I.1Поиск и навигация по информации

yahyaabd/paraphrase-multilingual-miniLM-L12-v2-mnrl-beir-2 — модель Sentence Transformer, дообученная автором на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Архитектура основана на BERT и преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной мерой. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, тогда как README модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и поиска перефразирований; полученные векторы также можно использовать для кластеризации и классификации текстов. Она дообучена с MultipleNegativesRankingLoss на наборе statictable-triplets-all из 967 831 примера. Примеры датасета посвящены статистическим таблицам Индонезии, поэтому качество на других типах текстов может отличаться. Базовая модель многоязычная, однако в карточке нет точного перечня языков, для которых проверена эта дообученная версия. Лицензия в предоставленных данных не указана.

Модель benja-d/paraphrase-spanish-distilroberta-finetuned-chatbot — Sentence Transformer на базе испанской RoBERTa, дообученная для преобразования предложений и абзацев в плотные векторы. Она предназначена для семантического поиска, сравнения текстов и поиска перефразировок; эмбеддинги также можно применять для кластеризации и классификации текстов. Архитектура использует RobertaModel с усреднением токенных представлений, выдаёт векторы размерности 768 и поддерживает косинусное сравнение. Контекст модели — до 514 токенов по метаданным; в README для Sentence Transformers указан предел последовательности 128 токенов. Модель дообучена на 168 парных примерах из набора json. В README приведены небольшие результаты оценки поиска, поэтому они не гарантируют качество на других данных. Карточка указывает испанский язык, а описание базовой модели в каталоге также сообщает поддержку английского. Лицензия — Apache-2.0.

piccolo-large-zh — китайская модель текстовых эмбеддингов, разработанная группой General Model Group компании SenseTime Research. Это плотная BERT-модель на 424,3 млн параметров, обученная по двухэтапной схеме: на парах китайских текстов со слабой разметкой, затем на вручную размеченных парах с трудными отрицательными примерами. Модель формирует векторы размерности 1024 и поддерживает последовательности до 512 токенов. Модель предназначена для поиска и сопоставления китайских текстов: семантического поиска, извлечения документов по запросу, оценки сходства, кластеризации и классификации. В C-MTEB авторы приводят среднюю оценку 64,11 по 35 наборам задач. В README описано применение через пакет sentence-transformers. Модель работает с текстом на китайском языке и выдаёт эмбеддинги. Контекст ограничен 512 токенами; в рекомендациях по дообучению максимальная длина запроса составляет 64 токена. Лицензия в предоставленных данных не указана.

JacobLinCool/Qwen3-Embedding-0.6B-GIR-1 — текстовая Sentence Transformer модель, дообученная на Qwen/Qwen3-Embedding-0.6B. Она преобразует предложения и абзацы в плотные векторы размерности 1024; близость текстов оценивается косинусным сходством. Архитектура включает Qwen3Model, pooling по последнему токену и нормализацию эмбеддингов. Максимальная длина последовательности — 32 768 токенов, формат весов — safetensors. Модель предназначена для семантического поиска и сравнения текстов. В README приведена настройка на парах запрос–код, поэтому она подходит, в частности, для поиска фрагментов кода по запросу на естественном языке. Также заявлены поиск перефразировок, кластеризация и классификация текста. Метаданные и описание базовой модели указывают на многоязычную основу Qwen3; конкретные языки обучения этой версии не перечислены. Для поиска информации в README приведены высокие метрики на небольшом наборе из 100 оценочных примеров, поэтому они не гарантируют аналогичного качества на других данных. Лицензия в предоставленных данных не указана.

Qwen3-VL-Embedding-2B-4bit — мультимодальная модель эмбеддингов из семейства Qwen3-VL, опубликованная mlx-community. Она преобразована в формат MLX из Qwen/Qwen3-VL-Embedding-2B и предназначена для извлечения векторных представлений текста и изображений, например для поиска по тексту и визуальному содержимому. В метаданных указана архитектура Qwen3VLForConditionalGeneration и задача feature-extraction; базой послужила Qwen/Qwen3-VL-2B-Instruct. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит конкретные сведения о поддерживаемых языках, размере контекста и точной схеме работы с изображениями.

rsl-ai/qwen_finetune_16bit — текстовая Sentence Transformer-модель, дообученная с помощью Unsloth на техническом датасете electroglyph/technical. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и подходит для поиска по смыслу и извлечения релевантных документов. Сходство векторов можно оценивать косинусной мерой. Модель основана на unsloth/Qwen3-Embedding-0.6B; в карточке указана архитектура Qwen3 и около 507,6 млн параметров. README сообщает максимальную длину последовательности 512 токенов, тогда как метаданные указывают контекст 32 768 токенов. Для описанного сценария обучения использовались пары технических текстов на английском языке и MultipleNegativesRankingLoss. Модель принимает текст и выдаёт векторы; файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана. Модель ориентирована на английские технические тексты, поэтому её качество для других языков и областей не подтверждено. Предел последовательности в README расходится с контекстом из метаданных; перед применением следует учитывать фактические ограничения используемой конфигурации.

reranker-amharic-base — это модель Cross Encoder, созданная автором репозитория rasyosef и дообученная на базе rasyosef/roberta-base-amharic с помощью библиотеки sentence-transformers. Она оценивает пары «запрос — текст» и предназначена для переранжирования результатов поиска и семантического поиска на амхарском языке. Модель имеет архитектуру XLM-RoBERTa для классификации последовательностей, 137,8 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 510 токенов. Выдаёт один числовой балл релевантности для каждой пары текстов. На наборе amh-passage-retrieval-dev модель показала MRR@10 0,830 и nDCG@10 0,856. Она подходит для повторной сортировки найденных документов после первичного поиска, но требует передавать запрос и текст вместе и ограничена длиной контекста. Лицензия — MIT.

Cross-encoder-модель для оценки релевантности пар текстов, опубликованная в репозитории cross-encoder-testing. Она дообучена на базе prajjwal1/bert-tiny с использованием библиотеки sentence-transformers и обучалась на данных GooAQ. Модель предназначена для англоязычных задач семантического поиска, ранжирования результатов, оценки текстового сходства, поиска перефразирований, классификации и кластеризации. Модель принимает пару текстов и вычисляет для неё единый score, поэтому особенно подходит для переранжирования кандидатов после этапа первичного поиска. Максимальная длина последовательности составляет 512 токенов, предусмотрена одна выходная метка. Заявленные метрики включают MAP, MRR@10 и NDCG@10, однако конкретные значения результатов в карточке не приведены. К сильным сторонам относятся компактная архитектура BERT-tiny и поддержка стандартного интерфейса CrossEncoder, что может облегчать применение в сценариях, где важны небольшие вычислительные затраты. Ограничения включают работу только с английским языком, обработку текстов парами и ограничение контекста 512 токенами; сведения о точности на конкретных прикладных наборах данных отсутствуют. Модель распространяется по лицензии Apache-2.0.

kwondw/reranker-distilroberta-base-nli — это англоязычный Cross-Encoder на базе distilbert/distilroberta-base, дообученный автором на наборе all-nli с помощью библиотеки Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценки по трём классам, поэтому подходит для классификации отношений между предложениями и оценки их сходства. Число параметров — 95,2 млн, максимальная длина последовательности — 512 токенов. Модель можно применять для проверки следования гипотезы из посылки, сравнения текстовых пар и ранжирования кандидатов по релевантности к запросу. В README приведены результаты классификации на ALLNLI-dev и AllNLI-test: macro F1 0,8226 и 0,7575 соответственно. Для работы требуется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

sergeyzh/rubert-tiny-sts-v2 — компактная модель на архитектуре BERT, разработанная Sergey Zh. Это дообученный энкодер для создания эмбеддингов русских и английских предложений, оценки семантического сходства, поиска перефразировок, дедупликации текстов и задач логического вывода NLI. Модель также подходит как основа для дообучения под пользовательские задачи классификации и кластеризации. Модель получена дистилляцией эмбеддингов Qwen/Qwen3-Embedding-4B в rubert-tiny-turbo. Она содержит около 29 млн параметров, формирует векторы размерности 312 и поддерживает контекст до 2048 токенов по метаданным; в README указана длина 512. Префиксы для входных текстов не требуются. Репозиторий содержит веса в формате safetensors. Модель ориентирована на быстрый и компактный поиск семантически близких текстов на русском и английском языках. Указанные в карточке метрики сравнивают другие модели, поэтому по ним нельзя определить качество rubert-tiny-sts-v2. Лицензия — MIT.

Ruri-Base v2 — японская модель для получения векторных представлений текстов, разработанная cl-nagoya. Это Sentence Transformer на архитектуре BERT с 138,4 млн параметров; модель дообучена на базе cl-nagoya/ruri-pt-base-v2. Она предназначена для сравнения сходства предложений и текстового поиска на японском языке. Максимальная длина входа — 512 токенов, размерность выходных векторов — 768, сходство оценивается косинусной мерой. В JMTEB модель получила средний результат 72,48; README рекомендует для новых задач перейти на семейство Ruri v3. Лицензия — Apache 2.0.

Ruri-Reranker-Base — японский кросс-энкодер для переоценки релевантности текстовых пар, разработанный командой cl-nagoya. Это дообученная на наборе cl-nagoya/ruri-dataset-reranker модель семейства BERT, распространяемая в формате safetensors и рассчитанная на последовательности длиной до 512 токенов. Она принимает запрос и кандидаты документов и ранжирует кандидатов по релевантности; в карточке приведены результаты на японских поисковых наборах JQaRA, JaCWIR и MIRACL. Модель предназначена для улучшения поисковой выдачи и выбора наиболее подходящих фрагментов перед передачей их в систему ответов на вопросы или RAG-процесс. README указывает японский язык и лицензию Apache 2.0. Для использования требуется библиотека Sentence Transformers; качество зависит от соответствия запросов и документов японскому языку и поисковым сценариям, представленным в оценке.

Ruri-Small — модель эмбеддингов японского текста, разработанная cl-nagoya для представления предложений и текстовых фрагментов в виде векторов. Это Sentence Transformer на базе cl-nagoya/ruri-pt-small; модель дообучена для задач сходства предложений. Она выдаёт векторы размерности 768, а сходство между ними можно оценивать косинусной близостью. Модель предназначена для поиска и сопоставления японских текстов, оценки семантического сходства, ранжирования результатов, классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов. В оценке JMTEB Ruri-Small показала средний результат 71,53. Модель работает с японским языком и распространяется по лицензии Apache 2.0. README рекомендует для новых проектов более поздние модели семейства Ruri v3.

uer/sbert-base-chinese-nli — это модель эмбеддингов предложений на базе BERT, предварительно обученная с помощью UER-py. Она предназначена для преобразования китайских предложений в векторы и сравнения их смысловой близости, например с помощью косинусного сходства. Модель содержит 129,5 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска и ранжирования похожих китайских фраз. Для обучения использовался набор ChineseTextualInference. Репозиторий распространяется по лицензии Apache-2.0. Карточка показывает извлечение эмбеддингов и вычисление сходства; результаты могут зависеть от домена и качества исходных текстов.

akhooli/sbert-nli-500k-triplets-MB — модель Sentence Transformers на архитектуре ModernBERT, разработанная на основе akhooli/ModernBERT-ar-base-tiny и дообученная на 550 тысячах арабских NLI-триплетов. Она преобразует предложения и абзацы на арабском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству; максимальная длина последовательности составляет 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Обучение на парах запрос–положительный пример–отрицательный пример помогает сопоставлять запросы с релевантными фрагментами. Лицензия — Apache-2.0. Модель ориентирована на арабский язык; качество на других языках карточкой не подтверждено. Она выдаёт эмбеддинги, а не готовые ответы или метки классов, поэтому для классификации требуется отдельная модель или последующая обработка векторов.

salsabiilashifa11/sbert-paper — дообученная модель Sentence-Transformers на базе MPNet для получения эмбеддингов предложений из научных статей и сравнения их смысловой близости. Обучение использовало MultipleNegativesRankingLoss с косинусной функцией сходства. Модель предназначена для поиска и сопоставления научных текстов по смыслу, например для подбора релевантных статей или фрагментов. Это плотная архитектура MPNet с 136,7 млн параметров, контекстом до 514 токенов и весами PyTorch. На вход принимает текст, на выходе формирует контекстные представления и эмбеддинги; для сравнения предложений можно использовать косинусную близость. Язык обучения и поддержки в доступных сведениях не указан. Условия лицензирования в карточке не приведены.

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.

Madras1/sbert-quality-filter-ptbr-v1 — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между текстами оценивается косинусной мерой. В README указана архитектура BERT с усреднением токеновых представлений и максимальная длина последовательности 128 токенов; метаданные указывают 124,3 млн параметров и контекст 512 токенов. Модель предназначена для семантического сравнения текстов и может применяться для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Название репозитория указывает на фильтрацию качества для бразильского португальского, но README не уточняет, как именно это реализовано; явные сведения о языке обучения отсутствуют. Для работы подходит библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

TurkuNLP/sbert-uncased-finnish-paraphrase — модель Sentence-BERT для вычисления семантической близости предложений на финском языке, разработанная TurkuNLP. Она основана на uncased FinBERT TurkuNLP/bert-base-finnish-uncased-v1 и дообучена на финском корпусе парафраз и автоматически собранных примерах: примерно 500 тысяч положительных и 5 миллионов отрицательных пар. Для получения векторных представлений используется mean pooling. Модель подходит для поиска предложений, близких по смыслу, сравнения текстов и определения, являются ли две фразы парафразами. Архитектура — плотная BERT-модель с 151,7 млн параметров; максимальная длина входа составляет 512 токенов. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для оценки сходства. В README указано бинарное обучение на парах предложений; опубликованные результаты оценки ещё готовятся. Модель распространяется в форматах PyTorch и Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

SciEmbed-FULL — англоязычная модель для построения эмбеддингов научных документов, выпущенная в составе SciEmbed. Она основана на encoder-модели ModernBERT-base размером 149 млн параметров и дообучена на контрастных парах; основным сигналом обучения служили предложения с контекстом цитирования. Модель принимает текст и выдаёт векторные представления, которые можно нормализовать и использовать для сравнения текстов. Модель предназначена для поиска научных публикаций и оценки близости научных текстов, а также для задач классификации и регрессии в научном домене. В README приведены результаты на SciRepEval: общий показатель по четырём категориям составляет 66,85 ± 0,38, усреднённый по трём seed; в репозитории опубликованы веса seed 123. Контекст — до 8192 токенов. Лицензия — MIT. Авторы отмечают, что статья находится на двойном слепом рецензировании.

sonoisa разработала Sentence-BERT для получения векторных представлений предложений на японском и английском языках. Модель основана на BERT с архитектурой BertModel и объединяет токены усреднением; в репозитории доступны веса PyTorch и Safetensors. Размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для вычисления сходства предложений и использования эмбеддингов в поиске и сравнении текстов. По результатам автора на закрытом наборе данных точность для японского оказалась на 0,8 процентного пункта ниже, чем у японской версии, а на английском STS Benchmark — на 8,3 пункта выше; Spearman для cosine similarity составил 79,11%. Для обработки японского текста при инференсе требуются fugashi и ipadic. Лицензия — CC BY-SA 4.0.

sonoisa/sentence-bert-base-ja-mean-tokens — модель Sentence-BERT для японского языка, представленная разработчиком sonoisa. Она преобразует японские предложения в векторные представления для вычисления сходства и поиска семантически близких текстов. Карточка также отмечает существование версии 2 с точностью примерно на 1,5 процентного пункта выше. Модель основана на BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для извлечения признаков и построения эмбеддингов предложений; метаданные также указывают поддержку заполнения масок и оценки сходства предложений. Доступны веса PyTorch и Safetensors. Лицензия — CC BY-SA 4.0.

sonoisa/sentence-bert-base-ja-mean-tokens-v2 — японская модель Sentence-BERT, разработанная sonoisa для получения векторных представлений предложений и сравнения их смысловой близости. Это плотная BERT-модель на 137,8 млн параметров с контекстом до 512 токенов; модель обучена с функцией потерь MultipleNegativesRankingLoss и, по сообщению автора, превзошла версию 1 на 1,5–2 процентных пункта на внутреннем закрытом наборе данных. Для работы с текстом на японском языке модель использует предварительно обученную cl-tohoku/bert-base-japanese-whole-word-masking. При запуске вывода требуются fugashi и ipadic. Подходит для поиска похожих предложений, семантического поиска и задач, где нужно сравнивать текстовые эмбеддинги. Модель распространяется по лицензии CC BY-SA 4.0. Указанное автором улучшение измерено только на внутреннем наборе данных, поэтому оно не гарантирует аналогичного результата на других корпусах; контекст ограничен 512 токенами.

sentence-transformers/sentence-t5-base — модель Sentence Transformers для кодирования предложений и абзацев в плотные векторы размерностью 768. Она построена на энкодере T5-base и предназначена прежде всего для оценки сходства между предложениями; для семантического поиска в README отмечено более низкое качество. Модель создана преобразованием TensorFlow-модели st5-base-1 в PyTorch. Используются только веса энкодера T5-base; размер модели — 123,8 млн параметров, контекст — до 512 токенов. Доступны форматы PyTorch и Safetensors, веса сохранены в FP16. Карточка ссылается на публикацию Sentence-T5: Scalable sentence encoders from pre-trained text-to-text models. Модель принимает текст и выдаёт векторные представления, пригодные для сравнения семантической близости. Метаданные указывают английский язык. Лицензия — Apache-2.0.

Serafim 335m Portuguese (PT) Sentence Encoder — модель семейства Serafim PT*, разработанная Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos. Это энкодер предложений на архитектуре BERT с 433,2 млн параметров, реализованный на Sentence Transformers. Он преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024; длина контекста составляет до 512 токенов. Модель предназначена для семантического поиска, сравнения смысла текстов и кластеризации. Она обучалась с функцией потерь AnglELoss. Доступна под лицензией MIT. README ссылается на оценку в Sentence Embeddings Benchmark, но не приводит результаты, поэтому качество для конкретных задач по представленным данным оценить нельзя.

LazarusNLP/simcse-indobert-base — модель векторных представлений предложений на базе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости. Модель содержит 151,6 млн параметров и принимает текст длиной до 512 токенов. Модель обучена с использованием Sentence-Transformers и функции потерь MultipleNegativesRankingLoss с косинусным сходством. Её можно применять для семантического поиска, кластеризации и вычисления сходства предложений на индонезийском языке. Доступны веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Это корейская модель для оценки семантического сходства предложений, разработанная автором репозитория на основе klue/roberta-base. Она кодирует предложения и позволяет сравнивать их смысловую близость по косинусному сходству. Модель построена на RoBERTa, содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в описанных экспериментах использовалась максимальная длина 64 токена. Модель обучалась с учителем на KorNLI-train в течение одной эпохи с методом SimCSE и проверялась на KorSTS-dev и Klue-dev. Она предназначена для поиска семантически близких предложений и сравнения формулировок на корейском языке. Репозиторий распространяется по лицензии MIT.

kornwtp/simcse-model-XLMR — модель эмбеддингов предложений на базе XLM-R, обученная разработчиком с использованием SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Архитектура — XLM-RoBERTa с 305,2 млн параметров; модель принимает текст и выдаёт векторы. Максимальная длина контекста — 514 токенов. Модель выпущена под лицензией Apache-2.0. README указывает на обучение на тайской Википедии, поэтому поддержка тайского подтверждена; фактическое качество для других языков не описано.

Карточка модели llmware/slim-boolean-phi-3 на Hugging Face совпадает с карточкой llmware/slim-xsum-phi-3, поэтому описание составлено по ней. 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.

cnmoro/static-nomic-384-pten-v2 — статическая модель текстовых эмбеддингов, созданная с помощью Tokenlearn на базе nomic-embed-text-v2-moe. Она выдаёт векторы размерности 384 и предназначена для построения представлений текста, семантического поиска и сравнения сходства предложений. Модель обучалась в потоковом режиме на предварительно вычисленных признаковых данных с инкрементальным PCA до 384 измерений и квантованием словаря с лимитом 32 тыс. эффективных токенов. В карточке указана настройка для английского и португальского языков; датасет обучения — AllTripletsMsMarco-PTBR. Модель распространяется в формате safetensors по лицензии Apache-2.0. Как статические эмбеддинги, она подходит для сценариев, где нужны компактные векторные представления текста. Карточка сообщает о сравнении с предыдущей версией, но не приводит здесь количественных результатов; качество на иных языках и задачах может отличаться от заявленного для целевых данных.