I.14Автоматизация процессов и AI-агенты

BEE-spoke-data/bert-plus-L8-v1.0-syntheticSTS-4k — модель эмбеддингов на архитектуре BERT, разработанная BEE-spoke-data на базе BEE-spoke-data/bert-plus-L8-v1.0-allNLI_matryoshka. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов и кластеризации. Модель дообучена на синтетических данных о сходстве текстов; поддерживает Matryoshka-размерности 768, 512, 256, 128 и 64, а контекст составляет до 4096 токенов. Её можно применять для семантического поиска, сравнения сходства текстов и группировки документов по смыслу. Репозиторий содержит веса Safetensors и формат ONNX; модель рассчитана на английский язык. Лицензия — Apache-2.0.

567-labs/bge-base-en-v1.5-ft-quora-0.9 — модель эмбеддингов предложений и абзацев на базе BERT, представленная в формате Sentence-Transformers. Она кодирует текст в плотные векторы размерностью 768 и предназначена для семантического поиска и кластеризации. Модель обучалась с функцией потерь OnlineContrastiveLoss; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Модель подходит для поиска вопросов, похожих по смыслу, в частности в корпусах вопросов и ответов, а также для группировки текстов по тематике. Она принимает текст и выдаёт векторы для последующего сравнения, ранжирования или кластеризации. По названию репозитория и описанию обучения это дообученная версия BGE base English v1.5 на данных Quora; отдельная лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, дообученная разработчиком BjarneNPO на базе FacebookAI/xlm-roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между текстами оценивается косинусной мерой. Архитектура состоит из XLM-RoBERTa с усреднением токенных представлений, число параметров — 305,2 млн, максимальная длина последовательности — 512 токенов (514 токенов нативного контекста по метаданным). Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В карточке приведены обучающие пары «запрос — ответ» объёмом 72 349 примеров и примеры на немецком языке, однако языковая поддержка явно не перечислена. Лицензия в предоставленных данных не указана.

CALE-XLM-R — модель Sentence-Transformers на базе FacebookAI/xlm-roberta-large, дообученная для преобразования текста в плотные векторы размерности 1024. Она предназначена для поиска семантически близких текстов, кластеризации и вычисления сходства предложений. Модель принимает текст и формирует эмбеддинги; мультиязычная базовая XLM-RoBERTa поддерживает 100 языков. Контекст модели составляет 514 токенов. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели Ashokreddy6/CounselAssistant-RetrieverV1 на Hugging Face совпадает с карточкой intfloat/e5-large-v2, поэтому описание составлено по ней. E5-large-v2 — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 24 слоя и размерность эмбеддинга 1024. Общее число параметров — 433,9 млн, максимальная длина входа — 512 токенов. Модель преобразует тексты в векторы для семантического поиска, сопоставления запросов и документов, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричного сравнения обычно используют «query: » перед обоими текстами. Модель предназначена только для английских текстов; более длинные входы обрезаются до 512 токенов. При использовании косинусного сходства важнее относительный порядок оценок, чем их абсолютные значения. Расхождения в версиях PyTorch и Transformers могут вызывать небольшие различия результатов. Лицензия — MIT.

embedding-data/distilroberta-base-sentence-transformer — модель на базе RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 95,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель обучена с использованием TripletLoss на датасете embedding-data/QQP_triplets. Её можно применять для семантического поиска, группировки похожих текстов и вычисления сходства между предложениями. Доступны веса PyTorch; лицензия в предоставленных данных не указана.

Модель lenamisods/doctor_ai_stsb_xlm_r_multilingual_trained — многоязычная модель Sentence-Transformers на архитектуре XLM-RoBERTa, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, кластеризации и семантического поиска. Модель содержит 305,2 млн параметров, принимает текст длиной до 514 токенов и распространяется в формате safetensors; лицензия — Apache-2.0. Модель подходит для поиска текстов по смыслу и группировки семантически близких фраз. В README не указаны конкретные языки обучения или оценки качества, поэтому состав поддерживаемых языков нельзя уточнить по доступным данным. Для использования в Transformers поверх контекстных представлений требуется подходящая операция pooling.

seongil-dn/e5-large-neg-v0-bs40-lr1e-6-7541 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-large, разработанная seongil-dn. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 1024 для сравнения по косинусному сходству. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, оценки смыслового сходства, поиска перефразировок, кластеризации и классификации текстов. Базовая модель мультиязычная, поэтому эмбеддинги можно применять к текстам на разных языках. В метаданных указана лицензия? Нет сведений о лицензии в предоставленных данных, поэтому условия использования определить нельзя.

sbeiruty/embeddingFT — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию. Модель предназначена для семантического поиска и сравнения текстов, а также для поиска перефразировок, кластеризации и классификации текста. Модель принимает текстовые последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Она поддерживает несколько языков благодаря мультиязычной базовой модели. В README описано дообучение на 2 119 парах предложений с функцией потерь MultipleNegativesRankingLoss; близость векторов можно сравнивать косинусной мерой. Для использования требуется библиотека Sentence Transformers. В карточке указана лицензия, допускающая применение модели в соответствии с её условиями. Информации о конкретных ограничениях качества или целевых предметных областях в предоставленных данных нет.

Карточка модели lazyDataScientist/EmbeddingGemma на Hugging Face совпадает с карточкой michaelfeil/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная мультиязычная модель эмбеддингов от Google DeepMind на основе текстовой архитектуры Gemma 3 с инициализацией T5Gemma. Она преобразует текст в векторы и предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации. Модель содержит 302,8 млн параметров, принимает текст длиной до 2048 токенов и выдаёт эмбеддинги размером 768, 512, 256 или 128 измерений с помощью Matryoshka Representation Learning. Обучалась на данных более чем из 100 языков и рассчитана в том числе на запуск на мобильных устройствах и компьютерах с ограниченными ресурсами. Подходит для поиска документов и кода по запросам, поиска материалов для систем вопросов и ответов, обнаружения дубликатов, тематической группировки текстов и классификации по заданным категориям. Для использования предусмотрена библиотека Sentence Transformers. Лицензия — Gemma; применяются условия использования и политика допустимого использования Gemma. Качество зависит от охвата и особенностей обучающих данных. Модель может хуже улавливать языковые нюансы, сарказм и переносный смысл; возможны смещения в эмбеддингах.

EmbeddingGemma — компактная модель эмбеддингов Google DeepMind с 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска и извлечения информации, оценки сходства, классификации и кластеризации. Модель обучалась на текстах более чем на 100 языках и рассчитана на запуск на устройствах с ограниченными ресурсами, включая телефоны и ноутбуки. Модель принимает текст длиной до 2048 токенов и выдаёт вектор размерности 768; благодаря Matryoshka Representation Learning его можно сократить до 512, 256 или 128 измерений с последующей нормализацией. Подходит для поиска документов и кода по запросу, обнаружения дубликатов и подбора материалов для систем вопросов и ответов. Возможны ошибки при понимании языковых нюансов и неоднозначности; качество зависит от охвата обучающих данных. Лицензия — Gemma; применяются условия использования Gemma и политика запрещённого использования Google.

F2LLM-v2-330M — мультиязычная модель эмбеддингов из семейства F2LLM-v2, разработанного CodeFuse AI. Это instruct-вариант размером 284,8 млн параметров на архитектуре Qwen3; небольшие instruct-модели семейства были получены обрезкой базовой модели 0.6B и обучением. Модель принимает текст и преобразует его в векторные представления для поиска и сравнения текстов. Модель предназначена для семантического поиска, ранжирования и других задач работы с эмбеддингами. Она поддерживает инструкции в запросах, а Matryoshka Representation Learning позволяет сокращать размерность векторов для экономии места и ускорения векторного поиска. Семейство обучалось на мультиязычных данных и, по README, поддерживает более 200 языков; метаданные перечисляют среди языков русский, английский, китайский и другие. Контекст модели — до 40 960 токенов. README сообщает о высоких результатах семейства на широком наборе бенчмарков MTEB, но отдельные результаты именно этой версии не приведены. Модель распространяется по лицензии Apache-2.0. Для поиска и ранжирования инструкции следует добавлять к запросам, но не к документам; после усечения эмбеддингов нормализацию следует выполнять заново.

F2LLM-v2-4B — многоязычная модель эмбеддингов от CodeFuse AI, основанная на плотной архитектуре Qwen3. Она предназначена для преобразования текста в векторные представления, которые можно использовать для поиска, ранжирования, оценки сходства, кластеризации и поиска параллельных текстов. Модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель обучена на отобранном наборе из 60 миллионов общедоступных примеров; семейство F2LLM-v2 ориентировано более чем на 200 языков, в том числе языки с ограниченными обучающими ресурсами. Поддерживаются инструкции для запросов, а обучение Matryoshka Representation Learning позволяет уменьшать размерность эмбеддингов с сохранением полезных свойств представления. Репозиторий предоставляет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Практическое качество зависит от языка, формулировки инструкции и выбранной размерности эмбеддингов; README не приводит отдельных численных результатов именно для версии 4B.

qinxianliu/FAB-Ramy-v1 — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Векторное представление получается усреднением токенов с последующей нормализацией; для сравнения используется косинусное сходство. Модель содержит 136,7 млн параметров, работает с последовательностями до 514 токенов по метаданным Hugging Face; в карточке README указан предел 384 токена. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Это порт модели DPR question encoder в формат Sentence Transformers, опубликованный под именем sentence-transformers. Модель на основе BERT преобразует предложения и абзацы в плотные векторы размерности 768; всего в ней 136,7 млн параметров, а максимальная длина входа — 512 токенов. Модель предназначена для получения эмбеддингов, семантического поиска и кластеризации текстов. Векторные представления можно использовать для поиска фрагментов, близких по смыслу к вопросу, в системах поиска и обработки коллекций документов. Репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Это энкодер, а не генеративная модель: он возвращает векторные представления текста. README не сообщает о специальных ограничениях качества или доменной специализации.

h3lmi/fine_tuned_minilm12 — модель для получения плотных векторных представлений предложений и абзацев. Она основана на архитектуре BERT и содержит около 40 млн параметров; модель выдаёт эмбеддинги размерностью 384. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Для работы доступны PyTorch и библиотеки Sentence-Transformers или Transformers; при использовании Transformers требуется корректно выполнить pooling контекстных представлений токенов. Карточка не сообщает о специализации на конкретном языке или предметной области. Лицензия в предоставленных данных не указана.

Это модель SentenceTransformer, дообученная автором srikarvar на базе intfloat/multilingual-e5-small для сравнения и поиска текстов по смыслу. Архитектура основана на BERT: модель преобразует предложения и абзацы в плотные векторы размерности 384, применяя усреднение токенов и нормализацию; близость оценивается косинусным сходством. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В карточке приведены результаты бинарной классификации сходства на парах предложений, однако они не гарантируют аналогичное качество на других данных. Модель поддерживает многоязычные эмбеддинги благодаря базовой multilingual-e5-small; конкретный набор языков отдельно не перечислен. Для запуска предназначена библиотека Sentence Transformers. Лицензия в предоставленных сведениях не указана.

Это Sentence Transformer на архитектуре XLM-RoBERTa, дообученный для сопоставления смысла предложений и абзацев. Модель преобразует текст в нормализованные плотные векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. В метаданных указано 658,7 млн параметров, а максимальная длина последовательности в README составляет 1024 токена. Модель предназначена для семантического поиска, оценки текстового сходства, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Она принимает текст и выдаёт векторные представления. README сообщает о 105 064 обучающих примерах с парами и отрицательными примерами, но не указывает их языки, поэтому языковую поддержку определить нельзя. Карточка не называет исходную модель, лицензию или конкретные ограничения качества; происхождение дообучения следует из описания обучения Sentence Transformer и архитектуры XLM-RoBERTa. Для использования доступны веса в формате safetensors; библиотека — Sentence Transformers.

Карточка модели Iambackup/gemma-4-E4B-it на Hugging Face совпадает с карточкой AtharvOG/Atharvs_Model, поэтому описание составлено по ней. Atharvs_Model — дообученная мультимодальная модель на базе Google Gemma 4 E4B, опубликованная под лицензией Apache 2.0. Она использует архитектуру Gemma4ForConditionalGeneration и формат safetensors, принимает текст и изображения и формирует текстовые ответы. Семейство Gemma 4 поддерживает контекст до 128 тысяч токенов для малых моделей, включая E4B, и многоязычную работу; карточка этой конкретной модели не уточняет языки дообучения. Модель подходит для диалога, генерации и суммаризации текста, программирования, рассуждений, а также анализа изображений и документов, включая OCR. В README Gemma 4 также заявлены видеопонимание и аудиозадачи для E2B и E4B, однако метаданные конкретного репозитория не подтверждают эти возможности отдельно. Возможности исходной модели не обязательно полностью сохранены или улучшены после дообучения; перед использованием ответы следует проверять.

Giga-Embeddings-instruct-480M-0826 — двуязычная модель текстовых эмбеддингов серии Giga-Embeddings, представленная под именем GigaChat. Она основана на предобученной модели с архитектурой Qwen3, адаптированной для двунаправленного encoder-style внимания, и обучена контрастивной функцией InfoNCE. Модель содержит около 483,7 млн параметров, формирует векторы размерности 1024 и поддерживает контекст до 8192 токенов. Модель предназначена для семантического поиска, сравнения предложений и абзацев, классификации и кластеризации текстов на русском и английском языках. Для асимметричного поиска к запросу следует добавлять краткую инструкцию задачи, а документы кодировать без неё; для симметричного сравнения инструкция необязательна. Используются mean pooling по непустым токенам и L2-нормализация; при прямом использовании через Transformers их нужно реализовать самостоятельно. По заявленным результатам модель сильна на русскоязычном MTEB, а на английском и коде уступает некоторым моделям из сравнения. Модель распространяется в формате safetensors, библиотека карточки — sentence-transformers. Лицензия MIT. Небольшие различия версий Transformers и PyTorch могут приводить к отличиям результатов воспроизведения.

GPT-5.1 — модель серии GPT-5, представленная как модель передового уровня общего назначения. В карточке отмечены улучшенные по сравнению с GPT-5 рассуждения, следование инструкциям и естественность диалога. Модель использует адаптивное рассуждение. Она предназначена для диалогов и решения разнообразных задач, где требуются рассуждения и точное выполнение инструкций. Данных о размере, поддерживаемых языках, модальностях, длине контекста и условиях лицензии в предоставленных источниках нет.

Многоязычная модель Sentence Transformer, дообученная saraleivam на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует BERT с усреднением токеновых представлений и преобразует предложения и абзацы в плотные векторы размерностью 384; сходство можно оценивать косинусной метрикой. По карточке, модель предназначена для семантического сравнения текстов, поиска и извлечения перефразировок, кластеризации и классификации текста. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель принимает текст и выдаёт векторы; библиотека Sentence Transformers поддерживает её использование. Лицензия в предоставленных данных не описана.

Locutusque/Hyperion-1.5-Mistral-7B — разговорная языковая модель, опубликованная M4-ai и дообученная на наборе Hyperion-v1.5 на основе mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов; веса доступны в формате safetensors. Модель предназначена для диалоговых ответов на сложные вопросы, научных рассуждений, генерации и понимания кода, математических и логических задач, а также работы с медицинскими текстами. В README заявлена поддержка английского языка и применение в обучающих системах, профессиональных помощниках и технических чат-интерфейсах. Качество и согласованность ответов могут варьироваться из-за неоднородного форматирования и качества разметки обучающих данных. Медицинские и другие предметные ответы требуют проверки. Модель распространяется по лицензии Apache-2.0.

Hyperion Medium Preview — языковая модель M4-ai, дообученная на базе mistralai/Mistral-7B-v0.1 на наборе Hyperion. Это плотная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и контекст до 32 768 токенов. Она предназначена для диалогов и ответов на сложные вопросы, в том числе по научным темам, а также для генерации кода, математических и логических рассуждений и понимания медицинских текстов. В карточке заявлена поддержка английского языка. Модель может применяться в обучающих помощниках по науке, медицине, математике и информатике, в технических диалоговых системах и для помощи с программированием. Карточка отмечает, что разнообразие данных, форматирование и качество разметки могут приводить к непоследовательным ответам. Модель распространяется по лицензии Apache-2.0.

Menlo/Jan-nano-128k-gguf — это квантованная GGUF-версия компактной языковой модели Jan-Nano-128k, разработанной Menlo Research; авторами указаны Alan Dao и Bach Vu Dinh. Модель предназначена для генерации текста и исследовательских сценариев, включая анализ научных статей и длинных документов, синтез информации из нескольких источников, работу с большими наборами данных и сложные многошаговые диалоги. Она также совместима с серверами Model Context Protocol (MCP) и поддерживает вызов инструментов при соответствующей настройке среды. Ключевая характеристика модели — нативное контекстное окно до 128 000 токенов, рассчитанное на сохранение производительности при работе с длинным контекстом. Указан английский язык; модель относится к нетерминологически «рассуждающим» моделям и не использует отдельный режим thinking. Архитектура, точный размер модели, тип и параметры квантования, а также перечень поддерживаемых модальностей в README не раскрыты, поэтому подтверждена только текстовая модальность. Сильными сторонами заявлены обработка больших документов, глубокий анализ и улучшение результатов на длинном контексте по сравнению с предыдущей версией Jan-Nano. Ограничения включают отсутствие подробных сведений об архитектуре, размере и конкретном варианте квантования, а также необходимость корректной настройки chat template и параметров масштабирования RoPE при некоторых способах развёртывания. Модель распространяется по лицензии Apache 2.0.

jina-embeddings-v5-text-small-text-matching — компактная модель векторных представлений текста от Jina AI, предназначенная для сопоставления текстов и оценки их семантической близости. Модель является квантизированной версией jinaai/jina-embeddings-v5-text-small и обучалась с использованием дистилляции и специализированных контрастивных функций потерь. Модель содержит 677 млн параметров, поддерживает многоязычные тексты и обрабатывает последовательности длиной до 32 768 токенов. Она формирует эмбеддинги размерностью 1024 с использованием pooling по последнему токену. Поддерживаются уменьшенные Matryoshka-размерности: 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством и затратами на хранение и поиск. Модель подходит для семантического поиска, дедупликации, кластеризации, ранжирования и других задач сопоставления текстов. К сильным сторонам относятся компактность, высокая производительность для своего размера, многоязычность, длинный контекст и возможность гибко сокращать размер эмбеддинга. Ограничение модели — специализация на text-matching: README не заявляет её оптимизацию для генерации текста или иных задач. Для использования требуется совместимое программное окружение, включая transformers, PyTorch и, в зависимости от способа запуска, vLLM, sentence-transformers или Text Embeddings Inference. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер применения.

Kanana-1.5-15.7B-A3B-Instruct — разговорная языковая модель Kakao с разреженной архитектурой Mixture-of-Experts на базе Mixtral. В модели 15,7 млрд параметров всего, при этом активируется около 3 млрд параметров; заявленный размер в метаданных — 824,7 млн параметров. Модель принимает текст и генерирует текст, поддерживает английский и корейский языки, а длина контекста составляет 32 768 токенов. Модель предназначена для диалогов и генерации текста, включая ответы на вопросы, следование инструкциям, решение математических задач и написание кода. Kakao сообщает, что её эффективность по вычислениям на токен сопоставима с Kanana-1.5-8B при использовании 37% FLOPS, а постобучение включало дистилляцию на собственных ответах и обучение с подкреплением. Для запуска README рекомендует vLLM версии 0.8.5 или новее. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой модели.

Ling-lite-1.5 — языковая модель с разреженной архитектурой MoE, разработанная InclusionAI для генерации текста и диалогового взаимодействия. Карточка относит её к семейству Ling и приводит для этой версии 16,8 млрд параметров, из которых активируется 2,75 млрд. В метаданных репозитория указано 794,8 млн параметров и контекст 32 768 токенов, тогда как README сообщает 128K контекста; поэтому характеристики размера и длины контекста в источниках расходятся. Модель предназначена для широкого круга задач с текстом, включая ответы на вопросы, решение задач и генерацию кода. В опубликованной таблице оценки приведены результаты на MMLU, GPQA и HumanEval; README также описывает тесты длинного контекста до 128K. Для запуска указана библиотека Transformers, веса представлены в формате safetensors. Лицензия — MIT.

Meta Llama 3.3 70B Instruct — мультиязычная генеративная языковая модель Meta для диалогов и следования инструкциям. Это авторегрессионный трансформер на 70 млрд параметров, дообученный с помощью supervised fine-tuning и обучения с подкреплением на основе обратной связи от людей. Модель принимает и выдаёт текст, поддерживает контекст до 128 тысяч токенов и оптимизирована для диалоговых сценариев. Модель подходит для создания ассистентов, ответов на вопросы, написания и преобразования текстов, а также генерации синтетических данных. Заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков; русский среди них не указан. Для инференса описана библиотека Transformers, а контрольные точки можно использовать с 8- и 4-битной загрузкой через bitsandbytes для снижения требований к памяти. Модель статична и обучена на офлайн-данных с отсечкой знаний в декабре 2023 года. Она не принимает изображения, аудио или видео; качество и безопасность ответов требуют оценки и мер защиты в конкретном приложении. Использование регулируется пользовательским соглашением Llama 3.3 Community License, включая его ограничения и Acceptable Use Policy.

JonasGru/lt-e5 — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-base. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура состоит из XLM-RoBERTa, среднего пулинга токенов и нормализации. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README указано обучение на наборе из 199 992 пар предложений, а метаданные подтверждают многоязычную базовую модель. Лицензия в предоставленных данных не указана.