I.12Рекомендации и персонализация

Карточка модели acul21/harrier-oss-v1-0.6b на Hugging Face совпадает с карточкой microsoft/harrier-oss-v1-0.6b, поэтому описание составлено по ней. harrier-oss-v1-0.6b — разработанная Microsoft мультиязычная модель эмбеддингов текста на архитектуре Qwen3 с 507,9 млн параметров. Она использует pooling по последнему непустому токену и L2-нормализацию, формируя плотные векторы размерности 1024. Максимальная длина контекста — 32 768 токенов. Модель предназначена для поиска и ранжирования текстов, кластеризации, оценки семантического сходства, классификации и поиска параллельных текстов. Для запросов рекомендуется задавать краткую инструкцию, описывающую задачу; для документов инструкция не требуется. Семейство обучалось контрастивным методом на мультиязычных данных, а варианты 270M и 0.6B дополнительно дистиллированы из более крупных моделей эмбеддингов. В README заявлены высокие результаты на Multilingual MTEB v2. Поддерживаются многие языки, включая русский, английский, китайский, японский и ряд европейских и азиатских языков. Модель распространяется в формате Safetensors по лицензии MIT. Качество зависит от формулировки инструкции для запроса; небольшие различия результатов могут возникать из-за версий Transformers и PyTorch.

jina-embeddings-v3 — мультиязычная многозадачная модель текстовых эмбеддингов, разработанная Jina AI на основе архитектуры Jina-XLM-RoBERTa. Она преобразует текст в векторы для поиска, сопоставления и анализа сходства. Модель содержит пять LoRA-адаптеров для разных типов задач и поддерживает входные последовательности длиной до 8192 токенов благодаря Rotary Position Embeddings. Размер эмбеддинга можно выбирать из вариантов от 32 до 1024 измерений. Модель предназначена для векторизации запросов и документов в поисковых системах, кластеризации, классификации и оценки сходства текстов. Для асимметричного поиска предусмотрены отдельные режимы для запросов и документов; другие режимы ориентированы на разделение текстов, классификацию и сопоставление. Настройка модели охватывает 30 языков, включая русский, а базовая модель поддерживает 100 языков. Для получения векторов на уровне предложения или абзаца при прямой интеграции требуется усреднение представлений токенов. Модель доступна в форматах PyTorch, Safetensors и ONNX; для использования через Transformers указана библиотека Transformers. Лицензия CC-BY-NC-4.0 ограничивает коммерческое применение. В README также отмечено, что исправлена ошибка предыдущей версии кода, при которой усечение Matryoshka-векторов после нормализации давало ненормализованные векторы.

KaLM-embedding-multilingual-mini-instruct-v1 — мультиязычная модель эмбеддингов из серии KaLM-Embedding, разработанной командой HIT-TMG. Она дообучена на базе Qwen/Qwen2-0.5B с использованием масштабного слабонаблюдаемого предварительного обучения и обучения с учителем. Модель предназначена для преобразования текстов в векторы, оценки сходства предложений и поиска по смыслу; версия instruct рассчитана на сценарии, где запросы и инструкции помогают уточнить задачу. Модель содержит около 494 млн параметров, использует плотную архитектуру Qwen2 и формат весов safetensors. Заявленная длина контекста — 131 072 токена. В README приведены оценки серии KaLM-Embedding на наборах C-MTEB и MTEB, а также сравнение с другими моделями эмбеддингов. Лицензия — MIT. Для запуска авторы рекомендуют transformers версии 4.37.0 или новее.

KaLM-Embedding-V2.5 — компактная мультиязычная модель эмбеддингов семейства KaLM, разработанная командой HITsz-TMG. Она предназначена для преобразования текстов в векторы и поддерживает поиск и извлечение документов, ранжирование, классификацию, кластеризацию, оценку семантического сходства и классификацию пар текстов. Для асимметричного поиска предусмотрены инструкции для запросов и документов; в sentence-transformers доступны encode_query и encode_document с шаблоном запроса по умолчанию. Модель построена на плотной архитектуре Qwen2 с двунаправленным вниманием и mean pooling. Размер — 494 млн параметров, размерность эмбеддингов — 896; поддерживаются сокращённые размерности 512, 256, 128 и 64. README указывает максимум 32 тыс. входных токенов, а метаданные — контекстное окно 131 072 токена. Обучение включало слабоконтролируемое предобучение, контролируемое дообучение и контрастивную дистилляцию. Указаны английский и китайский языки. Лицензия — Apache-2.0. Модель ориентирована на построение компактных векторных представлений и заявлена авторами как конкурентоспособная с более крупными моделями сопоставимого назначения. Метаданные связывают её с базовыми репозиториями HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v2 и Qwen/Qwen2.5-0.5B. Для использования с Transformers требуется версия 4.37.0 или новее; README также описывает поддержку sentence-transformers и vLLM.

AIArchiveInfo/Qwen3-Embedding-0.6B — побитовая архивная копия Qwen/Qwen3-Embedding-0.6B, разработанной командой Qwen. Это плотная модель семейства Qwen3 с 507,6 млн параметров, предназначенная для преобразования текстов в векторные представления и сравнения их семантической близости. Она подходит для поиска по тексту и коду, классификации и кластеризации текстов, поиска параллельных фрагментов на разных языках и построения семантического поиска. Модель поддерживает более 100 языков, контекст до 32 768 токенов и настраиваемую размерность эмбеддингов от 32 до 1024. Она учитывает инструкции, заданные для конкретной задачи; исходная карточка рекомендует формулировать их на английском в многоязычных сценариях. Для работы с архитектурой Qwen3 требуется Transformers версии 4.51.0 или новее. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0; согласно карточке, эта копия не обучалась и не изменялась.

furiosa-ai/Qwen3-Embedding-0.6B — текстовая модель эмбеддингов семейства Qwen3, опубликованная FuriosaAI вместе с пакетом Furiosa Executable Bundle для запуска на ускорителе RNGD через Furiosa-LLM. Модель основана на Qwen/Qwen3-Embedding-0.6B и дообучена для получения плотных векторных представлений текста. Её размер — 507,6 млн параметров, архитектура — плотный трансформер Qwen3, контекст — до 32 768 токенов. Модель предназначена для семантического поиска, извлечения релевантных документов и сопоставления сходства текстов. Поддерживает многоязычные сценарии и Matryoshka Representation Learning: размерность эмбеддингов можно уменьшать с помощью параметра dimensions. Принимает текст и возвращает векторы. Репозиторий предоставляет веса в safetensors и запуск через Furiosa-LLM; также README указывает совместимость с Sentence Transformers, vLLM и Transformers. Квантизация не применяется: указана точность BF16. Лицензия — Apache 2.0.

Карточка модели npario/Qwen3-Embedding-0.6B-8bit на Hugging Face совпадает с карточкой mlx-community/Qwen3-Embedding-0.6B-8bit, поэтому описание составлено по ней. Qwen3-Embedding-0.6B-8bit — 8-битная версия модели для создания текстовых эмбеддингов, подготовленная mlx-community в формате MLX из Qwen/Qwen3-Embedding-0.6B. Это плотная модель семейства Qwen3 примерно с 508 млн параметров, предназначенная для извлечения признаков текста и семантического поиска. Она подходит для построения векторных представлений запросов и документов, поиска похожих текстов и систем RAG. Модель поддерживает контекст до 32 768 токенов и распространяется по лицензии Apache-2.0. Карточка указывает на преобразование в MLX, а метаданные связывают репозиторий с базовой моделью Qwen/Qwen3-Embedding-0.6B. Хотя каталог также помечает архитектуру тегом text-generation, основное пользовательское назначение — получение эмбеддингов, что соответствует pipeline_tag feature-extraction. В README не приведены дополнительные сведения о качестве или ограничениях; применимость зависит от языка и предметной области входных текстов.

Qwen3-Embedding-0.6B-auto — текстовая модель для создания эмбеддингов, опубликованная в репозитории michaelfeil и основанная на Qwen/Qwen3-0.6B-Base. Это дообученная плотная архитектура Qwen3 примерно с 508 млн параметров; она принимает текст и возвращает векторы размерностью от 32 до 1024. Модель поддерживает контекст до 32 768 токенов и более 100 языков, включая языки программирования. Модель предназначена для поиска и извлечения текстов и кода, сравнения смысловой близости, классификации, кластеризации и поиска параллельных текстов. Она учитывает инструкции, заданные для конкретной задачи, и позволяет настраивать размер вектора. Для работы с архитектурой Qwen3 требуется Transformers версии 4.51.0 или новее; без инструкции на стороне запроса качество поиска в некоторых сценариях может снизиться примерно на 1–5%. Лицензия — Apache-2.0.

Карточка модели ablllu/Qwen3-Embedding-4B на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-4B, поэтому описание составлено по ней. Qwen3-Embedding-4B — мультиязычная модель для построения текстовых эмбеддингов из семейства Qwen3, разработанная командой Qwen. Это плотная модель на базе Qwen3-4B-Base, дообученная для задач поиска и сравнения текстов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Модель подходит для семантического поиска по документам и коду, оценки сходства предложений, классификации и кластеризации текстов, а также поиска соответствий между языками. Она поддерживает более 100 языков, контекст до 40 960 токенов по метаданным и до 32 тысяч токенов в описании модели. Размер эмбеддинга можно настраивать от 32 до 2560 измерений; также поддерживаются инструкции, настраивающие представление под задачу.

Карточка модели m-hasnain-sabqi/Qwen3-Embedding-4B на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-4B, поэтому описание составлено по ней. Qwen3-Embedding-4B — мультиязычная модель для построения текстовых эмбеддингов из семейства Qwen3, разработанная командой Qwen. Это плотная модель на базе Qwen3-4B-Base, дообученная для задач поиска и сравнения текстов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Модель подходит для семантического поиска по документам и коду, оценки сходства предложений, классификации и кластеризации текстов, а также поиска соответствий между языками. Она поддерживает более 100 языков, контекст до 40 960 токенов по метаданным и до 32 тысяч токенов в описании модели. Размер эмбеддинга можно настраивать от 32 до 2560 измерений; также поддерживаются инструкции, настраивающие представление под задачу.

michaelfeil/Qwen3-Embedding-4B-auto — текстовая embedding-модель семейства Qwen3, представленная в виде дообучения Qwen/Qwen3-4B-Base. Она преобразует текст в векторы для поиска и сравнения текстов, извлечения информации, кластеризации, классификации и поиска соответствий между языками; поддерживаются также сценарии поиска по коду. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает последовательности длиной до 40 960 токенов согласно метаданным. Размер выходного embedding можно задавать в диапазоне от 32 до 2560 измерений. Карточка заявляет поддержку более 100 естественных языков и языков программирования, а также настройку инструкций под задачу; для многоязычных сценариев рекомендуются инструкции на английском языке. Модель предназначена для прикладного использования в поисковых и аналитических системах. Для получения векторов требуется библиотека Transformers версии 4.51.0 или новее: в более ранних версиях возможна ошибка распознавания архитектуры Qwen3. Лицензия — Apache-2.0.

Qwen3-Embedding-4B-mxfp8 — текстовая модель для получения эмбеддингов, опубликованная mlx-community и преобразованная в формат MLX из Qwen/Qwen3-Embedding-4B с помощью mlx-embeddings 0.0.3. Она предназначена для семантического поиска, сравнения предложений и извлечения признаков из текста; эмбеддинги можно использовать, например, в поисковых системах и системах подбора релевантных документов. Модель основана на плотной архитектуре Qwen3, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. Для запуска в экосистеме MLX README указывает библиотеку mlx-embeddings.

Qwen3-Embedding-8B — модель текстовых эмбеддингов семейства Qwen3, разработанная командой Qwen и опубликованная в формате safetensors. Она основана на Qwen/Qwen3-8B-Base и дообучена для преобразования текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Модель содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов по метаданным; в README указана длина 32K токенов. Модель предназначена для семантического поиска по текстам и коду, извлечения информации, классификации и кластеризации текстов, поиска параллельных текстов и других задач, основанных на сходстве. Она поддерживает более 100 языков, настраиваемую размерность выходного вектора от 32 до 4096 и инструкции, задающие контекст задачи. В README для multilingual MTEB приведён результат 70,58 по состоянию на 5 июня 2025 года. Для работы с Transformers требуется версия 4.51.0 или новее: более ранние версии могут выдавать ошибку при загрузке архитектуры Qwen3. Модель распространяется по лицензии Apache-2.0; крупный размер может требовать значительных вычислительных ресурсов.

vSR Embeddings v1 Text Large — мультиязычная плотная модель эмбеддингов от Xunzhuo, дообученная на базе Qwen/Qwen3-Embedding-4B и предназначенная для семантического поиска, сопоставления текстов, кластеризации и векторной маршрутизации запросов. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3 и доступна через Sentence Transformers. Контекст модели — до 40 960 токенов; для длинных документов README описывает разбиение на фрагменты по 320 токенов с перекрытием 64 токена и оценку по максимальному сходству запроса с фрагментами. Модель поддерживает мультиязычные тексты и Matryoshka-векторы размерностью 2560, 1024, 512, 256, 128 или 64, позволяя выбирать баланс между качеством поиска и стоимостью хранения и обработки. В README приведены результаты MTEB Multilingual v2: среднее 69,45 по задачам и 60,86 по типам задач; показатели производительности на одном MI300X являются ориентиром, а не гарантией для других конфигураций. Модель выдаёт векторы для поиска и сравнения, а не ранжирует пары текстов как cross-encoder и не является классификатором безопасности на уровне последовательности. Лицензия — Apache-2.0.

all-MiniLM-L12-v2 — модель Sentence Transformers на архитектуре BERT, размещённая пользователем sheldonrobinson. Она кодирует предложения и короткие абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель дообучена контрастивным обучением на более чем миллиарде пар предложений, используя microsoft/MiniLM-L12-H384-uncased; поддерживает текстовый ввод и выдаёт векторные представления. По README, вход длиннее 256 word pieces обрезается; метаданные указывают контекст до 512 токенов. Лицензия — Apache-2.0.

all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

onnx-community/bge-m3-ONNX — ONNX-версия многоязычной модели BAAI/bge-m3, разработанной проектом FlagOpen и автоматически сконвертированной сообществом onnx-community. Модель предназначена для обработки текстов, построения эмбеддингов, семантического сходства и информационного поиска, включая сценарии RAG. Она поддерживает плотный поиск (dense retrieval), разреженный поиск (sparse retrieval) и многовекторный поиск (multi-vector retrieval), что позволяет применять гибридные стратегии, например совместно с BM25. Модель рассчитана более чем на 100 языков, поддерживает входы от коротких предложений до документов длиной до 8192 токенов и формирует векторы размерности 1024. ONNX-формат и интеграция с Transformers.js подходят для запуска в совместимых JavaScript-средах. Сильные стороны — многоязычность, единая поддержка нескольких режимов поиска и работа с длинным контекстом; для повышения точности README рекомендует использовать гибридный поиск и последующее переранжирование cross-encoder-моделью. Количество параметров, требования к ресурсам и детальные ограничения в README не указаны. Лицензия — MIT.

gpahal/bge-m3-onnx-int8 — это оптимизированная и квантизованная до int8 версия модели BAAI/bge-m3, подготовленная сообществом для запуска через ONNX Runtime. Модель предназначена для получения эмбеддингов и поддерживает многоязычные сценарии, семантическое сравнение предложений, извлечение признаков и гибридный поиск. Модель одновременно формирует три представления текста: плотное dense, разреженное sparse и ColBERT-представление. Плотные и ColBERT-эмбеддинги нормализуются по умолчанию, как в исходной библиотеке FlagEmbedding; разреженное представление можно преобразовать в словарь весов токенов. Для инференса используются ONNX Runtime, токенизация через Hugging Face Transformers и интеграция с Optimum. В модели применены оптимизации графа уровня O2, а вычисления рассчитаны на CPU; точный размер модели, длина контекста и перечень поддерживаемых языков в README не указаны. К сильным сторонам относятся объединение dense-, sparse- и ColBERT-представлений в одном запуске, многоязычная ориентация, снижение вычислительных требований благодаря int8-квантизации и совместимость с ONNX Runtime. Ограничениями являются необходимость самостоятельно обрабатывать разные типы выходов и то, что изменение нормализации или набора представлений требует повторного экспорта модели. Модель распространяется по лицензии MIT.

furiosa-ai/e5-mistral-7b-instruct — пакет модели эмбеддингов E5-Mistral-7B-Instruct, подготовленный FuriosaAI для запуска с Furiosa-LLM на ускорителях FuriosaAI RNGD. В репозитории находятся веса upstream-модели и Furiosa Executable Bundle; сама модель — дообученная плотная decoder-модель на основе Mistral-7B-v0.1 с архитектурой MistralModel и 7,1 млрд параметров. Модель преобразует текст в плотные векторы размерностью 4096 с pooling по последнему токену и L2-нормализацией. Она рассчитана на семантический поиск, сопоставление запросов с документами и оценку семантического сходства. Модель понимает инструкции для настройки задачи: к запросам рекомендуется добавлять краткое описание задачи в формате Instruct/Query, а к документам инструкцию не добавлять. Контекст составляет 32 768 токенов; хотя обучение включало многоязычные данные, upstream-карточка рекомендует модель прежде всего для английского языка. Веса не квантизированы, используются upstream-веса FP16. Для запуска на RNGD применяется tensor parallelism с размером 8, соответствующим одной карте. Также доступны Transformers и Sentence Transformers. Лицензия — MIT.

E5-mistral-7b-instruct — текстовая модель эмбеддингов, созданная командой авторов статьи «Improving Text Embeddings with Large Language Models». Это дообученная версия Mistral-7B-v0.1 с 32 слоями и размерностью эмбеддингов 4096; число параметров — 7,1 млрд. Модель принимает текст и преобразует его в векторы для поиска и сравнения текстов. Она поддерживает контекст до 32 768 токенов, однако авторы не рекомендуют подавать входы длиннее 4096 токенов. Модель предназначена для получения эмбеддингов с инструкциями, задающими цель поиска или сравнения. Инструкцию следует добавлять к запросу, но не к документу. Примеры сценариев — семантический поиск, ранжирование passage по запросу и оценка сходства предложений. Модель обучена на смеси многоязычных наборов данных, но ориентирована прежде всего на английский; в некоторых многоязычных сценариях она уступает multilingual-e5-large. Модель распространяется по лицензии MIT. Для воспроизводимости результатов учитывайте, что версии Transformers и PyTorch могут вызывать небольшие различия в оценках.

E5-Mistral-7B-Instruct-Embedding-GGUF — модель для создания текстовых эмбеддингов, основанная на intfloat/e5-mistral-7b-instruct. Модель разработана intfloat, а GGUF-квантизация выполнена Second State Inc. Она предназначена для задач семантического поиска, сопоставления текстов, кластеризации и построения retrieval-систем. В README указана поддержка английского языка и текстовая модальность. Модель доступна в нескольких вариантах квантизации GGUF с разрядностью от 2 до 8 бит, а также в формате f16; размер файлов составляет примерно от 2,72 до 14,5 ГБ. Рекомендуемыми названы варианты Q4_K_M, Q5_K_M и Q5_K_S, обеспечивающие баланс между размером и потерей качества. Контекстное окно — 4096 токенов. Для запуска через LlamaEdge требуется версия 0.8.2 или новее и шаблон prompt типа embedding. Более сильная квантизация уменьшает размер и требования к ресурсам, но может заметно снижать качество эмбеддингов; для малых вариантов в README отмечены существенные потери качества. Лицензия — MIT.

Карточка модели h2oai/embeddinggemma-300m на Hugging Face совпадает с карточкой michaelfeil/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная мультиязычная модель эмбеддингов от Google DeepMind на основе текстовой архитектуры Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы и предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации. Модель содержит 302,8 млн параметров, принимает текст длиной до 2048 токенов и выдаёт эмбеддинги размером 768, 512, 256 или 128 измерений с помощью Matryoshka Representation Learning. Обучалась на данных более чем из 100 языков и рассчитана в том числе на запуск на мобильных устройствах и компьютерах с ограниченными ресурсами. Подходит для поиска документов и кода по запросам, поиска материалов для систем вопросов и ответов, обнаружения дубликатов, тематической группировки текстов и классификации по заданным категориям. Для использования предусмотрена библиотека Sentence Transformers. Лицензия — Gemma; применяются условия использования и политика допустимого использования Gemma. Качество зависит от охвата и особенностей обучающих данных. Модель может хуже улавливать языковые нюансы, сарказм и переносный смысл; возможны смещения в эмбеддингах.

EmbeddingGemma — компактная мультиязычная модель эмбеддингов от Google DeepMind на основе текстовой архитектуры Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы и предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации. Модель содержит 302,8 млн параметров, принимает текст длиной до 2048 токенов и выдаёт эмбеддинги размером 768, 512, 256 или 128 измерений с помощью Matryoshka Representation Learning. Обучалась на данных более чем из 100 языков и рассчитана в том числе на запуск на мобильных устройствах и компьютерах с ограниченными ресурсами. Подходит для поиска документов и кода по запросам, поиска материалов для систем вопросов и ответов, обнаружения дубликатов, тематической группировки текстов и классификации по заданным категориям. Для использования предусмотрена библиотека Sentence Transformers. Лицензия — Gemma; применяются условия использования и политика допустимого использования Gemma. Качество зависит от охвата и особенностей обучающих данных. Модель может хуже улавливать языковые нюансы, сарказм и переносный смысл; возможны смещения в эмбеддингах.

EmbeddingGemma — компактная модель эмбеддингов текста от Google DeepMind на 302,8 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы размерностью 768; благодаря Matryoshka Representation Learning вектор можно сократить до 512, 256 или 128 измерений с последующей нормализацией. Модель принимает текст с контекстом до 2048 токенов и предназначена для запуска в том числе на телефонах, ноутбуках и настольных компьютерах с ограниченными ресурсами. Основные сценарии — семантический поиск и извлечение документов, сравнение предложений, классификация и кластеризация текстов, поиск кода по запросам на естественном языке, а также подбор материалов для систем ответов на вопросы и проверки фактов. Модель обучалась на данных более чем 100 языков, включая веб-тексты, код и техническую документацию. Для использования авторы рекомендуют Sentence Transformers с Gemma 3 из Transformers; в репозитории также представлены форматы ONNX, OpenVINO, PyTorch, Safetensors и TensorFlow. Качество зависит от охвата и смещений обучающих данных; модель может хуже улавливать тонкие языковые нюансы, сарказм и переносный смысл. Лицензия — Gemma; при использовании необходимо соблюдать условия Gemma и ограничения политики допустимого использования.

embeddinggemma-300m-GGUF — это GGUF-версия мультиязычной модели эмбеддингов Google EmbeddingGemma 300M, разработанной Google и преобразованной сообществом cstr без дополнительного обучения, дообучения или изменения архитектуры. Модель предназначена для семантического поиска, retrieval, сравнения текстов по смыслу и других задач feature extraction; поддерживает интеграцию с CrispEmbed и Ollama-совместимыми средами. Модель основана на трансформере Gemma 3 с 300 млн параметров и двунаправленным вниманием. Она использует mean pooling, плотную проекцию 768→3072→768 и L2-нормализацию, формируя эмбеддинги размерности 768. Поддерживается более 100 языков, максимальная длина контекста составляет 2048 токенов. Доступны варианты в форматах F32, Q8_0, Q5_K и Q4_K; F32 обеспечивает наибольшую точность, а квантованные версии требуют меньше памяти. Q8_0 и Q5_K рекомендуются при повышенных требованиях к близости результатов к исходной модели, тогда как Q4_K может давать небольшое снижение качества. Сильные стороны модели — компактный размер, мультиязычность, возможность локального запуска и широкий выбор квантований. Ограничения включают зависимость качества от уровня квантования и необходимость учитывать совместимость с GGUF- и Ollama-совместимыми runtime; модель предназначена для получения эмбеддингов, а не для генерации текста. Распространяется на условиях лицензии Gemma, без предоставления прав сверх условий лицензии исходной модели.

EmbeddingGemma — компактная модель эмбеддингов на 300 млн параметров от Google DeepMind, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, извлечения информации, оценки сходства, классификации и кластеризации. Модель подходит для поиска документов и кода, систем вопросов и ответов и проверки фактов. Модель обучена на данных более чем из 100 языков и рассчитана на запуск на устройствах с ограниченными ресурсами, включая телефоны и компьютеры. Максимальная длина входа — 2048 токенов; стандартный размер выходного вектора — 768 измерений, также доступны укороченные варианты на 512, 256 и 128 измерений с помощью Matryoshka Representation Learning. Для работы предусмотрена библиотека Sentence Transformers. Качество эмбеддингов зависит от охвата и особенностей обучающих данных; модель может хуже передавать языковые нюансы, сарказм и переносный смысл, а также наследовать смещения данных. Условия использования определяются лицензией Gemma и связанными с ней правилами Google.

F2LLM-v2-1.7B — многоязычная модель эмбеддингов из семейства F2LLM-v2, разработанная CodeFuse AI. Она основана на плотной архитектуре Qwen3 и дообучена на базе codefuse-ai/F2LLM-v2-1.7B-Preview. Модель содержит 1,7 млрд параметров, принимает текст и формирует векторные представления; контекст — до 40 960 токенов. Модель предназначена для поиска по смыслу, ранжирования документов и запросов, оценки семантического сходства, кластеризации и поиска параллельных текстов. Она поддерживает более 200 языков, особенно ориентирована на языки с ограниченными обучающими ресурсами. Поддержка Matryoshka Representation Learning позволяет сокращать размер эмбеддингов для ускорения векторного поиска и экономии памяти. README сообщает о высоких результатах семейства на широком наборе тестов MTEB. Модель распространяется под лицензией Apache-2.0. Для поиска и ранжирования README рекомендует добавлять инструкцию к запросу, но не к документам; для сокращённых эмбеддингов нормализацию следует выполнять после усечения. Модель выдаёт эмбеддинги, а не готовые ответы на запросы.

F2LLM-v2-8B — многоязычная модель эмбеддингов из семейства F2LLM-v2, представленная CodeFuse AI. Это дообученная версия предварительной модели F2LLM-v2-8B-Preview на основе архитектуры Qwen3; она содержит 7,6 млрд параметров и рассчитана на извлечение признаков из текста. Модель принимает текст и выдаёт векторные представления, которые можно использовать для семантического поиска, ранжирования и сопоставления текстов. Семейство обучено на составном наборе из 60 млн отобранных общедоступных примеров и поддерживает более 200 языков, уделяя особое внимание языкам с малым объёмом ресурсов. Карточка сообщает результаты уровня state of the art на ряде бенчмарков MTEB. Модель поддерживает инструкции для запросов; обучение с Matryoshka Representation Learning позволяет сокращать размер эмбеддингов для экономии памяти и ускорения векторного поиска. Длина контекста — 40 960 токенов. Использовать можно через Transformers и Sentence Transformers. Лицензия — Apache-2.0.

Карточка модели Ccre/gemma-embedding-model на Hugging Face совпадает с карточкой michaelfeil/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная мультиязычная модель эмбеддингов от Google DeepMind на основе текстовой архитектуры Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы и предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации. Модель содержит 302,8 млн параметров, принимает текст длиной до 2048 токенов и выдаёт эмбеддинги размером 768, 512, 256 или 128 измерений с помощью Matryoshka Representation Learning. Обучалась на данных более чем из 100 языков и рассчитана в том числе на запуск на мобильных устройствах и компьютерах с ограниченными ресурсами. Подходит для поиска документов и кода по запросам, поиска материалов для систем вопросов и ответов, обнаружения дубликатов, тематической группировки текстов и классификации по заданным категориям. Для использования предусмотрена библиотека Sentence Transformers. Лицензия — Gemma; применяются условия использования и политика допустимого использования Gemma. Качество зависит от охвата и особенностей обучающих данных. Модель может хуже улавливать языковые нюансы, сарказм и переносный смысл; возможны смещения в эмбеддингах.