I.14Автоматизация процессов и AI-агенты

KhaledReda/all-MiniLM-L6-v65-pair_score — англоязычная модель Sentence Transformers, дообученная автором на sentence-transformers/all-MiniLM-L6-v2 с использованием набора пар текстов и оценок pairs_with_scores_v52. Она кодирует предложения и абзацы в плотные векторы размерностью 384 и предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Архитектура — BERT-энкодер с усреднением токеновых представлений и нормализацией векторов; модель содержит 25,9 млн параметров. В README указан максимальный размер входа 256 токенов, а метаданные каталога указывают контекст 512 токенов. Основной язык — английский. Для сравнения векторов рекомендуется косинусное сходство. Модель подходит для поиска семантически близких фрагментов и ранжирования пар текстов по близости. Лицензия — Apache-2.0. Качество на иных доменах и языках, чем английские данные обучения, не установлено; максимальная длина по README ограничена 256 токенами.

Khaled Reda создал all-MiniLM-L6-v69-pair_score — англоязычный Sentence Transformer, дообученный на sentence-transformers/all-MiniLM-L6-v2 на парах текстов с оценками сходства. Энкодер на архитектуре BERT содержит 25,9 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Метаданные указывают максимальный контекст 512 токенов, а README описывает ограничение последовательности в 256 токенов. Модель предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Её можно использовать для построения векторных представлений и ранжирования текстов по близости; модель принимает текст и выдаёт эмбеддинги. Обучающие данные — пары с числовыми оценками сходства из датасета pairs_with_scores_v56. Модель распространяется по лицензии Apache-2.0. Она рассчитана на английский язык; качество для других языков не подтверждено. Для корректной обработки входов учитывайте указанное в README ограничение последовательности в 256 токенов.

KhaledReda/all-MiniLM-L6-v77-pair_score — англоязычный Sentence Transformer от KhaledReda, дообученный на sentence-transformers/all-MiniLM-L6-v2 на парах текстов с оценками сходства. BERT-энкодер содержит 25,9 млн параметров и формирует нормализованные плотные векторы размерностью 384; сходство пар можно оценивать косинусной мерой. README указывает максимальную длину последовательности 256 токенов, а метаданные — нативный контекст 512 токенов. Модель предназначена для семантического сравнения предложений и абзацев, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Веса доступны в формате safetensors, использовать их можно через библиотеку Sentence Transformers. Лицензия — Apache-2.0. Карточка не приводит результатов бенчмарков, поэтому качество на конкретных данных следует оценивать отдельно; модель рассчитана на английский язык, а входы длиннее рабочего предела последовательности могут быть усечены.

Это модель Sentence Transformers на базе MPNet, разработанная автором репозитория hmehta92. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения предложений и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

jiahaohou/all-mpnet-base-v2-sts — англоязычная Sentence Transformer-модель, дообученная на датасете STSB на основе sentence-transformers/all-mpnet-base-v2. Архитектура MPNet преобразует предложения и короткие абзацы в нормализованные плотные векторы размерности 768; сходство между текстами оценивается косинусной близостью. В метаданных указано 136,7 млн параметров и контекст до 514 токенов, а карточка модели указывает максимальную длину последовательности 384 токена. Модель предназначена для семантического сравнения предложений и абзацев, поиска похожих текстов, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты на STS-B: Spearman 0,9105 на dev и 0,8786 на test. Модель принимает текст и выдаёт векторы; для прикладных задач её обычно используют как компонент поиска или анализа, а не как генератор текста. Лицензия в предоставленных данных не указана.

adugeen/authorship-e5-base — модель SentenceTransformer, дообученная на базе intfloat/multilingual-e5-base для преобразования предложений и абзацев в плотные векторы размерности 768. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; сходство векторов можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для сравнения текстов и семантического поиска, а также может применяться для поиска перефразировок, кластеризации и классификации текста. README сообщает о дообучении на парах предложений с метками и приводит метрику cosine_accuracy 0,9225 для бинарной классификации, но не уточняет язык и предметную область примеров. Модель опубликована в формате safetensors и использует библиотеку Sentence Transformers. Условия лицензирования в предоставленных данных не описаны.

Mozart_Fine_Tuned-10 — модель эмбеддингов предложений на архитектуре BERT, опубликованная аккаунтом mozart-ai. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска по смыслу, сравнения сходства и кластеризации. Модель содержит около 40 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README описано обучение с MultipleNegativesRankingLoss и косинусным сходством; формат весов — PyTorch. По названию репозитория это тонкая настройка BAAI/bge-small-en-v1.5; модель предназначена прежде всего для английского текста. Лицензия в предоставленных данных не указана.

andreyunic23/beds_step4 — дообученная модель Sentence Transformers на основе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и короткие абзацы в плотные векторы размерностью 768 для семантического сравнения текстов; сходство оценивается косинусной мерой. Архитектура включает MPNet, усреднение токенных представлений и нормализацию; в README указана максимальная длина последовательности 384 токена, а метаданные приводят контекст 514 токенов. Модель подходит для семантического поиска, сопоставления похожих формулировок, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. README описывает обучение на наборе из 1 084 пар предложений с ContrastiveTensionLossInBatchNegatives. Базовая модель многоязычная, однако языковая специализация этого дообучения в доступных сведениях явно не обозначена. Модель содержит 136,7 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Это Sentence Transformer на базе google-bert/bert-base-multilingual-uncased, дообученный авторами репозитория на наборе из 10 200 пар текстов. Модель использует архитектуру BERT с усреднением токенных представлений и кодирует предложения и абзацы в плотные векторы размерностью 768; сходство можно оценивать косинусной метрикой. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Многоязычные возможности унаследованы от базового BERT, обученного для 102 языков; примеры обучающих данных в карточке приведены на вьетнамском. Метаданные указывают библиотеку Sentence Transformers и формат Safetensors. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformer, созданная sobamchan путём дообучения google-bert/bert-large-uncased на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для сравнения смысла текстов по косинусному сходству. Архитектура состоит из BERT Large и усредняющего пулинга токенов; число параметров — 433,9 млн, максимальная длина входа — 512 токенов. Модель поддерживает Matryoshka-представления размерности 1024, 768, 512, 256, 128 и 64. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и получения признаков для классификации текста. В README приведена оценка на sts-dev: Spearman correlation по косинусному сходству — 0,8311. Модель рассчитана на английский язык; её карточка не подтверждает качество для других языков. Распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Nhat1904/best_64_shots — модель Sentence-Transformers на архитектуре MPNet, разработчик которой в карточке не назван. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и семантического поиска. Модель содержит 136,7 млн параметров, принимает текст и формирует векторные представления; максимальная длина контекста составляет 514 токенов. В README указано обучение с функцией потерь CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

BGE base ArgillaSDK Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиками модели на базе BAAI/bge-base-en-v1.5 для получения плотных эмбеддингов предложений и абзацев. Модель построена на BERT, использует пулинг CLS-токена и нормализацию векторов; размерность представления составляет 768, а сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение на 882 примерах с MatryoshkaLoss и TripletLoss позволяет использовать укороченные представления размером 512, 256, 128 или 64 измерения наряду с полными 768-мерными эмбеддингами. Максимальная длина входной последовательности — 512 токенов. Модель работает с английским текстом; лицензия — Apache-2.0.

BorisTM/bge-m3_en_ru — компактная версия модели эмбеддингов BAAI/bge-m3, подготовленная для английского и русского языков. В модели оставлены токены этих двух языков: размер словаря сокращён до 21% от исходного, а общее число параметров составляет 449,9 млн, или 63,3% от исходного размера. Архитектура — XLM-RoBERTa; модель доступна в формате safetensors и рассчитана на контекст до 8194 токенов. Модель предназначена для получения текстовых эмбеддингов и сравнения сходства предложений, например для семантического поиска и подбора похожих текстов. Её можно использовать с Sentence-Transformers или Transformers, применяя подходящую операцию pooling к контекстным представлениям токенов. Автор README сообщает, что сокращение словаря не ухудшило качество эмбеддингов на английском и русском языках. Это производная версия BAAI/bge-m3, созданная сокращением словаря токенизатора. Лицензия в предоставленных данных не указана.

BorisTM/bge-m3-unsupervised_en_ru — уменьшенная по словарю версия модели BAAI/bge-m3-unsupervised, предназначенная для создания эмбеддингов английских и русских текстов и сравнения предложений. Разработчик оставил в словаре токены только для английского и русского языков: размер словаря составляет 21% от исходного, а число параметров — 63,3% от исходного. В репозитории указано 449,9 млн параметров; архитектура основана на XLM-RoBERTa, максимальная длина контекста — 8194 токена. Модель подходит для семантического поиска, сопоставления предложений и построения векторных представлений текстов на английском и русском языках. В README заявлено, что сокращение словаря не снизило качество эмбеддингов для этих языков. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

BiCA-Base — модель Sentence Transformer, разработанная Bisect Group и дообученная на базе thenlper/gte-base для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерности 768 и предназначена для семантического сходства, поиска и других задач сравнения текстов. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Для сравнения векторов используется косинусное сходство; среди подходящих сценариев — поиск парафраз, кластеризация и классификация текстов. Указана лицензия MIT.

BiCA-small — модель Sentence Transformers, дообученная bisectgroup на базе thenlper/gte-small для получения эмбеддингов предложений и абзацев. Она использует архитектуру BERT с mean pooling и нормализацией, содержит около 40 млн параметров и преобразует текст в плотные векторы размерности 384; сходство можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Карточка описывает англоязычные данные и поддержку английского языка. Для работы нужны текстовые входы; результат — векторные представления, пригодные для сравнения и последующей обработки. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

BidirLM-0.6B-Embedding — разработанная командой BidirLM многоязычная двунаправленная модель-энкодер для получения текстовых эмбеддингов и последующего дообучения под задачи обработки текста. Это контрастивно дообученная версия промежуточной модели BidirLM-0.6B-Base, основанной на Qwen3-0.6B; архитектура BidirLM использует маскированное предсказание следующего токена и mean pooling. В README указано 596 млн параметров и размерность эмбеддингов 1024, а в метаданных — 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов; в оценках извлечения длинного контекста версия 0.6B показала лучший результат при 8k токенах, а стандартная оценка MTEB проводилась при длине 512 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, кластеризации, ранжирования и поиска соответствий между текстами. Её также можно дообучать для классификации последовательностей и токенов, включая NER и POS. Карточка заявляет поддержку более 119 языков, но приводит подробности обучения на 87 языках; список языков в метаданных покрывает меньший поднабор. Модель распространяется по лицензии Apache-2.0. Для загрузки требуется trust_remote_code=True и совместимая версия Transformers.

Карточка модели squ0sh/Bonsai-27B-mlx-1bit на Hugging Face совпадает с карточкой prism-ml/Bonsai-27B-mlx-1bit, поэтому описание составлено по ней. Bonsai-27B-mlx-1bit — 27-миллиардная модель для генерации текста и диалогов, представленная Prism ML. Это производная от Qwen/Qwen3.6-27B модель с гибридной архитектурой внимания: около 75% линейного и 25% полноразмерного внимания. Языковые веса представлены в бинарном формате с эффективной точностью 1,125 бита на параметр; башня зрения использует 4-битное HQQ-представление. Модель рассчитана на локальный запуск на устройствах Apple через MLX, а также поддерживает CUDA. Модель предназначена для рассуждений, работы с кодом, агентных сценариев, длинных диалогов и анализа документов. Заявлены контекст до 262 тысяч токенов и footprint около 3,9 ГБ; авторы сообщают о скорости около 11 токенов/с на iPhone 17 Pro Max и сохранении примерно 90% качества FP16-версии по выбранным бенчмаркам. Компактное представление позволяет запускать модель локально, включая смартфоны, ноутбуки и потребительские GPU. Основной компромисс — снижение качества относительно полной точности, особенно в наиболее сложных категориях; авторы также отмечают, что длительные агентные задачи программирования пока не являются сильной стороной этой версии. Производительность на телефоне зависит от теплового режима. Модель распространяется по лицензии Apache-2.0.

BumbaLM-Embedding-Qwen-4b-v0-200k — текстовая Sentence Transformer-модель, дообученная на базе Qwen/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные векторы размерности 2560 для поиска и сравнения текстов; сходство оценивается косинусной мерой. Архитектура включает трансформер Qwen3, pooling по последнему токену и нормализацию векторов. Модель содержит 3,7 млрд параметров и принимает последовательности длиной до 768 токенов. Модель предназначена для семантического поиска и задач извлечения информации: например, для сопоставления запроса с релевантными документами. README приводит оценку на tripletos_eval: cosine_accuracy@1 — 0,6286, @5 — 0,8024, @10 — 0,8626. Базовая модель мультиязычная, но конкретный языковой охват этого дообучения в карточке не установлен. Лицензия в предоставленных данных не указана.

danfeg/CAMeL_Finetuned-EN-500 — модель на базе BERT, дообученная как sentence-transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для вычисления семантического сходства, семантического поиска и кластеризации текстов. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт эмбеддинги. По названию и карточке она ориентирована на английский язык; лицензия в предоставленных данных не указана.

OpenMOSS-Team/claif-scaled-bert-base — англоязычная модель эмбеддингов на архитектуре BERT, опубликованная командой OpenMOSS. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель обучена с использованием CosineSimilarityLoss и доступна в формате PyTorch; её можно применять через Sentence-Transformers или Transformers с подходящим pooling. Модель подходит для англоязычных систем семантического поиска и группировки текстов. Контекст ограничен 512 токенами. Лицензия Apache-2.0 разрешает использование на её условиях.

Карточка модели AnkushRaut216/cl-finetuned-sentence-transformer-vectorstore на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Command-R-01-Ultra-NEO-V1-35B-IMATRIX-GGUF — текстовая генеративная модель в формате GGUF на базе CohereLabs c4ai-command-r-v01, доработанная разработчиком DAVID_AU с использованием собственной технологии IMATRIX NEO V1. Модель предназначена для общего использования, следования инструкциям, общения, ролевых сценариев и творческой генерации, включая рассказы и художественные тексты. В README указан английский язык, размер базовой модели — 35 млрд параметров, а максимальный контекст — до 128 тысяч токенов. Для работы требуется специальный chat-шаблон Command-R. Заявленные сильные стороны — улучшенное следование инструкциям, качество вывода, работа с длинными текстами и более сильные связи между идеями и концепциями. Доступны варианты с разными уровнями GGUF-квантизации; качество, стиль и результаты генерации могут заметно различаться между квантами, поэтому выбор следует адаптировать под конкретный сценарий и доступные ресурсы. README также рекомендует настройку сглаживания sampling для некоторых интерфейсов. Модель распространяется по лицензии Apache-2.0.

jjduquec/conflubot_embed_model — дообученная модель SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанная владельцем репозитория jjduquec. Это энкодер предложений на архитектуре BERT: он преобразует текст в плотные векторы размерности 384 и нормализует их; близость можно оценивать косинусным сходством. Модель дообучена на триплетах из 306 636 обучающих примеров и рассчитана на сравнение предложений и абзацев, семантический поиск, поиск перефразировок, классификацию и кластеризацию текстов. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Доступен формат safetensors; для работы заявлена библиотека Sentence Transformers. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Модель основана на англоязычном энкодере; сведения о её оценке на независимых наборах данных не приведены.

nishimoto/contriever-sentencetransformer — порт Contriever в формате Sentence-Transformers. Модель на архитектуре BERT содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска и кластеризации текстов. Векторные представления можно использовать для сравнения смысловой близости предложений и абзацев. Репозиторий содержит веса PyTorch; для работы с моделью в README рекомендуется библиотека Sentence-Transformers. Ограничение контекста — 512 токенов. В README лицензия не указана.

Kyleiwaniec/COS_TAPT_n_RoBERTa_STS — модель на архитектуре RoBERTa, созданная для Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024, предназначенные для оценки семантической близости, семантического поиска и кластеризации. Модель обучалась с функцией потерь CosineSimilarityLoss; её контекст составляет 514 токенов, размер — около 454,1 млн параметров. Модель подходит для поиска похожих текстов и группировки предложений или документов по смыслу. Для использования с Transformers поверх контекстных представлений требуется применить соответствующую операцию pooling. В репозитории указаны веса PyTorch; лицензия не приведена в доступных данных.

teven/cross_all_bs320_vanilla_finetuned_WebNLG2017 — модель Sentence-Transformers на базе MPNet, дообученная для получения векторных представлений предложений и абзацев. Разработчик указывает, что модель преобразует текст в плотные векторы размерности 768; в метаданных указаны 136,7 млн параметров и контекст до 514 токенов. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. Для работы можно использовать Sentence-Transformers или Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

DeCLUTR-base — модель для получения универсальных векторных представлений предложений, разработанная авторами работы «DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations». Она предназначена для сравнения смысловой близости текстов и других задач, где нужны эмбеддинги предложений. Модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Она принимает текст и выдаёт векторные представления; в README показано использование SentenceTransformers для кодирования предложений и вычисления косинусной близости. Модель рассчитана на английский язык, её контекст составляет 514 токенов. Лицензия — Apache-2.0.

DeepSeek-R1-0528-Qwen3-8B-GGUF — это версия модели DeepSeek-R1-0528-Qwen3-8B в формате GGUF, подготовленная пользователем brittlewis12. Исходную модель разработала DeepSeek AI: она создана дистилляцией цепочек рассуждений DeepSeek-R1-0528 и дообучением базовой Qwen3 8B. Модель предназначена для генерации текста и решения задач, требующих рассуждений, включая математические задачи, программирование, академические исследования и разработку компактных reasoning-моделей. Архитектура модели идентична Qwen3-8B, а конфигурация токенизатора унаследована от DeepSeek-R1-0528. Размер — 8 миллиардов параметров; указанная модальность — текст, основной язык в карточке — английский. Модель распространяется в GGUF — формате, ориентированном на локальный запуск через совместимые инструменты, включая llama.cpp. Размер контекста в README не указан. Для работы поддерживаются системные промпты; добавлять маркер <think> в начало ответа не требуется. Сильная сторона модели — качество рассуждений при относительно небольшом размере: в приведённых оценках она получила 86,0 на AIME 2024, 76,3 на AIME 2025 и сопоставлялась с более крупными моделями. При этом результаты зависят от сценария: на GPQA Diamond модель показала 61,1, а на LiveCodeBench — 60,5, поэтому приведённые показатели не гарантируют одинакового качества на всех задачах. В README не указаны конкретный уровень GGUF-квантизации, требования к памяти, максимальный контекст и подробные ограничения безопасности. Лицензия — MIT.

Карточка модели bcoding/deepseek-R1-0528-Qwen3-8b-llvm-sft-trained-16bit-epoch-1 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.