I.12Рекомендации и персонализация

harheem/bge-m3-nvidia-ko-v1 — модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для создания векторных представлений предложений и абзацев. Она использует архитектуру XLM-RoBERTa с плотным выходом, нормализацией и косинусным сравнением; полная размерность эмбеддинга составляет 1024, а максимальная длина входной последовательности — 8194 токена по метаданным (в README указано 8192). Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Карточка описывает обучение на 6397 парах «якорь — положительный пример» с матрёшечной функцией потерь и приводит показатели поиска для сокращённых размерностей от 64 до 768. В примерах обучающих данных есть корейские тексты о CUDA и NVIDIA, тогда как README заявляет английский язык; метаданные также помечают корейский. Модель принимает текст и выдаёт векторы; лицензия Apache-2.0. Карточка не описывает ограничения по предметной области или оценку работы на иных языках и типах данных, поэтому качество вне приведённых сценариев следует проверять отдельно.

Hemg/biology-english-pancasila-2 — модель Sentence Transformers на базе BERT для преобразования предложений и абзацев в плотные векторы размерностью 384. Её можно использовать для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. По метаданным, она содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Название указывает на тематику биологии и английский язык, однако README и метаданные не подтверждают специализацию или набор языков обучения. Для использования требуется библиотека sentence-transformers. Лицензия в предоставленных данных не указана.

Kyleiwaniec/COS_TAPT_n_RoBERTa-sts-e3_CosineSimilarityLoss_2023-10-16 — модель на базе RoBERTa, обученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 1024 и подходит для поиска семантически близких текстов, кластеризации и сравнения сходства предложений. Для работы доступны Sentence-Transformers и Hugging Face Transformers; заявленная длина контекста — 514 токенов, размер модели — 454,1 млн параметров. В карточке указано обучение с CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления; сведения о поддерживаемых естественных языках и специализированных прикладных областях отсутствуют. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

teven/cross_all_bs320_vanilla_finetuned_WebNLG2020_correctness — модель Sentence Transformers на базе MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов. Модель принимает текст и выдаёт эмбеддинги. Архитектура насчитывает 136,7 млн параметров, а длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Название указывает на дообучение для задачи проверки корректности на данных WebNLG 2020, однако README не приводит подробностей методики или результатов этой настройки. Лицензия в предоставленных данных не указана.

EIDORA/DINOv2_VITB14 — модель для получения векторных представлений изображений, разработанная EIDORA на основе оригинальной DINOv2 ViT-B/14 от Meta (Facebook Research). EIDORA преобразовала исходную модель в формат ONNX, но не является её первоначальным разработчиком. Модель предназначена для визуального группирования, поиска похожих изображений, retrieval, карт обнаружения и других задач, где требуется сравнивать изображения по семантическим и визуальным признакам. Она рассчитана прежде всего на коллекции естественных изображений и сценарии, в которых качество эмбеддингов важнее минимального времени работы на CPU. Модель принимает изображение и возвращает нормализованный float32-эмбеддинг размерности 768 в формате [batch, 768], предназначенный для сравнения с помощью cosine similarity. Это ONNX-модель среднего размера и средней вычислительной нагрузки, ориентированная на современные ноутбуки и настольные компьютеры; используется ONNX Runtime с CPU. В графе предусмотрена предобработка: центральное кадрирование по умолчанию, масштабирование значений на 1/255 и нормализация со средними [0.485, 0.456, 0.406] и стандартными отклонениями [0.229, 0.224, 0.225]. Исходная DINOv2 обучалась на наборе LVD-142M, содержащем 142 миллиона изображений. Сильными сторонами модели являются высокое качество визуального группирования и поиска по сравнению с более компактными вариантами. Она не предназначена для обработки текста, видео или аудио, а также для идентификации личности, биометрии, оценки намерений, защищённых атрибутов и других решений с высоким риском. Эмбеддинги могут наследовать пробелы в покрытии и предвзятость крупномасштабных веб-изображений. Пакет распространяется по лицензии Apache-2.0; версия пакета — 1.0.0, ONNX opset — 17.

Xenova/distiluse-base-multilingual-cased-v2 — веб-совместимая версия модели sentence-transformers/distiluse-base-multilingual-cased-v2, подготовленная сообществом Xenova. Модель распространяется с весами в формате ONNX для использования через библиотеку Transformers.js в JavaScript-среде. Она предназначена для извлечения признаков из текста, то есть преобразования текстовых фрагментов в векторные представления. Такой режим может применяться в задачах семантического сравнения и поиска, однако README не содержит подробностей о поддерживаемых языках, размере модели, архитектуре, длине контекста, качестве, модальностях или ограничениях. Указано только, что модель является мультиязычной и используется в пайплайне feature-extraction. Для работы требуется библиотека @huggingface/transformers; веса ONNX обеспечивают совместимость с Transformers.js. Лицензия и условия коммерческого или иного использования в README не указаны.

Карточка модели soulfree89/e5-small-ko-v2-fix на Hugging Face совпадает с карточкой dragonkue/multilingual-e5-small-ko-v2, поэтому описание составлено по ней. dragonkue/multilingual-e5-small-ko-v2 — модель Sentence Transformer на архитектуре BERT, дообученная на основе intfloat/multilingual-e5-small и объединённая методом Model Soup с dragonkue/multilingual-e5-small. Она предназначена прежде всего для поиска документов по запросу на корейском языке и других задач семантического поиска. Модель преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов, после чего длинный текст обрезается. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. В карточке указана поддержка корейского и английского языков; обучение и оценка ориентированы на корейские retrieval-задачи, включая поиск в документах из медицинской, финансовой, правовой и других областей. Компактный размер упрощает использование в лёгких приложениях; для повышения качества поиска автор рекомендует сочетать её с реранкером. Указанная лицензия — Apache-2.0.

nithinbharathi/fine_tuned — англоязычная модель Sentence Transformer, созданная дообучением thenlper/gte-small. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 384 для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT: среднее объединение токеновых представлений с последующей нормализацией; максимальная длина входа — 512 токенов. Модель ориентирована на английский язык и выпущена под лицензией Apache-2.0. Карточка указывает на обучающую выборку из двух пар текстов и приводит метрики на информационном поиске, поэтому качество на широком круге запросов и доменов может быть ограничено. Несмотря на название карточки «BGE base Financial Matryoshka», README описывает дообучение GTE-small и не подтверждает специализацию на финансовых данных.

GATE-AraBert-v0 — арабская модель эмбеддингов предложений на базе Sentence Transformers, разработанная Omartificial-Intelligence-Space. Она дообучена в многозадачном режиме на AllNLI и наборах STS для представления арабских текстов в виде векторов и оценки их семантического сходства. Модель использует архитектуру BERT, содержит 162,4 млн параметров и выдаёт эмбеддинги размерностью 768; максимальная длина входной последовательности — 512 токенов. Для сравнения векторов применяется косинусное сходство. Модель подходит для семантического поиска, поиска похожих предложений и ранжирования текстов по смысловой близости. В README приведены результаты оценки сходства на sts-dev и sts-test. Репозиторий распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

danieleff/hubert-base-cc-sentence-transformer — модель на базе BERT, представленная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. В метаданных указаны 137,8 млн параметров и контекст до 512 токенов; модель использует PyTorch и поддерживает венгерский язык. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно применять через библиотеку Sentence-Transformers либо через Transformers с подходящей операцией pooling для получения представления текста. Лицензия в предоставленных данных не указана.

Карточка модели tomaarsen/jina-clip-v2 на Hugging Face совпадает с карточкой jinaai/jina-clip-v2, поэтому описание составлено по ней. 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.

bongsoo разработал kpf-sbert-v1.1 — модель Sentence Transformers на базе BERT, дообученную для получения плотных векторов предложений и абзацев размерностью 768. Она предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. В README описано обучение на корейских и английских наборах STS и NLI, а также дистилляция с учительской модели paraphrase-multilingual-mpnet-base-v2. Модель оценивает сходство по векторным представлениям; заявленная длина контекста — 512 токенов. Модель подходит прежде всего для корейского и английского текста. Метаданные указывают 141,2 млн параметров и формат PyTorch. README приводит сравнительные результаты на наборах korsts, klue-sts, GLUE STS-B и stsb_multi_mt, однако полная строка результатов для этой модели в доступном тексте отсутствует. Сведения о лицензии в предоставленных источниках отсутствуют.

LaBSE-geonames-15K-MBML-5e-v1 — дообученная модель на основе многоязычной BERT-модели LaBSE, опубликованная пользователем dima-does-code. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости; подходит для семантического поиска и кластеризации текстов. В обучении использовалась MegaBatchMarginLoss. Модель принимает текст, поддерживает русский и английский языки и обрабатывает до 512 токенов за контекст. Вес модели составляет 498,1 млн параметров; доступны форматы PyTorch и safetensors. Модель рассчитана на поиск текстов со сходным смыслом и группировку предложений или абзацев. Лицензия — Apache-2.0. Карточка не приводит подробных результатов оценки качества, поэтому пригодность для конкретного набора данных следует проверять отдельно.

gemasphi/laprador_pt — модель на основе BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для построения эмбеддингов, поиска семантически близких текстов и кластеризации. Модель содержит 79,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате PyTorch. Модель можно использовать через библиотеку Sentence-Transformers или Hugging Face Transformers с подходящей операцией pooling. Она подходит для семантического поиска и группировки текстов по смыслу. README не сообщает языковую специализацию или результаты оценки, поэтому её качество для конкретного языка и предметной области следует проверять отдельно.

LEALLA-base — компактная многоязычная модель эмбеддингов предложений семейства BERT, созданная как часть коллекции LEALLA и дистиллированная из LaBSE. Версия перенесена из v1 модели на TensorFlow Hub; PyTorch-версия, согласно карточке, выдаёт эквивалентные эмбеддинги. Модель предназначена для преобразования предложений в векторы, сравнения их семантической близости и поиска соответствующих текстов на разных языках. Она поддерживает 109 языков и подходит, например, для многоязычного поиска по парам текстов. Размер составляет 110,4 млн параметров, максимальная длина контекста — 512 токенов. Для некоторых языков, в частности японского, при сравнении эмбеддингов могут потребоваться более высокие допуски. Подробности обучения, оценки и метрик приведены в исходной научной статье. Лицензия — Apache-2.0.

LEALLA-large — многоязычная модель для получения векторных представлений предложений, разработанная как часть семейства LEALLA и дистиллированная из LaBSE. Это версия, перенесённая с модели v1 на TensorFlow Hub; для неё указана эквивалентность эмбеддингов исходной версии. Модель основана на BERT, содержит 153,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для построения многоязычных эмбеддингов предложений и поиска соответствующих текстов на разных языках, включая двуязычный поиск. В README заявлена поддержка 109 языков. Представлены веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache-2.0. При сравнении эмбеддингов для некоторых языков, например японского, могут потребоваться более высокие допуски. Сведения о данных, обучении и метриках приведены в оригинальной научной статье.

LeVJEPA-VideoMix-Large — видеокодировщик Galilai Group на архитектуре ViT-L/16, обученный по самообучаемой цели LeV-JEPA без использования меток. Модель содержит 303,1 млн параметров и принимает клипы из 16 RGB-кадров размером 224 пикселя; для извлечения признаков из одного изображения его повторяют вдоль временной оси. Кодировщик использует позиционное кодирование RoPE и блочно-каузальное внимание, а опубликованные веса — EMA-копия энкодера. Модель предназначена для извлечения признаков видео и изображений, линейного и внимательного зондирования, поиска похожих материалов и использования в качестве основы для последующих моделей. Обучение проведено на 1 806 869 клипах из Kinetics-710, Something-Something v2, Walking Tours и PE-Video; видеокадры при обучении выбирались примерно с частотой 7,5 кадра в секунду. В модели нет классификационной головы, поэтому для классификации требуется отдельная голова или последующая обработка признаков. Для корректных признаков следует сохранять режим внимания block-causal: использование полного внимания может ухудшить результаты. Явная маска внимания увеличивает расход памяти относительно ViT-L с полным вниманием. Библиотека Transformers; лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Llama-Bi-JP-0.5B-PT-stage2 — двунаправленный энкодер семейства Llama, созданный на основе iamtatsuki05/Llama-JP-0.5B-PT-stage2 с применением подхода LLM2Vec. Модель разработана для семантического поиска и извлечения релевантных текстов на японском языке; её векторное представление имеет размерность 1280. В модели 661,9 млн параметров, контекст — до 8192 токенов, позиционное кодирование — RoPE, токенизатор — SentencePiece с размером словаря 102 400. Модель принимает текст и выдаёт векторные представления для задач семантического сходства и поиска. В метаданных также указаны text-classification и text-generation как поддерживаемые задачи, однако основное назначение карточки — sentence similarity. Модель распространяется в формате safetensors через Transformers по лицензии MIT.

LLaVE-2B — мультимодальная модель эмбеддингов, основанная на Aquila-VL-2B и дообученная на 662 тысячах пар данных. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, в том числе для поиска по сходству между текстом и визуальным содержимым. В карточке Hugging Face указаны архитектура Qwen2, 1,5 млрд параметров и контекст до 32 768 токенов; README сообщает окно контекста 4K токенов, поэтому эти сведения расходятся. Модель подходит для мультимодального поиска и извлечения видео по текстовым запросам; авторы сообщают о сильных результатах на MMEB и переносе на задачи поиска по видео без специального обучения. Доступны веса в формате safetensors и лицензия Apache-2.0. Метаданные также отмечают чат и интерфейс вызова инструментов, но основное назначение по README — эмбеддинги.

osiria разработала MiniLM L6 H384 Italian Cross Encoder — компактную модель на базе MiniLMv2, предназначенную для ранжирования текстовых пар на итальянском языке. Она получена на основе mmarco-mMiniLMv2-L6-H384-v1 с адаптацией embedding-слоя к итальянскому языку с использованием частот слов из Википедии. Архитектура в метаданных указана как XLM-RoBERTa для классификации последовательностей; размер — 25,9 млн параметров, контекст — до 514 токенов. Модель поддерживает ранжирование и классификацию текста. Выпущена по лицензии MIT.

UMCU опубликовал Sentence Transformer на основе UMCU/mirrorbert_medroberta.nl_meantoken, дообученный для преобразования предложений и абзацев в плотные векторы размерности 768. Модель использует архитектуру RoBERTa с усреднением токенных эмбеддингов и сравнивает векторы по косинусному сходству; в метаданных указано 153,2 млн параметров и библиотека sentence-transformers. Модель подходит для оценки семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. В README указана максимальная длина последовательности 30 токенов, тогда как метаданные каталога сообщают контекст 514 токенов; для практического использования следует учитывать лимит 30 токенов из карточки модели. Лицензия в предоставленных данных не указана.

tanbinh2210 выпустил модель Sentence Transformers, дообученную на базе tanbinh2210/mlm_finetuned_phobert. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Архитектура включает трансформер RoBERTa с усреднением токеновых представлений; модель содержит 162,4 млн параметров и обрабатывает последовательности длиной до 258 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Она обучалась на выборках query, pos и neg из JSON-датасета, размер которого указан как 357 018 примеров. Базовая модель основана на PhoBERT, поэтому модель ориентирована прежде всего на вьетнамский язык. Распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Mursit-Embed-Qwen3-4B-TR-i1-GGUF — квантованная GGUF-версия модели Mursit-Embed-Qwen3-4B-TR, разработанной newmindai и подготовленной в виде квантов mradermacher. Модель основана на Qwen3 с примерно 4 миллиардами параметров и преобразует архитектуру decoder-to-encoder для создания текстовых эмбеддингов. Модель предназначена для семантического сходства, извлечения признаков, dense retrieval и информационного поиска, включая поиск по юридическим документам и турецким правовым материалам. В обучении использовались датасеты ms-marco-turkish-triplets и EuroHPC-Legal. Заявлена поддержка турецкого и английского языков, поэтому модель особенно ориентирована на двуязычные и турецко-правовые сценарии. Преимущество этой версии — доступность в широком наборе GGUF-квантовок разных размеров, что позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти, включая варианты IQ4_XS, Q4_K_S и рекомендуемый Q4_K_M. Более агрессивные квантовки могут заметно снижать качество, а сведения о максимальной длине контекста, размерности эмбеддингов, точных метриках и полном примере интеграции в README не приведены. Модель распространяется по лицензии Apache-2.0.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в репозитории sdgjfjkl/MyAwesomeModel-TestRepo. Согласно метаданным Hugging Face, она предназначена для извлечения признаков и работает с библиотекой Transformers на базе PyTorch. Модель можно использовать для получения векторных представлений текста, последующей классификации, поиска похожих текстов и других задач, где необходимы эмбеддинги. В README также заявлены возможности рассуждения, генерации кода, диалога, суммаризации и function calling, однако эти характеристики не согласуются с указанным pipeline-тегом feature-extraction и не подтверждаются техническими параметрами модели. Модель распространяется по лицензии MIT.

nomic-embed-text-v1-ablated — текстовый энкодер для создания векторных представлений предложений и текстов, разработанный Nomic AI. Это контрольный чекпойнт семейства Nomic Embed Text, обученный на изменённом наборе данных, отличавшемся от данных финальной модели; его выпустили, чтобы изучать влияние частей обучающего набора на результаты. Архитектура — NomicBert, доступны форматы PyTorch и ONNX, контекстное окно составляет 8192 токена. Модель подходит для извлечения эмбеддингов и вычисления сходства между текстами, например, для поиска по смыслу и оценки близости предложений. Разработчики рекомендуют для практического извлечения эмбеддингов использовать nomic-embed-text-v1. README не сообщает поддерживаемые естественные языки или лицензию, поэтому эти сведения не включены.

Это плотная модель для поиска по тексту, дообученная Steve0927 на базе Qwen3-Embedding-0.6B в рамках эксперимента для соревнования XIR 1170. Она создаёт эмбеддинги запросов и документов, чтобы находить семантически близкие документы и строить поиск по траекториям. Чекпойнт обучен на 91 324 строках, связанных с траекториями и связями запрос–документ; README сообщает, что внешние запросы, ответы и документы, а также лидербордные запросы и скрытые результаты не использовались.

Raon-VisionEncoder — мультимодальная модель извлечения признаков изображений и текста, разработанная KRAFTON. Она предназначена для получения признаковых представлений, которые можно использовать для классификации изображений без обучения на целевых классах и поиска соответствий между изображениями и текстовыми запросами. Модель содержит 1,14 млрд параметров и построена на архитектуре LocCa (Localized CoCa) с визуальным энкодером ViT-SO400M и текстовым энкодером. Поддерживает обработку изображений с сохранением исходного соотношения сторон с помощью NaFlex; размер патча составляет 16×16, стандартная конфигурация использует 256 патчей. Модель основана на OpenCLIP и распространяется в формате safetensors. Raon-VisionEncoder принимает изображения и текст и извлекает их признаки для сравнения и классификации. Карточка не сообщает лицензию и не приводит конкретных ограничений качества или набора поддерживаемых языков.

Карточка модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_8 на Hugging Face совпадает с карточкой camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7, поэтому описание составлено по ней. camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7 — модель sentence-transformers на архитектуре RoBERTa, обученная Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. В README версия помечена как устаревшая: качество векторных представлений низкое, поэтому для новых систем рекомендуется выбрать более качественную модель эмбеддингов. Распространяется по лицензии Apache-2.0.

ruELECTRA large cased — русскоязычная предварительно обученная модель семейства ELECTRA от AI-Forever. Она предназначена для получения векторных представлений предложений на русском языке; карточка также отсылает к публикации с описанием архитектуры, предобучения и оценки семейства моделей. Модель содержит 525,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для построения эмбеддингов, которые можно применять в поиске и сравнении текстов. Лицензия — MIT. Карточка описывает её использование для эмбеддингов, но не приводит оценки качества или подробностей ограничений.

Sambert — модель эмбеддингов на основе BERT, представленная как sentence-transformers-модель для иврита. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 211,6 млн параметров, использует архитектуру BertModel и поддерживает контекст длиной до 512 токенов. Обучение проходило в два этапа: сначала на примерно двух миллионах абзацев с MultipleNegativesRankingLoss, затем на примерно 70 тысячах абзацев с CosineSimilarityLoss. Модель подходит для поиска и группировки текстов на иврите по смыслу. Лицензия в предоставленных данных не указана.