I.14Автоматизация процессов и AI-агенты

Карточка модели ceggian/sbert_pt_reddit_mnr_512 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_mnr_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_mnr_32 — модель Sentence-Transformers на базе BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучена с функцией потерь MultipleNegativesRankingLoss на данных Reddit; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления, поэтому подходит для поиска похожих сообщений, группировки текстов и ранжирования кандидатов по семантической близости. В репозитории находятся веса PyTorch. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

djsull выпустил модель djsull/sentence-roberta-small для получения векторных представлений предложений и оценки их семантического сходства. Это Sentence Transformer на базе RoBERTa с 81,2 млн параметров: модель усредняет токенные представления, выдаёт эмбеддинги размерности 768 и рассчитана на последовательности длиной до 256 токенов. Сходство между предложениями можно оценивать косинусной мерой. Модель подходит для сравнения формулировок, поиска семантически близких предложений и построения систем поиска по тексту. В README приведены результаты оценки на sts-dev: корреляция Спирмена для косинусного сходства составляет 0,847. Данные обучения включают корейские примеры, однако сведения о полном наборе поддерживаемых языков отсутствуют. Метаданные указывают на контекст до 514 токенов; для применения через Sentence Transformers в README указан предел 256 токенов. Лицензия в предоставленных данных не указана.

Карточка модели ITESM/st_demo_5 на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели bennegeek/stella_en_1.5B_v5 на Hugging Face совпадает с карточкой delwinn/stella_en_1.5B_v5, поэтому описание составлено по ней. delwinn/stella_en_1.5B_v5 — англоязычная модель эмбеддингов, разработанная на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных текстов по запросу и оценки семантического сходства. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и выдаёт текстовые векторы; поддерживает представления размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения. Для большинства задач предусмотрены варианты промптов s2p и s2s; обычно автор рекомендует размерность 1024. Модель обучена с использованием MRL и доступна в формате PyTorch/SafeTensors. Хотя нативный контекст составляет 131072 токена, автор рекомендует ограничивать последовательности 512 токенами: модель обучалась на такой длине и, по описанию, хуже справляется с поиском по специализированным длинным текстам. Детали обучения и использованные наборы данных в README не раскрыты. Лицензия — MIT.

Trismal-HyperAmocles-7B-Base-Ties — объединённая модель на базе Mistral, созданная JoPmt методом TIES с помощью LazyMergekit из JoPmt/Trismal-Amocles-7B-Base-Ties и Locutusque/Hyperion-2.0-Mistral-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста.

YAR.INK v5_Embedding — текстовая модель эмбеддингов от YARlabs для семантического поиска, кластеризации и выявления иерархических связей в больших наборах данных. Модель содержит 507,6 млн параметров, принимает текст и возвращает векторы признаков; архитектура YarEmbeddingModel использует гиперболическое пространство Лоренца и Matryoshka Representation Learning. Заявленное авторами окно контекста — 512 токенов, токенизатор основан на Qwen2Tokenizer. Модель предназначена для поиска по документам и базам знаний, построения иерархий и компактных векторных индексов, в том числе для систем RAG и устройств с ограниченными ресурсами. Размерность эмбеддингов можно уменьшать, выбирая конфигурации Matryoshka; для сравнения векторов README предписывает использовать расстояние Лоренца, а не косинусную или евклидову метрику. Приведённые в README результаты сравнения являются заявлениями авторов. В репозитории указаны форматы safetensors и ONNX. Для загрузки требуется trust_remote_code=True, поскольку используются пользовательские классы архитектуры. Метаданные и README не сообщают лицензию, поэтому условия использования определить нельзя.

VibeVoice-ASR-7B — мультимодальная модель распознавания речи семейства VibeVoice, представленная в карточке bezzam; код и исходный проект связаны с Microsoft. Она принимает аудио и создаёт структурированную транскрипцию с текстом, временными отметками и указанием говорящих, объединяя распознавание речи, диаризацию и таймкодирование. Модель рассчитана на длинные записи до 60 минут за один проход, поддерживает более 50 языков и переключение языков в речи. Можно передавать контекстные подсказки и пользовательские ключевые слова для имён и специализированных терминов. Модель реализована как плотная архитектура VibeVoice ASR для Transformers и распространяется в формате safetensors; в README заявлена обработка аудио с контекстом до 64K токенов. Для запуска карточка указывает на использование отдельного форка Transformers, поскольку поддержка ещё не объединена с основной библиотекой. Лицензия — MIT. В README приведены результаты оценки на нескольких наборах данных, однако они не гарантируют аналогичное качество на других языках, типах записи и акустических условиях.

Cloyne/vietnamese-sbert-v2 — дообученная модель Sentence Transformers на основе Cloyne/vietnamese-sbert, разработанная для кодирования предложений и абзацев на вьетнамском языке в плотные векторы размерностью 768. Архитектура использует RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Максимальная длина входной последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучена с MultipleNegativesRankingLoss на наборе из 120 210 пар anchor-positive из CSV-файла. Подходит для построения вьетнамоязычных систем поиска и группировки текстов. Модель распространяется в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

deepdml/whisper-large-v3-turbo — многоязычная модель распознавания речи семейства Whisper, основанная на Whisper large-v3 от OpenAI. Это Transformer encoder-decoder с 905,2 млн параметров; в версии Turbo число слоёв декодера сокращено с 32 до 4, что ускоряет генерацию транскрипции с небольшим снижением качества. Модель принимает аудио и преобразует речь в текст, поддерживая распознавание на языке оригинала; семейство Whisper также умеет переводить речь, однако метаданные этой модели указывают только задачу автоматического распознавания речи. Модель подходит для транскрибирования записей, интервью, встреч и других аудиоматериалов на многих языках. Для длинных записей README описывает последовательную обработку скользящим окном и разбиение на перекрывающиеся фрагменты; стандартное окно восприятия составляет 30 секунд. По заявлению карточки, Whisper устойчив к акцентам, фоновому шуму и технической лексике, но точность неодинакова между языками, диалектами и группами говорящих. Возможны повторы и галлюцинации — текст, отсутствующий в аудио. Модель распространяется под лицензией Apache-2.0. README указывает поддержку библиотеки Transformers; файлы репозитория представлены в формате safetensors.

airnicco8/xlm-roberta-de — модель эмбеддингов на базе XLM-RoBERTa, представленная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки сходства текстов, семантического поиска и кластеризации. Модель обучена на немецкоязычных расшифровках выступлений TED; заявленный контекст составляет 514 токенов, размер — около 305,2 млн параметров. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать для поиска семантически близких текстов или группировать для кластеризации. Для использования с Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Карточка также отмечает возможность дообучения для NLI и классификации текста, но не приводит готовых результатов для этих задач. Лицензия в предоставленных данных не указана.

YuLan-Mini-Instruct — компактная языковая модель, разработанная командой YuLan и предназначенная для диалогов и выполнения инструкций. Это дообученная версия YuLan-Mini: авторы применили supervised fine-tuning, preference fine-tuning и обучение с подкреплением. Модель семейства Llama имеет плотную архитектуру и около 2,2 млрд параметров по метаданным; в README указано 2,4 млрд. Контекст составляет около 28 тысяч токенов. Модель подходит для ответов на вопросы, следования инструкциям, рассуждений, решения математических задач и написания кода. В обучении использовались открытые и синтетические данные, в том числе материалы по математике, науке и китайским бытовым знаниям. Метаданные указывают поддержку английского и китайского языков и возможности чата и генерации кода. Авторы отмечают конкурентные результаты на задачах рассуждения, математики и программирования, но указывают на слабые результаты в тестах, требующих обширных знаний, например MMLU. Модель распространяется по лицензии MIT.

Карточка модели avsolatorio/60-600-13-1-4-2-0-0-384-512-cm_NOI_avsolatorio_GIST-all-MiniLM-L6-v2-20240511173541-best на Hugging Face совпадает с карточкой avsolatorio/GIST-all-MiniLM-L6-v2, поэтому описание составлено по ней. GIST Embedding v0 — модель векторных представлений текста, созданная Av Solatorio. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 с методом GISTEmbed: обучающие негативные примеры отбираются из MEDI и дополненных триплетами обучающих данных классификации MTEB. Модель имеет архитектуру BERT, содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и оценки их сходства, в том числе для семантического поиска и retrieval. Для кодирования запросов не требуются специальные инструкции. Модель оценивали на бенчмарке MTEB; дообучение улучшило некоторые задачи, но ухудшило результаты на других, включая поиск по TRECCOVID. Поддерживается английский язык. Лицензия — MIT.

aneforge/all-MiniLM-L6-v2 — копия англоязычной модели all-MiniLM-L6-v2 от Sentence Transformers, подготовленная для запуска через ANEForge на Apple Neural Engine. Согласно карточке, веса побайтно совпадают с исходной моделью; репозиторий маркирован как дообучение базовой модели sentence-transformers/all-MiniLM-L6-v2. Это плотный BERT-энкодер с 25,9 млн параметров и контекстом до 512 токенов, предназначенный для вычисления семантических векторов предложений и сравнения их сходства. Модель подходит для семантического поиска, ранжирования похожих предложений и кластеризации текстов. Метаданные указывают задачу sentence-similarity, формат весов safetensors и библиотеку ANEForge. Для использования указан пакет ANEForge с поддержкой моделей; условия лицензии — Apache-2.0. Модель ориентирована на английский язык, а карточка не заявляет поддержку других языков.

ArlowGPT-3B-Multilingual — многоязычная инструктивная языковая модель для диалогов и генерации текста, разработанная на основе ArlowGPT-3B. По README, модель дополнительно дообучена на многоязычном наборе ArlowGPT Multilingual в течение пяти эпох; метаданные указывают архитектуру Llama с плотной causal language model на 3,2 млрд параметров. Модель предназначена для следования инструкциям, многоходового общения, ответов на вопросы, создания и краткого изложения текстов на разных языках. Модель принимает текстовые запросы и генерирует текст. В карточке заявлены сценарии для чат-ботов и помощников, межъязыковых ответов на вопросы, поддержки клиентов, творческого письма и работы с документами. Метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов; README не уточняет поддерживаемые языки по отдельности, поэтому конкретные языки не перечислены. Размер модели рассчитан на сравнительно ресурсосберегающее развертывание, хотя практические требования зависят от формата и оборудования. Лицензия — MIT. README заявляет широкий спектр возможностей, включая работу с юридическими, медицинскими и финансовыми текстами, но не приводит независимых оценок качества или подтверждения пригодности для критически важных решений; ответы следует проверять, особенно в специализированных областях.

Модель gchhablani/bert-base-cased-finetuned-qqp разработана на основе bert-base-cased и дообучена для классификации пар вопросов на наборе GLUE QQP. Она использует архитектуру BERT для классификации последовательностей и предназначена для определения того, задают ли два вопроса одно и то же по смыслу. В README приведены результаты на оценочной выборке: accuracy 0,9084, F1 0,8768 и объединённая оценка 0,8926. Модель содержит 135,5 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Основной сценарий — выявление дубликатов вопросов, например, в поиске или при очистке базы вопросов и ответов. Указана лицензия Apache-2.0.

sobamchan/bert-base-uncased-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на google-bert/bert-base-uncased с использованием датасета all-nli. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости с помощью косинусного сходства. Архитектура состоит из BERT и mean pooling; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты оценки сходства предложений на STS, однако они не гарантируют такое же качество на других данных. Модель рассчитана на английский язык. Лицензия в предоставленных данных не указана.

textattack/bert-base-uncased-QQP — модель классификации текстовых пар от TextAttack, дообученная на задаче QQP (Quora Question Pairs). Она определяет, являются ли два вопроса перефразами и имеют ли сходный смысл; результат — один из двух классов: похожие или непохожие вопросы. Репозиторий Hugging Face указывает архитектуру BERT для классификации последовательностей, около 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для выявления дублирующих вопросов, группировки похожих запросов и экспериментов с классификацией пар предложений. Она принимает текстовые пары и выдаёт метку класса; по указанной uncased-версии BERT рассчитана на английский текст. Карточка модели не содержит описания лицензии, поэтому условия использования по доступным сведениям определить нельзя.

bertin-roberta-base-finetuning-esnli — модель Sentence-Transformers на архитектуре RoBERTa, разработанная Anibal Pérez, Emilio Tomás Ariza, Lautaro Gesuelli и Mauricio Mazuecos. Модель обучена на испанских задачах вывода по естественному языку, включая ESXNLI и автоматически переведённые SNLI и MultiNLI. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, кластеризации и оценки семантического сходства. Модель содержит 151,8 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. В оценке на испанском наборе SemEval-2015 STS она превзошла приведённый в карточке базовый результат BETO STS по корреляциям Пирсона и Спирмена. Для использования с Transformers требуется корректная операция pooling поверх контекстных представлений токенов. Сведения о лицензии в предоставленных данных отсутствуют.

swardiantara/bert-tiny-snli-k1-adaptive-euclidean — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает двухслойный BERT с усредняющим pooling; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным, хотя в README указано ограничение 128 токенов. Модель подходит для семантического поиска, извлечения кандидатов и оценки сходства текстовых фрагментов. Обучение описано на 1 648 104 парах текстов с контрастивной функцией потерь. Базовая модель англоязычная, поэтому основное применение ориентировано на английский язык. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

swardiantara/bert-tiny-snli-k1-fixed-euclidean — компактная модель Sentence Transformers, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов. Архитектура состоит из BERT с двумя слоями и mean pooling; в README указана максимальная длина последовательности 128 токенов, а метаданные указывают контекст до 512 токенов. Модель предназначена для семантического поиска, извлечения текстовых признаков и ранжирования кандидатов по сходству с запросом. Сходство векторов можно оценивать косинусной мерой. Англоязычная базовая модель и примеры обучающих данных указывают на ориентацию на английский язык. Модель содержит 4,4 млн параметров и распространяется в формате safetensors под лицензией, указанной в карточке Hugging Face.

mlx-community выпустила неофициальную 6-битную квантованную версию BAAI/bge-m3 для запуска на Apple Silicon с библиотекой MLX. Модель семейства XLM-RoBERTa содержит 658,7 млн параметров, принимает текст и формирует эмбеддинги размерностью 1024; длина контекста — 8194 токена. README описывает плотный, разреженный и многовекторный поиск, включая ColBERT, а метаданные указывают задачу feature-extraction. Квантование affine с группами по 64 веса уменьшает размер до 457 МБ — примерно на 58% относительно FP16 версии, сохраняя компромисс между качеством и использованием памяти. Модель подходит для поиска и сопоставления текстов, включая многоязычные сценарии. Поддерживаются английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский, португальский и русский языки. Лицензия — MIT.

raul-delarosa99/bge-small-en-v1.5-RIRAG_ObliQA — англоязычная Sentence Transformer модель, дообученная разработчиком на базе BAAI/bge-small-en-v1.5 для поиска и сопоставления текстов в сценариях вопросов и ответов. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 512; архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов. Для сравнения используется косинусное сходство. Модель содержит 40 млн параметров и обрабатывает до 512 токенов на входе. Модель подходит для семантического поиска релевантных фрагментов по вопросу, оценки сходства предложений и абзацев, поиска перефразировок, кластеризации и классификации текстов. В приведённой оценке на qa_eval дообученная версия показала более высокие значения точности и полноты поиска на первых десяти результатах, чем базовая модель. Обучающий набор содержит 29 547 пар anchor-positive с примерами вопросов и фрагментов ответов, в том числе юридического содержания. Для практического использования модель формирует векторные представления текста; она не генерирует ответы сама по себе. Лицензия в предоставленных данных не указана.

BigQwen2.5-Echo-47B-Instruct — разговорная языковая модель mlabonne, созданная с помощью MergeKit на основе Qwen/Qwen2-32B-Instruct. Это self-merge с распределённым повторением отдельных слоёв: число повторов постепенно меняется от краёв к середине и обратно. Модель имеет архитектуру Qwen2 и 46,6 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Метаданные указывают языки: китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Модель предназначена для диалогов и генерации текста; базовая Qwen2.5 также рассчитана на программирование, математику и структурированные ответы. В приведённой карточке результаты оценки ниже показателей Qwen2.5-32B-Instruct по среднему баллу, IFEval и BBH, поэтому показатели базовой модели не следует переносить на этот вариант. Доступны веса в формате Safetensors; лицензия — Apache-2.0.

anaghaj111/codebert-base-code-embed-mrl-langchain-langgraph — англоязычная модель Sentence Transformers, дообученная на базе shubharuidas/codebert-embed-base-dense-retriever. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для вычисления семантического сходства и поиска по смыслу. Архитектура основана на RoBERTa с усреднением токенных представлений; сходство оценивается косинусной мерой. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и подготовки признаков для классификации текста. Обучение с Matryoshka Loss позволяет использовать усечённые векторы меньшей размерности; в README приведены результаты поиска для размерностей от 64 до 768 на небольшом наборе из 180 обучающих примеров. Лицензия — Apache-2.0. Результаты на малом наборе не гарантируют качество на других данных; заявленная поддержка языка — английский.

LazarusNLP/congen-indobert-base — модель эмбеддингов предложений на основе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения смысловой близости и кластеризации текстов. Для работы используется библиотека Sentence Transformers; модель содержит 151,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена с функцией потерь ConGenLoss. В карточке указан индонезийский язык. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Daredevil-8B — диалоговая языковая модель, созданная mlabonne как объединение нескольких моделей Llama 3 8B с помощью LazyMergekit. Репозиторий содержит плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и предназначена для чата и генерации ответов. Автор позиционирует её как улучшенную версию Meta-Llama-3-8B-Instruct и сообщает о высоких результатах на MMLU и наборах Open LLM Leaderboard и Nous по состоянию на май 2024 года. Модель общего назначения можно применять для диалогов, ответов на вопросы, генерации текста и кода. В README она описана как цензурированная; для снятия ограничений автор указывает отдельную модель Daredevil-8B-abliterated. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели и лицензиях компонентов объединения.

Модель mrm8488/distiluse-base-multilingual-cased-v2-finetuned-stsb_multi_mt-es — испаноязычная модель Sentence-Transformers для оценки семантического сходства предложений и абзацев. Она дообучена на наборе stsb_multi_mt на основе distiluse-base-multilingual-cased-v2 с архитектурой DistilBERT и выдаёт плотные векторы размерности 768. Максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, кластеризации текстов и ранжирования пар предложений по сходству. В README приведён результат оценки Spearman 0,7604. Репозиторий содержит веса PyTorch; для работы описано использование Sentence-Transformers или Transformers с соответствующим pooling. Лицензия в предоставленных данных не указана.

iara-project/e5-large-matryoshka-sts-pt — модель Sentence Transformers, созданная дообучением intfloat/multilingual-e5-large на наборах для португалоязычного обучения: NLI, семантического сходства и поиска. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; в архитектуре XLM-RoBERTa используются усреднение токенов и нормализация, а сходство можно оценивать косинусной мерой. Предельная длина входа — 512 токенов. Модель предназначена прежде всего для сравнения смысла португалоязычных текстов и может применяться для семантического поиска, поиска перефразирований, кластеризации и классификации текстов. В карточке приведены результаты оценки на STS-B, ASSIN2, IRIS STS и SICK-BR, включая варианты с сокращением размерности векторов. Модель выпущена под лицензией MIT. Метаданные указывают на 514 токенов контекста; README сообщает максимум 512 токенов последовательности.

jangedoo/e5-small-v2-pruned — компактная модель эмбеддингов на базе intfloat/e5-small-v2, представленная автором как версия с прореженным токенным эмбеддингом. Она использует архитектуру BERT и библиотеку Sentence Transformers, содержит 36,8 млн параметров по метаданным и принимает последовательности длиной до 512 токенов. Модель преобразует текст в векторы для семантического поиска, сопоставления предложений и оценки их сходства. В README указано сокращение словаря с 30 522 до 22 225 токенов и числа параметров с 33 360 000 до 30 173 952. На приведённых тестах STS-B и NanoBEIR качество немного ниже базовой модели: например, корреляция STS-B Pearson составляет 0,8234 против 0,8317. Для использования требуется Sentence Transformers; в примере загрузки включён trust_remote_code=True. Лицензия в предоставленных данных не указана.

mlx-community/embeddinggemma-300m-bf16 — текстовая модель эмбеддингов семейства EmbeddingGemma, разработанная сообществом mlx-community на основе google/embeddinggemma-300m и конвертированная в формат MLX с использованием mlx-lm. Модель основана на текстовой архитектуре Gemma 3, содержит около 302,8 млн параметров и предназначена для работы через библиотеку sentence-transformers и инструменты MLX. Модель преобразует предложения и документы в нормализованные векторные представления, пригодные для вычисления семантического сходства, поиска, кластеризации, классификации, извлечения информации и переранжирования результатов. README содержит специализированные префиксы заданий для sentence similarity, retrieval, clustering, classification, reranking, summarization и других сценариев. Максимальная длина контекста составляет 2048 токенов. К сильным сторонам относятся компактный размер, нормализованные эмбеддинги и адаптация к различным задачам с помощью task-specific prefixes, а также оптимизация для экосистемы MLX. Ограничения включают контекст в 2048 токенов и зависимость от MLX-инструментов для описанного способа запуска; поддерживаемые естественные языки в предоставленных данных не определены. Для использования требуется принять лицензию Google Gemma; лицензия модели — gemma.