I.12Рекомендации и персонализация

win2win/ad-categorizer-model — дообученный разработчиком win2win энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель преобразует предложения и абзацы в плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства; архитектура включает BERT, усреднение токенов и нормализацию. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для поиска семантически похожих текстов, сопоставления описаний, поиска перефразировок и кластеризации. Её можно применять для категоризации объявлений через сравнение с текстами категорий или примерами. Карточка сообщает о дообучении на двух парах предложений, поэтому качество для широкого круга задач может быть ограниченным. Формат весов — safetensors; лицензия в предоставленных сведениях не указана.

all-MiniLM-L6-v2-multi-qa-linear-merge — демонстрационная модель, созданная авторами репозитория с помощью функции слияния моделей Sentence Transformers. Она линейно объединяет с равными весами два англоязычных энкодера предложений: sentence-transformers/all-MiniLM-L6-v2 и sentence-transformers/multi-qa-MiniLM-L6-cos-v1. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает текст для получения векторных представлений; максимальная длина контекста составляет 512 токенов. Модель предназначена для вычисления семантической близости предложений и создания эмбеддингов для поиска и сравнения текстов. Это демонстрационное слияние, а не отдельный релиз, настроенный под конкретную задачу, поэтому качество на целевых сценариях следует проверять отдельно. Репозиторий содержит веса в форматах SafeTensors, TensorFlow и OpenVINO. Лицензия в предоставленных данных не указана.

blink-4b — дообученная Govind модель для быстрых структурированных решений по тексту и JSON-состоянию. Она оценивает предложенные варианты в форматах choice, yes/no или упорядоченной шкалы и возвращает вероятность для каждого ответа вместо свободно сгенерированного текста; несколько вопросов об одном состоянии можно обработать за один проход. Модель основана на текстовой части Qwen3.5-4B: плотная архитектура с 32 декодерными слоями, из которых 24 используют Gated DeltaNet, а 8 — полное внимание. Обучение выполнено с LoRA ранга 16; в опубликованной версии около 4,2 млрд параметров, формат весов — bf16 SafeTensors, контекст — до 262 144 токенов. Основные сценарии — маршрутизация запросов, проверки с ответом «да/нет», ранжирование вариантов и выбор действия в последовательности компьютерного интерфейса. Карточка описывает эксперименты с управлением десятью приложениями и оценкой на размеченных скриншотах; для визуального ввода требуется отдельно подключить совместимый vision tower Qwen, поскольку сами веса blink-4b содержат только текстовую часть. Модель предназначена для английского языка. Вероятности условны относительно предложенных вариантов и не являются гарантией правильности; заявленные результаты — внутренние показатели разработки, а не официальная оценка на бенчмарке. Лицензия обозначена как other, конкретные условия следует проверять в карточке репозитория.

BTE-Base-Ar — модель эмбеддингов на базе Sentence Transformers и архитектуры ModernBERT, представленная ALJIACHI. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Модель содержит около 148,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов; для длинных текстов применяется скользящее окно. Модель предназначена прежде всего для арабского языка, также обучалась на арабских и английских текстах. Её можно использовать для семантического поиска и сравнения фраз, поиска перефразировок, кластеризации и классификации текстов. В README приведён результат Spearman 0,8538 на оценке сходства предложений, а также заявлены высокая скорость и сниженное потребление памяти; условия и наборы для этих сравнений не раскрыты. Модель распространяется по лицензии MIT. Она выдаёт эмбеддинги, а не готовые текстовые ответы; качество на других языках и в задачах за пределами приведённой оценки в карточке не описано.

Decision-2.0-Eos-0.8B — компактная плотная модель семейства Decision 2.0 от vLLM Semantic Router, дообученная на базе vllm-sr/Decision-1.0-Eos-0.8B. Принимает текст или JSON с контекстом и вопросами о кандидатах и за один проход оценивает варианты выбора, ответы «да/нет» и баллы, возвращая вероятности для ответов без генерации текста. Размер модели — 0,75 млрд параметров, длина контекста — 16 384 токена. Модель предназначена для классификации и ранжирования вариантов в сценариях принятия решений, когда по одному контексту нужно получить ответы на несколько вопросов. В README приведены результаты сравнительной оценки и медианное время 6 мс на один вопрос на одном GPU; эти показатели относятся к описанным условиям оценки. Репозиторий содержит веса safetensors и использует Transformers. Лицензия — Apache-2.0.

facebook/dinov3-convnext-small-pretrain-lvd1689m — визуальная модель Meta AI из семейства DINOv3, предназначенная для извлечения признаков изображений. Это вариант ConvNeXt Small с 50 млн параметров, дистиллированный из DINOv3 ViT-7B и обученный на веб-данных LVD-1689M. Модель доступна в формате safetensors и используется через библиотеку Transformers. Модель формирует универсальные визуальные признаки, которые можно применять без дообучения для поиска похожих изображений, классификации, сегментации и других задач компьютерного зрения. Для классификации и ряда downstream-задач к признакам можно подключать простые линейные слои или другие небольшие модели. На вход подаются изображения; основное назначение — представление их визуального содержания в виде признаков. Лицензия указана как DINOv3 License, тип — other в метаданных; перед использованием следует проверить её условия. Среди известных ограничений отмечены различия качества признаков между регионами и доходными группами; дообучение на размеченных данных может усилить смещения.

Plasmoxy/embeddinggemma-300m-DiscordSum-RC-PD58 — англоязычная модель Sentence Transformers, дообученная автором Plasmoxy на датасете DiscordSum от google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 для поиска и сравнения текстов; сходство оценивается косинусной мерой. Модель построена на текстовой архитектуре Gemma 3, содержит 302,8 млн параметров и принимает последовательности длиной до 2048 токенов. Модель предназначена для семантического поиска по сообщениям и обсуждениям Discord, ранжирования подходящих документов, поиска перефразирований, кластеризации и классификации текстов. Обучающие примеры представлены парами запрос–документ из DiscordSum. Для инференса подходит библиотека Sentence Transformers; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Eurus-RM-7B — плотная reward-модель семейства Mistral на 7,1 млрд параметров, разработанная командой OpenBMB. Модель обучена на смесях UltraInteract, UltraFeedback и UltraSafety с целевой функцией для оценки рассуждений и предпочтений в ответах.

uzairnaeem/finetuned_sentence_similarity_spanish_es — модель Sentence-Transformers на базе архитектуры BERT, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит 137,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Название модели указывает на испанский язык, но README не уточняет языковое покрытие и результаты оценки.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_30000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_120000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_120000 — модель Sentence-Transformers на архитектуре BERT с 433,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения сходства и кластеризации. В README указано обучение с MarginDistillationLoss; модель принимает текст и выдаёт эмбеддинги. Контекст ограничен 512 токенами. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой sentence-transformers. Карточка не указывает базовую модель или лицензию, поэтому их нельзя надёжно определить. Название и описание обучения указывают на экспериментальную модель, связанную с GPL и F R Pile; качество и применимость за пределами описанных задач не подтверждены.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_40000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_120000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_120000 — модель Sentence-Transformers на архитектуре BERT с 433,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения сходства и кластеризации. В README указано обучение с MarginDistillationLoss; модель принимает текст и выдаёт эмбеддинги. Контекст ограничен 512 токенами. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой sentence-transformers. Карточка не указывает базовую модель или лицензию, поэтому их нельзя надёжно определить. Название и описание обучения указывают на экспериментальную модель, связанную с GPL и F R Pile; качество и применимость за пределами описанных задач не подтверждены.

GATE-AraBert-v1 — модель эмбеддингов арабского текста, разработанная Omartificial-Intelligence-Space. Это Sentence Transformer на архитектуре BERT, дообученный в многозадачном режиме для сопоставления смысла предложений. Модель создаёт векторы размерности 768 и использует косинусное сходство для сравнения текстов. Модель предназначена для семантического поиска, поиска похожих предложений и оценки смыслового сходства арабских текстов. В обучении использованы наборы данных AllNLI и STS; метаданные также указывают Arabic-stsb и Arabic-NLi-Pair-Class. Максимальная длина последовательности — 512 токенов, число параметров — 162,4 млн. Модель принимает текст и выдаёт эмбеддинги; для использования предусмотрена библиотека Sentence Transformers. Модель лицензирована по Apache-2.0. Результаты зависят от предметной области и качества входных текстов; карточка приводит оценку на STS-бенчмарках, но не гарантирует качество для любых задач или доменов.

pjh6818 выпустил Sentence Transformers модель на основе klue/roberta-base, дообученную для сопоставления предложений. Архитектура включает RoBERTa и mean pooling; модель преобразует текст в плотные векторы размерности 768, а сходство оценивается косинусной мерой. Размер модели — 137,8 млн параметров, максимальная длина последовательности — 512 токенов по README и 514 токенов в метаданных. Модель предназначена прежде всего для оценки семантического сходства корейских текстов. Её также можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Базовая модель klue/roberta-base предварительно обучена для понимания корейского текста. В README приведены результаты оценки сходства, но они зависят от набора данных и не гарантируют такое же качество в других сценариях. Лицензия в предоставленных данных не указана.

Ram934/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текста. В README также указано применение для анализа финансовых текстов, однако обучающий набор описан только как небольшой JSON-датасет из 27 примеров с парами anchor и positive. Архитектура основана на BERT: выходы токенов объединяются с использованием CLS-токена, затем векторы нормализуются. Модель принимает текст, поддерживает последовательности до 512 токенов и вычисляет сходство по косинусной мере. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Небольшой объём обучающих данных ограничивает основания ожидать устойчивого улучшения качества или специализации для финансового домена. Модель рассчитана на английский язык; качество на других языках не подтверждено.

MyAwesomeModel — модель из репозитория DSADSD12SZC/MyAwesomeModel-TestRepo, предназначенная по метаданным Hugging Face для извлечения признаков с использованием библиотеки Transformers и фреймворка PyTorch. В тегах также указана архитектурная принадлежность к BERT. README описывает обновлённую версию как модель с улучшенными рассуждениями, математическими и программными способностями, генерацией текста, ответами на вопросы, классификацией, суммаризацией и поддержкой function calling, однако эти заявления не согласуются с указанным pipeline_tag feature-extraction.

bebechien/my-embeddinggemma-news-vibe — дообученная автором репозитория модель Sentence Transformer на базе google/embeddinggemma-300m, предназначенная для получения эмбеддингов текста. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 2048 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. В README показано дообучение на пяти примерах с темами новостей и меткой MY_FAVORITE_NEWS, поэтому пригодность полученных векторов для более широких задач может быть ограничена малым объёмом тренировочных данных. Модель опубликована в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

NeoAraBERT_DA — арабская модель для получения текстовых эмбеддингов, разработанная подразделением U4RASD Центра исследований и политических исследований арабского мира совместно с Американским университетом Бейрута. Она основана на архитектуре NeoBERT и дообучена на диалектном арабском; размер модели — 314,2 млн параметров. Модель предназначена для векторного представления текста и задач понимания арабского языка, включая классификацию и предсказание замаскированных токенов. В README описаны предварительное обучение на разнообразных арабских данных и исследования нормализации, стемминга и обработки диакритики; семейство NeoAraBERT показало высокие результаты на широком наборе арабских задач. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY-SA 4.0.

ReasonRank-7B — языковая модель для ранжирования фрагментов текста, представленная авторами исследования ReasonRank: Empowering Passage Ranking with Strong Reasoning Ability. Она дообучена на базе Qwen/Qwen2.5-7B-Instruct и предназначена для задач информационного поиска, где нужно оценивать и упорядочивать пассажи по релевантности запросу. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 с causal language modeling и работает через Transformers. Контекст — до 32 768 токенов; в карточке указан английский язык. Репозиторий распространяется в формате Safetensors по лицензии MIT. Модель рассчитана на ранжирование пассажей с опорой на рассуждение; также в метаданных отмечены генерация текста, чат и интерфейс вызова инструментов. README отсылает к статье и GitHub-репозиторию за подробностями использования, но не приводит результаты оценки или инструкции. Как производная от Qwen2.5-7B-Instruct, она сохраняет общие ограничения языковой модели, включая возможные ошибки в оценках релевантности; качество на конкретном поисковом наборе данных следует проверять отдельно.

Retro* — дообученная текстовая модель на архитектуре Qwen3, предназначенная для ранжирования документов при поиске, особенно когда запрос требует рассуждений. Она создана на основе Qwen/Qwen3-32B и содержит 29,7 млрд параметров. Модель подходит для оценки релевантности документов запросу и для диалоговой генерации текста; метаданные также отмечают интерфейс вызова инструментов. Она принимает текст и работает с контекстом до 40 960 токенов. В карточке указан английский язык. Модель реализована для Transformers и опубликована в формате safetensors. README отсылает к статье и репозиторию проекта, но не приводит подробностей обучения или результатов оценки. Лицензия в предоставленных данных не указана.

sbert-jsnli-luke-japanese-base-lite — модель Sentence-Transformers на архитектуре LUKE, дообученная на один проход по датасету shunk031/jsnli на базе studio-ousia/luke-japanese-base-lite. Она преобразует предложения и абзацы на японском языке в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Контекст модели составляет до 514 токенов, число параметров — 138,4 млн; доступен формат PyTorch. Модель предназначена для семантического поиска и сравнения японских текстов. Лицензия — Apache-2.0. Карточка также указывает результаты оценки на JSTS и JSICK, но не приводит их числовые значения.

Sentence-Llama-Bi-JP-0.5B — двунаправленный энкодер семейства Llama от iamtatsuki05 для создания японских эмбеддингов предложений. Модель дообучена на размеченных парах из cl-nagoya/ruri-v3-dataset-ft и предназначена для семантического поиска, сопоставления и оценки сходства текстов. Модель содержит около 661,9 млн параметров, формирует векторы размерностью 1280 с помощью mean pooling и поддерживает последовательности длиной до 8192 токенов. Для сравнения векторов рекомендуется косинусная мера. Карточка заявляет поддержку японского языка; метаданные указывают лицензию MIT.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Media-Traditional-Social на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Это версия SigLIP SoViT-400m, подготовленная zeromodels в формате Keras 3 на основе google/siglip-so400m-patch14-224. Модель использует двойной визуально-текстовый энкодер: принимает изображения и текстовые запросы, чтобы классифицировать изображения по произвольным текстовым меткам без отдельного обучения на этих метках. Поддерживает разрешение 224 × 224; реализация Keras может работать с TensorFlow, PyTorch или JAX. Модель подходит для поиска изображений по описанию и классификации изображений по пользовательским категориям. В README отмечено, что обучение SigLIP использует попарную сигмоидальную функцию потерь вместо контрастивного softmax-подхода CLIP. Репозиторий распространяется по лицензии Apache 2.0. Это преобразованная версия базовой модели, поэтому её возможности и ограничения в основном наследуются от SigLIP; качество зависит от формулировки текстовых запросов и соответствия изображений обучающим данным.

Sophea-Nemo-Reranker — кросс-энкодерный реранкер Kiefer SA для переоценки релевантности документов запросу на греческом и английском языках. Модель дообучена на базе nvidia/llama-nemotron-rerank-1b-v2 и использует двунаправленную архитектуру LlamaBidirectionalForSequenceClassification с одним логитом релевантности. Размер модели — 1,2 млрд параметров, длина контекста — до 131 072 токенов; формат весов — safetensors. Модель предназначена для второго этапа двухэтапного поиска: после первичного отбора кандидатов, например эмбеддером Sophea-Nemo-Embedding, она переупорядочивает фрагменты по соответствию запросу. README описывает применение в греческом RAG и сообщает об улучшении nDCG@10 на пяти тестовых доменах относительно базовой модели. Наибольшая польза отмечена для сложных случаев, включая медицинские и финансовые запросы; на уже сильных результатах эмбеддера дополнительное ранжирование может давать небольшой выигрыш или ухудшать качество. Для подачи данных используется последовательность с шаблоном «question:{q} passage:{p}». README указывает на необходимость trust_remote_code при использовании Transformers. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии репозитория.

Perception Encoder Core Gigantic Patch14 448 — разработанная Meta модель-кодировщик изображений из семейства Perception Encoder, опубликованная в формате timm с переназначенными весами исходной модели. Это визуальная часть модели без текстового кодировщика: архитектура ViT с патчами 14 × 14, размером G и входным разрешением 448 пикселей. Семейство PE обучалось контрастивно на изображениях и на синтетически выровненных видео; для агрегации признаков используется attention pooling. Модель предназначена для извлечения визуальных признаков, классификации и поиска изображений, а также может использоваться как визуальный энкодер в системах понимания изображений и видео. В отчёте авторов вариант G/14 448 показывает сильные результаты в zero-shot классификации и поиске изображений, включая сложные наборы ImageNet-A и ObjectNet, а также в zero-shot классификации и поиске видео. Репозиторий содержит веса PyTorch в формате safetensors и рассчитан на использование с библиотекой timm. Лицензия — Apache 2.0. Это только энкодер изображений, поэтому он сам по себе не генерирует текстовые ответы и не принимает видео как последовательность кадров. Описанные результаты относятся к оценкам авторов семейства PE; фактическое качество зависит от способа получения признаков и последующей задачи.

ViT-SO400M-14-SigLIP — контрастивная модель сопоставления изображений и текста на основе SigLIP, обученная на наборе WebLI. Исходные веса из контрольных точек JAX проекта Big Vision преобразованы в PyTorch; репозиторий поддерживается timm и распространяется в форматах PyTorch и safetensors под лицензией Apache-2.0. Модель предназначена для классификации изображений по текстовым описаниям без отдельного дообучения: она сравнивает изображение с набором предложенных пользователем категорий и позволяет выбрать наиболее подходящую. Через OpenCLIP доступны работа с изображениями и текстом, а через timm — получение эмбеддингов изображений. Карточка не приводит сведений о размере модели, длине контекста или поддерживаемых языках; точность зависит от формулировок текстовых меток и домена изображений.

AIMv2 Large Patch14 336 — модель компьютерного зрения семейства AIMv2, разработанная Apple и предварительно обученная с мультимодальной авторегрессионной целью. Репозиторий содержит вариант с архитектурой Aimv2VisionModel и примерно 308,3 млн параметров; имя модели указывает на патч 14 и входное разрешение 336 пикселей. Модель принимает изображения и извлекает визуальные признаки, которые можно использовать в системах понимания изображений и последующих задачах компьютерного зрения. В README семейство AIMv2 описано как сильное на тестах мультимодального понимания, открытого обнаружения объектов и понимания ссылочных выражений; эти результаты относятся к семейству в целом и не гарантируют такие показатели для данного варианта. Для загрузки указаны Transformers и варианты весов Flax и safetensors. Модель предназначена для извлечения признаков изображений, а не для генерации текстовых описаний или ответов. Лицензия репозитория — apple-amlr.

karakastarik/all-MiniLM-L6-v2-spelling-correction-large — модель Sentence Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерностью 32. Она предназначена для поиска семантически близких текстов и кластеризации; обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на сопоставление текстовых представлений. Модель содержит 25,9 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате PyTorch. Несмотря на часть «spelling-correction» в названии, карточка описывает модель эмбеддингов, а не систему исправления орфографии. Она может служить компонентом семантического поиска или кластеризации предложений и абзацев. Лицензия и конкретные языки в предоставленных данных не указаны.

Модель andreasmartin/apertus-v1.5-swiss-embed-4.9b-bidir-langmoe — экспериментальная модель эмбеддингов Sentence Transformers от автора репозитория, созданная адаптацией двунаправленной модели Apertus. В ней финальная плотная проекция заменена разрежанным слоем SparseMixtureOfExperts с семью экспертами и маршрутизацией Top-2; языковые метки экспертов описывают эксперимент, но сам слой не содержит языковой логики. Всего модель имеет около 4,93 млрд параметров, а в Sentence Transformers использует модули Transformer, Pooling, новую проекцию и Normalize. Модель предназначена для построения эмбеддингов предложений, семантического и межъязыкового поиска, особенно для немецкого, английского, французского, итальянского и швейцарских языковых вариантов. Она обучена на 31 483 триплетах из Wikipedia и швейцарских наборов данных; README приводит внутренние диагностические результаты, а не внешние бенчмарки. Базовые представления замораживались и кэшировались при обучении, а голова MoE обучалась на последовательностях до 512 токенов. Несмотря на контекст базовой модели в 262 144 токена, качество MoE за пределами обучавшего контекста отдельно не проверено; README также указывает на необходимость trust_remote_code=True до регистрации модуля в Sentence Transformers. Лицензия — Apache-2.0.

Это модель Sentence Transformers на основе BERT, дообученная разработчиком trmteb от emrecan/bert-base-turkish-cased-mean-nli-stsb-tr. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Сходство векторов можно оценивать косинусной мерой. Модель использует BERT с mean pooling, сохраняет регистр и рассчитана на последовательности длиной до 75 токенов согласно README; метаданные указывают максимальный контекст в 512 токенов. Обучающие примеры включают пары турецких текстов. Модель подходит для текстовых эмбеддингов и поиска по смыслу на турецком языке; сведения о лицензии в доступных данных отсутствуют.