и MTEB. В репозитории представлены варианты квантизации i1-IQ и Q различных уровней, размером примерно от 0,2 до 0,4 ГБ. Квантизация позволяет уменьшить требования к хранению и потенциально упростить локальный запуск, однако чрезмерно компактные варианты могут заметно уступать по качеству. В README указано, что модель относится к Transformers и заявлена для английского языка; сведения о точной архитектуре, числе параметров, размере контекста и поддержке других модальностей отсутствуют. Модель распространяется по лицензии MIT. Репозиторий содержит именно квантизированные GGUF-файлы, поэтому для использования требуется совместимое программное обеспечение; конкретные ограничения совместимости и рекомендуемый вариант зависят от выбранного типа квантизации.

Jina CLIP v2 — модель мультимодальных эмбеддингов общего назначения, разработанная Jina AI. Она совместно обучает текстовый энкодер Jina-XLM-RoBERTa и визуальный энкодер EVA02-L14, чтобы представлять текст и изображения в общем векторном пространстве для поиска и сопоставления. Модель содержит около 0,9 млрд параметров: 561 млн в текстовом энкодере и 304 млн в визуальном. Она принимает текст длиной до 8192 токенов и изображения разрешением до 512 × 512 пикселей, формируя эмбеддинги размерностью до 1024; размер векторов можно сократить до 64 с помощью Matryoshka-представлений. Модель предназначена для мультиязычного поиска по изображениям и текстам, поиска похожих изображений и текстов, а также для извлечения признаков в мультимодальных приложениях. В README заявлена поддержка 89 языков для мультиязычного поиска изображений; метаданные перечисляют языковые коды лишь для части из них. По словам разработчиков, версия v2 улучшает результаты v1 на 3% в задачах поиска текст-текст и текст-изображение. Модель доступна в форматах PyTorch, ONNX и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с обязательной атрибуцией, но исключает коммерческое применение.

kimbyl разработал Sentence Transformer на основе kimbyl/klue-roberta-base-klue-sts, дообучив его для получения векторных представлений предложений и абзацев. Модель использует энкодер RoBERTa с усреднением токенных представлений и формирует плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Примеры обучающих данных и описание датасета указывают на поддержку корейского языка; в README приведена оценка сходства с коэффициентом Спирмена 0,8304 на использованной оценке. Лицензия в предоставленных данных не указана.

shangrilar/klue-roberta-base-klue-sts-mrc — модель Sentence-Transformers на базе RoBERTa, разработанная автором репозитория для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Веса доступны в формате safetensors; для применения подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не сообщает лицензию и не приводит результатов оценки качества. Название базовой модели указывает на ориентацию на корейский язык, однако README и метаданные не перечисляют поддерживаемые языки.

LaBSE-EnKo-Nano-Preview-v0.3 — предварительная модель Sentence Transformers, дообученная автором lemon-mint на sentence-transformers/LaBSE. Она кодирует предложения и абзацы на английском и корейском языках в плотные векторы размерности 768; сходство текстов предлагается оценивать косинусной мерой. Архитектура основана на BERT и включает пулинг CLS-токена, полносвязный слой с Tanh и нормализацию. Максимальная длина последовательности в метаданных — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации по эмбеддингам. Лицензия — Apache-2.0. Автор отмечает, что это предварительная версия и планирует выпустить более качественные модели, поэтому качество на конкретных данных стоит проверить перед широким применением.

LaME-7B — мультимодальная модель для получения эмбеддингов, разработанная на основе Qwen2-VL-7B-Instruct. Она использует восемь обучаемых токенов [REASON], обучение с совместной контрастивной и декодерной супервизией и проекцию размерности 3584; латентный декодер основан на Qwen3-0.6B. Модель предназначена для поиска и сопоставления текста, изображений, видео и визуальных документов. README сообщает о высоких результатах на наборах MMEB-v2 и MRMR. Для запуска указаны Transformers и AutoModel/AutoProcessor; веса представлены в формате safetensors. Лицензия — Apache-2.0.

Карточка модели shtilev/medical_embedded_v4 на Hugging Face совпадает с карточкой onelevelstudio/MPNET-0.3B, поэтому описание составлено по ней. onelevelstudio/MPNET-0.3B — многоязычная модель эмбеддингов предложений, основанная на архитектуре XLM-RoBERTa и библиотеке Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В README указана модель sentence-transformers/paraphrase-multilingual-mpnet-base-v2 как описание и источник сведений о назначении; разработчиком базовой модели названа команда Sentence-Transformers. Модель содержит 305,2 млн параметров и принимает текстовые фрагменты с контекстом до 514 токенов. Доступны веса и реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Поддерживаются многие языки, в том числе русский и английский. Лицензия — Apache-2.0. Подходит для семантического поиска, оценки сходства текстов и кластеризации предложений и абзацев. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы или разметку; качество зависит от языка и предметной области, а предел контекста ограничивает длину обрабатываемого фрагмента.

Карточка модели jfarray/Model_bert-base-multilingual-uncased_10_Epochs на Hugging Face совпадает с карточкой jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs, поэтому описание составлено по ней. jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs — модель эмбеддингов предложений на базе BERT, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 256 для поиска семантически близких текстов и кластеризации. Модель содержит 137,1 млн параметров, работает с текстом и поддерживает контекст до 512 токенов; в карточке указана библиотека Sentence-Transformers и обучение с CosineSimilarityLoss. Модель подходит для семантического поиска и группировки текстов по смыслу. Название базовой модели указывает на испанский BERT dccuchile/bert-base-spanish-wwm-uncased, поэтому основной язык — испанский. В метаданных указаны формат PyTorch и задачи извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

Модель jfarray/Model_bert-base-multilingual-uncased_1_Epochs — модель на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные эмбеддинги размерностью 256. Её можно применять для семантического поиска, сравнения текстов и кластеризации. По метаданным, модель содержит 194,6 млн параметров, принимает текст длиной до 512 токенов и опубликована в формате PyTorch. Модель обучена с помощью Sentence-Transformers и функции потерь CosineSimilarityLoss. README не раскрывает обучающие данные и результаты оценки, поэтому качество для конкретных языков и задач по предоставленным сведениям оценить нельзя. Лицензия в доступных данных не приведена.

Модель jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs — модель Sentence-Transformers на базе BERT, преобразующая предложения и абзацы в плотные векторы размерности 256. Она предназначена для поиска семантически близких текстов и кластеризации; также подходит для сравнения сходства предложений. Модель содержит 137,1 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. По названию репозитория базовая модель — dccuchile/bert-base-spanish-wwm-uncased; модель ориентирована на испанский язык. Лицензия в предоставленных данных не указана.

tomaarsen/mpnet-base-gooaq — текстовая Sentence Transformer модель, разработанная на базе microsoft/mpnet-base и дообученная на наборе вопросов и ответов GooAQ. Она преобразует предложения и абзацы в плотные векторы размерности 768; близость текстов можно оценивать косинусным сходством. Модель содержит около 136,7 млн параметров, использует архитектуру MPNet с усреднением токеновых представлений и принимает последовательности длиной до 512 токенов. Модель предназначена прежде всего для семантического поиска и сопоставления вопросов с ответами на английском языке. Её также можно применять для оценки семантического сходства, поиска перефразировок, кластеризации и классификации текста. В карточке приведены результаты поиска на GooAQ dev: точность cosine_accuracy@1 — 0,7198, @3 — 0,884 и @5 — 0,9305. Модель выдаёт векторы, а не готовые ответы или метки классов; для поиска требуется сравнение векторов, например по косинусному сходству. Обучение ориентировано на англоязычные пары вопросов и ответов, поэтому качество для других языков не подтверждено. Лицензия — Apache-2.0.

maxHPI90/multilingual-e5-base-iscedf-01 — дообученная командой maxHPI90 модель Sentence Transformer на базе isy-thl/multilingual-e5-base-learning-outcome-skill-tuned. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и оценки сходства, в том числе сопоставления описаний курсов с классификацией ISCED-F. Также модель подходит для поиска перефразировок, кластеризации и классификации текстов. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов; сходство можно оценивать косинусной метрикой. Максимальная длина последовательности — 512 токенов. В README приведены результаты поиска по датасету ISCED-F: точность cosine_accuracy@1 — 0,6824, @3 — 0,8471, @5 — 0,9059. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformer mik3ml/multilingual-e5-large-ita, дообученная разработчиком на базе intfloat/multilingual-e5-large для представления итальянских текстов в виде плотных векторов. Архитектура основана на XLM-RoBERTa-large с усреднением токенных представлений и нормализацией; модель содержит 658,7 млн параметров, формирует эмбеддинги размерностью 1024 и обрабатывает последовательности длиной до 514 токенов по метаданным (в карточке указано ограничение 512 токенов). Для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и сопоставления предложений и абзацев, поиска перефразирований, кластеризации и классификации текстов. В README приведены оценки информационного поиска для разных размерностей эмбеддингов. В первую очередь модель ориентирована на итальянский язык; основанием для этого служат языковой тег и указание языка в карточке. Лицензия — Apache-2.0. Она выдаёт векторы, а не готовые текстовые ответы; качество зависит от соответствия входных текстов обучающим данным.

legacy107/multi-qa-mpnet-base-dot-v1-wikipedia-augmented-search-farmed — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов; в README также указаны сценарии кластеризации и семантического поиска. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель принимает текст и выдаёт векторные представления, пригодные для поиска по смыслу и группировки похожих текстов. Контекст составляет до 514 токенов. Данных о специальных языках, на которых модель оптимизирована, в карточке нет. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, доступная через библиотеку Transformers и реализованная с использованием PyTorch. В метаданных Hugging Face она классифицирована для задачи feature-extraction; автор или организация-разработчик не указаны. Модель предназначена для получения векторных представлений текстов, которые можно использовать в последующей классификации, кластеризации, поиске похожих документов и других задачах анализа текста. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы и диалогов, однако эти сведения не согласуются с указанным pipeline-тегом и не подтверждают архитектуру генеративной модели. Модель распространяется по лицензии MIT. В доступных данных не указаны размер модели, поддерживаемые естественные языки и длина контекста.

MyAwesomeModel — модель на базе Transformers с архитектурой семейства BERT, опубликованная в репозитории scq21cs2dsadsa/MyAwesomeModel-TestRepo. Согласно метаданным Hugging Face, она предназначена для извлечения признаков из текста и доступна под лицензией MIT. Модель может применяться для получения векторных представлений текста, последующей классификации, кластеризации, поиска похожих документов и других задач, использующих текстовые embeddings. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы и диалогов, однако pipeline_tag feature-extraction и доступные метаданные подтверждают прежде всего сценарии извлечения признаков. Размер модели, длина контекста, поддерживаемые языки и разработчик в предоставленных данных не указаны.

unrestrictedai/my-embedding-gemma — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и сравнивает их по косинусному сходству. Архитектура относится к Gemma 3 Text; модель содержит 302,8 млн параметров, принимает текст с контекстом до 2048 токенов и сохраняет веса в формате safetensors. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README указано обучение на трёх примерах с MultipleNegativesRankingLoss, поэтому качество и переносимость на другие задачи или предметные области могут быть ограничены. Лицензия в предоставленных данных не указана.

NeoAraBERT-STS — модель Sentence Transformers для семантического сопоставления предложений на арабском языке. Модель разработана на архитектуре NeoBERT и содержит 314,2 млн параметров; она преобразует текст в векторы размерностью 768, а сходство предложений оценивается косинусной мерой. Максимальная длина входной последовательности — 512 токенов. Модель предназначена для сравнения смысла арабских фраз и предложений, в том числе для поиска семантически близких текстов. Репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Карточка модели Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_TM на Hugging Face совпадает с карточкой Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_E_5_nli, поэтому описание составлено по ней. Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_E_5_nli — модель Sentence-Transformers на базе BERT, разработанная пользователем Nerdofdot. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на ранжирование текстовых пар. Модель содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт векторные представления. По названию репозитория она предназначена для итальянского языка без учёта регистра; README не сообщает отдельные результаты оценки. В метаданных указан формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

pharo-collaborators-classifier — модель семейства MPNet от AISE-TUDelft на базе Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости; подходит для семантического поиска и кластеризации текстов. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучена с функцией потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

AISE-TUDelft/pharo-keymessages-classifier — модель на основе MPNet, созданная как Sentence-Transformers модель для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; нативная длина контекста составляет 514 токенов. В README указано обучение с функцией потерь CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Карточка не приводит сведений о языках обучения и лицензии, поэтому нельзя определить языковой охват или условия использования.

Модель niltonseixas/portuguese-embed-model — дообученная Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная для получения плотных векторных представлений предложений и абзацев. Архитектура основана на BERT с усреднением токенных представлений; векторы имеют размерность 384, для сравнения используется косинусное сходство. Модель содержит 124,3 млн параметров и принимает последовательности длиной до 512 токенов согласно метаданным; в README указано ограничение 128 токенов. Основное назначение — семантический поиск и оценка сходства текстов на португальском языке. Также модель подходит для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Обучение проводилось на 1 404 парах предложений с функцией MultipleNegativesRankingLoss. Базовая модель многоязычная, но карточка этой версии ориентирована на португальские тексты. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

shigureui/Qwen3-VL-Embedding-2B-FP8 — мультимодальная embedding-модель на базе Qwen/Qwen3-VL-Embedding-2B, сжатая в формат FP8 с помощью llmcompressor. Модель предназначена для преобразования текстов, изображений и их сочетаний в векторные представления, которые можно использовать для оценки семантического сходства, поиска и сопоставления мультимодального контента. Для запуска поддерживается vLLM в режиме pooling. Известно, что модель имеет размер 2B параметров в базовой версии и поддерживает контекст до 20 480 токенов в приведённой конфигурации vLLM. В примерах показано сравнение текстовых описаний с изображением, а также совместная обработка изображения и текста. Сжатие в FP8 заявлено как способ ускорения работы как минимум на 50%, однако подробные результаты бенчмарков и условия измерений не приведены. Поддерживаемые языки, точная архитектура и дополнительные ограничения по модальностям в README не указаны. Модель распространяется по лицензии MIT. README не содержит сведений о качестве на конкретных наборах данных, устойчивости результатов, требованиях к аппаратному обеспечению или ограничениях применения, поэтому эти характеристики требуют отдельной проверки.

RankingGPT-bloom-560m — модель ранжирования текстов на основе языковой модели семейства BLOOM, опубликованная авторами проекта RankingGPT. Репозиторий содержит плотную авторегрессионную архитектуру BloomForCausalLM с примерно 659,6 млн параметров в формате PyTorch; модель предназначена для оценки и упорядочивания текстовых кандидатов по релевантности, включая сценарии внутри и вне домена обучения. Модель подходит для поиска и ранжирования документов или ответов по запросу, например в поисковых системах и конвейерах извлечения информации. В карточке приведены сравнительные результаты на DL19, DL20 и BEIR, однако для этой конкретной версии отдельные показатели не выделены в доступном тексте. Поддерживаемый язык по карточке — английский. Лицензия MIT.

Wheatley961/Raw_3_Test_1_new.model — модель Sentence-Transformers на базе XLM-RoBERTa, разработчик — Wheatley961. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, семантического поиска и кластеризации. Модель имеет 305,2 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. В обучении использовалась CosineSimilarityLoss. Модель подходит для поиска похожих фрагментов текста и группировки предложений по смыслу. Карточка не приводит сведения о поддерживаемых языках и лицензии, поэтому языковой охват и условия использования определить по имеющимся данным нельзя.

le723z/Rearank-7B — модель для повторного ранжирования результатов поиска с использованием пошагового рассуждения. Она создана на базе Qwen2.5-7B-Instruct и дообучена методом GRPO на наборе данных из 179 запросов для задачи reranking; работа описана в статье REARANK: Reasoning Re-ranking Agent via Reinforcement Learning. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текст; заявленный размер контекста — 32 768 токенов. Модель предназначена для оценки и упорядочивания текстовых кандидатов относительно запроса, например при поиске документов или подготовке контекста для RAG. Основной тег Hugging Face — text-ranking; метаданные также указывают text-generation. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. Карточка сообщает об обучении на небольшом наборе из 179 запросов, поэтому качество и переносимость на другие задачи и домены могут быть ограничены.

Это англоязычная модель Cross Encoder, разработанная сообществом cross-encoder-testing и дообученная на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Она оценивает пары текстов и возвращает числовой балл релевантности, поэтому предназначена прежде всего для переранжирования результатов поиска, семантического сравнения текстов, поиска перефразировок, классификации текстовых пар и связанных задач. Модель имеет архитектуру Cross Encoder, один выходной label и поддерживает последовательности длиной до 512 токенов. Она работает с текстом на английском языке и применяется к двум текстам одновременно, что обычно позволяет учитывать их взаимное содержание, но требует отдельного вычисления для каждой пары и может быть менее производительной на больших объёмах, чем модели, кодирующие тексты независимо. В README не приведены размер модели, значения метрик или подробные результаты оценки; указано лишь, что обучение выполнялось с BinaryCrossEntropyLoss на данных GooAQ. Модель распространяется по лицензии Apache-2.0. Для использования рекомендуется библиотека Sentence Transformers; README содержит примеры получения оценок для пар текстов и ранжирования набора документов по запросу.