I.1Поиск и навигация по информации

SA-STS-Embeddings-0.2B — модель плотных текстовых эмбеддингов от Omartificial-Intelligence-Space, дообученная на базе SA-BERT-V1 для семантического поиска и сравнения предложений на саудовских вариантах арабского языка. Она построена на архитектуре BERT, содержит 190 млн параметров и принимает последовательности длиной до 512 токенов, возвращая векторы размерности 768. Обучение на триплетах из 21 прикладной области использовало MultipleNegativesRankingLoss и Matryoshka Representation Learning. Модель предназначена для семантического поиска, извлечения контекста для RAG, кластеризации, определения намерений, оценки сходства и ранжирования текстов. Она ориентирована на диалекты Наджда и Хиджаза, а также на саудовскую речь с влиянием залива; карточка приводит высокие результаты на тестах сходства и триплетного ранжирования. Для длинных документов рекомендуется разбивать текст на фрагменты. В метаданных указана лицензия CC-BY-NC-4.0, которая ограничивает коммерческое использование. README указывает Apache 2.0, поэтому сведения о лицензии в источниках расходятся; перед использованием следует проверить лицензию репозитория на Hugging Face.

linhphanff/semantic-base-vi — модель на архитектуре RoBERTa с 162,4 млн параметров, опубликованная пользователем linhphanff. Она предназначена для оценки сходства предложений и может применяться для поиска семантически близких фраз и сравнения текстовых запросов. Метаданные указывают поддержку вьетнамского и английского языков, библиотеку Transformers и контекст до 258 токенов. Карточка содержит лишь краткую инструкцию по установке Transformers, поэтому подробности обучения и использования не описаны. Лицензия указана как other, без уточнения условий.

nickprock/sentence-bert-base-italian-xxl-uncased-sts-matryoshka — модель Sentence Transformers на базе BERT, разработанная nickprock. Она преобразует предложения и абзацы на итальянском языке в плотные векторы размерностью 768 для поиска семантически похожих текстов, кластеризации и других задач сопоставления предложений. Обучение использовало MatryoshkaLoss с CoSENTLoss и целевыми размерностями 768, 512, 256, 128 и 64, что позволяет использовать эмбеддинги разных размеров. Модель содержит 137,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Репозиторий предоставляет веса в формате safetensors; для применения предусмотрена библиотека sentence-transformers. Лицензия — MIT. Она предназначена для итальянских текстов; результаты для других языков README не заявляет.

Yunika/sentence-transformer-nepali — модель эмбеддингов предложений на базе BERT, опубликованная под именем Yunika. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства; её контекст ограничен 512 токенами, размер составляет 264,8 млн параметров, веса представлены в формате Safetensors. Модель предназначена для работы с текстом на непальском языке. Её можно использовать через библиотеку Sentence-Transformers или Transformers с подходящей операцией pooling. В метаданных лицензия не указана, поэтому условия использования по имеющимся данным определить нельзя.

Cyclone SIMCSE Chinese RoBERTa WWM Ext — модель для получения векторных представлений предложений на упрощённом китайском языке. Она разработана на основе Chinese RoBERTa WWM Ext: энкодер токенов используется в подходе Simple Contrastive Learning для кодирования предложений. Модель содержит 129,5 млн параметров, имеет архитектуру BERT и контекст до 512 токенов; веса доступны в формате PyTorch. Модель предназначена для построения эмбеддингов, которые можно применять для семантического поиска, сравнения сходства предложений и поиска похожих текстов. README рекомендует загружать её с помощью SentenceTransformer. Сведения о лицензии и специальных ограничениях в предоставленных данных отсутствуют.

pkshatech разработала японскую модель SimCSE для получения векторных представлений предложений. Она основана на cl-tohoku/bert-base-japanese-v2 и дообучена на обучающей выборке JSNLI — набора для японского логического вывода на естественном языке. Модель использует архитектуру BERT-base с примерно 138,4 млн параметров и формирует эмбеддинг через слой полносвязного преобразования представления [CLS]. Модель предназначена для сравнения смысловой близости японских предложений, семантического поиска и задач, где нужны эмбеддинги предложений. В README указаны обучение в течение 20 эпох, использование сложных негативных примеров и максимальная длина последовательности 128 токенов; контекст модели по метаданным — до 512 токенов. Доступны веса PyTorch, лицензия — CC BY-SA 4.0.

Модель Symanto sn-mpnet-base-snli-mnli — сиамская sentence-transformers-модель на базе MPNet, обученная на наборах SNLI и MNLI. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для классификации текста в zero-shot и few-shot сценариях, сравнения семантической близости и извлечения признаков. Модель содержит 136,7 млн параметров, принимает текст на английском языке; длина контекста — 514 токенов. Векторные представления можно использовать для сравнения текста с описаниями классов, поиска похожих фраз и построения классификаторов с небольшим количеством примеров. Для применения доступны Sentence-Transformers и Transformers; при использовании Transformers требуется подходящий pooling контекстуальных представлений. В метаданных указана библиотека PyTorch. Лицензия в предоставленных данных не приведена.

Solon Embeddings Base 0.1 — открытая модель эмбеддингов от OrdalieTech для сравнения смысловой близости текстов и поиска по ним. Она основана на XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена прежде всего для французских текстов. Её оценивали на девяти французских бенчмарках для классификации, семантического сходства и переранжирования. Для запросов в поиске авторы рекомендуют добавлять префикс «query : », тогда как пассажи можно подавать без специальной инструкции. Лицензия — MIT. Карточка приводит результаты бенчмарков, но не описывает ограничения по тематике или гарантии качества на других языках и типах текстов; показатели на французских наборах не гарантируют аналогичную точность в иных сценариях.

Sathvik0101/srag-biencoder-hn — sentence-transformers биэнкодер, дообученный разработчиком на базе sanganaka/bge-m3-sanskritFT. Модель использует XLM-RoBERTa с пулингом CLS и нормализацией, преобразует текстовые предложения и абзацы в плотные векторы размерностью 1024. Сходство векторов можно оценивать косинусной мерой; модель предназначена для семантического поиска и извлечения релевантных текстов. В метаданных указано контекстное окно 8194 токена, а в README — максимальная длина последовательности 256 токенов. Обучение описано для набора из 4858 примеров с MultipleNegativesRankingLoss. Базовая модель специализируется на сопоставлении английских и санскритских текстов, поэтому пригодность этой версии для других языков не подтверждена. Лицензия в предоставленных данных не указана.

Это модель эмбеддингов предложений на основе Greek Media BERT без учёта регистра, опубликованная Dimitrios Zaikis и соавторами вместе с работой DACL. Она преобразует предложения и абзацы на греческом языке в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель имеет архитектуру BERT, содержит 140,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель дообучена с помощью Triplet Loss на пользовательской выборке предложений из интернета, социальных сетей и прессы: обучение сближало более похожие предложения и отдаляло менее похожие. Это делает её подходящей для семантического поиска и кластеризации грекоязычных текстов в этих областях. Доступны веса PyTorch и safetensors; для использования подходят Sentence-Transformers и Transformers с соответствующим pooling. Лицензия в предоставленных данных не указана.

sdadas/st-polish-paraphrase-from-distilroberta — модель на базе Sentence-Transformers, опубликованная пользователем sdadas. Она преобразует предложения и абзацы на польском языке в плотные векторы размерности 768 для поиска семантически близких текстов. Модель основана на архитектуре RoBERTa и содержит около 151,6 млн параметров; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска, сравнения предложений и абзацев, кластеризации текстов и построения векторного поиска. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; Sentence-Transformers упрощает этот процесс. Веса доступны в форматах PyTorch, Safetensors и TensorFlow. Лицензия — LGPL. Карточка указывает назначение для парафразов, однако не приводит конкретных результатов оценки, поэтому качество на конкретных данных следует проверять отдельно. Модель предназначена для польского языка; перенос на другие языки не подтверждён.

sentence-transformers/stsb-bert-large — модель Sentence Transformers, обученная командой sentence-transformers для преобразования предложений и абзацев в плотные векторные представления размерностью 1024. Она основана на архитектуре BERT и подходит для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель принимает текст и выдаёт эмбеддинги; её максимальная длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые альтернативы. Лицензия — Apache-2.0.

cl-nagoya/sup-simcse-ja-base — японская модель эмбеддингов предложений, разработанная с помощью supervised SimCSE на основе cl-tohoku/bert-base-japanese-v3 и дообученная на наборе JSNLI. Она использует архитектуру BERT с 138,4 млн параметров; для получения векторов применяет pooling по токену CLS. Модель предназначена для представления японских предложений в виде векторов и вычисления сходства между ними, например при поиске семантически близких фраз или группировке текстов. Модель доступна через Sentence-Transformers или Transformers и принимает последовательности длиной до 512 токенов по контекстному ограничению; при обучении использовалась максимальная длина 64. Выход — векторные представления текста. Лицензия CC BY-SA 4.0 требует атрибуции и распространения производных материалов на тех же условиях.

Это англоязычный BERT-ранжировщик на основе google-bert/bert-base-uncased, дообученный командой UtahNLP с помощью Tevatron-Elastic. Он предназначен для повторного ранжирования найденных документов по их релевантности запросу в системах информационного поиска. Модель поддерживает эластичное сокращение глубины: один чекпойнт позволяет выбирать число используемых слоёв и балансировать качество и вычислительные затраты. Модель обучена на наборе rlhn/rlhn-680K, использует префиксы query: и passage:, максимальная длина входа — 512 токенов. Для полной конфигурации авторы сообщают BEIR-15 nDCG@10 0,453. Для выбора режима работы нужны инструменты Tevatron-Elastic; модель выпущена как ресурс для воспроизводимости исследования и не заявлена как достижение нового уровня качества. Весовые файлы доступны в формате safetensors, лицензия — Apache-2.0.

Карточка модели 1289dfaj/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.

text2vec-large-chinese-i1-GGUF — квантованная версия модели GanymedeNil/text2vec-large-chinese, подготовленная mradermacher в формате GGUF. Модель предназначена для получения векторных представлений китайскоязычного текста и задач семантического сходства, включая поиск похожих предложений, сопоставление текстов и другие сценарии feature extraction. Это не генеративная диалоговая модель. В README указано, что модель поддерживает китайский язык. Сведения об архитектуре, количестве параметров, максимальной длине контекста, точных входных и выходных форматах, а также о дополнительных модальностях не приведены. Доступны многочисленные варианты квантования размером примерно от 0,2 до 0,4 ГБ, включая IQ- и Q-типы; они различаются компромиссом между размером, скоростью и качеством. Для некоторых низкобитных вариантов прямо отмечено снижение качества, тогда как Q4_K_M обозначен как быстрый и рекомендуемый. Модель удобна для локального запуска в экосистеме, поддерживающей GGUF, и позволяет существенно сократить требования к дисковому пространству и памяти. Ограничения связаны с потерями качества при агрессивном квантовании и отсутствием в README подробных результатов оценки, характеристик производительности и рекомендаций по выбору конкретного варианта для разных задач. Лицензия исходной модели указана как Apache-2.0.

Tien09/tiny_bert_ft_sim_score_1 — модель Sentence Transformers, дообученная автором на базе prajjwal1/bert-tiny на датасете пар текстов с оценками сходства. Она кодирует предложения и абзацы в плотные векторы размерности 128; для сравнения используется косинусное сходство. Модель подходит для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Архитектура включает BertModel с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель рассчитана на английский язык. Датасет обучения содержит пары текстов и оценки сходства; примеры относятся к описаниям карт Yu-Gi-Oh!, поэтому качество на иных тематиках может отличаться. Лицензия — Apache-2.0.

Dhivehi TSDAE News BERT — модель Sentence-Transformers на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерностью 768. Модель насчитывает 79,7 млн параметров и принимает текст; векторы подходят для семантического поиска и кластеризации новостных заголовков и других текстов на дивехи. Модель использует обучение TSDAE с функцией потерь DenoisingAutoEncoderLoss. Её можно применять через Sentence-Transformers либо Transformers с подходящей операцией pooling. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

UME-R1-2B — модель семейства Qwen2-VL, представленная в виде плотной архитектуры с 1,5 млрд параметров. По карточке, модель прошла этап обучения с учителем для холодного старта и этап обучения с подкреплением. Она формирует эмбеддинги текста, изображений, нескольких изображений и видео; доступны дискриминативные и генеративные представления. Для генеративных эмбеддингов описан потенциал масштабирования за счёт повторных выборок во время вывода. Контекст составляет 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления представлений; карточка сообщает о преимуществах в оценках относительно дискриминативных эмбеддингов, но не приводит датасеты и численные результаты. Использование предполагает библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

Модель use-token-shuffle-pt разработана Victormuryn как часть коллекции украинских эмбеддингов предложений. Это дообученная с контрастивной целью модель Sentence Transformers на базе paraphrase-multilingual-mpnet-base-v2, архитектура XLM-RoBERTa, около 305,2 млн параметров. При обучении использовался корпус UberText 2.0 и аугментация перемешиванием токенов с целями для pooling. Модель преобразует предложения и абзацы в векторы для семантического сравнения, поиска и кластеризации. Она ориентирована на получение эмбеддингов украинского текста; метаданные также указывают поддержку множества других языков. Контекст составляет 514 токенов. Распространяется по лицензии Apache-2.0.

LamaDiab/V7MiniLM-Synonyms-SemanticEngine — модель Sentence Transformer на архитектуре BERT, обученная сопоставлять предложения и абзацы в общем векторном пространстве размерности 384. Она подходит для поиска семантически близких формулировок, оценки сходства текстов, поиска перефразировок, кластеризации и подготовки признаков для классификации. В README указано обучение на 683 парах коротких текстов, включая синонимичные выражения; для сравнения используется косинусное сходство. Веса доступны в формате safetensors; модель содержит 25,9 млн параметров. Максимальная длина последовательности в описании архитектуры README — 256 токенов, а метаданные указывают нативный контекст 512 токенов. README не сообщает поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

Vela FactCheck — дообученная модель-классификатор из семейства ModernBERT, разработанная llm-semantic-router. Она определяет, требует ли запрос внешних фактических знаний или поиска по источникам; модель не проверяет истинность утверждения. Число параметров — 306,9 млн, контекст — до 32 768 токенов с учётом специальных токенов. Модель принимает текст и выдаёт метку классификации. В карточке приведена оценка на наборе из 186 проверенных запросов: macro F1 — 88,08, точность — 88,17 по шкале 0–100. Этот набор использовался при выборе модели и не является независимым тестом; результаты не показывают качество на входах длиной 32 тысячи токенов. Модель доступна в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

anhtuansh/vietnamese-bi-encoder-Financial-Matryoshka-1e-200k — дообученная модель Sentence Transformers на базе bkai-foundation-models/vietnamese-bi-encoder, разработанная для получения плотных векторных представлений вьетнамских предложений и абзацев. Она основана на RoBERTa и использует среднее объединение токенных представлений; исходная размерность вектора — 768, сходство оценивается косинусной мерой. Благодаря Matryoshka-обучению доступны укороченные представления размером 512, 256, 128 и 64 измерения. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. Она обучалась на парах примеров из набора json: карточка указывает 181 350 обучающих и 20 150 оценочных примеров. Максимальная длина последовательности — 258 токенов по метаданным; README указывает ограничение 256 токенов. Лицензия в предоставленных сведениях не указана.

Карточка модели nrl-ai/vietnamese-embedding на Hugging Face совпадает с карточкой dangvantuan/vietnamese-embedding, поэтому описание составлено по ней. dangvantuan/vietnamese-embedding — модель эмбеддингов предложений для вьетнамского языка, разработанная на основе PhoBERT с архитектурой RoBERTa. Она преобразует текст векторы размерности 768 и предназначена для семантического поиска, сравнения сходства предложений и кластеризации текстов. Модель построена на Sentence Transformers: использует среднее объединение токенных представлений и поддерживает последовательности до 512 токенов согласно README; метаданные каталога указывают контекст 258 токенов. Веса содержат 162,4 млн параметров. Обучение включало SimCSE с контрастивным обучением, а также дообучение на наборах XNLI-vn и STSB-vn. В карточке приведены результаты оценки корреляции на наборах семантического сходства для вьетнамского языка. Модель подходит для поиска семантически близких фраз и группировки вьетнамских текстов по смыслу. Она принимает текст и возвращает векторные представления; результаты для других языков карточкой не подтверждены. Распространяется по лицензии Apache-2.0.

Карточка модели Gnartiel/vietnamese-sbert на Hugging Face совпадает с карточкой keepitreal/vietnamese-sbert, поэтому описание составлено по ней. keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

bwang0911/word-order-jina — англоязычная модель Sentence Transformers, дообученная на базе jinaai/jina-embeddings-v2-base-en. Архитектура JinaBertModel преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768; для сравнения используется косинусное сходство. В README указана максимальная длина последовательности 128 токенов, а метаданные базовой модели приводят контекст до 8192 токенов. Модель обучалась на примерах порядка слов и отрицаний. Она предназначена для семантического сравнения текстов, поиска похожих фраз, поиска с учётом смысла, кластеризации и классификации; обучение на контрастных примерах нацелено на различение утверждений с разным порядком слов и отрицанием. Лицензия в предоставленных данных не указана.

tmnam20/xlm-roberta-base-qqp-100 — модель классификации текстовых пар, созданная дообучением XLM-RoBERTa Base на наборе tmnam20/VieGLUE/QQP. Она предназначена для определения связи между двумя вопросами, например для выявления дубликатов и поиска похожих вопросов. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и принимает текст; заявленная длина контекста — 514 токенов. В README приведены результаты на оценочной выборке: accuracy 0,8946 и F1 0,8587. Репозиторий распространяется под лицензией MIT. Карточка не уточняет поддерживаемые языки и ограничения применения; метаданные указывают английский язык, но обучающий набор называется VieGLUE, поэтому язык модели определён не вполне однозначно.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-u_GIST_BAAI_bge-base-en-v1.5-20240127164623-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.

biu-nlp/abstract-sim-sentence — англоязычный sentence encoder на архитектуре MPNet, разработанный для сопоставления абстрактных описаний предложений с подходящими им предложениями. Модель обучена на данных Википедии; для поиска соответствий её используют вместе с отдельным Query encoder в двухбашенной архитектуре. Энкодер принимает предложения и преобразует их в признаки для сравнения и поиска подходящих текстов. Модель содержит 136,7 млн параметров, поддерживает контекст длиной до 514 токенов и поставляется в формате PyTorch. Подходит для семантического поиска и сопоставления предложений по смыслу. Лицензия в предоставленных данных не указана.

AetherSearch_SFT — компактная языковая модель Muradil211 для агентного поиска и ответов с опорой на найденные свидетельства. Это дообученная методом supervised fine-tuning модель Qwen2.5-3B-Instruct с плотной архитектурой Qwen2 и 3,1 млрд параметров. Модель принимает текстовые вопросы и генерирует поисковые запросы, этапы рассуждения и итоговые текстовые ответы; контекстное окно — 32 768 токенов. Модель предназначена для интеграции в поисковый или RAG-сценарий: она может решить, какую информацию искать, сформировать запрос, учесть полученные отрывки и при необходимости повторить поиск. Для работы нужен внешний поисковый механизм и среда исполнения, которая обрабатывает запросы модели и возвращает найденные данные по ожидаемому протоколу. В обучении использовано 2 000 поисковых траекторий; карточка не приводит результатов оценки качества. Модель подходит для экспериментов и развёртывания компактного поискового агента, но найденные сведения и ответы могут быть ошибочными, неподтверждёнными или небезопасными, поэтому проверка остаётся ответственностью вызывающей системы. Отдельная лицензия в карточке не заявлена: перед использованием и распространением необходимо проверить лицензию Qwen2.5-3B-Instruct и права на данные AetherSearch SFT.