I.12Рекомендации и персонализация

Карточка модели pashaa/bge-base-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

RinKana/bge-base-en-v1.5-afterimage-v.0.1 — англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные текстовые векторы размерности 768 для поиска и сравнения по смыслу. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; сходство векторов можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, извлечения релевантных фрагментов и подбора ответа к контексту диалога. Для обучения использовались 4 744 примера с якорным текстом, положительными и отрицательными парами; в README приведена оценка retrieval на наборе gap-to-candidate-eval. Репозиторий содержит веса safetensors и рассчитан на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

BAAI/bge-large-en — англоязычная модель плотных текстовых эмбеддингов из семейства BGE (BAAI General Embedding), разработанного Beijing Academy of Artificial Intelligence (BAAI). Она кодирует текст в векторы для семантического поиска, извлечения документов, классификации и кластеризации, а также для поиска контекста в системах с векторными базами данных и RAG. Модель построена на архитектуре BERT и содержит около 433,9 млн параметров; принимает текстовые последовательности длиной до 512 токенов и выдаёт векторы. Для поиска по короткому запросу и длинным документам README рекомендует добавлять к запросу инструкцию. В карточке также рекомендована более новая версия bge-large-en-v1.5: у исходной модели распределение оценок сходства может быть смещено, поэтому абсолютный порог сходства следует выбирать по данным конкретной задачи. Модель распространяется по лицензии MIT.

Карточка модели katanemo/bge-large-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. 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.

Xenova/bge-large-en-v1.5 — модель векторных представлений текста, основанная на BAAI/bge-large-en-v1.5, разработанной BAAI. Репозиторий содержит ONNX-веса, адаптированные для работы с библиотекой Transformers.js и JavaScript-приложениями. Модель предназначена для преобразования предложений и документов в эмбеддинги размерностью 1024. Её можно применять для семантического поиска, retrieval-сценариев, сопоставления текстов и ранжирования документов по косинусному сходству. Для поиска рекомендуется добавлять к запросу инструкцию «Represent this sentence for searching relevant passages:». Поддерживаются пакетное вычисление эмбеддингов, mean pooling и нормализация векторов. К сильным сторонам относятся готовность к использованию в средах, совместимых с Transformers.js, формат ONNX и возможность выполнять вычисления непосредственно из JavaScript. По имеющимся данным, модель ориентирована на английский язык, однако сведения о точной архитектуре, количестве параметров, длине контекста, производительности и ограничениях не приведены. Лицензия в README не указана.

CompendiumLabs/bge-large-en-v1.5-gguf — набор квантованных и неквантованных embedding-моделей в формате GGUF, созданный Compendium Labs на основе исходной модели BAAI/bge-large-en-v1.5. Модель предназначена для преобразования текстов в векторные представления, которые можно использовать для семантического поиска, сравнения текстов, кластеризации и других задач, основанных на эмбеддингах. Модель рассчитана на запуск через llama.cpp, llama-cpp-python и интеграцию с LangChain. Доступны варианты F32 размером 1,3 ГБ, F16 размером 639 МБ, Q8_0 размером 342 МБ и Q4_K_M размером 199 МБ. Квантованные версии могут ускорить работу на CPU примерно до 30% при минимальной потере точности; выигрыш на GPU обычно скромнее и зависит от приложения. README не указывает архитектуру, размерность эмбеддингов, максимальную длину контекста и перечень поддерживаемых языков. Сильные стороны модели — поддержка эффективного выполнения на CPU, несколько вариантов точности и совместимость с популярными инструментами экосистемы llama.cpp. Ограничения связаны с тем, что это embedding-модель, а не генеративная языковая модель, а влияние квантования на качество зависит от выбранного формата и сценария. Модель распространяется по лицензии MIT.

furiosa-ai/bge-m3 — сборка многоязычной модели эмбеддингов BGE-M3, разработанной BAAI на архитектуре энкодера XLM-RoBERTa. Репозиторий содержит веса BF16 и Furiosa Executable Bundle для запуска через Furiosa-LLM на ускорителе FuriosaAI RNGD; размер модели — 658,7 млн параметров, контекст — 8194 токена. Сборка выдаёт плотные эмбеддинги размерностью 1024 для семантического поиска, извлечения релевантных текстов и сопоставления сходства. Векторы нормализованы по L2, поэтому их скалярное произведение соответствует косинусному сходству. В отличие от возможностей исходной BGE-M3, описанных в карточке, эта сборка через Furiosa-LLM предоставляет именно плотные эмбеддинги, а не разреженные или многовекторные представления. Модель принимает текст и выдаёт векторы. Она предназначена для многоязычных сценариев; список конкретных языков в предоставленных данных не приведён. Лицензия — MIT. Для запуска этой сборки указаны Furiosa-LLM и оборудование FuriosaAI RNGD; исходная модель также поддерживается другими фреймворками.

BorisTM/bge-m3_en_ru — компактная версия модели эмбеддингов BAAI/bge-m3, подготовленная для английского и русского языков. В модели оставлены токены этих двух языков: размер словаря сокращён до 21% от исходного, а общее число параметров составляет 449,9 млн, или 63,3% от исходного размера. Архитектура — XLM-RoBERTa; модель доступна в формате safetensors и рассчитана на контекст до 8194 токенов. Модель предназначена для получения текстовых эмбеддингов и сравнения сходства предложений, например для семантического поиска и подбора похожих текстов. Её можно использовать с Sentence-Transformers или Transformers, применяя подходящую операцию pooling к контекстным представлениям токенов. Автор README сообщает, что сокращение словаря не ухудшило качество эмбеддингов на английском и русском языках. Это производная версия BAAI/bge-m3, созданная сокращением словаря токенизатора. Лицензия в предоставленных данных не указана.

lm-kit/bge-m3-gguf — репозиторий с квантизированными версиями embedding-модели BGE-M3, базовая модель которой опубликована BAAI. Модель предназначена для получения векторных представлений текста и связанных задач поиска и семантического сопоставления. Формат распространения — GGUF, что позволяет использовать модель в совместимых инструментах и приложениях. Квантизация выполнена с помощью LM-Kit.NET версии 2024.9.0, а конвертация — посредством llama.cpp с указанной ревизией. README не содержит сведений о размере модели, архитектуре, поддерживаемых языках, длине контекста, модальностях и конкретных вариантах квантования, поэтому эти характеристики нельзя достоверно уточнить. Лицензия — MIT.

bge-micro — компактная модель эмбеддингов предложений на базе архитектуры BERT, опубликованная TaylorAI. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 18,8 млн параметров, использует контекст длиной до 512 токенов и доступна в форматах PyTorch, safetensors и ONNX. Модель дистиллирована из TaylorAI/bge-small-en-v1.5 и предназначена для сценариев, где важны небольшие вычислительные затраты при сохранении качества эмбеддингов, близкого к all-MiniLM-L6-v2. Она ориентирована на английский язык. Лицензия в предоставленных данных не указана.

michaelfeil/bge-small-en-v1.5 — компактная англоязычная модель эмбеддингов на архитектуре BERT, представленная в форматах PyTorch, Safetensors и ONNX. Она предназначена для получения векторных представлений текста и сравнения сходства предложений; размер составляет около 40 млн параметров, максимальная длина контекста — 512 токенов. Модель можно запускать через библиотеку Infinity Embedding Model: README рекомендует PyTorch с CUDA для GPU и ONNX через Optimum для CPU. Эмбеддинги подходят для поиска по смыслу, ранжирования и построения систем поиска с дополненной генерацией. Модель рассчитана на английский язык. Репозиторий распространяется по лицензии MIT.

Xenova/bge-small-en-v1.5 — модель для создания векторных представлений предложений и текстов, опубликованная в формате ONNX для совместимости с Transformers.js. Она основана на BAAI/bge-small-en-v1.5, разработанной BAAI, и рассчитана на использование в JavaScript-приложениях, включая веб-среду. Модель предназначена для семантического поиска и retrieval-сценариев: тексты преобразуются в эмбеддинги размерностью 384, после чего их можно сравнивать, например, по косинусному сходству. README демонстрирует усреднённый pooling и нормализацию векторов, а также рекомендует добавлять к запросам специальный префикс для поиска релевантных фрагментов. По обозначению en модель ориентирована на английский язык. Она удобна для локального выполнения и интеграции через Transformers.js, однако README не содержит сведений о точной архитектуре, максимальной длине контекста, бенчмарках, ограничениях качества или лицензии.

bge-small-en-v1.5-bf16 — англоязычная модель для создания векторных представлений предложений и текстов. Модель представлена сообществом mlx-community в формате BF16 и основана на bge-small-en-v1.5; исходная модель предназначена для задач feature extraction и sentence similarity. Модель подходит для семантического поиска, сопоставления похожих текстов, классификации, кластеризации, retrieval и reranking, а также для построения систем поиска дубликатов и оценки семантической близости. В README приведены результаты тестирования на наборах MTEB для классификации, поиска, кластеризации, переранжирования и оценки текстовой близости, включая Amazon, ArguAna, AskUbuntu, Banking77 и BIOSSES. Поддерживаемый язык — английский. Сведения о точном размере модели, архитектуре, размерности эмбеддингов и максимальной длине контекста в предоставленных данных отсутствуют. Модель ориентирована на эффективное получение эмбеддингов, однако её качество и применимость следует оценивать на данных конкретного проекта; переносимость на другие языки не подтверждена. Лицензия — MIT.

RedHatAI/bge-small-en-v1.5-quant — квантованная версия модели эмбеддингов BGE-small-en-v1.5 от Red Hat AI. Это плотный BERT-чекпойнт примерно на 40 млн параметров, представленный в формате ONNX с квантованием INT8; для ускоренного инференса README указывает на DeepSparse и DeepSparseSentenceTransformers. Модель предназначена для преобразования английских текстов в векторные представления, например для семантического поиска и поиска по сходству. Указанный размер контекста — 512 токенов. Лицензия — MIT.

OpenMOSS-Team/claif-scaled-bert-base — англоязычная модель эмбеддингов на архитектуре BERT, опубликованная командой OpenMOSS. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель обучена с использованием CosineSimilarityLoss и доступна в формате PyTorch; её можно применять через Sentence-Transformers или Transformers с подходящим pooling. Модель подходит для англоязычных систем семантического поиска и группировки текстов. Контекст ограничен 512 токенами. Лицензия Apache-2.0 разрешает использование на её условиях.

Это Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, дообученный для сопоставления предложений и абзацев. Модель разработана автором репозитория easonanalytica и преобразует текст в плотные векторы размерности 384; сходство можно оценивать косинусной мерой. Архитектура включает BertModel и усреднение токеновых представлений. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Она дообучена с ContrastiveLoss на 55 205 парных примерах. Поддерживает многоязычное представление текста благодаря базовой модели. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Alibaba-NLP/E2Rank-8B — модель для текстовых эмбеддингов и ранжирования, разработанная Alibaba-NLP на базе Qwen3-8B. Это плотная архитектура Qwen3 с 7,6 млрд параметров, длиной контекста до 40 960 токенов и размерностью эмбеддингов 4096. Модель дообучена на данных для ранжирования и поддерживает настройку инструкций под задачу. E2Rank объединяет поиск по сходству эмбеддингов и списковое переранжирование: документы и запросы представляются векторами, а сходство оценивается по косинусной мере. Модель предназначена для семантического поиска, улучшения порядка результатов и построения поисковых систем с единым компонентом извлечения и переранжирования. В README заявлены высокие результаты на BEIR и конкурентные показатели на BRIGHT и MTEB; приведённые оценки относятся к экспериментам авторов. Модель принимает текст и выдаёт эмбеддинги для последующего вычисления сходства и ранжирования. В карточке не указаны языки обучения; приведённая таблица MTEB описывает английский бенчмарк и сама по себе не подтверждает поддержку только английского. Для использования эмбеддингов требуется вручную добавлять специальный завершающий токен к каждому входному тексту. Лицензия — Apache-2.0.

htdht/e5_finetuned_mnrl_v2 — модель Sentence Transformers, дообученная разработчиком htdht на базе intfloat/multilingual-e5-base для поиска по тексту. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура включает XLM-RoBERTa, mean pooling и нормализацию, максимальная длина последовательности — 512 токенов. Модель обучена сопоставлять короткие запросы с более длинными описаниями товаров и подходит для семантического поиска и извлечения релевантных документов. В README приведены примеры запросов и описаний товаров на вьетнамском языке; базовая модель заявлена как многоязычная. Для работы требуется библиотека Sentence Transformers. Лицензия в доступных данных не указана.

E5-large — англоязычная модель текстовых эмбеддингов, разработанная авторами проекта E5 и обученная методом слабоконтролируемого контрастивного предобучения. Она построена на архитектуре BERT, содержит 24 слоя и 433,9 млн параметров; размер эмбеддинга — 1024. Модель принимает текст и выдаёт векторные представления для сравнения смысловой близости и поиска. Модель подходит для семантического поиска, извлечения фрагментов по запросу, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач используется «query: » перед обоими текстами. Максимальная длина входа — 512 токенов. Модель работает только с английскими текстами. Тексты длиннее лимита обрезаются, а для более высокой точности авторы рекомендуют перейти на e5-large-v2. Лицензия — MIT.

Карточка модели vectoriseai/e5-large на Hugging Face совпадает с карточкой intfloat/e5-large, поэтому описание составлено по ней. E5-large — англоязычная модель текстовых эмбеддингов, разработанная авторами проекта E5 и обученная методом слабоконтролируемого контрастивного предобучения. Она построена на архитектуре BERT, содержит 24 слоя и 433,9 млн параметров; размер эмбеддинга — 1024. Модель принимает текст и выдаёт векторные представления для сравнения смысловой близости и поиска. Модель подходит для семантического поиска, извлечения фрагментов по запросу, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач используется «query: » перед обоими текстами. Максимальная длина входа — 512 токенов. Модель работает только с английскими текстами. Тексты длиннее лимита обрезаются, а для более высокой точности авторы рекомендуют перейти на e5-large-v2. Лицензия — MIT.

Карточка модели Alignment-Lab-AI/e5-mistral-7b-instruct на Hugging Face совпадает с карточкой intfloat/e5-mistral-7b-instruct, поэтому описание составлено по ней. 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.

d0rj/e5-small-en-ru — компактная версия модели intfloat/multilingual-e5-small, созданная удалением токенов словаря, не нужных для русского и английского языков. Она использует архитектуру XLM-RoBERTa и предназначена для получения векторных представлений предложений и поиска текстов по смыслу. Для поиска автор рекомендует сравнивать эмбеддинги скалярным произведением; модель также можно подключить через Transformers или sentence-transformers. В карточке приведено 44,8 млн параметров и размер файлов около 171 МБ; контекст модели составляет 512 токенов. Указана лицензия MIT. В README есть таблица результатов на SberQuAD, но значения метрик отсутствуют, поэтому качество на этом тесте по карточке оценить нельзя. Модель ограничена русским и английским словарём и не предназначена для генерации текста.

uaritm/enukruvie — многоязычная модель эмбеддингов на базе XLM-RoBERTa, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов. Модель поддерживает английский, украинский, русский и вьетнамский языки. README указывает на обучение с MSELoss и набором ParallelSentencesDataset в метаданных. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers требуется самостоятельно выполнить pooling контекстных представлений. Лицензия — MIT. README также упоминает предыдущую версию без вьетнамского языка и более новую модель с его поддержкой.

F2LLM-v2-80M — компактная многоязычная модель эмбеддингов из семейства F2LLM-v2, разработанного CodeFuse AI. Она основана на архитектуре Qwen3 и предназначена для получения векторных представлений текста для семантического поиска, ранжирования и других задач сравнения текстов. Модель содержит 66,8 млн параметров и поддерживает контекст до 40 960 токенов. Модель обучена на данных семейства F2LLM-v2, включающих курированный набор из 60 млн публичных примеров; в README заявлена поддержка более 200 языков, с акцентом на языки с ограниченными ресурсами. Она поддерживает инструкции для поисковых запросов и Matryoshka Representation Learning: размер эмбеддинга можно уменьшать усечением с последующей нормализацией. Представлены результаты на ряде бенчмарков MTEB, однако конкретные показатели этой версии в карточке не приведены. Репозиторий содержит safetensors-веса и использует библиотеку Transformers. Лицензия — Apache-2.0. Это дообученная и уменьшенная версия модели codefuse-ai/F2LLM-v2-0.6B-Preview-Pruned-80M.

F2LLM-v2-8B-Preview — мультиязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-8B на корпусе из 27 миллионов примеров. Версия Preview обучена без инструкций и предназначена как основа для задач получения эмбеддингов и дальнейшей тонкой настройки. Модель имеет плотную архитектуру Qwen3, около 7,6 млрд параметров и принимает текст; метаданные указывают контекст до 40 960 токенов. Модель подходит для кодирования текстов в векторные представления в многоязычных сценариях. README заявляет поддержку более 100 естественных и программных языков, а метаданные карточки перечисляют языки, включая английский, русский, китайский, арабский, японский и другие. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Это предварительная версия без инструкционного обучения, поэтому её поведение в диалоговых задачах и качество на конкретных наборах данных могут требовать проверки.

joshuapb/fine-tuned-matryoshka-1500 — англоязычная модель Sentence Transformers, дообученная на основе BAAI/bge-base-en-v1.5 для получения плотных эмбеддингов предложений и абзацев. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; размерность эмбеддинга составляет 768, а максимальная длина входа — 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и оценки сходства текстов; эмбеддинги также можно применять для поиска перефразировок, кластеризации и классификации текста. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 64, 128, 256 или 512 наряду с полным вектором. В README приведены результаты оценки поиска на наборах dim_64–dim_768, однако они не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

Giga-Embeddings-instruct-480M-0826 — двуязычная модель текстовых эмбеддингов серии Giga-Embeddings, представленная под именем GigaChat. Она основана на предобученной модели с архитектурой Qwen3, адаптированной для двунаправленного encoder-style внимания, и обучена контрастивной функцией InfoNCE. Модель содержит около 483,7 млн параметров, формирует векторы размерности 1024 и поддерживает контекст до 8192 токенов. Модель предназначена для семантического поиска, сравнения предложений и абзацев, классификации и кластеризации текстов на русском и английском языках. Для асимметричного поиска к запросу следует добавлять краткую инструкцию задачи, а документы кодировать без неё; для симметричного сравнения инструкция необязательна. Используются mean pooling по непустым токенам и L2-нормализация; при прямом использовании через Transformers их нужно реализовать самостоятельно. По заявленным результатам модель сильна на русскоязычном MTEB, а на английском и коде уступает некоторым моделям из сравнения. Модель распространяется в формате safetensors, библиотека карточки — sentence-transformers. Лицензия MIT. Небольшие различия версий Transformers и PyTorch могут приводить к отличиям результатов воспроизведения.

gte-base — модель для получения векторных представлений английских текстов, разработанная Alibaba DAMO Academy в рамках семейства General Text Embeddings (GTE). Она основана на архитектуре BERT и содержит 136,7 млн параметров; размерность эмбеддингов — 768, максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, а также может использоваться для ранжирования и других задач на основе текстовых эмбеддингов. В README приведены результаты оценки на бенчмарке MTEB, включая поиск, семантическое сходство, классификацию и ранжирование. Модель работает только с английскими текстами, а вход длиннее 512 токенов обрезается. Лицензия — MIT. В репозитории представлены форматы PyTorch, Safetensors, ONNX и OpenVINO.

Это конвертированная в формат GGUF версия модели GTE-large, опубликованная пользователем opaninakuffo. GTE-large — модель для получения векторных представлений текста и задач поиска по семантическому сходству; её можно применять для создания эмбеддингов, поиска и ранжирования текстов. Метаданные репозитория указывают тег feature-extraction, формат GGUF и лицензию MIT. По названию репозитория предполагается сохранение весов в FP16 с разбиением на части. Поиск не позволил проверить карточку модели и подтвердить подробности о языках, контексте и ограничениях.

gte-multilingual-base — модель семейства GTE от Alibaba, предназначенная для создания текстовых представлений и поиска по сходству. Это энкодерный трансформер примерно на 305 млн параметров с плотными эмбеддингами размерности 768; также поддерживает разреженные векторы и эластичные по размеру плотные представления. Модель подходит для многоязычного и межъязыкового поиска, поиска по длинным текстам и оценки сходства текстов. README сообщает о поддержке более 70 языков; среди языков, перечисленных в метаданных, есть английский, китайский, французский, польский, арабский, хинди, японский и корейский. Максимальная длина входа — 8192 токена. По заявлению разработчика, энкодерная архитектура снижает требования к вычислениям и ускоряет инференс по сравнению с некоторыми более крупными моделями GTE на базе LLM. Для практического использования эмбеддинги можно получать через Transformers, sentence-transformers или сервисы инференса, включая TEI. Лицензия — Apache-2.0. Заявления о качестве основаны на оценках разработчика; результаты могут отличаться на конкретных данных и задачах.