I.12Рекомендации и персонализация

beautifulpichai/all-mpnet-base-v2-ledgar-full-contrastive — модель Sentence-Transformers на архитектуре MPNet, разработанная на базе all-mpnet-base-v2 и дообученная для контрастивного представления предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров и принимает текст с контекстом до 514 токенов. Модель подходит для поиска семантически близких фрагментов и группировки текстов по смыслу. В метаданных указаны задачи извлечения признаков и оценки сходства предложений. Доступный формат — PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

andreyunic23/beds_step4 — дообученная модель Sentence Transformers на основе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и короткие абзацы в плотные векторы размерностью 768 для семантического сравнения текстов; сходство оценивается косинусной мерой. Архитектура включает MPNet, усреднение токенных представлений и нормализацию; в README указана максимальная длина последовательности 384 токена, а метаданные приводят контекст 514 токенов. Модель подходит для семантического поиска, сопоставления похожих формулировок, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. README описывает обучение на наборе из 1 084 пар предложений с ContrastiveTensionLossInBatchNegatives. Базовая модель многоязычная, однако языковая специализация этого дообучения в доступных сведениях явно не обозначена. Модель содержит 136,7 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Компактная модель Sentence Transformer, дообученная на базе англоязычной google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и рассчитывает косинусное сходство; архитектура включает BERT с усреднённым pooling. Модель предназначена для поиска и сравнения текстов по смыслу, в том числе для retrieval-сценариев. Модель принимает текст, использует контекст до 512 токенов по метаданным Hugging Face; в карточке Sentence Transformers указана максимальная длина последовательности 128 токенов. Число параметров — 4,4 млн. Обучение описано на 549 502 парах текстов с контрастивной функцией потерь. Репозиторий содержит веса в формате safetensors. Данных о лицензии в предоставленных источниках нет.

Карточка модели OrcaDB/bge-base 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.

BGE base ArgillaSDK Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиками модели на базе BAAI/bge-base-en-v1.5 для получения плотных эмбеддингов предложений и абзацев. Модель построена на BERT, использует пулинг CLS-токена и нормализацию векторов; размерность представления составляет 768, а сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение на 882 примерах с MatryoshkaLoss и TripletLoss позволяет использовать укороченные представления размером 512, 256, 128 или 64 измерения наряду с полными 768-мерными эмбеддингами. Максимальная длина входной последовательности — 512 токенов. Модель работает с английским текстом; лицензия — Apache-2.0.

NaqibL дообучил модель BGE на базе BAAI/bge-base-en-v1.5 для получения эмбеддингов предложений и абзацев. Это текстовая Sentence Transformer модель с архитектурой BERT, которая преобразует вход в нормализованный плотный вектор размерности 768; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на поиск и сопоставление текстов, включая семантический retrieval. Максимальная длина входа — 512 токенов, а обучение проводилось на наборе из 26 953 примеров. В README приведён результат cosine accuracy 0,8534 на оценке TripletEvaluator. Модель унаследовала англоязычную основу BGE; отдельные поддерживаемые языки и лицензия в предоставленных данных не описаны. Для неё нужны совместимые средства Sentence Transformers или text-embeddings-inference.

BAAI/bge-en-icl — англоязычная модель эмбеддингов компании Beijing Academy of Artificial Intelligence (BAAI), представленная в проекте FlagEmbedding. Она преобразует текст в векторы для поиска и сопоставления предложений, а также поддерживает обучение в контексте: запрос можно дополнить несколькими примерами, чтобы адаптировать модель к новой задаче. Архитектура — плотная модель семейства Mistral на 7,1 млрд параметров с контекстом до 32 768 токенов. Модель предназначена для семантического поиска, ранжирования и задач retrieval-augmented generation. В карточке заявлены высокие результаты на бенчмарках BEIR, MTEB и AIR-Bench, включая поиск по длинным документам. Распространяется под лицензией Apache-2.0. Она рассчитана на английский язык; для эффективного кодирования может использовать доступные GPU, а ресурсоёмкость определяется её размером.

Карточка модели kshitijpandey3h/bge-large-agri-fused-2 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.

TyKaoz выпустил 8-битную версию модели BAAI/bge-m3 в формате MLX для устройств Apple Silicon. Это многоязычная модель на архитектуре XLM-RoBERTa с 658,7 млн параметров, которая преобразует текст в плотные эмбеддинги размерности 1024. Максимальная длина контекста составляет 8194 токена; модель предназначена для локального использования через mlx-embeddings и занимает около 592 МБ. Модель подходит для семантического поиска, сравнения сходства предложений и построения систем поиска по текстам и документам. README описывает именно плотные векторы; широкие возможности исходной BGE-M3 для лексического и гибридного поиска здесь отдельно не подтверждены. Указана лицензия Apache-2.0.

bge-m3-GGUF — GGUF-квантизированная версия многоязычной модели эмбеддингов BGE-M3, разработанной BAAI. Модель предназначена для семантического поиска, извлечения признаков, sentence similarity и построения RAG-систем. Квантизация выполнена на основе версии llama.cpp с идентификатором 61408e7f. BGE-M3 поддерживает более 100 языков и три режима поиска: плотный retrieval, разреженный retrieval с весами токенов и multi-vector retrieval. Модель обрабатывает тексты от коротких предложений до длинных документов длиной до 8192 токенов и формирует векторы размерности 1024. Она подходит для гибридного поиска, объединяющего семантические эмбеддинги и BM25, а также для последующего reranking найденных документов. К сильным сторонам относятся многоязычность, поддержка длинного контекста и объединение нескольких функций извлечения в одной модели. README не содержит сведений о точном размере GGUF-файлов, используемой схеме квантизации, требованиях к ресурсам или детальных ограничениях качества; кроме того, модель предназначена для retrieval-задач и не является генеративной языковой моделью. Указанная лицензия — MIT.

IoannisKat1/bge-m3-matryoshka — дообученная модель Sentence Transformers на базе BAAI/bge-m3 для поиска и сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству; благодаря обучению Matryoshka векторы можно усекать до меньших размерностей, от 64 до 768, с изменением качества поиска. Модель построена на XLM-RoBERTa с CLS-пулингом и принимает последовательности длиной до 8192 токенов. В карточке заявлен английский язык, хотя приведённый пример обучающей выборки содержит греческий текст. Модель подходит для семантического поиска, поиска по запросу в коллекции текстов и ранжирования кандидатов по близости эмбеддингов. Обучение проводилось на 4268 парах anchor-positive; качество показано на наборах для информационного поиска, но эти результаты не гарантируют качество на других данных. Лицензия Apache-2.0. Это текстовая модель эмбеддингов: она не генерирует ответы и сама по себе не выполняет поиск по внешнему хранилищу.

BGE micro v2 ESG — компактная модель Sentence Transformers, дообученная на базе TaylorAI/bge-micro-v2 для представления английских предложений и абзацев в виде плотных векторов. В основе используется BERT с усреднением токенных представлений; модель содержит 18,8 млн параметров, выдаёт эмбеддинги размерности 384 и принимает последовательности длиной до 512 токенов. Для сравнения векторов предусмотрена косинусная мера сходства. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Обучение на парах контекстов и вопросов с MatryoshkaLoss позволяет использовать укороченные представления размерностью 256, 128, 64 или 32, хотя показатели поиска снижаются при уменьшении размерности. Поддерживается английский язык. Лицензия — Apache-2.0.

BAAI/bge-reranker-v2-gemma — мультиязычная модель-переранжировщик от BAAI, созданная на основе Google Gemma 2B и обученная на смеси мультиязычных наборов данных. Она принимает запрос вместе с текстом-кандидатом и выдаёт оценку их релевантности; более высокие значения означают лучшее соответствие, а оценку можно преобразовать функцией sigmoid в диапазон от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например первых 100 документов, найденных системой извлечения. Архитектура — плотная GemmaForCausalLM, размер — 2,5 млрд параметров, формат весов — safetensors. Модель поддерживает мультиязычные сценарии, имеет контекст длиной до 8192 токенов и может использоваться через FlagEmbedding. В README отмечены сильные мультиязычные возможности и высокая эффективность ранжирования; конкретные языки помимо общего указания на мультиязычность не перечислены. Лицензия — Apache-2.0. Как и другие ранжировщики, модель оценивает пары «запрос — текст» и не заменяет генератор ответов; качество сортировки зависит от исходных кандидатов и соответствия данных целевой области.

onnx-community/bge-reranker-v2-m3-ONNX — это ONNX-версия модели BAAI/bge-reranker-v2-m3, автоматически преобразованная и опубликованная сообществом onnx-community. Модель предназначена для переранжирования текстов: она может оценивать релевантность текстового фрагмента заданному запросу и использоваться в задачах поиска, семантического сопоставления и построения систем retrieval-augmented generation (RAG). Модель доступна для запуска через библиотеку Transformers.js и представлена в формате ONNX, что делает её подходящей для JavaScript-приложений и сред, поддерживающих ONNX. README не содержит сведений о точной архитектуре, размере, поддерживаемых языках, максимальной длине контекста, модальностях, показателях качества или ограничениях. Лицензия также не указана, поэтому условия использования по предоставленным данным определить нельзя.

BAAI/bge-reranker-v2-minicpm-layerwise — многоязычная модель ранжирования релевантности от BAAI на базе MiniCPM. Она принимает запрос и текстовый фрагмент и оценивает их соответствие; оценку можно преобразовать функцией sigmoid в значение от 0 до 1. Модель имеет 2,7 млрд параметров, архитектуру LayerWiseMiniCPMForCausalLM и контекст длиной 2048 токенов. Модель предназначена для повторного ранжирования результатов поиска, например кандидатов, полученных из векторного поиска или первичного поискового ранжировщика. Послойный вариант позволяет выбирать более ранние слои для повышения эффективности; в README он также рекомендован для высокой точности. Указаны китайский и английский языки, а метаданные характеризуют модель как многоязычную. Модель обучена на базе openbmb/MiniCPM-2B-dpo-bf16 на смеси наборов данных, включающей bge-m3-data, Quora и FEVER. Распространяется по лицензии Apache-2.0. Карточка описывает применение для ранжирования запросов и документов, но не приводит количественных результатов качества; контекст ограничен 2048 токенами.

darkmaniac7/bge-small-en-MNN — это конверсия модели эмбеддингов BAAI/bge-small-en-v1.5 в формат MNN, подготовленная TokForge для локального вывода на Android, Linux и iOS. Модель предназначена для построения векторных представлений текстов, семантического поиска, sentence similarity, RAG, а также формирования embeddings для памяти и задач reflection на устройствах без зависимости от GGUF/llama.cpp. Исходные веса разработаны Beijing Academy of Artificial Intelligence, а конверсия не содержит новых весов. Модель основана на 12-слойном BERT-энкодере с 33 млн параметров, размером скрытого состояния 384, 12 attention heads и промежуточным слоем размерности 1536. Используются CLS-пулинг и L2-нормализация; размер итогового embedding — 384, максимальная длина последовательности — 512 токенов. Веса представлены в fp16, размер файла составляет около 64 МБ. Поддерживается английский язык; модель принимает токенизированный текст и возвращает last_hidden_state, из которого извлекается embedding CLS-токена. Сильная сторона модели — возможность эффективного on-device-инференса через MNN и практически полное совпадение качества с GGUF-базовой версией в указанном синтетическом retrieval-тесте: для Recall@1, @3, @5 и @10 регрессии не выявлено, а среднее межмодельное cosine similarity составило 0,9962. Ограничения включают поддержку только английского языка, предел в 512 токенов и необходимость корректно выполнять CLS-пулинг, L2-нормализацию и, для асимметричного поиска, добавлять стандартный BGE-префикс к запросу. Модель распространяется по лицензии MIT.

Карточка модели Long0409/bge-small-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

nishimoto/contriever-sentencetransformer — порт Contriever в формате Sentence-Transformers. Модель на архитектуре BERT содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска и кластеризации текстов. Векторные представления можно использовать для сравнения смысловой близости предложений и абзацев. Репозиторий содержит веса PyTorch; для работы с моделью в README рекомендуется библиотека Sentence-Transformers. Ограничение контекста — 512 токенов. В README лицензия не указана.

Это визуальный энкодер ConvNeXt-Base из семейства CLIP, опубликованный в библиотеке timm. Веса обучены на данных LAION при разрешении изображения 320 пикселей; модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения. Модель принимает изображения и выдаёт векторы признаков. Это только визуальная часть CLIP: текстовый энкодер и генерация текста в репозитории не представлены. Модель распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0; использовать её можно в приложениях, совместимых с timm.

michaelfeil/ct2fast-e5-small-v2 — компактная англоязычная модель текстовых эмбеддингов E5-small-v2, подготовленная Михаэлем Файлем для ускоренного инференса через CTranslate2. Это BERT-модель с 12 слоями, размерностью эмбеддинга 384 и примерно 40 млн параметров; заявлены варианты инференса int8 и float16. Она преобразует тексты в векторы для семантического поиска, извлечения релевантных фрагментов и сравнения предложений. Для запросов и документов следует использовать префиксы «query: » и «passage: » по назначению; без них качество может снижаться. В задачах сравнения и поиска важен относительный порядок оценок сходства, а не их абсолютные значения. Модель рассчитана только на английский язык, а вход ограничен контекстом 512 токенов: более длинные тексты будут усечены. Она может ускорить инференс и снизить расход памяти на CPU или GPU при использовании CTranslate2. Лицензия — MIT.

bobox/DeBERTa-small-ST-v1-test-step2 — Sentence Transformers на базе DeBERTa-v2, дообученная авторами на наборах пар и триплетов предложений, включая данные для поиска, вопросов и ответов, проверки фактов и выявления отрицания. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства и перефразирования, кластеризации и извлечения признаков текста. README приводит результаты оценки на STS и VitaminC, однако качество зависит от задачи и набора данных. Основной язык — английский. Данные не сообщают лицензию, поэтому условия использования по ним определить нельзя.

mrm8488 разработал англоязычную модель Sentence Transformer на основе distilbert/distilroberta-base, дообучив её на наборе sentence-transformers/all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает RoBERTa и усреднение токенных представлений. Модель содержит 95,2 млн параметров и обрабатывает последовательности длиной до 514 токенов по метаданным Hugging Face. Модель предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразирований, кластеризации и подготовки векторов для классификации текста. Обучение с MatryoshkaLoss позволяет использовать укороченные представления; в README приведены результаты оценки сходства для размерностей от 16 до 768. Модель ориентирована на английский язык и выдаёт векторы, а не готовые текстовые ответы. Лицензия в предоставленных данных не указана.

Dmeta-embedding-zh — плотная модель эмбеддингов на архитектуре BERT, разработанная командой DMetaSoul. Она преобразует китайские и английские тексты в векторы для семантического поиска, сопоставления предложений и других задач, основанных на близости текстовых представлений. Модель предназначена для поиска, вопросно-ответных систем, интеллектуальной поддержки клиентов и приложений с дополненной генерацией по поиску (RAG); поддерживает интеграцию через Transformers, Sentence-Transformers и LangChain. В модели 129,5 млн параметров, размерность эмбеддингов — 768, а контекстное окно составляет до 1024 токенов. В README заявлены обучение на разнообразных слабых и размеченных парах, включая данные из нескольких предметных областей, и оптимизация для задач поиска. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Результаты MTEB, приведённые в карточке, относятся к опубликованной оценке 2024 года; фактическое качество может зависеть от данных и сценария применения.

nthakur/dragon-roberta-query-encoder — порт модели facebook/dragon-roberta-query-encoder в формат Sentence-Transformers. Модель на архитектуре RoBERTa содержит 151,8 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Для получения представления применяется pooling поверх контекстных представлений токенов; доступен вариант использования через Sentence-Transformers и Hugging Face Transformers. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. В метаданных указан датасет MS MARCO, а максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Alibaba-NLP/E2Rank-4B — модель для текстовых эмбеддингов и спискового переранжирования, разработанная Alibaba-NLP на основе Qwen3-4B. Она преобразует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству для поиска и ранжирования. При переранжировании список кандидатов включается в специальный запрос, чтобы учесть взаимный контекст документов. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров, размер эмбеддинга 2560 и контекст до 40 960 токенов. Карточка описывает её как поддерживающую инструкции; модель обучена для эмбеддингов и переранжирования. Авторы сообщают о результатах на BEIR и MTEB, но это не гарантирует аналогичного качества на конкретных данных. Для получения эмбеддингов нужно вручную добавлять специальный токен в конец каждого входного текста. Модель подходит для поисковых систем и RAG-конвейеров, где нужны извлечение документов и последующее ранжирование кандидатов. В README приведены англоязычные результаты бенчмарков; поддержка других языков в предоставленных данных не подтверждена. Лицензия — Apache-2.0.

E5-base — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang и соавторами. Это плотная модель на архитектуре BERT с 12 слоями, размерностью эмбеддинга 768 и 136,7 млн параметров; она принимает текст и выдаёт векторные представления. Модель обучена методом контрастивного предобучения со слабым контролем и предназначена для сравнения смысловой близости текстов и поиска по текстовым коллекциям. E5-base подходит для семантического поиска, извлечения релевантных фрагментов для систем вопросов и ответов, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для корректной работы следует добавлять префиксы «query: » и «passage: » в соответствии с типом задачи. В репозитории указаны веса PyTorch и safetensors; длина контекста — до 512 токенов. Модель работает только с английским текстом, а более длинные входы обрезаются до 512 токенов. Авторы рекомендуют перейти на e5-base-v2, который, по их сообщению, показывает лучшие результаты при том же способе использования. Лицензия — MIT.

sobamchan/e5-base-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на базе intfloat/e5-base на датасете all-nli. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией и преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина входа — 512 токенов. Векторы предназначены для сравнения по косинусному сходству и поддерживают семантический поиск, поиск перефразировок, кластеризацию и классификацию текста. В README приведён результат на sts-dev: Spearman по косинусному сходству — 0,8695. Модель рассчитана на английский язык, обучена с использованием all-nli и MatryoshkaLoss с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

E5-base-v2 — англоязычная модель эмбеддингов текста, разработанная Liang Wang, Nan Yang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 12 слоёв, размерность эмбеддинга 768, около 136,7 млн параметров. Модель принимает текст и выдаёт векторные представления для сравнения предложений и поиска по смыслу. Модель подходит для семантического сходства, поиска документов и пассажей, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Для асимметричного поиска рекомендуется добавлять к запросам префикс «query: », а к документам — «passage: »; для сходства и других симметричных задач используется префикс «query: ». Контекст ограничен 512 токенами, длинные тексты обрезаются; модель предназначена только для английского языка. Лицензия — MIT.

Eklav-14B-Reranker — плотная языковая модель семейства Qwen3 на 14 млрд параметров, разработанная для ранжирования текстовых пассажей. Это дообучение Qwen/Qwen3-14B методом Eklav: при обучении модель продолжает частичный след рассуждений учителя и самостоятельно выводит ответ, вместо того чтобы воспроизводить полный след рассуждений. По карточке модели, на BRIGHT она показала преимущество в 7% по nDCG@10 относительно стандартного обучения на полных следах рассуждений при снижении вычислений на обучение на 24%; результаты получены в одном оценочном запуске для каждого домена. При использовании модель оценивает релевантность пары «запрос — пассаж»: генерирует рассуждение с итогом true или false, а релевантность определяется по логитам конечного токена. На этапе применения подсказка учителя не используется. Модель рассчитана на текстовый ввод и выдаёт текстовое рассуждение и оценку релевантности. Используется библиотека Transformers, формат весов — safetensors; базовая модель имеет контекст до 40 960 токенов. Лицензия в предоставленных данных не указана.

rithwik-db разработал sentence-transformers-модель на базе BERT для преобразования предложений и абзацев в плотные векторы размерности 1024. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства; для получения эмбеддингов можно использовать Sentence-Transformers либо Transformers с подходящей операцией pooling. Контекст ограничен 512 токенами. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.