I.12Рекомендации и персонализация

Jev-Style-0.8B-Decision-v3 — компактная текстовая модель компании Jev-Style, созданная полным дообучением Qwen/Qwen3.5-0.8B. Она оценивает варианты решения и возвращает вероятности, поддерживая классификацию намерений, выбор среди произвольного числа вариантов и несколько вопросов к одному описанию состояния. Модель содержит 581,4 млн параметров по метаданным и принимает до 25 600 токенов на весь вход; архитектура — плотная причинная языковая модель Qwen3.5. Репозиторий содержит веса safetensors в формате bf16 и реализацию для Transformers. Модель рассчитана на многоязычные решения и классификацию, в том числе определение намерения по набору кандидатов. В README сообщается о тестировании на 51 языке и о 77 вариантах, оценённых за один проход. Указанные в карточке метаданных языки включают английский, китайский, арабский, русский и другие. По лицензии Apache-2.0 модель можно использовать на её условиях. Модель оценивает заданные варианты и выдаёт вероятности; она не генерирует текст и не выполняет действия самостоятельно. Для длинных списков вариантов runtime может делить их на части; ограничения входа и заголовка запроса могут приводить к ошибке превышения бюджета. Результаты точности и сравнения в README получены на описанных авторами тестах и не гарантируют аналогичное качество на иных данных.

laion/larger_clap_music_and_speech — модель CLAP от LAION, улучшенный чекпойнт, специально обученный на парах музыки, речи и текстовых описаний. Она сопоставляет аудио и текст в общем векторном пространстве: аудиокодировщик на основе Swin Transformer обрабатывает логарифмическую Mel-спектрограмму, а текстовый кодировщик RoBERTa формирует текстовые признаки. Размер модели — 132,1 млн параметров. Модель предназначена для извлечения аудио- и текстовых эмбеддингов и классификации аудио без дообучения: по аудиофрагменту можно ранжировать предложенные текстовые метки или описания по сходству. Подходит для поиска музыки и речи по тексту, классификации звуков и сопоставления аудио с описаниями. Лицензия — Apache-2.0. Качество сопоставления зависит от формулировок текстовых кандидатов и обучающих данных; модель оценивает сходство, а не генерирует текст или аудио. README не приводит ограничений по длине аудио или поддерживаемым языкам.

ByteDance ListConRanker — плотная модель ранжирования текстов на основе архитектуры BERT, разработанная ByteDance. Она предназначена для спискового переранжирования: по запросу модель сравнивает несколько пассажей и упорядочивает их по релевантности. Для сопоставления пассажей используется модуль ListTransformer, который учитывает глобальные контрастивные отношения между ними, а ListAttention помогает сохранять признаки запроса. Обучение проводилось в два этапа с Circle Loss на данных примерно из 2,6 млн запросов и нескольких наборов данных, включая cMedQA, MMarcoReranking, T2Reranking, Huatuo, MARC, XL-Sum и CSL. Модель содержит 424,3 млн параметров, принимает текст и имеет контекстное окно 512 токенов. В README приведены результаты на задачах переранжирования, включая медицинские наборы данных и MMarcoReranking. При обучении на запрос обрабатывали около 20 пассажей; при использовании с существенно большими списками возможны ограничения по памяти и качеству. Авторы отдельно предупреждают, что стратегия усечения в sentence-transformers может не соответствовать устройству модели и снижать качество. Лицензия в предоставленных данных не указана.

mentee-embed-v3 — модель для получения плотных векторных представлений текстов, разработанная Syed Syab Ahmad Shah и командой MenteE AI. Она предназначена для поиска по смыслу, сравнения предложений и многоязычного извлечения документов на английском, арабском и урду. Модель содержит 41 млн параметров и построена на 12-слойном Transformer с размерностью эмбеддингов 384. Она обучена с нуля: авторы создали собственный BPE-токенизатор, провели предварительное обучение на более чем 2,1 млн предложений и затем применили контрастивное обучение с подбором трудных отрицательных примеров. Репозиторий использует Transformers и формат safetensors; метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 128 токенов. Модель показала результаты выше all-MiniLM-L6-v2 на описанном авторами тесте с небольшим пулом кандидатов, но уступает более крупным многоязычным базовым моделям. Качество ниже на арабском и урду, а на извлечении из Википедии она уступает предобученным конкурентам; полного набора MTEB нет. Лицензия — Apache-2.0.

JesusScott/mi-modelo-peliculastest — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT с усредняющим pooling и преобразует текстовые предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения по косинусному сходству. Модель рассчитана на задачи извлечения признаков и семантического поиска; в README описана настройка на 200 парах предложений о фильмах. Максимальная длина последовательности в README — 128 токенов, контекст базовой модели в метаданных — до 512 токенов. Модель принимает и выдаёт текстовые представления в виде эмбеддингов. Базовая модель многоязычная, однако язык обучающих примеров в карточке — испанский, поэтому данные не подтверждают отдельную специализацию модели на конкретном языке. Указанный размер — 124,3 млн параметров. Лицензия в предоставленных данных не указана.

Mira-v1 — модель sagea-ai для быстрых типизированных решений: она принимает контекстное состояние и вопросы с вариантами ответа, а одним проходом возвращает распределения вероятностей, уверенность и сигнал воздержания. Модель не генерирует текст; её можно использовать для маршрутизации запросов и выбора решения в коде, отдельно или пакетно. Модель дообучена на компактном мультиязычном энкодере ModernBERT mmBERT-small, содержит 140,5 млн параметров и поддерживает контекст до 8192 токенов. В карточке заявлены задачи выбора варианта, оценки и ответа «да/нет»; среди описанных сильных сторон — калибровка вероятностей и маршрутизация намерений. Разработчик сообщает о слабых результатах в тематической классификации и о том, что при более чем 20 вариантах требуется двухэтапный отбор. Лицензия Apache-2.0. Обучающие данные закрыты, а перед применением в важных решениях разработчик рекомендует оценить модель на конкретных вопросах. Она сравнивает предложенные ответы и не восполняет отсутствующие факты и не выполняет арифметические вычисления.

Модель prashantkhandelwal/movie-genres-classification — англоязычный классификатор жанров фильмов на основе BERT, дообученный разработчиком на google-bert/bert-base-uncased. Он принимает название и краткое описание фильма и присваивает ему один или несколько из 19 жанров, включая боевик, комедию, драму, ужасы, мелодраму, научную фантастику и триллер. Для выбора жанров README рекомендует применять sigmoid к выходам модели и использовать порог вероятности 0,5. Модель построена на архитектуре BertForSequenceClassification и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Она предназначена для многометочной классификации англоязычных описаний фильмов. Распространяется по лицензии Apache-2.0.

MyAwesomeModel — модель из репозитория DSD1231/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. Согласно метаданным Hugging Face, она относится к архитектуре BERT и рассчитана на использование с библиотекой Transformers и PyTorch. Модель может применяться для получения векторных представлений текста, которые затем используются в задачах классификации, поиска похожих документов и других сценариях анализа текста. В README также заявлены возможности рассуждения, генерации кода, ответов на вопросы и работы с диалогами, однако они не согласуются с указанным pipeline-тегом feature-extraction и не подтверждены техническими характеристиками модели. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель из репозитория PoseyEnder/MyAwesomeModel-TestRepo, опубликованная под лицензией MIT. Согласно метаданным Hugging Face, она предназначена для извлечения признаков и относится к архитектурному семейству BERT; работать с ней предполагается через библиотеку Transformers на базе PyTorch. Модель может использоваться для получения векторных представлений текста, семантического поиска, сравнения текстов, кластеризации и подготовки признаков для последующих задач машинного обучения. README также заявляет о возможностях рассуждения, генерации кода и диалога, однако эти заявления не согласуются с указанным pipeline_tag feature-extraction и не подтверждены техническими характеристиками модели. Сильной стороной является интеграция с экосистемой Transformers и открытая лицензия MIT. Размер модели, поддерживаемые естественные языки и длина контекста в доступных данных не указаны. Для генеративных сценариев и заявленных результатов бенчмарков требуется дополнительная проверка конфигурации и воспроизводимости.

MyAwesomeModel — модель из репозитория tool1/MyAwesomeModel-TestRepo, опубликованная с лицензией MIT и предназначенная для извлечения признаков через библиотеку Transformers. Метаданные относят её к семейству BERT и задаче feature extraction на базе PyTorch. README описывает обновлённую версию как модель с улучшенными рассуждениями, математикой, программированием, логикой, диалогами, суммаризацией, классификацией и function calling, однако эти сведения не согласуются с указанной в метаданных задачей feature extraction и не подтверждают архитектуру, размер, модальности, языки или длину контекста модели. Поэтому для каталога надёжнее рассматривать её прежде всего как Transformers-модель для получения векторных представлений текста. Модель может использоваться как компонент последующих систем машинного обучения, например для сравнения текстов, классификации или поиска по близости, если фактическая конфигурация репозитория это поддерживает. Ограничения, требования к вычислительным ресурсам и рекомендуемые параметры инференса для режима feature extraction в карточке не описаны. Лицензия модели — MIT.

MyAwesomeModel — модель из репозитория toola/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и помеченная в метаданных как BERT-модель для извлечения признаков. Её основное заявленное назначение — преобразование текста в векторные представления, пригодные для последующей классификации, поиска похожих документов и других задач анализа текста. В README также заявлены возможности рассуждения, генерации кода и текста, ответов на вопросы, диалога, суммаризации, function calling и работы с файлами и веб-поиском. Однако эти сведения не согласуются с основным pipeline-тегом feature-extraction, поэтому генеративные и диалоговые сценарии следует считать заявленными в документации, а не подтверждёнными метаданными. Размер модели, длина контекста и поддерживаемые естественные языки не указаны. Модель распространяется по лицензии MIT.

PE-Core-S-16-384 — версия модели Perception Encoder, разработанной Meta и преобразованной для OpenCLIP. Это контрастивный энкодер изображений и текста: он кодирует изображения и текстовые описания в общее пространство признаков для сопоставления и классификации по пользовательским категориям. Вариант S/16 принимает изображения с разрешением 384 пикселя; в семействе PE Core используются визуальный энкодер с блоком attention pooling и текстовый энкодер. Модель предназначена для классификации изображений без обучения на целевых классах, поиска изображений по тексту и поиска текстовых описаний по изображению. В карточке также приведены результаты для видео-классификации и поиска, однако метаданные этой версии указывают основной сценарий как zero-shot image classification. Модель доступна в форматах PyTorch и safetensors, использует библиотеку OpenCLIP и распространяется по лицензии Apache-2.0. В README не приведено точное число параметров варианта S/16, поэтому размер модели здесь не указан.

Vietnamese Product Granite 97M — дообученная модель SentenceTransformer для поиска товаров по-вьетнамски. Она сопоставляет короткие поисковые запросы с более длинными описаниями товаров и выдаёт эмбеддинги для поиска по сходству. Модель основана на IBM Granite Embedding 97M Multilingual R2 и использует архитектуру ModernBERT; размер — 97,4 млн параметров. Метаданные указывают контекст до 32 768 токенов, а в обучении максимальная длина последовательности составляла 512 токенов. Модель дообучена на 15 000 парах «запрос — документ» и 1 000 описаниях товаров с функцией потерь MultipleNegativesRankingLoss. Её можно использовать для семантического поиска и извлечения товаров по коротким запросам, в том числе в асимметричной схеме, где запросы короче документов. README рекомендует оценивать качество по Recall@K, MRR и NDCG: приведённая ошибка валидации является лишь диагностикой обучения и не заменяет бенчмарк. Лицензия в предоставленных данных не указана.

Semantic-Ar-Qwen-Embed-0.6B — арабоязычная модель эмбеддингов, разработанная Omartificial-Intelligence-Space и дообученная на базе Qwen/Qwen3-Embedding-0.6B для задач семантического сходства. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; сходство оценивается косинусной мерой. Архитектура Sentence Transformers использует Qwen3Model и усреднение токенных представлений. Максимальная длина последовательности — 32 768 токенов, число параметров — около 507,6 млн. Модель предназначена для сравнения арабских текстов и может применяться в семантическом поиске, поиске перефразировок, кластеризации и классификации текста. Она дообучена на задачах STS и оценивалась на арабских наборах STS17 и STS22.v2; README отмечает специализацию на понимании арабской семантики. Метаданные также содержат английский среди языков карточки, но заявленный в README основной язык — арабский. Модель распространяется по лицензии Apache-2.0. Результаты оценки приведены для ограниченного набора тестов на семантическое сходство и не гарантируют качество на других задачах или доменах.

Serafim 335m Portuguese (PT) Sentence Encoder — модель семейства Serafim PT*, разработанная Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos. Это энкодер предложений на архитектуре BERT с 433,2 млн параметров, реализованный на Sentence Transformers. Он преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024; длина контекста составляет до 512 токенов. Модель предназначена для семантического поиска, сравнения смысла текстов и кластеризации. Она обучалась с функцией потерь AnglELoss. Доступна под лицензией MIT. README ссылается на оценку в Sentence Embeddings Benchmark, но не приводит результаты, поэтому качество для конкретных задач по представленным данным оценить нельзя.

sentence-transformers-testing/stsb-bert-tiny-onnx — модель семейства Sentence-Transformers, разработанная сообществом Sentence-Transformers и представленная на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 128, предназначенные для сравнения семантической близости, семантического поиска и кластеризации. В README также указана возможность использования через библиотеки Sentence-Transformers и Hugging Face Transformers. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов без приведения текста к нижнему регистру. Вектор предложения формируется mean pooling с учетом attention mask. Модель одномодальная и работает с текстом; поддерживаемые языки в README не указаны. Обучение проводилось с CosineSimilarityLoss, оптимизатором AdamW и десятью эпохами, однако сведения о датасете, качестве и результатах оценки отсутствуют. Сильной стороной модели является компактное 128-мерное представление, удобное для поиска и кластеризации, а также интеграция с распространенными инструментами экосистемы Transformers. Ограничения включают отсутствие данных о языковой специализации, фактической точности и составе обучающей выборки. Лицензия в README не указана.

nickprock/stsbm-sentence-flare-it — модель sentence-transformers на архитектуре XLM-RoBERTa, разработанная для представления предложений и абзацев в виде плотных векторов размерности 384. Её можно использовать для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель обучена с функцией потерь CosineSimilarityLoss; в метаданных указан датасет stsb_multi_mt и язык итальянский. Размер модели — 19,8 млн параметров, контекст — до 514 токенов. Для использования доступны форматы PyTorch и Safetensors, лицензия Apache-2.0.

Это GGUF-квантизированная версия модели gemma2-2b-rerank-checkpoint-8800, предназначенной для задач ранжирования текста. Исходная модель размещена пользователем thusinh1969, а квантизация выполнена Richard Erkhov. Модель может применяться для переупорядочивания текстовых результатов по релевантности, например в поиске или системах retrieval, однако подробности об используемых данных и методике обучения не указаны. В репозитории представлены варианты с квантизацией Q2_K, Q3, Q4, Q5, Q6, Q8 и IQ3/IQ4 разных уровней. Размер файлов составляет примерно от 1,15 до 2,59 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Архитектура основана на семействе Gemma 2 с заявленным размером 2B, но сведения о модальностях, языках, длине контекста и точных характеристиках reranking-компонента отсутствуют. Преимуществами являются компактные GGUF-варианты и возможность локального использования через совместимое программное обеспечение. Ограничения связаны с отсутствием результатов оценки, инструкций по применению, подробного описания обучения и информации о лицензии: в карточке лицензия не указана.

m3hrdadfi/albert-zwnj-wnli-mean-tokens — модель на базе ALBERT, опубликованная пользователем m3hrdadfi. Она предназначена для извлечения векторных представлений предложений и оценки их сходства; её можно подключить через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих предложений, семантического поиска и построения эмбеддингов для текстовых приложений. В названии указаны ZWNJ и WNLI, однако README не уточняет языковую поддержку, обучение и специальные ограничения. Лицензия в предоставленных сведениях не указана.

karakastarik/bert-base-turkish-128k-uncased-spelling-correction — модель на базе BERT, опубликованная как Sentence Transformers для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 16 и обучалась с MultipleNegativesRankingLoss и косинусным сходством. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. Несмотря на «spelling-correction» в названии, README описывает получение эмбеддингов, а не исправление орфографии. Архитектура — BERT; объём модели составляет 211,6 млн параметров, контекст — до 512 токенов. Метаданные указывают поддержку задач feature extraction и sentence similarity, а также формат PyTorch. Модель ориентирована на турецкий язык, однако доступные сведения не уточняют качество на конкретных наборах данных. Лицензия в предоставленных данных отсутствует.

Модель seongil-dn/bge-m3-kor-retrieval-451949-bs64-book — Sentence Transformer, дообученный разработчиком на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она использует трансформер XLM-RoBERTa с пулингом CLS и нормализацией; размерность векторов — 1024, сходство измеряется косинусной метрикой. В карточке указана максимальная длина последовательности 1024 токена, а в метаданных — нативный контекст до 8194 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Суффикс имени и обучающие данные указывают на настройку для поиска по книгам на корейском языке, однако карточка не приводит оценок качества или подробностей датасета. Метаданные указывают 658,7 млн параметров и формат safetensors. Лицензия в предоставленных данных не приведена.

RinKana/bge-small-en-v1.5-afterimage — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработанная автором репозитория RinKana. Она кодирует предложения и абзацы на английском языке в плотные текстовые эмбеддинги размерностью 384 для семантического поиска и извлечения релевантных фрагментов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; сходство можно оценивать косинусной мерой. Модель содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. В README описана настройка на сопоставление контекста диалога с подходящим ответом и приведена оценка на задаче извлечения информации. Это может быть полезно для поиска кандидатов ответа по контексту разговора и для семантического поиска по английским текстам. Доступна оценка качества на одном указанном наборе, но результаты сами по себе не показывают качество на других корпусах и типах запросов. Лицензия в предоставленных данных не указана.

Это модель OpenCLIP, опубликованная LAION e.V. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на этих метках. Архитектура — CLIP с визуальным энкодером ViT-L/14; модель обучена на наборе CommonPool-XL без фильтрации, в рамках серии DataComp XL. В опубликованных сведениях указаны 12,8 млрд шагов обучения и размер пакета 90 тысяч. Модель принимает изображения и текстовые подписи, кодирует их в совместимые векторы и позволяет оценивать сходство. Её можно применять для классификации по произвольным текстовым классам и поиска соответствия между изображением и подписью. Опубликована под лицензией MIT. Численные результаты для вариантов CommonPool XL приведены на ImageNet в документации OpenCLIP; показатели других задач из этого не следуют.

deepvk/deberta-v1-base — предварительно обученный двунаправленный энкодер DeBERTa, разработанный deepvk для русского языка. Модель обучена на задаче masked language modeling на корпусе примерно из 400 ГБ очищенных и дедуплицированных текстов: Википедии, книг, комментариев, новостей, субтитров и других источников. В обучающих данных преобладает русский язык, также присутствует небольшая доля других языков. Модель содержит 12 слоёв энкодера, 12 голов внимания и размерность представлений 768; всего около 151,8 млн параметров. Она принимает текст и извлекает контекстные векторные представления для последующего дообучения или использования в NLP-задачах. Это только энкодер без предварительно обученной задачи-специфичной головы, поэтому для классификации и других прикладных задач обычно требуется добавить и обучить соответствующую голову. Максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки на русскоязычном наборе Russian SuperGLUE. Модель распространяется под лицензией Apache 2.0.

Apple DFN5B-CLIP-ViT-H-14 — контрастивная модель CLIP, обученная на наборе DFN-5B и опубликованная Apple. Она сопоставляет изображения и текст в общем пространстве представлений, поэтому подходит для классификации изображений без дополнительного обучения по текстовым описаниям классов и для поиска изображений по тексту. Модель обучали на 5 млрд изображений, отфильтрованных из 43 млрд пар изображение–текст; в обучении было обработано 39 млрд примеров. В карточке приведены результаты на ImageNet-1k, Caltech-101 и CIFAR-10. Это плотная модель архитектуры CLIP с визуальным энкодером ViT-H/14. Веса переведены из исходных контрольных точек JAX в PyTorch и напрямую применимы через OpenCLIP для обработки изображений и текста. Лицензия — Apple AMLR.

RLHFlow/DPA-v1-Mistral-7B — декодерная языковая модель на архитектуре Mistral, разработанная Haoxiang Wang и дообученная для directional preference alignment с многокритериальными наградами. Она предназначена для генерации текста и диалоговых сценариев, где важно учитывать различные предпочтения пользователей. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель использует Transformers и распространяется в формате safetensors. В карточке указан английский язык и лицензия Apache-2.0. Она связана с работой ACL 2024 об арифметическом управлении предпочтениями LLM; подробности о наборах данных и измеренных ограничениях в карточке не приведены.

Модель congvm/embeddinggemma-300M-triplet-vn-10000-20250924 — дообученная CongVM версия sentence-transformers на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по cosine similarity. Модель обучена на 690 222 примерах формата «запрос, ответ, негативный пример» и предназначена для семантического поиска, поиска парафраз, сопоставления запросов с ответами, классификации и кластеризации текстов. Модель использует текстовую архитектуру Gemma 3 и принимает последовательности длиной до 2048 токенов. Данные обучения — вьетнамские запросы и описания объявлений, поэтому модель особенно подходит для семантического поиска по вьетнамским текстам. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

FG-CLIP Large — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых признаков. Обучение проходит в два этапа: сначала модель сопоставляет изображения с подписями на глобальном уровне, затем уточняет соответствие с помощью описаний отдельных областей изображения, включая положительные и отрицательные описания. В карточке указана архитектура CLIP и класс FGCLIPModel; веса доступны в формате safetensors. Примеры использования в README показывают загрузку через Transformers и применение для поиска по изображениям и визуализации плотных признаков. Модель подходит для поиска и сопоставления изображений и текста с учётом деталей сцены, а также для классификации изображений по текстовым описаниям без отдельного обучения классификатора. Поддерживаемый в метаданных язык — английский. Лицензия Apache-2.0.

sumanksaha/Foodmultidomain — модель CrossEncoder, обученная с библиотекой sentence-transformers. Она оценивает пары текстов одним числовым баллом и предназначена для ранжирования результатов поиска и семантического поиска, например для повторной сортировки кандидатов, полученных из поискового индекса. Архитектура основана на BertForSequenceClassification; модель принимает текст, выдаёт оценку релевантности и обрабатывает последовательности длиной до 512 токенов. README не уточняет поддерживаемые естественные языки и лицензию.

french-bge-m3 — франкоязычная версия модели BAAI/bge-m3, разработанная Antoine Louis. Она предназначена прежде всего для задач семантического сходства и поиска фрагментов текста, включая passage retrieval, во французском языке; модель может использоваться с библиотеками Transformers и Sentence Transformers. Модель создана методом pruning и на 38,4% меньше исходной BAAI/bge-m3, благодаря чему требует меньше памяти. Архитектура и точное число параметров в README не указаны. Это текстовая модель для французского языка, унаследованная от многоязычной BGE-M3, но из её словаря удалены токены, нечасто встречающиеся во французском. Поэтому для французских задач ожидается производительность, близкая к оригинальной модели, тогда как качество на других языках может быть заметно ниже. Модель распространяется по лицензии MIT. Для загрузки в Transformers требуется параметр trust_remote_code=True; также она поддерживается библиотекой Sentence Transformers.