I.1Поиск и навигация по информации

Mungert/Qwen3-Embedding-4B-GGUF — набор GGUF-версий модели эмбеддингов на базе Qwen/Qwen3-4B-Base, подготовленный автором Mungert с использованием llama.cpp. Модель предназначена для извлечения признаков, вычисления сходства между предложениями и других задач семантического поиска и сопоставления текстов. В репозитории представлены варианты с разной точностью и степенью квантования: BF16, F16, гибридные форматы, Q4_K, Q6_K, Q8 и IQ-серии. Автор применяет метод выборочного повышения точности отдельных слоёв поверх стандартного IMatrix-квантования, чтобы улучшить сохранение качества при уменьшении размера модели, особенно для низкобитных вариантов. Это позволяет выбирать компромисс между точностью, объёмом памяти и скоростью инференса в зависимости от оборудования. Точные характеристики архитектуры, размерности эмбеддингов, максимального контекста и поддерживаемых языков в README не указаны. Низкобитные варианты подходят для запуска на CPU и устройствах с ограниченной VRAM, однако могут уступать полноточным версиям по качеству; BF16 и F16 требуют соответствующей аппаратной поддержки. Модель распространяется по лицензии Apache-2.0.

LifetimeMistake/Qwen3-VL-Embedding-2B-AWQ-4bit — квантизированный вариант мультимодальной модели эмбеддингов Qwen3-VL-Embedding-2B, разработанной командой Qwen. Модель преобразует векторы представления текстов, изображений, скриншотов, видео и смешанных текстово-визуальных запросов и предназначена для семантического поиска, retrieval-задач и построения мультимодальных систем поиска и сопоставления. Модель имеет размер 2B параметров в базовой версии, поддерживает более 30 языков, контекст до 32 тысяч токенов и размерность эмбеддингов до 2048 с возможностью использовать меньшие размерности. Применена 4-битная AWQ-квантизация весов текстовых Linear-слоёв с форматом compressed-tensors и размером группы 128; визуальные модули и lm_head оставлены без квантизации. Предусмотрено развёртывание через vLLM с backend compressed-tensors. Для мультиязычных retrieval-задач рекомендуются инструкции на английском языке. По сравнению с исходной FP16-моделью вариант AWQ показал небольшое снижение nDCG@10 и Recall@10, но рост MRR@10; в описанном тестировании он лучше сохранил качество мультимодального поиска, чем альтернативный NVFP4-вариант. При этом заметного ускорения работы относительно FP16 не получено, а квантизация выполнялась по текстовой части с использованием преимущественно текстовых калибровочных данных, что может ограничивать переносимость результатов на отдельные визуальные сценарии. Модель распространяется по лицензии Apache-2.0.

Мультимодальная модель эмбеддингов mlx-community, перенесённая в формат MLX из Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm. Она предназначена для преобразования текста и изображений в векторные представления, которые можно использовать для поиска и сопоставления по смыслу. В метаданных указаны архитектура семейства Qwen3-VL, 2 млрд параметров у базовой модели Qwen3-VL-2B-Instruct и библиотека Transformers; README подтверждает исходную модель Qwen3-VL-Embedding-2B и конвертацию в MLX. Модель опубликована mlx-community под лицензией Apache-2.0. Карточка не сообщает поддерживаемые языки, длину контекста или конкретные показатели качества.

Это модель Sentence-Transformers на базе MPNet, разработанная пользователем Hugging Face shrinivasbjoshi. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска похожих текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. В метаданных указана задача sentence-similarity, а карточка описывает использование для семантического поиска и кластеризации. Модель опубликована в формате PyTorch и обучалась с функцией CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

YKYSpatz/ragproject_ver2 — дообученная авторами модель Sentence Transformers на базе YKYSpatz/ragproject для сравнения и поиска семантически близких текстов. Модель использует архитектуру BERT с 40 млн параметров, выдаёт нормализованные плотные векторы размерности 384 и оценивает близость предложений по косинусному сходству. Максимальная длина входной последовательности — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. Пример в карточке показывает пары короткого запроса о медицинском документе с более длинными медицинскими фрагментами; это указывает на применение для поиска или отбора медицинских текстов, но не подтверждает специализированную медицинскую точность. Карточка не сообщает лицензию и языковую специализацию модели.

rank1-32b — модель-реранкер для информационного поиска, разработанная JHU CLSP и основанная на дообученной Qwen2.5-32B. Она принимает запрос и документ, формирует цепочку рассуждений, затем выносит бинарное суждение о релевантности и оценивает уверенность по логитам токенов true и false. Такой подход предназначен для переоценки результатов поиска, особенно когда релевантность зависит от сложных или неочевидных связей. Модель имеет плотную архитектуру Qwen2, 32 млрд параметров и контекст до 131 072 токенов. Для работы указана библиотека Transformers; репозиторий содержит веса Safetensors. В карточке отмечен английский язык. Модель обучена на jhu-clsp/rank1-training-data и совместима с оцениванием через MTEB. Лицензия — MIT. Большой размер модели предполагает значительные требования к вычислительным ресурсам. Описание сообщает о сильных результатах на задачах переоценки, требующих рассуждений, но не приводит численных результатов; для конкретных метрик и edge cases карточка отсылает к статье и официальному репозиторию.

ReasonRank-7B — языковая модель для ранжирования фрагментов текста, представленная авторами исследования ReasonRank: Empowering Passage Ranking with Strong Reasoning Ability. Она дообучена на базе Qwen/Qwen2.5-7B-Instruct и предназначена для задач информационного поиска, где нужно оценивать и упорядочивать пассажи по релевантности запросу. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 с causal language modeling и работает через Transformers. Контекст — до 32 768 токенов; в карточке указан английский язык. Репозиторий распространяется в формате Safetensors по лицензии MIT. Модель рассчитана на ранжирование пассажей с опорой на рассуждение; также в метаданных отмечены генерация текста, чат и интерфейс вызова инструментов. README отсылает к статье и GitHub-репозиторию за подробностями использования, но не приводит результаты оценки или инструкции. Как производная от Qwen2.5-7B-Instruct, она сохраняет общие ограничения языковой модели, включая возможные ошибки в оценках релевантности; качество на конкретном поисковом наборе данных следует проверять отдельно.

ichko/redis-langcache-v1-test — дообученная модель Sentence Transformers на базе redis/langcache-embed-v1 от Redis. Она использует ModernBERT с пуллингом CLS-токена и преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста, а также для других задач, где нужны векторные представления текстов. Лицензия в предоставленных данных не указана.

franzclarin/ReverseDictionary — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, созданная для поиска по смыслу. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 384; сходство между текстами можно оценивать косинусной близостью. Архитектура включает энкодер BERT, усредняющий pooling и нормализацию. По метаданным, модель содержит 25,9 млн параметров и поддерживает контекст до 512 токенов; README указывает максимум в 256 токенов. Модель обучалась на примерах с тремя связанными текстовыми полями и подходит для поиска по описанию, сопоставления формулировок и извлечения близких по смыслу предложений. Прикладная модальность — текст; основной язык базовой модели — английский. Доступны веса Safetensors и формат ONNX. Лицензия в предоставленных данных не указана.

Модель ritrieve_zh_v1 разработана командой richinfoai и предназначена для получения плотных векторных представлений текстов и сравнения их смысловой близости. Это модель семейства BERT на базе Sentence Transformers, обученная методом дистилляции от lier007/xiaobu-embedding-v2, dunzhang/stella-large-zh-v3-1792d и BAAI/bge-multilingual-gemma2. После второго этапа обучения размерность эмбеддингов составляет 1792. Модель обучалась на BAAI/Infinity-Instruct и opencsg/chinese-fineweb-edu; авторы сообщают о результатах на MTEB для китайского языка. Она принимает текст и выдаёт векторы, подходит для поиска по смыслу, сопоставления предложений и построения семантического поиска. Максимальная длина контекста — 512 токенов. Лицензия — MIT.

Это модель sentence-transformers, разработанная Netherlands Forensic Institute на основе RobBERT от KU Leuven и дообученная на переведённом на нидерландский языке наборе Paraphrase, включающем пары похожих текстов. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантического сходства. Модель предназначена для семантического поиска, кластеризации текстов и поиска похожих предложений или вопросов. Архитектура — RobertaModel, основанная на RobBERT; модель содержит 146,1 млн параметров и поддерживает контекст до 514 токенов. Для обучения использованы датасеты с парами похожих текстов, включая дубликаты вопросов и текстовые пары из разных областей. Модель рассчитана на нидерландский язык. Перевод обучающих данных выполнялся машинным способом, что может влиять на качество представлений. Распространяется по лицензии Apache-2.0.

JakubJanusz/roberta-8k-ownRep — модель Sentence Transformers, дообученная на базе PKOBP/polish-roberta-8k. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура состоит из RobertaModel и mean pooling, а сходство между векторами оценивается косинусной метрикой. Модель принимает текст и рассчитана на последовательности длиной до 8194 токенов. Модель предназначена для семантического сравнения текстов и поиска по смыслу. Её также можно применять для поиска перефразировок, кластеризации и классификации текста. Польская языковая направленность следует из базовой модели; карточка не приводит отдельной лицензии, поэтому условия использования по имеющимся данным определить нельзя.

rurupang/roberta-base-finetuned-sts — модель классификации последовательностей на архитектуре RoBERTa, дообученная на базе klue/roberta-base для задачи семантического сходства текстов (STS). Веса содержат около 137,8 млн параметров, модель работает в формате PyTorch и принимает контекст до 514 токенов. Модель предназначена для оценки сходства между текстами. В README приведён результат на наборе оценки KLUE: Pearsonr 0,9560 и loss 0,1999. Эти показатели относятся к указанной оценочной выборке и сами по себе не гарантируют аналогичное качество на других данных. Лицензия в предоставленных материалах не указана.

manuel-couto-pintos/roberta_erisk_simcse — модель Sentence Transformer, дообученная автором на базе manuel-couto-pintos/roberta_erisk для получения векторных представлений предложений и абзацев. В основе лежит RoBERTa с 151,8 млн параметров; среднее объединение токенных представлений формирует плотный вектор размерности 768. Для оценки сходства используется косинусная близость, а максимальная длина входа составляет 512 токенов. Модель предназначена для сравнения смыслового сходства текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Её можно применять для поиска похожих предложений или группировки текстов по смыслу. Модель принимает текст и выдаёт векторы; она не генерирует текстовые ответы. Для содержательных результатов качество зависит от соответствия входных текстов данным обучения и выбранного способа использования векторов. Лицензия в предоставленных данных не указана.

sobamchan/roberta-large-mrl-1024-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и других задач, где нужно сопоставлять смысл текстовых фрагментов. Модель использует архитектуру RoBERTa с усреднением токенных представлений при пулинге. Обучение с MatryoshkaLoss позволяет использовать усечённые представления размерностью 768, 512, 256, 128 или 64. Максимальная длина последовательности — 512 токенов; параметры модели составляют около 454,1 млн. Карточка сообщает оценку Spearman 0,8789 на sts-dev. Модель может применяться для поиска похожих предложений, поиска перефразирований, кластеризации текстов и подготовки признаков для классификации. Она рассчитана на английский язык, а качество на других языках не подтверждено. Лицензия в предоставленных данных не указана.

RoLASER-v2 — вторая версия модели Sentence Transformer от lydianish для преобразования предложений и абзацев в плотные векторные представления размерностью 1024. Модель основана на XLM-RoBERTa и дообучена на базе cardiffnlp/twitter-xlm-roberta-base; она использует косинусное сходство для сравнения текстов и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска и сравнения предложений, поиска перефразировок, классификации текстов и кластеризации. В метаданных указаны английский и французский языки, а также лицензия BSD 3-Clause. В README и метаданных не приведены результаты оценивания качества или специальные ограничения применения.

WpythonW выпустил версию cointegrated/rubert-tiny2, адаптированную для высокопроизводительного инференса эмбеддингов через vLLM. Это компактный BERT-энкодер на 29 млн параметров с контекстом до 2048 токенов. Модель формирует эмбеддинги предложений и подходит для сравнения их семантического сходства; заявлена численная эквивалентность эмбеддингов оригинальной модели при использовании float32. При преобразовании веса не менялись: удалены ненужные головы предобучения, а архитектура приведена к BertModel для совместимости с vLLM. Оптимизированный инференс с пакетной обработкой подходит для сервисов семантического поиска и сопоставления текстов. Для точного совпадения с оригиналом автор рекомендует использовать float32. Модель поддерживает русский и английский языки и распространяется по лицензии MIT. Для стандартного использования через PyTorch или Transformers автор рекомендует исходную модель cointegrated/rubert-tiny2.

SAGA-embed_v1 — модель эмбеддингов предложений для скандинавских языков, построенная на архитектуре ModernBERT. Она создана на базе AI-Sweden-Models/ModernBERT-base, обучена примерно на 250 миллионах семантически связанных пар и затем дообучена. Репозиторий использует библиотеку sentence-transformers и содержит веса в формате safetensors; размер модели — 394,7 млн параметров, контекст — до 8192 токенов. Модель предназначена для получения векторных представлений текстов и задач семантического сходства. Её можно применять без промптов, однако для оптимальной производительности автор рекомендует использовать обученные пользовательские промпты для разных задач. По README, на момент публикации она занимала 9-е место в MTEB по скандинавским задачам и была самой высокоранжированной моделью до 1,5 млрд параметров. В метаданных указаны шведский, норвежский и датский языки; README описывает модель как предназначенную для скандинавских языков, но не приводит полную языковую спецификацию. Лицензия в предоставленных данных не указана.

Sambert — модель эмбеддингов на основе BERT, представленная как sentence-transformers-модель для иврита. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 211,6 млн параметров, использует архитектуру BertModel и поддерживает контекст длиной до 512 токенов. Обучение проходило в два этапа: сначала на примерно двух миллионах абзацев с MultipleNegativesRankingLoss, затем на примерно 70 тысячах абзацев с CosineSimilarityLoss. Модель подходит для поиска и группировки текстов на иврите по смыслу. Лицензия в предоставленных данных не указана.

vamsibanda/sbert-all-roberta-large-v1-with-pooler — модель семейства Sentence Transformers на архитектуре RoBERTa, предназначенная для получения векторных представлений предложений и оценки их сходства. В репозитории доступен формат ONNX; модель содержит 454,1 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для сравнения предложений по смыслу и построения эмбеддингов для поиска и сопоставления текстов. В README приведён пример использования через Hugging Face Optimum. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

TurkuNLP/sbert-cased-finnish-paraphrase — модель Sentence-BERT для финского языка, разработанная TurkuNLP на основе FinBERT. Она преобразует предложения в векторные представления, которые можно сравнивать для поиска смыслово близких фраз и парафраз. Модель построена на архитектуре BERT с корпусным регистром; использует mean pooling и содержит 151,7 млн параметров. Максимальная длина входа — 512 токенов. Модель обучали с помощью sentence-transformers на корпусе финских парафраз и автоматически собранных кандидатах в парафразы: 500 тысяч положительных и 5 миллионов отрицательных примеров. Обучающая задача — бинарно определять, являются ли два предложения парафразами. В README приведён пример извлечения эмбеддингов и упомянута демонстрация поиска похожих предложений в наборе из 400 миллионов фраз. Лицензия в предоставленных данных не указана.

pushpdeep/sbertmsmarco-en_to_indic_ur-murilv1 — модель на базе BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерности 768. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. В репозитории указано обучение с MSELoss; модель доступна в формате PyTorch и опубликована под именем Sentence-Transformers. Модель принимает текст и выдаёт эмбеддинги. Контекст ограничен 512 токенами. По названию репозитория она связана с MS MARCO и индийскими языками, включая урду; точный перечень поддерживаемых языков и базовая модель в предоставленных данных не подтверждены. Лицензия в источниках не указана.

Santp98/SBERT-pairs-bert-base-spanish-wwm-cased — модель Sentence-Transformers на архитектуре BERT, разработанная Santp98. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и кластеризации. Модель обучена с функцией потерь Multiple Negatives Ranking Loss и косинусным сходством; в репозитории указаны 137,1 млн параметров и контекст до 512 токенов. Название и базовая архитектура указывают на ориентацию на испанский язык. Модель подходит для семантического поиска по текстовым коллекциям, группировки похожих фраз и оценки сходства предложений. Она принимает текст и выдаёт векторы, а не готовые ответы; для получения релевантности или кластеров нужны дополнительные этапы обработки. Репозиторий содержит веса в формате safetensors. Условия лицензии в предоставленных данных не указаны.

khanhpd2/sbert_phobert_large_cosine_sim — модель Sentence-Transformers на базе RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска по смыслу и кластеризации текстов. Для получения векторов можно использовать библиотеку sentence-transformers или Transformers с соответствующей операцией pooling. Модель обучалась с функцией потерь CosineSimilarityLoss. Контекст составляет 258 токенов. Название модели и базовое семейство PhoBERT указывают на ориентацию на вьетнамский язык; языковая поддержка не перечислена в метаданных. Модель выдаёт векторные представления текста, а не готовые ответы. Лицензия в предоставленных данных не указана.

Карточка модели ceggian/sbert_pt_reddit_mnr_256 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_mnr_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_mnr_32 — модель Sentence-Transformers на базе BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучена с функцией потерь MultipleNegativesRankingLoss на данных Reddit; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления, поэтому подходит для поиска похожих сообщений, группировки текстов и ранжирования кандидатов по семантической близости. В репозитории находятся веса PyTorch. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

anuragseven/scifact-biencoder — модель на базе BERT, созданная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусным сходством; максимальная длина контекста составляет 512 токенов. Для использования нужны Sentence-Transformers. Лицензия в предоставленных данных не указана.

omniamnaeem/semantic_sim_ner_with_ContrastiveLoss — модель на основе BERT, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для сравнения семантической близости, кластеризации и семантического поиска. Контекст модели ограничен 512 токенами, размер — 12,4 млн параметров. В README указано обучение с косинусной функцией потерь и отступом 0,5. Модель принимает текст и выдаёт векторные представления, которые можно использовать для поиска похожих фрагментов и группировки текстов. Лицензия в предоставленных данных не указана.

Kaze-droid/SENAN-Raw — модель эмбеддингов предложений на базе XLM-RoBERTa, опубликованная пользователем Kaze-droid. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 305,2 млн параметров, принимает текст и использует контекст до 514 токенов. Модель обучалась с Triplet Loss и косинусной метрикой расстояния. В README приведён способ использования через Sentence-Transformers или Transformers с соответствующей операцией pooling. Данные не уточняют языковое покрытие модели и лицензию, поэтому их нельзя надёжно указать.

manu/sentence_croissant_alpha_v0.4 — модель эмбеддингов на базе архитектуры Llama, опубликованная под лицензией MIT. Она преобразует предложения и абзацы в плотные векторы размерности 2048 для семантического поиска, кластеризации и сравнения смысловой близости. Модель рассчитана на работу с французским и английским текстом; максимальная длина контекста — 2048 токенов, число параметров — около 1,3 млрд. Для загрузки и использования подходит библиотека Sentence-Transformers. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и может применяться для поиска текстов по смыслу и группировки семантически похожих фраз. Карточка не приводит численных результатов бенчмарков, поэтому качество на конкретных данных следует проверять отдельно.

Griffin88/sentence-embedding-LaBSE — PyTorch-порт модели LaBSE, предназначенный для представления предложений на 109 языках в общем векторном пространстве. Модель основана на архитектуре BERT и содержит 498,1 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий предоставляет веса PyTorch и safetensors, а для работы через Sentence-Transformers README рекомендует библиотеку sentence-transformers. Модель подходит для получения эмбеддингов предложений и оценки их семантического сходства, в том числе для сопоставления текстов на разных языках. Лицензия — Apache-2.0. README отсылает к публикации LaBSE, но не уточняет автора этого порта или детали обучения именно этой версии.