I.1Поиск и навигация по информации

MrBERT — многоязычная модель-энкодер от BSC-LT на архитектуре ModernBERT, предварительно обученная с нуля на корпусе объёмом 6,1 трлн токенов. Она использует двунаправленный masked language modeling и предназначена для получения контекстных представлений текста на 35 европейских языках и кода. Модель содержит около 307 млн параметров, использует токенизатор SentencePiece с словарём на 256 тысяч токенов и поддерживает контекст до 8192 токенов. MrBERT подходит как основа для последующей настройки на поиск и извлечение информации, классификацию, семантический поиск и кросс-языковые задачи понимания текста. В карточке приведены оценки на XTREME и других многоязычных тестах, включая XNLI, PAWS-X и UDPOS; результаты различаются по задачам и языкам. Для получения эмбеддингов или прикладного предсказания потребуется соответствующая downstream-настройка. Модель распространяется под лицензией Apache-2.0. Хотя в обучающем корпусе присутствуют код и 35 языков, основная доля данных — английская (67,4%); результаты и качество могут быть неодинаковыми для разных языков и задач.

cuadron11/mrbert-bopv-ft — дообученная модель Sentence Transformers на основе многоязычного энкодера BSC-LT/MrBERT. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из ModernBERT и mean pooling; сходство векторов можно оценивать косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель обучена на парах текстов с помощью MultipleNegativesRankingLoss; карточка сообщает о наборах обучения и оценки на баскском языке. Она подходит для построения поиска по смыслу и сопоставления баскских запросов с релевантными документами. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Xenova/multilingual-e5-small — мультиязычная модель для создания векторных представлений текста, разработанная на основе intfloat/multilingual-e5-small и подготовленная сообществом Xenova в формате ONNX. Модель предназначена для использования в Transformers.js и выполнения feature extraction, в том числе непосредственно в JavaScript-приложениях. Ключевая особенность модели — наличие ONNX-весов, обеспечивающих совместимость с Transformers.js и сценариями веб-инференса. По представленным данным, модель поддерживает мультиязычную обработку текста, однако точный перечень языков, архитектура, количество параметров, размер контекста и другие технические характеристики не указаны. Модель подходит для задач, где требуются текстовые эмбеддинги, например семантический поиск или сравнение текстов, но конкретные целевые сценарии и показатели качества в карточке не описаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в исходном репозитории базовой модели.

multilingual-e5-small-int8 — это ONNX-модель для построения текстовых эмбеддингов, разработанная на основе Xenova/multilingual-e5-small и подготовленная как неизменяемый пакет для ZimaOS Photos с автоматическим эмбеддингом в Manticore. Модель распространяется под лицензией MIT и предназначена для семантического поиска и сопоставления текстов, в частности двуязычных описаний и подробных сводок, создаваемых VLM для фотографий. Модель использует архитектуру и параметры исходной multilingual-e5-small, но точный размер исходной модели в README не указан. Опубликованный артефакт — ONNX-модель с INT8-квантизацией для выполнения через ONNX Runtime. Размер выходного вектора составляет 384 значения, применяется mean pooling с учётом attention mask и последующая L2-нормализация. Максимальная длина входа — 512 токенов. Для запросов используется префикс «query: », а для индексируемых текстов — «passage: »; соблюдение этих префиксов является частью фиксированного контракта эмбеддингов. Поддерживается многоязычный текст, однако конкретный перечень языков не указан. Сильные стороны модели — компактное 384-мерное представление, INT8-формат, совместимость с ONNX Runtime и пригодность для эффективного семантического поиска по многоязычным описаниям. Ограничения включают максимальную длину контекста в 512 токенов, необходимость корректно использовать разные префиксы для запросов и passages, а также отсутствие в README сведений о точной архитектуре, числе параметров и результатах бенчмарков. В репозитории опубликованы config.json, tokenizer.json и единственный файл model.onnx; альтернативные форматы весов не предоставляются.

MyAwesomeModel — модель на базе архитектуры BERT для извлечения признаков из текста. Она предназначена для преобразования текстовых входов в векторные представления, которые можно использовать в задачах семантического поиска, сравнения текстов, классификации и кластеризации. Модель реализована с использованием PyTorch и библиотеки Transformers. В метаданных указана лицензия MIT. Данные о размере модели, поддерживаемых естественных языках и длине контекста отсутствуют.

NegMPNet — модель эмбеддингов предложений на базе MPNet, разработанная TUM NLP. Это версия all-mpnet-base-v2, дообученная с повышенной чувствительностью к отрицаниям. Модель преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения текстов с учётом отрицаний. Модель принимает текст и выдаёт векторные представления. Она содержит 136,7 млн параметров, имеет контекст до 514 токенов и предназначена прежде всего для англоязычных текстов. По карточке, обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель распространяется по лицензии CC BY-SA 4.0.

norsbert3-base-matryoshka — модель Sentence Transformers, дообученная MagnusSa на базе ltg/norbert3-base на наборах utdanning_pair_qa, ltg/norquad и NbAiLab/mnli-norwegian. Она кодирует предложения и абзацы в плотные векторы размерности 768, используя скрытое состояние токена CLS и косинусное сходство; Matryoshka-обучение позволяет получать эмбеддинги меньшей размерности. Максимальная длина входа — 512 токенов. Модель предназначена прежде всего для норвежского языка и подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В карточке приведены результаты оценки поиска для размерностей векторов 768, 512, 256, 128 и 64. Модель принимает текст и выдаёт эмбеддинги; базовый трансформер — NorbertModel, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Показатели качества относятся к указанным в карточке оценкам поиска и могут не отражать качество на других данных и задачах.

blackmlengineer/occucoder-en-venti-v0 — текстовая модель Sentence Transformer на базе архитектуры BERT, обученная для сопоставления предложений и поиска. Она преобразует предложения и абзацы в плотные векторы размерностью 768; для оценки близости используется косинусное сходство. Модель содержит 19,5 млн параметров и принимает текст длиной до 32 токенов. Модель подходит для поиска подходящих текстов по запросу, сравнения семантической близости предложений и построения текстового поиска на основе эмбеддингов. В README приведены обучающие примеры с названиями профессий и похожими категориями; язык этих примеров — английский. Модель обучалась на наборе из 991 580 примеров с якорными, положительными и отрицательными парами с использованием MultipleNegativesRankingLoss. Карточка не указывает лицензию. Короткий контекст в 32 токена ограничивает применение длинных предложений и документов; модель формирует эмбеддинги текста, а не готовые ответы.

latterworks/ollama-embeddings — дообученная на базе sentence-transformers/all-MiniLM-L6-v2 модель Sentence Transformer для преобразования предложений и абзацев в плотные семантические векторы. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией выходного вектора; размер модели — 25,9 млн параметров, размерность эмбеддинга — 384. README указывает максимум 256 токенов на последовательность, а метаданные — нативный контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. Для сравнения векторов рекомендована косинусная близость. В README указано дообучение с TripletLoss на наборе из пяти обучающих примеров, поэтому надёжность обобщения на широкие тематики может быть ограничена. Поддержка заявлена для английского базового энкодера; лицензия в предоставленных данных не указана.

Это Sentence Transformer на базе PhoBERT-base-v2, дообученный авторами репозитория на наборе из 7 276 пар вопрос–положительный ответ. Модель кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура включает RoBERTa-энкодер и mean pooling, а максимальная длина последовательности составляет 256 токенов по README и 258 токенов по метаданным. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации. Примеры обучающих данных написаны на вьетнамском языке, а базовая PhoBERT рассчитана на обработку вьетнамского; это делает вьетнамский основным языком применения. В карточке указана библиотека Sentence Transformers и формат safetensors. Модель подходит для получения векторных представлений текстов и сравнения их по смыслу. Сведения о лицензии в предоставленных данных отсутствуют.

Модель yahyaabd/paraphrase-multilingual-miniLM-L12-v2-finetuned-bps-0000 — дообученный Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384, а сходство между ними оценивается косинусной близостью. Архитектура основана на BERT; модель содержит 124,3 млн параметров и принимает последовательности длиной до 512 токенов по метаданным. В README указана максимальная длина 128 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. Дообучение выполнено на наборе из 556 примеров с запросами, релевантными и нерелевантными текстами; примеры относятся к статистическим данным Индонезии. Лицензия в предоставленных сведениях не указана.

gmunkhtur выпустил дообученную модель Sentence Transformers на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения семантического сходства по косинусной мере, поиска перефразировок, семантического поиска, кластеризации и классификации текста. Для получения векторов применяется усреднение токенных представлений; библиотека модели — sentence-transformers. В README указан предел последовательности 128 токенов, тогда как метаданные каталога указывают нативный контекст 512 токенов. Модель обучена на 11 113 парах предложений с оценками сходства. Примеры в карточке написаны на монгольском и русском языках, а базовая модель предназначена для многоязычных текстов. В приведённой оценке на sts-dev корреляция Спирмена составляет 0,4878, поэтому качество сходства может быть ограниченным. Лицензия в предоставленных данных не указана.

0xnu/pmmlv2-fine-tuned-hausa — модель эмбеддингов на базе BERT, дообученная для хауса на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует тексты в векторы для сравнения предложений и семантического поиска. Модель содержит 124,3 млн параметров, использует библиотеку Sentence-Transformers и поддерживает контекст до 512 токенов; в карточке также заявлена поддержка множества языков. Модель предназначена прежде всего для работы с текстом на хауса: её можно применять для поиска похожих предложений, сопоставления запросов с документами и построения многоязычного семантического поиска. Лицензия — MIT. Ограничения качества и оценки на тестовых наборах в карточке не приведены.

pplx-embed-v2-context-9b-preview — контекстная модель эмбеддингов от Perplexity AI для представления фрагментов документов в системах RAG. Она кодирует список фрагментов совместно и возвращает отдельный вектор для каждого, учитывая контекст соседних частей; для запросов предусмотрен отдельный метод кодирования, поскольку для запросов и документов используются разные префиксы. Модель имеет архитектуру PplxContextualModel семейства pplx_contextual_qwen3_5, размерность эмбеддингов 2048 и среднее объединение токенов. Поддерживаются обученные размерности Matryoshka 1024 и 2048; выходные эмбеддинги квантованы в INT8 и по умолчанию не нормализованы. Для оценки сходства рекомендуется косинусная близость либо нормализация векторов с последующим скалярным произведением. Модель доступна в формате safetensors и лицензирована по MIT. Это предварительная версия: веса, векторы и интерфейс могут измениться, поэтому эмбеддинги этой версии не следует смешивать с результатами будущих выпусков. Для корректного поиска запросы нужно кодировать методом encode_queries, а фрагменты документов — методом encode; использование метода encode для запросов ухудшает качество поиска. README требует transformers не ниже 5.4.0 и загрузки пользовательского кода модели.

lucaswychan опубликовал дообученную модель эмбеддингов на основе плотной decoder-only архитектуры Qwen3.0-0.6B. Она предназначена для преобразования текстов в векторные представления и сравнения их семантической близости; в исследовании модель используется для изучения того, как обучение с подкреплением влияет на качество эмбеддингов. README сообщает, что такое начальное обучение не даёт устойчивого преимущества перед базовой моделью после одинакового контрастивного дообучения. Модель содержит 507,9 млн параметров, поддерживает контекст до 32 768 токенов и рассчитана на многоязычные тексты. Для использования доступны форматы Sentence Transformers и Transformers; README рекомендует включить trust_remote_code=True. Лицензия — Apache-2.0. В README описаны результаты исследований на MTEB и BRIGHT, но конкретные численные оценки этой модели не приведены.

karsar/Qwen3-Embedding-0.6B-hu — модель Sentence Transformers, дообученная разработчиком на базе Qwen/Qwen3-Embedding-0.6B для создания эмбеддингов на венгерском языке. Она преобразует предложения и абзацы в плотные векторы размерности 1024; близость текстов можно оценивать косинусным сходством. Архитектура включает Qwen3, пулинг по последнему токену и нормализацию векторов. Модель содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, классификации и кластеризации. В README приведена оценка cosine_accuracy 0,717 на тестовом наборе all-triplet-test. Обучение выполнено на наборе json с примерами anchor, positive и negative; лицензия — Apache-2.0.

mlx-community/Qwen3-VL-Embedding-2B-mxfp4 — мультимодальная модель для получения эмбеддингов текста и изображений. Репозиторий mlx-community содержит конверсию модели Qwen/Qwen3-VL-Embedding-2B в формат MLX; в метаданных базовой моделью указана Qwen/Qwen3-VL-2B-Instruct, на которой основана производная модель. Архитектура относится к семейству Qwen3-VL, размер — 2 млрд параметров. README рекомендует библиотеку mlx-embeddings для использования. Модель предназначена для извлечения векторных представлений, которые можно применять для поиска и сопоставления текстов и изображений. Метаданные классифицируют её как feature-extraction и указывают поддержку мультимодальных эмбеддингов. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о длине контекста, поддерживаемых языках, точности или оценках качества; назначение MLX-конверсии подразумевает применение в экосистеме MLX.

Карточка модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_8 на Hugging Face совпадает с карточкой camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7, поэтому описание составлено по ней. camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7 — модель sentence-transformers на архитектуре RoBERTa, обученная Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. В README версия помечена как устаревшая: качество векторных представлений низкое, поэтому для новых систем рекомендуется выбрать более качественную модель эмбеддингов. Распространяется по лицензии Apache-2.0.

sobamchan/roberta-large-mrl-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на датасете all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью до 1024 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для оценки близости можно использовать косинусное сходство; обучение с MatryoshkaLoss поддерживает укороченные представления размерностью 768, 512, 256, 128 и 64. Модель принимает последовательности длиной до 512 токенов и построена на RoBERTa с усреднением токенных представлений. В README приведены результаты на STS: Spearman cosine 0,8229 на sts-dev и 0,7977 на sts-test. Это англоязычная модель для текстовых эмбеддингов, поэтому её пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.

Ruri-Large — японская модель эмбеддингов предложений, разработанная cl-nagoya на основе cl-nagoya/ruri-pt-large. Она предназначена для сравнения текстов по смыслу и получения векторных представлений японских текстов; близость векторов оценивается косинусным сходством. Модель построена на архитектуре BERT и используется как Sentence Transformer. Модель содержит 436,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги размерностью 1024. В оценке JMTEB показала среднее значение 73,31; README также приводит результаты для поиска, семантического сходства, классификации, ранжирования и кластеризации. Лицензия — Apache 2.0. В README рекомендуется переходить на модели Ruri v3 для новых применений.

Ruri v3 70M — модель текстовых эмбеддингов для японского языка, разработанная cl-nagoya на основе предварительно обученной cl-nagoya/ruri-v3-pt-70m. Это Sentence Transformer с архитектурой ModernBERT: 70 млн параметров, 13 слоёв и выходными векторами размерности 384. Модель принимает последовательности длиной до 8192 токенов и использует токенизатор SentencePiece, которому не требуется внешняя сегментация японского текста. Модель предназначена для семантического поиска, оценки сходства предложений, классификации, кластеризации и ранжирования японских текстов. В JMTEB она показывает средний результат 75,48; сходство вычисляется по косинусной мере. Указанная лицензия — Apache 2.0. Для практического использования описана поддержка Transformers версии 4.48.0 или выше и Sentence Transformers.

colorfulscoop/sbert-base-ja — японская Sentence-BERT модель, разработанная на основе японской BERT colorfulscoop/bert-base-ja. Её дообучили на японском наборе SNLI, чтобы получать векторные представления предложений и оценивать их смысловое сходство. Модель использует архитектуру BERT с 768-мерными токенными представлениями и усреднением по токенам; максимальная длина последовательности — 512 токенов. В карточке указана точность 0,8529 на тестовой выборке SNLI. Модель предназначена для работы с японским языком. Лицензия репозитория — CC BY-SA 4.0. Для исходной модели colorfulscoop/bert-base-ja в README указана CC BY-SA 3.0; при использовании производной модели следует учитывать условия обеих лицензий.

pucpr-br/sbertimbau_news_2018 — модель Sentence Transformers, созданная на базе neuralmind/bert-base-portuguese-cased и дообученная для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, пригодные для семантического поиска, кластеризации и сравнения сходства текстов. Модель построена на архитектуре BERT и содержит 136,1 млн параметров. Она принимает текст на португальском языке; максимальная длина контекста составляет 512 токенов. Для использования доступны форматы Sentence Transformers и Transformers; в последнем случае для получения представления требуется подходящая операция pooling. Обучение проводилось с BatchAllTripletLoss. Карточка не приводит результатов оценки качества и подробностей обучающих данных, поэтому пригодность для конкретного корпуса следует проверять отдельно. Лицензия в предоставленных данных не указана.

sbert-jsnli-luke-japanese-base-lite — модель Sentence-Transformers на архитектуре LUKE, дообученная на один проход по датасету shunk031/jsnli на базе studio-ousia/luke-japanese-base-lite. Она преобразует предложения и абзацы на японском языке в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Контекст модели составляет до 514 токенов, число параметров — 138,4 млн; доступен формат PyTorch. Модель предназначена для семантического поиска и сравнения японских текстов. Лицензия — Apache-2.0. Карточка также указывает результаты оценки на JSTS и JSICK, но не приводит их числовые значения.

rainjay/sbert_nlp_corom_sentence-embedding_chinese-base-ecom — модель на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих фрагментов текста и группировки предложений по смыслу. Карточка не уточняет, на каких данных обучалась модель и какие языки она поддерживает, поэтому область применения по языку определить нельзя. Лицензия в предоставленных данных не указана.

Карточка модели ceggian/sbert_pt_reddit_softmax_128 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

Карточка модели ceggian/sbert_pt_reddit_softmax_512 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

SciBERT-Neuro-Contrastive — модель на архитектуре BERT, опубликованная Biodatlab как sentence-transformers-модель для получения плотных векторных представлений предложений и абзацев размерностью 768. Её можно использовать для семантического поиска и кластеризации текстов, а также для оценки сходства между предложениями. Модель обучена с Triplet Loss и евклидовой метрикой расстояния. Она содержит 137,1 млн параметров, принимает текстовые входы и формирует эмбеддинги; максимальная длина контекста — 512 токенов. Карточка не перечисляет поддерживаемые естественные языки или конкретные нейронаучные наборы данных, поэтому специализированную языковую поддержку подтвердить нельзя. Для использования предусмотрены Sentence-Transformers и Transformers с подходящим pooling слоем. Модель опубликована в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

sentence-IT5-small — модель на базе архитектуры IT5/T5-small, опубликованная efederici. Она преобразует предложения и абзацы в плотные векторы размерностью 512 и обучена для асимметричного семантического поиска: запросом служит ключевое слово, а документом — короткая новостная статья. Векторы можно использовать для поиска подходящих документов и кластеризации текстов. Модель предназначена для итальянского языка и реализована на PyTorch. Для работы через Sentence-Transformers достаточно получить эмбеддинги текстов; при использовании Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Веса содержат около 45,8 млн параметров. Лицензия в предоставленных данных не указана.

dlicari/sentence-ita-eurlex-bert-base — модель Sentence-Transformers на базе BERT, разработчик — dlicari. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 137,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Название указывает на связь с итальянским и корпусом EUR-Lex, однако README и метаданные не подтверждают конкретный состав обучающих данных или языковую специализацию. В README указано обучение с DenoisingAutoEncoderLoss. Лицензия в предоставленных данных не указана.