I.12Рекомендации и персонализация

microBook — небольшая языковая модель, созданная Finisha (Clemylia) для генерации отзывов и критических впечатлений о литературных произведениях. Модель основана на архитектуре GemmaForCausalLM, содержит 32,7 млн параметров и рассчитана на контекст до 1024 токенов. По карточке, её обучали на отзывах о книгах; основной язык — французский. Модель предназначена для создания отзывов о знакомых книгах, от популярных серий до современных романов, с индивидуальной повествовательной манерой. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Указана публикация для сообщества в открытом доступе, однако конкретная лицензия не приведена. Небольшой размер и узкая специализация позволяют использовать microBook для экспериментов с генерацией книжных отзывов. Пример в карточке показывает повторяющиеся формулировки и заметные проблемы связности, поэтому качество текста может быть нестабильным; модель не следует считать надёжным источником литературного анализа.

Модель saju-naming разработана Кан Сынгоном, Ю Хёкджином и Ли Догоном и предназначена для генерации текста, связанного с подбором корейских имён для новорождённых. Она дообучена методом LoRA на базе rtzr/ko-gemma-2-9b-it; архитектура — плотная Gemma 2 для причинной языковой генерации, размер — 9 млрд параметров. Модель принимает текст и выдаёт текст, работает с корейским языком и поддерживает контекст до 8192 токенов. В обучающих данных указаны статистика имён новорождённых в Южной Корее за 2008–2024 годы, словарь иероглифов для имён и данные о лунно-солнечном календаре. Это делает модель специализированной на подборе имён с учётом этих источников. Лицензия в карточке не определена; качество рекомендаций и их соответствие традиционным практикам по README не оценены.

auhide/chef-gpt-base — языковая модель на архитектуре GPT-2, разработанная для генерации рецептов по списку ингредиентов. Модель обучена на пользовательском наборе рецептов на болгарском языке и принимает текст с ингредиентами, обозначенными специальным токеном [ING]; токен [REC] обозначает начало рецепта, а [EOL] — конец строки. Модель подходит для генерации болгарских рецептов из доступных продуктов и создания черновиков рецептов. Максимальная длина контекста — 1024 токена. Вес опубликован в форматах PyTorch и Safetensors; лицензия — MIT.

huggingtweets/cubytes — генеративная языковая модель, созданная Борисом Даймой с помощью проекта huggingtweets. Это модель семейства GPT-2 для продолжения текста в стиле публикаций пользователя @cubytes; её обучали на 3 249 твитах этого пользователя. Модель можно запускать через библиотеку Transformers как задачу генерации текста. Модель принимает текстовый запрос и генерирует продолжение на английском языке. Контекст составляет 1 024 токена; опубликованный формат весов — PyTorch. Она подходит для экспериментальной генерации коротких сообщений, подражающих стилю исходных твитов. Качество и содержание зависят от небольшого обучающего набора, а также наследуют ограничения и смещения GPT-2. Лицензия в предоставленных данных не указана.

Модель huggingtweets/gaytimes-grindr — генеративная языковая модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Она дообучена на англоязычных твитах Grindr и GAY TIMES и предназначена для генерации коротких текстов в стилистике этих аккаунтов: например, для продолжения фразы или создания вариантов публикации. Модель доступна в формате PyTorch и рассчитана на контекст до 1024 токенов. Карточка описывает экспериментальный генератор на основе публикаций из социальных сетей. Его ответы могут воспроизводить смещения и ограничения GPT-2, а также особенности и предвзятости исходных твитов; результаты не гарантируют точности или соответствия фактам. Лицензия в предоставленных данных не указана.

huggingtweets/rotandgrow — модель генерации текста на базе GPT-2, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на публикациях пользователя 𐍂𐌵𐍃♱𐍅: карточка сообщает о 3208 загруженных твитах, включая ретвиты и короткие сообщения. Модель предназначена для продолжения текста и генерации фраз в стиле исходных публикаций; её можно запускать через text-generation pipeline библиотеки Transformers. Модель принимает текст и выдаёт текст. Контекст составляет 1024 токена, формат весов — PyTorch. Основной язык данных — английский. Лицензия в предоставленных сведениях не указана. Качество и характер генерации зависят от небольшого набора пользовательских твитов; модель наследует ограничения и смещения GPT-2 и может воспроизводить особенности исходных публикаций.

huggingtweets/seanmombo — генеративная языковая модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта HuggingTweets. Она обучена на твитах пользователя mo bombo (@seanmombo) и предназначена для генерации коротких текстов, похожих по стилю на его публикации. Для работы можно передать модели текстовый префикс и получить продолжение; контекст модели составляет 1024 токена. Модель принимает текст и выдаёт текст. В обучающую выборку вошли 3249 твитов, включая 5 ретвитов; README также отмечает 560 коротких твитов. Репозиторий содержит веса PyTorch. Основной язык — английский. Качество и содержание генераций зависят от небольшого пользовательского набора данных; модель наследует ограничения и смещения GPT-2 и может воспроизводить особенности исходных твитов. Лицензия в предоставленных данных не указана.

huggingtweets/janieclone — созданная Борисом Даймой модель генерации текста на базе GPT-2, обученная проектом huggingtweets на твитах Columbine Janie. Она предназначена для продолжения коротких текстовых фрагментов и генерации текста, стилизованного под исходные публикации; пример использования — продолжить фразу и получить несколько вариантов. Модель принимает текст и генерирует текст на английском языке, поддерживает контекст до 1024 токенов и опубликована в формате PyTorch. Обучение использовало 3072 твита, включая ретвиты и короткие публикации. Модель наследует ограничения и смещения GPT-2, а содержание исходных твитов влияет на генерируемый текст. Лицензия в предоставленных сведениях не указана.

huggingtweets/realdonaldtrump — англоязычная модель генерации текста, созданная Борисом Даймой в проекте huggingtweets на основе публикаций Дональда Трампа в Twitter. Она дообучена на 3165 твитах, включая ретвиты, и предназначена для генерации коротких текстов в характерной для обучающих данных манере; её можно использовать через библиотеку Transformers для продолжения заданного текста и получения нескольких вариантов ответа. В основе лежит GPT-2 с архитектурой GPT2LMHeadModel, веса представлены в формате PyTorch, контекст — до 1024 токенов. Модель подходит для экспериментов с генерацией текстов в стиле твитов и демонстраций персонализированной языковой модели. Качество и содержание ограничены возможностями GPT-2 и небольшим тематически смещённым набором публикаций; сгенерированный текст может воспроизводить предвзятости и особенности исходных твитов. Лицензия в предоставленных данных не указана.

uripper/AVA — экспериментальная языковая модель для генерации оценок и отзывов о фильмах. Автор дообучил distilgpt2 на собственном наборе примерно из 120 тысяч рецензий Letterboxd. Модель построена на архитектуре GPT-2 и принимает текст, а в ответ генерирует текст с оценкой и отзывом; длина контекста — 1024 токена. Модель предназначена для развлекательного использования: например, можно задать название фильма и получить сгенерированную рецензию. Она достаточно надёжно соблюдает нужный формат, но часто выдаёт бессвязный текст и может плохо связывать название фильма с содержанием отзыва. Возможны устойчивые смещения и оскорбительное употребление слов, в том числе в контексте ЛГБТ+-фильмов. Модель распространяется по лицензии Creative Commons (CC).

astroGPT — авторская дообученная модель GPT-2 для генерации общих гороскопов по текущей дате. Она обучена на текстах гороскопов с Horoscope.com из разделов ежедневных прогнозов, любви, здоровья и карьеры; данные охватывают период с сентября 2019 по август 2020 года. Для генерации введите дату в формате «Mon DD, YEAR».

Карточка модели KcAaa/Qwen3-Embedding-8B на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-8B, поэтому описание составлено по ней. Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, разработанная командой Qwen. Это плотная архитектура Qwen3ForCausalLM с 7,6 млрд параметров, дообученная на базе Qwen/Qwen3-8B-Base для получения векторных представлений текста. Модель предназначена для семантического поиска и ранжирования, а также поддерживает классификацию, кластеризацию, поиск по коду и межъязыковой поиск. Модель поддерживает более 100 естественных и программных языков, обрабатывает длинные последовательности с контекстом до 40 960 токенов по метаданным и выдаёт эмбеддинги размерностью до 4096; README также сообщает о настройке выходной размерности от 32 до 4096. Можно задавать инструкции для конкретной задачи, языка или сценария. Модель рассчитана на получение векторов из текста; метаданные также отмечают возможности чата и интерфейс вызова инструментов, но основной сценарий этой версии — эмбеддинги. По данным карточки, версия 8B заняла первое место в мультиязычном рейтинге MTEB на 5 июня 2025 года с результатом 70,58. Для некоторых задач retrieval README отмечает снижение качества примерно на 1–5% без подходящей инструкции. Для работы с поддержкой Qwen3 требуется Transformers 4.51.0 или новее. Лицензия — Apache-2.0.

Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, разработанная командой Qwen. Это плотная архитектура Qwen3ForCausalLM с 7,6 млрд параметров, дообученная на базе Qwen/Qwen3-8B-Base для получения векторных представлений текста. Модель предназначена для семантического поиска и ранжирования, а также поддерживает классификацию, кластеризацию, поиск по коду и межъязыковой поиск. Модель поддерживает более 100 естественных и программных языков, обрабатывает длинные последовательности с контекстом до 40 960 токенов по метаданным и выдаёт эмбеддинги размерностью до 4096; README также сообщает о настройке выходной размерности от 32 до 4096. Можно задавать инструкции для конкретной задачи, языка или сценария. Модель рассчитана на получение векторов из текста; метаданные также отмечают возможности чата и интерфейс вызова инструментов, но основной сценарий этой версии — эмбеддинги. По данным карточки, версия 8B заняла первое место в мультиязычном рейтинге MTEB на 5 июня 2025 года с результатом 70,58. Для некоторых задач retrieval README отмечает снижение качества примерно на 1–5% без подходящей инструкции. Для работы с поддержкой Qwen3 требуется Transformers 4.51.0 или новее. Лицензия — Apache-2.0.

Это кросс-энкодерный переранжировщик steerrec, дообученный на базе BAAI/bge-reranker-v2-m3 с библиотекой Sentence Transformers. Он оценивает пары текстов одним числовым баллом, который можно использовать для переранжирования результатов поиска и семантического поиска; в README приведена оценка на наборах amazon_test и amazon_val. Модель имеет архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и принимает последовательности длиной до 512 токенов по README; метаданные каталога указывают контекст до 8194 токенов. Лицензия в предоставленных данных не указана.

EmbeddingGemma 300M — открытая модель для получения векторных представлений текста, разработанная Google DeepMind. Она построена на основе Gemma 3 с инициализацией T5Gemma и предназначена для задач семантического поиска и извлечения информации, классификации, кластеризации и вычисления семантического сходства. Модель содержит около 300 млн параметров и ориентирована на локальное использование на мобильных устройствах, ноутбуках и настольных компьютерах. Она принимает текстовые строки длиной до 2048 токенов и возвращает эмбеддинги размерностью 768. Благодаря Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Модель обучалась на данных объёмом около 320 млрд токенов, включая более 100 языков, веб-документы, код, технические материалы и синтетические данные для задач поиска, классификации и анализа тональности. К сильным сторонам относятся небольшой размер, мультиязычность, поддержка широкого спектра сценариев работы с текстовыми эмбеддингами и возможность эффективного развёртывания на устройствах с ограниченными ресурсами. Ограничением является максимальная длина входа 2048 токенов; активации модели не поддерживают float16, поэтому рекомендуется использовать float32 или bfloat16. Веса рассчитаны на применение с Sentence Transformers и реализацией Gemma 3 в Hugging Face Transformers. Модель распространяется по лицензии Gemma; условия использования определяются соответствующими Terms of Use Google.

Карточка модели OpenSite/forge на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-8B, поэтому описание составлено по ней. Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, разработанная командой Qwen. Это плотная архитектура Qwen3ForCausalLM с 7,6 млрд параметров, дообученная на базе Qwen/Qwen3-8B-Base для получения векторных представлений текста. Модель предназначена для семантического поиска и ранжирования, а также поддерживает классификацию, кластеризацию, поиск по коду и межъязыковой поиск. Модель поддерживает более 100 естественных и программных языков, обрабатывает длинные последовательности с контекстом до 40 960 токенов по метаданным и выдаёт эмбеддинги размерностью до 4096; README также сообщает о настройке выходной размерности от 32 до 4096. Можно задавать инструкции для конкретной задачи, языка или сценария. Модель рассчитана на получение векторов из текста; метаданные также отмечают возможности чата и интерфейс вызова инструментов, но основной сценарий этой версии — эмбеддинги. По данным карточки, версия 8B заняла первое место в мультиязычном рейтинге MTEB на 5 июня 2025 года с результатом 70,58. Для некоторых задач retrieval README отмечает снижение качества примерно на 1–5% без подходящей инструкции. Для работы с поддержкой Qwen3 требуется Transformers 4.51.0 или новее. Лицензия — Apache-2.0.

Это GGUF-конверсия многоязычной модели эмбеддингов Granite Embedding 311M Multilingual R2, разработанной IBM. Модель содержит 311 млн параметров и создаёт векторы размерности 768 для семантического поиска, извлечения документов, RAG, кластеризации и сравнения текстов; поддерживает контекст до 32 тыс. токенов и совместима с llama.cpp. В репозитории доступен вариант F16, ориентированный на сохранение качества.

Карточка модели lvandy/Qwen3-Embedding-8B на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-8B, поэтому описание составлено по ней. Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, разработанная командой Qwen. Это плотная архитектура Qwen3ForCausalLM с 7,6 млрд параметров, дообученная на базе Qwen/Qwen3-8B-Base для получения векторных представлений текста. Модель предназначена для семантического поиска и ранжирования, а также поддерживает классификацию, кластеризацию, поиск по коду и межъязыковой поиск. Модель поддерживает более 100 естественных и программных языков, обрабатывает длинные последовательности с контекстом до 40 960 токенов по метаданным и выдаёт эмбеддинги размерностью до 4096; README также сообщает о настройке выходной размерности от 32 до 4096. Можно задавать инструкции для конкретной задачи, языка или сценария. Модель рассчитана на получение векторов из текста; метаданные также отмечают возможности чата и интерфейс вызова инструментов, но основной сценарий этой версии — эмбеддинги. По данным карточки, версия 8B заняла первое место в мультиязычном рейтинге MTEB на 5 июня 2025 года с результатом 70,58. Для некоторых задач retrieval README отмечает снижение качества примерно на 1–5% без подходящей инструкции. Для работы с поддержкой Qwen3 требуется Transformers 4.51.0 или новее. Лицензия — Apache-2.0.

seansitter/bge-m3-safetensors — конвертированная версия многоязычной модели эмбеддингов BAAI/bge-m3, подготовленная для плотного извлечения признаков и инференса через transformers backend в vLLM. Модель основана на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров; заявленный контекст — 8194 токена. Репозиторий предоставляет веса в формате safetensors с именами параметров, совместимыми с указанным способом загрузки в vLLM; веса битово эквивалентны исходным, переобучения не было. Модель подходит для создания текстовых эмбеддингов, семантического поиска и вычисления сходства предложений на разных языках. В этой версии оставлены компоненты для плотных эмбеддингов, а вспомогательные головы для ColBERT и разреженного поиска исключены. Лицензия — MIT. Для запуска по описанному в карточке сценарию требуется vLLM с transformers backend и режимом pooling.

Luong23/e5-finetune-embedding — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-base, созданная для преобразования предложений и абзацев в плотные текстовые эмбеддинги размерности 768. В архитектуре используются XLM-RoBERTa, mean pooling и нормализация; близость векторов можно оценивать косинусным сходством. По метаданным модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов, а карточка указывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучающие примеры состоят из пар anchor-positive; в карточке приведён пример поиска по вьетнамским товарным запросам и описаниям, поэтому она подходит для семантического поиска по каталогу на вьетнамском языке. Вход и выход — текст и его векторное представление. Языковая поддержка унаследована от многоязычной базовой модели; конкретный полный перечень языков в предоставленных данных не приведён. Лицензия в метаданных и README не указана.

harrier-oss-v1-270m — разработанная Microsoft мультиязычная модель для получения плотных текстовых эмбеддингов. Она использует декодерную архитектуру Gemma 3 Text с пуллингом последнего токена и L2-нормализацией. Размер модели — 257 млн параметров по метаданным; размерность эмбеддингов — 640, максимальный контекст — 32 768 токенов. Модель предназначена для семантического поиска и извлечения документов, оценки сходства текстов, кластеризации, классификации, поиска параллельных фрагментов и ранжирования. Для адаптации эмбеддингов к сценарию README рекомендует добавлять к запросу краткую инструкцию; для документов инструкции не требуются. Модель обучалась контрастивным методом на мультиязычных данных, а вариант на 270 млн параметров дополнительно обучался с дистилляцией от более крупных моделей. Заявлена поддержка широкого набора языков, включая русский; перечисленные в карточке языки не исчерпывают весь список. Лицензия — MIT. README сообщает о высоких результатах на Multilingual MTEB v2, но воспроизведённые оценки могут немного различаться в зависимости от версий Transformers и PyTorch.

jina-embeddings-v2-small-en — англоязычная модель эмбеддингов, разработанная Jina AI. Она построена на архитектуре JinaBERT на базе BERT: энкодер предварительно обучен на C4, а затем модель дообучена на наборе Jina AI из более чем 400 миллионов пар предложений и сложных негативных примеров из разных областей. Модель преобразует текст в векторы для поиска по длинным документам, семантического сравнения текстов, ранжирования, рекомендаций и систем RAG. Контекст поддерживает до 8192 токенов благодаря двунаправленному варианту ALiBi; при обучении использовалась длина последовательности 512 токенов. Для получения эмбеддинга предложения или фрагмента текста README рекомендует применять mean pooling. Размер модели — около 32,4 млн параметров по метаданным. Компактный размер обеспечивает быстрое и экономное по памяти получение эмбеддингов. Модель предназначена для английского языка и не является мультиязычной. Для работы через Transformers может потребоваться параметр trust_remote_code=True; модель доступна в форматах PyTorch, Safetensors, ONNX и Core ML. Лицензия — Apache-2.0.

Карточка модели jainam02/qwen3-8b-mh-st3-v3-merged на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-8B, поэтому описание составлено по ней. Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, разработанная командой Qwen. Это плотная архитектура Qwen3ForCausalLM с 7,6 млрд параметров, дообученная на базе Qwen/Qwen3-8B-Base для получения векторных представлений текста. Модель предназначена для семантического поиска и ранжирования, а также поддерживает классификацию, кластеризацию, поиск по коду и межъязыковой поиск. Модель поддерживает более 100 естественных и программных языков, обрабатывает длинные последовательности с контекстом до 40 960 токенов по метаданным и выдаёт эмбеддинги размерностью до 4096; README также сообщает о настройке выходной размерности от 32 до 4096. Можно задавать инструкции для конкретной задачи, языка или сценария. Модель рассчитана на получение векторов из текста; метаданные также отмечают возможности чата и интерфейс вызова инструментов, но основной сценарий этой версии — эмбеддинги. По данным карточки, версия 8B заняла первое место в мультиязычном рейтинге MTEB на 5 июня 2025 года с результатом 70,58. Для некоторых задач retrieval README отмечает снижение качества примерно на 1–5% без подходящей инструкции. Для работы с поддержкой Qwen3 требуется Transformers 4.51.0 или новее. Лицензия — Apache-2.0.

OpenVINO/Qwen3-Embedding-0.6B-int8-ov — модель эмбеддингов, разработанная Qwen и преобразованная в формат OpenVINO IR. Она основана на Qwen3-Embedding-0.6B, а веса сжаты до INT8 с использованием NNCF в режиме INT8_ASYM. Модель предназначена для извлечения признаковых представлений текста и совместима с библиотеками Transformers и Optimum Intel. Модель подходит для семантического поиска, сопоставления запросов с документами, построения систем retrieval-augmented generation и других задач, где требуется сравнивать тексты по смыслу. Для запросов рекомендуется добавлять однопредложную инструкцию, описывающую задачу, тогда как для документов инструкции не требуются. В README приведён пример поиска релевантных фрагментов по веб-запросу. Указана максимальная длина входа 8192 токена. Формат OpenVINO IR и INT8-сжатие ориентированы на эффективный запуск, в том числе через Optimum Intel; требуется OpenVINO версии 2026.0.0 или выше и Optimum Intel 1.27.0 или выше. Языки, точный размер эмбеддингов и сведения о модальностях в карточке не указаны. Ограничения следует уточнять в исходной карточке Qwen3-Embedding-0.6B. Модель распространяется по лицензии Apache License 2.0.

Qwen3-Embedding-4B — модель эмбеддингов текста из семейства Qwen3, опубликованная в репозитории unsloth и дообученная на базе Qwen/Qwen3-4B-Base. Плотная архитектура Qwen3 насчитывает около 3,7 млрд параметров. Модель рассчитана на получение векторных представлений текста для поиска и ранжирования; метаданные также отмечают возможности генерации текста и сходства предложений. Модель поддерживает более 100 языков, понимает длинные тексты и принимает инструкции, помогающие настроить эмбеддинги под задачу. Контекст составляет до 40 960 токенов по метаданным, а README указывает 32 тыс.; размер выходного вектора можно задавать в диапазоне от 32 до 2560 измерений. Модель подходит для семантического и межъязыкового поиска, поиска по коду, классификации и кластеризации текстов. Модель распространяется под лицензией Apache-2.0. README рекомендует настраивать инструкции под сценарий и отмечает, что без инструкции на стороне запроса в задачах поиска качество может снижаться примерно на 1–5%; для многоязычных сценариев авторы советуют формулировать инструкции на английском. Для Transformers версии ниже 4.51.0 возможна ошибка загрузки с ключом qwen3.

LostGentoo/Qwen3-Embedding-8B-AWQ — квантованная версия модели Qwen3-Embedding-8B, разработанная LostGentoo на базе модели Qwen от Qwen. Это модель для построения векторных представлений текста и задач семантического сходства, поиска и retrieval-сценариев. Она поддерживает английский и китайский языки, использует архитектуру Qwen3ForCausalLM с преобразованием в embedding- или pooling-режим и рассчитана на контекст до 8192 токенов. Модель применяет 4-битное AWQ-квантование W4A16: 252 линейных слоя хранятся в формате INT4, а embed_tokens и RMSNorm — в BF16. Размер эмбеддинга составляет 4096, при этом базовая модель поддерживает Matryoshka Representation Learning с размерностями от 32 до 4096. В конфигурации sentence-transformers используются pooling по последнему токену и L2-нормализация. Размер модели на диске около 4,8 ГБ против примерно 15 ГБ у версии BF16, что снижает требования к памяти. По приведённым оценкам MTEB-lite, квантование сохраняет большую часть качества исходной модели: для STSBenchmark Spearman составляет 0,881 против 0,884 у BF16, а для SciFact nDCG@10 — 0,777 против 0,787; корреляция оценок AWQ и BF16 равна 0,996. Ограничения включают возможную небольшую потерю качества из-за квантования и необходимость корректной настройки pooling-режима при использовании через vLLM. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

optimum-intel-internal-testing/bge-small-en-v1.5 — это англоязычная модель векторного представления текста из семейства BGE, разработанного Beijing Academy of Artificial Intelligence (BAAI); репозиторий с указанным идентификатором является зеркалом BAAI/bge-small-en-v1.5. Модель предназначена для feature extraction и dense retrieval: построения эмбеддингов предложений и документов, семантического поиска, сравнения сходства текстов, кластеризации и использования в системах retrieval-augmented generation. Модель основана на BERT-подобной архитектуре, содержит около 33,4 млн параметров, формирует эмбеддинги размерности 384 и поддерживает последовательности длиной до 512 токенов. Она работает с английским текстом, поддерживает PyTorch, Transformers, Sentence-Transformers и ONNX. Версия v1.5 улучшает распределение оценок сходства и сохраняет эффективную работу без обязательной инструкции для запроса; для поиска коротких запросов по длинным документам разработчик рекомендует добавлять инструкцию к запросу, но не к документам. Сильные стороны модели — небольшой размер, сравнительно низкие требования к вычислительным ресурсам, удобство локального развертывания и конкурентные результаты для модели малого масштаба на MTEB. Ограничения — поддержка только английского языка, ограничение контекста 512 токенами и то, что модель создаёт эмбеддинги, а не генерирует текст; для наиболее точного переранжирования результатов разработчик рекомендует отдельную cross-encoder-модель BGE Reranker. Указана лицензия MIT, допускающая коммерческое использование без платы.

EmbeddingGemma — компактная модель эмбеддингов Google DeepMind с 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации. Модель обучалась на текстах более чем на 100 языках и рассчитана на запуск на устройствах с ограниченными ресурсами, включая телефоны и ноутбуки. Модель принимает текст длиной до 2048 токенов и выдаёт вектор размерности 768; благодаря Matryoshka Representation Learning его можно сократить до 512, 256 или 128 измерений с последующей нормализацией. Подходит для поиска документов и кода по запросу, обнаружения дубликатов и подбора материалов для систем вопросов и ответов. Возможны ошибки при понимании языковых нюансов и неоднозначности; качество зависит от охвата обучающих данных. Лицензия — Gemma; применяются условия использования Gemma и политика запрещённого использования Google.

Giga Embeddings 0826 3B GGUF — модель для получения текстовых эмбеддингов, основанная на ai-sage/Giga-Embeddings-instruct-3B-0826. GGUF-версии независимо конвертированы и квантованы командой ai-babai; это не официальный релиз ai-sage. Модель ориентирована прежде всего на русский и английский языки и предназначена для локального запуска через llama.cpp и Ollama. Модель подходит для семантического поиска, RAG, оценки сходства текстов, кластеризации, классификации и retrieval-сценариев. Она использует двунаправленную архитектуру, возвращает нормализованные эмбеддинги размерностью 2048 и применяет mean pooling, заданный в метаданных GGUF. Для поиска рекомендуется добавлять инструкцию к запросам, а документы кодировать как обычный текст; для симметричных задач следует использовать одинаковую инструкцию для обеих сторон или не использовать инструкции. Доступны варианты BF16, Q8_0, Q6_K и Q4_K_M. Q8_0 указан как рекомендуемый баланс качества и размера, BF16 является эталонной высокоточной версией, а Q4_K_M — экспериментальным облегчённым вариантом. Модель предназначена только для эмбеддингов и не генерирует текст. Приведённые авторами показатели MTEB относятся к исходной BF16-модели, тогда как полный независимый прогон MTEB для GGUF-версий не выполнялся. Модель распространяется по лицензии MIT.

Giga-Embeddings-instruct-3B-0826 — двуязычная модель текстовых эмбеддингов из серии Giga-Embeddings. Она основана на предобученной модели разработчика с архитектурой Qwen3, адаптированной для двунаправленного encoder-style внимания, и дообучена контрастивной функцией потерь InfoNCE. Модель содержит около 3,2 млрд параметров, формирует плотные векторы размерностью 2048 и поддерживает контекст до 8192 токенов. Модель предназначена для поиска по смыслу, сравнения предложений и абзацев, классификации и кластеризации на русском и английском языках. В асимметричном поиске к запросу следует добавлять инструкцию задачи, оставляя документы без инструкции; для симметричного сравнения инструкцию можно опустить. Для корректной работы нужны усреднение непустых токенов и L2-нормализация, после чего векторы сравнивают по косинусной близости. Репозиторий предоставляет веса в формате safetensors; лицензия — MIT.