I.12Рекомендации и персонализация

Карточка модели Nhat1904/16-shot-twitter-2classes на Hugging Face совпадает с карточкой Nhat1904/16-shot-twitter-2classes-new, поэтому описание составлено по ней. Nhat1904/16-shot-twitter-2classes-new — модель Sentence Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений по сходству. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и распространяется в формате PyTorch. Название указывает на обучение на небольшом количестве примеров из набора Twitter с двумя классами; в карточке также указан CosineSimilarityLoss. Такие векторы можно использовать в семантическом поиске и других системах сравнения текстов. Язык обучения явно не указан. Лицензия в предоставленных данных не указана.

Nhat1904/32-shot-twitter-2classes-head-body — модель семейства MPNet, разработанная на базе Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для поиска по смыслу, сравнения текстов и кластеризации. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Модель обучалась с функцией потерь CosineSimilarityLoss на наборе данных, связанном с Twitter и двумя классами «head/body», что указывает на адаптацию к сопоставлению коротких текстов в этой задаче. Её можно применять для семантического поиска и группировки похожих сообщений. Языковая поддержка в предоставленных материалах не определена. Лицензия в карточке не приведена.

LazarusNLP/all-indo-e5-small-v3 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска семантически близких текстов, кластеризации и других задач сравнения смысла. Модель обучалась с MultipleNegativesRankingLoss на наборах данных, включающих индонезийские задачи понимания, поиска и сходства текстов. Модель содержит 124,3 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт векторы. Она ориентирована прежде всего на индонезийский язык. Для использования доступны веса Safetensors и библиотека Sentence Transformers; условия лицензии в предоставленных данных не приводятся.

Это демонстрационная объединённая модель на базе архитектуры BERT, созданная функцией SentenceTransformer.merge из моделей sentence-transformers/all-MiniLM-L6-v2 и sentence-transformers/multi-qa-MiniLM-L6-cos-v1. В процессе слияния применён метод dare_ties: из изменений каждой задачи случайно удалено 30% весов с последующим масштабированием и согласованием знаков. Модель содержит 25,9 млн параметров, принимает текст и формирует семантические векторы для сравнения предложений и поиска по смыслу. Контекст составляет до 512 токенов; карточка указывает поддержку sentence-transformers и форматы Safetensors, TensorFlow и OpenVINO. Модель подходит для прототипирования семантического поиска и сравнения текстов. Это демонстрация слияния, поэтому качество объединённой модели для конкретных задач не подтверждено в карточке; перед применением следует оценить её на целевых данных. Лицензия в предоставленных данных не указана.

KiruruP/anime-recommendation-multilingual-mpnet-base-v2-final — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 для поиска и сопоставления текстовых описаний аниме. Она основана на XLM-RoBERTa и преобразует предложения и абзацы в плотные векторы размерности 768; сходство между ними измеряется косинусной мерой. В карточке указаны 3 088 обучающих примеров и максимальная длина последовательности 128 токенов; метаданные каталога указывают нативный контекст до 514 токенов. Модель подходит для семантического поиска аниме по описанию сюжета, подбора похожих произведений и поиска перефразированных запросов. В примерах обучения пользовательские запросы сопоставляются с описаниями аниме; также модель можно применять для кластеризации и классификации текстов через эмбеддинги. Она принимает текст и выдаёт векторы, а не готовые рекомендации или ответы. Используется библиотека Sentence Transformers; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

acayir64/arabic-embedding-model-pair-class2 — модель эмбеддингов предложений на базе XLM-RoBERTa, созданная дообучением symanto/sn-xlm-roberta-base-snli-mnli-anli-xnli с помощью AutoTrain. Она предназначена для преобразования текста в векторы и семантического сравнения предложений, в том числе для поиска похожих фраз. Модель содержит 305,2 млн параметров, использует библиотеку Sentence Transformers и принимает контекст длиной до 514 токенов. Многоязычная базовая модель позволяет применять её к текстам на разных языках; название репозитория указывает на ориентацию этой версии на арабские эмбеддинги. В README приведена метрика потерь 1,103 на валидации, но без описания набора данных и протокола оценки, поэтому качество для конкретных задач по ней оценить нельзя. Лицензия в предоставленных данных не указана.

Модель threehook/bert-base-dutch-cased-sts — Sentence Transformer на архитектуре BERT, дообученный разработчиком на базе GroNLP/bert-base-dutch-cased на наборе sentence-transformers/stsb. Она преобразует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать косинусной близостью. Максимальная длина входа — 512 токенов; модель использует mean pooling и предназначена для оценки семантического сходства, семантического поиска и поиска перефразировок, а также может применяться для кластеризации и классификации текстов. В README указан язык en, хотя базовая модель нидерландская; поэтому качество для нидерландского текста отдельно не подтверждено. Модель принимает текст и выдаёт векторы, а не готовые текстовые ответы. Лицензия в предоставленных данных не указана.

m3hrdadfi/bert-fa-base-uncased-wikinli-mean-tokens — персидская модель эмбеддингов предложений на базе ParsBERT, представленная Mehrdad Farahani в проекте Sentence Transformers. Она преобразует текст в векторные признаки и предназначена для получения представлений предложений, в том числе для задач семантического поиска и сравнения текстов. Модель построена на архитектуре BERT, содержит 190 млн параметров и принимает последовательности длиной до 512 токенов. Доступны форматы PyTorch и Flax. Модель ориентирована на персидский язык. Репозиторий распространяется по лицензии Apache-2.0. Карточка краткая и не описывает результаты оценки или детальные ограничения качества.

rufimelo/bert-large-portuguese-cased-sts — модель эмбеддингов на архитектуре BERT, разработанная rufimelo и дообученная на базе BERTimbau large. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024 для сравнения семантической близости. Модель предназначена для оценки семантического сходства текстов, семантического поиска и кластеризации. При обучении использовались датасеты ASSIN, ASSIN2 и STS-B Multi-MT для португальского языка. Максимальная длина контекста — 512 токенов; доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана. Результаты модели ограничены португальским языком и максимальной длиной контекста; применимость к другим языкам не подтверждена.

Это компактная модель Sentence Transformers, дообученная автором репозитория на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует текстовые предложения и абзацы в плотные векторы размерностью 128 и сравнивает их с помощью косинусного сходства. Модель предназначена для поиска и сравнения отзывов о товарах Amazon по смыслу, а также для построения текстовых представлений, которые можно использовать в задачах retrieval. Архитектура включает BERT с двумя слоями и среднее pooling-представление; модель содержит 4,4 млн параметров. README указывает максимальную длину последовательности 128 токенов, тогда как метаданные задают контекст в 512 токенов. Базовая модель англоязычная, а обучающие примеры состоят из англоязычных отзывов. Модель принимает текст и выдаёт эмбеддинги; репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-snli-k5-fixed-euclidean — компактная модель Sentence Transformers, дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; архитектура включает BERT с усредняющим pooling. Метаданные указывают 4,4 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Для сравнения векторов README указывает косинусное сходство. Модель подходит для семантического поиска, подбора похожих предложений и извлечения признаков текста. Она обучалась на 6 043 097 примерах с контрастивной функцией потерь. Базовая модель англоязычная, поэтому заявленную применимость разумно ограничить английским языком. Формат весов — safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

swardiantara/bert-tiny-sst5-k5-adaptive-cosine — компактная Sentence Transformer-модель на основе BERT, дообученная автором репозитория на 8 894 парах текстов. Она кодирует предложения и абзацы в плотные векторы размерности 128; косинусное сходство между ними подходит для поиска и сравнения текстов. Архитектура включает BertModel с усредняющим pooling. В метаданных указано 4,4 млн параметров и контекст до 512 токенов; в README для Sentence Transformers задан предел последовательности 128 токенов. Модель предназначена для извлечения эмбеддингов и семантического поиска по тексту. Примеры обучающих данных — англоязычные рецензии на фильмы, поэтому в первую очередь она подходит для сравнения и поиска коротких английских текстов. Базовая модель — google/bert_uncased_L-2_H-128_A-2. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

BjarneNPO/BjarneNPO-01_09_2025_15_34_35 — дообученная BjarneNPO модель Sentence Transformer на базе shibing624/text2vec-base-multilingual. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные эмбеддинги размером 384 для сравнения смысловой близости, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Для сопоставления в README указана косинусная близость; метаданные сообщают контекстное окно до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель обучалась на парах запросов и ответов, включая примеры на немецком языке, и предназначена для семантического поиска по тематически специализированным текстам. Она поддерживает многоязычные текстовые эмбеддинги; обучающие примеры указывают на немецкоязычный материал. Для использования подходит библиотека Sentence Transformers. В README приведены результаты оценки поиска, однако они не подтверждают качество на других данных или языках. Лицензия в предоставленных сведениях не указана.

DIVER-Retriever-4B — двуязычная модель текстовых эмбеддингов, разработанная AQ-MedAI на базе Qwen3-Embedding-4B. Она предназначена для семантического поиска и ранжирования, в том числе в задачах reasonIR и поиска по медицинским материалам; при обучении использовались данные по математике, программированию и здравоохранению, а также специально подобранные сложные отрицательные примеры. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она работает с китайским и английским языками, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors для Transformers. Авторы сообщают о результатах на BRIGHT Leaderboard и MTEB Medical Benchmark. Для дообучения авторы рекомендуют ms-swift и loss-функцию InfoNCE. Лицензия — Apache-2.0. Модель ориентирована на поиск и сопоставление текстов; карточка не подтверждает, что её следует использовать как универсальную разговорную модель или как медицинский инструмент для принятия клинических решений.

vivekkopthsd/hinglish-st-33m — модель Sentence Transformers на архитектуре BERT, обученная создавать плотные текстовые эмбеддинги размерностью 384. Она кодирует предложения и абзацы для сравнения семантической близости с помощью косинусного сходства; README также указывает сценарии семантического поиска, поиска перефразирований, классификации и кластеризации. Обучение проводилось на 4 000 примерах с anchor, positive и negative, используя MultipleNegativesRankingLoss. Модель принимает текст. README сообщает максимальную длину последовательности 192 токена, тогда как метаданные указывают родной контекст длиной 512 токенов. Лицензия и конкретные языки в доступных данных не описаны; название модели указывает на Hinglish, но этого недостаточно, чтобы установить языковую поддержку. Карточка не сообщает результаты бенчмарков, поэтому качество для конкретных сценариев следует оценивать на собственных данных.

MarcoAland/Indonesian-bge-m3 — Sentence Transformer на базе BAAI/bge-m3, дообученный автором репозитория для работы с индонезийскими текстами. Модель использует архитектуру XLM-RoBERTa с плотным представлением: преобразует предложения и абзацы в нормализованные векторы размерности 1024, а сходство между ними оценивается косинусной мерой. Заявленная максимальная длина последовательности — 8192 токена; число параметров — 658,7 млн. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 45 000 примерах с парами положительных и отрицательных соответствий и функцией потерь MultipleNegativesRankingLoss. Примеры в карточке — на индонезийском языке; метаданные также указывают на многоязычную базовую модель, но для этой версии основной целевой язык — индонезийский. Модель выдаёт текстовые эмбеддинги, а не готовые ответы или метки; для поиска и классификации потребуется подходящий downstream-процесс. В карточке приведены результаты оценки, но они не позволяют судить о качестве на всех прикладных наборах данных. Условия лицензирования в предоставленных данных не указаны.

jina-embeddings-v5-omni-nano-classification-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI и предназначенная для запуска через llama.cpp. Это GGUF-квантизированная версия модели jina-embeddings-v5-omni-nano-classification с поддержкой текстовых, графических, видео- и аудиоданных. Модель преобразует входные данные в 768-мерные векторы общего пространства, поэтому документы можно индексировать с помощью текста, а выполнять поиск — по изображениям, видео, аудио или тексту без переиндексации. Модель содержит около 0,95 млрд параметров с текстовой, визуальной и аудиобашнями, использует pooling по последнему токену и поддерживает контекст до 8192 токенов. Она ориентирована на задачи классификации, мультимодального поиска и семантического сходства. Доступны матрёшечные размерности эмбеддингов от 32 до 768, а текстовая часть представлена в F16 и нескольких уровнях int-квантизации; мультимодальные проекторы используют F16. Заявлена мультиязычность, однако конкретный перечень языков в README не указан. Сильные стороны модели — единое векторное пространство для нескольких модальностей, относительно небольшой размер, возможность квантизации и поддержка различных форматов изображений, видео, аудио и PDF. Ограничения связаны с тем, что вариант предназначен только для classification-задач, а мультимодальная работа требует специальной ветки llama.cpp с патчами Jina AI, которые ещё не включены в upstream-версию. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями для некоммерческих целей.

Wei-Jie/labor-roberta-chinese — модель Sentence-Transformers на базе архитектуры BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. Её можно применять для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель обучалась с ContrastiveLoss и косинусной метрикой расстояния. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 512 токенов. В метаданных указано 424,3 млн параметров и формат PyTorch. Название модели указывает на китайский язык, однако README не уточняет языковое покрытие и результаты оценки.

LaME-2B — мультимодальная модель эмбеддингов, разработанная авторами LaME и основанная на Qwen2-VL-2B-Instruct. Она обучена совместно создавать представления для поиска и представления, связанные с генерацией: обучение использует восемь обучаемых токенов [REASON], латентный декодер Qwen3-0.6B и сочетает контрастивную функцию потерь с надзором декодера. Размер проекции составляет 3584. Модель предназначена для мультимодального поиска и извлечения по тексту, изображениям, видео и визуальным документам. В README заявлены результаты уровня state of the art на MMEB-v2 и MRMR; примеры использования и оценки вынесены в репозиторий LaME. В Hugging Face модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Доступные сведения не уточняют поддерживаемые естественные языки и ограничения по контексту; результаты на указанных бенчмарках не гарантируют качество для других данных и сценариев.

Mizuiro-sakura/luke-japanese-base-finetuned-jstsは、LUKE日本語版をYahoo! JAPANのJGLUEベンチマークに含まれるJSTSデータセットでファインチューニングした文章類似度モデルです。LUKEはTransformerベースの言語表現モデルで、単語とエンティティを別々のトークンとして扱い、エンティティを考慮した自己注意機構を用います。モデルは約138.4 млн параметров, принимает текст и выдаёт оценку сходства предложений по шкале, где 5 — максимальное сходство. Максимальная длина контекста — 514 токенов. Модель предназначена для сравнения японских предложений, ранжирования похожих формулировок и поиска семантически близких текстов. В README приведено значение корреляции Пирсона 0,8971. Это специализированная модель сходства предложений, поэтому её не следует считать универсальной разговорной моделью или использовать для генерации текста. Распространяется по лицензии MIT.

ghddls7799/medical-bgem3-dense-ko — текстовая модель эмбеддингов на базе BAAI/bge-m3, дообученная разработчиком ghddls7799 с использованием Sentence Transformers. Архитектура XLM-RoBERTa с объединением представлений CLS и нормализацией формирует плотные векторы размерности 1024; для сравнения используется косинусное сходство. Метаданные указывают контекст до 8194 токенов, а карточка модели — максимальную длину последовательности 512 токенов. Модель предназначена для поиска и сравнения предложений и абзацев: семантического поиска, оценки текстового сходства, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В карточке указана дообучающая выборка из 11 005 текстовых примеров с положительными и отрицательными парами. Основа BGE-M3 многоязычная, однако конкретные языки, представленные в дообучающих данных, не названы. Модель принимает текст и выдаёт векторы; она не генерирует ответы. Лицензия в предоставленных сведениях не указана.

tomaarsen/mpnet-base-nq — англоязычная Sentence Transformer-модель, дообученная автором на парах запросов и ответов из набора Natural Questions. Она основана на microsoft/mpnet-base и кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Модель содержит 136,7 млн параметров, использует архитектуру MPNet с усреднением токенных представлений; максимальная длина входа — 512 токенов по README и 514 токенов в метаданных. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текстов. Обучение на Natural Questions ориентирует её на сопоставление вопросов и ответов на английском языке. Для использования в Sentence Transformers предусмотрены готовые средства загрузки и кодирования текстов. Модель распространяется по лицензии Apache-2.0. Её назначение — получение текстовых эмбеддингов; она не генерирует ответы. Качество зависит от соответствия текстов и предметной области обучающим данным, а поддержка языков помимо английского не заявлена.

laion/music-whisper — модель распознавания аудио на базе Whisper Small от OpenAI, дообученная LAION для создания текстовых описаний музыкальных фрагментов. Она анализирует звучание и формирует подписи с характеристиками инструментов, ритма и темпа, вокала, жанра, настроения и качества записи; такие описания подходят для каталогизации музыки, поиска треков и подготовки подписей к аудио. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров. Репозиторий использует библиотеку Transformers и формат safetensors. Модель распространяется по лицензии CC BY 4.0.

MyAwesomeModel — модель на базе BERT, опубликованная пользователем или организацией dffddfdgg67 и предназначенная для использования через библиотеку Transformers. Согласно метаданным, модель поддерживает задачу извлечения признаков из текста и использует PyTorch. В README заявлены улучшения рассуждений, вывода, математических и программных задач, понимания языка, генерации текста, function calling и снижение галлюцинаций. Однако эти утверждения не согласуются с метаданными, где модель классифицирована как BERT и feature-extraction, поэтому наиболее надёжный сценарий применения — получение векторных представлений текста для последующей классификации, поиска или анализа. Модель распространяется по лицензии MIT. Данные о размере, длине контекста, поддерживаемых естественных языках и точной архитектурной конфигурации отсутствуют.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в экосистеме Hugging Face и предназначенная для извлечения признаков из текста. Она интегрируется с библиотекой Transformers и распространяется по лицензии MIT. Основной заявленный сценарий — преобразование текстовых данных в векторные представления для последующего семантического поиска, классификации, кластеризации и других задач машинного обучения. В README также заявлены возможности рассуждения, программирования, ответов на вопросы, суммаризации, диалога и function calling, однако метаданные модели указывают pipeline-задачу feature-extraction, поэтому эти дополнительные возможности не подтверждены как основной режим использования. Сильной стороной модели является совместимость с Transformers и PyTorch, а также использование распространённой архитектуры BERT для получения текстовых эмбеддингов. Размер модели, поддерживаемые естественные языки, длина контекста и сведения о разработчике в предоставленных данных не указаны.

MyAwesomeModel — модель на базе BERT, опубликованная в Hugging Face Hub пользователем liufeqww1154. Согласно метаданным, она предназначена для извлечения признаков и работает с библиотекой Transformers на PyTorch. Архитектурная информация ограничена указанием семейства BERT; размер модели, модальности, поддерживаемые языки и длина контекста не указаны. README также заявляет об улучшенных рассуждениях, математике, программировании, логике, генерации текста, function calling и снижении галлюцинаций, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются техническими деталями реализации. Поэтому модель можно рассматривать прежде всего как инструмент получения векторных представлений текста для последующей классификации, поиска или кластеризации. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель на базе BERT, опубликованная пользователем sadafhjkj. Согласно метаданным Hugging Face, она предназначена для извлечения признаков из текста и работает с библиотекой Transformers на PyTorch. Репозиторий также описывает улучшения рассуждений, понимания языка, генерации, function calling и снижение галлюцинаций, однако эти возможности не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются подробными техническими характеристиками модели. Модель может применяться для получения векторных представлений текста, последующего поиска по смыслу, классификации и других задач, использующих текстовые признаки. README приводит результаты внутренних бенчмарков по рассуждениям, ответам на вопросы, классификации, анализу тональности, суммаризации, переводу и генерации кода, но не описывает архитектуру в деталях, число параметров, поддерживаемые языки или длину контекста. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель семейства BERT для извлечения признаков из текста, опубликованная пользователем sadfsg4546 и предназначенная для работы через библиотеку Transformers. Метаданные Hugging Face указывают задачу feature-extraction, использование PyTorch и лицензию MIT. В README модель также описывается как обновлённая система с улучшенными рассуждениями, логическим выводом, математикой, программированием, классификацией, анализом тональности, суммаризацией, диалогами и поддержкой function calling. Однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются подтверждёнными техническими характеристиками архитектуры, размера или контекста, поэтому для каталога основным назначением следует считать извлечение признаковых представлений текста. Модель может использоваться в качестве компонента семантического поиска, кластеризации, классификации и других NLP-пайплайнов, где нужны векторные представления текста. Языки, размер модели, длина контекста, данные обучения и точные требования к запуску в предоставленных источниках не определены. Распространение заявлено по лицензии MIT.

ahmedHamdi/narrative-similarity-pt-en-masked-miniLM-L6 — дообученный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный с помощью AutoTrain. Модель предназначена для получения векторных представлений и оценки семантического сходства предложений, в том числе в сценариях поиска похожих текстов. Модель использует архитектуру BERT и библиотеку Sentence Transformers; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Карточка сообщает метрику validation loss 0,0887, но не описывает набор данных и методику оценки, поэтому это значение не позволяет судить о качестве на конкретных задачах. Лицензия в предоставленных данных не указана.

blackmlengineer/occucoder-en-demi-v0 — текстовая Sentence Transformer-модель на архитектуре BERT, разработанная автором репозитория и обученная на наборе данных train. Она преобразует предложения и абзацы в плотные векторы размерности 64; сходство между ними оценивается косинусной мерой. Модель предназначена для поиска и сопоставления текстов по смыслу. Модель принимает текст, использует среднее pooling-представление и поддерживает последовательности длиной до 32 токенов. В README приведены примеры коротких англоязычных названий профессий и описана обучающая выборка из 991 580 примеров с anchor, positive и negative. Метаданные указывают Sentence Transformers, BERT и 681 тыс. параметров. Подходит для семантического поиска и извлечения признаков из коротких текстов. Очень короткое контекстное окно ограничивает работу с длинными фразами и документами; сведения о лицензии в предоставленных источниках отсутствуют.