I.14Автоматизация процессов и AI-агенты

jamiehudson/600-STmodel-brand-rem — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые входные данные; для работы доступны Sentence-Transformers и Hugging Face Transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. В карточке не указаны специализированная предметная область или поддерживаемые естественные языки. Репозиторий содержит веса PyTorch; лицензия не приведена в доступных сведениях.

Trelis/all-MiniLM-L12-v2-ft-pairs — дообученная модель Sentence Transformers от Trelis на базе sentence-transformers/all-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384 для сравнения смысла и поиска похожих текстов. Архитектура основана на BERT: эмбеддинги токенов объединяются усреднением, затем нормализуются; для сравнения используется косинусное сходство. Модель содержит около 40 млн параметров и рассчитана на последовательности длиной до 512 токенов по метаданным; README указывает максимум 128 токенов. Модель подходит для семантического поиска, оценки текстового сходства, поиска перефразировок, кластеризации и классификации текстов с использованием полученных эмбеддингов. В карточке описан англоязычный базовый чекпойнт, поэтому применение для других языков не подтверждено. Лицензия в предоставленных данных не указана.

Карточка модели baggiofu1234567/all-MiniLM-L6-v2 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.

RedHatAI/all-MiniLM-L6-v2 — модель Sentence Transformers для преобразования предложений и коротких абзацев в плотные семантические векторы размерностью 384. Она основана на архитектуре BERT MiniLM-L6-H384 и дообучена с контрастивной целью на наборе более чем из миллиарда пар предложений. Модель предназначена для семантического поиска, вычисления сходства между предложениями, кластеризации и информационного поиска. Входной текст преобразуется в эмбеддинг; по умолчанию последовательности длиннее 256 WordPiece токенов обрезаются. Модель имеет 25,9 млн параметров и контекстное окно 512 токенов по метаданным; README также сообщает об ограничении входа в 256 WordPiece токенов. В карточке указан английский язык. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторные представления, поэтому для получения сходства или ранжирования их обычно нужно сопоставлять отдельной операцией; качество для языков, кроме английского, не подтверждено карточкой.

Abdul-I опубликовал модель sentence-transformers на базе BERT, которая преобразует предложения и абзацы в плотные векторы размерностью 384. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. При обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством. В репозитории указаны веса в формате safetensors. Языковая специализация и лицензия в предоставленных данных не описаны.

onnx-models/all-MiniLM-L6-v2-onnx — ONNX-порт модели sentence-transformers/all-MiniLM-L6-v2, подготовленный Binh Nguyen. Модель предназначена для создания векторных представлений текстов и задач сравнения предложений, включая извлечение признаков и работу с семантическим сходством. Используется через библиотеку light-embed. Модель включает Transformer, Pooling и Normalize, формирует embeddings размерностью 384 и поддерживает последовательности длиной до 256 токенов. Размер файлов на диске составляет около 0,08 ГБ, что делает модель компактной для сценариев локального или ресурсно-ограниченного применения. README не содержит сведений о поддерживаемых языках, конкретных показателях качества, ограничениях применения или лицензии, поэтому эти характеристики нельзя определить по предоставленным данным.

KhaledReda/all-MiniLM-L6-v66-pair_score — англоязычный энкодер предложений на базе Sentence Transformers, дообученный KhaledReda на наборе pairs_with_scores_v53. Модель преобразует предложения и абзацы в плотные векторы размерности 384 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает Transformer на базе BertModel и mean pooling. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; в README максимальная длина последовательности указана как 256 токенов. Модель предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Обучающий набор содержит пары текстов с оценками сходства, а функция потерь — CoSENTLoss. Векторы можно использовать в системах поиска и других задачах сравнения текстов. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Указанные в карточке сценарии описывают возможности эмбеддинговой модели, но качество для конкретного домена следует проверять отдельно.

KhaledReda разработал all-MiniLM-L6-v67-pair_score — модель Sentence Transformers, дообученную на парах текстов с оценками сходства. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной близостью. Архитектура включает BERT-трансформер, усреднение токенных представлений и нормализацию. Модель рассчитана на английский язык; в README указана максимальная длина последовательности 256 токенов, а метаданные Hugging Face указывают контекст 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Она содержит 25,9 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0. Качество для языков помимо английского и применимость к длинным текстам свыше указанного предела последовательности не подтверждены.

Retrieva, Inc. разработала AMBER (Adaptive Multitask Bilingual Embedding Representations) — двуязычную модель текстовых эмбеддингов на архитектуре ModernBERT и в формате Sentence Transformers. Модель дообучена на базе sbintuitions/modernbert-ja-130m, содержит 132,1 млн параметров и предназначена прежде всего для японского языка, с поддержкой английского. При обучении использовались японские и английские наборы данных, а также данные для перевода между этими языками; инструкции на естественном языке помогают получать эмбеддинги с учётом задачи. AMBER подходит для поиска по смыслу, сравнения предложений, ранжирования и других задач, использующих векторные представления текста. README указывает размер выходного вектора 512 измерений, косинусную меру сходства и максимальную длину последовательности 512 токенов; метаданные каталога указывают контекст до 8 192 токенов. Модель оценивалась на японских JMTEB, JQaRA, JaCWIR и японской части MLDR, а также на английском MTEB. Лицензия — Apache 2.0. Качество зависит от языка, данных и задачи; модель ориентирована на японский язык, поэтому её возможности для английского могут отличаться. В README приведены отдельные результаты бенчмарков, но не все значения таблиц доступны в карточке.

BERTA — модель для получения эмбеддингов предложений на русском и английском языках. Согласно карточке, её разработал sergeyzh методом дистилляции эмбеддингов ai-forever/FRIDA в sergeyzh/LaBSE-ru-turbo. Это плотная модель семейства BERT с 155,5 млн параметров; размер эмбеддинга — 768, контекст — до 512 токенов. Модель предназначена для сравнения семантической близости текстов, поиска и других задач на эмбеддингах. Карточка также приводит результаты для распознавания перефразирования, вывода по тексту, анализа тональности и выявления токсичности. Для большинства задач задан префикс «categorize_entailment: »; также доступны унаследованные от FRIDA префиксы для запросов и документов. Используется mean pooling вместо CLS pooling. В бенчмарке ruMTEB BERTA показывает результаты, близкие к FRIDA, но в приведённых таблицах уступает ей по указанным метрикам классификации и кластеризации. Модель принимает текст и выдаёт векторы эмбеддингов. Лицензия — MIT.

Charul1223/bert-base-cased-on-sts — модель на базе BERT, опубликованная пользователем Charul1223. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель обучалась с функцией потерь CosineSimilarityLoss и рассчитана на использование с библиотекой Sentence-Transformers или через Transformers с соответствующей операцией pooling. Модель содержит 135,5 млн параметров, принимает текст и формирует векторные представления; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Язык и лицензия в предоставленных данных не указаны.

Это англоязычная Sentence Transformer-модель, разработанная на базе google-bert/bert-base-uncased и дообученная на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство. Модель построена на BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. Обучение с MatryoshkaLoss поддерживает усечение представления до 512, 256, 128 или 64 измерений. Модель принимает текст и выдаёт эмбеддинги; в карточке указаны результаты оценки сходства на STS и all-nli. Модель рассчитана на английский язык, поэтому её пригодность для других языков не подтверждена. Для использования доступны веса в формате safetensors; метаданные указывают 136,7 млн параметров. Лицензия в предоставленных данных не указана.

abhijitt/bert_st_qa_multi-qa-mpnet-base-cos-v1-epochs-10 — модель на архитектуре MPNet, дообученная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусной мерой сходства. Модель подходит для построения поисковых индексов по текстам и группировки похожих фрагментов. В карточке указана библиотека Sentence-Transformers и формат PyTorch; сведения о лицензии и поддерживаемых естественных языках в доступных данных отсутствуют.

swardiantara/bert-tiny-sst5-k3-adaptive-cosine — компактная модель Sentence Transformers на базе BERT, дообученная для представления предложений и абзацев в виде плотных векторов. Она преобразует текст в 128-мерные эмбеддинги, а сходство между ними можно оценивать косинусной мерой; модель подходит для семантического поиска и извлечения релевантных текстов. Модель основана на google/bert_uncased_L-2_H-128_A-2 и содержит 4,4 млн параметров. В README указана максимальная длина последовательности 128 токенов; метаданные задают контекст 512 токенов. Используется mean pooling, входная модальность — текст, а выход — векторы. Обучение описано на наборе из 8 664 пар текстов с контрастивной функцией потерь. Данных о лицензии в предоставленных источниках нет.

Nhat1904/best-32-shot-model — модель Sentence Transformers на архитектуре MPNet, обученная для получения плотных 768-мерных векторов предложений и абзацев. В карточке указано обучение с CosineSimilarityLoss; размер модели — 136,7 млн параметров, максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации. Её можно использовать через библиотеку Sentence-Transformers или Transformers с соответствующей операцией pooling. В репозитории указаны веса PyTorch. В карточке не названы языки обучения и лицензия, поэтому их условия и языковую специализацию по имеющимся данным определить нельзя.

abhimazu/bge-base-en-v1.5-fin — дообученная модель Sentence Transformers на базе BAAI/bge-base-en-v1.5, созданная автором репозитория на наборе marvelousjaguar_embedding. Это плотная BERT-модель с 136,7 млн параметров: она преобразует предложения и абзацы в нормализованные векторы размерности 768 для сравнения по косинусному сходству. Максимальная длина входа — 512 токенов; модель ориентирована на английский язык. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и извлечения признаков для классификации текста. В данных обучения 455 пар «запрос — релевантный текст», поэтому качество на других тематиках и типах запросов может отличаться; модель не генерирует текст и рассчитана на получение эмбеддингов. Лицензия в предоставленных данных не указана.

MANMEET75 разработал англоязычную Sentence Transformer модель, дообученную на базе BAAI/bge-large-en-v1.5 для сопоставления предложений и семантического поиска. Модель построена на BERT: преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 1024, сравниваемые по косинусному сходству. Контекст ограничен 512 токенами. Модель предназначена для поиска релевантных фрагментов по вопросу, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текста. Обучение Matryoshka позволяет использовать укороченные представления размерностью до 64, сохраняя полезность для поиска. В README приведены результаты InformationRetrievalEvaluator на датасетах dim_768, dim_512, dim_256, dim_128 и dim_64; размер обучающей выборки — 530 пар. Модель принимает текст и возвращает векторы признаков; лицензия Apache-2.0. Она рассчитана на английский язык, а качество на других языках не подтверждено. Тексты длиннее 512 токенов выходят за заявленный предел последовательности.

Nishit28/bge-large-finetuned-400 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная пользователем Nishit28. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусной мерой сходства; репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Модель подходит для построения семантического поиска по текстовым коллекциям и группировки близких по смыслу фрагментов. Она принимает текст и выдаёт векторы; по метаданным, размер модели составляет 433,9 млн параметров, а контекст ограничен 512 токенами. Данных о специализированной предметной области и поддерживаемых естественных языках нет. Условия лицензии в предоставленных сведениях не описаны.

clinno/bge-large-zh-v1.6 — модель эмбеддингов предложений на базе BERT, опубликованная в формате sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; в метаданных указан контекст до 512 токенов и 424,3 млн параметров. Это производная модель семейства BGE, ориентированная на китайский язык по названию репозитория. Модель подходит для построения векторного поиска и группировки текстов по смыслу. Она выдаёт эмбеддинги, а не готовые ответы или метки классов; качество зависит от текстов и способа сравнения векторов. Репозиторий использует библиотеку sentence-transformers и формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели daemonicai/bge-micro-v2 на Hugging Face совпадает с карточкой TaylorAI/bge-micro-v2, поэтому описание составлено по ней. bge-micro-v2 — компактная модель эмбеддингов предложений на базе архитектуры BERT, представленная TaylorAI. Она преобразует предложения и абзацы в плотные векторы размерности 384 и подходит для семантического поиска, кластеризации и сравнения сходства текстов. Модель насчитывает 18,8 млн параметров, принимает текст длиной до 512 токенов и поддерживает Sentence Transformers, Transformers, ONNX и форматы PyTorch и Safetensors. Модель получена дистилляцией в два этапа на основе BAAI/bge-small-en-v1.5; bge-micro был первым этапом этого процесса. Она рассчитана на англоязычные тексты. Лицензия MIT разрешает свободное использование и модификацию с соблюдением её условий. Малый размер делает модель удобной для поиска и ранжирования текстовых представлений, однако векторные представления сами по себе не генерируют ответы, а ограничение контекста составляет 512 токенов.

svjack/bge-small-qq-qa — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная пользователем svjack. Она преобразует предложения и абзацы в плотные векторы размерностью 512 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусным сходством; для запуска README рекомендует библиотеку Sentence-Transformers. В метаданных указаны 27,6 млн параметров и максимальный контекст 512 токенов. Модель принимает текст и выдаёт векторные представления, которые можно индексировать для поиска или группировать по смыслу. В карточке не названы языки обучения или тестирования, поэтому определить приоритетный язык нельзя. Лицензия в предоставленных данных не указана.

teven/bi_all_bs160_allneg_finetuned_WebNLG2020_relevance — модель Sentence-Transformers на архитектуре MPNet, дообученная для представления предложений и абзацев плотными векторами размерности 768. Её можно применять для семантического поиска, сравнения близости текстов и кластеризации. Обучение использовало CosineSimilarityLoss; в репозитории представлены веса PyTorch, размер модели составляет 136,7 млн параметров, контекст — до 514 токенов. Модель подходит для построения векторного поиска и группировки текстов по смыслу. README указывает на обучение на WebNLG2020, но подробности набора данных и результаты оценки здесь не приведены. Лицензия в предоставленных данных не указана.

CALE-MBERT-en — англоязычная модель эмбеддингов предложений на базе двунаправленного энкодера ModernBERT-large. Разработчик дообучил её с помощью ContrastiveLoss на датасете CALE-SPCD; модель преобразует слова и тексты в плотные векторы размерностью 1024 и рассчитана на контекст до 8192 токенов. Модель предназначена для поиска семантически близких текстов, кластеризации и задач сходства предложений. Её можно использовать для семантического поиска и группировки текстовых данных. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

Tool-COLT/contriever-base-msmarco-v1-ToolLens — модель Sentence-Transformers на основе BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для семантического поиска, сравнения текстов и кластеризации; обучение с MultipleNegativesRankingLoss использовало косинусное сходство. Модель содержит 136,7 млн параметров, принимает текст и формирует эмбеддинги; максимальная длина контекста — 512 токенов. Модель подходит для построения поиска по смыслу и группировки похожих текстов. В метаданных указаны формат safetensors и библиотека Transformers; README описывает использование через Sentence-Transformers или Transformers с подходящим pooling. Язык и лицензия в предоставленных данных не установлены.

Модель teven/cross_all_bs192_hardneg_finetuned_WebNLG2020_data_coverage — модель Sentence-Transformers на архитектуре MPNet, разработанная пользователем teven. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и принимает текст; контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch. Сведения о лицензии и конкретных языках в предоставленных данных отсутствуют.

Это модель Sentence Transformers на архитектуре MPNet, дообученная на данных WebNLG 2020 для оценки покрытия данных. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. В модели 136,7 млн параметров, она принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для поиска семантически близких текстов и группировки предложений или документов по смыслу. Для использования предусмотрены Sentence-Transformers и Transformers с соответствующей операцией pooling. Данных о лицензии в предоставленных источниках нет.

CrossGemma-sts-300m — кросс-энкодер для оценки семантического сходства двух текстов, созданный на основе google/embeddinggemma-300m и дообученный dleemiller. Модель принимает пару текстов и выдаёт оценку сходства от 0 до 1: более высокое значение означает более близкий смысл. Модель предназначена для ранжирования и сравнения текстовых пар, оценки ответов языковых моделей и семантического поиска. Она содержит около 303 млн параметров, использует архитектуру Gemma 3 Text для классификации последовательностей и обрабатывает до 2048 токенов. В README указаны результаты на STS-Benchmark: корреляция Пирсона 0,9175 и Спирмена 0,9135. Обучение включало данные wiki-sim и sentence-transformers/stsb; оценка качества на других данных не приведена. Лицензия — Apache-2.0.

Карточка модели j0h4nnes/decoy-ify_llama3.1_8B_v2 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.

DeepSeek-R1-Distill-Qwen-14B-GGUF — квантизированная GGUF-версия модели DeepSeek-R1-Distill-Qwen-14B, разработанной deepseek-ai и подготовленной компанией Second State Inc. Модель предназначена для текстового диалога и генерации ответов, а также может использоваться в локальных приложениях и сервисах на базе LlamaEdge. Для взаимодействия применяется шаблон запросов ChatML. Модель содержит 14 млрд параметров и поддерживает контекст до 128 000 токенов. Доступны варианты квантизации Q2_K–Q8_0 и f16 размером примерно от 5,77 до 29,5 ГБ. Варианты с меньшим числом бит требуют меньше памяти, но могут заметно терять в качестве; README рекомендует Q4_K_M как сбалансированный вариант, а Q5_K_M и Q5_K_S — как варианты с небольшими потерями качества. Модель рассчитана на работу через llama.cpp и LlamaEdge, включая запуск как локального чат-приложения или API-сервиса. Сильными сторонами являются большой контекст, возможность локального развертывания и широкий выбор компромиссов между размером, требованиями к ресурсам и качеством. Ограничения связаны с потерями качества при низкой квантизации и значительными требованиями к памяти для крупных вариантов. Сведения о поддерживаемых языках, точной архитектуре, назначении обучения и лицензии в README не указаны.

DeepSeek-V2-Lite-Chat — диалоговая языковая модель DeepSeek AI, дообученная методом SFT на основе семейства DeepSeek-V2-Lite. В карточке описана архитектура MoE с Multi-head Latent Attention (MLA): около 16 млрд параметров всего, из которых для каждого токена активируется 2,4 млрд; модель имеет 27 слоёв. Она предназначена для генерации текста в диалоге, продолжения текста и ответов на запросы. README приводит результаты на английских и китайских бенчмарках и указывает длину контекста 32 тыс. токенов; метаданные каталога указывают 163 840 токенов. Эти значения расходятся, поэтому фактическое доступное окно следует сверять с конфигурацией используемого чекпойнта и программной среды. MLA сжимает KV-кэш для более экономичного инференса, а разреженные MoE-слои активируют часть экспертов на каждом токене. README сообщает, что для инференса в BF16 требуется GPU с 40 ГБ памяти; также описаны запуск через Transformers и оптимизированный вариант с vLLM. В метаданных указан формат safetensors. Модель рассчитана на текстовый ввод и текстовый вывод; результаты бенчмарков охватывают английский и китайский, но это не задаёт полный перечень поддерживаемых языков. В метаданных лицензия обозначена как other, без конкретных условий в предоставленных данных. Перед использованием следует проверить лицензионные условия на странице репозитория.