I.1Поиск и навигация по информации

LLM2Vec-Mistral-7B-Instruct-v2-mntp-unsup-simcse — модель для получения текстовых эмбеддингов на основе Mistral-7B-Instruct-v2, представленная организацией или исследовательской группой McGill-NLP. В репозитории указано, что модель распространяется с использованием PEFT и предназначена для преобразования текста в векторные представления, пригодные для сравнения семантической близости. Модель ориентирована на семантический поиск и информационный retrieval, reranking, классификацию, кластеризацию, оценку текстовой семантической близости и извлечение признаков. В README заявлен английский язык и приведены результаты на наборах MTEB, включая задачи классификации, поиска, кластеризации, reranking и STS. Архитектура основана на модели класса Mistral с 7 млрд параметров; сведения о поддерживаемых модальностях, размере контекста и точных процедурах инференса не указаны. Сильная сторона — универсальность эмбеддингов для широкого спектра задач обработки текста; ограничения, включая качество на других языках и зависимость результатов от конкретного домена, требуют дополнительной проверки. Лицензия — MIT.

maux-gte-persian-v3-fp16 — модель эмбеддингов предложений на базе Alibaba-NLP/gte-multilingual-base, дообученная для персидского языка и опубликованная в формате fp16. Она преобразует предложения и абзацы в векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации; сходство оценивается косинусной мерой. Модель построена как энкодер Sentence Transformers с пулингом CLS-токена и нормализацией, поддерживает последовательности до 8192 токенов и принимает текст, выдавая векторные представления. Дообучение выполнено на 80 000 персидских пар предложений с функцией потерь MultipleNegativesRankingLoss. Половинная точность fp16 предназначена для более эффективного инференса, особенно на современных GPU. По данным карточки, модель показывает высокие результаты в задачах семантического сходства, поиска и кластеризации на персидском языке. Для загрузки требуются файлы пользовательского кода из репозитория. Лицензия в предоставленных данных не указана.

Meno-Lite-0.1 — русско-английская языковая модель, разработанная Иваном Бондаренко из Новосибирского государственного университета. Это плотный причинный декодер на архитектуре Qwen2.5 с 7 млрд параметров, дообученный на базе RefalMachine/RuadaptQwen2.5-7B-Lite-Beta для работы с документами и контекстом. Модель рассчитана на извлечение информации, ответы на вопросы по документам, суммаризацию и построение графов знаний в RAG-сценариях. Модель ориентирована прежде всего на русский язык и также поддерживает английский. Контекстное окно по метаданным — 32 768 токенов; в README заявлен успешный поиск контрольной фразы в контекстах до 128 тыс. токенов, при этом качество сложных рассуждений заметно снижается на длине свыше 32 тыс. токенов. Авторы также отмечают высокую эффективность токенизатора для русского текста. Модель может галлюцинировать без релевантного контекста и намеренно слабее полагается на факты из параметрической памяти, поэтому не подходит как самостоятельная база знаний или универсальный чат-бот. Лицензия — Apache 2.0.

marrodion/minilm-l12-v2-simple — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2, разработанная автором репозитория marrodion. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией векторов. Метаданные указывают размер около 40 млн параметров и нативный контекст до 512 токенов; в README указан максимальный размер последовательности 128 токенов. Обучение описано на парах предложений с оценками сходства, а в README приведена оценка на наборе SemEval-15-dev. Модель рассчитана на текст на английском языке, как и базовая all-MiniLM-L12-v2. Она выдаёт эмбеддинги, а не готовые ответы; качество зависит от предметной области и данных, а длинные последовательности ограничены указанным размером. В метаданных лицензия не приведена. Для использования требуется библиотека Sentence Transformers.

MiniMind-Embedding-Dense — плотная модель текстовых эмбеддингов на основе MiniMind-3, разработанная в проекте minimind-embedding. Это причинный Transformer-декодер с 63,9 млн параметров и размером скрытого слоя 768; вектор текста формируется по последнему токену EOS. Обучение использует контрастивную функцию InfoNCE с маскированием вероятных ложных негативов и Matryoshka Representation Learning, поэтому эмбеддинг можно сокращать до 64, 128, 256 или 512 измерений для более быстрого поиска. Максимальная длина контекста — 32 768 токенов. Модель предназначена для получения векторов текста, поиска семантически близких предложений и извлечения релевантных документов по запросу. В карточке показаны оценки на китайских наборах ATEC, BQ и LCQMC; заявленная область применения — прежде всего китайские тексты, также указана поддержка английского. Карточка отмечает, что качество ограничивают небольшой словарь в 6400 токенов и сравнительно малый объём первого этапа обучения. Модель дообучена на jingyaogong/minimind-3 и распространяется по лицензии Apache-2.0.

Muzian/minimind-embedding-moe — компактная модель для получения текстовых эмбеддингов, разработанная на базе MiniMind-3-MoE. Это причинный декодер с четырьмя экспертами и маршрутизацией top-1: всего 198 млн параметров, из которых для каждого токена активны около 64 млн. Обучение использует рецепт Qwen3-Embedding: pooling по последнему токену, контрастивную функцию InfoNCE с маскированием ложных негативов и MRL для получения эмбеддингов разной размерности. Модель предназначена для сравнения семантической близости текстов и поиска по смыслу; заявленный контекст — 32 768 токенов. В README приведены результаты на китайском бенчмарке C-MTEB STS, где MoE-версия уступает плотной MiniMind-Embedding на 0,056 в среднем. Метаданные указывают китайский и английский языки. Модель опубликована в формате safetensors, для использования предлагается библиотека Sentence Transformers. Лицензия — Apache-2.0.

MIReAD-Neuro-Contrastive — модель семейства Sentence Transformers, опубликованная пользователем atrytone. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости, кластеризации и семантического поиска. По метаданным, модель основана на архитектуре BERT, содержит 137,1 млн параметров и обрабатывает до 512 токенов контекста. Обучение проводилось с TripletLoss и евклидовой метрикой расстояния. Модель подходит для построения эмбеддингов текстов, поиска похожих фрагментов и группировки текстов по смыслу. В карточке не указаны поддерживаемые языки и специализированные области применения. Лицензия в предоставленных данных не указана.

mist-reranker-150m — англоязычный кросс-энкодерный реранкер от Olaverse на базе answerdotai/ModernBERT-base, дообученный на наборе olaverse/reranker-general-en-llm-judged. Модель содержит около 149 млн параметров и принимает пару «запрос — кандидатный фрагмент», выдавая единственную оценку релевантности для переупорядочивания результатов поиска. Она предназначена для второго этапа конвейера поиска и RAG: уточняет ранжирование верхних результатов, полученных, например, с помощью BM25 или биэнкодера. В описанной оценке NanoBEIR модель показала близкие к другим реранкерам результаты на QA и поиске фактов; для аргументативного поиска результаты были слабее. Контекст составляет до 8192 токенов. Модель обучалась на размеченных LLM оценках релевантности; данные карточки указывают английский язык. Распространяется по лицензии Apache-2.0. Оценки производительности приведены для указанных тестов и не гарантируют аналогичного качества на других наборах данных или языках.

Карточка модели avsolatorio/MixEmbed-base-20240110153733-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/MixEmbed-base-20240110225225-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

MixEmbedBert-base-20240115112530-best, представленная в карточке как bge-micro, — компактная модель эмбеддингов на архитектуре BERT. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения текстов. По README модель дистиллирована из BAAI/bge-small-en-v1.5 и имеет четверть параметров, не относящихся к эмбеддингам, по сравнению с исходной моделью; заявлено также, что при примерно половине параметров all-MiniLM-L6-v2 она показывает сопоставимое качество. Модель содержит 18,8 млн параметров, поддерживает контекст до 512 токенов и распространяется в формате Safetensors. В метаданных указана задача sentence-similarity, а каталог также отмечает извлечение признаков и эмбеддинги. README указывает на английскую базовую модель; лицензия в предоставленных данных не указана.

MixEmbedBert-base-20240115112530-latest — компактная модель эмбеддингов предложений на архитектуре BERT, опубликованная avsolatorio. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения текстов. Модель дистиллирована из avsolatorio/bge-small-en-v1.5; в ней примерно вчетверо меньше параметров без учёта эмбеддингов, чем в исходной модели. README сообщает о качестве, сопоставимом с all-MiniLM-L6-v2, при вдвое меньшем общем числе параметров, однако метаданные указывают 18,8 млн параметров. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. Карточка описывает её как англоязычную модель. Для вывода эмбеддингов через Transformers нужно применить подходящую операцию pooling к контекстным представлениям токенов; также доступно использование через Sentence-Transformers. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

MixEmbedBert-base-20240115163419-latest — компактная модель эмбеддингов на базе BERT для представления предложений и абзацев в виде плотных векторов размерности 384. Карточка описывает её как дистилляцию bge-small-en-v1.5; число параметров составляет 18,8 млн, контекст — до 512 токенов. Модель предназначена для семантического поиска, кластеризации и сравнения текстов. Она выдаёт текстовые эмбеддинги и поддерживает задачи извлечения признаков и оценки сходства предложений. В README заявлено, что модель содержит в четыре раза меньше неэмбеддинговых параметров, чем bge-small-en-v1.5, и имеет примерно вдвое меньше параметров, чем all-MiniLM-L6-v2, при сопоставимом качестве. Указанные семейство и учебная база ориентированы на английский язык. Для использования доступны варианты Sentence-Transformers и Transformers; при работе через Transformers необходимо применить подходящий pooling к контекстным представлениям токенов. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240122212744-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240123004625-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240123173844-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240123213810-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240124231910-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

avsolatorio/MixEmbedMean-base-20240116001529-best — компактная модель эмбеддингов предложений на архитектуре BERT, опубликованная 16 января 2024 года. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска по смыслу, кластеризации и сравнения текстов. Размер модели — 18,8 млн параметров, максимальная длина контекста — 512 токенов; для работы доступны веса в формате safetensors и библиотека Sentence-Transformers. Согласно README, модель дистиллирована из BAAI/bge-small-en-v1.5 и имеет вчетверо меньше параметров, не относящихся к эмбеддингам, чем исходная модель. В README также отмечено, что при примерно половине параметров all-MiniLM-L6-v2 она показывает сопоставимое качество. Английский язык следует из базовой модели bge-small-en-v1.5; подтверждений поддержки других языков нет. Лицензия в предоставленных данных не указана.

hatemestinbejaia/mmarco-Arabic-mMiniLML-bi-encoder-KD-v1 — дообученная авторами модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные векторы размерности 384; сходство векторов можно сравнивать косинусной мерой. Модель предназначена прежде всего для семантического поиска и сравнения арабоязычных текстов, а также для поиска перефразировок, кластеризации и классификации текста. Модель обучена на наборе из 5 млн примеров с запросами, положительными и отрицательными текстами. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога указывают контекст до 512 токенов. Для оценки ранжирования приведены MAP 0,5677, MRR@10 0,5692 и NDCG@10 0,6359; результаты зависят от данных и сценария применения. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

qilowoq/mmarco-mMiniLMv2-L12-H384-v1-en-ru — компактная двуязычная версия модели jeffwan/mmarco-mMiniLMv2-L12-H384-v1 для ранжирования пар «запрос — текст». Её разработчик сократил словарь до токенов английского и русского языков; в карточке указана архитектура XLM-RoBERTa с классификационной головой, 51,5 млн параметров и контекстом до 514 токенов. Модель обучена как cross-encoder на MMARCO — машинном переводе MS MARCO на 14 языков. README описывает применение для поиска: оценивать пары запроса и найденного фрагмента, затем сортировать фрагменты по оценкам релевантности. Модель предназначена для этапа reranking в информационном поиске, например после первичного поиска в ElasticSearch. Несмотря на словарь, ограниченный английским и русским, автор сообщает о хороших результатах и на других языках. Лицензия — Apache-2.0. README не приводит количественных оценок качества; контекст ограничивает длину обрабатываемой пары.

Карточка модели cristiano-sartori/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой KingName1/sentence_transformer, поэтому описание составлено по ней. KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

Карточка модели Jenjamin3000/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой KingName1/sentence_transformer, поэтому описание составлено по ней. KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

moco-sentencedistilbertV2.1 — модель эмбеддингов предложений, разработанная bongsoo на базе семейства DistilBERT и обученная для оценки семантического сходства. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для семантического поиска, кластеризации и сравнения текстов. Архитектура — DistilBERT; модель использует Sentence-Transformers и PyTorch, контекст ограничен 512 токенами. Словарь содержит 152 537 токенов. Модель обучалась на корейских и англоязычных наборах данных для сопоставления предложений. В процессе использовалась дистилляция от paraphrase-multilingual-mpnet-base-v2 и последующее обучение на задачах семантического сходства. Она рассчитана прежде всего на корейский и английский языки и может применяться для поиска похожих фраз, сравнения текстов и группировки документов по смыслу. Лицензия в предоставленных данных не указана.

Карточка модели taghyan/model на Hugging Face совпадает с карточкой KingName1/sentence_transformer, поэтому описание составлено по ней. KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

jfarray/Model_all-distilroberta-v1_1_Epochs — модель на базе RoBERTa, опубликованная в формате PyTorch как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации; также подходит для вычисления сходства между предложениями. Модель содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно использовать в приложениях поиска по смыслу и группировки текстов через Sentence Transformers. В карточке не указаны целевые языки и лицензия, поэтому их нельзя подтвердить по имеющимся данным.

jfarray/Model_all-distilroberta-v1_30_Epochs — модель эмбеддингов предложений на базе RoBERTa, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска по смыслу и кластеризации текстов. Модель можно использовать через библиотеку Sentence-Transformers; в метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат PyTorch. Обучение проводилось с функцией потерь CosineSimilarityLoss. Модель принимает текст и возвращает векторные представления, которые можно сравнивать для оценки смысловой близости. README не указывает поддерживаемые естественные языки или результаты бенчмарков. Лицензия в предоставленных данных не указана.

jfarray/Model_bert-base-multilingual-uncased_100_Epochs — модель на базе BERT, обученная библиотекой Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 256. Она предназначена для семантического поиска и кластеризации текстов; оценки сходства предложений также входят в задачи модели. Архитектура содержит около 194,6 млн параметров, модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 512 токенов. Модель можно применять для поиска похожих фрагментов, группировки текстов и сравнения смысловой близости предложений. В карточке указано обучение с CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs — модель эмбеддингов предложений на базе BERT, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 256 для поиска семантически близких текстов и кластеризации. Модель содержит 137,1 млн параметров, работает с текстом и поддерживает контекст до 512 токенов; в карточке указана библиотека Sentence-Transformers и обучение с CosineSimilarityLoss. Модель подходит для семантического поиска и группировки текстов по смыслу. Название базовой модели указывает на испанский BERT dccuchile/bert-base-spanish-wwm-uncased, поэтому основной язык — испанский. В метаданных указаны формат PyTorch и задачи извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

Модель jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs — модель Sentence-Transformers на базе BERT, преобразующая предложения и абзацы в плотные векторы размерности 256. Она предназначена для поиска семантически близких текстов и кластеризации; также подходит для сравнения сходства предложений. Модель содержит 137,1 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. По названию репозитория базовая модель — dccuchile/bert-base-spanish-wwm-uncased; модель ориентирована на испанский язык. Лицензия в предоставленных данных не указана.