I.1Поиск и навигация по информации

Модель swardiantara/bert-tiny-snli-k1-adaptive-cosine — компактный Sentence Transformer, дообученный на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT с усреднением токенных представлений; в метаданных указано 4,4 млн параметров и поддержка контекстного окна до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги. В README описано обучение на 549 370 примерах пар предложений с использованием OrdinalProxyContrastiveLoss; примеры данных и базовая модель указывают на английский язык. Подходит для компактных систем семантического поиска и ранжирования по сходству. Лицензия в предоставленных данных не указана.

Это компактная модель Sentence Transformers, созданная дообучением англоязычной BERT-модели google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 128, которые можно сравнивать по косинусному сходству и применять для поиска и оценки сходства предложений. Архитектура состоит из BertModel с усредняющим pooling; число параметров — 4,4 млн. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Модель рассчитана на текстовые задачи: извлечение эмбеддингов, семантический поиск и сравнение предложений. Обучение описано на 549 502 парах текстов с OrdinalProxyContrastiveLoss. Базовая модель англоязычная, поэтому применение к другим языкам не подтверждено. Условия лицензии в предоставленных данных не приведены.

swardiantara дообучил компактную модель Sentence Transformers на базе google/bert_uncased_L-2_H-128_A-2 для сопоставления предложений и поиска по тексту. Модель кодирует предложения и абзацы в плотные векторы размерности 128; сходство между ними оценивается косинусной метрикой. Архитектура включает BERT с усреднением токенных представлений, а библиотека реализации — sentence-transformers. Модель обучена на наборе из 351 754 пар текстов с метками сходства. Она подходит для семантического поиска и извлечения релевантных текстов, в том числе при ограниченных вычислительных ресурсах благодаря компактному размеру в 4,4 млн параметров. Контекст ограничен 512 токенами по метаданным; в README указана максимальная длина последовательности 128 токенов. Модель принимает и обрабатывает текст на английском языке. Лицензия в предоставленных данных не указана. Компактный размер может ограничивать качество и охват по сравнению с более крупными моделями; поддержка языков, отличных от английского, не заявлена.

Компактная модель Sentence Transformers, созданная дообучением google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 128, пригодные для поиска и сравнения текстов по косинусному сходству. Модель использует архитектуру BERT с усреднением токенных представлений; в метаданных указано 4,4 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов. Модель обучена на 42 730 примерах пар текстов с оценками сходства и подходит для семантического поиска, подбора похожих предложений и извлечения текстовых эмбеддингов. Примеры обучающих данных относятся к англоязычным рецензиям на фильмы. Для работы требуется библиотека Sentence Transformers. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-sst5-k5-adaptive-euclidean — англоязычная модель Sentence Transformers, дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128, которые можно сравнивать по косинусному сходству. Модель предназначена для поиска по смыслу и извлечения признаков текста, например для подбора похожих фрагментов и семантического поиска. Архитектура включает компактный BERT с двумя слоями, mean pooling и контекстное окно до 512 токенов по метаданным; в README заявлен максимум 128 токенов. Модель принимает текст и выдаёт эмбеддинги. Обучающие примеры состоят из пар англоязычных текстов с метками сходства; заявлен объём набора 179 524 примера. Размер модели — 4,4 млн параметров. Сведения о лицензии в предоставленных данных отсутствуют.

swardiantara/bert-tiny-yelp-k5-fixed-cosine — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 128 и предназначена для поиска по смыслу, извлечения текстовых признаков и сравнения предложений по косинусному сходству. Архитектура включает BERT с усреднением токенных представлений; модель содержит 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Малый размер делает модель подходящей для поиска и сравнения текстов при ограниченных вычислительных ресурсах. В README указано обучение на наборе из 585 350 пар текстов с метками. Модель принимает только текст и возвращает векторы; она не генерирует ответы. Лицензия в предоставленных данных не указана.

Ангелитаср/bge-base-en-v1.5_eeid — англоязычный Sentence Transformer на архитектуре BERT, дообученный на базе BAAI/bge-base-en-v1.5. Модель преобразует предложения и абзацы в плотные эмбеддинги размерности 768; для сравнения используется косинусное сходство. В метаданных указано 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации по эмбеддингам. Она обучалась на 3503 парах anchor-positive с MultipleNegativesRankingLoss; примеры связаны с вопросами по математике и типичными ошибками в ответах. Лицензия в предоставленных данных не указана.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная автором sintuk на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов. Архитектура состоит из трансформера BERT, пулинга по CLS-токену и нормализации; сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проведено на 6 300 примерах из набора json с функцией MatryoshkaLoss; доступны усечённые представления размерностью 512, 256, 128 и 64. Максимальная длина входа — 512 токенов. Карточка указывает английский язык и лицензию Apache-2.0.

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

Qdrant/bge-large-en-v1.5-onnx — это ONNX-порт модели BAAI/bge-large-en-v1.5, разработанной BAAI и подготовленной для использования в экосистеме Qdrant. Модель предназначена для работы с текстом, включая задачи классификации текста и поиска по сходству. Модель преобразует текстовые документы в числовые векторные представления, которые можно использовать для сравнения семантической близости документов и построения систем поиска. В README приведён пример инференса через библиотеку FastEmbed. Из доступных данных следует, что модель ориентирована на английский язык; размер, точная архитектура, длина контекста и другие технические характеристики не указаны. Модель удобна для локального или инфраструктурного запуска в формате ONNX и интеграции с инструментами векторного поиска. Ограничения README не описывает, однако применимость к другим языкам, производительность и качество в конкретных сценариях требуют отдельной оценки. Лицензия модели — Apache-2.0.

hyunseop/bge-m3-ko — корейская модель текстовых эмбеддингов, разработанная дообучением dragonkue/BGE-m3-ko. Она основана на XLM-RoBERTa и содержит 658,7 млн параметров; модель предназначена для извлечения векторных представлений, семантического поиска и сравнения предложений. Контекст составляет до 8194 токенов. Модель дообучена с контрастивной функцией потерь на парах запрос–документ, составленных на основе синтетических корейских персон из NVIDIA Nemotron Personas Korea. В описанных тестах она показала хорошие результаты на локальном корпусе AutoRAG, но уступила некоторым другим моделям в публичном корейском поисковом бенчмарке MIRACL. Репозиторий содержит веса Safetensors; условия лицензии в предоставленных данных не описаны.

juyoungml разработал эту модель Sentence Transformers как дообучение BAAI/bge-m3 на корейском наборе ko-triplet-v1.0. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализует их и предназначена для сравнения по косинусному сходству, семантического поиска и поиска перефразировок. Также в README указаны кластеризация и классификация текстов как возможные сценарии применения. Модель основана на XLM-RoBERTa и принимает текст длиной до 8192 токенов. Она ориентирована на корейский язык; репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана. README сообщает точность cosine_accuracy 0,99 на TripletEvaluator, однако это значение относится к указанной оценке и не гарантирует такое качество на других данных.

rjnClarke/bgem3-shakespeare_st_3 — модель Sentence Transformer, дообученная на базе BAAI/bge-m3. Она использует трансформер XLM-RoBERTa с пулингом CLS и нормализацией и преобразует предложения и абзацы в плотные векторы размерности 1024; сходство можно оценивать косинусной мерой. Максимальная длина входа — 8192 токена. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск похожих фраз, подбор перефразировок, кластеризацию и классификацию текстов на основе эмбеддингов. В README приведена оценка на задаче информационного поиска, однако назначение дообучения именно для текстов Шекспира и языки обучающих данных в доступных сведениях не раскрыты. Модель принимает текст и выдаёт векторы; она не генерирует ответы. Лицензия в предоставленных данных не указана.

darkmaniac7/bge-small-en-MNN — это конверсия модели эмбеддингов BAAI/bge-small-en-v1.5 в формат MNN, подготовленная TokForge для локального вывода на Android, Linux и iOS. Модель предназначена для построения векторных представлений текстов, семантического поиска, sentence similarity, RAG, а также формирования embeddings для памяти и задач reflection на устройствах без зависимости от GGUF/llama.cpp. Исходные веса разработаны Beijing Academy of Artificial Intelligence, а конверсия не содержит новых весов. Модель основана на 12-слойном BERT-энкодере с 33 млн параметров, размером скрытого состояния 384, 12 attention heads и промежуточным слоем размерности 1536. Используются CLS-пулинг и L2-нормализация; размер итогового embedding — 384, максимальная длина последовательности — 512 токенов. Веса представлены в fp16, размер файла составляет около 64 МБ. Поддерживается английский язык; модель принимает токенизированный текст и возвращает last_hidden_state, из которого извлекается embedding CLS-токена. Сильная сторона модели — возможность эффективного on-device-инференса через MNN и практически полное совпадение качества с GGUF-базовой версией в указанном синтетическом retrieval-тесте: для Recall@1, @3, @5 и @10 регрессии не выявлено, а среднее межмодельное cosine similarity составило 0,9962. Ограничения включают поддержку только английского языка, предел в 512 токенов и необходимость корректно выполнять CLS-пулинг, L2-нормализацию и, для асимметричного поиска, добавлять стандартный BGE-префикс к запросу. Модель распространяется по лицензии MIT.

Это англоязычная embedding-модель BGE Small English v1.5, разработанная BAAI и преобразованная в формат GGUF пользователем ChristianAzinn. Модель построена на архитектуре BERT и предназначена для получения векторных представлений текста, вычисления семантического сходства, поиска и извлечения признаков. Она поддерживает библиотеку sentence-transformers и совместима с llama.cpp и LM Studio при указанных версиях. Модель работает с английским языком и поддерживает контекст до 512 токенов. Доступны варианты с квантованием от 2 до 8 бит, а также FP16 и FP32; размеры файлов составляют примерно от 25,3 до 134 МБ. Квантованные варианты позволяют снизить требования к памяти, однако низкобитные версии могут заметно терять в качестве; в README рекомендуются Q4_K_M, Q5_K_S, Q5_K_M и Q8_0 в зависимости от приоритета между размером и сохранением качества. Модель подходит для локального семантического поиска, ранжирования и сравнения англоязычных текстов при ограниченном контексте. Ограничениями являются поддержка только английского языка, предел контекста 512 токенов и возможная потеря качества при сильном квантовании. Лицензия модели — MIT.

unsloth/bge-small-en-v1.5-GGUF — это GGUF-версия модели bge-small-en-v1.5, предназначенной для получения векторных представлений англоязычных текстов. Она относится к классу sentence-transformers и задачам feature extraction и sentence similarity, поэтому подходит для семантического поиска, сопоставления похожих предложений, классификации, кластеризации и reranking. Разработчик базовой модели в предоставленных данных не указан; модель опубликована в репозитории unsloth. Модель ориентирована на английский язык. Точные сведения об архитектуре, количестве параметров, размерности эмбеддингов, максимальной длине контекста и поддерживаемых модальностях в README не приведены. Формат GGUF предполагает использование конвертированной версии модели, однако конкретный вариант квантования также не указан. В README приведены результаты на бенчмарке MTEB: модель демонстрирует применимость к классификации, поиску, кластеризации, reranking и оценке семантического сходства; например, accuracy на AmazonPolarity составляет 92,75%, а cosine similarity Spearman на BIOSSES — 83,75%. Эти показатели характеризуют тестовые наборы и не гарантируют аналогичное качество на других данных. Сведения о лицензии и условиях использования отсутствуют.

meet5568/bhash_finetune_phaseB_v2 — модель Sentence Transformer на архитектуре BERT, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для оценки семантического сходства, семантического поиска и других задач сопоставления текстов. Модель использует mean pooling и косинусное сходство; обучалась с TripletLoss на наборе из 3 200 примеров. Максимальная длина последовательности по README — 400 токенов, а метаданные указывают контекст до 512 токенов. Векторы модели можно применять для поиска перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Указанные сценарии предполагают текстовый ввод и векторный вывод. Язык обучающих данных и специализация по конкретным предметным областям в карточке не раскрыты. Лицензия в предоставленных данных не указана.

BidirLM-Omni-2.5B — мультимодальная модель семейства BidirLM, представленная разработчиком BidirLM. Это двунаправленный энкодер на 2,5 млрд параметров, который кодирует текст, изображения и аудио в общее пространство эмбеддингов размерностью 2048. Модель предназначена для поиска между разными модальностями, оценки семантического сходства, кластеризации и классификации. Для текстовых задач её также можно дообучать для классификации последовательностей, разметки токенов и регрессии. Модель поддерживает более 119 языков; контекст для текста — до 32 тысяч токенов. Для работы с аудио принимаются массивы отсчётов с разной частотой дискретизации, которые приводятся к 16 кГц. В README отмечены среднее пулингование и необходимость загружать пользовательский код репозитория. Для ускорения обучения и инференса требуется cuDNN версии выше 9.20.0: более ранние версии могут существенно замедлять работу из-за ошибки NVIDIA Conv3D. Распространяется по лицензии Apache-2.0.

Lajavaness/bilingual-embedding-base — модель эмбеддингов предложений, разработанная Lajavaness для английского и французского языков. Она основана на XLM-RoBERTa и реализована как SentenceTransformer: использует усреднение токенов, затем нормализует векторы. Модель содержит 305,2 млн параметров и кодирует предложения в 1024-мерное векторное пространство; максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для сравнения семантической близости предложений, семантического поиска, кластеризации текстов и ранжирования похожих фраз на английском и французском. Обучение включало данные SNLI/XNLI и STS Benchmark для обоих языков, а также дообучение с аугментацией пар предложений. Репозиторий использует формат safetensors и лицензию Apache-2.0.

pankajrajdeo выпустил модель Sentence Transformer на архитектуре BERT для сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 384, а близость между ними оценивается косинусным сходством. Модель обучалась на парах anchor и positive с функцией MultipleNegativesRankingLoss; в метаданных указано 50,3 млн параметров и библиотека Sentence Transformers. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. Максимальная длина последовательности — 1024 токена. Примеры обучающих данных включают медицинские вопросы и ответы, однако карточка не подтверждает, что модель предназначена исключительно для медицинской области или поддерживает конкретный набор языков. В README не указана лицензия. Качество может зависеть от тематики и языка запросов: приведённые примеры данных сами по себе не подтверждают качество в медицинских сценариях или на русском языке.

Это модель Sentence Transformers на архитектуре BERT, опубликованная пользователем pankajrajdeo. Она преобразует предложения и абзацы в плотные векторы размерности 512 и предназначена для оценки семантического сходства и поиска текстов по смыслу. В README указаны также сценарии поиска перефразировок, классификации и кластеризации; обучение описано на парах anchor-positive с функцией потерь MultipleNegativesRankingLoss. Модель содержит 50,3 млн параметров, использует усреднение токенных представлений и принимает последовательности длиной до 512 токенов. Для сравнения векторов рекомендуется косинусное сходство. В карточке упоминаются медицинские тексты, PubMed и PMC в названии модели, однако доступное описание датасета содержит общие вопросы и ответы и не подтверждает специализацию на биомедицинских текстах. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Hemg/biology-english-pancasila-2 — модель Sentence Transformers на базе BERT для преобразования предложений и абзацев в плотные векторы размерностью 384. Её можно использовать для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. По метаданным, она содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Название указывает на тематику биологии и английский язык, однако README и метаданные не подтверждают специализацию или набор языков обучения. Для использования требуется библиотека sentence-transformers. Лицензия в предоставленных данных не указана.

swasjha06 дообучил англоязычную модель Sentence Transformer на базе mixedbread-ai/mxbai-embed-large-v1 для семантического поиска и извлечения текстовых эмбеддингов. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. Архитектура основана на BERT с пулингом CLS, модель содержит 433,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным; в README указан предел 256 токенов. Модель обучена на 851 паре «запрос—документ» с функцией потерь MultipleNegativesRankingLoss. Она подходит для поиска релевантных фрагментов по запросу и сравнения текстов по смыслу. Карточка описывает англоязычные обучающие примеры, поэтому основное назначение — работа с английским текстом. Лицензия в предоставленных данных не указана.

BrazEmbed-PT-BR — модель для получения векторных представлений текстов на бразильском португальском, созданная на базе BERTimbau и опубликованная tardellirs. Это дообученная модель семейства BERT с 136,1 млн параметров; она использует mean pooling и L2-нормализацию, работает через библиотеку sentence-transformers и принимает последовательности длиной до 512 токенов. В README указано, что опубликованный одиночный чекпойнт представляет собой TIES-слияние четырёх экспертов по отдельным задачам. Модель предназначена для вычисления эмбеддингов предложений и сравнения их семантической близости, например при поиске похожих фраз или семантическом поиске по текстам на португальском. В MTEB(por) для одиночной модели указан результат mean_16 0,6372; более высокий результат 0,6567 относится к отдельной системе с маршрутизацией по задачам, а не к этому чекпойнту. README сообщает об аудите пересечений обучающих данных с тестовыми наборами, но также отмечает, что разработка велась итеративно по MTEB(por) без отложенной выборки. Лицензия — MIT.

MediaTek Research Breeze-7B-32k-Instruct-v1_0 — чат-модель семейства Breeze, разработанная MediaTek Research на основе Mistral-7B. Это плотный авторегрессионный трансформер с архитектурой MistralForCausalLM и 7,2 млрд параметров, дообученный для диалога и распространённых задач на английском и традиционном китайском. Расширенный словарь содержит 62 тыс. токенов, а контекст достигает 32 768 токенов, что позволяет работать с длинными документами. Модель подходит для многоходового чата, ответов на вопросы, суммаризации и RAG-сценариев, включая поиск ответов в длинных китайских текстах. В README отмечено, что специальной обработки вредоносных запросов нет, поэтому модель может не обеспечивать надёжную защиту от небезопасных ответов. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

nayan06/buy-others1 — модель Sentence-Transformers на базе MPNet, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Полученные представления можно применять для семантического поиска и кластеризации текстов. В README указано обучение с функцией потерь CosineSimilarityLoss; репозиторий содержит веса PyTorch, объём модели — 136,7 млн параметров, контекст — до 514 токенов. Модель подходит для задач сравнения смысловой близости текстов и построения эмбеддингов. В README не названы разработчик исходной архитектуры, обучающие данные, поддерживаемые языки и лицензия, поэтому эти характеристики нельзя уточнить по доступным сведениям.

Omerhan/checkpoint-6248-v7 — модель Sentence Transformer, созданная дообучением intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы на турецком языке в плотные векторы размерности 1024, которые можно сравнивать с помощью косинусного сходства. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов. Максимальная длина последовательности — 512 токенов; библиотека — Sentence Transformers. В обучении использовались 920 106 примеров с парами и отрицательными примерами. Лицензия — Apache-2.0.

chowder-embed — модель Sentence Transformers, дообученная на корпусе chowder на базе sentence-transformers/allenai-specter. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура состоит из BERT и CLS-пулинга. Модель принимает текст на английском языке, поддерживает последовательности длиной до 512 токенов, а близость векторов можно оценивать косинусным сходством. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. В карточке приведены результаты оценки на наборах NanoSCIDOCS, NanoSciFact, NanoNFCorpus, chowder-val и NanoBEIR. Обучающий набор содержит 70 764 пары anchor-positive. Лицензия в предоставленных данных не указана.

Карточка модели RinTrin/climate-tech-test на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

ncoop57/codeformer-java — модель Sentence-Transformers на базе RoBERTa, предназначенная для представления предложений и абзацев в виде плотных векторов размерности 768. Её можно применять для семантического поиска, сравнения текстов и кластеризации. В метаданных указано 151,8 млн параметров, контекст до 514 токенов и формат PyTorch. Модель обучалась с MultipleNegativesRankingLoss и косинусной мерой сходства. Это делает её подходящей для получения текстовых эмбеддингов и оценки семантической близости. README не уточняет языки обучающих данных и условия лицензии, поэтому языковую специализацию и лицензионные условия установить по доступным сведениям нельзя.