I.14Автоматизация процессов и AI-агенты

KhaledReda разработал all-MiniLM-L6-v75-pair_score — дообученную модель Sentence Transformers на базе KhaledReda/all-MiniLM-L6-v73-pair_score. Она кодирует предложения и абзацы на английском языке в плотные векторы размерностью 384 для сравнения семантического сходства с помощью косинусной близости. Архитектура включает BERT-трансформер, усредняющий пулинг токенов и нормализацию; в модели 25,9 млн параметров. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации, классификации текста и оценки сходства между парами предложений. Лицензия Apache-2.0 разрешает использование на её условиях. Модель ориентирована на английский язык; качество за пределами описанных задач и языка в карточке не подтверждено.

navteca/all-mpnet-base-v2 — модель Sentence-Transformers на архитектуре MPNet, созданная на основе microsoft/mpnet-base и дообученная командой проекта Hugging Face Community Week с помощью контрастивного обучения на наборе более чем из миллиарда пар предложений. Она предназначена для кодирования предложений и коротких абзацев: преобразует текст в плотный вектор размерности 768, пригодный для семантического поиска, оценки сходства и кластеризации. Модель содержит 136,7 млн параметров, распространяется в формате PyTorch и имеет лицензию MIT. Модель подходит для семантического поиска по коллекциям текстов, поиска похожих предложений и группировки текстов по смыслу. В README указано усечение входа длиннее 384 токенов WordPiece; в метаданных указан контекст 514 токенов. Английский язык подтверждён карточкой модели. Это энкодер предложений, а не генеративная модель: на выходе — векторы, и для использования через Transformers требуется корректная операция pooling.

all-mpnet-base-v2 — модель Sentence-Transformers, основанная на архитектуре MPNet; разработана в рамках проекта Hugging Face Community Week. Это дообученная версия microsoft/mpnet-base с 136,7 млн параметров, обученная контрастивным методом на более чем миллиарде пар предложений. Модель преобразует предложения и короткие абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель принимает текст и выдаёт эмбеддинги. Подходит для поиска документов по смыслу, группировки похожих текстов и оценки семантической близости предложений. Контекст составляет до 514 токенов по метаданным; README указывает, что входы длиннее 384 word pieces обрезаются. Основной язык карточки — английский. Распространяется по лицензии Apache-2.0.

gart-labor/all-mpnet-base-v2-eclass — модель Sentence Transformers на базе MPNet, дообученная разработчиком на датасете eclass. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст до 514 токенов; в карточке указан английский язык. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Карточка модели questgen/all-mpnet-base-v2-feature-extraction-pipeline на Hugging Face совпадает с карточкой XHY-DY/all-mpnet-base, поэтому описание составлено по ней. XHY-DY/all-mpnet-base — модель Sentence Transformers для кодирования предложений и коротких абзацев в плотные векторы размерности 768. Она основана на MPNet и дообучена методом контрастивного обучения на наборе более чем из миллиарда пар предложений; исходная модель — microsoft/mpnet-base. В карточке указано применение для семантического поиска, измерения сходства предложений и кластеризации. По умолчанию текст длиннее 384 частей словаря обрезается. Модель принимает текст и возвращает векторное представление, пригодное для поиска и сравнения по смыслу. Она ориентирована на английский язык; заявленная библиотека — Sentence Transformers. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Humair/all-mpnet-base-v2-finetuned-v2 — модель Sentence Transformers на архитектуре MPNet, разработанная Humair. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и принимает текст; контекст составляет до 514 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Для работы можно использовать библиотеку Sentence Transformers либо Transformers с соответствующей операцией pooling. Язык модели в карточке не указан. Лицензия не приводится в доступных данных.

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

Это модель на базе MPNet, опубликованная авторами luiz-and-robert-thesis и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Такие эмбеддинги подходят для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в формате safetensors; для работы с ней предусмотрена библиотека Sentence Transformers. Модель обучали с TripletLoss, используя косинусную метрику и margin 1. README не сообщает языки обучения, результаты оценки или лицензию, поэтому качество для конкретных языков и условия использования по этим источникам определить нельзя.

Модель marumarukun/BAAI-bge-large-en-v1.5_fine_tuned_fold3_20241115_191836 — дообученная англоязычная модель Sentence Transformers на архитектуре BERT. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство текстов можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В метаданных указаны 433,9 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

Карточка модели culudamar/baseline-test-model на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

IR-Cocktail/bert-base-uncased-mean-v3-msmarco — модель Sentence-Transformers на архитектуре BERT, обученная на данных MS MARCO. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на сопоставление текстовых запросов и релевантных фрагментов. Модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Её можно применять для построения векторного поиска и группировки похожих текстов; для использования доступны Sentence-Transformers и Transformers. Карточка не сообщает лицензию и подробную оценку качества.

Это англоязычная модель Sentence Transformers, дообученная автором gabrielegabellone на основе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерностью 768; для сравнения используется косинусное сходство. Архитектура состоит из BERT и среднего пулинга токенов. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для поиска семантически близких текстов и сравнения предложений. Её также можно применять для поиска перефразировок, кластеризации и подготовки признаков для классификации текста. Обучение описано как TripletLoss на 50 881 примере из набора с тройками предложений; примеры в карточке англоязычные. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Shobhank-iiitdwd/BERT-snli-mnli-stsb — модель на основе BERT, представленная в формате sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения сходства и кластеризации текстов. Модель содержит 136,7 млн параметров, работает с текстом и принимает последовательности длиной до 512 токенов. Модель обучалась с функцией CosineSimilarityLoss и подходит для построения семантического поиска и группировки похожих текстов. Веса доступны в формате PyTorch. В карточке не указаны лицензия и явные ограничения на применение.

abhijitt/bert_st_qa_multi-qa-mpnet-base-dot-v1-epochs-1 — модель Sentence-Transformers на архитектуре MPNet, обученная разработчиком abhijitt для представления предложений и абзацев в виде плотных векторов размерности 768. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель опубликована в формате PyTorch. Векторы можно применять для семантического поиска, сравнения смысловой близости текстов и кластеризации. В README указано обучение с MultipleNegativesRankingLoss и косинусной функцией сходства. Модель принимает текст и выдаёт эмбеддинги; данные не устанавливают конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Для работы доступны Sentence-Transformers и Hugging Face Transformers; при использовании Transformers требуется подходящая операция pooling поверх контекстных представлений токенов. Сведения о лицензии в предоставленных данных отсутствуют.

krunchykat/bge-base-en-v1.5-ft-quora — англоязычная модель эмбеддингов на базе BERT, опубликованная пользователем krunchykat. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов и кластеризации. Модель дообучена с функцией OnlineContrastiveLoss; её можно использовать через библиотеку Sentence-Transformers. Размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, сопоставления вопросов и ответов и группировки похожих текстов на английском языке. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

zhou209/bge-ft — модель Sentence Transformers на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она преобразует предложения и абзацы в плотные нормализованные векторы размерностью 1024; сходство текстов измеряется косинусным сходством. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. В карточке не раскрыты обучающие данные и языковой охват, поэтому нельзя точнее оценить качество для отдельных языков и предметных областей. Репозиторий содержит веса в формате safetensors; сведения о лицензии отсутствуют.

Это модель Sentence Transformer, дообученная на основе BAAI/bge-m3 и разработанная автором репозитория seongil-dn. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024 для семантического поиска и сравнения текстов по косинусному сходству. Также её можно применять для поиска перефразировок, кластеризации и классификации текстов. Модель использует XLM-RoBERTa с pooling по CLS-токену; README указывает максимальную длину последовательности 1024 токена. Метаданные сообщают о контекстном окне до 8194 токенов, поэтому фактический предел обработки следует сверять с используемой конфигурацией. Репозиторий предназначен для работы с библиотекой Sentence Transformers и содержит веса в формате Safetensors. Данных о лицензии в предоставленных источниках нет.

BidirLM-1B-Embedding — мультиязычная модель эмбеддингов из семейства BidirLM, разработанного авторами карточки. Это плотный двунаправленный энкодер BidirLMModel на 1 млрд параметров, полученный дообучением BidirLM/BidirLM-1B-Base. Модель использует mean pooling и выдаёт векторы размерности 1152; поддерживает контекст до 32 768 токенов, хотя в оценке MTEB для этой версии использовалось 512 токенов. Модель предназначена для построения текстовых эмбеддингов и поиска по смыслу: её можно применять для семантического поиска, оценки сходства предложений, кластеризации, поиска межъязыковых соответствий и ранжирования. Также её архитектура поддерживает дальнейшее дообучение для классификации последовательностей и токенов, извлечения сущностей и задач NLI. В карточке заявлена мультиязычная поддержка более чем 140 языков; контрастивное обучение охватывало 87 языков. Для загрузки требуется trust_remote_code=True и совместимая версия Transformers; это следует учитывать при интеграции. Модель распространяется по лицензии Apache-2.0.

quangtqv/bi_encoder_tool_learning_backbone_14_6 — модель Sentence Transformer на архитектуре BERT, преобразующая предложения и абзацы в нормализованные плотные векторы размерности 768. Она предназначена для сравнения семантического сходства, семантического поиска, поиска перефразировок, классификации текста и кластеризации; сходство векторов можно оценивать косинусной мерой. Модель принимает текстовые последовательности длиной до 512 токенов. В архитектуре используются BERT, pooling по CLS-токену и нормализация выходного вектора. В метаданных указано 136,7 млн параметров; веса опубликованы в формате safetensors. README описывает обучение модели, но не сообщает базовую модель, набор данных или языки, поэтому её языковую специализацию установить нельзя. Лицензия в предоставленных данных не указана.

Luong23/bmg-m3-finetune-embedding — дообученная модель Sentence Transformer на базе BAAI/bge-m3, предназначенная для получения плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; архитектура включает XLM-RoBERTa, CLS-пулинг и нормализацию, а сходство оценивается косинусной мерой. В метаданных указана длина контекста 8194 токена, однако карточка модели задаёт максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. В примерах обучающих данных есть короткие запросы и подробные описания товаров на вьетнамском языке, но это не подтверждает, что модель рассчитана только на него. Модель принимает текст и выдаёт векторы; опубликована в формате safetensors. Условия лицензии в предоставленных данных не указаны.

BOOM_4B_eng_data_v1 — англоязычная модель текстовых эмбеддингов, созданная авторами исследования BOOM на основе Qwen3-4B. Она предназначена для получения представлений текста для поиска, ранжирования, семантического сходства, классификации и кластеризации. Модель объединяет несколько вариантов эмбеддинговой модели, обученных на выборках разного размера, методом Multi-SLERP; такой подход рассчитан на повышение устойчивости и качества переноса на новые данные при сохранении эффективности инференса одной моделью. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 40 960 токенов. Обучение охватывает англоязычные задачи поиска, переранжирования, классификации, кластеризации и семантического сходства; README также сообщает о включении общих данных, в том числе многоязычных наборов для поиска, и выборки кода. Для практического применения доступны веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

Buzz-3b-Small-v0.6.3 — промежуточный чат-чекпойнт проекта H-D-T, дообученный на базе семейства Llama. Модель имеет плотную архитектуру LlamaForCausalLM примерно с 3,8 млрд параметров и использует шаблон диалога Llama 3. Она обучалась одну эпоху на примерно 6,2 млн примеров; этот чекпойнт соответствует двум десятым пути по датасету Buzz и его срезам. Модель предназначена для диалоговой работы в роли универсального ассистента: она может писать код, разбирать задачи, объяснять и проводить пошаговые разборы, играть персонажей, анализировать данные и выполнять математические вычисления. Принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Ответы могут быть неточными. Лицензия — Apache-2.0.

perceptiveshawty/compositional-bert-large-uncased — англоязычная модель на архитектуре BERT Large без учёта регистра, разработанная пользователем или организацией perceptiveshawty для оценки семантического сходства предложений. Модель предназначена для сравнения текстов, поиска похожих предложений и построения систем семантического сопоставления. Модель содержит около 433,9 млн параметров, работает через библиотеку Transformers и поддерживает контекст до 512 токенов. В качестве источников обучения указаны datasets-for-compcse и datasets-for-simcse. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

TechWolf разработала модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Модель основана на MPNet и дообучена на базе sentence-transformers/all-mpnet-base-v2; использует mean pooling, а сходство векторов рекомендуется оценивать косинусной мерой. Модель предназначена для семантического сравнения текстов, поиска и обнаружения перефразировок. Векторы также подходят для кластеризации и классификации текстов. Максимальная длина входной последовательности — 514 токенов по метаданным модели. Это текстовая модель на 136,7 млн параметров, распространяемая в формате safetensors и использующая библиотеку Sentence Transformers. README не сообщает языковой охват и условия лицензии, поэтому их нельзя определить по доступным сведениям.

tubyneto/crowdedflowertunedbert — модель Sentence-Transformers на архитектуре MPNet, обученная преобразовывать предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Обучение проводилось с ContrastiveLoss на основе косинусного расстояния. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 514 токенов. Доступна в формате PyTorch. README не указывает языки обучающих данных или лицензию, поэтому область языкового применения и условия использования по имеющимся сведениям определить нельзя.

tubyneto/crowdedflowertunedbertt — модель Sentence-Transformers на архитектуре MPNet для получения эмбеддингов предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. В карточке указано обучение с ContrastiveLoss и косинусной метрикой расстояния. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

bobox разработал Sentence Transformer на базе bobox/DeBERTa-small-ST-v1-test-step2, дообученный на наборах пар и триплетов предложений, включая VitaminC, SciTail, SciQ, MS MARCO, Natural Questions, TriviaQA, GooAQ и PAWS. Модель кодирует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов; сходство можно оценивать косинусной мерой. Архитектура состоит из DebertaV2Model и среднего pooling по токенам. Максимальная длина входа — 512 токенов. Модель рассчитана на английский язык и подходит для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и подготовки признаков для классификации текста. В README приведены результаты оценки сходства на sts-test и бинарной классификации на VitaminC, однако качество на других данных может отличаться. Лицензия в предоставленных данных не указана.

Карточка модели bcoding/deepseek-R1-0528-Qwen3-8b-base-16-llvm-sft-trained-16bit-epoch-1-merged на Hugging Face совпадает с карточкой bcoding/deepseek-R1-0528-Qwen3-8b-base-16-llvm-sft-trained-16bit-epoch-2-merged, поэтому описание составлено по ней. Модель bcoding — дообученная версия unsloth/DeepSeek-R1-0528-Qwen3-8B на архитектуре Qwen3 с причинным языковым моделированием. Она предназначена для диалогов и генерации текста; каталог также указывает интерфейс вызова инструментов. Размер модели — 7,6 млрд параметров, контекст — до 131 072 токенов. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL. Модель может применяться для диалоговых ответов, рассуждений, решения задач по математике и логике, а также помощи с программированием — эти сценарии указаны для базовой модели в описании каталога. Поддерживаемый язык карточки — английский. Репозиторий распространяется в формате Safetensors по лицензии Apache 2.0.

unsloth/DeepSeek-R1-0528-Qwen3-8B-unsloth-bnb-4bit — это 4-битная версия модели DeepSeek-R1-0528-Qwen3-8B, опубликованная Unsloth и основанная на модели DeepSeek AI. Модель предназначена для диалоговых сценариев и задач, требующих рассуждений, включая математику, программирование и общую логику. Она поддерживает режимы с рассуждением и без него и работает через библиотеку Transformers. Модель имеет размер 8B параметров, однако README не содержит подробностей об архитектуре, поддерживаемых языках, модальностях и размере контекста. По заявленным данным, обновление DeepSeek-R1-0528 улучшает глубину рассуждений и результаты на сложных задачах; в частности, точность на AIME 2025 выросла до 87,5%. Для режима рассуждений не рекомендуется использовать жадное декодирование, поскольку это может снижать качество и приводить к повторениям. Для запуска требуется соблюдать рекомендованный шаблон чата и параметры генерации. Модель распространяется под лицензией MIT. README не приводит подробностей о возможных ограничениях качества, безопасности или применимости в критически важных сценариях.

DeepSeek-R1-Distill-Llama-70B-GGUF — это квантизированная версия языковой модели DeepSeek-R1-Distill-Llama-70B, разработанной командой deepseek-ai и подготовленной в формате GGUF участником bartowski на основе llama.cpp. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая LM Studio. Модель дистиллирована из reasoning-модели DeepSeek-R1 и настроена на задачи рассуждения и генерации цепочек рассуждений. Заявлена поддержка контекста до 128 000 токенов. В README не указаны точный вариант квантования, перечень поддерживаемых языков и дополнительные модальности, поэтому её следует рассматривать как текстовую модель. К сильным сторонам относятся большой размер 70B параметров, ориентация на сложное рассуждение и возможность использования квантизированной сборки в локальной инфраструктуре. Ограничения включают потенциально высокие требования к ресурсам, зависимость характеристик от выбранного уровня квантования и типичные для генеративных моделей риски неточных, вредных или неподходящих ответов. Лицензия в предоставленных данных не указана; условия использования следует уточнять в исходном репозитории модели.