I.14Автоматизация процессов и AI-агенты

RedHatAI/Qwen3.5-9B-quantized.w4a16 — квантованная версия мультимодальной модели Qwen3.5-9B, разработанная RedHatAI на базе модели Qwen от Qwen. Она принимает текст и изображения, а генерирует текст; модель предназначена для диалоговых приложений, анализа визуальной информации, выполнения инструкций и задач рассуждения. Для работы рекомендуется использовать vLLM, поддерживаются мультимодальный и текстовый режимы. Модель содержит около 9 млрд параметров и использует квантование весов INT4 по схеме W4A16 при сохранении исходной точности активаций. Квантируются линейные операторы в трансформерных блоках, тогда как vision encoder, токенизаторные embeddings и linear attention layers остаются в BF16. Размер на диске составляет около 11 ГБ против 19,3 ГБ у версии BF16, что снижает требования к памяти. В конфигурации vLLM заявлена максимальная длина контекста 262144 токена. К сильным сторонам относятся существенное сокращение размера и возможность эффективного инференса при сохранении близкой к исходной точности: на опубликованных тестах результаты квантованной версии составили 97,9–100,1% от показателей базовой модели на задачах следования инструкциям. Ограничения связаны с частичным, а не полным квантованием, зависимостью от совместимого стека vLLM и отсутствием в представленном описании сведений о поддерживаемых языках и подробных характеристиках архитектуры. Модель распространяется по лицензии Apache-2.0.

RobinsonLabs/Qwen3.8-27B-abliterated-GGUF — это набор imatrix-квантованных сборок GGUF на основе Qwen/Qwen3.8-27B. Модель предназначена для локального запуска через llama.cpp и совместимые инструменты, включая технические диалоги, отладку, работу с инфраструктурой, построение моделей, использование инструментов и следование инструкциям. Доступны варианты от IQ2_M до Q8_0 размером примерно от 10,30 до 29,05 ГБ. Модель содержит около 27,32 млрд параметров, 64 основных trunk-слоя и MTP-блок; контекст в примере запуска настроен на 32768 токенов. Модель поддерживает текстовый ввод, а визуальные возможности сохраняются через отдельный файл mmproj-Qwen3.8-27B-abliterated-f16.gguf, который необходимо подключать вместе с основной квантованной моделью. Без mmproj доступен только текстовый режим. Квантизация оптимизирована на корпусе технических операторских диалогов, поэтому сборки ориентированы на длинные технические обсуждения и instruction-following, но для общего чата или неанглоязычных сценариев универсальная калибровка может оказаться предпочтительнее. Сильными сторонами являются сохранённая vision tower, специализированная калибровка и широкий выбор вариантов под разные объёмы VRAM. Качество заметно снижается на самых компактных сборках: IQ2_M показывает ухудшение perplexity на 13,4% относительно Q8_0, хотя остаётся связной и способной следовать форматным инструкциям. Abliteration уменьшает жёсткие отказы для взрослого и творческого контента, при этом защитные ограничения против самоповреждения заявлены как сохранённые; модель не предназначена для содействия реальным правонарушениям. Распространяется по лицензии Apache-2.0.

Blackfrost-AI/Qwen3.8-27B-ABLITERATED-GGUF — локальная GGUF-версия модифицированной модели Qwen3.8-27B, разработанная Blackfrost. Это плотная гибридная vision-language модель для запуска через llama.cpp, предназначенная для диалогов, рассуждений, обработки текста, изображений и видео, а также сценариев с tool-calling. Модель генерирует текст и ориентирована на локальное развертывание; релиз обозначен как экспериментальный и требует проверки поведения в конкретных рабочих нагрузках. Архитектура включает 64 текстовых слоя с сочетанием Gated DeltaNet и full attention, а также vision tower из 27 слоёв. Поддерживаются текстовые, графические и видео-входы, контекст до 262 144 токенов, девять стандартных квантованных вариантов от Q2_K до Q8_0 и встроенная MTP speculative head. Для ускорения доступен отдельный BF16 DFlash2 sidecar, совместимый с экспериментальной версией llama.cpp. В качестве сбалансированного варианта рекомендуется Q4_K_M размером 16,8 ГБ; фактические требования зависят от доступной RAM/VRAM и параллелизма. Это abliterated-сборка: поведение отказов было изменено на уровне весов, без fine-tuning, merge, LoRA или pruning. В заявленном внутреннем тесте R1-HARMFUL-BENCH-450 зафиксировано 11 остаточных отказов из 450 случаев, однако результат получен на производном варианте W4A4 NVFP4 и не является полноценным тестом всех GGUF-квантов в финальной конфигурации. Ограничениями являются экспериментальный статус, возможные компромиссы качества при низких уровнях квантования и зависимость длинного контекста от ресурсов системы. Базовая модель и указанный DFlash2-компонент распространяются по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-FP8-MTP — мультимодальная модель на базе JonathanColetti/Qwen3.8-27B-Uncensored, опубликованная пользователем pramoths. Репозиторий содержит FP8-квантизацию и сохраняет vision tower и рабочую MTP-голову для speculative decoding. Модель относится к семейству Qwen3.8 и поддерживает текстовые и визуальные задачи; заявленные языки — английский, китайский и тайский. Модель предназначена для генерации текста и кода, извлечения информации, анализа изображений и таблиц, а также ускоренного инференса через vLLM и MTP. Размер исходной модели — 27B параметров, веса занимают около 30 ГБ. Контекст поддерживается до 262 144 токенов. Основные матричные операции квантизированы в FP8 с блоками 128×128 и форматом E4M3, тогда как нормализации, рекуррентные компоненты, vision tower, lm_head, embed_tokens и некоторые части MTP сохранены в BF16. По приведённым измерениям, модель близка к официальной Qwen3.8-27B-FP8 по точности на задачах извлечения, программирования и анализа изображений; скорость достигает 132 токенов в секунду при одном запросе и 1 373 токенов в секунду при конкуренции 16. Уровень принятия спекулятивных токенов MTP составляет около 52%. Модель изменена в сторону отсутствия стандартных отказов, поэтому её поведение отличается от официальной версии. Для эффективной работы необходимы GPU с поддержкой FP8 tensor cores, например Ada Lovelace, Hopper или Blackwell; на Ampere совместимость FP8-пути не проверена, а видеокарты с 24 ГБ памяти недостаточны для запуска на одной карте. Для длинного контекста на 47–48 ГБ VRAM требуется FP8 KV-кэш. Указана лицензия Apache-2.0.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF — мультимодальная GGUF-версия модели Qwen3.8-27B, разработанная HauhauCS на базе Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, рассуждений, агентских сценариев, обработки изображений и видео, а также работы с длинным контекстом. Профиль Aggressive ориентирован на прямые ответы без выраженного поведения отказа и с минимальными предварительными пояснениями в сложных запросах. Это плотная causal language model на 27 млрд параметров с vision encoder: 64 слоями, размером скрытого представления 5120, FFN размером 17408, словарём 248 320 токенов, 48 слоями Gated DeltaNet и 16 слоями gated attention. Поддерживаются английский, китайский и другие языки; заявлен нативный контекст 262 144 токена с возможностью расширения до 1 000 000. В текстовых GGUF сохранён встроенный NextN/MTP, а отдельный FastMTP-профиль предназначен для ускорения спекулятивного декодирования. Для входных изображений и видео требуется отдельный vision projector BF16. К сильным сторонам относятся широкий набор текстовых и мультимодальных возможностей, очень длинный контекст, несколько вариантов квантизации и ускорение FastMTP. Агрессивный профиль может быть менее подходящим для надёжно контролируемых и критичных к безопасности агентских задач, поскольку он специально уменьшает склонность к отказам. Доступны квантизованные файлы GGUF размером примерно от 10,32 до 31,46 ГБ; K_P-квантизации оптимизированы под эту модель. Лицензия — Apache-2.0.

btbtyler09/Qwen3.8-Flash-Next-GPTQ-4bit — это GPTQ-квантизированная 4-битная версия Qwen/Qwen3.8-Flash-Next, разработанного командой Qwen. Модель представляет собой предварительную реализацию архитектуры Qwen4: разреженную мультимодальную MoE-модель, поддерживающую текст и изображения. Она предназначена для генерации и анализа текста, работы с кодом, обработки длинного контекста и мультимодальных сценариев, включая использование через Transformers и совместимые средства инференса, например vLLM. В составе модели 125 млрд параметров, из которых около 6 млрд активируются на один токен, а также 51 млрд параметров n-gram embedding table и 4 млрд параметров MTP-модуля; общий размер чекпойнта составляет около 180 млрд параметров. Архитектура включает 48 MoE-слоёв: 36 слоёв с линейным вниманием Gated DeltaNet и 12 слоёв с полным разреженным вниманием, 512 маршрутизируемых экспертов на слой, 4 параллельных residual-потока, vision encoder на базе 27-блочного ViT и однос layer MTP-модуль для speculative decoding. Нативный контекст составляет 262 144 токена и может быть расширен до 1 млн токенов с YaRN. Ключевые компоненты модели используют BF16, а эксперты и проекции полного внимания квантизированы в INT4 с group size 32. Главное преимущество чекпойнта — существенное сокращение объёма GPU-памяти: примерно до 80 ГБ для GPU-резидентной части вместо около 250 ГБ у исходной BF16-модели. При этом на тесте wikitext-2 ухудшение perplexity относительно BF16 составило 0,58%, а для Python-кода — 0,02%; однако качество и поведение в других сценариях могут отличаться. Для работы требуется около 188 ГБ общего хранилища или памяти, включая 102 ГБ BF16-таблицы n-gram, размещаемой в оперативной памяти, поэтому модель остаётся ресурсоёмкой и рассчитана на серверную инфраструктуру, например четыре GPU по 32 ГБ. Модель распространяется по лицензии qwen-community-1.0; в README она указана как license: other. Полные условия следует уточнять в файле LICENSE репозитория.

Qwen3-Embedding-0.6B — текстовая модель эмбеддингов семейства Qwen3, представленная в репозитории Unsloth и основанная на Qwen/Qwen3-0.6B-Base. Это плотная архитектура с 507,6 млн параметров и контекстом до 32 768 токенов. Модель преобразует текст в векторы размерностью от 32 до 1024 и позволяет задавать инструкцию для конкретной задачи. Модель предназначена для семантического поиска и извлечения текстов, сравнения предложений, классификации и кластеризации текста, поиска по коду и межъязыкового сопоставления. Она поддерживает более 100 языков, включая языки программирования, и рассчитана на многоязычные и межъязыковые сценарии. Лицензия — Apache-2.0. Карточка описывает всю серию Qwen3 Embedding, поэтому приведённые в ней лидерские результаты относятся к модели 8B, а не подтверждают такие же результаты для версии 0.6B. Для работы с Transformers требуется версия 4.51.0 или новее: более ранние версии могут выдавать ошибку распознавания архитектуры Qwen3.

Qwen3-Embedding-0.6B-SGLang — дообученная модель семейства Qwen3, представленная в репозитории woodx и основанная на Qwen/Qwen3-0.6B-Base. Она преобразует текст в эмбеддинги для семантического поиска и сопоставления текстов. Модель содержит около 507,6 млн параметров, поддерживает контекст до 32 768 токенов и формирует векторы размерностью от 32 до 1024 с возможностью задавать инструкцию под задачу. Модель предназначена для многоязычного поиска по текстам и коду, классификации и кластеризации текстов, поиска параллельных фрагментов на разных языках и задач семантического сходства. В карточке серии заявлена поддержка более 100 языков. Для улучшения результатов поиска рекомендуется задавать подходящую инструкцию; в многоязычных сценариях авторы советуют формулировать её на английском. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

alexliap/Qwen3-Embedding-8B-NVFP4 — квантизированная версия модели Qwen3-Embedding-8B, разработанной командой Qwen. Модель предназначена для получения текстовых эмбеддингов и решения задач семантического поиска, извлечения документов, поиска по коду, классификации, кластеризации и двуязычного сопоставления текстов. Она поддерживает инструкции, задающие целевой сценарий или язык, и может использоваться, например, для поиска релевантных фрагментов по пользовательскому запросу. Модель содержит около 8 млрд параметров, имеет контекст длиной до 32K токенов и поддерживает более 100 языков, включая языки программирования. Размер выходного вектора можно выбирать в диапазоне от 32 до 4096 измерений; максимальная размерность составляет 4096. Все линейные слои квантизированы по схеме NVFP4 с использованием llmcompressor и формата compressed-tensors, что предназначено для снижения требований к хранению и ускорения инференса на совместимом оборудовании. В README приведён пример запуска через vLLM в режиме embed. К сильным сторонам относятся мультиязычность, поддержка длинного контекста, инструкционно-управляемые эмбеддинги и гибкая размерность векторов. Возможные ограничения связаны с потерями качества из-за квантизации и с тем, что калибровка выполнялась всего на 100 примерах греческого языка длиной до 4096 токенов, поэтому поведение на других языках и типах данных может отличаться. Модель распространяется по лицензии Apache-2.0.

embedingHF/Sentence_Transformer — модель эмбеддингов предложений на базе BERT, разработанная в рамках Community week Hugging Face для проекта по обучению моделей sentence embeddings на миллиарде пар. Она дообучена контрастивным методом на объединении крупного набора текстовых пар; в README названа исходной предобученной моделью nreimers/MiniLM-L6-H384-uncased. Модель преобразует предложения и короткие абзацы в плотные векторы размерности 384 для семантического поиска, сравнения предложений и кластеризации. Модель принимает текст и возвращает векторное представление. README указывает усечение входа длиннее 256 word pieces; при обучении длина последовательности ограничивалась 128 токенами. Метаданные указывают 25,9 млн параметров, контекст 512 токенов, английский язык и библиотеку Sentence Transformers. Репозиторий распространяется по лицензии Apache-2.0.

embaas/sentence-transformers-gte-large — модель эмбеддингов предложений и абзацев, опубликованная embaas. Она преобразует текст в плотные векторы размерностью 1024, предназначенные для поиска по смыслу, сравнения текстов и кластеризации. Модель построена на архитектуре BERT и содержит около 433,9 млн параметров; максимальная длина контекста — 512 токенов. Модель подходит для создания векторного поиска и группировки семантически близких предложений или документов. Её можно использовать через библиотеку Sentence-Transformers; в репозитории указаны веса PyTorch. README не сообщает целевые языки или результаты бенчмарков. Условия лицензии в предоставленных данных не указаны.

Это резервная копия модели sentence-transformers/paraphrase-multilingual-mpnet-base-v2, размещённая пользователем tgsc; автор README сообщает, что не является автором исходной модели. Исходную модель обучила команда Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. Модель основана на XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Доступные сведения не перечисляют конкретные поддерживаемые языки; название исходной модели указывает на многоязычное назначение.

gemasphi/setfit-ss-paraphrase-multilingual-mpnet-base-v2 — модель Sentence-Transformers на архитектуре XLM-RoBERTa, которая преобразует предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации; сходство между текстами можно оценивать по их векторам. Обучение использовало CosineSimilarityLoss. Модель содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Доступны веса PyTorch. Метаданные не содержат явных кодов языков, однако название и назначение модели указывают на мультиязычные paraphrase embeddings. Лицензия в предоставленных данных не указана.

AgentionAI Signal 3.8 27B — минимально изменённая fine-tune-модель Qwen3.8-27B, разработанная AgentionAI. Модель распространяется в формате GGUF и предназначена для использования в llama.cpp как замена Qwen3.8-27B. Обучение выполнено методом self-distillation на ответах самой базовой модели без внешних данных и выходов других моделей. Модель ориентирована на диалоговые, общие, математические и программные задачи, включая работу в режиме рассуждений и генерацию структурированного JSON-вывода. Её основная особенность — более прямые и компактные ответы: по заявленным оценкам, она генерирует на 25% меньше токенов ответа и на 41% меньше токенов рассуждений, сохраняя или улучшая качество на проверенных наборах. В тестах GSM8K точность составила 100% без рассуждений и 95% с рассуждениями; результаты зависят от набора данных и настроек. Signal использует архитектуру и возможности Qwen3.8-27B, включая встроенную multi-token-prediction draft head для speculative decoding. На заявленном оборудовании и при включённом draft head общее время обработки тестового набора было на 19% меньше, а медианное — на 28% меньше, чем у базовой модели. Ограничения включают зависимость эффективности от llama.cpp, оборудования, квантизации и параметров сэмплирования; для снижения риска повторов рекомендуется использовать min-p и presence_penalty, а при включении MTP draft head — специальный параметр llama.cpp. Языки и размер контекстного окна в README не указаны. Лицензия — Apache-2.0.

George2002/sledopyt_embedder_v4 — модель Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-large для представления предложений и абзацев в виде плотных текстовых эмбеддингов. Архитектура основана на XLM-RoBERTa-large с усреднением токенов и нормализацией; размер эмбеддинга — 1024 измерения, максимальная длина последовательности — 512 токенов. Для сравнения векторов используется косинусное сходство. Модель обучалась на парах запросов и фрагментов текста, а также на парах похожих запросов с отрицательными примерами. Она подходит для семантического поиска по фрагментам документов, поиска похожих запросов, выявления перефразировок, кластеризации и классификации текста. Примеры обучающих данных на русском языке, а базовая модель многоязычная. Для использования нужны текстовые запросы или документы; результатом служат эмбеддинги, которые можно сравнивать или использовать в поисковых и аналитических системах. Модель опубликована в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Модель hi-di-hi-base — англоязычный Sentence Transformer, дообученный автором carsondial на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и нормализует их; сходство текстов оценивается косинусной близостью. Модель построена на BERT, использует CLS-пулинг и поддерживает последовательности до 512 токенов. Модель предназначена для семантического поиска, сопоставления текстов, поиска перефразировок, кластеризации и извлечения признаков, в том числе для поиска по базе знаний. README сообщает о дообучении на 45 тысячах пар anchor-positive из набора json; приведены оценки поиска при разных размерностях эмбеддингов. Доступна по лицензии Apache-2.0.

cnmoro/snowflake-arctic-embed-m-v2.0-cpu — модифицированная версия Snowflake Arctic Embed M v2.0, подготовленная для работы на CPU. Это плотная модель семейства GTE с 305,3 млн параметров, предназначенная для получения эмбеддингов текстов и оценки сходства между предложениями. Её можно применять для поиска по смыслу, сравнения текстовых фрагментов и построения retrieval-систем; контекст составляет до 8192 токенов. Модель работает с текстом и выдаёт векторные представления, поддерживает множество языков, включая английский, арабский, немецкий, французский, японский и хинди. В README указано использование через Sentence Transformers на CPU; из версии удалена зависимость xformers. Распространяется по лицензии Apache-2.0. README рекомендует загрузку с trust_remote_code=True.

sentence-transformers/stsb-distilroberta-base-v2 — модель sentence-transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства, семантического поиска и кластеризации. Архитектура основана на RoBERTa; модель содержит 95,2 млн параметров и принимает текст длиной до 514 токенов. Модель подходит для построения векторных представлений текстов и оценки близости предложений. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Распространяется по лицензии Apache-2.0.

USER2-base — русскоязычная модель для создания векторных представлений предложений, разработанная deepvk на основе энкодера RuModernBERT-base. Она содержит 149 млн параметров, поддерживает контекст до 8192 токенов и выдаёт эмбеддинги размерностью 768. Модель дообучена для поиска и семантических задач, включая извлечение информации, сравнение предложений, классификацию и кластеризацию. USER2-base поддерживает Matryoshka Representation Learning: размер эмбеддинга можно сократить до 32, 64, 128, 256, 384 или 512 измерений с минимальной потерей качества. Для разных задач рекомендуется добавлять префиксы, например search_query и search_document для поиска или clustering для кластеризации. Модель доступна в форматах Safetensors и ONNX и совместима с библиотекой Sentence Transformers. Модель ориентирована на русский язык. Карточка приводит результаты оценки на MTEB-rus и MLDR-rus, но не даёт полной таблицы всех сравнительных результатов. Репозиторий распространяется по лицензии Apache-2.0.

Velvet-2B — языковая модель Almawave, разработанная командой Technology and Innovation. Она принимает и генерирует текст и предназначена для интеграции в приложения и системы на базе ИИ. Модель обучена на английском и итальянском языках; для диалога доступна в формате chat. Её можно запускать с Transformers, vLLM и Ollama. Модель предварительно обучена почти на 3 трлн токенов из общедоступных источников, а затем дообучена на наборах инструкций и более чем миллионе размеченных и синтетических примеров. Она поддерживает генерацию и продолжение текста, суммаризацию, извлечение информации, перефразирование, классификацию, машинный перевод, ответы на вопросы, рассуждение и сценарии RAG. Лицензия — Apache 2.0. Ответы могут быть неточными, неполными или избыточными, а данные обучения могут приводить к воспроизведению токсичных формулировок и социальных предубеждений. Для фактических ответов рекомендуется использовать внешние источники, например RAG, а для приложений — проверять результаты и применять подходящие меры безопасности.

blemond/0908a — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-large, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 1024 для семантического поиска и сравнения текстов. Архитектура включает XLM-RoBERTa, усреднение токенов и нормализацию векторов; сходство оценивается косинусной мерой. В README указана максимальная длина последовательности 256 токенов, а метаданные модели — контекст 514 токенов. Модель предназначена для поиска соответствующих фрагментов по запросу, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текста. Обучение проведено на 19 380 парах запросов и фрагментов с MultipleNegativesRankingLoss; в карточке приведены результаты оценки на e5-eval-real. Мультиязычность унаследована от базовой модели, а примеры обучения включают корейский язык. Лицензия в предоставленных данных не указана.

Карточка модели PIXMELT/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой yosuaw/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers на базе MiniLM, разработанная в рамках проекта Hugging Face Community Week. Она кодирует предложения и короткие абзацы в плотные векторы размерности 384, отражающие семантическое содержание. Модель обучена контрастивным дообучением предварительно обученной nreimers/MiniLM-L6-H384-uncased на наборе более чем из миллиарда пар предложений. Модель предназначена для семантического поиска, извлечения информации, сравнения сходства предложений и кластеризации текстов. Архитектура — BERT-подобный MiniLM с 25,9 млн параметров; максимальная длина контекста — 512 токенов, а по умолчанию входы длиннее 256 WordPiece-токенов обрезаются. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0.

Карточка модели sheldonrobinson/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой yosuaw/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers на базе MiniLM, разработанная в рамках проекта Hugging Face Community Week. Она кодирует предложения и короткие абзацы в плотные векторы размерности 384, отражающие семантическое содержание. Модель обучена контрастивным дообучением предварительно обученной nreimers/MiniLM-L6-H384-uncased на наборе более чем из миллиарда пар предложений. Модель предназначена для семантического поиска, извлечения информации, сравнения сходства предложений и кластеризации текстов. Архитектура — BERT-подобный MiniLM с 25,9 млн параметров; максимальная длина контекста — 512 токенов, а по умолчанию входы длиннее 256 WordPiece-токенов обрезаются. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0.

VladimirRH/all-MiniLM-L6-v2-ru-mnrl — русскоязычная модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-MiniLM-L6-v2 на 20 000 примерах с использованием MultipleNegativesRankingLoss. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать косинусной близостью. Модель предназначена для семантического поиска и извлечения релевантных текстов. Модель принимает текст и выдаёт векторы признаков. В README указана максимальная длина последовательности 256 токенов, а в метаданных — нативный контекст 512 токенов. Примеры обучающих данных — на русском языке; они включают пары близких по смыслу предложений и отрицательные примеры. Модель распространяется в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели leif1557/all-mpnet-base-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-mpnet-base-v2, поэтому описание составлено по ней. all-mpnet-base-v2 — модель Sentence Transformers, разработанная в ходе Community Week Hugging Face. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В основе лежит microsoft/mpnet-base, дообученная контрастивным обучением на более чем миллиарде пар предложений из нескольких наборов данных. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст. Её можно применять для семантического поиска, извлечения информации и группировки похожих фрагментов. Текст длиннее 384 токенов модели обрезается; README рекомендует использовать её как кодировщик предложений и коротких абзацев. Лицензия — Apache-2.0.

kipark дообучил Sentence Transformer на базе sentence-transformers/all-mpnet-base-v2 для кодирования предложений и абзацев в плотные векторы. Модель на архитектуре MPNet содержит 136,7 млн параметров; README указывает вектор размерности 768 и максимальную длину последовательности 384 токена, а метаданные — контекст до 514 токенов. Векторы нормализуются, а для сравнения предлагается косинусное сходство. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В README приведены результаты оценки поиска на наборе validation, но они не гарантируют аналогичное качество на других данных. Лицензия в предоставленных источниках не указана.

yahyaabd/allstats-search-miniLM-v1-5 — модель Sentence Transformer, созданная дообучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 на парах запросов и документов из набора query-hard-pos-neg-doc-pairs-statictable. Архитектура основана на BERT; модель преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для семантического поиска и сравнения текстов по косинусному сходству. Модель подходит для поиска документов по запросу, оценки семантического сходства, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Датасет содержит примеры запросов и документов, в том числе на индонезийском языке; базовая модель многоязычная. README указывает максимальную длину последовательности 128 токенов, тогда как метаданные каталога — контекст 512 токенов. В репозитории используются веса safetensors и библиотека sentence-transformers; параметров — 124,3 млн. Лицензия в предоставленных данных не указана.

Карточка модели rohand8/BERT на Hugging Face совпадает с карточкой yosuaw/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers на базе MiniLM, разработанная в рамках проекта Hugging Face Community Week. Она кодирует предложения и короткие абзацы в плотные векторы размерности 384, отражающие семантическое содержание. Модель обучена контрастивным дообучением предварительно обученной nreimers/MiniLM-L6-H384-uncased на наборе более чем из миллиарда пар предложений. Модель предназначена для семантического поиска, извлечения информации, сравнения сходства предложений и кластеризации текстов. Архитектура — BERT-подобный MiniLM с 25,9 млн параметров; максимальная длина контекста — 512 токенов, а по умолчанию входы длиннее 256 WordPiece-токенов обрезаются. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0.

Suva/bge-base-finetuned — модель эмбеддингов на основе архитектуры BERT, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch и Safetensors. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. Её можно применять для поиска похожих фрагментов, группировки текстов и получения векторных представлений для последующих задач. README и метаданные не указывают специализированную предметную область или поддерживаемые естественные языки. Лицензия в предоставленных данных не указана.

gavinqiangli/bge-large-mpnet-base-all-nli-triplet-final-50000 — англоязычная модель Sentence Transformers, дообученная на наборе all-nli от BAAI/bge-large-en. Она кодирует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Модель построена на BERT и принимает последовательности длиной до 512 токенов. Модель подходит для оценки семантической близости предложений, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Её можно использовать для поиска похожих фрагментов в корпусе, сопоставления запроса с документами и группировки текстов по смыслу. В README приведена оценка cosine_accuracy 0,8776 на all-nli-test с TripletEvaluator; она не гарантирует аналогичного качества на других данных. Модель опубликована под лицензией, указанной в метаданных Hugging Face; в предоставленных метаданных её значение отсутствует, поэтому условия лицензирования по этим источникам определить нельзя.