I.1Поиск и навигация по информации

Это дообученная модель Sentence Transformers на базе bkai-foundation-models/vietnamese-bi-encoder, разработанная для векторного представления вьетнамских текстов о туризме. Она использует архитектуру RoBERTa с усреднением токенных представлений и формирует плотные эмбеддинги размерности 768; сходство между ними можно оценивать косинусной мерой. Модель предназначена для семантического поиска, сопоставления запросов с текстами, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка на задаче поиска информации: точность cosine_accuracy@1 составляет 0,9323, @3 — 0,9825, @5 — 0,99. Максимальная длина входа — 256 токенов по README и 258 токенов по метаданным. Репозиторий использует формат safetensors и библиотеку Sentence Transformers. README не содержит сведений о лицензии.

vankha/asc_embedding — модель Sentence Transformers, дообученная на наборе из 42 пар текстов на основе hiieu/halong_embedding. Она кодирует предложения и абзацы на вьетнамском языке в нормализованные плотные векторы размерностью 768; сходство между ними можно оценивать косинусной мерой. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В примерах обучающих данных — вопросы и инструкции из сферы школьного администрирования и финансов, однако размер набора невелик, поэтому качество на других данных может быть ограничено. Лицензия — Apache-2.0.

Модель tsAspire разработана Sheshera Mysore, Arman Cohan и Tom Hope для сопоставления научных документов по информатике. Это модель на основе BERT с 137,1 млн параметров, которая кодирует заголовок и аннотацию статьи совместно, а затем формирует контекстуальные векторы предложений. Она обучена на 1,2 млн пар совместно цитируемых статей по информатике: контексты цитирования использовались для выравнивания похожих предложений, а обучение проводилось с контрастивной функцией потерь. Модель предназначена для поиска и ранжирования статей по сходству на уровне предложений, в том числе когда запрос задаёт конкретный аспект статьи. Документы ранжируются по минимальному L2-расстоянию между векторами предложений запроса и кандидата. README описывает оценку на англоязычном наборе CSFCube и возможность дообучения для классификации документов или предложений. Модель принимает текст заголовка и аннотации, поддерживает контекст до 512 токенов и выдаёт векторы предложений. Распространяется по лицензии Apache-2.0.

AstaBrief-8B-SFT — промежуточный чекпойнт supervised fine-tuning модели AstaBrief-8B, разработанной Allen Institute for AI (Ai2). Модель основана на Qwen3-8B и предназначена для подготовки отчётов по научным вопросам на основе найденных отрывков из литературы: она формирует ответы с цитатами, используя переданные пользователем источники. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Обучение проводилось на смеси реальных пользовательских запросов и отчётов, созданных конвейером ScholarQA; в README приведено улучшение результатов на тесте по информатике относительно исходной Qwen3-8B, включая точность и полноту цитирования. Для более стабильного результата рекомендуется использовать формат промпта обучения вместе с запросом и ссылками на разделы источников. Модель принимает текстовые исследовательские вопросы и извлечённые текстовые фрагменты, а выдаёт текстовый отчёт с цитатами. Карточка указывает английский язык; базовая модель многоязычная, но специализация этой настройки описана на англоязычных данных. Лицензия — Apache 2.0. Модель предназначена для исследовательского и образовательного применения согласно рекомендациям Ai2; качество отчёта зависит от предоставленных источников и соблюдения рекомендованного формата промпта.

sifat-febo/banglish-embed — модель векторных представлений предложений, разработанная автором карточки для поиска семантически соответствующих фраз на бенгальском языке и бенглиш, то есть бенгальской речи, записанной латиницей. Она преобразует короткие тексты в эмбеддинги, чтобы находить эквивалентные фразы между двумя письменностями; модель основана на BERT и дообучена на базе sifat-febo/banglish-encoder. Для запуска используется библиотека sentence-transformers; модель работает локально на CPU и не требует подключения к интернету. Модель рассчитана на короткие фразы и предложения примерно до 60 слов. В README приведены результаты поиска первого соответствия на наборе из 2 000 пар: 99,5% для направления с бенгальского на бенглиш и 99,2% в обратном направлении; эти показатели относятся к описанному тесту. Контекст модели — 96 токенов. Лицензия Apache-2.0.

Модель llm-book/bert-base-japanese-v3-jsts разработана авторами книги «大規模言語モデル入門» и представляет собой японскую модель BERT для оценки семантического сходства двух текстов. Она создана дообучением cl-tohoku/bert-base-japanese-v3 на наборе JGLUE JSTS и предназначена для сравнения предложений: модель возвращает числовую оценку сходства. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров, максимальная длина контекста — 512 токенов. Модель работает с японским текстом, использует Transformers и опубликована в формате PyTorch. Лицензия — Apache 2.0. Оценка является выходным баллом модели; README не задаёт шкалу или порог для принятия решений.

T-Systems-onsite/bert-german-dbmdz-uncased-sentence-stsb — немецкоязычная модель на архитектуре BERT, предназначенная для извлечения признаков из текста и получения представлений предложений, обученных для задачи STS-B (оценки семантического сходства). В карточке указано, что модель устарела; автор рекомендует вместо неё cross-en-de-roberta-sentence-transformer для немецкого, английского и межъязыкового применения. Модель содержит 137,1 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax, включая веса safetensors. Лицензия — MIT. Она подходит для построения векторного поиска и сравнения немецких предложений, но для новых проектов автор рекомендует более актуальную модель.

Pankajrajdeo разработал Bioformer-8L-UMLS-Pubmed_PMC-Backward_TCE-Epoch-1 — модель Sentence Transformer на архитектуре BERT для получения векторных представлений медицинских текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 512 и предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, классификации и кластеризации. Для сравнения векторов используется косинусное сходство. Модель содержит 50,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и формирует эмбеддинги с усреднением токенных представлений. Обучение указано на наборе parquet с парами anchor и positive; примеры в README относятся к биомедицинским публикациям. Лицензия в предоставленных данных не указана.

evangeliazve/camembert-ner-articles-nomination — дообученная модель CamemBERT для распознавания именованных сущностей в текстах. Она выделяет имена людей, организации и должности; в карточке приведены результаты оценки: F1 0,8723 и loss 0,6701. Модель описана как резервная версия модели для новостных статей; отдельная модель для предсказания отношений между сущностями упомянута как разрабатываемая, поэтому эта модель сама такие отношения не определяет. Модель содержит 137,8 млн параметров, использует архитектуру CamembertForTokenClassification и поддерживает контекст до 514 токенов. README указывает, что она дообучена на camembert-base, но набор данных не назван; предполагаемая область применения — извлечение сущностей из статей. Лицензия — MIT.

Qdrant/colmodernvbert — это ONNX-конверсия мультимодальной модели ColModernVBERT, разработанной авторами Paul Teiletche, Quentin Macé, Max Conti, Antonio Loison, Gautier Viaud, Pierre Colombo и Manuel Faysse. Конверсию для эффективного запуска с FastEmbed выполнил Qdrant. Модель предназначена для визуального поиска по документам и задач извлечения релевантных страниц или изображений документов по текстовым запросам. В основе модели — архитектура ModernVBERT, объединяющая текстовый энкодер ModernBERT на базе jhu-clsp/ettin-encoder-150m и визуальный энкодер SigLIP на базе google/siglip2-base-patch16-512. Проекционный слой преобразует представления к размерности 128. Модель содержит около 250 млн параметров, поддерживает контекст до 8192 токенов и обрабатывает изображения размером 512×512 после изменения размера процессором. Она рассчитана на раздельное кодирование изображений документов и текстовых запросов и интегрируется с мультимодальными API FastEmbed. К сильным сторонам относятся компактный размер для класса визуальных моделей, поддержка эффективного CPU- и GPU-инференса через ONNX и конкурентоспособность на бенчмарках визуального поиска документов по сравнению с моделями, которые могут быть до десяти раз больше. Ограничения включают специализацию на поиске по визуальным документам, возможные небольшие отличия производительности ONNX-версии от PyTorch-реализации и отсутствие в карточке подробных сведений о поддерживаемых языках. Модель распространяется по лицензии MIT.

ai4data/devdata-search-multilingual-e5-small-nopermute-cmnrl — компактная двуязычная по формату входных данных модель эмбеддингов, разработанная ai4data для семантического поиска по структурированным статистическим метаданным. Это дообученный биэнкодер на базе BERT-модели intfloat/multilingual-e5-small, распространяемый в формате safetensors и рассчитанный на использование через Sentence Transformers или Text Embeddings Inference. Модель кодирует запросы и описания записей в векторы для поиска и сравнения; в README рекомендуются префиксы «query: » для запросов и «passage: » для документов. Обучение проводилось на DevDataBench с функцией потерь cmnrl. Вариант nopermute не использует перестановку полей и исключение полей при обучении. Контекст ограничен 512 токенами, число параметров — 124,3 млн. Модель предназначена для поиска по статистическим метаданным и не является готовым размещённым поисковым сервисом. Лицензия — Apache-2.0.

sentence-transformers/distilbert-base-nli-max-tokens — модель sentence-transformers, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Архитектура основана на DistilBERT; модель принимает текст и формирует эмбеддинги. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Карточка помечает её как устаревшую и предупреждает о низком качестве эмбеддингов, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов.

NorskHelsenett eti-reranker-v1 — переранжировщик для норвежских медицинских текстов, разработанный на основе BAAI/bge-reranker-v2-m3. Это дообученный Cross Encoder на базе XLM-RoBERTa: он совместно обрабатывает запрос и документ и выдаёт один числовой балл релевантности для сортировки результатов поиска. Модель рассчитана на норвежский язык, включая запросы и документы о здравоохранении, и может применяться для семантического поиска и улучшения выдачи по медицинским материалам. Модель обучена на 1 130 346 примерах с запросами, документами и оценками релевантности. В карточке указана максимальная длина последовательности 2048 токенов; метаданные каталога сообщают нативный контекст 8194 токена. На приведённых наборах dev_rerank и test_rerank показаны высокие значения nDCG@10 — 0,9969 и 0,9945 соответственно. Эти результаты относятся к указанным наборам и не гарантируют качество на других данных. Лицензия — Apache-2.0.

dphn/fc-dolphin-2.6-mistral-7b-dpo-laser — языковая модель на архитектуре Mistral, разработанная Дэвидом, Фернандо и Эриком как версия Dolphin 2.6 с поддержкой вызова функций. Модель обучена на варианте набора glaive function calling v2 и использует формат описания и вызова функций из этого набора; для диалогов применяется ChatML. Модель предназначена для генерации текста и диалоговых сценариев, где ассистенту нужно выбирать и вызывать объявленные функции, например поиск по Wikipedia. В карточке описан экспериментальный приём частичной заморозки весов по анализу laserRMT, призванный снизить забывание ранее усвоенных знаний при обучении новым навыкам. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Авторы отмечают, что это первая модель в серии экспериментов; качество вызова функций и результаты метода частичной заморозки в карточке подробно не оценены.

Fusion Embedding 1 2B Preview — мультимодальная модель эмбеддингов EximiusLabs, дообученная на базе Qwen/Qwen3-VL-Embedding-2B. Она создаёт векторы текста, изображений, видео и аудио в общем пространстве для поиска и сопоставления между модальностями. Базовая модель заморожена; обучен только коннектор примерно на 16 млн параметров, который связывает признаки аудиобашни Qwen2.5-Omni с пространством эмбеддингов Qwen. Репозиторий содержит веса коннектора в формате safetensors; для работы требуются исходные замороженные башни. Эмбеддинги поддерживают Matryoshka-размерности от 64 до 2048 измерений. Модель предназначена для мультимодального поиска: например, по текстовому описанию аудиозаписей, по аудио среди изображений или по изображению среди других модальностей. Проверенные результаты особенно сильны для сопоставления аудио и текста, а аудио и изображений связываются без прямого обучения на парах аудио–изображение. Модель находится на стадии исследовательского preview v0.3; обучение ориентировано на звуковые события, поэтому распознавание содержания речи, характеристик диктора и описание музыки пока слабее. Входное аудио — моно, 16 кГц, окна до 30 секунд с разбиением более длинных записей; обучающие подписи на английском языке. Для корректной работы важно соблюдать шаблоны ввода базовой модели. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Это модель Sentence Transformers, разработанная ShoAnn на базе indobenchmark/indobert-base-p1 и дообученная на наборе indo_legalqa_triplets из 7 037 обучающих примеров. Она кодирует предложения и абзацы на индонезийском языке в плотные векторы размерности 768; близость текстов оценивается косинусным сходством. Архитектура включает BERT и mean pooling, максимальная длина последовательности — 512 токенов. Модель предназначена прежде всего для поиска и сопоставления текстов по индонезийским юридическим вопросам и ответам. Её можно применять для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и подготовки признаков для классификации текста. Это векторный энкодер, а не генеративная модель: она не формулирует ответы на вопросы. В метаданных указана библиотека sentence-transformers и формат весов safetensors. Лицензия в предоставленных данных не указана.

bespin-global/klue-sentence-roberta-base — модель эмбеддингов предложений и абзацев от Jaehyeong из Bespin Global. Она основана на RoBERTa и преобразует текст в плотные векторы размерности 768; размер модели — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска и кластеризации текстов. Её можно использовать в системах поиска по смыслу, группировки похожих предложений и сравнения текстовых фрагментов. Обучение проводилось с функцией потерь CosineSimilarityLoss на данных KLUE, что указывает на ориентацию на корейский язык. Модель доступна в формате PyTorch по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование. В карточке не приведены результаты оценки качества; поэтому качество для конкретного сценария следует проверять отдельно.

LFM2-1.2B-RAG-GGUF — языковая модель Liquid AI в формате GGUF, основанная на LFM2-1.2B. Она предназначена для генерации текста и специализирована на ответах по предоставленным контекстным документам, поэтому подходит для систем Retrieval-Augmented Generation (RAG): чат-ботов по документации продуктов, поддержки с внутренней базой знаний и академических ассистентов, ведущих многошаговые диалоги по научным статьям и учебным материалам. Модель имеет размер 1,2 млрд параметров и поддерживает текстовую модальность. В карточке указаны английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Формат GGUF ориентирован на использование с llama.cpp и развёртывание на периферийных устройствах. Сильная сторона модели — фокус на формировании ответов с опорой на заданные документы; при этом сведения о размере контекстного окна, архитектурных деталях, результатах тестирования и ограничениях качества не приведены. Модель распространяется по лицензии lfm1.0, указанной как специальная лицензия Liquid AI.

LiquidAgent-1.2B — текстовая модель LiquidAI/LFM2.5-1.2B-Thinking, дообученная автором Compactbot на трассах работы агента из TeichAI/Ox-Alpha-Pi-Traces. Она предназначена для диалоговых сценариев с вызовом инструментов: модель формирует вызовы, учитывает возвращённые результаты и продолжает рассуждение в следующих ходах. Архитектура LFM2 — плотная гибридная причинная языковая модель с 16 слоями: 10 сверточных LIV-блоков и 6 блоков GQA. Веса занимают около 1,5 млрд параметров, контекст — до 128 000 токенов по метаданным; базовая модель сохраняет шаблон рассуждения с блоками thinking. Модель ориентирована на агентные задачи и использование инструментов в текстовом диалоге. Дообучение исправляет обработку примеров так, чтобы включать ответы инструментов в обучающие данные. При этом обучение было лёгкой адаптацией всего на 379 примерах, независимые бенчмарки не проводились, а заявленная в README длина обучения 32K фактически не использовалась. Модель распространяется в формате safetensors по лицензии Apache-2.0.

MahaSBERT-STS — модель семейства Sentence-BERT на архитектуре BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она дообучена на наборе STS для оценки семантического сходства предложений на маратхи. Модель преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Число параметров — 264,8 млн, максимальная длина контекста — 512 токенов; доступный формат весов — PyTorch. Модель предназначена для работы с текстом на маратхи и может использоваться в поиске похожих предложений, сопоставлении пар фраз и группировке текстов по смыслу. Для применения требуется корректно получать векторы предложений, например через sentence-transformers либо с помощью подходящего pooling поверх выходов Transformers. Лицензия — CC BY 4.0. Качество на иных языках и задачах, кроме описанных, не заявлено; длина входа ограничена контекстом в 512 токенов.

Это англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная автором jebish7 на основе abhinand/MedEmbed-small-v0.1. Модель построена на архитектуре BERT и преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения в README указана косинусная близость. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и оценки сходства текстов. Её также можно применять для поиска перефразировок, кластеризации и классификации текстов, например для поиска релевантных ответов на вопросы в медицинских и клинических материалах. Для дообучения использован датасет CSV с 29 547 парами «вопрос — положительный пример» и MultipleNegativesRankingLoss. Репозиторий содержит веса в формате safetensors. Она выдаёт векторы для текстовых входов, поэтому подходит для поиска по близости и других задач, построенных на эмбеддингах. Качество вне представленных тренировочных данных может различаться; длина входа ограничена 512 токенами. Лицензия в предоставленных данных не указана.

MiniCPM4-MCP — диалоговая языковая модель команды MiniCPM, основанная на MiniCPM4-8B и предназначенная для выполнения запросов с помощью MCP-инструментов. Она принимает запрос пользователя и доступные инструменты, выбирает подходящие вызовы и использует их для выполнения задачи. Модель относится к плотной архитектуре MiniCPMForCausalLM, содержит 7,9 млрд параметров и поддерживает контекст до 32 768 токенов. Модель входит в семейство MiniCPM4, разработанное для эффективной работы на устройствах с ограниченными ресурсами. Карточка указывает поддержку китайского и английского языков, интерфейс чата и вызова инструментов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Заявленные свойства семейства не гарантируют аналогичную скорость для каждой конфигурации оборудования.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_1 — модель классификации текста на базе BERT, опубликованная пользователем Jeevesh8 на Hugging Face. Она дообучена для задачи QQP (Quora Question Pairs), то есть для определения семантической эквивалентности или дублирования пар вопросов. Модель содержит около 136,7 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Основной сценарий применения — классификация пар англоязычных текстов, прежде всего вопросов, по признаку смыслового соответствия. Модель не предназначена для генерации текста и ориентирована на узкую задачу, связанную с QQP.

MrBERT-science — многоязычная энкодерная модель для научного текста, разработанная лабораторией Language Technologies Lab Барселонского суперкомпьютерного центра. Она получена доменной адаптацией MrBERT: веса исходной модели дообучены на научном корпусе объёмом 3,6 млрд токенов, из которых 38,1% испанские и 61,9% английские. Модель построена на архитектуре ModernBERT и содержит около 307 млн параметров. Она обучена по задаче Masked Language Modeling и поддерживает заполнение пропусков в тексте; в метаданных указан контекст до 8192 токенов. Карточка приводит результаты на научной классификации, поиске и тематических бенчмарках, поэтому модель может служить основой для прикладных систем анализа научных публикаций на английском и испанском языках. Лицензия Apache-2.0. Авторы предупреждают о возможных смещениях и непреднамеренных искажениях; при использовании в сторонних системах ответственность за снижение рисков и соблюдение применимых требований лежит на пользователе.

sentence-transformers/nli-bert-base-cls-pooling — модель Sentence Transformers, разработанная командой sentence-transformers. Она построена на BERT и преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель устарела: авторы предупреждают, что она создаёт низкокачественные эмбеддинги, и рекомендуют выбрать более новые модели из каталога SBERT.net. Лицензия — Apache-2.0.

sentence-transformers/nli-bert-large-max-pooling — модель sentence-transformers, обученная командой Sentence Transformers на основе архитектуры BERT. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель поддерживает получение эмбеддингов и оценку сходства предложений; доступна с библиотекой sentence-transformers и в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Максимальная длина контекста — 512 токенов. Лицензия Apache-2.0. Модель помечена авторами как устаревшая: качество её эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов. Карточка не указывает специальные языковые или предметные ограничения.

OdiaSBERT — модель L3Cube-Pune для получения векторных представлений предложений на языке одия. Она основана на OdiaBERT и дообучена на наборе данных NLI; модель выпущена в рамках проекта MahaNLP. Её применяют для измерения сходства предложений и построения эмбеддингов, в том числе для поиска или группировки близких по смыслу текстов на одия. Модель использует архитектуру BERT, содержит около 264,8 млн параметров и обрабатывает до 512 токенов контекста. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0. Для получения эмбеддингов README описывает использование Sentence-Transformers либо применение подходящей операции pooling поверх выходов трансформера. Модель предназначена для одия и не заявлена как многоязычная: для поддержки основных индийских языков и межъязыковых задач авторы указывают отдельную мультиязычную модель. README также упоминает более качественную модель сходства, дообученную на основе этой; поэтому для максимального качества сходства стоит учитывать это ограничение.

Это плотная модель для получения текстовых эмбеддингов и поиска по сходству, разработанная Steve0927 для соревнования XIR 1170. Она дообучена на базе Qwen3-Embedding-0.6B с использованием траекторий LRAT и предназначена для роли ретривера в агентном поиске по фиксированному корпусу LRAT/BrowseComp-Plus. Веса модели содержат около 507,6 млн параметров, архитектура относится к Qwen3, формат публикации — safetensors; поддерживаемая длина контекста составляет 32 768 токенов. В обучении использованы 80 517 строк из официальных обучающих траекторий LRAT с фильтрацией и взвешиванием строк; README сообщает, что внешние данные и синтетические запросы не добавлялись. На локальной оценке по 830 запросам модель показала общий балл 38,0361 и recall 44,1349 при заданной конфигурации агентного поиска. Результат относится к конкретному пайплайну и не гарантирует аналогичного качества на других корпусах или настройках. Лицензия в предоставленных данных не указана.

ruri-v3-30m (ONNX) — это ONNX-версия модели cl-nagoya/ruri-v3-30m, опубликованная пользователем sirasagi62. Исходную модель разработала исследовательская группа CL Research Group in Nagoya, Japan. Модель предназначена для построения векторных представлений японских текстов и задач семантического поиска, сравнения сходства, классификации, кластеризации и retrieval. Модель основана на архитектуре ModernBERT-Ja и оформлена как Sentence Transformer с mean pooling. Она содержит около 37 млн параметров, формирует embeddings размерностью 256 и поддерживает последовательности до 8192 токенов. Основной язык — японский. Для разных сценариев предусмотрены префиксы для обычного семантического кодирования, тематического анализа, поисковых запросов и документов. ONNX-репозиторий содержит варианты модели с разными форматами и уровнями квантования, включая FP16, INT8, UINT8 и Q4. Сильные стороны модели — небольшой размер, длинный контекст, высокая специализация на японских текстах и возможность локального запуска через ONNX Runtime или Transformers.js. Ограничение состоит в том, что это не генеративная языковая модель и она ориентирована прежде всего на японский язык; для многоязычных корпусов её пригодность может быть ниже. Модель и ONNX-версия распространяются по лицензии Apache 2.0.

Карточка модели menadsa/S-Bio_ClinicalBERT на Hugging Face совпадает с карточкой menadsa/S-PubMedBERT, поэтому описание составлено по ней. menadsa/S-PubMedBERT — модель Sentence-Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов; README также описывает обучение с MultipleNegativesRankingLoss и косинусной мерой сходства на данных PubMed. Модель содержит 136,7 млн параметров, принимает текст и формирует векторные представления. Контекст ограничен 512 токенами. Для работы подходят Sentence-Transformers и Transformers с корректной операцией pooling. Карточка не сообщает лицензию и точные языковые характеристики, поэтому их нельзя установить по доступным данным.