I.14Автоматизация процессов и AI-агенты

swardiantara/bert-tiny-sst5-k1-adaptive-cosine — компактная модель Sentence Transformers, дообученная автором на основе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 и позволяет сравнивать их косинусным сходством, например для семантического поиска и извлечения релевантных текстов. Архитектура включает BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров. По карточке обучение проводилось на 8 554 парах текстов с контрастивной функцией потерь. Модель принимает только текст. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога указывают контекст до 512 токенов; для практического использования разумно ориентироваться на более строгое ограничение из карточки. Базовая модель предназначена для английского языка, и примеры обучающих данных также на английском. Лицензия в предоставленных данных не указана.

himanshu23099/bge_embedding_finetune_v2 — текстовая Sentence Transformer-модель, дообученная автором на базе BAAI/bge-small-en-v1.5. Она использует архитектуру BERT с CLS-пулингом и нормализацией и преобразует предложения и абзацы в плотные векторы размерностью 384. Модель рассчитана на семантическое сходство и поиск; близость векторов можно оценивать косинусным сходством. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Максимальная длина входа — 512 токенов. Базовая модель англоязычная, а приведённые примеры и обучающие данные также на английском; подтверждений поддержки других языков в карточке нет. В README приведены метрики cosine_accuracy@1 = 0,358, @5 = 0,7092 и @10 = 0,7993 на наборе для поиска. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

Binh230/bge-m3-finetuned-2 — модель Sentence Transformers на базе XLM-RoBERTa, дообученная для получения плотных векторных представлений предложений и абзацев. Она кодирует текст в векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства, поиска перефразирований, кластеризации и классификации текстов. Модель поддерживает последовательности до 8192 токенов; сходство векторов оценивается косинусной мерой. Для обучения использовано 68 042 парных примера, а архитектура включает трансформер, pooling по CLS-токену и нормализацию векторов. В примерах обучающих данных есть вьетнамские вопросы и фрагменты нормативных документов, поэтому модель подходит для поиска и сопоставления вьетнамских текстов. Лицензия в предоставленных данных не указана.

Модель seongil-dn/bge-m3-kor-retrieval-bs1024-checkpoint-295 — дообученная версия BAAI/bge-m3 на базе Sentence Transformers, созданная для получения плотных векторных представлений предложений и абзацев. Архитектура XLM-RoBERTa с пулингом CLS-токена и нормализацией; размерность эмбеддингов — 1024. В метаданных указан размер модели 658,7 млн параметров, библиотека Sentence Transformers и нативный контекст до 8194 токенов; карточка модели заявляет максимальную длину последовательности 1024 токена. Эмбеддинги можно использовать для семантического поиска и сравнения текстов по косинусному сходству, поиска перефразировок, кластеризации и классификации текстов. Модель дообучена с CachedMultipleNegativesRankingLoss; название и описание репозитория указывают на корейский retrieval-сценарий, однако конкретные данные обучения и оценки качества не приведены. Лицензия в предоставленных данных не указана.

Blaze.1-27B-Preview — языковая модель на 27,6 млрд параметров, разработанная на базе Google Gemma 2 27B IT и дообученная на синтетических наборах данных для многошаговых рассуждений. Это плотная авторегрессионная модель семейства Gemma 2, предназначенная для генерации текста и диалога; веса опубликованы в формате Safetensors, исходная точность — bfloat16. Размер контекста — 8192 токена. Модель подходит для ответов на вопросы, суммаризации, следования инструкциям, решения математических и логических задач, сложного анализа и генерации длинных текстов. Основной заявленный язык — английский. Для запуска и дообучения требуются значительные вычислительные ресурсы. Модель может ошибаться в рассуждениях и фактах, а качество ответов зависит от формулировки запроса; на длинных входах связность может снижаться. Лицензия — Gemma.

CAMeL_Base — модель семейства BERT от danfeg, созданная на базе Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и извлечения признаков; основная задача в метаданных — сравнение предложений. Архитектура содержит 136,3 млн параметров, использует формат safetensors и принимает контекст длиной до 512 токенов. Для получения векторов модель используют через библиотеку Sentence Transformers либо через Transformers с подходящей операцией pooling. В карточке не указаны целевые языки и специализированные области применения. Лицензия в предоставленных данных не указана.

Kyleiwaniec/COS_TAPT_n_RoBERTa-sts-e3_OnlineContrastiveLoss_2023-10-16 — модель Sentence-Transformers на архитектуре RoBERTa, обученная представлять предложения и абзацы в виде плотных векторов размерности 1024. Её можно применять для поиска семантически близких текстов, кластеризации и сравнения сходства предложений. Модель принимает текст и выдаёт эмбеддинги; карточка указывает контекст длиной 514 токенов. Она обучалась с OnlineContrastiveLoss и распространяется в формате PyTorch. Доступна для использования через Sentence-Transformers или Transformers с подходящей операцией pooling. Сведения о лицензии и целевых языках не приведены в использованных источниках.

teven/cross_all_bs160_allneg_finetuned_WebNLG2020_correctness — модель на базе MPNet, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. В метаданных указаны 136,7 млн параметров и контекст длиной 514 токенов; модель использует PyTorch и экосистему Sentence-Transformers. Модель предназначена для поиска текстов по смыслу и группировки семантически близких фрагментов. Карточка называет её дообученной на WebNLG 2020 для оценки корректности, однако подробности обучения и языковая поддержка не описаны. Лицензия в предоставленных данных не указана.

DeCLUTR-small — компактная модель семейства RoBERTa от авторов работы DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations. Она обучена для получения универсальных векторных представлений предложений и предназначена для работы как энкодер предложений, в том числе в экосистеме Sentence Transformers. Модель кодирует текст в эмбеддинги, которые можно сравнивать по косинусному сходству. Это подходит для поиска семантически близких предложений, сопоставления текстов и построения признаков для downstream-задач. В метаданных указаны 95,2 млн параметров, контекст до 514 токенов и поддержка английского языка; доступны веса PyTorch и Flax. Лицензия — Apache 2.0. Карточка позиционирует модель как универсальный энкодер предложений, но не приводит оценки качества для конкретных наборов данных. Результаты могут зависеть от домена и способа применения эмбеддингов; архитектура RoBERTa также ограничивает обработку входа заданной длиной контекста.

netcat420/DeepSeek-R1-Distill-Qwen-MFANN-Slerp-7b — языковая модель, созданная разработчиком netcat420 слиянием через SLERP двух предварительно обученных моделей: deepseek-ai/DeepSeek-R1-Distill-Qwen-7B и netcat420/Qwen2.5-Coder-Scholar-7B-Abliterated-MFANN-Slerp-Unretrained. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и доступна в формате safetensors для библиотеки Transformers; заявленная длина контекста — 131 072 токена. Модель предназначена для диалогов и генерации текста. Базовая модель DeepSeek поддерживает многошаговые рассуждения, в том числе математические задачи и программирование; вторая модель в слиянии ориентирована на код и обучение. Метаданные также отмечают интерфейс вызова инструментов, но не содержат примеров или оценок его надёжности. В README не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя. Качество и поведение полученного слияния отдельно не оценены; свойства исходных моделей не гарантируют их сохранения в полном объёме.

unsloth/DeepSeek-R1-GGUF-UD — это GGUF-квантизированная версия модели DeepSeek-R1, разработанной командой DeepSeek и подготовленной в формате динамической квантизации Unsloth Dynamic v2.0. Модель предназначена для локального запуска через llama.cpp и ориентирована на задачи рассуждений, генерации текста, программирования и диалогового использования. В README указан английский язык, библиотека Transformers и поддержка формата GGUF. Доступны варианты с эффективной разрядностью от 1,58 до 2,51 бит: UD-IQ1_S, UD-IQ1_M, UD-IQ2_XXS и UD-Q2_K_XL. Размер файлов составляет примерно от 131 до 212 ГБ. Квантизация выборочно применяет разные разрядности к компонентам MoE, чтобы сохранить больше точности по сравнению со стандартными 1-битными и 2-битными вариантами. В README приведены оценки качества от Fair до Best, однако архитектурные параметры, общее число параметров и размер контекста исходной модели не указаны; для примеров запуска используется контекст 8192 токена. Сильные стороны модели — возможность локального запуска, уменьшенный объём хранения относительно полной точности и повышенная точность благодаря динамической квантизации. Ограничениями являются очень большой размер даже у наиболее компактной версии, необходимость совместимого оборудования и llama.cpp, а также возможная потеря качества на низких уровнях квантизации. Для запуска рекомендуется использовать специальный chat template и параметр --min-p 0.05; доступна выгрузка части слоёв на GPU. Репозиторий распространяется по лицензии MIT.

mobiuslabsgmbh выпустила DeepSeek-R1-ReDistill-Qwen-1.5B-v1.1 — повторно дистиллированную версию DeepSeek-R1-Distill-Qwen-1.5B для повышения качества генерации текста и рассуждений. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов; веса представлены в формате safetensors. Модель подходит для диалогов и решения задач, в том числе по математике и программированию. В README приведены сравнительные результаты на ARC, HellaSwag, MMLU, GPQA, MMLU PRO и MUSR: версия v1.1 показывает более высокие значения, чем исходная DeepSeek-R1-Distill-Qwen-1.5B, на перечисленных тестах. Модель распространяется по лицензии MIT. В карточке не приведены сведения о языковом охвате и подробные ограничения; качество ответов следует проверять для конкретного сценария.

unsloth/DeepSeek-V3-0324-GGUF — это набор динамически квантованных GGUF-версий модели DeepSeek-V3-0324, подготовленный Unsloth на основе базовой модели deepseek-ai/DeepSeek-V3-0324. Модель предназначена для локального запуска в llama.cpp, LM Studio, Open WebUI и других фреймворках инференса, включая задачи генерации текста и кода. В README указан английский язык; сведения о других языках и мультимодальных возможностях отсутствуют. Доступны варианты с квантованием от 1,78 до 4,5 бит и размером файлов примерно от 186 до 405 ГБ. Используется динамическое селективное квантование, призванное сохранить более высокую точность по сравнению со стандартными вариантами. Рекомендуются конфигурации IQ2_XXS 2,42 бит и Q2_K_XL 2,71 бит как удачный баланс размера и производительности; версия Q4_K_XL 4,5 бит получила наивысшую оценку качества. Для запуска желательно иметь не менее 180 ГБ совокупной VRAM и RAM. Ограничения включают очень высокие требования к памяти, а предварительные версии 1,78 и 1,93 бит могут хуже справляться с некоторыми задачами программирования. Лицензия модели — MIT.

diwank/dfe-base-en-1 — модель на основе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1536 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена с использованием TripletLoss с евклидовой метрикой расстояния. Она подходит для семантического поиска и кластеризации текстовых фрагментов. Суффикс en в названии указывает на английскую ориентацию; карточка не перечисляет поддерживаемые языки явно. Доступна в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

RedHatAI/diffusiongemma-26B-A4B-it-NVFP4 — это квантизированный вариант модели google/diffusiongemma-26B-A4B-it, подготовленный Red Hat AI. Модель предназначена для генерации текста и обработки задач image-text-to-text; поддерживает работу через Transformers и vLLM. Веса и активации квантизированы в формат NVFP4 с 4-битным представлением, а сохранение выполнено в формате compressed-tensors с использованием llm-compressor. Исходная модель содержит около 25,8 млрд параметров, включая примерно 22,8 млрд экспертных и 3 млрд неэкспертных параметров. В составе указаны текстовые и визуальные компоненты, включая vision tower, однако точные поддерживаемые языки и размер контекстного окна в карточке не приведены. Модель ориентирована на диалоговые сценарии, рассуждения, решение математических и научных задач, следование инструкциям и обработку мультимодальных запросов. Сильная сторона версии NVFP4 — существенное снижение требований к памяти и возможность эффективного развёртывания на совместимом оборудовании. По приведённым тестам на одной GPU B200 качество в большинстве задач близко к исходной неквантизированной модели: показатели сохранения качества составили около 97–100% на AIME 2025, GPQA Diamond, IFEval и GSM8K, а на MMLU 0-Shot результат оказался выше исходного. Ограничения включают возможные потери качества из-за квантизации и зависимость от совместимых версий Transformers, vLLM и параметров запуска; в карточке также не приведены подробные ограничения применения и результаты для языков. Модель распространяется по лицензии Apache 2.0. Для развёртывания заявлена проверка совместимости с RHOAI 3.5, RHAIIS 3.5 и vLLM 0.24.0.

rithwik-db/dirty-e5-base-unsupervised — модель эмбеддингов предложений на базе архитектуры BERT, представленная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В карточке указано, что модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Сведения о поддерживаемых языках и лицензии в предоставленных источниках отсутствуют.

Это дообученная модель Sentence Transformers на базе distilbert/distilbert-base-multilingual-cased, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Архитектура включает DistilBERT и усредняющий mean pooling; максимальная длина входа составляет 512 токенов, для сравнения векторов используется косинусное сходство. Модель подходит для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и использования текстовых представлений в классификаторах. В README приведены результаты оценки сходства на переведённых наборах STS для ассамского языка. Многоязычная базовая модель сохраняет регистр; доступные данные подтверждают работу с ассамским, но не позволяют перечислить остальные поддерживаемые языки по отдельности. Модель опубликована под лицензией базовой модели; сведения о лицензии в предоставленных данных отсутствуют.

much1na/distil-cohere-l2-ckpt-bkp — англоязычная Sentence Transformer модель, дообученная разработчиком на базе google/bert_uncased_L-6_H-512_A-8. Архитектура состоит из трансформера BERT с усредняющим pooling; модель содержит 40,8 млн параметров и преобразует текст в плотные векторы размерности 512. Максимальная длина последовательности — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких предложений и абзацев. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. README сообщает о дообучении на датасете parquet с 3 810 976 примерами, содержащими текст и векторные метки. Лицензия в предоставленных данных не указана.

Карточка модели much1na/distil-cohere-v1-ckpt-backup на Hugging Face совпадает с карточкой much1na/distil-cohere-v1-ckpt, поэтому описание составлено по ней. much1na/distil-cohere-v1-ckpt — дообученная модель Sentence Transformers на базе BERT google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BertModel с усредняющим pooling; сходство векторов можно оценивать косинусной мерой. Модель принимает только текст, поддерживает последовательности длиной до 512 токенов и содержит 40,8 млн параметров. В карточке указано обучение на наборе parquet из примерно 3,81 млн примеров, а метаданные описывают её как модель эмбеддингов. Базовая модель англоязычная, поэтому основное применение — представление английских текстов. Лицензия в доступных данных не указана.

Dolphin 2.1 Mistral 7B — разговорная языковая модель, разработанная Eric Hartford и обученная на базе Mistral. Она предназначена для диалога, ответов на вопросы и выполнения инструкций в формате ChatML. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. При обучении использованы наборы Dolphin, созданный как открытая реализация подхода Microsoft Orca, и Airoboros 2.2.1 для расширения творческих ответов. Карточка описывает модель как uncensored и предупреждает о высокой готовности выполнять запросы, в том числе неэтичные; перед развёртыванием сервиса рекомендуется добавить собственный уровень фильтрации. Указана лицензия Apache 2.0, допускающая коммерческое и некоммерческое использование.

Omartificial-Intelligence-Space разработала эту модель Sentence Transformer, дообучив multilingual-e5-small на арабском наборе пар anchor-positive-negative. Модель на базе BERT преобразует предложения и абзацы в нормализованные векторы размерностью 384; сходство текстов можно оценивать косинусной метрикой. Matryoshka-обучение поддерживает использование укороченных представлений размерностью 256, 128 или 64. Модель предназначена для семантического поиска и сравнения текстов, а также для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. README приводит оценки на тестах семантического сходства, однако они сами по себе не гарантируют качество на произвольных данных. Базовая модель многоязычная, но дообучение проводилось на арабских данных; максимальная длина входа — 512 токенов. Лицензия в предоставленных данных не указана.

E5-base-trm — компактная версия многоязычной модели intfloat/multilingual-e5-base, созданная авторами репозитория clips с помощью vocabtrimmer. Из словаря удалены редко встречающиеся токены с опорой на нидерландскую часть набора allenai/c4; размер словаря сокращён с 250 002 до 50 002 токенов. Модель построена на архитектуре XLM-RoBERTa и содержит около 151,6 млн параметров. Модель предназначена для преобразования текстов в эмбеддинги и их сравнения: например, для семантического поиска, сопоставления предложений и поиска по коллекции документов. Карточка показывает пример кодирования запросов и фрагментов MS MARCO, а также приводит результаты оценки на нидерландском MTEB. Модель принимает текст и выдаёт векторные представления; контекст составляет 514 токенов. Это доработка multilingual-e5-base с усечённым словарём, ориентированная на нидерландский язык, поэтому качество и покрытие для других языков могут отличаться от исходной многоязычной модели. Лицензия — MIT.

DariaaaS/e5-fine-tuned — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости; для оценки сходства в README указана косинусная мера. Архитектура состоит из XLM-RoBERTa, усредняющего пулинга токенов и нормализации; модель содержит 305,2 млн параметров и обрабатывает последовательности длиной до 514 токенов по метаданным. Модель предназначена для семантического поиска, сопоставления предложений, поиска перефразирований, кластеризации и классификации текста. Она обучена с TripletLoss на 100 примерах, поэтому её специализация связана с данными обучения; README приводит примеры запросов и текстов, связанных с преобразованием вопросов в табличные запросы. Выход модели — эмбеддинги, которые можно использовать в поисковых и аналитических системах. Это текстовая многоязычная модель семейства XLM-RoBERTa; базовая модель заявлена как multilingual-e5-base. Условия лицензирования в предоставленных данных не описаны.

E5-Mistral-7B-Instruct-Embedding-GGUF — модель для создания текстовых эмбеддингов, основанная на intfloat/e5-mistral-7b-instruct. Модель разработана intfloat, а GGUF-квантизация выполнена Second State Inc. Она предназначена для задач семантического поиска, сопоставления текстов, кластеризации и построения retrieval-систем. В README указана поддержка английского языка и текстовая модальность. Модель доступна в нескольких вариантах квантизации GGUF с разрядностью от 2 до 8 бит, а также в формате f16; размер файлов составляет примерно от 2,72 до 14,5 ГБ. Рекомендуемыми названы варианты Q4_K_M, Q5_K_M и Q5_K_S, обеспечивающие баланс между размером и потерей качества. Контекстное окно — 4096 токенов. Для запуска через LlamaEdge требуется версия 0.8.2 или новее и шаблон prompt типа embedding. Более сильная квантизация уменьшает размер и требования к ресурсам, но может заметно снижать качество эмбеддингов; для малых вариантов в README отмечены существенные потери качества. Лицензия — MIT.

api19750904/efeverde-cat — модель на базе RoBERTa, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов, а также для сравнения сходства предложений. В репозитории представлены веса PyTorch; размер модели — около 151,8 млн параметров, контекст — до 514 токенов. Модель рассчитана на получение текстовых эмбеддингов, а не на генерацию текста. В README указано обучение с CosineSimilarityLoss; для работы предлагаются Sentence-Transformers либо Transformers с подходящей операцией pooling. Язык обучения и лицензия в доступных данных не установлены.

VinitT/Embeddings-Trivia — англоязычная модель Sentence Transformer, дообученная разработчиком на наборе trivia-qa-triplet на основе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384; архитектура включает BERT-энкодер, усреднение токенных представлений и нормализацию. Для сравнения векторов подходит косинусное сходство. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и подготовки признаков для классификации. В README приведена точность cosine accuracy 0,834 на оценке TripletEvaluator с trivia_qa_eval. Модель принимает текст и выдаёт векторы; она обучена на англоязычных данных и не предназначена для генерации ответов. Сведения о лицензии в предоставленных источниках отсутствуют.

EuroBERT-210m — многоязычная плотная модель-энкодер семейства EuroBERT, разработанная для работы с текстом, кодом и математическими задачами. В этой версии около 211,7 млн параметров; максимальная длина входной последовательности — 8192 токена. Модель доступна для использования через Transformers и опубликована под лицензией Apache-2.0. Модель предназначена для заполнения пропусков в тексте, поиска и извлечения информации, классификации и регрессии. По данным карточки, семейство EuroBERT оценивается на задачах retrieval, классификации последовательностей, оценки качества и задачах, связанных с кодом и математикой; каталог также указывает поддержку разметки токенов и ответов на вопросы. Поддерживаются английский, французский, немецкий, испанский, китайский, итальянский, русский, польский, португальский, японский, вьетнамский, нидерландский, арабский, турецкий и хинди. Сильная сторона модели — многоязычное представление текста и широкий набор сценариев для энкодера при умеренном размере. Это не генеративная чат-модель: её основная задача в метаданных — fill-mask, а для прикладных сценариев классификации, поиска и других задач может потребоваться соответствующая голова или дообучение. README сообщает о сильных результатах семейства на сравнительных оценках, но не приводит здесь подробных метрик для версии 210m.

ingeol/facets2_abl_num2_5 — модель на базе MPNet, представленная как sentence-transformers-модель. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 514 токенов. В README указано обучение с функцией потерь BPRLoss из BEIR. Доступен формат safetensors. Язык обучения или целевой язык не указан, поэтому языковую специализацию установить нельзя. Лицензия в предоставленных данных не указана.

Parallia разработала FMMB-BE-FR — французскую версию модели Sentence Transformers на архитектуре ModernBERT. Она кодирует французские предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации. Максимальная длина входа — 8192 токена; для сравнения используется косинусное сходство, а тексты можно подавать без специальных префиксов. Модель обучена на параллельных предложениях с помощью MultipleNegativesRankingLoss и предназначена прежде всего для французского языка. По README, веса совпадают с многоязычной FMMB-BE, но эта версия использует французский токенизатор и связанную с ним таблицу эмбеддингов. Метаданные указывают 148,7 млн параметров и формат safetensors. Модель распространяется по лицензии Apache-2.0. README отмечает, что для использования ModernBERT может потребоваться актуальная версия библиотеки Transformers.

Sahithkumar7/final-mpnet-base-fullfinetuned-epoch2 — дообученная модель Sentence Transformers на базе microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости текстов с помощью косинусного сходства. Модель содержит 136,7 млн параметров, использует архитектуру MPNet с усреднением токенов и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучена на наборе из 800 примеров с парами anchor-positive-negative и MultipleNegativesRankingLoss; в README приведена точность cosine_accuracy 0,98 на двух тестовых выборках. Язык и предметная область обучающих данных явно не определены. Распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.