I.1Поиск и навигация по информации

Dist-MPNet-Paracrawl-cs-en — компактная модель семантических эмбеддингов, созданная Seznam.cz. Это BERT-small, дистиллированная из sentence-transformers/all-mpnet-base-v2 и обученная на параллельном чешско-английском наборе ParaCrawl. Модель предназначена для сравнения предложений и применяется для поиска по смыслу, извлечения релевантных текстов, кластеризации и классификации. Модель содержит 27,2 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Указанная лицензия — CC BY 4.0. Количественные результаты оценки и ограничения в доступных материалах не приведены.

Diver-Retriever-0.6B — модель текстовых эмбеддингов и ранжирования AQ-MedAI, дообученная на Qwen/Qwen3-Embedding-0.6B. Она предназначена для семантического поиска и сопоставления запросов с документами, в том числе в задачах, требующих рассуждений. При обучении использовались данные по математике, программированию и медицине с подобранными по сложности негативными примерами. Модель поддерживает китайский и английский языки, имеет 507,6 млн параметров и контекст до 32 768 токенов; архитектура относится к семейству Qwen3. README отмечает результаты на Bright и MTEB-Medical, но не приводит здесь полные таблицы оценок. Распространяется в формате safetensors по лицензии Apache-2.0.

hxssgaa/dstc_setfit — модель эмбеддингов предложений на базе MPNet, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Веса содержат около 136,7 млн параметров, модель принимает текст и рассчитана на контекст до 514 токенов. Модель можно применять для поиска похожих фраз и документов, оценки семантического сходства и группировки текстов по смыслу. Она обучалась с CosineSimilarityLoss; репозиторий содержит веса PyTorch. В README не указаны языки обучения или лицензия, поэтому нельзя определить языковую специализацию и условия использования.

sobamchan/e5-base-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на базе intfloat/e5-base на датасете all-nli. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией и преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина входа — 512 токенов. Векторы предназначены для сравнения по косинусному сходству и поддерживают семантический поиск, поиск перефразировок, кластеризацию и классификацию текста. В README приведён результат на sts-dev: Spearman по косинусному сходству — 0,8695. Модель рассчитана на английский язык, обучена с использованием all-nli и MatryoshkaLoss с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

intfloat/e5-base-unsupervised — англоязычная модель эмбеддингов текста из семейства E5, разработанная авторами работы Text Embeddings by Weakly-Supervised Contrastive Pre-training. Это вариант E5-base без последующего обучения на размеченных данных. Модель построена на архитектуре BERT: 12 слоёв, размер эмбеддинга 768, около 136,7 млн параметров; принимает текст и выдаёт векторные представления. Максимальная длина входа — 512 токенов. Модель предназначена для семантического сравнения текстов и поиска по смыслу, в том числе для извлечения фрагментов из коллекции по запросу, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для задач поиска рекомендуется добавлять префиксы «query: » к запросам и «passage: » к текстам коллекции; для симметричного сравнения и других сценариев применяется префикс «query: ». Модель работает только с английскими текстами, а более длинные последовательности обрезаются до 512 токенов. Карточка предупреждает о возможном снижении качества без соответствующих префиксов и о небольших различиях результатов между версиями PyTorch и Transformers. Лицензия — MIT.

Yash911/e5-finetuned — модель Sentence Transformer на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. В README указано, что модель дообучена на 50 000 примерах; метаданные указывают 433,9 млн параметров и библиотеку sentence-transformers. Для сопоставления векторов используется косинусное сходство, а максимальная длина входной последовательности составляет 512 токенов. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Входом служит текст, результатом — векторные эмбеддинги. В карточке не заявлена специализация по языкам или предметной области. Модель распространяется по лицензии MIT.

e5-sk-large — модель текстовых эмбеддингов для словацкого языка, выпущенная в рамках проекта SkMTEB. Она создана на основе intfloat/multilingual-e5-large: словарь сокращён с 250 тысяч до 60 тысяч токенов, после чего модель дообучена на словацких данных. В метаданных указаны архитектура XLM-RoBERTa, 464,1 млн параметров и контекст до 514 токенов; README сообщает о 365 млн параметров и 1024-мерных эмбеддингах, поэтому размеры расходятся между источниками. Модель предназначена для семантического поиска и извлечения документов, сравнения смысла текстов, кластеризации и классификации по эмбеддингам, а также поиска между словацким, английским и чешским языками. Для запросов поиска рекомендуется добавлять префикс «query: », а для индексируемых документов — «passage: »; для симметричных задач префикс не нужен. Модель показывает сопоставимые с multilingual-e5-large результаты на словацком бенчмарке SkMTEB и подходит для локального развёртывания. Модель оптимизирована для словацкого языка; перенос на другие языки, кроме указанных межъязыковых сценариев, не оценён. Сокращение словаря может ухудшить работу с текстом, смешивающим языки, а обучающие данные преимущественно охватывают новости, парламентские материалы и энциклопедии. При дообучении использовалась длина последовательности 256 токенов, хотя архитектура поддерживает контекст до 512. Лицензия — MIT.

E5-small-trm-nl — модель эмбеддингов на архитектуре BERT, разработанная как дообученная версия clips/e5-small-trm. Она преобразует запросы и тексты в векторы для поиска и сравнения смысловой близости; карточка приводит пример кодирования запросов и фрагментов MS MARCO. Модель предназначена для нидерландского языка и обучалась на наборах BEIR-NL для поиска, ответов на вопросы и проверки фактов. Модель содержит 47,5 млн параметров, принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors. Лицензия — MIT. Доступны эмбеддинги для задач сходства предложений и извлечения признаков. В README приведена таблица результатов MTEB-NL, однако соответствующая строка этой модели в предоставленном фрагменте отсутствует, поэтому её качество по этим данным оценить нельзя.

E5-small-unsupervised — англоязычная модель эмбеддингов текста семейства E5, разработанная авторами работы Text Embeddings by Weakly-Supervised Contrastive Pre-training. Это версия E5-small без контролируемого дообучения; архитектура основана на BERT и содержит 12 слоёв, размер эмбеддинга — 384, число параметров — около 40 млн. Модель преобразует текстовые запросы и документы в векторы для поиска и сопоставления предложений. Она подходит для семантического сходства, поиска фрагментов в системах вопросно-ответного поиска, поиска перефразирований, кластеризации и использования эмбеддингов как признаков классификации. Для корректной работы следует добавлять префиксы «query: » и «passage: » в соответствии со сценарием; для симметричного сходства используется «query: » для обоих текстов. Модель принимает только английский текст, а последовательности длиннее 512 токенов обрезаются. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — MIT.

embed-andegpt-H384 — модель Sentence Transformer, созданная дообучением nreimers/MiniLM-L6-H384-uncased авторами enpaiva. Она преобразует предложения и абзацы на испанском языке в плотные векторы размерностью 384 для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В основе — шестислойная архитектура BERT/MiniLM с усреднением токенных представлений; максимальная длина входа — 512 токенов. Модель распространяется по лицензии Apache-2.0. В README приведены результаты TripletEvaluator на наборах andegpt-dev и andegpt-test, однако они не заменяют оценку на данных конкретного применения.

rithwik-db разработал sentence-transformers-модель на базе BERT для преобразования предложений и абзацев в плотные векторы размерности 1024. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства; для получения эмбеддингов можно использовать Sentence-Transformers либо Transformers с подходящей операцией pooling. Контекст ограничен 512 токенами. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Embedding-Amharic-Base — модель Sentence Transformers, разработанная rasyosef и дообученная на базе rasyosef/roberta-base-amharic для поиска по амхароязычным текстам. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализует их и сравнивает по косинусному сходству. Архитектура включает XLM-RoBERTa с усреднением токенных представлений; максимальная длина последовательности в карточке указана как 510 токенов, а контекст в метаданных — 512 токенов. Модель подходит для семантического поиска и извлечения релевантных фрагментов, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки поиска на датасете dim_768: cosine recall@10 — 0,9051 и cosine nDCG@10 — 0,8037; при усечении векторов до 256 измерений указаны 0,902 и 0,7978 соответственно. Лицензия — MIT.

phoenixSP/embedding-finetuned-model-v1 — модель на базе BERT, дообученная с помощью Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она кодирует текст в векторы размерности 384 и предназначена для семантического поиска, кластеризации и сравнения сходства между текстами. Модель содержит около 40 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Карточка не приводит результаты оценки и не уточняет языки обучающих данных. Модель опубликована в формате safetensors; отдельная лицензия в предоставленных данных не указана.

EmbeddingGemma 300M 4bit — модель для создания текстовых эмбеддингов, представленная сообществом mlx-community и конвертированная в формат MLX из модели Google embeddinggemma-300m-qat-q4_0-unquantized. Она предназначена для задач семантического сравнения предложений, поиска, кластеризации, классификации, reranking, retrieval и суммаризации. Модель имеет размер 300 млн параметров и использует 4-битное квантование. Она работает с текстом и возвращает нормализованные векторные представления, для сравнения которых можно применять скалярное произведение. README не указывает поддерживаемые языки и максимальную длину контекста. Для разных задач предусмотрены специализированные текстовые префиксы, включая sentence similarity, search result, clustering, classification и summarization. К сильным сторонам относятся компактный размер, сниженное потребление памяти благодаря 4-битному представлению и интеграция с экосистемой MLX через библиотеку mlx-embeddings. Ограничения включают отсутствие в README подробностей о языковом охвате, контексте, качестве на бенчмарках и совместимости за пределами MLX. Для использования требуется принять лицензию Google Gemma на Hugging Face; точные условия лицензии Gemma следует проверить отдельно.

embeddingmagibu-200m — модель эмбеддингов предложений, разработанная М. Али Байрамом, Бану Дири и Савашем Йылдырымом как артефакт исследования по адаптации многоязычных эмбеддингов для турецкого языка. Это плотная текстовая модель семейства Gemma 3 Text с примерно 202,1 млн параметров, реализованная в формате SentenceTransformers. Она выдаёт нормализованные векторы размерности 768 и принимает последовательности длиной до 8192 токенов. Модель предназначена прежде всего для семантического поиска и извлечения документов на турецком языке, в том числе для RAG, а также для оценки сходства предложений, кластеризации и классификации на основе эмбеддингов. Она адаптирована с помощью модификации многоязычного токенизатора и дистилляции эмбеддингов от учительской модели; обучение проводилось в многоязычном режиме с охватом 40 языков. Основной язык — турецкий, но модель подходит и для многоязычных сценариев с акцентом на турецкий. В репозитории указана лицензия MIT. Ограничения: качество на языках помимо турецкого может различаться, а обработка длинных входов может требовать значительной видеопамяти; для длинных документов может быть полезно разбиение на фрагменты. Результаты также зависят от настроек оценки и формата запросов.

ember-v1 — англоязычная модель эмбеддингов текста от llmrails, построенная на архитектуре BERT. Она обучена на большом корпусе пар текстов из разных областей с использованием методов из исследований RetroMAE и SetFit и предназначена для извлечения векторных представлений и сравнения сходства предложений. Модель содержит 433,9 млн параметров, выдаёт эмбеддинги размерности 1024 и обрабатывает последовательности длиной до 512 токенов. В README приведён результат 63,54 в среднем по 56 задачам бенчмарка MTEB; это заявление разработчика. Модель распространяется под лицензией MIT.

relik-ie/encoder-e5-base-v2-wikipedia — модель-энкодер для получения векторных представлений текста. Модель опубликована в пространстве relik-ie и доступна через библиотеку Transformers; в метаданных она классифицирована как feature-extraction и относится к семейству BERT-подобных моделей. Объём модели составляет 136,7 млн параметров, максимальная длина входа — 512 токенов. Модель предназначена для преобразования текстов в эмбеддинги, которые можно использовать для семантического поиска, сравнения текстов, кластеризации, дедупликации и построения retrieval-компонентов. Название указывает на вариант E5 base v2, адаптированный для корпуса или сценариев, связанных с Wikipedia, однако README не содержит подробностей о разработчике, обучающих данных, методике обучения, оценивании или лицензии. Модель не является генеративной и не предназначена для создания ответов или продолжения текста. При работе необходимо учитывать ограничение контекста в 512 токенов; характеристики качества для конкретных языков и предметных областей в доступных материалах не приведены.

spacemanidol/esci-mpnet-crossencoder — модель на базе MPNet, выпущенная сообществом spacemanidol и предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и доступна в формате PyTorch. Векторы можно применять для семантического поиска и кластеризации текстов. README указывает на обучение с функцией потерь CosineSimilarityLoss; метаданные также отмечают поддержку извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

capemox/ettin-encoder-32m-pretrain-50m — компактный энкодер для поиска и сравнения текстов, разработанный на основе jhu-clsp/ettin-encoder-32m. Это предварительно обученный на парах запрос–документ чекпойнт архитектуры ModernBERT примерно с 31,9 млн параметров; модель использует библиотеку Sentence Transformers и сохраняется в формате Safetensors. Контекст модели составляет до 7 999 токенов. Модель обучена контрастивно на сбалансированной выборке из 50 млн пар корпуса DenseOn. Она предназначена для извлечения эмбеддингов и поиска по смыслу, в том числе как zero-shot энкодер или начальная точка для последующей настройки под конкретную задачу. README приводит результаты оценки на подмножестве BEIR и NanoBEIR, а также улучшение качества последующей настройки на MS MARCO hard negatives. Модель ориентирована на английский язык. Это предварительное, не прошедшее supervised-настройку для поиска состояние, поэтому для специализированных сценариев может потребоваться дообучение и отдельная оценка на целевых данных. Лицензия — Apache-2.0.

ettin-reranker-68m-v1 — англоязычный кросс-энкодер семейства Ettin, разработанный авторами проекта Ettin и дообученный на jhu-clsp/ettin-encoder-68m с использованием sentence-transformers и набора cross-encoder/ettin-reranker-v1-data. Модель оценивает пару текстов одним числовым баллом, чтобы ранжировать кандидатов по релевантности запросу; её применяют в семантическом поиске и как второй этап двухэтапного поиска после первичного отбора документов. Модель основана на архитектуре ModernBERT, содержит 68,1 млн параметров и обрабатывает последовательности длиной до 7 999 токенов. Она принимает и выдаёт текстовые данные, поддерживает английский язык. Доступны веса в форматах safetensors, ONNX и OpenVINO; для работы указана библиотека sentence-transformers. В README приведены положительные результаты на ряде задач reranking, а также высокая скорость на GPU, однако качество зависит от области и набора кандидатов: на некоторых тестах reranking ухудшал метрики. Лицензия — Apache-2.0.

abhiraj1/eval_triple_encoder — модель Sentence Transformer на базе BERT, дообученная автором репозитория от UKPLab/triple-encoders-dailydialog. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; сходство между векторами оценивается косинусной мерой. Модель использует mean pooling, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors через библиотеку sentence-transformers. Модель предназначена для сравнения смысловой близости текстов, семантического поиска, поиска парафразов, кластеризации и классификации на основе эмбеддингов. README описывает обучение на наборах пар и троек предложений с функциями потерь CosineSimilarityTripleEncoderLoss и ContrastiveLoss. Данные не устанавливают конкретный язык модели, поэтому языковую специализацию определить нельзя. Условия лицензирования в доступных сведениях не приведены.

comet24082002/finetune_bge_simsce_V1 — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска по смыслу и кластеризации. Модель обучалась с CachedMultipleNegativesRankingLoss и косинусной мерой сходства; её можно применять для вычисления семантической близости текстов. Метаданные указывают 658,7 млн параметров, контекст до 8194 токенов и формат safetensors. Библиотека для работы — Sentence-Transformers. Модель принимает текст и выдаёт векторы; в карточке не заявлены поддерживаемые языки или узкая предметная область. Лицензия в предоставленных данных не указана.

zenml/finetuned-all-MiniLM-L6-v2 — англоязычная модель Sentence Transformer, дообученная ZenML на базе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные семантические векторы размерностью 384 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Модель построена на BERT-энкодере с усреднением токенных представлений и нормализацией выходного вектора. В README указана максимальная длина последовательности 256 токенов; метаданные каталога задают контекст в 512 токенов. Репозиторий содержит веса Safetensors, модель использует библиотеку Sentence Transformers и имеет 25,9 млн параметров. В карточке приведены метрики поиска на наборах с размерностью вектора 384, 256, 128 и 64. Модель рассчитана на английские тексты. Для длинных входов учитывайте ограничение длины последовательности, а качество поиска проверяйте на собственных данных. Лицензия — Apache-2.0.

ppuva1/finetuned-bge-base-en — англоязычная Sentence Transformer-модель, дообученная автором на основе BAAI/bge-base-en. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для семантического сравнения текстов и поиска, поиска перефразировок, кластеризации и классификации. В карточке указана оценка cosine accuracy 0,8462 на обучающем наборе и 0,3939 на оценочном наборе TripletEvaluator; эти результаты относятся к указанным наборам и не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

Sangeetha/fineTunedCategory — дообученная модель на базе MPNet, разработанная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Для обучения применялась функция потерь CosineSimilarityLoss. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. Её нативный контекст составляет 514 токенов. Доступны веса в формате PyTorch; лицензия не указана в предоставленных данных.

srikarvar/fine_tuned_model_3 — модель Sentence Transformers на архитектуре BERT, дообученная автором на базе srikarvar/multilingual-e5-small-pairclass-contrastive. Она кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Модель рассчитана на английский язык, принимает последовательности длиной до 512 токенов и выдаёт эмбеддинги. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации. В README приведена оценка на наборе e5-cogcache-small-refined: cosine_accuracy@1 — 0,5, @3 — 0,8571, @5 — 1,0; обучающая выборка содержит 246 пар. Репозиторий использует safetensors и библиотеку Sentence Transformers. Лицензия — Apache-2.0.

AlucardV дообучил модель SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2 для поиска и сравнения предложений и абзацев. Она преобразует текст в плотные семантические векторы размерностью 384 и сравнивает их с помощью косинусного сходства. Архитектура включает энкодер BERT, усредняющий pooling и нормализацию; модель содержит 25,9 млн параметров. В обучении использовались 20 000 примеров с TripletLoss, в том числе русскоязычные тексты. Максимальная длина последовательности в README — 256 токенов, тогда как метаданные указывают контекст 512 токенов; для практического применения следует учитывать ограничение README. Модель принимает текст и выдаёт векторы для семантического поиска и извлечения признаков. Лицензия в предоставленных данных не указана.

kimquynh/finetuned_sbert_7 — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для кодирования предложений и абзацев в плотные векторы и их семантического поиска и сравнения. Архитектура включает MPNet, mean pooling и нормализацию; размер модели — 136,7 млн параметров, размерность выходных векторов — 768. Модель принимает текст, использует косинусное сходство и обучалась с ContrastiveLoss на 6 241 примере; в README указана максимальная длина последовательности 384 токена, а метаданные каталога приводят контекст 514 токенов. Модель подходит для извлечения релевантных текстов, вычисления сходства предложений и бинарной классификации пар по косинусному сходству. В README приведены оценки на наборах для сходства резюме и вакансий: Spearman 0,4798, а также accuracy 0,7258 и F1 0,7811 для бинарной классификации. Эти показатели относятся к указанным наборам и не гарантируют аналогичного качества на других данных. В карточке нет сведений о лицензии; обучение описано на англоязычных примерах о резюме и вакансиях, поэтому перенос качества на другие языки и области не установлен.

Deehan1866 дообучил модель sentence-transformers/multi-qa-mpnet-base-dot-v1 на наборе PiC/phrase_similarity для сопоставления смысла английских фраз и предложений. Это Sentence Transformer на архитектуре MPNet с 136,7 млн параметров: он кодирует текст в плотные эмбеддинги размерности 768, а сходство между ними можно оценивать скалярным произведением. Максимальная длина последовательности — 514 токенов по метаданным; README указывает 512 токенов. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также для кластеризации и классификации текста на основе эмбеддингов. Она принимает текст и выдаёт векторы; карточка демонстрирует оценку на задаче бинарной классификации дубликатов вопросов, но не приводит полной информации о качестве на разнообразных наборах данных. Модель ориентирована на английский язык. Лицензия в предоставленных данных не указана.

dalietng/fine-tune_simcse — модель на базе RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, кластеризации и семантического поиска. Веса содержат около 162,4 млн параметров; максимальная длина контекста — 258 токенов. Модель подходит для получения эмбеддингов текстов и сравнения их по смыслу. В README указано обучение с SoftmaxLoss, но набор данных и целевая предметная область не описаны. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.