I.1Поиск и навигация по информации

Карточка модели avsolatorio/MixEmbedFinetune-base-20240123115509-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.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240123184551-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.

ms-marco-MiniLM-L-6-v2 GGUF — это конвертированная и квантизованная версия модели cross-encoder/ms-marco-MiniLM-L-6-v2, опубликованная пользователем cstr для запуска через лёгкий движок инференса CrispEmbed на базе ggml. Модель предназначена для ранжирования текстовых пар и повышения качества поиска, в частности для reranking в системах RAG и сценариях, требующих работы в реальном времени. Указан английский язык. Модель построена на архитектуре BERT, содержит около 22 млн параметров, 6 слоёв, размерность представления 384, использует CLS-pooling и токенизатор WordPiece. Доступны варианты GGUF с представлением Q4_K размером 18 МБ, Q8_0 размером 24 МБ и F32 размером 87 МБ. Конвертация не изменяла архитектуру, словарь или заявленные возможности исходной модели; для преобразованных файлов заявлена битовая эквивалентность с реализацией Hugging Face с cosine similarity не менее 0,999 на тестовых текстах. Сильные стороны модели — небольшой размер, высокая скорость и возможность инференса без Python и ONNX через CrispEmbed, включая серверный режим. Ограничения включают специализацию на английских текстах и назначение для reranking, а не для генерации текста. В README также указано, что следует предпочитать исправленные файлы с суффиксом -g7c, поскольку исходные файлы имели некорректно преобразованную scoring head и могли давать неправильно калиброванные оценки и изменять порядок результатов. Модель распространяется по лицензии Apache-2.0 на тех же условиях, что и исходная модель.

cross-encoder/ms-marco-TinyBERT-L2 — компактная модель ранжирования от Sentence Transformers, обученная на задаче MS MARCO Passage Ranking. Это дообученная BERT-модель с архитектурой BertForSequenceClassification и 4,4 млн параметров; она принимает пару «запрос — текстовый фрагмент» и оценивает релевантность фрагмента запросу. Контекст модели — до 512 токенов. Модель предназначена для информационного поиска по схеме retrieve-and-rerank: после первичного поиска, например в ElasticSearch, она пересчитывает релевантность найденных фрагментов и сортирует их по убыванию оценки. Подходит для ранжирования passages в поисковой выдаче и для оценки релевантности пар текстов. Поддерживает английский язык. Доступны варианты весов PyTorch, safetensors, ONNX, OpenVINO и Flax. Компактный размер делает модель пригодной для повторного ранжирования множества кандидатов, но её применение ограничено текстовыми парами и контекстом до 512 токенов. Она рассчитана на переоценку уже найденных документов, а не на генерацию текста или самостоятельный поиск по коллекции. Лицензия — Apache-2.0.

Nomic-embed-text-v1.5-Embedding-GGUF — модель для создания текстовых эмбеддингов и оценки семантического сходства, основанная на nomic-ai/nomic-embed-text-v1.5. Квантизацию в формате GGUF выполнила Second State Inc.; исходную модель разработала nomic-ai. Модель предназначена для семантического поиска, сопоставления текстов и других задач, где требуется преобразование текста в векторное представление. Указан английский язык. Модель поддерживает запуск через LlamaEdge и имеет контекстное окно размером 768 токенов. Доступны варианты GGUF с квантизацией от 2 до 8 бит и вариант f16, размером примерно от 60,9 до 274 МБ. Вариант Q4_K_M обозначен как рекомендуемый для сбалансированного качества и размера, а Q5_K_M и Q5_K_S — как варианты с очень небольшой потерей качества. Более сильная квантизация уменьшает размер, но может заметно ухудшать качество эмбеддингов. Модель компактна и подходит для локального развёртывания, однако README не содержит подробностей об архитектуре, размерности эмбеддингов, точных показателях качества и аппаратных требованиях. Модель распространяется по лицензии Apache-2.0.

potion-base-32M — компактная модель статических текстовых эмбеддингов от команды Minish Lab. Она создана с помощью Model2Vec и Tokenlearn как дистиллированная версия sentence-transformer baai/bge-base-en-v1.5. Модель формирует векторные представления текста без последовательного вычисления трансформера, что обеспечивает высокую скорость на CPU и GPU и подходит для систем с ограниченными ресурсами и сценариев реального времени. Модель предназначена для семантического поиска, оценки сходства и ранжирования текстов. В карточке приведены результаты на задачах MTEB: potion-base-32M показывает более высокие средние результаты, чем potion-base-8M, при этом уступает all-MiniLM-L6-v2 по общему среднему показателю. Версия 32M имеет более широкий словарь, чем potion-base-8M. Доступны форматы ONNX и safetensors; для работы используется библиотека model2vec. Лицензия — MIT. В датасете модели указан англоязычный корпус C4 с разметкой bge-base-en-v1.5, поэтому она ориентирована прежде всего на английский текст. Модель возвращает эмбеддинги, а не готовые текстовые ответы. Указанная длина контекста составляет 1 000 000 токенов; фактическую пригодность такого объёма для конкретного сценария следует проверять с используемой реализацией.

Apodex-1.1-mini-FP8 — reasoning-first языковая модель, разработанная Apodex AI. Она предназначена для сложных долгосрочных исследовательских и агентских задач, требующих не только генерации текста, но и работы с файлами, данными, таблицами, изображениями, кодом и внешними инструментами. Модель может декомпозировать задачу, координировать параллельных субагентов, поддерживать общее состояние работы, адаптировать план по ходу выполнения и формировать проверяемые результаты. Модель относится к текстогенерационным моделям, совместима с chat template Qwen3.5 и поддерживает нативный function calling, а также выдачу рассуждений. Указаны языки English и Chinese. Для развёртывания рекомендуется SGLang с OpenAI-совместимым API; заявленная длина контекста составляет до 262144 токенов, максимальная длина генерации в рекомендуемых настройках — 32768 токенов. Суффикс FP8 указывает на используемый формат представления модели, однако точный размер и архитектура в README не указаны. Сильные стороны модели — выполнение многоэтапных задач в реальных средах, работа с инструментами и встроенная проверка утверждений по источникам, данным и вычислениям. В README приведены высокие результаты на ряде тестов, включая FrontierFinance и FrontierScience-Research, но применимость этих результатов к конкретным задачам может различаться. Ограничения включают отсутствие подробных сведений о точной архитектуре, количестве параметров, поддерживаемых аппаратных конфигурациях и полном наборе модальностей. Модель распространяется по лицензии Apache 2.0.

ArnavKewalram/bge-base-code-v1 — текстовая модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения по смыслу; сходство оценивается косинусной мерой. Архитектура включает BERT, пулинг CLS и нормализацию эмбеддингов. Модель предназначена для извлечения эмбеддингов из текста, семантического поиска по фрагментам кода и построения retrieval-компонента для RAG. В README максимальная длина последовательности указана как 384 токена, а метаданные каталога — как 512; фактический предел может зависеть от конфигурации и способа использования. Основание для названия «code» есть в идентификаторе репозитория, но README не уточняет обучение или специализацию на коде. Лицензия в предоставленных данных не указана.

bge-base-en-v1.5-gguf — англоязычная модель для создания векторных представлений текста (embeddings), основанная на модели BAAI/bge-base-en-v1.5 и представленная в формате GGUF компанией Compendium Labs. Она предназначена для семантического поиска, сопоставления текстов, кластеризации, построения retrieval-систем и других задач, где требуется сравнивать тексты по смыслу. Модель не предназначена для генерации текста. Работает через llama.cpp, llama-cpp-python и интеграцию LangChain. В репозитории доступны варианты F32 размером 417 МБ, F16 размером 209 МБ, Q8_0 размером 113 МБ и Q4_K_M размером 66 МБ. Точные сведения об архитектуре, размере контекста, размерности embedding-векторов и поддерживаемых языках в README не указаны; из названия и описания следует, что модель ориентирована на английский язык. Квантованные версии занимают меньше места и, по данным авторов, могут ускорять работу на CPU до 30% при минимальной потере точности, тогда как выигрыш на GPU обычно скромнее и зависит от приложения. Модель удобна для локального запуска и ресурсоёмких сценариев на CPU, однако качество и скорость зависят от выбранного формата квантования и оборудования. Для текстов на языках, кроме английского, применимость README не подтверждает. Репозиторий распространяется по лицензии MIT.

Qdrant подготовила ONNX-порт модели BAAI/bge-small-en-v1.5 с квантизованными весами. Это компактная BERT-модель примерно на 40 млн параметров для получения текстовых представлений и поиска похожих предложений; в карточке также указаны задачи классификации текста и поиска сходства. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения предложений и классификации текста в системах, использующих ONNX или FastEmbed. Указанная лицензия — MIT. Поскольку модель основана на англоязычной bge-small-en-v1.5, её основное применение — англоязычные тексты.

Luong23/bmg-m3-finetune-embedding — дообученная модель Sentence Transformer на базе BAAI/bge-m3, предназначенная для получения плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; архитектура включает XLM-RoBERTa, CLS-пулинг и нормализацию, а сходство оценивается косинусной мерой. В метаданных указана длина контекста 8194 токена, однако карточка модели задаёт максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. В примерах обучающих данных есть короткие запросы и подробные описания товаров на вьетнамском языке, но это не подтверждает, что модель рассчитана только на него. Модель принимает текст и выдаёт векторы; опубликована в формате safetensors. Условия лицензии в предоставленных данных не указаны.

Boldt-Embed-DE-350M — немецкоязычная модель плотных текстовых эмбеддингов для поиска релевантных фрагментов в FAQ и системах RAG. Её разработала Mayflower GmbH на базе Boldt/Boldt-DC-350M: модель семейства Llama с плотной архитектурой и примерно 435,4 млн параметров. Веса дообучены с mean pooling и нормализацией векторов; длина контекста — 2048 токенов. Модель предназначена прежде всего для первого этапа плотного поиска по немецкому корпусу: векторы запросов и документов сравниваются по косинусному сходству. Она также подходит для оценки семантического сходства, кластеризации текстов и отбора сложных негативных примеров для дальнейшего обучения. Обучение Matryoshka позволяет усекать векторы до 512, 256, 128 или 64 измерений; в приведённой оценке вариант на 256 измерений сохранил почти всё качество полноразмерных векторов. На тесте WebFAQ модель показала высокие показатели извлечения для немецких FAQ/RAG-запросов. Для более общих немецких QA-корпусов README указывает на преимущество универсальных многоязычных моделей. Оценки получены на перечисленных внутренних наборах, без публичного прогона MMTEB. Модель рассчитана на немецкий язык; применение к другим языкам не подтверждено. Лицензия весов — Apache-2.0; при распространении производных версий разработчик просит указывать источники данных German Wikipedia и WebFAQ.

Camel-Doc-OCR-080125 — дообученная PrithivMLmods мультимодальная модель на базе Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров. Она принимает текст и изображения, а её контекст составляет до 128 000 токенов. Модель предназначена для анализа документов: распознаёт и извлекает текст и структурированные данные, находит нужные сведения, связывает элементы документа и отвечает на вопросы по его содержимому. Модель также рассчитана на разбор таблиц, графиков и математических выражений, включая преобразование формул в LaTeX. В карточке заявлены анализ видео и визуально управляемое взаимодействие с устройствами; основной тег задачи в метаданных — image-text-to-text. Языковые теги карточки — английский и китайский. Модель распространяется по лицензии Apache-2.0. К ограничениям относятся снижение точности на изображениях низкого качества или с помехами, вариативность результатов для редких языков и скриптов, возможные галлюцинации и высокие требования к вычислительным ресурсам. Обработка длинных видео может требовать много памяти; для потоковой работы модель не оптимизирована.

Command R7B (12-2024) — компактное обновление модели Command R+, выпущенное Cohere в декабре 2024 года. Она предназначена для генерации текста и рассчитана на быстрые ответы при работе с дополненной поиском генерацией (RAG), вызовом инструментов и агентными сценариями, где требуется сложное рассуждение. Модель подходит для создания помощников, которые отвечают на вопросы с опорой на документы, используют подключённые инструменты и выполняют многошаговые задачи. В доступных сведениях не указаны размер, архитектура, контекст, языки и лицензия, поэтому их нельзя надёжно описать.

cross-encoder/ettin-reranker-150m-v1 — англоязычный кросс-энкодер, дообученный разработчиками модели на jhu-clsp/ettin-encoder-150m с использованием sentence-transformers и набора cross-encoder/ettin-reranker-v1-data. Модель обрабатывает пары текстов и выдаёт оценку релевантности, которую используют для повторного ранжирования результатов поиска и семантического поиска. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает последовательности длиной до 7999 токенов. Она принимает текст и выдаёт один числовой скор для каждой пары текстов. В репозитории представлены веса safetensors, а также форматы ONNX и OpenVINO; основная библиотека — sentence-transformers. README приводит результаты оценки на задачах поиска и сравнительные замеры скорости, но не содержит полной таблицы результатов для этой версии модели. Модель подходит для повышения точности выдачи после первичного поиска, например в поисковых системах и RAG-конвейерах. Она рассчитана на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

Solomennikova/labse_funetuned_hoff — дообученная модель Sentence Transformers на базе cointegrated/LaBSE-en-ru. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантического сходства и поиска текстов по смыслу. Также её можно применять для поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT, функцию косинусного сходства и принимает последовательности длиной до 512 токенов. Она обучена на 86 732 парах текстов; примеры в карточке включают короткие русские поисковые запросы и описания товаров. Это позволяет использовать её для семантического поиска по каталогу товаров, хотя карточка не приводит результатов оценки качества. Библиотека модели — Sentence Transformers, веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

LensVLM-9B — мультимодальная модель зрения и языка на 9 млрд параметров, разработанная Apple и дообученная на базе Qwen/Qwen3.5-9B. Она анализирует сжатые изображения с текстом и с помощью обученных инструментов выборочно раскрывает страницы в исходном разрешении, когда нужны дополнительные детали. Модель предназначена для извлечения и анализа текста из визуальных документов, особенно когда нужно находить релевантные страницы в большом наборе сжатых изображений и детально изучать только их. Архитектура — плотная Qwen3.5 для генерации текста с изображениями; репозиторий содержит веса Safetensors и рассчитан на Transformers. Метаданные относят модель к задаче image-text-to-text и указывают поддержку диалога и зрения. Модель выпущена по лицензии Apple AMLR. README не сообщает языки, длину контекста и количественные результаты оценки, поэтому их нельзя уточнить по доступным сведениям.

Heretic-org/LFM-2.5-2.6B-heretic — текстовая чат-модель на 2,6 млрд параметров, созданная с помощью Heretic v1.4.0 как «децензурированная» версия LiquidAI/LFM2.5-2.6B. Это плотная причинная языковая модель семейства LFM2 с 30 слоями и контекстом до 131 072 токенов; модель работает с текстом и поддерживает многоязычный ввод и генерацию, включая русский, английский, арабский, китайский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, испанский, тайский и вьетнамский. Модель предназначена для диалогов, следования инструкциям, работы с инструментами, извлечения данных, RAG и сценариев с длинным контекстом, в том числе локального и периферийного развертывания. В README приведено сравнение с исходной моделью: 4 отказа из 100 запросов против 98 у оригинала при KL-дивергенции 0,0321; это указывает на снижение склонности к отказам, но не доказывает универсальное качество или безопасность. Разработчик исходной модели — Liquid AI; эту производную модель подготовил heretic-org. Указана лицензия «other», поэтому конкретные права и ограничения следует проверять в файлах репозитория и условиях исходной модели.

nreimers/MiniLM-L3-H384-uncased — компактная текстовая модель семейства MiniLM, созданная Нильсом Реймерсом на основе microsoft/MiniLM-L12-H384-uncased. Это версия с тремя слоями: в ней сохранены слои 3, 7 и 11 исходной 12-слойной модели. Модель имеет архитектуру BERT и содержит 18,8 млн параметров. Модель предназначена для извлечения признаковых представлений текста, которые можно использовать в прикладных системах поиска и анализа текста. Она принимает текст, выдаёт векторные представления и рассчитана на контекст до 512 токенов. Веса доступны в формате PyTorch; лицензия — MIT.

Карточка модели avsolatorio/MixEmbed-base-20240110225225-latest 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.

bge-micro — компактная модель эмбеддингов предложений на архитектуре BERT, опубликованная avsolatorio в январе 2024 года. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для семантического поиска, кластеризации и сравнения текстов. Модель содержит 18,8 млн параметров и поддерживает контекст до 512 токенов. Модель дистиллирована из bge-small-en-v1.5; в ней в четыре раза меньше параметров, не относящихся к эмбеддингам. По README, она содержит вдвое меньше параметров, чем all-MiniLM-L6-v2, при сопоставимом качестве. Доступны веса в формате safetensors; для использования описаны Sentence-Transformers и Transformers с подходящей операцией pooling. Модель рассчитана на англоязычные тексты. Она подходит для построения векторного поиска и кластеризации, но сама не генерирует ответы; контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

Qdrant/multilingual-e5-large-onnx — это ONNX-версия модели intfloat/multilingual-e5-large, подготовленная Qdrant для работы с текстовыми представлениями. Модель предназначена для задач семантического сходства, поиска по смыслу и классификации текста, включая использование в системах векторного поиска и других сценариях, где требуется сравнивать текстовые эмбеддинги. Модель принимает текст и преобразует его в числовой вектор; README демонстрирует применение через библиотеку FastEmbed. Указана поддержка нескольких языков, однако конкретный перечень языков, размерность векторов, архитектура исходной модели и максимальная длина контекста в предоставленных данных не раскрыты. Формат ONNX может быть удобен для интеграции с совместимой инфраструктурой инференса. К ограничениям относится отсутствие в README подробностей о качестве на отдельных наборах данных, производительности, требованиях к ресурсам и точных границах применимости. Модель распространяется по лицензии Apache 2.0.

Nano-Em1-0.6B-v2.1 — модель текстовых эмбеддингов от KiteFish AI на базе Qwen3-0.6B. Она предназначена для поиска и сопоставления текстов, классификации, кластеризации и ранжирования по релевантности; для задач можно задавать инструкцию-префикс. Модель использует двунаправленное внимание вместо стандартной причинной маски, усреднение токенных представлений и выдаёт векторы размерности 1024. В README указана максимальная длина последовательности 512 токенов; метаданные указывают родной контекст базовой модели в 40960 токенов. Модель работает с текстом и ориентирована прежде всего на английский язык. Для загрузки требуется включить trust_remote_code=True из-за собственной реализации архитектуры. По оценке автора, модель не проверялась на задачах для других языков. Распространяется по лицензии Apache-2.0.

NaSE (News-adapted Sentence Encoder) — многоязычный энкодер предложений, разработанный для текстов новостной тематики. Модель основана на предварительно обученном энкодере LaBSE и адаптирована к новостному домену на корпусах Polynews и PolyNewsParallel с помощью денойзинг-автокодирования и машинного перевода в формате sequence-to-sequence. Это плотная архитектура BERT с 498,1 млн параметров и контекстом до 512 токенов. На вход модель принимает текст и формирует векторное представление его смысла. Эмбеддинги подходят для оценки сходства предложений, информационного поиска и кластеризации новостных материалов. Модель мультиязычная; карточка перечисляет языки от африкаанс и амхарского до корейского, а метаданные содержат языковые коды более чем для 50 языков. Доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0. Модель обучалась на одной NVIDIA A100 в течение 100 тысяч шагов. Её специализация на новостях делает её подходящей для сопоставления и поиска новостных текстов, однако качество на других доменах и для языков с малым объёмом обучающих данных может быть ниже; README сообщает, что для обучения отбирались языки и языковые пары с минимум 100 примерами.

NVIDIA Nemotron Parse v1.1 — трансформерная модель vision encoder-decoder от NVIDIA для извлечения текста и понимания структуры документов по изображениям. Она формирует упорядоченные по потоку чтения структурированные аннотации: текст, типы элементов и ограничивающие рамки; распознаёт, в частности, заголовки, разделы, подписи, сноски, списки, таблицы, библиографию и изображения. Модель предназначена для разбора документов PDF и PPT, построения решений для поиска и курирования данных, а также подготовки данных для обучения и повышения точности систем на базе LLM и VLM. Архитектура включает визуальный кодировщик ViT-H, адаптер на одномерных свёртках и нормализациях для сжатия представления, а также декодер mBart из 10 блоков. В README заявлено, что модель готова к коммерческому применению. Лицензия репозитория обозначена как other; условия использования токенизатора регулируются отдельной лицензией CC-BY-4.0. README не приводит число параметров, а само описание архитектуры не уточняет его.

Ogma Base — компактная англоязычная модель для создания текстовых эмбеддингов, разработанная авторами семейства Ogma. Это плотная модель с 13,3 млн параметров и контекстом до 1024 токенов; она поддерживает симметричное кодирование и Matryoshka-размерности 256, 128, 64 и 32. В README указана средняя оценка 57,02 на 66 англоязычных задачах MTEB. Модель предназначена для семантического поиска, извлечения документов в RAG, векторного поиска, кластеризации, классификации, оценки сходства предложений и памяти агентных систем. Небольшой размер позволяет развертывать её локально и использовать на CPU. Она не генерирует текст и рассчитана на английский язык; для задач парного ранжирования в README отмечено отставание от MiniLM-L6-v2. Доступны форматы ONNX и safetensors. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; для него требуется отдельная лицензия или переобучение на подходящей модели-учителе.

Mike0307/text2vec-base-chinese-rag — модель эмбеддингов на архитектуре BERT, предназначенная для сопоставления китайских текстов и поиска релевантных фрагментов в системах RAG. Она обучена с использованием подхода CoSENT и может применяться как компонент LangChain с векторным хранилищем, например FAISS, для построения ретривера по документам. Модель содержит 129,5 млн параметров и принимает текст длиной до 512 токенов. Она выдаёт векторные представления, пригодные для поиска по сходству и ранжирования релевантности; генерацию ответов выполняет подключённая языковая модель. Репозиторий распространяется в формате safetensors по лицензии Apache 2.0.

SIRIS-Lab/affilgood-dense-retriever — модель Sentence Transformer, разработанная SIRIS-Lab для получения плотных векторных представлений предложений и абзацев. Она основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией выходного вектора; размерность эмбеддингов — 1024. Обучение проводилось с MultipleNegativesRankingLoss на 47 610 примерах, а близость текстов оценивается косинусным сходством. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. В примерах обучения встречаются названия организаций и сущностей с контекстом вроде местоположения и родительской организации; на наборе entity_linking_eval указана корреляция Спирмена 0,6826 для косинусного сходства. Метаданные указывают на контекст до 514 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов для описанной конфигурации Sentence Transformers. Модель принимает текст и возвращает векторы признаков. Карточка не сообщает поддерживаемые языки, лицензию или известные ограничения качества за пределами приведённой оценки; проверьте лицензию и пригодность для конкретных данных перед использованием.

HELLOMRKINOBI/all-mpnet-base-v2 — версия модели all-mpnet-base-v2 с весами ONNX, подготовленная для работы с Transformers.js. Модель на архитектуре MPNet содержит около 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Её основное назначение — вычисление сходства между предложениями, например для поиска похожих фраз или сопоставления запросов с текстами. Метаданные также указывают поддержку задачи заполнения масок. Модель работает с текстом и выдаёт оценки сходства либо предсказания замаскированных токенов. Карточка не приводит отдельные сведения о языковой специализации или лицензии, поэтому их нельзя уточнить по имеющимся данным. Формат ONNX и библиотека Transformers.js позволяют использовать модель в JavaScript-средах.

Arlo Extract 1.0 — модель NoaberAI для извлечения конкретных значений из текста по вопросу. Она дообучена на многоязычной основе microsoft/mdeberta-v3-base и использует архитектуру DeBERTa V2 с головой extractive question answering: модель выбирает начальную и конечную позиции ответа в исходном тексте, а не генерирует его заново. Размер по метаданным — 306 млн параметров, длина контекста — 512 токенов. Модель предназначена для извлечения дат, сумм, характеристик, мест и имён из документов и свободного текста. Она возвращает найденный фрагмент вместе с оценкой уверенности и может сообщить, что ответ отсутствует. Основной язык обучения — нидерландский; многоязычная основа позволяет применять её и к текстам на других языках, хотя README отмечает обучение именно на нидерландских данных. Лицензия — MIT.