I.1Поиск и навигация по информации

joshuapb/fine-tuned-matryoshka-1500 — англоязычная модель Sentence Transformers, дообученная на основе BAAI/bge-base-en-v1.5 для получения плотных эмбеддингов предложений и абзацев. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; размерность эмбеддинга составляет 768, а максимальная длина входа — 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и оценки сходства текстов; эмбеддинги также можно применять для поиска перефразировок, кластеризации и классификации текста. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 64, 128, 256 или 512 наряду с полным вектором. В README приведены результаты оценки поиска на наборах dim_64–dim_768, однако они не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

Это SentenceTransformer-модель, разработанная на основе sentence-transformers/all-MiniLM-L6-v2 и дообученная для сопоставления предложений и текстов. Архитектура включает энкодер BERT, усредняющий пулинг токенов и нормализацию; модель содержит 25,9 млн параметров и выдаёт плотные векторы размерности 384. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов; для практического применения следует учитывать ограничение README в 256 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. Сходство векторов можно сравнивать косинусной мерой. Обучение описано на наборе из 648 примеров; примеры в карточке англоязычные, а базовая модель обозначена каталогом как англоязычный энкодер. Лицензия в предоставленных данных не указана.

kimquynh/finetuned_sbert_2 — модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для получения эмбеддингов предложений и абзацев. Архитектура основана на BERT: векторное представление размерности 768 формируется с помощью CLS-пулинга и нормализации; сходство можно оценивать косинусной мерой. Модель принимает текст, поддерживает последовательности длиной до 512 токенов и предназначена, в частности, для поиска по смыслу и извлечения релевантных текстов. В README приведены оценки на задаче сравнения резюме и вакансий: Spearman для косинусного сходства — 0,4624, точность бинарной классификации — 0,711, F1 — 0,767. Базовая модель англоязычная, поэтому основное применение рассчитано на английский текст. Лицензия в предоставленных данных не указана.

Fin-Retriever-base — модель Sentence Transformer на архитектуре BERT, представленная valuesimplex-ai-lab. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов. В архитектуре используются BERT, усреднение токенных представлений и нормализация векторов; сходство можно оценивать по косинусной мере. Модель рассчитана на последовательности до 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Название указывает на финансовую тематику, однако README не описывает специализированные финансовые данные или сценарии обучения. Репозиторий содержит веса PyTorch и использует библиотеку sentence-transformers. Условия лицензирования в предоставленных данных не указаны.

FRIDA-GGUF — GGUF-версия модели FRIDA, разработанная командой SaluteDevices AI for B2C RnD Team; версию в формате GGUF создал Pavel Rykov. Исходная модель FRIDA разработана на основе encoder-части FRED-T5 и представляет собой дообученную модель для получения текстовых embedding-векторов. Она предварительно обучалась на русско-английском наборе данных и затем дообучалась для повышения качества на целевых задачах. Модель предназначена для семантического поиска и извлечения релевантных документов, определения перефразирования, дедупликации, категоризации текстов, анализа тональности, группировки по темам и задач textual entailment. Для разных сценариев рекомендуется использовать специальные префиксы, включая search_query, search_document, paraphrase, categorize, categorize_sentiment, categorize_topic и categorize_entailment; для агрегации токенов рекомендуется CLS pooling. Модель поддерживает русский и английский языки, однако качество английской обработки в README не оценено. Максимальная длина входа ограничена 512 токенами. Сильной стороной модели является специализация на русскоязычных задачах текстовых embedding-векторов и наличие отдельных режимов для различных типов семантического сопоставления. При необходимости модель можно дополнительно дообучить на качественных русских и английских датасетах. Размер модели, размерность embedding-векторов и точные результаты бенчмарков в README не указаны. Модель распространяется по лицензии MIT.

DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000 — модель на базе RoBERTa, разработанная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и других задач сравнения текстовых представлений. В метаданных указаны 151,8 млн параметров, контекст до 514 токенов и формат весов safetensors. Модель принимает текст и выдаёт векторные представления; для использования доступны Sentence-Transformers и Transformers с соответствующей операцией pooling. В README указано обучение с MarginDistillationLoss. Сведений о поддерживаемых языках, лицензии и ограничениях качества в предоставленных источниках нет.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_90000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000, поэтому описание составлено по ней. DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000 — модель на базе RoBERTa, разработанная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и других задач сравнения текстовых представлений. В метаданных указаны 151,8 млн параметров, контекст до 514 токенов и формат весов safetensors. Модель принимает текст и выдаёт векторные представления; для использования доступны Sentence-Transformers и Transformers с соответствующей операцией pooling. В README указано обучение с MarginDistillationLoss. Сведений о поддерживаемых языках, лицензии и ограничениях качества в предоставленных источниках нет.

GATE-Reranker-V1 — модель-реранкер от NAMAA-space для ранжирования арабских документов по релевантности запросу. Она дообучена на базе Omartificial-Intelligence-Space/GATE-AraBert-v1 и использует архитектуру BERT с классификатором последовательностей; размер модели — 162,4 млн параметров. Модель оценивает пары «запрос — документ» и выдаёт оценки релевантности, которые можно использовать для сортировки результатов поиска. Модель предназначена для повышения качества арабского поиска, ранжирования документов в системах рекомендаций и отбора материалов для ответов на вопросы и RAG. README приводит пример работы через SentenceTransformers CrossEncoder. Максимальная длина контекста — 512 токенов. Модель рассчитана на арабский язык; лицензия — Apache-2.0. Оценка в карточке проводится на двух наборах данных с метриками MAP, MRR и NDCG@10, однако сравнения и дополнительные результаты обозначены как находящиеся в разработке. Поэтому качество на других наборах данных и в прикладных сценариях может отличаться.

dguzh/geo-all-distilroberta-v1 — модель Sentence-Transformers на архитектуре DistilRoBERTa, разработанная автором репозитория dguzh. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, семантического поиска и кластеризации текстов. Модель содержит 95,2 млн параметров, обучена с ContrastiveLoss на основе косинусного расстояния и принимает текст с контекстом до 514 токенов. В репозитории указаны веса PyTorch и Safetensors. Карточка не сообщает языковую специализацию, поэтому нельзя определить, для каких языков качество модели подтверждено. Лицензия в предоставленных данных не указана.

Geolab embedding 1000 — модель на базе XLM-RoBERTa, опубликованная пользователем DejanX13. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучена с функцией MultipleNegativesRankingLoss и использует косинусное сходство; библиотека для работы с ней — Sentence Transformers. Метаданные указывают 658,7 млн параметров и контекст до 514 токенов. Модель принимает текст и выдаёт векторные представления. Карточка не уточняет поддерживаемые естественные языки. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

avemio/German-RAG-Alibaba-ModernBert-Triples — модель Sentence Transformer на архитектуре ModernBERT, предназначенная для получения векторных представлений немецких текстов. По README, модель отображает предложения и абзацы в нормализованные плотные векторы размерности 768; сходство оценивается косинусной мерой. В метаданных указано 149 млн параметров, библиотека sentence-transformers и контекст до 8192 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Название указывает на применение в German RAG и работу с триплетами, однако подробности обучения и конкретные датасеты в предоставленных данных не описаны. Лицензия в источниках не указана.

German-RAG-MISTRAL-7B-v3.0-ORPO-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer Mistral, разработанная командой Avemio AI при поддержке Hessian AI. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель дообучена методом ORPO на немецкоязычных и англоязычных данных для сценариев Retrieval-Augmented Generation (RAG). Она предназначена для ответов на вопросы по найденным документам и контексту, извлечения релевантной информации, суммаризации и рассуждений. В README приведены результаты тестирования на наборах для извлечения, ответов на вопросы, суммаризации и сложных рассуждений; это результаты авторской оценки, а не гарантия качества для конкретных данных. Модель может выдавать неверные факты, поэтому ответы следует проверять. Без дополнительной фильтрации она может генерировать вредный или чувствительный контент. Лицензия модели и кода — Apache 2.0.

German-RAG-NEMO-12B-SFT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer семейства Mistral, разработанная командой Avemio AI при поддержке Hessian AI. Модель содержит 12,1 млрд параметров и дообучена методом SFT на примерах для генерации с дополнением извлечёнными данными (RAG); в метаданных базовой моделью указана avemio/German-RAG-NEMO-12B-CPT-HESSIAN-AI. Модель предназначена для немецкоязычных бизнес-сценариев с RAG: ответов на вопросы по предоставленному контексту, извлечения релевантной информации и её суммаризации. Также карточка описывает примеры для рассуждений и вызова функций. Поддерживаются немецкий и английский языки; заявленная длина контекста — до 1 024 000 токенов. Модель доступна в формате safetensors по лицензии Apache 2.0. Ответы и факты могут быть неверными, поэтому их следует проверять. В README также отмечены риски предвзятости и генерации вредного или чувствительного контента без защитной фильтрации.

GLM-Z1-Rumination-32B-0414 — диалоговая модель глубокого рассуждения от Z.ai, созданная на основе GLM-4-32B-0414. В ней сочетаются длительное пошаговое рассуждение и использование инструментов поиска для решения открытых и сложных задач; обучение дополнительно ориентировано на математику, код, логику, исследовательский стиль письма и задачи с извлечением информации. Модель содержит 32,2 млрд параметров, использует плотную архитектуру GLM-4 и работает с контекстом до 131 072 токенов. Карточка описывает поддержку китайского и английского языков, диалога и вызова инструментов поиска. Указаны сценарии сравнительного анализа, подготовки исследовательских текстов и комплексного поиска с последующим синтезом результатов. Модель распространяется под лицензией MIT. Доступные материалы не приводят отдельных результатов оценки качества или подробностей ограничений; ответы и результаты поиска следует проверять, особенно в задачах, требующих точности и актуальности.

nickprock/granite-311m-italiano-matryoshka — текстовая модель Sentence Transformers, дообученная автором nickprock на базе ibm-granite/granite-embedding-311m-multilingual-r2 для итальянских задач поиска и сравнения предложений. Она построена на ModernBERT с пулингом CLS и нормализацией выходных векторов. Модель преобразует текст в плотные эмбеддинги размерностью 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска, извлечения релевантных фрагментов для RAG, оценки сходства предложений, поиска перефразировок, кластеризации и классификации. При дообучении использовались 45 181 пример итальянского набора it-wiki-retrieval-synthetic-hn; README также описывает оценки на итальянских наборах SQuAD-it и STSb-it. Репозиторий содержит веса Safetensors и ONNX, модель работает через Sentence Transformers. Лицензия — Apache-2.0.

Granite-Embedding-97M-Multilingual-R2-GGUF — это мультиязычная модель для создания векторных представлений текста, опубликованная пользователем mykor и основанная на модели ibm-granite/granite-embedding-97m-multilingual-r2, разработанной IBM Granite. Модель распространяется в формате GGUF и предназначена для задач feature extraction, семантического поиска, сравнения предложений и других сценариев, где требуется оценивать смысловую близость текстов. Модель поддерживает широкий набор языков, включая русский, английский, китайский, японский, корейский, арабский и многие другие. В README указано, что доступен файл granite-embedding-97M-multilingual-r2-BF16.gguf в формате BF16; размер базовой модели составляет 97 млн параметров. Для запуска приведён пример с llama.cpp через llama-cpp-python в режиме генерации эмбеддингов. README не содержит сведений о максимальной длине контекста, размерности векторов или подробностях архитектуры. В качестве сильной стороны заявлена близкая совместимость эмбеддингов с исходной моделью Sentence Transformers: в приведённом примере косинусное сходство результатов двух реализаций составляет 0,9999579. Ограничения и результаты независимых бенчмарков в README не описаны. Модель распространяется по лицензии Apache-2.0.

HarshalBhg/gte-large-finetuned-ep10-test2 — модель эмбеддингов на архитектуре BERT, опубликованная пользователем HarshalBhg. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучалась с использованием BatchAllTripletLoss на датасете embedding-data/sentence-compression; заявленный контекст составляет 512 токенов, число параметров — около 433,9 млн. Модель подходит для построения поисковых индексов и группировки текстов по смыслу. Репозиторий содержит веса в формате safetensors и предназначен для использования через Sentence Transformers. Карточка не указывает лицензию или поддерживаемые естественные языки; качество и ограничения для конкретных языков и предметных областей по имеющимся сведениям оценить нельзя.

Это дообученная модель Sentence Transformer на базе Alibaba-NLP/gte-multilingual-base, созданная для преобразования предложений и абзацев в плотные векторы размерностью 768. Она предназначена для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации текстов; сходство векторов можно оценивать косинусной мерой. Энкодер использует пуллинг CLS-токена и нормализацию, поддерживает последовательности до 8192 токенов. Модель обучена на 8 259 парах текстов из набора json с использованием MatryoshkaLoss и MultipleNegativesRankingLoss. В примерах обучающих данных есть вьетнамские тексты, однако карточка не подтверждает полный перечень поддерживаемых языков. Модель выдаёт векторы, а не готовые ответы на естественном языке. Лицензия в предоставленных данных не указана.

SMARTICT/gte-small-finetune-test — англоязычная модель Sentence Transformers, дообученная SMARTICT на базе thenlper/gte-small с использованием набора sentence-transformers/all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для сравнения текстов по косинусному сходству. Архитектура основана на BERT: усреднение токенных представлений с последующей нормализацией. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. В README приведены результаты оценки на all-nli-dev и all-nli-test с cosine_accuracy 0,926 и 0,9348 соответственно. Модель ориентирована на английский язык; лицензия — Apache-2.0.

HindSBERT — модель семейства BERT от L3Cube-Pune, дообученная на наборе данных NLI на основе l3cube-pune/hindi-bert-v2. Она преобразует предложения и абзацы на хинди в плотные векторы размерности 768 для оценки семантического сходства, поиска и кластеризации текстов. Модель использует архитектуру BERT, имеет 264,8 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения предложений и группировки похожих текстов на хинди. Доступна в формате PyTorch и лицензирована по CC BY 4.0. Для получения эмбеддингов через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов.

cassador/indobert-embeddings — модель эмбеддингов предложений на базе IndoBERT, опубликованная cassador и дообученная на наборе IndoNLI. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации и оценки сходства текстов на индонезийском языке. Модель использует архитектуру BERT и поддерживает контекст до 512 токенов. Для получения эмбеддингов README рекомендует библиотеку Sentence-Transformers; при использовании Transformers необходимо применить подходящую операцию pooling к контекстным представлениям токенов. В метаданных указан формат PyTorch и около 151,6 млн параметров. Лицензия в предоставленных данных не указана.

carles-undergrad-thesis/indobert-mmarco-margin-mse — модель на базе IndoBERT, дообученная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768, пригодные для семантического поиска, кластеризации и ранжирования документов по релевантности. Модель построена на архитектуре BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки на наборах mMARCO, Mr.TyDi и MIRACL, включая метрики MRR@10 и Recall@1000; для mMARCO и Mr.TyDi показано улучшение относительно BM25 по отдельным метрикам. Обучение проводилось с MarginMSELoss. Репозиторий содержит веса PyTorch и опубликован 20 октября 2023 года. Сведения о лицензии в предоставленных данных отсутствуют.

yahyaabd/indosbert-bps-custom-tokenizer — модель Sentence Transformer на архитектуре BERT, представленная в формате safetensors. Она преобразует предложения и абзацы в плотные векторы размерности 1024; среднее объединение токенов используется для получения представления текста, а сходство между векторами можно оценивать косинусной мерой. Модель рассчитана на последовательности до 512 токенов. Её можно применять для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Метаданные указывают 434 млн параметров и библиотеку Sentence Transformers. В README обучение модели описано в общих чертах, без сведений о разработчике или обучающих данных. Лицензия в предоставленных сведениях не указана.

InternLM2.5-7B-Chat-1M — диалоговая языковая модель команды InternLM, вариант InternLM2.5-7B-Chat для работы с контекстом до 262 144 токенов по метаданным. Это плотная авторегрессионная модель семейства InternLM2 с 7,4 млрд параметров, предназначенная для генерации текста в ответ на запросы и ведения диалога. Модель рассчитана на анализ длинных документов, поиск сведений в большом контексте, математические рассуждения и сценарии с использованием инструментов. В README заявлена оценка на текстах длиной до миллиона токенов и приводится рекомендация использовать LMDeploy для инференса с таким контекстом; Transformers не поддерживает этот режим напрямую. Поэтому заявленную длину в миллион токенов следует считать характеристикой описанного в README режима, тогда как метаданные указывают native context в 262 144 токена. Репозиторий содержит веса в формате safetensors. README сообщает, что код распространяется по Apache-2.0, а для весов открыто академическое исследование и предусмотрена бесплатная коммерческая лицензия по запросу. Модель ориентирована на практическое применение, но её заявления о качестве приведены разработчиком по результатам собственных оценок.

ahmedHamdi/IR-es-en-gemma — дообученная модель Sentence Transformers на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Архитектура включает Gemma3TextModel и усредняющий токены слой пулинга; число параметров — 302,8 млн. Максимальная длина последовательности в README составляет 256 токенов, а метаданные каталога указывают нативный контекст 2048 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, классификации и кластеризации текстов. README описывает дообучение на 2340 парах предложений с функцией потерь MultipleNegativesRankingLoss. Вход — текст, выход — эмбеддинги; данные не подтверждают конкретные поддерживаемые естественные языки. Репозиторий содержит веса в формате safetensors. Лицензия не приведена в предоставленных данных.

Italian-ModernBERT-base-embed-mmarco-mnrl — модель Sentence Transformers, дообученная автором репозитория на mmarco на базе DeepMount00/Italian-ModernBERT-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и поиска перефразировок. Также в README указаны применение для кластеризации и классификации текстов. Модель использует архитектуру ModernBERT с усреднением токенных представлений и поддерживает последовательности длиной до 8192 токенов. Обучающие примеры mmarco включают запросы и релевантные и нерелевантные тексты на итальянском языке. В README приведены показатели cosine_accuracy 0,9255 на mmarco_dev и 0,913 на mmarco_test. Модель принимает текст и выдаёт векторы; основное назначение — италоязычные задачи поиска и сопоставления текстов. В метаданных указана библиотека sentence-transformers, а файлы представлены в safetensors. Условия лицензирования в доступной карточке не приведены.

Bheri/ithasa-mmbert-gist — это дообученная авторами Bheri модель Sentence Transformers на базе jhu-clsp/mmBERT-base. Энкодер ModernBERT преобразует предложения и абзацы в плотные векторы размерностью 768; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на семантическое сравнение текстов и перенос смысла между английским и санскритом; в README приведена оценка на задаче перевода между этими языками. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога сообщают о нативном контексте базовой архитектуры в 8192 токена; практический предел этой версии в Sentence Transformers указан как 128. Чекпойнт содержит 306,9 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

hotchpotch/japanese-reranker-base-v2は、hotchpotchが開発した日本語テキスト向けのリランカーモデルです。ModernBERT系の系列分類アーキテクチャを使い、約132.1Mパラメータを持つsentence-transformersモデルとして提供されています。最大コンテキスト長は8192 токеновです。 モデルは запрос и документы или другие текстовые пары оценивает по релевантности, чтобы переупорядочить результаты поиска. Предназначен для повышения качества поиска и RAG, включая сценарии с ограниченными вычислительными ресурсами и низкой задержкой. В основе лежит cl-nagoya/ruri-v3-pt-130m; для обучения использовались японские наборы данных, включая hard negatives и MS MARCO. README сообщает о применимости на CPU и Apple Silicon, а также об ускорении на совместимых GPU с Flash Attention 2. Модель рассчитана на японский язык. Доступна по лицензии MIT; для работы README требует transformers версии 4.48 или новее. Приведённые в карточке таблицы содержат результаты серии моделей, однако часть строк скрыта, поэтому численные показатели именно base-v2 здесь не приводятся.

jina-embeddings-v2-base-de-GGUF — это квантованная GGUF-версия модели jinaai/jina-embeddings-v2-base-de, разработанная Jina AI и квантованная Second State Inc. Модель предназначена для получения векторных представлений текста, которые можно использовать в семантическом поиске, сопоставлении документов, кластеризации и других задачах обработки естественного языка. Она рассчитана на работу через GaiaNet с шаблоном запроса embedding. Модель поддерживает немецкий и английский языки, имеет размерность эмбеддингов 768 и контекст до 8192 токенов. Формат GGUF и квантование выполнены с использованием llama.cpp b4273, что предназначено для более эффективного запуска при сохранении совместимости с соответствующей инфраструктурой. README не содержит подробностей о конкретном методе квантования, размере файла или показателях качества, поэтому производительность и компромисс между точностью и требованиями к ресурсам оценить нельзя. Модель распространяется по лицензии Apache-2.0. Для запуска и настройки предусмотрена инфраструктура GaiaNet; дополнительные сведения о требованиях к оборудованию и вариантах конфигурации в README не указаны.

CISCai — модель Model2Vec, дистиллированная из jinaai/jina-embeddings-v3 с применением LoRA-адаптера для задачи separation. Она создаёт статические текстовые эмбеддинги: при выводе усредняет векторы токенов, что позволяет выполнять кодирование значительно быстрее на CPU и GPU, чем у исходного Sentence Transformer. Модель предназначена для поиска по смыслу, сопоставления предложений и других сценариев, где важны низкие задержки или ограниченные вычислительные ресурсы. Модель использует подход Model2Vec: векторы словаря получают из Sentence Transformer, уменьшают их размерность с помощью PCA и взвешивают с помощью Zipf weighting. В метаданных заявлена поддержка контекста до 1 000 000 токенов, мультиязычность и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.