I.1Поиск и навигация по информации

gongysh2004/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers на базе MPNet, обученная разработчиком репозитория на триплетах набора AllNLI для сопоставления предложений. Она кодирует предложения и абзацы в плотные векторы размерности 768; близость оценивается косинусным сходством. Модель содержит 136,7 млн параметров, использует mean pooling и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведены результаты TripletEvaluator на AllNLI: точность косинусного сходства 0,9124 на dev и 0,9239 на test. Для задач вне английского языка и предметных областей качество не установлено. Лицензия — Apache-2.0.

jamescalam/mpnet-snli — модель на базе MPNet, дообученная Джеймсом Бриггсом с помощью sentence-transformers на наборе SNLI для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные эмбеддинги размерности 768 и подходит для семантического поиска, сравнения предложений и кластеризации. Архитектура содержит около 136,7 млн параметров, принимает текстовый контекст длиной до 514 токенов и распространяется в формате PyTorch по лицензии MIT. В README указаны значения MRR@10 и MAP около 0,92 на тестовой выборке SNLI. Автор отмечает, что версия, обученная с негативными примерами, показывает лучшие результаты. Модель ориентирована на английский язык; качество на других языках не подтверждено.

tomaarsen/ms-marco-ettin-68m-reranker — англоязычная модель Cross-Encoder, разработанная на базе jhu-clsp/ettin-encoder-68m и дообученная на датасете MS MARCO с помощью библиотеки sentence-transformers. Она совместно обрабатывает пару «запрос — текст» и выдаёт одну оценку релевантности, которую используют для ранжирования результатов поиска и семантического поиска. Модель построена на архитектуре ModernBERT и содержит 68,1 млн параметров. В README максимальная длина последовательности указана как 512 токенов; метаданные каталога указывают native context в 7999 токенов. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель предназначена прежде всего для английского языка. Это дообученная модель ранжирования; лицензия в предоставленных данных не указана. Оценки могут хуже переноситься на языки и области, отличные от английского веб-поиска. Для оценки большого числа документов попарное сравнение требует отдельного вычисления для каждой пары.

multi-modal-embed-small — компактная мультимодальная модель семейства MoM (Mixture of Models) для создания векторных представлений текста, изображений и аудио в общем семантическом пространстве. Разработчик в предоставленных данных не назван. Модель объединяет текстовый энкодер MiniLM-L6-v2, визуальный энкодер SigLIP-base-patch16-512, аудиоэнкодер на базе Whisper-tiny и двухслойный трансформер для межмодального объединения; размер — около 120 млн параметров. Полные эмбеддинги имеют размерность 384, а Matryoshka Representation Learning позволяет сокращать её до 32, 64, 128 или 256 измерений; изображение обрабатывается при разрешении 512×512, аудио — длительностью до 30 секунд и частотой 16 кГц. Модель предназначена для поиска и сопоставления текстов, изображений и аудиозаписей, включая межмодальный поиск. В README приведены результаты retrieval на COCO Validation и LibriSpeech, однако они не гарантируют аналогичного качества на других данных. Модель поддерживает английский язык и не предназначена для генерации; обработка изображений и аудио ограничена указанными параметрами. Репозиторий содержит форматы ONNX и SafeTensors, лицензия — Apache-2.0.

Mursit-Embed-Qwen3-1.7B-TR — модель эмбеддингов, разработанная newmindai для семантического поиска и извлечения информации на турецком языке. Она основана на Mecellem-Qwen3-1.7B-TR и преобразована из авторегрессионной архитектуры Qwen3 в двунаправленную модель с mean pooling. Модель содержит 1,7 млрд параметров, формирует векторы размерности 2048 и рассчитана в README на последовательности до 1024 токенов; метаданные указывают контекст до 40960 токенов. Модель обучалась для поиска по турецким документам, в том числе юридическим, на наборе MS MARCO-TR из 920 106 триплетов. Она подходит для семантического поиска, ранжирования релевантности, сопоставления предложений и поиска по документам; README также называет сценарии вопросно-ответных систем и межъязыкового поиска. В бенчмарке MTEB-Turkish указана оценка 56,84, однако в юридических задачах модель заметно уступает некоторым encoder-only моделям. Доступны форматы Safetensors и ONNX, библиотека — Sentence Transformers. Лицензия — Apache-2.0.

Это Sentence Transformer на базе intfloat/multilingual-e5-large, дообученный автором vrnP66 на наборе inhouse_devanagari. Модель использует XLM-RoBERTa-large с усреднением токенных представлений и нормализацией, преобразуя предложения и абзацы в плотные векторы размерности 1024. Максимальная длина последовательности — 512 токенов; для сравнения векторов применяется косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Обучение на парных примерах запросов и положительных и отрицательных текстов ориентирует её на работу с данными набора inhouse_devanagari; README также приводит результаты оценки на этом наборе и all-nli-test. Языки явно не перечислены, поэтому нельзя определить, насколько хорошо модель работает за пределами обучающих данных. Лицензия в предоставленных сведениях не указана.

Nano-Jev v1.0 — компактная модель принятия решений для конвейеров RAG, разработанная Shubham Divakar. Она принимает вопрос и один или несколько фрагментов контекста и оценивает релевантность отрывка, достаточность набора отрывков для ответа или обоснованность утверждения контекстом. Модель возвращает вероятности по заданным вариантам и не генерирует текст. Архитектура — кросс-энкодер на базе MiniLM с 12 слоями и скрытым размером 384, дополненный классификационной головой; в метаданных указано 40 млн параметров, а README приводит 33,4 млн. Модель дообучена на microsoft/MiniLM-L12-H384-uncased, принимает текст и поддерживает английский язык; максимальный контекст — 512 токенов. Распространяется по лицензии MIT. Модель быстрая и на тестах, близких к обучающим данным, показывает хорошие результаты классификации и калибровки. На новых наборах данных точность снижается примерно на 15–20 процентных пунктов, а калибровка переносится плохо; перед применением на собственных данных следует перепроверить пороги и вероятности. Она рассчитана на английский текст в стиле Википедии, а пользовательские наборы меток работают слабее.

nepali-embedder-v1 — модель эмбеддингов предложений, разработанная для поиска и сравнения текстов на непальском языке. Она основана на BERT-энкодере google/muril-base-cased с mean pooling и дообучена на парах заголовков, вводных абзацев и разделов непальской Википедии. Модель содержит 264,8 млн параметров, принимает текст длиной до 512 токенов и выдаёт векторные представления для семантического поиска и оценки сходства. Модель предназначена для поиска документов на непальском языке, семантического поиска, RAG, кластеризации и дедупликации текстов. README сообщает о хороших результатах на внутренних тестах retrieval и устойчивости к запросам на романизированном непальском при поиске по тексту деванагари. Лицензия — Apache-2.0. Известные ограничения: модель может не различать утверждения с отрицанием; обучение на энциклопедических текстах может снижать качество на разговорных и узкоспециализированных данных. Англо-непальский поиск работает частично и не был отдельной целью обучения; юридическая, медицинская и научная терминология представлена ограниченно.

MrFuzzihead/Nex-N2.5-mini-APEX-GGUF — набор GGUF-квантизированных вариантов мультимодальной агентной модели Nex-N2.5-mini, разработанной Nex-AGI. Квантизация выполнена MrFuzzihead методом APEX, созданным командой LocalAI для llama.cpp и учитывающим структуру Mixture-of-Experts. Модель предназначена для долгих агентных сценариев в реальном мире: управления компьютером, веб-сёрфинга, визуально обоснованных рабочих процессов, проверки результатов и самокоррекции. Она также поддерживает генерацию текста, рассуждения и вызов инструментов. Базовая модель содержит около 35 млрд параметров, использует 256 маршрутизируемых экспертов, из которых 8 активируются на каждом токене, а также общего эксперта. Архитектура включает 40 слоёв с гибридом полного внимания и линейного внимания/SSM; полное внимание используется только в 10 слоях, что снижает нагрузку на KV-кэш. Поддерживаются текст, изображения и видео с временными патчами, контекст до 262 144 токенов, адаптивное рассуждение с уровнями none, medium и high, а также вызов функций в формате Qwen3-Coder. Основной язык и полный перечень языков README не уточняет. Репозиторий предлагает варианты размером примерно от 10,15 до 23,60 ГБ и отдельные vision-проекторы BF16 или Q8_0. Это позволяет выбирать между качеством и требованиями к памяти: старшие варианты рассчитаны примерно на видеокарты с 24 ГБ памяти, компактные — на 12–24 ГБ. APEX применяет разную точность к экспертам, слоям, вниманию и SSM, сохраняя более высокую точность в важных компонентах; варианты с importance matrix ориентированы на лучшее качество и меньшую потерю информации. Ограничения включают неизбежные потери качества квантизации, дополнительные требования к памяти для vision-проектора, KV-кэша и служебных накладных расходов, а также зависимость совместимости от llama.cpp и поддержки мультимодального запуска. Лицензия — Apache-2.0.

Xenova/nomic-embed-text-v1 — это версия модели эмбеддингов nomic-ai/nomic-embed-text-v1, подготовленная с ONNX-весами для совместимости с библиотекой Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript-окружении, включая веб-сценарии и другие среды, поддерживающие ONNX и Transformers.js. Модель предназначена для преобразования текста в числовые векторные представления с помощью задачи feature extraction. Такие эмбеддинги могут использоваться для семантического поиска, сопоставления текстов, кластеризации и других задач обработки естественного языка, где требуется сравнивать смысловое сходство текстовых фрагментов. README подтверждает поддержку текстового ввода, но не содержит сведений о точном размере модели или векторов, архитектуре, максимальной длине контекста, поддерживаемых языках и специальных модальностях. Ключевое преимущество этой версии — возможность использовать модель через Transformers.js и ONNX-веса, что упрощает интеграцию с JavaScript-приложениями. Ограничения и требования к качеству, производительности, языковому покрытию и аппаратному ускорению в README не указаны. Лицензия также не приведена, поэтому условия использования следует уточнять в исходном репозитории nomic-ai/nomic-embed-text-v1.

nomic-embed-text-v1.5-GGUF — набор GGUF-квантизированных версий модели nomic-ai/nomic-embed-text-v1.5, подготовленный пользователем mradermacher. Модель предназначена для извлечения признаков из текста и оценки семантического сходства предложений, поэтому подходит для семантического поиска, кластеризации, сопоставления текстов и других задач, где используются текстовые embedding-представления. В карточке указана поддержка английского языка. Доступны варианты с разными уровнями квантизации: от Q2_K, Q3 и IQ4_XS до Q8_0 и исходного формата f16. Размер файлов составляет примерно 0,2 ГБ для квантизированных вариантов и 0,4 ГБ для f16. Q4_K_S и Q4_K_M отмечены как быстрые рекомендуемые варианты, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как быстрый вариант с наилучшим качеством среди представленных. Архитектура, количество параметров, поддерживаемая длина контекста и дополнительные модальности в README не указаны; судя по назначению, модель работает с текстом. К преимуществам относятся компактные GGUF-файлы, несколько компромиссов между скоростью, размером и качеством, а также возможность применения в инструментах, поддерживающих GGUF и Transformers.js. Ограничения связаны с тем, что более сильная квантизация может снижать качество представлений, а сведения о точных характеристиках и результатах оценки модели в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

blackmlengineer/occucoder-en-small-v0 — компактная модель Sentence Transformers на архитектуре BERT, обученная разработчиком blackmlengineer для сопоставления коротких текстов. Она преобразует предложения и абзацы в плотные векторы размерности 128; сходство оценивается косинусной мерой. Модель предназначена для извлечения признаков, поиска и ранжирования текстов по смысловому соответствию. Обучение проводилось на 991 580 примерах с парами и отрицательными примерами, с функцией потерь MultipleNegativesRankingLoss. Максимальная длина входа — 32 токена. Карточка показывает англоязычные примеры профессиональных названий и сообщает о поддержке текстовой модальности; лицензия в предоставленных данных не указана.

Octen-Embedding-0.6B DirectML ONNX — конвертированное представление модели Octen/Octen-Embedding-0.6B, подготовленное для запуска через ONNX Runtime с DirectML на GPU в Windows. Граф ONNX исправлен для обработки форм тензоров внимания GQA с фиксированными размерами голов: 16 для Q и 8 для K и V. Репозиторий содержит веса FP16, токенизатор Qwen2 и конфигурацию с контекстом до 32 768 токенов. Модель предназначена для получения эмбеддингов и задач поиска по сходству предложений. В README приведены результаты на наборах esp32 и autosar; автор сообщает, что исправление графа сохраняет качество исходного CPU FP16 варианта. Распространяется по лицензии Apache-2.0.

waynedsouza/only_names — модель Sentence-Transformers на архитектуре RoBERTa, разработанная Wayned Souza. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для семантического поиска и группировки текстов по смыслу. Обучалась с использованием CosineSimilarityLoss; в репозитории указаны веса PyTorch. В метаданных Hugging Face основная задача обозначена как sentence-similarity, а каталог также относит модель к feature-extraction. Лицензия в предоставленных данных не указана. Результаты оценки и подробные сведения о составе обучающих данных не приведены.

CrazyDave53/OpenCV-finetuned — модель Sentence Transformers, дообученная на базе HZeroxium/paraphrase-multilingual-MiniLM-L12-v2-job-cv-multi-dataset. Она преобразует предложения и абзацы в плотные векторы размерности 384; близость текстов можно оценивать косинусным сходством. Архитектура включает BertModel и mean pooling. В README указана максимальная длина последовательности 350 токенов, а в метаданных — контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. README сообщает о датасете обучения из 160 000 примеров; метаданные указывают 124,3 млн параметров, библиотеку sentence-transformers и формат safetensors. Базовая модель мультиязычная, однако конкретные языки обучения или поддерживаемые языки в доступных данных не перечислены. Лицензия в предоставленных метаданных и README не приведена. Для работы с текстами длиннее 350 токенов следует учитывать ограничение длины последовательности, заявленное в README; фактический предел также может зависеть от используемой конфигурации модели.

OpenSearch Contributors разработали opensearch-neural-sparse-encoding-v1 — модель на базе BERT для извлечения обучаемых разреженных представлений запросов и документов. Она кодирует текст в разреженные векторы размерности 30 522: индексы соответствуют токенам словаря, а значения отражают их важность. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и распространяется в форматах PyTorch и Safetensors; для работы используется библиотека Sentence Transformers. Модель предназначена для поиска по документам и запросам, включая семантический поиск и расширение запросов или документов. Она обучена на MS MARCO и может применяться в OpenSearch с инвертированным индексом Lucene. В сравнении на подмножестве BEIR для версии v1 указано среднее значение NDCG@10 0,524; релевантность и эффективность зависят от набора данных. Лицензия — Apache-2.0.

Panacea v2.1 — модель Sentence Transformer, дообученная автором nanalysenko на ai-forever/ruRoberta-large. Она преобразует предложения и абзацы в плотные векторы размерности 1024, которые можно сравнивать по косинусному сходству. Архитектура включает RoBERTa с усреднением токенных представлений; максимальная длина входа — 514 токенов. Модель предназначена для измерения семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Обучение описано на 6 500 парах предложений с использованием MultipleNegativesRankingLoss; приведённые примеры относятся к лабораторным анализам и аллергенам. Модель принимает текст и выдаёт векторы, а не готовые ответы или метки. Базовая модель — русскоязычная ruRoberta-large. Указана лицензия исходной модели? В доступных данных лицензия не приведена.

paraphrase-spanish-distilroberta — модель sentence-transformers, созданная участниками организации hackathon-pln-es для Hackathon 2022 NLP - Spanish. Это дообученная методом переноса знаний испанская RoBERTa-модель BERTIN, обученная на параллельных испанско-английских предложениях с использованием paraphrase-mpnet-base-v2 в роли учителя. Модель содержит 151,8 млн параметров и преобразует предложения и короткие абзацы в плотные векторы размерностью 768; максимальный контекст — 514 токенов. Векторы подходят для поиска по смыслу, оценки сходства предложений и кластеризации текстов на испанском и английском языках. В README приведены результаты оценки семантического сходства для пар ES-ES и ES-EN на наборах STS-2017. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

Карточка модели AISE-TUDelft/pharo-keyimplementationpoints-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/pharo-collaborators-classifier, поэтому описание составлено по ней. pharo-collaborators-classifier — модель семейства MPNet от AISE-TUDelft на базе Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости; подходит для семантического поиска и кластеризации текстов. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучена с функцией потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

AISE-TUDelft/pharo-keymessages-classifier — модель на основе MPNet, созданная как Sentence-Transformers модель для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; нативная длина контекста составляет 514 токенов. В README указано обучение с функцией потерь CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Карточка не приводит сведений о языках обучения и лицензии, поэтому нельзя определить языковой охват или условия использования.

Модель создана автором репозитория iambestfeed: это Sentence Transformer, дообученный на датасете wiki-data на основе вьетнамского энкодера vinai/phobert-base-v2. Архитектура RoBERTa содержит около 162,4 млн параметров; модель усредняет токенные представления и преобразует предложение или абзац в плотный вектор размерности 768. Максимальная длина последовательности — 258 токенов по метаданным (в README указано 256); сходство векторов оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов на вьетнамском языке. Её можно применять для поиска близких по смыслу фрагментов в коллекциях документов, выявления парафразов, кластеризации и классификации текстов на основе эмбеддингов. Для задач, требующих понимания длинных документов, последовательности длиннее указанного предела нужно разбивать на части. Лицензия в предоставленных данных не указана.

tanbinh2210/phobert-st — модель Sentence Transformers, дообученная на базе vinai/phobert-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура состоит из RoBERTa-энкодера с усреднением токенных представлений. Модель предназначена для вычисления семантического сходства текстов, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для сравнения векторов рекомендуется косинусное сходство. Модель ориентирована на вьетнамский язык и имеет ограничение длины последовательности около 256 токенов; метаданные указывают контекст в 258 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Информация о лицензии в предоставленных данных отсутствует, поэтому условия использования определить нельзя.

PhoRanker — вьетнамская модель переранжирования текстовых фрагментов, опубликованная пользователем itdainb. Это cross-encoder на архитектуре RoBERTa с примерно 162,4 млн параметров; модель принимает пару запроса и документа и оценивает их соответствие, чтобы упорядочить найденные документы. Для обработки вьетнамского текста README указывает предварительную сегментацию слов с помощью VnCoreNLP. Модель предназначена для второго этапа поиска: после получения кандидатов из поисковой системы она помогает поднять более релевантные отрывки в выдаче и ответах на вопросы по коллекции документов. В README приведены результаты на MS MARCO Passage Reranking — Vi — Dev; автор сообщает лучшие значения среди перечисленных моделей по метрикам NDCG и MRR, а также скорость 15 документов в секунду в тесте на A100 с fp16. Длина контекста составляет 258 токенов, поэтому модель подходит для коротких запросов и фрагментов, но длинные документы потребуется разбивать на части. Репозиторий распространяется по лицензии Apache-2.0.

piotr-rybak/poleval2021-task4-herbert-large-encoder — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная Piotr Rybak. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с ContrastiveLoss на основе косинусного расстояния и доступна в формате PyTorch для использования с библиотекой Sentence-Transformers. В метаданных указано 453,9 млн параметров и контекст длиной 514 токенов. Название репозитория и POLEVAL2021 указывают на польскую языковую задачу; модель предназначена прежде всего для текстов на польском языке. Лицензия в предоставленных данных не указана.

radlab/polish-sts-v2 — модель Sentence Transformers от Radlab для получения векторных представлений польских предложений и абзацев. Она кодирует текст в плотные векторы размерности 1024 на основе архитектуры RoBERTa; модель построена на базе sdadas/polish-roberta-large-v2 и обучена с функцией потерь CosineSimilarityLoss на датасете radlab/polish-sts-dataset. Модель подходит для семантического поиска и кластеризации текстов. Для использования в Transformers требуется применить корректную операцию pooling к контекстным представлениям токенов. Карточка помечает модель как устаревшую и указывает, что её заменяет radlab/polish-bi-encoder-mean. Лицензия — CC BY-SA 4.0.

Provence-reranker-debertav3-v1 — модель Naver Labs Europe для отбора релевантного контекста в системах поиска и генерации с дополнением контекста (RAG). Она принимает вопрос и найденный фрагмент текста, оценивает релевантность предложений и удаляет предложения, не относящиеся к вопросу. Модель также сохраняет возможность ранжировать фрагменты по релевантности. Модель основана на DeBERTav3-reranker, дообученном на базе DeBERTa-v3-large, и содержит 533,8 млн параметров по метаданным Hugging Face. Она совместно кодирует предложения фрагмента, что помогает учитывать связи между ними, и автоматически выбирает предложения для сохранения по пороговому значению. Заявленный предел контекста — 512 токенов. Модель рассчитана на английский язык и может использоваться перед любой LLM для сокращения контекста и снижения шума при ответах на вопросы. В README сообщается о проверке на наборах из разных областей и о сохранении качества ответов при удалении нерелевантных предложений; результат зависит от порога сжатия и конкретного сценария. Лицензия в метаданных — CC BY-NC-ND 4.0; README также указывает CC BY-NC-ND 4.0, несмотря на упоминание ShareAlike в тексте названия лицензии.

Эта модель представляет собой текстовый эмбеддер на базе decoder-only архитектуры Qwen2.5-Math-1.5B, дообученной для формирования семантических представлений. Она предназначена для поиска и сопоставления текстов по смыслу, включая оценку сходства предложений и извлечение признаков. Модель содержит 1,5 млрд параметров, работает с контекстом до 4096 токенов и распространяется в формате safetensors; для загрузки через Transformers или Sentence Transformers в README рекомендуется включить trust_remote_code. В README описана исследовательская работа по эмбеддингам, инициализированным моделями с RLVR-обучением: на MTEB и BRIGHT не обнаружено устойчивого преимущества над базовыми моделями при одинаковой процедуре обучения. Лицензия — Apache-2.0. Базовая Qwen2.5-Math-1.5B ориентирована на математические задачи на английском и китайском, а карточка этой модели заявляет многоязычную поддержку; конкретный набор языков для эмбеддера не перечислен.

Qwen3-Reranker-0.6B-mlx-8Bit — модель для ранжирования текстов, разработанная пользователем mku64 на основе базовой модели Qwen/Qwen3-Reranker-0.6B от Qwen. Она предназначена для задач text ranking, например оценки релевантности текстов и упорядочивания результатов поиска или других текстовых кандидатов. В README приведён пример запуска через библиотеку mlx-lm. Модель конвертирована в формат MLX из Qwen/Qwen3-Reranker-0.6B с использованием mlx-lm версии 0.26.3 и доступна в 8-битном варианте. Размер базовой модели указан как 0.6B параметров. Дополнительные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README отсутствуют; по приведённым данным она относится к текстовым моделям. Для использования требуется установить mlx-lm; пример ориентирован на запуск через API load и generate. Лицензия — Apache-2.0. README не содержит подробностей о сильных сторонах, ограничениях качества или рекомендуемых сценариях эксплуатации.

yrrhall/qwen3-student-qwen3_compressed_distilled — компактный мультиязычный энкодер предложений на архитектуре Qwen3, созданный сжатием и двухэтапной дистилляцией Qwen/Qwen3-0.6B. Модель предназначена для получения векторных представлений текстов, сравнения сходства предложений, классификации и кластеризации. В README указаны сжатие в 48 раз, 4 слоя, размер скрытого состояния 448 и словарь из 7 341 токена; метаданные указывают 12,3 млн параметров и контекст до 40 960 токенов. Модель поддерживает 18 языков: корейский, английский, японский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, арабский, хинди, тайский, вьетнамский, индонезийский, турецкий, нидерландский и польский. В оценке MTEB приведено среднее значение 32,29%; результаты различаются по задачам, поэтому качество следует проверять на целевых данных. Для загрузки README показывает библиотеку Sentence Transformers и параметр trust_remote_code=True. Лицензия — Apache-2.0.

mlx-community/Qwen3-VL-Embedding-2B-mxfp8 — преобразованная в формат MLX модель эмбеддингов на основе Qwen3-VL-Embedding-2B. Она предназначена для получения векторных представлений мультимодальных данных и их использования в поиске и сравнении по смыслу. В README указана конвертация исходной модели Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm; метаданные также связывают репозиторий с Qwen/Qwen3-VL-2B-Instruct и указывают архитектуру Qwen3-VL с 2B-параметрической базовой моделью.