I.12Рекомендации и персонализация

gte-small — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Вариант small содержит около 40 млн параметров и принимает тексты длиной до 512 токенов; для более длинных текстов вход обрезается. Модель рассчитана на английский язык. Полученные эмбеддинги подходят для семантического поиска и сравнения предложений, а также могут использоваться в конвейерах поиска информации и ранжирования текстов. Модель можно применять, например, для поиска релевантных документов или оценки смыслового сходства запросов и фрагментов текста. Лицензия — MIT.

ICT-TIME-and-Querit-embedding-v1 — модель текстовых эмбеддингов, разработанная ICT-TIME-and-Querit на основе Qwen3-4B. Она предназначена для поиска по смыслу, сопоставления предложений, ранжирования и других задач, где текст нужно представить в виде векторов. Модель использует архитектуру Qwen3 с 3,7 млрд параметров, pooling по последнему токену и контекст до 40 960 токенов по метаданным (в README указано 32k). Модель обучена на общих текстовых данных и данных для поиска кода, а итоговая версия объединяет модели двух этапов обучения методом Multi-SLERP. В README приведены результаты на MTEB English v2, HUME и MTEB Code; заявленная область применения охватывает как обычные тексты, так и код. Основной язык обучения — английский, также в обучающих данных есть китайские и другие языки. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия в предоставленных данных не указана. Показатели бенчмарков из README не гарантируют такого же качества на конкретных данных; особенно важно оценивать модель на целевом языке и домене.

jina-embeddings-v2-base-de-GGUF — GGUF-квантизированная версия модели jinaai/jina-embeddings-v2-base-de, разработанной Jina AI и подготовленной квантизатором Second State Inc. Это embedding-модель для преобразования текстов в векторные представления, пригодные для семантического поиска, сопоставления текстов и других задач, где требуется оценивать смысловую близость. В README указаны немецкий и английский языки. Модель поддерживает контекст до 8192 токенов и формирует embeddings размерностью 768. Доступны варианты квантизации от Q2_K до Q8_0, а также f16 в формате GGUF; размеры файлов составляют примерно от 82,5 до 323 МБ. Вариант Q4_K_M позиционируется как сбалансированный по качеству и размеру, тогда как Q2_K–Q4_0 могут заметно снижать качество. Более высокие разрядности уменьшают потери качества, но требуют больше памяти. Модель предназначена для локального запуска через совместимые инструменты, включая LlamaEdge; README приводит конфигурацию с контекстом 8192 и embedding prompt template. Архитектура базовой модели, объём параметров и точные показатели качества в предоставленных данных не указаны. Распространение осуществляется по лицензии Apache-2.0.

jina-embeddings-v2-base-en-GGUF — англоязычная модель для создания векторных представлений текста. Оригинальная модель разработана jinaai, а GGUF-версии подготовлены Second State Inc. Модель предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство текстовых данных. Модель работает в режиме embedding, поддерживает контекст до 8192 токенов и формирует эмбеддинги размерностью 768. Распространяется в формате GGUF с вариантами квантования от Q2_K до Q8_0, а также в формате f16. Квантированные версии занимают примерно от 61,7 до 146 МБ, тогда как f16-версия — 274 МБ. Для запуска в README указан LlamaEdge версии v0.14.17. Основное преимущество модели — возможность локального запуска и выбор между компактностью и качеством через разные уровни квантования; версии Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые. При этом сильное квантование может приводить к существенной потере качества, особенно у вариантов Q2_K и Q3. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

jinaai/jina-embeddings-v2-base-es — двуязычная модель эмбеддингов текста от Jina AI для испанского и английского языков. Она предназначена для получения векторных представлений предложений и документов в моноязычных и межъязыковых сценариях, включая поиск по смыслу, сопоставление текстов и RAG. Модель построена на архитектуре JinaBERT с 160,1 млн параметров. Симметричная двунаправленная версия ALiBi позволяет обрабатывать последовательности длиной до 8192 токенов. Для получения эмбеддингов предложений и документов README рекомендует применять mean pooling. Модель поддерживает смешанный испанско-английский ввод и подходит для поиска и сопоставления текстов между этими языками. Она принимает текст и выдаёт векторные представления. Лицензия — Apache-2.0.

Карточка модели saidsef/knowledge-base-embedding-model на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. 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.

LFM2.5-Embedding-350M-GGUF — GGUF-версия модели LiquidAI/LFM2.5-Embedding-350M, разработанная компанией Liquid AI. Это плотный bi-encoder для быстрого многоязычного семантического поиска и извлечения документов, предназначенный для RAG-конвейеров, sentence similarity и feature extraction. Модель преобразует запросы и документы в отдельные векторы, которые можно сопоставлять, например, по косинусному сходству; для корректной асимметричной обработки используются префиксы «query: » и «document: ». Модель интегрируется с llama.cpp и запускается в режиме embeddings. Модель ориентирована на 11 языков: английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский. Указан размер 350M параметров; архитектурной основой служит эффективный LFM2 backbone. Заявлены высокая многоязычная точность для плотной embedding-модели такого размера и скорость инференса, сопоставимая с существенно меньшими моделями, что делает её подходящей для компактных и быстрых поисковых индексов. Данные о длине контекста и поддерживаемых модальностях, кроме текстовой, не приведены. Модель распространяется по лицензии LFM1.0; подробные условия находятся в файле LICENSE. README не содержит количественных результатов бенчмарков, точных ограничений по длине входа или иных детальных ограничений, поэтому эти характеристики нельзя определить по представленным данным.

llama-embed-nemotron-8b — мультиязычная модель текстовых эмбеддингов, разработанная NVIDIA для поиска и сопоставления текстов. Она предназначена для исследовательских систем RAG, семантического поиска, ранжирования и классификации текстовых данных, включая поиск между языками. Модель основана на архитектуре Llama 3.1 8B с двунаправленным вниманием и содержит около 7,5 млрд параметров. Она независимо кодирует запросы и документы и выдаёт для каждого текста вектор размерности 4096. Контекст составляет до 131 072 токенов. Для запросов при поиске рекомендуется добавлять инструкцию по шаблону «Instruct: …\nQuery: …», а документы подавать без специального оформления. Модель показала высокие результаты на мультиязычном бенчмарке MTEB по состоянию на октябрь 2025 года. Она поддерживает извлечение признаков и оценку сходства предложений; для запуска ориентирована на GPU и совместима с инструментами NVIDIA. Лицензия ограничивает использование некоммерческими и исследовательскими целями.

LLM2Vec-Meta-Llama-3-8B-Instruct-mntp-supervised — модель для преобразования текстов в векторные представления, разработанная сообществом McGill-NLP на базе Meta-Llama-3-8B-Instruct. В карточке указано, что модель распространяется с использованием PEFT и ориентирована на английский язык. Модель предназначена для семантического сравнения предложений, поиска и извлечения информации, reranking, классификации текстов, кластеризации и построения систем text embeddings. Она может применяться в задачах semantic search, информационного поиска, дедупликации вопросов, оценки семантической близости и других сценариях, где требуется сопоставлять тексты по смыслу. Идентификатор указывает на основу Meta Llama 3 с размером 8B параметров и instruct-настройкой, однако точные сведения о размерности эмбеддингов, максимальном контексте, процедуре обучения и поддерживаемых модальностях в README не приведены. В карточке представлены результаты на наборах MTEB для классификации, retrieval, clustering, reranking и STS, что подтверждает широкий спектр целевых задач. Ограничением является заявленная ориентация на английский язык и отсутствие подробных данных о производительности вне перечисленных тестов, ресурсоёмкости и рекомендуемых параметрах инференса. Лицензия модели — MIT.

gemasphi/mcontriever — модель на основе архитектуры BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Общее число параметров — 205,1 млн, максимальная длина контекста — 512 токенов; репозиторий содержит веса PyTorch. Модель подходит для построения векторного поиска по текстовым коллекциям, группировки похожих фрагментов и оценки семантической близости. В README описано обучение с CosineSimilarityLoss. Язык обучения или перечень поддерживаемых языков в предоставленных данных не подтверждены. Лицензия в доступных сведениях не указана.

Карточка модели Madras1/minilm-distilled-from-bge-large на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. 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.

ronanki/MiniLM-L12-v2-SEP-token — модель Sentence-Transformers для получения векторных представлений предложений и абзацев. Она основана на архитектуре BERT и выдаёт плотные эмбеддинги размерностью 384; в метаданных указано 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для семантического поиска, кластеризации текстов и сравнения предложений по смыслу. При обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Для использования подходит библиотека Sentence-Transformers; через Transformers требуется отдельно применить подходящую операцию pooling к контекстным представлениям токенов. README и метаданные не указывают лицензию или целевые языки, поэтому их нельзя определить по имеющимся сведениям. Модель публикуется в формате PyTorch.

avsolatorio/MixEmbed-base-20240110184818-best — компактная модель эмбеддингов предложений на архитектуре BERT, представленная в формате safetensors и предназначенная для Sentence-Transformers и Hugging Face Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и кластеризации; также подходит для вычисления сходства между текстами. В README указано, что модель дистиллирована из bge-small-en-v1.5, содержит четверть числа параметров без учёта эмбеддингов по сравнению с этой базой и показывает качество, сопоставимое с all-MiniLM-L6-v2 при вдвое меньшем числе параметров. Модель содержит 18,8 млн параметров и принимает контекст до 512 токенов. README описывает её как англоязычную модель, созданную на основе bge-small-en-v1.5. Лицензия в предоставленных данных не указана.

MixEmbedBert-base-20240115163419-latest — компактная модель эмбеддингов на базе BERT для представления предложений и абзацев в виде плотных векторов размерности 384. Карточка описывает её как дистилляцию bge-small-en-v1.5; число параметров составляет 18,8 млн, контекст — до 512 токенов. Модель предназначена для семантического поиска, кластеризации и сравнения текстов. Она выдаёт текстовые эмбеддинги и поддерживает задачи извлечения признаков и оценки сходства предложений. В README заявлено, что модель содержит в четыре раза меньше неэмбеддинговых параметров, чем bge-small-en-v1.5, и имеет примерно вдвое меньше параметров, чем all-MiniLM-L6-v2, при сопоставимом качестве. Указанные семейство и учебная база ориентированы на английский язык. Для использования доступны варианты Sentence-Transformers и Transformers; при работе через Transformers необходимо применить подходящий pooling к контекстным представлениям токенов. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя.

MixEmbedMean-base-20240116021758-best — модель эмбеддингов avsolatorio на базе BERT, представленная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и других задач сравнения текста. Модель дистиллирована из BAAI/bge-small-en-v1.5 и содержит 18,8 млн параметров; README сообщает, что у неё в четыре раза меньше параметров без учёта эмбеддингов, чем у исходной модели, и примерно вдвое меньше параметров, чем у all-MiniLM-L6-v2, при сопоставимом качестве.

onelevelstudio/M-MPNET-BASE — резервная копия модели sentence-transformers/paraphrase-multilingual-mpnet-base-v2, обученной командой sentence-transformers. Модель на базе XLM-RoBERTa преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения предложений и кластеризации. Она принимает текст и выдаёт эмбеддинги; поддерживает множество языков, включая русский. Контекст — до 514 токенов, размер — 305,2 млн параметров. Модель подходит для поиска близких по смыслу текстов и группировки многоязычных документов. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0.

EmaRimoldi/MNLP_M2_document_encoder — текстовый энкодер предложений и коротких абзацев на архитектуре BERT, разработанный на основе all-MiniLM-L12-v2. Модель преобразует текст в плотный вектор размерности 384 для поиска по смыслу, оценки сходства и кластеризации. В README описано контрастивное дообучение на корпусе более чем из миллиарда пар предложений; метаданные указывают 40 млн параметров, контекст до 512 токенов и библиотеку Sentence Transformers. README предупреждает, что вход длиннее 256 word pieces обрезается. Модель подходит для семантического поиска и извлечения эмбеддингов из англоязычных текстов. В метаданных указаны английский язык и лицензия Apache-2.0. Векторные представления можно использовать как основу для поиска, группировки и сопоставления текстов; сама модель не генерирует ответы.

artdev99/MNLP_M3_document_encoder — модель для кодирования предложений и коротких абзацев в плотные векторы размерностью 384, отражающие их семантику. Это форк all-MiniLM-L6-v2, дообученный на базе nreimers/MiniLM-L6-H384-uncased с контрастивной целью на более чем миллиарде пар предложений. Модель использует архитектуру BERT и библиотеку Sentence Transformers; число параметров — 25,9 млн. Векторы подходят для семантического поиска, оценки сходства предложений и кластеризации. Модель принимает текст и выдаёт векторные представления; в README указано усечение входа длиннее 256 word pieces, а контекстное окно по метаданным составляет 512 токенов. В карточке заявлен английский язык. Модель распространяется по лицензии Apache-2.0.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_5_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, дообученная для создания плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения компонентов поиска на эмбеддингах. В README указано обучение с CosineSimilarityLoss. Размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Метаданные указывают на поддержку sentence similarity и извлечения признаков; языковая специализация не обозначена. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория Hugging Face. Эмбеддинги сами по себе не генерируют ответы и качество поиска зависит от данных и выбранной схемы индексации.

spl4shedEdu/mpnet_IAB — модель Sentence Transformers, дообученная разработчиком spl4shedEdu на базе sentence-transformers/all-mpnet-base-v2. MPNet с 136,7 млн параметров кодирует предложения и абзацы в плотные векторы размерности 768; представления нормализуются, а для сравнения можно использовать косинусное сходство. Максимальная длина последовательности в README — 384 токена; метаданные указывают нативный контекст 514 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В обучающих данных приведены пары «запрос — положительный пример» из товарных описаний и категорий, поэтому модель подходит для задач сопоставления товарных и каталожных текстов. README также сообщает об отдельном наборе оценки. Модель принимает текст и выдаёт эмбеддинги; в карточке не заявлена поддержка конкретных естественных языков. Лицензия в предоставленных данных не указана.

msmarco-distilbert-base-dot-prod-v3 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и кластеризации текстов. Архитектура основана на DistilBERT; модель поддерживает контекст до 512 токенов и работает с библиотекой Sentence-Transformers. Векторы можно применять для поиска текстов по смыслу и группировки похожих предложений или документов. Лицензия Apache-2.0 разрешает использование на её условиях.

sentence-transformers/msmarco-distilbert-base-v4 — модель Sentence-Transformers на базе DistilBERT, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Контекст модели ограничен 512 токенами; доступны реализации в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для поиска релевантных фрагментов, группировки похожих текстов и вычисления семантического сходства. Для применения через Transformers требуется корректно агрегировать контекстные представления токенов с помощью подходящей операции pooling. Данные карточки не уточняют поддерживаемые естественные языки и ограничения качества.

sentence-transformers/msmarco-roberta-base-v3 — модель sentence-transformers на архитектуре RoBERTa, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения предложений и кластеризации. Модель содержит 151,8 млн параметров, принимает текстовые входы и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Модель подходит для поиска текстов по смыслу и группировки семантически близких фрагментов. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия Apache-2.0 допускает использование на её условиях.

Teradata выпустила ONNX-версию модели multilingual-e5-base для получения векторных представлений предложений и абзацев. Модель основана на XLM-RoBERTa, содержит около 305 млн параметров, принимает до 514 токенов и формирует векторы размерности 768. Репозиторий включает варианты fp32, int8 и uint8; модель подготовлена для запуска в Teradata Vantage, в том числе через встроенную функцию ONNXEmbeddings. Векторы подходят для измерения семантического сходства, кластеризации текстов и поиска релевантных фрагментов в RAG-системах. Модель многоязычная; метаданные перечисляют языки от африкаанс до хинди и индонезийского, а README указывает на исходную multilingual-e5-base. Лицензия MIT разрешает коммерческое использование. Это преобразование исходной модели в ONNX; качество и охват языков зависят от исходной модели и конкретной задачи.

Это модель Sentence Transformers, разработанная trmteb и дообученная на базе intfloat/multilingual-e5-base на слабоконтролируемом контрастивном наборе турецких текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию. Сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сопоставления текстов, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текстов. Контекст ограничен 512 токенами по README (в метаданных указано 514). Обучающий набор содержит около 60 млн пар «запрос — релевантный текст» на турецком языке; базовая модель многоязычная, однако карточка не уточняет языковой охват этой версии. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать в системах поиска и анализа. Модель поставляется в формате safetensors и использует библиотеку sentence-transformers. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

dinab/multilingual-e5-base-Q4_K_M-GGUF — квантизированная версия мультиязычной модели эмбеддингов multilingual-e5-base, разработанной intfloat и представленной в формате GGUF. Модель предназначена для преобразования текстов в векторные представления и подходит для семантического поиска, сопоставления предложений, кластеризации, классификации и задач retrieval, включая использование через llama.cpp. Модель поддерживает множество языков, в том числе русский, английский, немецкий, французский, испанский, китайский, японский и другие. В названии указана квантизация Q4_K_M, которая уменьшает требования к памяти и делает модель удобнее для локального запуска, но может снижать точность по сравнению с полноразмерной версией. Размер параметров, архитектура, максимальная длина контекста и точные требования к оборудованию в README не указаны. Приведены результаты оценки на ряде наборов MTEB для классификации и поиска, однако они относятся к базовой модели multilingual-e5-base. Модель распространяется под лицензией MIT. README не содержит подробного описания ограничений, поэтому качество следует дополнительно проверять на целевых языках, доменах и сценариях применения.

Qdrant/multilingual-e5-large-onnx — это ONNX-версия модели intfloat/multilingual-e5-large, подготовленная Qdrant для работы с текстовыми представлениями. Модель предназначена для задач семантического сходства, поиска по смыслу и классификации текста, включая использование в системах векторного поиска и других сценариях, где требуется сравнивать текстовые эмбеддинги. Модель принимает текст и преобразует его в числовой вектор; README демонстрирует применение через библиотеку FastEmbed. Указана поддержка нескольких языков, однако конкретный перечень языков, размерность векторов, архитектура исходной модели и максимальная длина контекста в предоставленных данных не раскрыты. Формат ONNX может быть удобен для интеграции с совместимой инфраструктурой инференса. К ограничениям относится отсутствие в README подробностей о качестве на отдельных наборах данных, производительности, требованиях к ресурсам и точных границах применимости. Модель распространяется по лицензии Apache 2.0.

jangedoo/multilingual-e5-small-pruned — компактная многоязычная модель эмбеддингов на базе BERT, созданная обрезкой токенов и словаря модели intfloat/multilingual-e5-small. Она предназначена для получения векторных представлений текста, семантического сравнения предложений и поиска текстов по смыслу. Модель содержит около 94,6 млн параметров по метаданным каталога, использует библиотеку Sentence Transformers и принимает последовательности длиной до 512 токенов. Обрезка уменьшила размер словаря примерно на 31%, а число параметров — примерно на 25% относительно базовой модели согласно README. В приведённых оценках STS-B и NanoBEIR качество ниже базовой версии, хотя остаётся близким по STS-B. Модель поддерживает многоязычный текст; конкретный перечень языков в источниках не приведён. Условия лицензии в предоставленных данных отсутствуют.

mxbai-embed-large-v1 — модель Mixedbread AI для построения векторных представлений предложений и текстов. Это плотная BERT-модель на 433,9 млн параметров с контекстом до 512 токенов; она принимает текст и выдаёт эмбеддинги для поиска и сопоставления текстов. Карточка указывает английский язык и библиотеку sentence-transformers. Модель предназначена для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Для поисковых запросов README рекомендует добавлять префикс «Represent this sentence for searching relevant passages:». Поддерживаются Matryoshka Representation Learning и бинарная квантизация, позволяющие уменьшать размер эмбеддингов и затраты на их хранение. В заявленной авторами оценке на MTEB модель показывает сильные результаты среди моделей размера BERT-large. Модель распространяется по лицензии Apache-2.0. Ограничения включают окно контекста в 512 токенов и необходимость использовать рекомендованный префикс для запросов в сценариях поиска; авторы также отмечают наличие ограничений, которые планировали исправить в версии v2, не уточняя их в этой карточке.

Это версия mxbai-embed-large-v1 в формате MLX, преобразованная сообществом mlx-community из модели mixedbread-ai/mxbai-embed-large-v1 с помощью mlx-lm. Модель на архитектуре BERT предназначена для получения плотных текстовых эмбеддингов, семантического поиска и сравнения предложений; библиотека карточки — sentence-transformers. Модель содержит 433,9 млн параметров, принимает текст и имеет контекстное окно 512 токенов. В карточке указан английский язык. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. README указывает на использование через пакет mlx-embeddings.