I.1Поиск и навигация по информации

snumin44/simcse-ko-roberta-unsupervised — модель для оценки смыслового сходства двух предложений на корейском языке. Она основана на RoBERTa и обучена автором репозитория методом SimCSE без разметки, на корейских текстах из Википедии; для обучения указана базовая модель klue/roberta-base. Модель преобразует предложения в представления, по которым можно вычислять косинусное сходство. Модель подходит для поиска семантически близких предложений, сопоставления запросов с текстами и построения систем поиска или дедупликации на корейском языке. В README приведены результаты оценки на KorSTS и Klue. Метаданные указывают 137,8 млн параметров и контекст до 514 токенов; в настройках обучения README указан предел длины 64 токена. Распространяется по лицензии MIT.

Модель kinit/slovakbert-sts-stsb — словацкий энкодер предложений на базе RoBERTa, разработанный командой Kinit. Она дообучена на словацком переводе набора STSbenchmark и предназначена для получения векторных представлений предложений и оценки их семантического сходства. Её можно применять как универсальный кодировщик словацких текстов в поиске по смыслу, кластеризации и других задачах сравнения предложений. В карточке сообщается о Spearman-корреляции 0,791 на тестовой части STSbenchmark. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Доступна под лицензией CC BY 4.0; для использования требуется библиотека sentence-transformers.

Это перенос многоязычного текстового энкодера SONAR в формат Transformers из реализации fairseq2. Модель на архитектуре M2M100 содержит 665 млн параметров и формирует векторные представления текста для оценки сходства предложений. Перенесённые веса должны давать те же эмбеддинги, что и официальная реализация, которая остаётся эталонным источником. Энкодер поддерживает 202 языка, как NLLB-200, и рассчитан на кодирование текстов длиной до 1024 токенов. Его можно использовать для поиска семантически близких предложений и сопоставления текстов на разных языках. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это Sentence Transformer на базе BERT-Large, дообученный для сопоставления предложений на наборе данных score. Модель преобразует предложения и абзацы в плотные векторы размерности 1024; близость оценивается косинусным сходством. Архитектура включает BERT с регистрозависимой токенизацией и усреднением токенных представлений. Модель содержит 433,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена прежде всего для оценки семантического сходства португалоязычных текстов. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. README приводит результаты оценки сходства на ASSIN2, однако отдельные метрики не вполне согласованы между секциями, поэтому их следует сверять с конкретной конфигурацией оценки. Базовая модель — neuralmind/bert-large-portuguese-cased; лицензия в предоставленных данных не указана.

thomaskim1130/stella_en_400M_v5-FinanceRAG — дообученная модель Sentence Transformers на базе stella_en_400M_v5, подготовленная для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные векторы размерностью 1024 и использует косинусное сходство для сравнения. В метаданных указаны 433,9 млн параметров и контекст до 8192 токенов; в README для модели указана максимальная длина последовательности 512 токенов. Модель подходит для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Название FinanceRAG предполагает применение в поиске по финансовым материалам, однако README не описывает отдельную финансовую специализацию или конкретную оценку на финансовом наборе данных. Обучение проведено на 2256 парах предложений с использованием MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

BlueAvenir/sti_cyber_security_model_updated — модель на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, семантического поиска и кластеризации текстов. Модель содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов. Модель можно применять для поиска похожих текстов, группировки документов по смыслу и построения векторного представления текстовых данных. В README указано обучение с CosineSimilarityLoss. Репозиторий содержит веса PyTorch; лицензия и специализация на кибербезопасности в предоставленных данных не подтверждены.

cl-nagoya/sup-simcse-ja-large — японская модель эмбеддингов предложений, разработанная на основе cl-tohoku/bert-large-japanese-v2. Она дообучена методом Supervised SimCSE на датасете JSNLI и использует архитектуру BERT с вектором CLS и стратегией pooling CLS; дополнительный MLP-слой применялся только при обучении. Модель содержит 436,2 млн параметров и рассчитана на последовательности длиной до 512 токенов по метаданным; в обучении использовалась максимальная длина 64 токена. Модель предназначена для получения векторных представлений японских предложений и оценки их смыслового сходства, например для поиска похожих фраз или построения семантического поиска. Для работы указана библиотека Sentence-Transformers; веса представлены в формате PyTorch. Лицензия — CC BY-SA 4.0.

Symptemist-Biencoder — модель BSC-NLP4BIA на базе RoBERTa, предназначенная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Архитектура содержит около 153,2 млн параметров, а максимальная длина контекста составляет 514 токенов. Модель обучалась с использованием TripletLoss с евклидовой метрикой расстояния и может применяться для поиска семантически близких текстов и группировки похожих высказываний. Карточка не указывает специализированную область применения или поддерживаемые естественные языки. Модель опубликована в формате Safetensors; лицензия в предоставленных данных не указана.

Giratina — созданная автором Mihaiii модель для получения векторных представлений предложений и сравнения их семантической близости. Это объединение предварительно обученных языковых моделей Mihaiii/Wartortle и TaylorAI/bge-micro-v2 методом SLERP с помощью mergekit. Модель построена на архитектуре BERT, содержит 18,8 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель подходит для семантического поиска, ранжирования похожих предложений и кластеризации текстов. Карточка указывает формат Sentence Transformers, а в репозитории представлены веса Safetensors и ONNX. Базовая модель TaylorAI/bge-micro-v2 описана как компактная англоязычная модель эмбеддингов. Лицензия — MIT.

GanymedeNil/text2vec-base-chinese — китайская модель для получения векторных представлений предложений и оценки их семантического сходства. Согласно карточке, она создана на основе LERT вместо MacBERT при сохранении остальных условий обучения. Модель построена на архитектуре BERT, содержит 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для сравнения китайских предложений по смыслу и может применяться в поиске похожих текстов, семантическом поиске и подборе релевантных фрагментов. Доступны веса в формате PyTorch; лицензия — Apache-2.0. Карточка также сообщает о версии для ONNX Runtime.

ellery/text-safety-embedding — модель на базе архитектуры BERT, опубликованная в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерностью 1024 и подходит для семантического поиска и кластеризации. Модель также можно использовать для сравнения семантической близости текстов. Контекст модели составляет до 512 токенов, а размер — 424,3 млн параметров. Для работы доступны Sentence-Transformers или Transformers с подходящей операцией pooling поверх контекстных представлений. В карточке не описаны языки обучения или специализация на выявлении небезопасного контента, поэтому название модели само по себе не подтверждает такую возможность.

Hoax0930/tf_paraphrase-multilingual-mpnet-base-v2 — модель Sentence-Transformers на архитектуре XLM-RoBERTa, создающая плотные векторы размерностью 768 для предложений и абзацев. В репозитории указано 305,2 млн параметров и контекст до 514 токенов. Модель предназначена для построения эмбеддингов, семантического поиска и кластеризации текстов. Её можно применять для поиска похожих фрагментов и сравнения семантической близости предложений; README описывает обучение с CosineSimilarityLoss. Метаданные указывают формат PyTorch и возможность извлечения эмбеддингов. Карточка не сообщает конкретный перечень поддерживаемых языков, поэтому многоязычность из названия модели не подтверждена. Лицензия в предоставленных данных отсутствует. Результаты зависят от языка и предметной области; для сравнения векторов и поиска требуется подходящая метрика или индекс.

atasoglu/turkish-tiny-bert-uncased-mean-nli-stsb-tr — компактная модель Sentence Transformers на базе BERT, разработанная дообучением ytu-ce-cosmos/turkish-tiny-bert-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 128 для семантического поиска, сравнения сходства, кластеризации и других задач работы с текстовыми эмбеддингами. Модель содержит 4,6 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Модель обучена на наборах nli_tr и emrecan/stsb-mt-turkish и ориентирована на турецкий язык. Авторы указывают, что тексты перед подачей следует приводить к нижнему регистру с заменой латинской I на турецкую ı; без этой предобработки результаты могут ухудшиться. Лицензия — MIT.

nguyenthanhhoa03 выпустил дообученную Sentence Transformer-модель на базе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base. Она преобразует вьетнамские предложения и абзацы в плотные векторы размерности 768 для семантического поиска и извлечения релевантных текстов. Архитектура использует RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель работает с текстом, максимальная длина последовательности — 258 токенов по метаданным. Модель подходит для поиска по смыслу и сравнения предложений на вьетнамском языке. В README указан лимит 256 токенов, тогда как метаданные указывают 258; учитывайте лимит, заданный используемой конфигурацией. Лицензия в предоставленных данных не приведена.

Vietnamese_Embedding_v2 — модель эмбеддингов на базе Sentence Transformers, дообученная AITeamVN на BAAI/bge-m3 для улучшения поиска по текстам на вьетнамском языке. Обучение проводилось на примерно 1,1 млн троек из запросов, релевантных и нерелевантных документов. Архитектура — XLM-RoBERTa с плотными векторами размерности 1024; модель оценивает сходство скалярным произведением. Метаданные указывают контекст до 8194 токенов, а README сообщает о максимальной длине последовательности 2048 токенов для документов и 256 для запросов. Модель предназначена для построения векторного поиска и извлечения релевантных документов по вьетнамским запросам. В оценке на наборе Legal Zalo 2021 она показала Accuracy@10 0,9578 и MRR@10 0,8149; README отмечает, что модель не обучалась на этом наборе. Результат на юридических данных несколько ниже, чем у базовой фазы, но авторы указывают, что более крупные данные обучения могут быть полезны для других областей. Лицензия — Apache 2.0.

duclvQ/vi-laya — вьетнамская модель-реранкер общего назначения, разработанная автором репозитория на базе convaiinnovations/laya. Она оценивает пару «запрос — фрагмент текста» и возвращает вероятность от 0 до 1, что фрагмент отвечает на запрос; модель предназначена для повторного ранжирования результатов, полученных на первом этапе поиска. Архитектура Laya использует мультиязычный вариант mmBERT-base с 322 млн параметров и головой принятия решения «да/нет». Максимальная длина входа — 8192 токена. Модель дообучена на 775 749 парах за одну эпоху с RLCD и soft cross-entropy; после обучения применено температурное масштабирование T=1,28. В README приведены результаты на наборах для вьетнамских вопросов и поиска по юридическим документам, а также показатели качества вероятностных оценок. Доступны веса в формате Safetensors; лицензия — Apache-2.0. Для запуска предлагается библиотека laya версии 0.3.11 или новее.

Модель Виноградова Дмитрия предназначена для оценки семантического сходства двух запросов. Она построена на архитектуре BERT и доступна через SentenceTransformers; для получения представлений использует токенизатор, CLS-пулинг, полносвязный слой с активацией tanh и нормализацию. README указывает построение в 384-мерном векторном пространстве, а конфигурация архитектуры содержит выход Dense размерности 768; это расхождение не позволяет однозначно определить размер выходного вектора. Модель подходит для сравнения запросов и поиска семантически близких формулировок. В метаданных указаны 498,1 млн параметров, максимальная длина контекста 512 токенов и лицензия Apache-2.0. Метаданные помечают модель как многоязычную, однако README не уточняет языки обучения или оценки качества.

XProvence-reranker-bgem3-v2 — многоязычная модель для сокращения контекста в системах RAG, разработанная Naver Labs Europe. Она получает вопрос и найденный текстовый фрагмент, удаляет предложения, не относящиеся к вопросу, и может возвращать оценку релевантности для переранжирования результатов. Модель дообучена на основе BAAI/bge-reranker-v2-m3 с задачами отбора предложений и сохранения возможностей ранжирования; архитектура относится к семейству XLM-RoBERTa. В метаданных указано 658,7 млн параметров, контекст до 8194 токенов и формат safetensors. Модель предназначена для подготовки контекста перед генерацией ответа на вопрос: сокращение нерелевантных фрагментов может уменьшить шум и ускорить генерацию. Нативно поддерживаются 16 языков, а благодаря переносному обучению заявлена работа более чем со 100 языками. Обучающие примеры были размером с абзац, поэтому качество на длинных контекстах может отличаться; порог отсечения следует подбирать под конкретный сценарий. Лицензия — CC BY-NC-ND 4.0, не допускающая коммерческого использования и распространения производных материалов на иных условиях.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-cls-unnormed-768-512_GIST_BAAI_bge-base-en-v1.5-20240128072140-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130210931-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/00-400-11-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130201404-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели Nhat1904/16-shot-twitter-2classes на Hugging Face совпадает с карточкой Nhat1904/16-shot-twitter-2classes-new, поэтому описание составлено по ней. Nhat1904/16-shot-twitter-2classes-new — модель Sentence Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений по сходству. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и распространяется в формате PyTorch. Название указывает на обучение на небольшом количестве примеров из набора Twitter с двумя классами; в карточке также указан CosineSimilarityLoss. Такие векторы можно использовать в семантическом поиске и других системах сравнения текстов. Язык обучения явно не указан. Лицензия в предоставленных данных не указана.

cassador/2bs32lr2 — модель Sentence Transformers на базе индонезийской BERT-модели indobenchmark/indobert-base-p2, дообученная на afaji/indonli. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости с помощью косинусного сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений; максимальная длина входной последовательности — 512 токенов. Основной язык — индонезийский. В README приведены оценки сходства на sts-dev и sts-test, но они различаются, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

LazarusNLP/all-indo-e5-small-v2 — модель встраиваний предложений на базе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель использует библиотеку Sentence-Transformers, содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Модель обучена с функцией MultipleNegativesRankingLoss и косинусным сходством. По тегам карточки она ориентирована на индонезийский язык; данные для обучения и оценки включают индонезийские наборы задач поиска, понимания и сопоставления текста. Для использования требуется корректное pooling-преобразование контекстных представлений, если модель запускается через Transformers без Sentence-Transformers. Лицензия в предоставленных данных не указана.

Trelis/all-MiniLM-L12-v2-ft-triplets-10Qs — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2. Она преобразует предложения и короткие абзацы в плотные эмбеддинги размерности 384; для сравнения в README указана косинусная мера сходства. Архитектура включает BERT-трансформер, усреднение токенных представлений и нормализацию. Модель содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; в README указан предел 128 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, классификации и кластеризации. Её можно применять для получения векторных представлений предложений и коротких фрагментов текста. Базовая модель описана в метаданных как компактная англоязычная модель, поэтому основной язык применения — английский. Карточка указывает дообучение с TripletLoss, но не описывает подробно состав обучающих данных и качество на независимых тестах. Лицензия в предоставленных данных не указана.

MLX-версия модели all-MiniLM-L6-v2-4bit, созданная сообществом mlx-community на основе sentence-transformers/all-MiniLM-L6-v2. Модель предназначена для генерации текстовых эмбеддингов и задач сравнения предложений, включая оценку семантической схожести, поиск и извлечение признаков из текста. Модель использует архитектуру MiniLM с шестью слоями и 4-битным квантованием, преобразована в формат MLX с помощью mlx-lm версии 0.0.3. Она работает с библиотекой mlx-embeddings, возвращает нормализованные эмбеддинги и поддерживает вычисление сходства между текстами через скалярное произведение. В карточке указано English как язык модели; сведения о размере эмбеддингов, максимальной длине контекста и других модальностях отсутствуют. К сильным сторонам относятся компактность, 4-битное представление и возможность эффективного использования в MLX-среде для семантического поиска и сопоставления текстов. Ограничения, результаты бенчмарков и подробные требования к ресурсам в README не указаны. Модель распространяется по лицензии Apache-2.0.

leliuga/all-MiniLM-L6-v2-GGUF — это квантизированные файлы модели all-MiniLM-L6-v2 в формате GGUF. Исходную модель разработала команда Sentence Transformers, а репозиторий с GGUF-файлами подготовлен пользователем Leliuga. Модель предназначена для получения векторных представлений предложений и оценки семантического сходства текста, а также может применяться в задачах поиска, сопоставления и извлечения признаков. Модель основана на архитектуре BERT и относится к семейству Sentence Transformers; её название указывает на использование компактного варианта MiniLM с шестью слоями. Поддерживаемый язык — английский. В README не указаны точный размер модели, доступные уровни квантования, длина контекста и перечень модальностей; по представленным данным модель является текстовой. К сильным сторонам относятся компактность архитектуры и формат GGUF, удобный для локального инференса в совместимых инструментах. Ограничениями являются англоязычная специализация и отсутствие в README подробностей о производительности, точности, контексте и конкретных вариантах квантования. Исходная модель распространяется по лицензии Apache-2.0; для GGUF-репозитория также указана лицензия Apache-2.0.

Это русскоязычная адаптация энкодера предложений sentence-transformers/all-MiniLM-L6-v2, созданная автором репозитория дообучением на датасете deepvk/ru-HNP с TripletLoss. Модель на основе BERT содержит 25,9 млн параметров и формирует плотные текстовые эмбеддинги; максимальная длина контекста — 512 токенов. Она предназначена для сравнения смысловой близости русских предложений и может использоваться для семантического поиска, сопоставления запросов с текстами и группировки похожих фраз. Модель обучалась на 20 000 валидных триплетах, где запрос выступал якорем, положительный пример — парафразом, а отрицательный — сложным непарафразом. В указанной оценке на ai-forever/rubq-retrieval дообученная модель показала более низкие Recall@5 и Recall@10, чем исходная: обучающий датасет преимущественно содержит симметричные парафразы, а оценочная задача сопоставляет короткие вопросы с документами. Поэтому качество для поисковых сценариев следует проверять на целевых данных. Модель распространяется по лицензии Apache-2.0.

KhaledReda/all-MiniLM-L6-v66-pair_score — англоязычный энкодер предложений на базе Sentence Transformers, дообученный KhaledReda на наборе pairs_with_scores_v53. Модель преобразует предложения и абзацы в плотные векторы размерности 384 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает Transformer на базе BertModel и mean pooling. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; в README максимальная длина последовательности указана как 256 токенов. Модель предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Обучающий набор содержит пары текстов с оценками сходства, а функция потерь — CoSENTLoss. Векторы можно использовать в системах поиска и других задачах сравнения текстов. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Указанные в карточке сценарии описывают возможности эмбеддинговой модели, но качество для конкретного домена следует проверять отдельно.

Arabic-KW-Mdel — модель эмбеддингов предложений на базе BERT, опубликованная пользователем medmediani. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель имеет 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch для использования с Sentence-Transformers или Transformers. В карточке не приведены сведения о лицензии и конкретных языках обучения, поэтому нельзя подтвердить заявленную ориентацию на арабский язык по одному названию репозитория.