I.1Поиск и навигация по информации

syubraj/sentence_similarity_nepali_v2 — модель Sentence Transformers, дообученная разработчиком на базе Rajan/NepaliBERT для представления непальских предложений и абзацев в виде плотных векторов. Она построена на архитектуре BERT, содержит 95 млн параметров и использует усреднение токенных представлений; размерность вектора — 768, функция сходства — косинусная. Максимальная длина входа составляет 512 токенов. Модель предназначена для оценки семантического сходства текстов и может применяться для семантического поиска, поиска перефразирований, кластеризации и классификации текста. В README приведена оценка на непальском наборе STS-B: корреляция Спирмена для косинусного сходства составляет 0,6623. Для использования нужны непальские предложения или абзацы; на выходе модель формирует векторы, которые можно сравнивать по косинусному сходству. Модель распространяется в формате Safetensors, лицензия в предоставленных данных не указана.

Etelis/Sentiment140_fewshot — модель на базе MPNet в формате PyTorch, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. В карточке указано обучение с CosineSimilarityLoss; модель предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Она содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель можно использовать с библиотекой Sentence-Transformers или через Transformers с подходящей операцией pooling. Она выдаёт текстовые эмбеддинги, которые подходят для поиска похожих предложений и группировки текстов по смыслу. Название указывает на Sentiment140 и few-shot, однако README не уточняет языки, конкретную схему обучения или результаты оценки. Лицензия в предоставленных данных не указана.

SIGMA-BERT-short — словенская языковая модель с архитектурой ModernBERT, разработанная командой LHRS-UM-FERI. Это энкодер, обученный с нуля на задаче восстановления замаскированных токенов на корпусе примерно из 13,88 млрд словоупотреблений из словенских веб-текстов, новостей, парламентских материалов, научных публикаций и пользовательского контента. Модель содержит около 149 млн параметров, имеет 22 слоя и контекст до 1 024 токенов; используется библиотека Transformers и формат весов safetensors. Модель предназначена для дообучения под задачи понимания словенского текста: классификации, распознавания именованных сущностей, извлечения ответов на вопросы, вывода и семантического сходства, поиска и ранжирования документов. Она подходит для предложений и документов стандартной длины, но не генерирует текст и не рассчитана на обработку текстов длиннее контекстного окна. При подстановке [MASK] важно размещать токен вплотную к предыдущему слову согласно особенностям токенизатора. Лицензия — CC BY-SA 4.0.

Seznam/simcse-dist-mpnet-paracrawl-cs-en — компактная модель эмбеддингов предложений от Seznam.cz, дообученная с целью SimCSE на базе Seznam/dist-mpnet-paracrawl-cs-en. Она предназначена для получения семантических представлений чешских и английских текстов и подходит для поиска похожих предложений, семантического поиска, извлечения релевантных текстов, кластеризации и классификации. Модель построена на архитектуре BERT, содержит 27,2 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель ориентирована на создание небольших высококачественных эмбеддингов для нескольких задач NLP. В карточке приведены примеры загрузки, но сведения об оценках качества и конкретных ограничениях не раскрыты. Лицензия — CC BY 4.0.

llmware разработала llmware/slim-xsum-phi-3 — дообученную на базе Microsoft Phi-3 модель серии DRAGON для ответов на вопросы по контексту в RAG-сценариях. Она предназначена для работы с текстовыми фрагментами и выдаёт ответы, извлечённые из предоставленных материалов; типовые задачи включают ответы на вопросы, извлечение значений и краткое суммирование. В карточке модели сообщается о тестировании на наборе RAG-инструкций, включая вопросы с ответом «не найдено», логические задачи и суммирование. Модель имеет плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстное окно 4096 токенов. Указанный язык — английский. Репозиторий содержит веса PyTorch, модель поддерживает чат и распространяется по лицензии Apache 2.0. Результаты внутренних тестов не гарантируют точности на других данных: ответы могут быть неполными или неверными, поэтому их следует проверять.

Mozilla/smart-tab-embedding — англоязычная модель Sentence Transformer, разработанная Mozilla и дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического сравнения текстов; близость векторов оценивается косинусным сходством. Архитектура основана на BERT: токеновые представления усредняются, затем вектор нормализуется. В репозитории представлены форматы ONNX и safetensors; размер модели — 25,9 млн параметров, контекст по метаданным — до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов, а также оценки сходства предложений. Карточка описывает обучение на 49 800 парах предложений с CosineSimilarityLoss. Указанная оценка Spearman cosine равна 0,2402, поэтому качество на конкретной задаче следует проверять на собственных данных. Лицензия в предоставленных данных не указана.

SmolLM3-3B German Embeddings — экспериментальная модель текстовых эмбеддингов от Mayflower GmbH на основе SmolLM3-3B. Авторы преобразовали decoder-only Llama-модель в текстовый энкодер с двунаправленным вниманием и дообучили её методом LLM2Vec: сначала на задаче предсказания маскированных токенов, затем контрастивным обучением на парах немецких текстов. Модель содержит 3,1 млрд параметров и формирует векторы размерности 2048. Модель предназначена прежде всего для немецкоязычного семантического поиска и сопоставления текстов; эмбеддинги также можно использовать для кластеризации, классификации и выявления дубликатов. Она принимает текст и выдаёт плотные векторы. В README указана максимальная длина последовательности 512 токенов; контекст архитектуры в метаданных составляет 65 536 токенов, но практический лимит модели для эмбеддингов указан как 512. Поддержка других языков возможна, однако не оценивалась. Модель выпущена под лицензией Apache-2.0.

wwydmanski/specter2_pubmed-v0.5 — дообученный Sentence Transformer на базе allenai/specter2_base, созданный для семантического поиска и сопоставления научных текстов. Модель использует BERT-энкодер с усреднением токенных представлений и формирует плотные векторы размерности 768; максимальная длина входа — 512 токенов. Сходство между векторами можно оценивать косинусной мерой. Модель обучена на наборе из 10 053 примеров с парами релевантных и трудных отрицательных текстов. В README сообщается о среднем NDCG 85 на наборах Relish, NFCorpus и TREC CoVID, выше результата Proximity adapter (84,1). Её можно применять для поиска публикаций по запросу, ранжирования научных текстов, поиска парафраз, кластеризации и классификации на основе эмбеддингов. Лицензия в предоставленных данных не указана.

Карточка модели ChenZ95/text2vec-base-chinese на Hugging Face совпадает с карточкой shibing624/text2vec-base-chinese, поэтому описание составлено по ней. text2vec-base-chinese — модель эмбеддингов предложений, обученная проектом text2vec на базе hfl/chinese-macbert-base с методом CoSENT. Она кодирует китайские предложения и короткие абзацы в плотные векторы размерности 768 для семантического поиска, сопоставления текстов, кластеризации и оценки сходства. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; README указывает усечение входа длиннее 256 WordPiece-токенов. Модель предназначена прежде всего для китайских текстов. В README описана настройка на китайских данных STS-B с контрастивной функцией потерь и приведены результаты на китайских наборах для сопоставления предложений. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO; автор также сообщает об ускоренных вариантах ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторы, а не готовые ответы или текст; для поиска и сравнения требуется последующая обработка эмбеддингов. Её специализация на китайском языке и усечение длинных входов ограничивают применение к другим языкам и длинным документам.

omarelsayeed/tsdae_small_40mb — модель на базе BERT, опубликованная в формате PyTorch и обученная с помощью Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для сравнения их смыслового сходства. Модель подходит для семантического поиска, группировки текстов и других сценариев, где нужно находить близкие по смыслу предложения или документы. Архитектура содержит 12,4 млн параметров, максимальная длина контекста — 512 токенов. Для использования доступны Sentence-Transformers и Hugging Face Transformers с соответствующей операцией pooling. В карточке указано обучение с DenoisingAutoEncoderLoss. Языки обучения или поддержки и лицензия в предоставленных данных не подтверждены. Ограничение контекста — 512 токенов; README не сообщает результатов оценки качества.

Это модель SentenceTransformer на архитектуре BERT, дообученная командой trmteb на базе dbmdz/bert-base-turkish-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Максимальная длина входной последовательности — 512 токенов; используется mean pooling.

atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr — модель Sentence Transformers на основе BERT, дообученная для получения векторных представлений предложений и абзацев на турецком языке. Она преобразует текст в плотные эмбеддинги размерности 256 для семантического поиска, сравнения предложений и кластеризации. Базовая модель — ytu-ce-cosmos/turkish-mini-bert-uncased; при дообучении использованы наборы данных nli_tr и emrecan/stsb-mt-turkish. Модель содержит 12,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch по лицензии MIT. Тексты для модели следует предварительно приводить к нижнему регистру; авторы указывают заменять заглавную турецкую I на ı перед применением lower().

Vela Omni Mini — мультимодальная модель семейства Vela Omni от разработчика llm-semantic-router. Она преобразует текст, изображения, речь и окружающие звуки в нормализованные векторы общего пространства, которые можно напрямую сравнивать для поиска, маршрутизации и кластеризации. Модель содержит 1,36 млрд параметров, выдаёт эмбеддинги размерностью 768 и распространяется в формате safetensors; для работы в README указаны PyTorch, совместимая версия torchaudio и Transformers 4.57.6. Модель предназначена для мультимодального поиска и извлечения признаков, включая поиск соответствий между изображениями и текстом, а также аудио и текстом. В README приведены результаты оценки на задачах английского текста и аудио, однако они не гарантируют качество на иных языках и наборах данных. Лицензия — Apache-2.0.

Vela Omni Nano — компактная мультимодальная модель компании Vela для получения векторов текста, изображений, речи и окружающих звуков в общем пространстве размерностью 384. В модели 163,8 млн параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу с PyTorch. Модель предназначена для мультимодального поиска, маршрутизации запросов и кластеризации: её нормализованные векторы можно напрямую сравнивать между собой. В README также приведены результаты классификации текста и поиска соответствий между изображениями и текстом; аудиоветвь на базе замороженного CLAP добавляет представления окружающих звуков, а аудиоэмбеддинги обучены отдельно. На английских тестах модель показывает сильные результаты для своего размера, тогда как многоязычные показатели остаются ограничением. Лицензия — Apache-2.0. README описывает зависимость для использования от PyTorch, совместимого torchaudio и Transformers 4.57.6.

Это дообученная модель Sentence Transformers, созданная на основе bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с mean pooling, содержит 162,4 млн параметров и преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина последовательности — 258 токенов по метаданным модели; в README указано ограничение 256 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текста. Обучение на 10 200 примерах использовало MatryoshkaLoss и MultipleNegativesRankingLoss; приведённые в README результаты поиска показывают качество для векторных представлений размером от 64 до 768 измерений. Модель ориентирована на вьетнамский язык и не предназначена для генерации текста. Лицензия в предоставленных данных не указана.

HgThinker/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, созданная для представления предложений и абзацев в виде плотных векторов размерностью 768. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Обучение проводилось с функцией TripletLoss; число параметров — 162,4 млн, контекст — до 258 токенов. Модель ориентирована на вьетнамский язык, что отражено в названии репозитория, и подходит для получения эмбеддингов текста. Для работы доступны веса PyTorch; в Transformers после получения контекстных представлений требуется применить подходящий pooling. Лицензия в предоставленных данных не указана.

thang1943/vietnamese-sbert-v2 — дообученная модель Sentence Transformers на основе keepitreal/vietnamese-sbert. RoBERTa преобразует предложения и абзацы во векторы размерности 768 для сравнения по косинусному сходству; максимальная длина последовательности составляет 258 токенов по метаданным. Модель обучена на 54 755 примерах набора dataset_full_fixed и предназначена для поиска семантически близких текстов на вьетнамском языке. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста с использованием эмбеддингов. В README приведены результаты оценки информационного поиска, включая точность cosine_accuracy@1 0,6021 и @5 0,7885. Лицензия в предоставленных данных не указана.

phandat128/visbert-2epochs — дообученная модель Sentence Transformers на базе keepitreal/vietnamese-sbert, созданная на датасете train_bkai_2024. Она кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для оценки семантического сходства с помощью косинусного сходства, семантического поиска, поиска парафраз и кластеризации. Модель построена на RoBERTa с усреднением токенных представлений; максимальная длина последовательности составляет 256 токенов, контекст — до 258 токенов по метаданным. Размер — 162,4 млн параметров. Также может использоваться как основа для классификации текста через векторные представления. Выпущена в формате safetensors и предназначена для работы с библиотекой Sentence Transformers. Лицензия в доступных данных не указана.

johnpaulbin/voice-begging-detection — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768; контекст составляет до 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. В карточке указано обучение с CosineSimilarityLoss. Для работы доступны веса PyTorch; модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Карточка не сообщает о специализированной области применения или целевых языках, поэтому модель следует считать общей текстовой моделью. Лицензия в предоставленных данных не указана.

WeMM-Embedding-2B-GGUF — это GGUF-конверсия мультимодальной модели эмбеддингов WeMM-Embedding-2B, разработанной Tencent, предназначенная для локального инференса через llama.cpp. Модель подходит для семантического поиска и сопоставления текста, изображений и визуальных документов, а также для задач, связанных с инструментами, памятью и мультимодальными агентами. Рекомендуемая конфигурация включает основную модель WeMM-Embedding-2B-Q4_K_M.gguf и визуальный проектор mmproj-WeMM-Embedding-2B-Q8_0.gguf. Размер эмбеддинга составляет 2048, используется pooling по последнему токену и L2-нормализация. Поддерживаются матрёшечные размерности 64, 128, 256, 512, 1024 и 2048. Исходная WeMM поддерживает изображения и видео; в README указано, что аудио не поддерживается. Языки и максимальная длина контекста не указаны. По локальной оценке на 156 задачах MMEB-v3 конфигурация сохраняет примерно 96–99% опубликованных результатов оригинальной модели WeMM-Embedding-2B в сопоставимых группах Image, VisDoc, Text и MCMR. К ограничениям относятся неполное покрытие тестов: не оценивались задачи для видео, GUI и аудио, а результаты локального квантованного запуска нельзя считать строго контролируемым сравнением с нативными BF16/FP16-моделями. Лицензия — Apache-2.0.

Ramos-Ramos/xlm-roberta-base-en-tl — модель на основе XLM-RoBERTa, преобразующая предложения и абзацы в плотные векторы размерностью 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Модель обучена с использованием MSELoss на датасете Ramos-Ramos/nllb-eng-tgl-12k и поддерживает английский и тагальский языки. Лицензия в предоставленных данных не указана.

airnicco8/xlm-roberta-en-it-de — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная для построения многоязычных эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Модель содержит 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. Основные языки модели — английский, немецкий и итальянский. Эмбеддинги можно использовать для поиска семантически близких текстов и сравнения предложений; модель также можно дообучать для задач NLI и классификации текста. Это студенческая модель XLM-RoBERTa, обученная для получения многоязычных эмбеддингов. В репозитории указан формат PyTorch; сведения о лицензии отсутствуют.

hon9kon9ize/yue-embed — модель Sentence Transformers, разработанная hon9kon9ize и дообученная на базе hon9kon9ize/bert-large-cantonese-sts на смешанном наборе данных для оценки семантического сходства предложений на кантонском и английском языках. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. Модель подходит для семантического поиска, поиска перефразировок, кластеризации, классификации текста и сравнения текстовых фрагментов. Архитектура состоит из BERT и слоя mean pooling. Максимальная длина входа — 512 токенов; модель принимает текст и выдаёт векторные представления. Данные модели указывают лицензию Apache-2.0. В README приведены результаты на англоязычных наборах NanoBEIR и Nano BEIR, однако их недостаточно, чтобы подтвердить качество для всех перечисленных языков и сценариев; показатели следует проверять на целевых данных.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-mean-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240128084618-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.

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.

Модель avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240127160829-best — вариант BAAI/bge-base-en-v1.5, подготовленный avsolatorio: длина входной последовательности увеличена с 512 до 1024 токенов. Это модель Sentence-Transformers на архитектуре BERT с 136,7 млн параметров, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно использовать для извлечения эмбеддингов, семантического поиска и кластеризации текста. Модель рассчитана на англоязычный текст. Хотя окно увеличено до 1024 токенов, автор отмечает, что модель не дообучалась для последовательностей длиннее 512 токенов, поэтому качество на более длинных текстах может быть ниже. В репозитории указаны веса в формате safetensors; лицензия в предоставленных источниках не приведена.

cafierom/5Epoch_905_Statin_Contrastive — дообученная модель Sentence Transformers на базе google-bert/bert-base-cased. Она преобразует текстовые последовательности в плотные эмбеддинги размерности 768 и предназначена для сравнения семантической близости с косинусной мерой, семантического поиска и поиска перефразировок. Также эмбеддинги можно использовать для кластеризации и классификации текста. Модель использует BERT с сохранением регистра и усреднённым объединением токеновых представлений; максимальная длина последовательности — 512 токенов. Обучение проводилось на наборе из 148 695 пар premise и hypothesis с метками, с функцией потерь SoftmaxLoss. Примеры данных представлены строками, похожими на записи химических структур, однако назначение модели для конкретной предметной области в карточке явно не сформулировано. Модель принимает текст и выдаёт векторные представления. Лицензия в предоставленных данных не указана, поэтому условия использования по лицензии определить нельзя. Результаты за пределами обучающего распределения и качество на конкретных задачах в карточке не охарактеризованы.

SC117/Agents-A1-MTP-APEX-GGUF — сборка модели Agents-A1, подготовленная SC117 в формате GGUF с APEX-квантизацией и слоем Multi-Token Prediction (MTP). Базовая Agents-A1 разработана InternScience: это агентная MoE-модель класса 35 млрд параметров, дообученная на Qwen3.5-35B-A3B. В README также описана версия BF16 и визуальный проектор mmproj-F16 для работы с изображениями и текстом. Модель предназначена для генерации ответов и выполнения многошаговых агентных задач, включая научные рассуждения, поиск и вызов инструментов. README приводит результаты на научных и агентных бенчмарках; GGUF-файлы рассчитаны на запуск через llama.cpp, а также указаны варианты развёртывания через vLLM и SGLang. Для llama.cpp заявлена поддержка контекста до 131072 токенов, для vLLM — до 262144; MTP призван ускорять генерацию. APEX применяет смешанную точность с учётом типа тензоров, а MTP-слой сохраняется в Q8_0. Метаданные указывают форматы GGUF, BF16 и F16. Лицензия — Apache-2.0. Описания производительности и приведённые в README бенчмарки являются заявлениями авторов; качество конкретной квантизированной сборки может зависеть от выбранного файла и среды запуска.

AI21-Jamba2-3B — компактная языковая модель компании AI21 Labs для локального развёртывания на телефонах и персональных компьютерах. Она содержит 2,3 млрд параметров и использует архитектуру Jamba, сочетающую слои Mamba и Transformer; модель доступна через библиотеку Transformers и предназначена для генерации текста в диалоговом режиме. Модель подходит для следования инструкциям, ответов с опорой на предоставленный контекст, работы с длинными документами и сценариев RAG, в том числе при обработке технической и корпоративной документации. Контекстное окно составляет 256 000 токенов. По карточке, обучение включало дообучение на инструкциях, оптимизацию DPO и этапы обучения с подкреплением; заявлены результаты на бенчмарках instruction following и grounding. Модель выпущена под лицензией Apache 2.0, допускающей коммерческое использование. Компактный размер рассчитан на устройства с ограниченными ресурсами, однако качество конкретных ответов следует проверять на целевых задачах; сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

LazarusNLP/all-indo-e5-small-v3 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска семантически близких текстов, кластеризации и других задач сравнения смысла. Модель обучалась с MultipleNegativesRankingLoss на наборах данных, включающих индонезийские задачи понимания, поиска и сходства текстов. Модель содержит 124,3 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт векторы. Она ориентирована прежде всего на индонезийский язык. Для использования доступны веса Safetensors и библиотека Sentence Transformers; условия лицензии в предоставленных данных не приводятся.