I.1Поиск и навигация по информации

alakxender/e5-dhivehi-qa-mnr — модель Sentence Transformers, разработанная alakxender для получения плотных векторных представлений предложений и абзацев на дивехи. Она дообучена для сопоставления вопросов с релевантными фрагментами текста и подходит для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Модель основана на XLM-RoBERTa, содержит 311,4 млн параметров и выдаёт векторы размерности 768; сходство оценивается косинусной мерой. README указывает максимальную длину последовательности 256 токенов, метаданные — контекст 514 токенов. Обучение продолжает серию моделей на основе multilingual-e5-base и использует датасет alakxender/dhivehi-qa-dataset из 9 232 примеров с MultipleNegativesRankingLoss. Модель рассчитана прежде всего на дивехи; теги также указывают английский язык. Лицензия — MIT. Она создаёт эмбеддинги, а не готовые ответы на вопросы; качество для языков и задач вне описанного обучения не установлено.

EpistemeAI разработала эту модель Sentence Transformer дообучением unsloth/embeddinggemma-300m на 10 000 примерах вопросов и фрагментов из набора generator, описанного как медицинская литература с рецензированием. Модель кодирует предложения и абзацы в плотные векторы размерности 768; сходство векторов оценивается косинусной мерой. Она предназначена для семантического поиска и сопоставления вопросов с фрагментами текста, а также для поиска перефразировок, классификации и кластеризации текстов. Модель содержит 302,8 млн параметров, использует архитектуру Gemma3Text и библиотеку Sentence Transformers. Метаданные указывают контекст 2048 токенов, тогда как README заявляет максимальную длину последовательности 1024 токена. Для поиска информации README приводит показатели cosine_accuracy@1 0,8285, @3 0,928 и @5 0,95. Это текстовая модель, а не диагностическая система; приведённые результаты относятся к указанной оценке и не гарантируют качество на других данных. Распространяется в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

jhu-clsp разработала Ettin-Encoder-150M как часть семейства Ettin — открытого набора согласованно обученных моделей-энкодеров и декодеров для сравнения архитектур и переноса обучения. Это плотный энкодер ModernBERT примерно с 149 млн параметров, обученный задаче masked language modeling; он принимает текст и предсказывает замаскированные токены. В метаданных указан контекст до 7 999 токенов и поддержка английского языка. Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения под классификацию и получения текстовых эмбеддингов, в том числе для поиска и ранжирования. Карточка Ettin сообщает о результатах семейства на английских задачах классификации и retrieval, но отдельные показатели именно версии 150M не приведены. Модель распространяется по лицензии MIT. Для генерации свободного текста она не предназначена; качество может зависеть от предметной области и последующего дообучения.

GbrlOl/fine-tune_utilizando_la_MNRL — дообученный на 527 парах текстов Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель использует энкодер BERT с mean pooling и нормализацией, преобразует предложения и абзацы в плотные векторы размерностью 384 и сравнивает их по косинусному сходству. Максимальная длина последовательности в README — 256 токенов; метаданные указывают контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. Примеры обучающих данных на испанском языке связаны с вопросами и документами о горнодобывающей отрасли, поэтому модель может быть полезна для поиска ответов в таких документах. Веса опубликованы в формате safetensors; для работы с моделью подходит библиотека Sentence Transformers. Лицензия в предоставленных сведениях не указана.

Это дообученный Sentence Transformer на основе sentence-transformers/all-MiniLM-L6-v2, опубликованный пользователем GbrlOl. Модель кодирует предложения и абзацы в плотные векторы размерности 384 и сравнивает их по косинусному сходству; архитектура включает энкодер BERT, усреднение токенов и нормализацию. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов, а карточка описывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и оценки сходства текстов; также её можно применять для поиска перефразировок, кластеризации и классификации текстов. Дообучение выполнено на 1628 примерах с парами query и sentence и метками, в карточке датасет обозначен как JSON. Пример обучения содержит испанский запрос и технический фрагмент о строительстве, но данных недостаточно, чтобы уверенно определить полный набор поддерживаемых языков или узкую предметную область. Лицензия в предоставленных сведениях не указана. Поскольку это эмбеддинговая модель, она выдаёт векторы, а не готовые ответы; качество зависит от соответствия входных данных обучающему набору и целевой задаче.

GATE-AraBert-v1 — модель эмбеддингов арабского текста, разработанная Omartificial-Intelligence-Space. Это Sentence Transformer на архитектуре BERT, дообученный в многозадачном режиме для сопоставления смысла предложений. Модель создаёт векторы размерности 768 и использует косинусное сходство для сравнения текстов. Модель предназначена для семантического поиска, поиска похожих предложений и оценки смыслового сходства арабских текстов. В обучении использованы наборы данных AllNLI и STS; метаданные также указывают Arabic-stsb и Arabic-NLi-Pair-Class. Максимальная длина последовательности — 512 токенов, число параметров — 162,4 млн. Модель принимает текст и выдаёт эмбеддинги; для использования предусмотрена библиотека Sentence Transformers. Модель лицензирована по Apache-2.0. Результаты зависят от предметной области и качества входных текстов; карточка приводит оценку на STS-бенчмарках, но не гарантирует качество для любых задач или доменов.

GreenNode разработала GreenNode-Embedding-Large-VN-V1 — модель Sentence Transformer на базе XLM-RoBERTa для получения плотных векторных представлений вьетнамских предложений и абзацев. Она кодирует входной текст в векторы размерностью 1024, нормализованные для сравнения по косинусному сходству; максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, в том числе таблиц и документов на вьетнамском языке. Её можно применять для поиска подходящих фрагментов в коллекциях документов, сопоставления похожих формулировок, кластеризации и классификации текста. В README приведены результаты сравнений на наборах для поиска по таблицам, юридическим текстам и вопросам по вьетнамским материалам; эти показатели относятся к указанным тестовым наборам. Модель распространяется под лицензией CC BY 4.0. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество на других языках и типах данных в предоставленных материалах не описано.

upskyy/gte-base-korean — дообученная модель Sentence Transformer на основе Alibaba-NLP/gte-multilingual-base, созданная для работы с корейскими текстами. Она обучена на korsts и kornli и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска и других задач с текстовыми представлениями. Модель использует трансформерный энкодер с усреднением токенных представлений; максимальная длина входа — 8192 токена. Для сравнения в README рекомендована косинусная близость. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации корейских текстов. Метаданные также содержат широкий набор языковых тегов, но карточка описывает дообучение именно для корейского языка. Модель распространяется в формате safetensors под лицензией Apache-2.0. В README приведены результаты оценки сходства на sts-dev; эти показатели относятся к указанному набору данных и не гарантируют качество на других доменах.

Это encoder-only модель семейства BERT для извлечения признаков из научных и патентных текстов и поиска по ним. В репозитории находятся только веса энкодера; размер модели — 137,1 млн параметров, максимальная длина входа — 512 токенов. Для научной статьи рекомендуется передавать заголовок и аннотацию в формате «title [SEP] abstract». Модель предназначена для получения векторных представлений текстов, которые можно использовать для поиска: в README рекомендуется нормализовать эмбеддинги по L2 и сравнивать их скалярным произведением. Доступна под лицензией MIT. Карточка не описывает обучение на конкретных языках и не приводит оценки качества, поэтому область применения по языку и сравнительную эффективность установить нельзя.

bongsoo/klue-cross-encoder-v1 — корейская модель на базе klue/bert-base, дообученная автором как cross-encoder с помощью класса Cross-Encoder из SentenceTransformers. Она оценивает семантическое сходство пары предложений, в частности для задач STS. В карточке приведены результаты на корейских и англоязычных наборах STS; модель показывает более высокую оценку на klue-sts, чем на korsts и glue STS-B. Модель использует архитектуру BERT с классификационной головой, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Основной язык — корейский; в опубликованной оценке также есть тест на английском. Лицензия — Apache-2.0. Cross-encoder выдаёт оценку для пары текстов, поэтому для ранжирования документов обычно нужно отдельно оценить каждую пару запроса и кандидата.

daekeun-ml/KoSimCSE-unsupervised-roberta-large — модель эмбеддингов предложений на основе RoBERTa large и метода SimCSE, опубликованная разработчиком daekeun-ml. Она обучена без размеченных пар предложений с помощью контрастивного обучения и предназначена для получения векторных представлений корейского текста. Эмбеддинги можно использовать для поиска семантически близких предложений и оценки сходства по косинусному или другим расстояниям. В README приведены результаты на корейских наборах KLUE-STS и Kor-STS: средние показатели для большой несупервизируемой модели составляют 81,96 и 81,71 соответственно. В руководстве по обучению рекомендована максимальная длина последовательности 32 токена; эти параметры описывают эксперимент обучения и не гарантируют качество для других данных. Модель опубликована в формате Safetensors под лицензией MIT. README также описывает учебный код для самостоятельного обучения SimCSE, включая supervised и distributed варианты.

Это модель Sentence Transformer от snunlp для получения векторных представлений корейских предложений и абзацев. Она основана на BERT с 144,3 млн параметров и формирует плотные эмбеддинги размерности 768; вектор предложения строится усреднением токенных представлений. Максимальная длина входа — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель обучена на корейском наборе klue/klue и предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и получения признаков для классификации. В README приведён результат Spearman 0,8765 на sts-dev. Она принимает текст на корейском языке и выдаёт векторы; классификацию и кластеризацию следует выполнять отдельным алгоритмом поверх эмбеддингов. Лицензия в предоставленных данных не указана.

Xenova/LaBSE — версия модели LaBSE из репозитория sentence-transformers/LaBSE, адаптированная в формате ONNX для совместимости с библиотекой Transformers.js. Репозиторий содержит ONNX-веса и предназначен для запуска модели в JavaScript-средах, включая веб-приложения. Модель рассчитана на извлечение признаков: она преобразует входной текст в векторное представление, которое может использоваться в задачах семантического поиска, сравнения текстов, кластеризации и других сценариях работы с эмбеддингами. В README не указаны архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, точные модальности, ограничения качества или лицензия, поэтому эти характеристики нельзя достоверно оценить по предоставленным данным.

LFM2-1.2B-RAG — компактная плотная языковая модель Liquid AI, дообученная на основе LiquidAI/LFM2-1.2B для генерации ответов по предоставленным контекстным документам в системах RAG. Она подходит для чат-ботов по документации продуктов, внутренних баз знаний и многошаговых диалогов о научных статьях и учебных материалах. Модель поддерживает диалоговый шаблон в стиле ChatML и контекст до 128 000 токенов; для генерации разработчик рекомендует жадное декодирование с temperature=0. Модель обучена на более чем миллионе примеров многошаговых диалогов и взаимодействий с несколькими документами. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский. В метаданных указана лицензия other; конкретные условия следует уточнять в карточке модели.

bizreach-inc/light-splade-japanese-56M — японская модель SPLADE для разреженного информационного поиска, опубликованная BizReach. Она кодирует запросы и документы в интерпретируемые разреженные векторы с весами токенов, пригодные для семантического поиска, извлечения документов и ранжирования. Модель основана на компактной архитектуре BERT с 12 слоями и 8 головами внимания, содержит 67,1 млн параметров по метаданным и обрабатывает последовательности длиной до 2048 токенов. Для токенизации используются японский токенизатор BERT, MeCab и WordPiece; модель обучена на японской части mMARCO с алгоритмом SPLADE++. На dev-наборе mMARCO-ja указаны MRR@10 0,4022, NDCG@10 0,45 и Recall@10 0,6411. Модель предназначена прежде всего для японского текста; качество может снижаться на предметных корпусах, отличающихся от mMARCO. Разреженные представления удобны для поиска по термам, но могут не передавать все нюансы семантики плотных векторов; также возможны ограничения словаря и смещения обучающих данных. Репозиторий распространяется по лицензии Apache-2.0.

billingsmoore/minilm-bo — англоязычную базовую модель sentence-transformers/all-MiniLM-L6-v2 дообучили на агрегированном наборе данных с тибетским и английским текстом, чтобы создавать векторные представления предложений и абзацев. Это энкодер Sentence Transformer на архитектуре BERT с 25,9 млн параметров; он выдаёт плотные векторы размерности 384, а сходство текстов оценивается косинусной близостью. Модель предназначена прежде всего для работы с тибетским языком: семантического поиска, сравнения предложений, поиска перефразирований и кластеризации. Максимальная длина последовательности — 512 токенов. Репозиторий распространяется по лицензии MIT. В README указана более новая версия khyentsevision/minilm-bo-en-sim, дополнительно дообученная для сходства предложений.

KennethTM/MiniLM-L6-danish-encoder-v2 — компактная модель Sentence Transformers на архитектуре BERT для представления датских предложений и абзацев в виде плотных векторов размерности 384. По карточке это обновлённая версия MiniLM-L6-danish-encoder, обученная на дополнительных данных GooAQ, переведённых на датский язык; модель адаптирована от англоязычной sentence-transformers/all-MiniLM-L6-v2 с датским токенизатором, а не обучена с нуля. Модель содержит 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Векторы подходят для семантического поиска, сравнения сходства предложений и кластеризации датских текстов. При обучении использовались переведённые на датский данные ELI5 и SQuAD, а также датские пары GooAQ. Лицензия — MIT. Описание не сообщает результатов сравнительной оценки качества; при использовании следует учитывать, что назначение и обучающие данные ориентированы на датский язык.

Модель amanrajput/MiniLM-L6-v2-biology-finetuned — энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, дообученный на 33 038 парах предложений с использованием MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство текстов можно оценивать косинусной мерой. Архитектура включает BERT-трансформер, усредняющий пулинг и нормализацию. В README указан предел последовательности 256 токенов; метаданные указывают нативный контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Примеры обучающих данных охватывают биологию и смежные темы, включая экологию и медицину, однако в карточке не описана отдельная специализированная область применения или оценка качества. Это текстовая модель для английских предложений и абзацев; лицензия в предоставленных данных не указана.

Mistral-7B Academic Metadata Extractor — дообученная Tamam Alhasan и Savaş Takan модель на базе Mistral-7B-Instruct-v0.3 для извлечения библиографических сведений из научных документов. Она принимает академический текст и формирует структурированный JSON с названием работы, ключевыми словами, авторами и их организациями, издателем, журналом и годом публикации. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Предназначена для автоматизации каталогизации в научных репозиториях, цифровых библиотеках и исследовательских базах. В описанной оценке точность извлечения полей составила 91,8%; оценка проводилась на наборе из 100 тестовых документов. Обучение и оценка проводились преимущественно на англоязычных научных документах. Качество может снижаться на документах с необычной разметкой, неполными данными, ошибками OCR или из областей, отличающихся от обучающих. Лицензия в предоставленных данных не указана.

mmBERTscandi-base-embedding — модель Sentence Transformer, разработанная Emillykkejensen и дообученная на датасете скандинавских текстовых эмбеддингов DDSC/nordic-embedding-training-data. В основе лежит jonasaise/scandmmBERT-base-scandinavian — ModernBERT с 306,9 млн параметров. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов на датском, норвежском и шведском языках. Её можно применять для поиска близких по смыслу фрагментов, выявления перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки на датских и скандинавских наборах для информационного поиска. Модель распространяется под лицензией Apache-2.0. Качество поиска зависит от соответствия данных и запросов языкам и тематике обучения; в README нет результатов для других языков.

jhu-clsp/mmBERT-small — компактный мультиязычный двунаправленный энкодер, разработанный исследовательской группой JHU CLSP на архитектуре ModernBERT. Модель содержит 140,5 млн параметров, включая 22 слоя с размером скрытого представления 384, и обучена на более чем 3 трлн токенов для свыше 1800 языков. Она использует masked language modeling и поддерживает контекст до 8192 токенов. Модель предназначена прежде всего для заполнения пропусков и получения контекстных представлений текста. После дообучения её можно применять для классификации, межъязыковых эмбеддингов, поиска и ранжирования документов; README сообщает о высокой скорости и улучшении результатов относительно XLM-R на таких задачах. Репозиторий опубликован в формате PyTorch и использует библиотеку Transformers. Лицензия — MIT. Это энкодер, а не генеративная модель для свободных ответов. Для прикладных задач классификации, эмбеддингов, поиска и ранжирования обычно требуется соответствующая донастройка; качество для отдельных языков и задач может различаться.

Карточка модели unsloth/ModernBERT-base на Hugging Face совпадает с карточкой answerdotai/ModernBERT-base, поэтому описание составлено по ней. ModernBERT-base — двунаправленная encoder-only модель семейства Transformer в стиле BERT, разработанная в сотрудничестве Answer.AI, LightOn и их коллег. Она предварительно обучена на 2 триллионах токенов английских текстов и кода и предназначена для заполнения пропусков в тексте, а также как основа для прикладных задач понимания языка и поиска. Модель содержит 22 слоя и 149 млн параметров, поддерживает контекст до 8192 токенов. В архитектуре используются RoPE, чередование локального и глобального внимания, unpadding и Flash Attention для эффективной обработки длинных последовательностей. Она подходит для анализа длинных документов, классификации, семантического и кодового поиска после настройки под соответствующую задачу. Обучающие данные преимущественно англоязычные и включают код, поэтому качество для других языков может быть ниже. Обработка полного окна контекста может быть медленнее, чем коротких последовательностей; возможны смещения из обучающих данных. Лицензия — Apache-2.0.

Карточка модели MahmoodAnaam/ModernBERT-large на Hugging Face совпадает с карточкой answerdotai/ModernBERT-base, поэтому описание составлено по ней. ModernBERT-base — двунаправленная encoder-only модель семейства Transformer в стиле BERT, разработанная в сотрудничестве Answer.AI, LightOn и их коллег. Она предварительно обучена на 2 триллионах токенов английских текстов и кода и предназначена для заполнения пропусков в тексте, а также как основа для прикладных задач понимания языка и поиска. Модель содержит 22 слоя и 149 млн параметров, поддерживает контекст до 8192 токенов. В архитектуре используются RoPE, чередование локального и глобального внимания, unpadding и Flash Attention для эффективной обработки длинных последовательностей. Она подходит для анализа длинных документов, классификации, семантического и кодового поиска после настройки под соответствующую задачу. Обучающие данные преимущественно англоязычные и включают код, поэтому качество для других языков может быть ниже. Обработка полного окна контекста может быть медленнее, чем коротких последовательностей; возможны смещения из обучающих данных. Лицензия — Apache-2.0.

BounharAbdelaziz/ModernBERT-Morocco-Sentence-Embeddings-v0.2-bs-32-lr-2e-05-ep-2-wp-0.05-gacc-1-gnm-1.0-v0.3 — модель Sentence Transformers, дообученная Abdelaziz Bounhar на базе BounharAbdelaziz/ModernBERT-Morocco для создания эмбеддингов предложений на марокканской дариже. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство оценивается косинусной мерой. Модель построена на ModernBERT с mean pooling и поддерживает последовательности до 8192 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. В карточке приведены результаты оценки на наборах для триплетного ранжирования, семантического сходства и перевода между английским и марокканской дариже; эти результаты зависят от конкретных тестовых данных. Модель выпущена под лицензией Apache-2.0.

castorini/monot5-3b-med-msmarco — реранкер на архитектуре T5, дообученный сначала на MS MARCO Passage в течение 10 тысяч шагов (около одной эпохи), затем на MedMARCO из работы Sledge-Z ещё 1 тысячу шагов. Модель предназначена для переоценки релевантности пассажей и ранжирования документов по запросу, в том числе в медицинском поиске. Модель принимает текстовый запрос вместе с текстом кандидата и оценивает их релевантность; контекст составляет 512 токенов. В метаданных указано 385,2 млн параметров и формат PyTorch. Карточка ссылается на работу о ранжировании документов с предобученной sequence-to-sequence моделью и на pygaggle.ai для инструкций по применению. Лицензия в предоставленных данных не указана.

MyAwesomeModel — модель семейства BERT из репозитория toolathlon3/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. Согласно метаданным, она реализована на PyTorch и библиотеке Transformers, а её основной тип задачи Hugging Face — feature-extraction. Модель может использоваться для получения векторных представлений текста, семантического поиска, кластеризации, сравнения текстов и как компонент систем классификации или других downstream-задач. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы и работы с функциями, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не подтверждают архитектуру генеративной модели. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные характеристики архитектуры в доступных данных не указаны.

ahmedHamdi/narrative-similarity-pt-en-masked-miniLM-L6 — дообученный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный с помощью AutoTrain. Модель предназначена для получения векторных представлений и оценки семантического сходства предложений, в том числе в сценариях поиска похожих текстов. Модель использует архитектуру BERT и библиотеку Sentence Transformers; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Карточка сообщает метрику validation loss 0,0887, но не описывает набор данных и методику оценки, поэтому это значение не позволяет судить о качестве на конкретных задачах. Лицензия в предоставленных данных не указана.

NeoAraBERT_Mix — арабская модель для получения текстовых эмбеддингов на архитектуре NeoBERT, разработанная совместно подразделением U4RASD Центра исследований и политических исследований арабских стран (ACRPS) и Американским университетом Бейрута (AUB). Чекпойнт предварительно обучен на открытых и внутренних наборах данных, охватывающих современный литературный арабский, классический арабский и диалекты. В репозитории указаны архитектура NeoBERT и размер 314,2 млн параметров; модель распространяется в формате Safetensors и рассчитана на работу через Transformers. Модель предназначена для построения эмбеддингов и задач понимания арабского текста. Авторы сообщают о сравнении с пятью арабскими моделями на 23 задачах и о лидерстве вариантов NeoAraBERT в 18 из них; отдельная задача Muradif оценивает качество эмбеддингов без дополнительного дообучения. В модель заложены решения, ориентированные на арабский язык: нормализация текста, лёгкий стемминг, обработка диакритики и POS-ориентированное маскирование токенов. Лицензия — CC BY-SA 4.0. Это базовая языковая модель, а её качество на конкретных прикладных задачах может зависеть от выбранной downstream-модели или дополнительной настройки; сведения о длине контекста в предоставленных данных отсутствуют.

Noql — компактная модель эмбеддингов предложений на персидском языке от shekar-ai. Она основана на ALBERT, использует mean pooling и L2-нормализацию и предназначена для поиска и сравнения текстов. README сообщает о 11,9 млн параметров, тогда как метаданные Hugging Face указывают 142,4 млн; размер модели поэтому не удаётся согласовать. Контекст составляет 512 токенов. Модель обучена на наборе Shiraz в два этапа: на парах запрос–документ с внутрипакетными отрицательными примерами, затем с добавлением сложных отрицательных примеров. Matryoshka-обучение позволяет сокращать 768-мерные эмбеддинги до 512, 256, 128 или 64 измерений с небольшим снижением результатов на FaMTEB. Подходит для семантического поиска, извлечения документов и оценки сходства персидских текстов. Модель распространяется по лицензии Apache-2.0. Ее область применения ограничена персидским языком; результаты на других языках не описаны.

thang1943/phobert-base-v2-c-loss — модель Sentence Transformers, дообученная автором на базе вьетнамского энкодера vinai/phobert-base-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости с помощью косинусного сходства. Архитектура включает RoBERTa-энкодер с усреднением токенных представлений; модель содержит 162,4 млн параметров и обрабатывает последовательности длиной до 256 токенов по README и до 258 токенов по метаданным. Модель предназначена для поиска семантически похожих текстов, поиска перефразировок, кластеризации, классификации текста и задач информационного поиска. Базовый PhoBERT ориентирован на вьетнамский язык, поэтому основное применение этой модели — вьетнамские предложения и документы. В карточке приведены результаты оценки информационного поиска, но данных недостаточно, чтобы установить их переносимость на другие наборы данных. Репозиторий использует библиотеку sentence-transformers и формат safetensors; лицензия в предоставленных данных не указана.