I.12Рекомендации и персонализация

Модель cross-encoder-testing/reranker-bert-tiny-gooaq-bce-tanh-v3 — это англоязычный Cross Encoder, разработанный на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Модель дообучена на данных GooAQ и предназначена для оценки пар текстов: она получает два фрагмента на вход и вычисляет один числовой балл их смыслового соответствия. Основные сценарии применения включают семантический поиск и переранжирование результатов, оценку текстового сходства, поиск перефразировок, классификацию текстов и другие задачи, где требуется сравнивать два текстовых фрагмента. Максимальная длина последовательности составляет 512 токенов, модель поддерживает один выходной лейбл и рассчитана на работу с английским языком. В метаданных указаны метрики MAP, MRR@10 и NDCG@10; размер базовой модели обозначен как BERT-tiny, однако точное число параметров не приведено. К сильным сторонам относятся компактность базовой архитектуры и возможность напрямую ранжировать пары запрос–документ или другие пары текстов. Как Cross Encoder, модель совместно анализирует оба текста, что может обеспечивать более точную оценку соответствия, но обычно требует отдельного вычисления для каждой пары и потому менее удобна для первичного поиска по большим коллекциям. README не приводит численных результатов оценки, подробностей о составе обучающей выборки или ограничений по доменам. Лицензия — Apache-2.0.

Ruri-Large — японская Sentence Transformer модель, разработанная cl-nagoya для получения векторных представлений предложений и оценки их семантического сходства. Она подходит для поиска по смыслу, сравнения предложений, ранжирования результатов и других задач, использующих embeddings. README сообщает о длине последовательности до 512 токенов, размерности векторов 1024 и косинусной функции сходства; модель оценивалась на JMTEB. Архитектура — BERT; размер по метаданным — 436,2 млн параметров. Модель дообучена на базе tohoku-nlp/bert-base-japanese-v3 и предназначена для японского языка. Распространяется по лицензии Apache 2.0.

rainjay/sbert_nlp_corom_sentence-embedding_chinese-base-ecom — модель на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих фрагментов текста и группировки предложений по смыслу. Карточка не уточняет, на каких данных обучалась модель и какие языки она поддерживает, поэтому область применения по языку определить нельзя. Лицензия в предоставленных данных не указана.

DoanKhoi/sbert-phobert-base — модель Sentence Transformers на архитектуре RoBERTa, обученная для получения векторных представлений предложений и абзацев. Она преобразует текст во векторы размерности 768, подходящие для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 162,4 млн параметров и принимает последовательности длиной до 258 токенов. В README указано обучение с CosineSimilarityLoss; в метаданных перечислены Sentence Similarity и Feature Extraction. По названию PhoBERT и карточке модель предназначена для вьетнамского языка. Доступна в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

omniamnaeem/semantic_sim_ner_with_ContrastiveLoss — модель на основе BERT, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для сравнения семантической близости, кластеризации и семантического поиска. Контекст модели ограничен 512 токенами, размер — 12,4 млн параметров. В README указано обучение с косинусной функцией потерь и отступом 0,5. Модель принимает текст и выдаёт векторные представления, которые можно использовать для поиска похожих фрагментов и группировки текстов. Лицензия в предоставленных данных не указана.

Serafim 900m Portuguese (PT) Sentence Encoder — модель для создания векторных представлений предложений и абзацев на португальском языке. Она разработана авторами семейства Serafim PT и представлена в работе на конференции EPIA 2024. Модель основана на архитектуре DeBERTa-v2 и распространяется в формате safetensors через библиотеку Sentence Transformers. Модель кодирует текст в плотные векторы размерностью 1536, предназначенные для семантического поиска, кластеризации и сравнения смысловой близости текстов. Максимальная длина контекста — 512 токенов; обучение использовало функцию потерь CoSENT. Лицензия MIT.

mrm8488/setfit-mpnet-base-v2-finetuned-spam-detection — модель Sentence Transformers на архитектуре MPNet, разработанная автором mrm8488 и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. В метаданных указан размер 136,7 млн параметров, библиотека PyTorch и контекст до 514 токенов. Модель можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Несмотря на название репозитория, README описывает получение эмбеддингов, а метаданные не подтверждают отдельную задачу классификации спама. Модель принимает текст и выдаёт векторы. README указывает обучение с CosineSimilarityLoss; сведений о поддерживаемых языках и лицензии в предоставленных данных нет.

bigscience-data/sgpt-bloom-1b7-nli — модель эмбеддингов предложений на базе архитектуры BLOOM, предназначенная для оценки смысловой близости текстов и извлечения векторных представлений. Карточка описывает обучение с BitFit, пулингом weighted mean и методом GradCache с функцией потерь Multiple Negatives Ranking Loss. Указаны результаты оценки на AskUbuntu, CQADupStack, TwitterPara и SciDocs со средним баллом около 55,1. Модель подходит для поиска семантически похожих предложений, сопоставления вопросов и ответов и поиска по текстовым коллекциям. Метаданные указывают контекст до 4096 токенов и форматы PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Cyclone SIMCSE Chinese RoBERTa WWM Ext — модель для получения векторных представлений предложений на упрощённом китайском языке. Она разработана на основе Chinese RoBERTa WWM Ext: энкодер токенов используется в подходе Simple Contrastive Learning для кодирования предложений. Модель содержит 129,5 млн параметров, имеет архитектуру BERT и контекст до 512 токенов; веса доступны в формате PyTorch. Модель предназначена для построения эмбеддингов, которые можно применять для семантического поиска, сравнения сходства предложений и поиска похожих текстов. README рекомендует загружать её с помощью SentenceTransformer. Сведения о лицензии и специальных ограничениях в предоставленных данных отсутствуют.

kornwtp/simcse-model-XLMR — модель эмбеддингов предложений на базе XLM-R, обученная разработчиком с использованием SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Архитектура — XLM-RoBERTa с 305,2 млн параметров; модель принимает текст и выдаёт векторы. Максимальная длина контекста — 514 токенов. Модель выпущена под лицензией Apache-2.0. README указывает на обучение на тайской Википедии, поэтому поддержка тайского подтверждена; фактическое качество для других языков не описано.

Это перенос многоязычного текстового энкодера SONAR в формат Transformers из реализации fairseq2. Модель на архитектуре M2M100 содержит 665 млн параметров и формирует векторные представления текста для оценки сходства предложений. Перенесённые веса должны давать те же эмбеддинги, что и официальная реализация, которая остаётся эталонным источником. Энкодер поддерживает 202 языка, как NLLB-200, и рассчитан на кодирование текстов длиной до 1024 токенов. Его можно использовать для поиска семантически близких предложений и сопоставления текстов на разных языках. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

stella_en_1.5B_v5_bf16 — англоязычная модель представлений текста, опубликованная под идентификатором it-just-works/stella_en_1.5B_v5_bf16. По названию и карточке можно установить размер около 1,5 млрд параметров и формат чисел bfloat16 (bf16). Сведения о конкретном разработчике, базовой архитектуре и методе обучения в представленном README не указаны. Модель предназначена для задач анализа и сопоставления англоязычных текстов, включая классификацию, семантический поиск и ранжирование. В карточке приведены результаты на наборах MTEB: например, accuracy составляет 97,16 на AmazonPolarityClassification, 92,87 на AmazonCounterfactualClassification и 59,36 на AmazonReviewsClassification; для ArguAna указан основной показатель 65,27. Эти результаты показывают применимость модели к оценке тональности, классификации отзывов и поиску релевантных аргументов. Ограничения также существенны: поддержка заявлена или предполагается только для английского языка, а сведения о контекстном окне, входных и выходных модальностях, точном назначении эмбеддингов и требованиях к оборудованию отсутствуют. Лицензия и условия коммерческого или иного использования в предоставленных данных не указаны, поэтому их необходимо уточнить в полном репозитории модели.

sentence-transformers/stsb-bert-large — модель Sentence Transformers, обученная командой sentence-transformers для преобразования предложений и абзацев в плотные векторные представления размерностью 1024. Она основана на архитектуре BERT и подходит для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель принимает текст и выдаёт эмбеддинги; её максимальная длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые альтернативы. Лицензия — Apache-2.0.

tcepi/sts_bertimbau — модель Sentence Transformers, дообученная на базе neuralmind/bert-base-portuguese-cased. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Архитектура включает BERTimbau Base с mean pooling; максимальная длина входа — 512 токенов. Модель предназначена для семантического сходства текстов, семантического поиска, поиска перефразировок, классификации и кластеризации текстов на португальском языке. Она выдаёт эмбеддинги, которые можно использовать в поисковых системах и других задачах сравнения текстов. Лицензия в предоставленных данных не указана.

Symptemist-Biencoder — модель BSC-NLP4BIA на базе RoBERTa, предназначенная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Архитектура содержит около 153,2 млн параметров, а максимальная длина контекста составляет 514 токенов. Модель обучалась с использованием TripletLoss с евклидовой метрикой расстояния и может применяться для поиска семантически близких текстов и группировки похожих высказываний. Карточка не указывает специализированную область применения или поддерживаемые естественные языки. Модель опубликована в формате Safetensors; лицензия в предоставленных данных не указана.

Это мультимодальная модель Sentence Transformers, дообученная daruokta на базе daruokta/t5gemma-2-1b-multimodal-embedding-indo-v6 для поиска и сопоставления предложений. Она кодирует текст и изображения в плотные векторы размерностью 1152; для сравнения векторов используется косинусное сходство. Максимальная длина последовательности — 4096 токенов. Модель обучалась на задачах поиска, семантического сходства, вывода и классификации и подходит для семантического поиска и сравнения текстов. В карточке указаны индонезийский и английский языки. Лицензия — Apache-2.0. В опубликованных оценках приведены результаты для семантического сходства, поиска и бинарной классификации, однако они относятся к указанным наборам оценки и не гарантируют аналогичного качества на других данных. Карточка не описывает отдельную генерацию текста или извлечение признаков изображения помимо заявленной поддержки текстовых и визуальных входов.

Это текстовая cross-encoder-модель rohit-vt, дообученная на основе cross-encoder/ms-marco-MiniLM-L6-v2 с библиотекой Sentence Transformers. Она оценивает пары текстов одним числовым баллом, который можно использовать для переранжирования результатов поиска и семантического поиска; обучающие примеры связаны с сопоставлением названий навыков и профессий. Модель построена на архитектуре BERT и содержит 25,9 млн параметров. Она принимает текстовые пары, выдаёт оценку релевантности и обрабатывает последовательности длиной до 512 токенов. В карточке не обозначены специальные требования к языку, поэтому подтверждённую поддержку конкретных языков установить нельзя. Модель подходит для ранжирования кандидатов по запросу, например при поиске похожих навыков. Её оценки обучены на конкретных данных сопоставления и могут хуже работать на иных типах текстов или языках. Лицензия в предоставленных данных не указана.

Tien09/tiny_bert_ft_sim_score_1 — модель Sentence Transformers, дообученная автором на базе prajjwal1/bert-tiny на датасете пар текстов с оценками сходства. Она кодирует предложения и абзацы в плотные векторы размерности 128; для сравнения используется косинусное сходство. Модель подходит для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Архитектура включает BertModel с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель рассчитана на английский язык. Датасет обучения содержит пары текстов и оценки сходства; примеры относятся к описаниям карт Yu-Gi-Oh!, поэтому качество на иных тематиках может отличаться. Лицензия — Apache-2.0.

triBne-e5-small — модель текстовых эмбеддингов, созданная дообучением intfloat/multilingual-e5-small автором istiaqfuad. Она предназначена для семантического поиска, извлечения близких текстов, кластеризации и сравнения предложений на бенгальском языке, английском и бенгальском, записанном латиницей (Banglish), в том числе при вариативном написании слов. Модель основана на архитектуре BERT, содержит 124,3 млн параметров и создаёт нормализованные эмбеддинги размерности 384; для сравнения используется косинусное сходство. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 128 токенов. Модель дообучена контрастивным методом с LoRA-адаптером, объединённым с базовой моделью. По описанной оценке она особенно хорошо справляется с поиском вариантов написания Banglish и сопоставлением бенгальского текста с Banglish; для поиска между английским и бенгальским показала конкурентные результаты. Лицензия — MIT, библиотека — sentence-transformers. Модель рассчитана на короткие тексты: более длинные последовательности усекаются. Часть обучающих пар Banglish создана с помощью LLM и может наследовать их смещения. Модель не предназначена для генерации текста или классификации.

UME-R1-7B — мультимодальная модель на архитектуре Qwen2-VL, разработанная авторами проекта UME-R1. По карточке, модель прошла этапы supervised fine-tuning с холодным стартом и обучения с подкреплением. Она формирует представления текста, изображений, нескольких изображений и видео: поддерживает как различительные, так и генеративные эмбеддинги, а повторная генерация представлений может улучшать результаты при выводе. Модель содержит 7,1 млрд параметров, использует библиотеку Transformers и имеет контекст длиной до 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления текста с изображениями или видео, а также для задач сравнения и классификации по сходству. В README заявлено, что она превосходит различительные эмбеддинги, но сведения о наборах обучения и оценки отсутствуют, поэтому это утверждение нельзя независимо оценить по карточке. В метаданных указаны чат и зрительные возможности; основной тег задачи — image-text-to-text. Лицензия — Apache-2.0.

UniME-Phi3.5-V-4.2B — мультимодальная модель для получения эмбеддингов по тексту и изображениям, основанная на Microsoft Phi-3.5-vision-instruct и дообученная командой DeepGlint-AI. Она предназначена для мультимодального поиска и оценки сходства: сопоставляет запросы с изображениями или текстами и помогает находить релевантные элементы в наборах данных. В карточке заявлен результат на верхней позиции таблицы MMEB для обучения с разрешением изображений 336×336. Модель использует архитектуру Phi-3 Vision с 3,7 млрд параметров, работает с текстом и изображениями и имеет контекст до 4096 токенов. При обучении донастраивался только языковой компонент; остальные параметры были заморожены. Для обучения использовались дистилляция текстовых представлений и настройка инструкций с подбором сложных негативных примеров. Лицензия — MIT. Карточка описывает метод обучения и результат на MMEB, но не приводит подробностей об использовании модели для извлечения эмбеддингов, форматах векторов или оценках релевантности. Поэтому заявленный результат не заменяет независимую проверку на целевых данных.

victormuryn/use-combined-pt — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 для получения векторных представлений украинских предложений. Она использует архитектуру XLM-RoBERTa с плотным энкодером, контрастивную цель обучения и комбинированные стратегии аугментации с pool targets. Размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для семантического сравнения предложений и получения эмбеддингов украинского текста; их можно использовать для поиска похожих фраз, кластеризации и других сценариев, где нужно сравнивать смысл текстов. Обучение проводилось на корпусе UberText 2.0. Базовая модель поддерживает множество языков, но карточка описывает дообучение именно для украинского; лицензия — Apache 2.0.

Модель use-token-shuffle-pt разработана Victormuryn как часть коллекции украинских эмбеддингов предложений. Это дообученная с контрастивной целью модель Sentence Transformers на базе paraphrase-multilingual-mpnet-base-v2, архитектура XLM-RoBERTa, около 305,2 млн параметров. При обучении использовался корпус UberText 2.0 и аугментация перемешиванием токенов с целями для pooling. Модель преобразует предложения и абзацы в векторы для семантического сравнения, поиска и кластеризации. Она ориентирована на получение эмбеддингов украинского текста; метаданные также указывают поддержку множества других языков. Контекст составляет 514 токенов. Распространяется по лицензии Apache-2.0.

Модель Виноградова Дмитрия предназначена для оценки семантического сходства двух запросов. Она построена на архитектуре BERT и доступна через SentenceTransformers; для получения представлений использует токенизатор, CLS-пулинг, полносвязный слой с активацией tanh и нормализацию. README указывает построение в 384-мерном векторном пространстве, а конфигурация архитектуры содержит выход Dense размерности 768; это расхождение не позволяет однозначно определить размер выходного вектора. Модель подходит для сравнения запросов и поиска семантически близких формулировок. В метаданных указаны 498,1 млн параметров, максимальная длина контекста 512 токенов и лицензия Apache-2.0. Метаданные помечают модель как многоязычную, однако README не уточняет языки обучения или оценки качества.

hon9kon9ize/yue-embed — модель Sentence Transformers, разработанная hon9kon9ize и дообученная на базе hon9kon9ize/bert-large-cantonese-sts на смешанном наборе данных для оценки семантического сходства предложений на кантонском и английском языках. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. Модель подходит для семантического поиска, поиска перефразировок, кластеризации, классификации текста и сравнения текстовых фрагментов. Архитектура состоит из BERT и слоя mean pooling. Максимальная длина входа — 512 токенов; модель принимает текст и выдаёт векторные представления. Данные модели указывают лицензию Apache-2.0. В README приведены результаты на англоязычных наборах NanoBEIR и Nano BEIR, однако их недостаточно, чтобы подтвердить качество для всех перечисленных языков и сценариев; показатели следует проверять на целевых данных.

cafierom/5Epoch_905_Statin_Contrastive — дообученная модель Sentence Transformers на базе google-bert/bert-base-cased. Она преобразует текстовые последовательности в плотные эмбеддинги размерности 768 и предназначена для сравнения семантической близости с косинусной мерой, семантического поиска и поиска перефразировок. Также эмбеддинги можно использовать для кластеризации и классификации текста. Модель использует BERT с сохранением регистра и усреднённым объединением токеновых представлений; максимальная длина последовательности — 512 токенов. Обучение проводилось на наборе из 148 695 пар premise и hypothesis с метками, с функцией потерь SoftmaxLoss. Примеры данных представлены строками, похожими на записи химических структур, однако назначение модели для конкретной предметной области в карточке явно не сформулировано. Модель принимает текст и выдаёт векторные представления. Лицензия в предоставленных данных не указана, поэтому условия использования по лицензии определить нельзя. Результаты за пределами обучающего распределения и качество на конкретных задачах в карточке не охарактеризованы.

Это кросс-энкодер на базе XLM-RoBERTa, дообученный MatinGhiasi от BAAI/bge-reranker-v2-m3 с использованием библиотеки sentence-transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку, которую можно использовать для переранжирования результатов поиска и семантического поиска. Модель рассчитана на текстовые входы, имеет 658,7 млн параметров и один выходной показатель. README указывает максимальную длину последовательности 512 токенов; метаданные каталога указывают нативный контекст до 8194 токенов. Пример обучающего набора содержит 5220 пар с метками релевантности и финансовые вопросы на персидском языке.

Monad-dz выпустил дообученную на арабских текстах модель Sentence Transformer на базе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2. Она использует архитектуру BERT с усреднением токеновых представлений и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Модель рассчитана на последовательности длиной до 512 токенов и обучалась на тройках anchor, positive и negative. Её можно применять для семантического поиска, оценки смыслового сходства, поиска перефразировок, кластеризации и классификации арабских текстов. В метаданных указана библиотека sentence-transformers и формат safetensors. Лицензия в предоставленных данных не указана.

Mahedi420/Bangla-bert-improved-version — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерности 768. Её можно использовать для поиска семантически близких текстов и кластеризации; в метаданных также указаны извлечение признаков и оценка сходства предложений. Модель содержит 191,6 млн параметров и принимает последовательности длиной до 512 токенов. При обучении применялась функция потерь Multiple Negatives Ranking Loss с косинусным сходством. Название и карточка указывают на ориентацию на бенгальский язык. Для использования доступны веса safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformer от tomaarsen, дообученная на парах вопросов и ответов из набора Natural Questions на базе google-bert/bert-base-uncased. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по смыслу, семантического поиска и поиска перефразировок. Модель также можно применять для кластеризации и классификации текстов с использованием полученных представлений. Архитектура состоит из BERT и слоя усредняющего pooling; сходство векторов можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт векторы; она не генерирует ответы. Лицензия — Apache-2.0. Качество зависит от задачи и корпуса: приведённые в карточке результаты на наборах поиска различаются, поэтому для целевого применения нужна отдельная оценка.