I.1Поиск и навигация по информации

Карточка модели igzi/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели nililba/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_5_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, дообученная для создания плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения компонентов поиска на эмбеддингах. В README указано обучение с CosineSimilarityLoss. Размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Метаданные указывают на поддержку sentence similarity и извлечения признаков; языковая специализация не обозначена. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория Hugging Face. Эмбеддинги сами по себе не генерируют ответы и качество поиска зависит от данных и выбранной схемы индексации.

Y-J-Ju/ModernBERT-base-ColBERT — англоязычная модель поиска и ранжирования документов, созданная с помощью PyLate дообучением answerdotai/ModernBERT-base. Она кодирует запросы и документы в последовательности плотных 128-мерных векторов и сопоставляет их оператором MaxSim; в README указана архитектура ColBERT с ModernBERT и линейным слоем проекции с 768 до 128 измерений. Модель рассчитана на документы длиной до 180 токенов и запросы до 32 токенов; контекст базовой архитектуры — 8192 токена. Её можно применять для семантического поиска по коллекции документов и для повторного ранжирования кандидатов, полученных на первом этапе поиска. Обучение описано как дистилляция на данных для поиска; метаданные указывают датасет lightonai/ms-marco-en-bge и 808 728 примеров. В README приведены результаты nDCG@10 на нескольких наборах оценки, но они не гарантируют аналогичного качества на других данных. Модель использует библиотеку PyLate и опубликована в формате safetensors; лицензия в предоставленных сведениях не указана.

tasksource/ModernBERT-base-embed — англоязычная модель Sentence Transformers, дообученная на базе answerdotai/ModernBERT-base для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, оценки сходства и обнаружения перефразировок. Модель также подходит для кластеризации и классификации текста с использованием эмбеддингов. Архитектура состоит из ModernBertModel и слоя пулинга по CLS-токену. Максимальная длина входной последовательности — 8192 токена; сходство векторов можно оценивать косинусной мерой. Модель обучалась на наборах данных для поиска ответов, естественного следования, сходства предложений и выявления перефразировок. В первую очередь рассчитана на английский язык. Сведения о лицензии в предоставленных данных отсутствуют.

robro612/modernbert_colbert_contrastive — англоязычная модель поиска на основе ModernBERT, дообученная автором с помощью PyLate на 10 млн триплетов msmarco-10m-triplets. Архитектура ColBERT включает ModernBERT и линейный слой, который преобразует представления размерности 768 в последовательности 128-мерных векторов; релевантность запроса и документа оценивается оператором MaxSim. Модель содержит 149 млн параметров и принимает текст. Метаданные указывают контекст до 8192 токенов, а карточка описывает обработку документов длиной до 512 токенов и запросов до 32 токенов. Модель предназначена для семантического поиска по коллекции документов и повторного ранжирования результатов первичного поиска. Её можно применять для поиска ответов в корпусах вопросов и документов, включая задачи в стиле MS MARCO и наборы Nano BEIR. Векторы создаются на уровне токенов, поэтому модель подходит для поиска с MaxSim и индексации через FastPLAID в PyLate. Карточка приводит результаты оценки на нескольких поисковых наборах, но они не гарантируют качество на конкретной коллекции. Лицензия в предоставленных данных не указана.

robro612/ModernBERT-XTR — модель PyLate для поиска и ранжирования текстов на основе архитектуры ColBERT с трансформером ModernBERT. Она обучена методом дистилляции на lightonai/ms-marco-en-bge-gemma и дополнительно контрастивно обучена на bclavie/msmarco-10m-triplets; в метаданных указано 149 млн параметров. Модель преобразует запросы и документы в последовательности плотных 128-мерных векторов и сопоставляет их оператором MaxSim. Подходит для семантического поиска по коллекции документов и для переранжирования результатов первичного поиска. README указывает ограничения длины в 32 токена для запроса и 512 токенов для документа; метаданные указывают контекст до 8192 токенов. Для запуска и построения индекса предназначена библиотека PyLate, а для эффективного поиска README описывает индекс FastPLAID. Модель рассчитана на английский язык. В карточке приведены оценки на наборах Nano BEIR и задачах PyLate Information Retrieval. Лицензия в предоставленных данных не указана.

sobamchan/monnem-large-v0 — модель Sentence Transformer, дообученная на базе answerdotai/ModernBERT-large. Она кодирует предложения и абзацы на английском языке в плотные векторы размерностью 1024 для семантического поиска и извлечения текстов; сходство между векторами рекомендуется оценивать косинусной метрикой. Архитектура состоит из энкодера ModernBERT и слоя усредняющего пулинга. Метаданные указывают 394,7 млн параметров и контекст до 8192 токенов, тогда как карточка модели задаёт максимальную длину последовательности 512 токенов. Модель принимает текст и выдаёт эмбеддинги. Подходит для поиска релевантных предложений и абзацев, в том числе как компонент retrieval-систем. Данных о специализированных предметных областях нет. Модель опубликована под лицензией, сведения о которой в предоставленных источниках отсутствуют.

castorini/monobert-large-msmarco-finetune-only — модель на архитектуре BERT Large, преобразованная из чекпойнта, обученного на MS MARCO. Она предназначена для ранжирования пассажей: оценивает пары запроса и текста, чтобы выбрать наиболее релевантные фрагменты. Модель относится к классу BertForSequenceClassification, содержит 433,9 млн параметров и принимает текст с контекстом до 512 токенов. Чекпойнт представлен в форматах PyTorch и Flax. В карточке указана лицензия Apache-2.0. Модель ориентирована на поиск и ранжирование текстовых фрагментов; сведений о поддержке других языков, кроме английского языка датасета MS MARCO, нет.

tomaarsen/mpnet-base-nq-prompts — англоязычная модель Sentence Transformers, дообученная на парах запросов и ответов датасета Natural Questions. Она основана на microsoft/mpnet-base и преобразует предложения и абзацы в плотные векторы размерностью 768 для вычисления семантического сходства по косинусной мере. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Её обучение на парах Natural Questions ориентировано на сопоставление вопросов с ответами, а приведённые в карточке оценки охватывают несколько наборов для поиска информации. Лицензия — Apache-2.0. Качество зависит от соответствия данных предметной области и языка; основной язык обучения и карточки — английский.

Карточка модели opantama/mpnet-rag-science-embeddings на Hugging Face совпадает с карточкой sentence-transformers/all-mpnet-base-v2, поэтому описание составлено по ней. all-mpnet-base-v2 — модель Sentence Transformers, разработанная в ходе Community Week Hugging Face. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В основе лежит microsoft/mpnet-base, дообученная контрастивным обучением на более чем миллиарде пар предложений из нескольких наборов данных. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст. Её можно применять для семантического поиска, извлечения информации и группировки похожих фрагментов. Текст длиннее 384 токенов модели обрезается; README рекомендует использовать её как кодировщик предложений и коротких абзацев. Лицензия — Apache-2.0.

MPNet Retriever (Discourse) — модель эмбеддингов на базе MPNet, дообученная Джеймсом Бриггсом из Pinecone. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска релевантных фрагментов в задачах открытого вопросно-ответного поиска, в том числе по техническим форумам Hugging Face, PyTorch, Streamlit и TensorFlow. Модель основана на архитектуре BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Дообучение на парах вопросов и ответов использовало функцию потерь Multiple Negatives Ranking Loss с косинусным сходством. Её можно применять для семантического поиска и отбора документов для последующей системы вопросно-ответных ответов. Модель принимает текст и выдаёт векторные представления, но сама по себе не генерирует ответы. Веса опубликованы в формате PyTorch; лицензия в предоставленных данных не указана.

pinecone/mpnet-retriever-squad2 — модель Sentence Transformers на базе MPNet, разработанная Pinecone. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для поиска похожих фрагментов и извлечения релевантных текстов по смыслу. В карточке описано обучение, но не указаны языки, обучающие данные и результаты бенчмарков, поэтому качество для конкретных языков и предметных областей по этим сведениям оценить нельзя. Формат файлов — PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

cross-encoder/ms-marco-MiniLM-L12-v2 — модель ранжирования текстовых пар на базе MiniLM-L12 от Microsoft, дообученная командой Sentence Transformers на задаче ранжирования пассажей MS MARCO. Она принимает поисковый запрос вместе с каждым кандидатом-текстом и оценивает их релевантность, чтобы упорядочить уже найденные документы, например после первичного поиска в ElasticSearch. Модель использует архитектуру BERT для классификации последовательностей, содержит около 40 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для повторного ранжирования результатов информационного поиска и извлечения релевантных пассажей. Карточка приводит оценки на наборах TREC Deep Learning 2019 и MS MARCO, однако скорость в ней измерена на V100 GPU и зависит от оборудования. Модель поддерживает английский язык; лицензия Apache-2.0.

unicamp-dl/mt5-base-mmarco-v2 — модель на архитектуре mT5, дообученная на многоязычной версии набора MS MARCO для ранжирования пассажей. Версия Multi MS MARCO включает коллекции пассажей MS MARCO на девяти языках; для версии v2 данные переведены с помощью Google Translate. Модель содержит 291,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для оценки релевантности пассажей поисковому запросу в многоязычных задачах поиска информации. Её можно использовать для ранжирования найденных фрагментов текста, например, при поиске ответов в корпусе документов. В карточке указана лицензия MIT. Перевод обучающих данных машинный, поэтому качество может зависеть от языка и особенностей перевода.

Xenova/multilingual-e5-large — это версия модели intfloat/multilingual-e5-large с весами в формате ONNX, подготовленная для работы в библиотеке Transformers.js. Разработчик исходной модели — intfloat; репозиторий Xenova адаптирует её для использования в JavaScript-приложениях, включая веб-среду. Модель предназначена для создания векторных представлений предложений и текстов, а также для задач семантического поиска и retrieval. Она поддерживает пакетную обработку текстов, mean pooling и нормализацию эмбеддингов; размер выходного вектора составляет 768. Для поиска рекомендуется добавлять к запросу префикс «Represent this sentence for searching relevant passages: ». Эмбеддинги можно сравнивать, например, с помощью косинусного сходства. Ключевое преимущество модели — мультиязычное семантическое кодирование, пригодное для сопоставления запросов и документов по смыслу, а также возможность запуска через Transformers.js с ONNX-весами. README не содержит сведений о точном наборе языков, размере контекста, архитектурных деталях, ограничениях качества или лицензии, поэтому эти характеристики нельзя достоверно уточнить.

Это компактная многоязычная модель эмбеддингов multilingual-e5-small в формате GGUF F16, преобразованная из весов intfloat/multilingual-e5-small для работы с llama.cpp и llama-server. В основе — энкодер XLM-RoBERTa семейства BERT; модель создаёт векторы размерности 384 и поддерживает контекст до 512 токенов. Для индексируемых документов и поисковых запросов требуются префиксы «passage: » и «query: » соответственно; README рекомендует mean pooling и L2-нормализацию, после которой можно сравнивать векторы по cosine similarity. Модель предназначена для семантического поиска, сравнения предложений и многоязычного подбора текстов, включая поиск по документам на разных языках. В README приведено сравнение F16-эмбеддингов с результатами sentence-transformers на небольшом многоязычном наборе: близость по cosine similarity составила не менее 0,9976, а средний top-1 результат сохранился. Это наблюдение относится только к указанной выборке; токенизация SentencePiece может давать небольшие отличия. Лицензия — MIT, унаследованная от базовой модели.

Это дообученная модель Sentence Transformers на базе sentence-transformers/multi-qa-MiniLM-L6-dot-v1. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается скалярным произведением. Модель предназначена для семантического поиска, сравнения текстов и других задач, где нужно сопоставлять фрагменты по смыслу. Модель подходит для поиска релевантных фрагментов по запросу, выявления перефразировок, кластеризации и классификации текста на основе эмбеддингов. Максимальная длина входной последовательности — 512 токенов. Базовая модель ориентирована на английские вопросы и тексты, поэтому англоязычные сценарии подтверждены лучше всего.

Карточка модели swardiantara/MultiSource-full-cdk0-m0.5-e5-b128-L6 на Hugging Face совпадает с карточкой swardiantara/one-cdk0-m0.5-e5-b128-L6, поэтому описание составлено по ней. swardiantara/one-cdk0-m0.5-e5-b128-L6 — модель Sentence-Transformers на базе BERT, разработанная пользователем swardiantara. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 25,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Модель подходит для построения эмбеддингов и поиска семантически близких фрагментов; README не приводит результаты оценки качества. Лицензия в предоставленных данных не указана.

tomaarsen/mxbai-embed-large-v1-test — репозиторий Mixedbread с моделью для получения векторных представлений предложений на основе семейства mxbai-embed-large-v1. Она предназначена для поиска релевантных фрагментов и сравнения текстов по смыслу. Для поискового запроса README рекомендует добавлять инструкцию «Represent this sentence for searching relevant passages:»; для остальных текстов специальный промпт не требуется. Модель поддерживает Matryoshka Representation Learning и бинарную квантизацию. Модель использует архитектуру BERT, содержит около 433,9 млн параметров и рассчитана на контекст до 512 токенов. В карточке указана поддержка английского языка. Доступны форматы safetensors, ONNX, OpenVINO и GGUF F16; библиотека — Sentence Transformers. Лицензия — Apache-2.0. Суффикс test есть в идентификаторе репозитория, но предоставленные сведения не подтверждают, что это тестовая заглушка или отдельный тестовый чекпойнт.

michaelfeil/mxbai-rerank-base-v2-seq — вариант семейства Mixedbread mxbai-rerank, переписанный как классификатор на базе плотной архитектуры Qwen2. Модель предназначена для ранжирования текстов: она оценивает релевантность документов запросу и подходит для поиска и конвейеров RAG. В README заявлены поддержка кода, длинного контекста и более 100 языков; метаданные указывают 494 млн параметров и контекст до 32 768 токенов. Указанные в карточке языки включают английский, китайский, немецкий, японский, корейский, испанский, французский, арабский, бенгальский, русский, индонезийский, тайский, суахили и телугу. README сообщает о сильных результатах на бенчмарках поиска и эффективности, но технический отчёт ещё готовится, а независимые условия сравнения в карточке описаны ограниченно. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Для вызова через API классификации требуется специальный шаблон промпта; конкретный шаблон в доступном README не приведён.

mxbai-rerank-xsmall-v1 — компактная модель-реранкер от Mixedbread AI из семейства crispy rerank. Она оценивает релевантность пары «запрос — текст» и предназначена для повторной сортировки результатов поиска, например, после полнотекстового поиска или первичного извлечения кандидатов. Модель построена на архитектуре DeBERTa-v2 с классификационной головой и содержит 77,5 млн параметров; максимальная длина контекста — 512 токенов. Для работы авторы рекомендуют актуальную версию sentence-transformers. Модель ориентирована на улучшение поиска и, согласно README, хорошо сочетается с поиском по ключевым словам. В метаданных указан английский язык. Репозиторий содержит веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

Nemotron-3-Embed-8B-GGUF — мультиязычная модель для создания текстовых эмбеддингов, опубликованная Abiray на основе модели NVIDIA Nemotron-3-Embed-8B-BF16. Она предназначена для Retrieval-Augmented Generation (RAG), семантического поиска и кросс-языкового поиска, включая локальные сценарии на потребительском оборудовании с использованием llama.cpp, Ollama или LM Studio. Модель имеет архитектуру Transformer, содержит около 8 миллиардов параметров и поддерживает контекст длиной до 32 тысяч токенов. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Репозиторий предоставляет варианты квантования в формате GGUF от Q3_K_M до Q8_0 объёмом примерно от 4,01 до 8,46 ГБ; Q4_K_M указан как рекомендуемый вариант, обеспечивающий баланс между качеством и требованиями к памяти. Сильными сторонами модели являются мультиязычность, поддержка кросс-языкового поиска, возможность локального развёртывания и ориентация на задачи извлечения информации; в README также заявлено первое место в мультиязычном рейтинге RTEB по состоянию на июль 2026 года. Ограничения связаны с потерями качества у более низких уровней квантования и значительными требованиями к памяти. Лицензия — OpenMDW-1.1.

NeoMME-260M-Retriever-ST-late — мультиязычный мультимодальный энкодер для поиска документов, разработанный Hcompany. Модель дообучена на базе Hcompany/NeoMME-260M-Retriever и использует общий двунаправленный Transformer-энкодер для текстовых запросов и документов в текстовом виде или как изображения страниц. Она предназначена для извлечения многовекторных представлений и ранжирования документов по сходству с запросом с помощью позднего взаимодействия MeanMaxSim. Модель содержит 366 млн параметров, работает с контекстом до 16 384 токенов и распространяется в формате safetensors через Sentence Transformers. Обучение охватывало текстовый поиск и поиск по изображениям страниц; заявлена мультиязычная поддержка. Лицензия — Apache-2.0. Версия ST-late предназначена для независимой настройки многовекторной головы. В Sentence Transformers она генерирует только многовекторные эмбеддинги; одновременно использовать обе головы поиска нельзя.

NeoMME-800M-Retriever-ST-dense — мультимодальная модель для поиска по документам, разработанная Hcompany. Это вариант NeoMME-800M-Retriever, дообученный для независимой настройки плотных представлений с помощью Sentence Transformers. Общий двунаправленный Transformer-энкодер кодирует текстовые запросы и текстовые документы или изображения страниц; модель содержит 1,1 млрд параметров и поддерживает контекст до 16 384 токенов. Модель возвращает только плотные эмбеддинги, нормализованные по L2; сходство оценивается косинусной мерой. Её можно применять для поиска текстов и визуального поиска по страницам документов, включая мультиязычные сценарии. По README, версия Sentence Transformers использует только одну из двух голов поиска за раз. Лицензия — Apache-2.0.

Карточка модели dansporici/NoInstruct-small-Embedding-v0-doc-cls на Hugging Face совпадает с карточкой avsolatorio/NoInstruct-small-Embedding-v0, поэтому описание составлено по ней. NoInstruct-small-Embedding-v0 — компактная модель эмбеддингов avsolatorio на архитектуре BERT, предназначенная для поиска и сопоставления предложений. По заявлению автора, она улучшает качество retrieval по сравнению с avsolatorio/GIST-small-Embedding-v0 и позволяет кодировать запросы без составления специальных инструкций. Модель содержит около 40 млн параметров, принимает текст, выдаёт векторные представления и поддерживает контекст до 512 токенов. Модель подходит для семантического поиска, подбора релевантных документов и оценки сходства текстов. В метаданных также указана задача извлечения признаков. Лицензия — MIT. Автор отмечает, что технические детали будут опубликованы позднее; поддержка библиотеки Sentence Transformers заявлена как ожидаемая, поэтому доступные способы применения могут быть ограничены.

Карточка модели dansporici/NoInstruct-small-Embedding-v0-query-mean на Hugging Face совпадает с карточкой avsolatorio/NoInstruct-small-Embedding-v0, поэтому описание составлено по ней. NoInstruct-small-Embedding-v0 — компактная модель эмбеддингов avsolatorio на архитектуре BERT, предназначенная для поиска и сопоставления предложений. По заявлению автора, она улучшает качество retrieval по сравнению с avsolatorio/GIST-small-Embedding-v0 и позволяет кодировать запросы без составления специальных инструкций. Модель содержит около 40 млн параметров, принимает текст, выдаёт векторные представления и поддерживает контекст до 512 токенов. Модель подходит для семантического поиска, подбора релевантных документов и оценки сходства текстов. В метаданных также указана задача извлечения признаков. Лицензия — MIT. Автор отмечает, что технические детали будут опубликованы позднее; поддержка библиотеки Sentence Transformers заявлена как ожидаемая, поэтому доступные способы применения могут быть ограничены.

cnmoro выпустил компактную модель статических текстовых эмбеддингов на основе nomic-embed-text-v2-moe. Она создана с помощью Tokenlearn: автор сгенерировал эмбеддинги для 23 млн триплетов MS MARCO исходной моделью, а затем обучил на них Model2Vec-модель. Размер выходного вектора — 768 измерений; для загрузки автор рекомендует библиотеку Model2Vec, а метаданные также указывают Sentence Transformers. Модель предназначена для семантического поиска, сравнения предложений и извлечения релевантных документов. В карточке приведена оценка именно этой дистиллированной версии. Репозиторий создан 15 июня 2025 года и распространяется по лицензии Apache-2.0. Метаданные указывают английский и португальский языки; обучающие данные включают португалоязычные триплеты MS MARCO.

nomic-embed-text-v2-moe-GGUF — квантизированная версия модели nomic-embed-text-v2-moe, разработанная Nomic и представленная в работе о разреженных Mixture of Experts моделях для текстовых эмбеддингов. Модель предназначена для преобразования текстов в векторные представления, которые можно использовать для семантического поиска, сравнения предложений, кластеризации, извлечения признаков и построения RAG-приложений. Это мультиязычная текстовая embedding-модель на архитектуре Sparse Mixture of Experts. В репозитории доступны варианты GGUF с точностью от FP32 и FP16/BF16 до квантизаций Q8_0, Q6_K, Q5_K_M, Q5_K_S и Q4_K_M; размеры файлов составляют примерно от 326 до 1820 MiB. Поддерживается широкий набор языков, включая английский, русский, китайский, японский, арабский, украинский, французский, немецкий и многие другие. Размер контекста и размерность эмбеддингов в README не указаны. Модель совместима с llama.cpp и может запускаться через llama-server с OpenAI-совместимым API эмбеддингов, что облегчает локальное развертывание. Для корректного использования необходимо добавлять к текстам специальные префиксы задач, например search_document для документов и search_query для запросов. Квантизация уменьшает требования к памяти, но может влиять на качество представлений; README рекомендует варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M в зависимости от требуемого баланса качества и размера. Модель распространяется по лицензии Apache-2.0.

Octen-Embedding-4B — плотная текстовая embedding-модель, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-4B. Она преобразует текст в векторы размерности 2560 для семантического поиска, извлечения информации, сравнения и кластеризации документов, а также для поиска по запросам на разных языках и языках программирования. Модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов; в карточке заявлена поддержка более 100 языков, включая английский и китайский. Модель предназначена прежде всего для retrieval-сценариев, в том числе поиска по юридическим, финансовым, медицинским и техническим материалам. Лицензия Apache-2.0. Это модель эмбеддингов, поэтому она не предназначена для генерации текста; качество может различаться в зависимости от языка и предметной области, а документы длиннее контекстного окна требуют усечения.