I.14Автоматизация процессов и AI-агенты

Donut Base ASCII — преобразованная версия naver-clova-ix/donut-base, подготовленная nbroad. Это модель архитектуры Vision Encoder-Decoder для преобразования изображений в текст. Из словаря удалены не-ASCII токены и добавлен токен «1»; модель не обучалась дополнительно после исходной. Модель рассчитана на базовые англоязычные сценарии, где распознаваемый текст состоит преимущественно из латинских букв, цифр и обычной пунктуации. В сравнении, приведённом автором карточки, генерация 10 токенов занимала около 195 мс против 205 мс у исходной модели и 280 мс при использовании списка запрещённых токенов. Модель распространяется под лицензией Apache-2.0. Удаление токенов ограничивает её применимость к текстам с символами за пределами ASCII; дополнительных задач обучения автор не проводил.

Модель vblagoje/dpr-question_encoder-single-lfqa-base разработана Владимиром Благойевичем на архитектуре DPRQuestionEncoder. Она преобразует вопросы в векторные представления с использованием выходов pooler трансформера и предназначена для поиска подходящих ответов в системе извлечения информации по длинным вопросам и ответам (LFQA). Модель дообучена на парах вопросов и ответов из набора LFQA с использованием PAQ-предобученного чекпойнта и FAIR dpr-scale. В метаданных указаны 136,7 млн параметров, контекст до 512 токенов, поддержка английского языка и лицензия MIT. Для поиска ответов её используют вместе с соответствующим DPR-кодировщиком контекстов; на бенчмарке KILT для LFQA-системы сообщаются R-precision 6,69 и Recall@5 14,5.

leomaurodesenv выпустил дообученную модель-классификатор на базе google/electra-base-discriminator. Она использует архитектуру ELECTRA с энкодером Transformer и предназначена для классификации текста. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. На наборе оценки указаны loss 0,2955 и accuracy 0,9017. Датасет, конкретные классы и предполагаемые сценарии применения не описаны, поэтому эти результаты нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

Модель gregonzalez/eventclassificationiceout — дообученная gregonzalez языковая модель семейства Llama на базе unsloth/llama-3.1-8b-instruct-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название репозитория указывает на классификацию событий, однако карточка не описывает эту специализацию и не приводит примеров или оценок качества. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; заявленная длина контекста — 131 072 токена. В карточке указаны английский язык и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

philschmid/flan-t5-base-samsum — модель на базе google/flan-t5-base, дообученная разработчиком philschmid на наборе диалогов SAMSum. Она предназначена для суммаризации переписок и разговоров: на вход подаётся текст диалога, на выходе — краткое резюме. Модель использует архитектуру T5 и содержит 123,8 млн параметров; максимальная длина контекста — 512 токенов. Доступны веса PyTorch. На оценочном наборе указаны значения ROUGE-1 47,24, ROUGE-2 23,51 и ROUGE-L 39,63. Карточка не описывает поддержку языков и не приводит иных ограничений или рекомендаций по применению. Лицензия — Apache-2.0.

Карточка модели eaboouf55/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Карточка модели isahsn/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

ottema/gliner2-ptbr-v23 — модель извлечения именованных сущностей для бразильского португальского языка, разработанная в рамках открытого проекта Ottema GLiNER2-PTBR. Это дообученная версия fastino/gliner2-multi-v1 на данных HAREM, LFCC, синтетических примерах и псевдоразметке из португалоязычной Википедии. Архитектура GLiNER2 поддерживает извлечение сущностей с открытым набором меток; формат весов — safetensors. Модель предназначена для NER в энциклопедических и журналистских текстах на PT-BR. В оценке авторов на HAREM она показала entity F1 0,4749 по макроусреднению на уровне примеров и задержку 31 мс на GPU. Результат зависит от протокола оценки и не гарантирует аналогичного качества на других наборах данных. Репозиторий помечен как устаревший: для новых интеграций авторы рекомендуют ottema/gliner2-ptbr-harem; текущая версия сохранена для воспроизводимости и обратной совместимости и обновляться не будет. На разговорных сообщениях модель может работать хуже; качество определения границ сущностей уступает указанной авторами модели BERT-CRF. Лицензия — Apache-2.0.

halluscoring-arbert-nli — модель классификации текста на базе ARBERT, разработанная авторами проекта HalluScoring. Она дообучена на наборе HalluScoring 2026 Task 1.1 для выявления галлюцинаций: модель сопоставляет эталонный ответ и ответ модели в формате NLI, подавая их как пару последовательностей. Модель использует архитектуру BERT с примерно 190 млн параметров и принимает до 512 токенов. Она предназначена для проверки ответов на арабском языке; README приводит результаты на dev-выборке, включая AUC-ROC 0,9663, но сообщает, что эту версию не оценивали независимо на скрытом тесте. Для вывода необходим эталонный ответ (gold_answer). Модель распространяется по лицензии Apache-2.0.

hc3-wiki-domain-classification-roberta — модель классификации текста на базе RoBERTa, дообученная разработчиком rajendrabaskota на наборе данных, обозначенном в карточке как None. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для отнесения текстов к классам тематических областей, связанных с HC3 и Wikipedia. В карточке приведены результаты оценки: accuracy 0,9810 и F1 0,9810 при loss 0,1821. Описание классов, состав обучающего набора и конкретные ограничения в карточке не раскрыты. Модель распространяется по лицензии MIT.

HerBERT-base-cased — польскоязычная языковая модель на архитектуре BERT, разработанная командой машинного обучения Allegro совместно с группой лингвистической инженерии Института компьютерных наук Польской академии наук. Модель содержит 151,6 млн параметров и обучена на польских текстовых корпусах с помощью masked language modeling и Sentence Structural Objective, с динамическим маскированием целых слов. Для токенизации используется символьный BPE-токенизатор с словарём из 50 тысяч токенов; длина контекста — 514 токенов. Модель предназначена для извлечения признаков из польского текста и может служить представлением текста для последующих задач обработки естественного языка. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель опубликована по лицензии CC BY 4.0, требующей указания авторства.

HierarCaps CLIP-B — дообученная модель CLIP ViT-B/32 на основе openai/clip-vit-base-patch32, связанная с работой «Emergent Visual-Semantic Hierarchies in Image-Text Representations» (ECCV 2024). Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без дообучения. Дообучение на наборе HierarCaps усиливает иерархическую организацию пространства эмбеддингов и помогает учитывать, насколько описание конкретно или обобщённо. Модель принимает изображения и текст, а выдаёт векторные представления для их сопоставления. Распространяется по лицензии MIT.

Huihui-MiniCPM5-2B-abliterated-i1-GGUF — это GGUF-квантизированная версия языковой модели Huihui-MiniCPM5-2B-abliterated, разработанной Huihui AI и подготовленной для квантования пользователем mradermacher. Модель предназначена для генерации текста, диалоговых сценариев, работы с длинным контекстом, вызова инструментов и локального запуска на устройствах с ограниченными ресурсами. В README заявлена поддержка английского и китайского языков. Модель относится к семейству MiniCPM и имеет около 2 млрд параметров. Она поставляется в нескольких вариантах квантования GGUF с размером файлов примерно от 0,8 до 2,2 ГБ, включая IQ-, Q2-, Q3-, Q4-, Q5- и Q6-варианты. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; в README вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Точный размер контекста, архитектурные детали и результаты бенчмарков не указаны. К сильным сторонам относятся небольшой размер, возможность локального и on-device использования, поддержка английского и китайского языков, а также заявленные возможности работы с длинным контекстом и tool calling. Ограничения связаны с малым числом параметров, потерей качества при агрессивном квантовании и отсутствием в README подробных оценок качества. Модель помечена как abliterated и uncensored, однако характеристики безопасности и поведения дополнительно не описаны. Распространяется по лицензии Apache-2.0.

hotchpotch разработала японский ранжировщик CrossEncoder для переоценки релевантности пар текста, например запросов и найденных документов. Модель построена на XLM-RoBERTa и имеет 6 слоёв со скрытым размером 384; в метаданных указано 110,2 млн параметров и контекст до 514 токенов. Она распространяется в формате safetensors и работает с библиотекой Sentence Transformers. Модель предназначена для повторного ранжирования результатов поиска и оценки соответствия текста запросу на японском языке. В README приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD, а среди обучающих данных каталог указывает JQaRA, JGLUE, MIRACL, Mr.TyDi и mMARCO. Лицензия — MIT. Показатели качества относятся к указанным наборам оценки и сами по себе не гарантируют результат на других данных.

hotchpotch разработала japanese-splade-base-v1 — японскую модель SPLADE для поиска по тексту. Она преобразует текст в разреженные векторы с лексическим расширением, подходящие для построения поискового индекса и извлечения релевантных документов. В основе — дообученная BERT-модель tohoku-nlp/bert-base-japanese-v3 с архитектурой BertForMaskedLM; модель содержит 138,4 млн параметров и обрабатывает контекст до 512 токенов. Модель предназначена для японского информационного поиска и retrieval-сценариев. В README приведены оценки на JMTEB, JaCWIR и JQaRA; для части наборов данных отмечено обучение на доменных данных, поэтому результаты на них могут не отражать качество на новых доменах. При запуске через text-embeddings-inference автор рекомендует использовать отдельный fast tokenizer. Лицензия — MIT.

KPF-BERT-NER — Корейская модель распознавания именованных сущностей, разработанная Корейским фондом прессы на основе KPF-BERT. Она добавляет классификационный слой к BERT и размечает токены в текстах, относя их к 150 классам сущностей; для разметки используется схема BIO. Модель предназначена для извлечения имен людей, организаций, мест, времени и других сущностей из текстов, в частности из новостных статей, и применялась в функции анализа сущностей сервиса BigKinds Lab Inside. Модель построена на архитектуре BERT, содержит 141,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Она принимает текст и выдаёт метки токенов. Обучение описано на корейском газетном корпусе Национального института корейского языка; базовый KPF-BERT специализируется на газетных текстах и материалах СМИ. README направляет за примерами использования и кодом в репозиторий KPF-bigkinds. Лицензия в доступных данных не указана.

Laguna-S-2.1-UD-Q4_K_XL-layers — пакет слоёв модели семейства Laguna, подготовленный Mesh LLM для распределённого вывода. Он основан на unsloth/Laguna-S-2.1-GGUF и сохраняет исходное распределение GGUF, разделённое на артефакты по слоям; вариант квантизации — UD-Q4_K_XL. Пакет предназначен для локального приватного чат-вывода и запуска модели на кластере Mesh LLM, когда её полный файл не помещается на одной машине. Он поддерживает распределение вычислений между несколькими узлами и сценарии чата через локальный API, совместимый с OpenAI. Метаданные указывают задачу генерации текста и библиотеку mesh-llm. Репозиторий содержит именно пакет для распределённого запуска, а не самостоятельное описание исходной архитектуры. Для архитектурных подробностей, шаблона чата, рекомендаций по генерации и условий лицензии README направляет к карточке исходной модели. Указанная лицензия — OpenMDW 1.1.

laya-ara — дообученная Mohammad Alkhenizan модель ConvAI Laya для арабских задач понимания текста и принятия решений по заданным вариантам ответа. Она основана на convaiinnovations/laya-multilingual и использует архитектуру ModernBERT с плотными весами; размер модели — 306,9 млн параметров, контекст — до 8192 токенов. Это не генеративная языковая модель: она выбирает ответ, оценивает бинарное следование выводу и при необходимости выдаёт порядковую оценку. Модель предназначена для классификации намерений и сценариев, вывода по естественному языку и ранжирования небольшого списка кандидатов на арабском языке. В карточке приведены результаты на MASSIVE-ar, OSACT4-A и арабской части XNLI; также сообщается об улучшении выбора предложений в TyDiQA-ar и ранжирования коротких списков по сравнению с базовой моделью. Результаты зависят от задачи: например, XNLI уступает типичным дообученным AraBERT, а на некоторых задачах определения токсичности качество ниже базовой модели. Для запуска карточка рекомендует библиотеку Laya. Модель выпущена под лицензией с ограничением использования в исследованиях и некоммерческих целях из-за включения данных XNLI с лицензией CC BY-NC 4.0. У неё нет головы для токенной разметки NER или извлечения фрагментов текста; оценку распознавания оскорбительной речи нельзя считать гарантией для модерации. Разнообразие арабских диалектов исследовано ограниченно.

legal-embed-modernbert-v2 — англоязычная модель эмбеддингов для поиска по юридическим текстам, разработанная автором репозитория на базе nomic-ai/modernbert-embed-base. Это дообученная плотная ModernBERT-модель размером 149 млн параметров, предназначенная для сопоставления юридических вопросов с релевантными фрагментами и описаний типов договорных положений с текстом соответствующих пунктов. Модель поддерживает векторные представления Matryoshka: их можно сокращать с 768 до 512, 256, 128 или 64 измерений, снижая стоимость поиска с некоторой потерей качества. Модель подходит для поиска ответов в юридических корпусах, поиска договорных оговорок и построения RAG-систем. В метаданных указано контекстное окно 8192 токена, однако обучение и приведённые оценки проводились при длине последовательности 256 токенов; длинные договоры рекомендуется разбивать на фрагменты. В README описаны высокие результаты на поиске юридических вопросов и договорных положений, но на тесте вопросов о потребительских договорах v2 немного уступила v1 и базовой модели. Данные преимущественно относятся к США, Великобритании и Австралии, поэтому другие юрисдикции представлены слабее. Модель выполняет поиск и сопоставление, но не генерирует юридические советы. Лицензия — Apache-2.0.

bunnycore создала диалоговую модель генерации текста Llama-3.2-3B-Prodigy, объединив методом TIES модель huihui-ai/Llama-3.2-3B-Instruct-abliterated с тремя моделями bunnycore: Pure-RP, Mix-Skill и Sci-Think. Модель построена на архитектуре LlamaForCausalLM, содержит 3,2 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев; объединённые модели ориентированы на ролевое общение, разнообразные навыки и научное рассуждение. Метаданные также указывают интерфейс вызова инструментов. Данные не подтверждают поддержку изображений или иных модальностей помимо текста. Лицензия в предоставленных источниках не указана.

Это дообученная модель KKHYA/llavaqwen3-1.7b-finetune с архитектурой NMMaskMoELLaVAQwen3ForCausalLM. Она содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, а её контекст составляет до 40 960 токенов. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. README не приводит сведений о датасете, специальных сценариях обучения или оценках качества, поэтому возможности и ограничения за пределами генерации текста и диалога не определены.

Карточка модели NiuTrans/LMT-60-4B на Hugging Face совпадает с карточкой NiuTrans/LMT-60-0.6B, поэтому описание составлено по ней. LMT-60-0.6B — модель машинного перевода от команды NiuTrans, дообученная на базе NiuTrans/LMT-60-0.6B-Base. Она относится к плотной архитектуре Qwen3ForCausalLM, содержит около 507,9 млн параметров и принимает контекст до 32 768 токенов. Модель входит в семейство LMT-60, обученное на 90 млрд токенов; семейство рассчитано на перевод между 60 языками в 234 направлениях с особым вниманием к китайскому и английскому языкам. Модель предназначена для многоязычного перевода текстов, включая языки с высоким, средним и низким объёмом ресурсов. Её можно использовать для перевода документов, сообщений и пользовательского контента между поддерживаемыми языками. Карточка заявляет конкурентное качество среди моделей с сопоставимым языковым охватом, но не приводит здесь конкретных метрик для этого чекпойнта. Выпущена под лицензией Apache-2.0.

LumynaX OCR TrOCR Large Handwritten — архивный эксперимент AbteeX AI Labs на основе microsoft/trocr-large-handwritten. Это модель архитектуры vision-encoder-decoder, предназначенная для распознавания рукописного текста на изображениях и преобразования его в текст. В выпуске сохранены исходные веса TrOCR; указана интеграция через маршрутизацию во время выполнения без слияния весов. Репозиторий использует PyTorch и библиотеку Transformers. Модель подходит для оцифровки рукописных записей и обработки изображений с рукописным текстом. Карточка помечает выпуск как устаревший и не рекомендует его для производственного применения; он больше не поддерживается. Лицензия — MIT.

Карточка модели mergekit-community/mergekit-slerp-jplqsgv на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-qabprkt на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

MiLMMT-46-1B-v0.1 — языковая модель для машинного перевода, разработанная Xiaomi. Это дообученная версия MiLMMT-46-1B-Pretrain на базе Gemma3-1B: базовая модель прошла дополнительное предобучение на смеси из 143 млрд токенов монолингвальных и параллельных данных для 46 языков. Модель имеет плотную архитектуру Gemma 3 с причинным языковым моделированием, содержит 1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для перевода текста между поддерживаемыми языками с помощью текстового запроса, в котором задаются исходный и целевой языки. Она поддерживает 46 языков, включая русский, английский, китайский, японский, арабский, хинди и другие. В метаданных указана лицензия Gemma; веса доступны в формате safetensors для Transformers. Модель может переводить только между перечисленными в карточке языками; качество перевода на другие языки не гарантируется. Xiaomi отмечает, что качество перевода продолжает улучшаться.

MiniCPM5-1B-SFT-Fable5-Glint — языковая модель ermiaazarkhalili, полученная дообучением openbmb/MiniCPM5-1B на датасете инструкций Fable-5-Glint-Clean. Модель использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста и диалоговых ответов по инструкциям; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет до 131 072 токенов, модель распространяется в формате safetensors под лицензией Apache-2.0. Веса LoRA объединены с базовой моделью, поэтому адаптер нельзя отделить от итогового чекпойнта. Для этой версии не приводятся результаты тестирования на прикладных бенчмарках: опубликованы только наблюдения за обучающей функцией потерь. Поведение за пределами единственного обучающего набора не проверено; модель наследует ограничения и предвзятости базовой модели.

mitre-bert-base-cased — модель классификации последовательностей на архитектуре BERT, дообученная автором репозитория на наборе данных, обозначенном как None. Она предназначена для классификации текста. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors. В карточке приведены результаты оценки: accuracy 0,6994 и loss 1,0145. Назначение классов, состав обучающих данных и подробные ограничения не описаны. Модель основана на google-bert/bert-base-cased и лицензирована по Apache-2.0.

Onkarn/ML-Test-v01 — разговорная модель генерации текста на базе архитектуры Llama с 3,2 млрд параметров. Она принимает текстовые запросы и генерирует текст; в метаданных также отмечен интерфейс вызова инструментов. Модель опубликована в формате safetensors и рассчитана на контекст до 131 072 токенов. Карточка не содержит сведений о разработчике, базовой модели, обучении, целевых сценариях, языках или лицензии. Поэтому пригодность для конкретных задач, качество ответов и условия использования по доступным данным определить нельзя.

Это sentence-transformers-модель tanbinh2210, дообученная на парах вопросов и подходящих текстов на базе tanbinh2210/mlm-vinai_phobert-base-v2. Она использует RoBERTa PhoBERT и mean pooling, преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов; обучающие примеры включают вопросы и ответы по расчёту налогов на вьетнамском языке. Максимальная длина входа составляет 258 токенов по метаданным; README указывает ограничение 256 токенов. Модель принимает текст и выдаёт эмбеддинги, лучше всего подходит для сопоставления вьетнамских вопросов с релевантными текстами. Для длинных документов потребуется разбиение на фрагменты. Сведения о лицензии в предоставленных источниках отсутствуют.