I.1Поиск и навигация по информации

Jina Embeddings v2 Base Code Q8_0 GGUF — это квантизированная версия модели для создания векторных представлений текста и исходного кода. Исходную модель разработала команда Jina AI, а данный вариант был конвертирован из jinaai/jina-embeddings-v2-base-code в формат GGUF с помощью llama.cpp и инструмента GGUF-my-repo. Модель предназначена для задач семантического поиска, сравнения сходства предложений, извлечения признаков и работы с кодом, включая сценарии, совместимые с llama.cpp. В карточке указано, что модель ориентирована на английский язык; точные сведения об архитектуре, количестве параметров, размерности эмбеддингов, поддерживаемой длине контекста и наборе модальностей не приведены. Квантование Q8_0 позволяет использовать модель в компактном формате, однако характеристики качества и влияние квантования в README не описаны. Для запуска требуется llama.cpp; доступен режим CLI и серверный режим. Лицензия — Apache-2.0.

LLARA-pretrain — модель семейства LLaRA от BAAI, представленная в проекте LLARA. В карточке проекта описаны подходы EBAE (автоэнкодирование на основе эмбеддингов) и EBAR (авторегрессия на основе эмбеддингов). Это плотная причинно-языковая модель LlamaForCausalLM с 6,6 млрд параметров и контекстом до 4096 токенов. Модель предназначена для получения текстовых эмбеддингов и оценки сходства предложений; метаданные также указывают поддержку извлечения признаков и генерации текста. Её можно применять для поиска семантически близких фраз и построения эмбеддинговых представлений текста. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

SuperAGI разработала Mistral-7B-32K-PoSE — плотную авторегрессионную языковую модель семейства Mistral с 7,1 млрд параметров. С помощью техники PoSE контекст модели расширен до 32 768 токенов; README сообщает о высокой эффективности в извлечении информации из длинного контекста и лишь небольшом снижении результатов на стандартных тестах. Модель предназначена для генерации текста и работы с длинными текстовыми запросами, в частности для поиска конкретных сведений в больших фрагментах текста. Она доступна в формате safetensors и распространяется по лицензии Apache-2.0. В README приведён пример загрузки через Transformers. У модели нет механизмов модерации и защитных ограничений; разработчики предупреждают о рисках токсичности, социальных предубеждений и ограничений по языкам и не рекомендуют её для использования в production без дополнительных мер безопасности.

Ovis2.6-30B-A3B — мультимодальная большая языковая модель семейства Ovis, разработанная ATH-MaaS. Она предназначена для диалога и анализа изображений: отвечает на вопросы по документам и нескольким страницам, распознаёт текст, извлекает сведения из таблиц и диаграмм, а также рассуждает по визуальным данным. Модель использует архитектуру Mixture-of-Experts с 30 млрд параметров, из которых при генерации активны примерно 3 млрд. Карточка указывает контекст до 64 тыс. токенов и обработку изображений с разрешением до 2880×2880; метаданные каталога указывают контекст 262 144 токена. README описывает возможность активного анализа областей изображения, включая кадрирование и поворот, с помощью визуальных инструментов. Модель принимает текст и изображения и выдаёт текст. В карточке не перечислены поддерживаемые языки, поэтому языковые коды не указаны. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. README предупреждает, что разработчики не гарантируют полного отсутствия проблем с авторскими правами или нежелательного содержания.

mradermacher/Qwen3-Embedding-0.6B-i1-GGUF — это набор GGUF-квантизованных версий модели Qwen3-Embedding-0.6B, разработанной командой Qwen и квантизованной пользователем mradermacher. Модель предназначена для получения векторных представлений текста и задач семантического поиска, сравнения предложений, извлечения признаков и построения систем на базе text embeddings inference. В README явно указан английский язык. Модель имеет размер около 0,6 млрд параметров в исходной версии и распространяется в форматах GGUF с различными схемами квантизации, включая IQ1_S, IQ2_M, IQ3_S, Q4_K_M, Q5_K_M и Q6_K. Размеры доступных файлов составляют примерно 0,3–0,6 ГБ. Варианты отличаются компромиссом между размером, скоростью и качеством; для Q4_K_M заявлены высокая скорость и рекомендованный баланс, а для низкобитных вариантов отмечается снижение качества. Архитектура, размер контекста и дополнительные поддерживаемые языки в README не указаны. Преимуществами являются компактный размер, возможность локального запуска через экосистему GGUF и широкий выбор уровней квантизации. Ограничения связаны с потерей качества у наиболее агрессивно квантизованных вариантов, а также с отсутствием в представленном README подробных сведений о качестве, контекстном окне и мультимодальности. Модель распространяется по лицензии Apache-2.0.

roberta-large-entity-linking — модель GlassLewis на архитектуре RoBERTa-large, дообученная как биэнкодер для связывания упоминаний сущностей с соответствующими страницами или описаниями в базе знаний. Она отдельно кодирует контекст с упоминанием и описание сущности, чтобы находить подходящие совпадения по сходству; для выделения упоминаний рекомендуется обрамлять их специальным токеном [ENT], а кандидатов можно предварительно находить с помощью модели распознавания именованных сущностей. Модель предназначена для связывания сущностей с концепциями Википедии, поиска по базе знаний без специального обучения на целевой задаче и построения баз знаний. Её можно использовать как извлекатель top-k кандидатов, передавая финальную дизамбигуацию более мощному классификатору. В описанном тесте Zero-Shot Entity Linking она показала Recall@64 80,29%; результат BLINK на том же тесте составлял 82,06%, но BLINK обучалась на тренировочной выборке. Модель содержит 454,1 млн параметров, принимает текст с контекстным окном до 514 токенов и распространяется в формате Safetensors. Лицензия — BigScience OpenRAIL-M.

Same news story — модель на базе Sentence Transformers, разработанная Dell Research и Harvard для поиска новостных статей об одном и том же событии. Она кодирует предложения и абзацы в плотные векторы размерности 768; по близости векторов можно оценивать сходство статей, находить материалы о той же истории и группировать их. Модель обучена на парах статей из агрегатора AllSides: статьи из подборок об одном событии использовались как положительные примеры, а тематически и сюжетно несвязанные пары — как отрицательные. Архитектура MPNet содержит 136,7 млн параметров и принимает текст на английском языке; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска и кластеризации новостей по событию. Она выдаёт эмбеддинги, а не готовые метки о том, относятся ли две статьи к одной истории, поэтому для такого решения нужно сравнивать векторы или строить отдельный кластеризатор. Репозиторий распространяется по лицензии CC BY 2.0.

tevatron-elastic-modernbert-reranker-plain — дообученная модель ранжирования на основе ModernBERT-base, выпущенная командой Utah NLP как часть набора контрольных точек к работе Tevatron-Elastic. Она предназначена для переоценки релевантности найденных документов по запросу: получает текст запроса и passage с префиксами query: и passage: и кодирует их для ранжирования. Модель содержит 149 млн параметров, использует encoder-only архитектуру ModernBERT и поддерживает контекст до 8192 токенов; в обучении применялась максимальная длина 512 токенов и датасет rlhn/rlhn-680K. Это полный базовый вариант одной контрольной точки, рассчитанный на работу с Tevatron-Elastic; для него указана BEIR-15 nDCG@10 0,457. Чекпойнт опубликован как ресурс для воспроизводимости результатов и изучения компромиссов сжатия, а не как заявка на превосходство над современными методами. Базовая модель — answerdotai/ModernBERT-base; файлы представлены в формате Safetensors. Лицензия Apache-2.0.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130184711-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.

Xenova/all-mpnet-base-v2 — модель для извлечения признаков, представляющая собой ONNX-версию модели sentence-transformers/all-mpnet-base-v2. Репозиторий подготовлен Xenova для совместимости с библиотекой Transformers.js и запуска в JavaScript-средах, включая веб-приложения. Модель предназначена для преобразования текстовых входов в числовые представления, которые могут использоваться в задачах семантического поиска, сравнения текстов, кластеризации и других сценариях обработки естественного языка. В README приведён пример запуска через pipeline feature-extraction в Transformers.js. Из доступных данных известно, что используются ONNX-веса и поддерживается работа через Transformers.js. Размер модели, точная архитектура, языки, максимальная длина контекста, набор модальностей, показатели качества и лицензия в README не указаны. Отдельно отмечено, что размещение ONNX-весов в отдельном репозитории рассматривается как временное решение до более широкого распространения WebML.

BjarneNPO/BjarneNPO-28_08_2025_14_24_44 — дообученная BjarneNPO модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель содержит 305,2 млн параметров и рассчитана на последовательности длиной до 514 токенов по метаданным; в README указана максимальная длина 128 токенов. Обучение проведено на 72 349 парах запрос–ответ с функцией MultipleNegativesRankingLoss. Примеры обучающих данных и оценка поиска в README ориентированы на немецкоязычные обращения в службу поддержки, поэтому модель подходит для поиска релевантных ответов в подобных корпусах. Многоязычная базовая модель позволяет работать с разными языками, но основной язык и перенос качества на другие задачи отдельно не подтверждены. Опубликована в формате safetensors; лицензия в предоставленных данных не приведена.

BjarneNPO/BjarneNPO-30_08_2025_14_12_53 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная BjarneNPO. Она кодирует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразирований и кластеризации. Модель использует архитектуру BERT с усреднением токенных представлений; метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Для сравнения векторов подходит косинусное сходство. Модель обучена на 72 349 парах запросов и ответов с MultipleNegativesRankingLoss. Примеры данных на немецком языке относятся к обращениям в службу поддержки по административному программному обеспечению, поэтому модель может быть полезна для поиска похожих запросов и ответов в таком корпусе. Базовая модель заявлена как многоязычная, однако языки обучения и качество для конкретных языков в карточке полностью не уточнены. Формат весов — safetensors; лицензия в предоставленных данных не указана.

Karmelkke/everycli-minilm-ft — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, созданная для представления предложений и абзацев в виде плотных векторов. Она использует архитектуру BERT с усредняющим pooling, содержит 124,3 млн параметров и выдаёт эмбеддинги размерности 384; сходство между ними можно оценивать косинусной мерой. Модель обучена на 1 104 парах текстов с помощью MultipleNegativesRankingLoss и подходит для поиска релевантных фрагментов. Её можно применять для семантического поиска и сопоставления запросов с описаниями, в том числе по командам и справочным материалам EveryCLI. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 128 токенов; для практического использования следует учитывать ограничение самой модели в 128 токенов. Она принимает и обрабатывает текст, а на выходе возвращает векторы. Мультиязычная базовая модель поддерживает разные языки; примеры обучающих пар включают французский и английский. Лицензия в предоставленных источниках не указана.

F2LLM-v2-0.6B-Preview — многоязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-0.6B. Она обучена на корпусе из 27 миллионов примеров на более чем 100 естественных и программных языках и предназначена как основа для задач эмбеддингов, последующей настройки и исследований. Это плотная модель семейства Qwen3 с 507,9 млн параметров и контекстом до 40 960 токенов; доступны веса в формате safetensors и работа через Transformers и Sentence Transformers. Модель подходит для кодирования текста в векторы для поиска, сопоставления текстов и других downstream-задач с эмбеддингами. Эта preview-версия обучена без инструкций, поэтому её следует рассматривать как базовую модель для дальнейшей настройки, а не как готовую инструкционную систему. Лицензия — Apache-2.0.

F2LLM-v2-8B-Preview — мультиязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-8B на корпусе из 27 миллионов примеров. Версия Preview обучена без инструкций и предназначена как основа для задач получения эмбеддингов и дальнейшей тонкой настройки. Модель имеет плотную архитектуру Qwen3, около 7,6 млрд параметров и принимает текст; метаданные указывают контекст до 40 960 токенов. Модель подходит для кодирования текстов в векторные представления в многоязычных сценариях. README заявляет поддержку более 100 естественных и программных языков, а метаданные карточки перечисляют языки, включая английский, русский, китайский, арабский, японский и другие. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Это предварительная версия без инструкционного обучения, поэтому её поведение в диалоговых задачах и качество на конкретных наборах данных могут требовать проверки.

German-RAG-LLAMA-3.1-8B-CPT-HESSIAN-AI — авторегрессионная трансформерная языковая модель, разработанная командой Avemio AI при поддержке Hessian AI. Это продолжительно предобученная версия Meta-Llama-3.1-8B: в метаданных указано 7,5 млрд параметров, архитектура LlamaForCausalLM и контекст до 131 072 токенов. Модель предназначена для работы с немецким и английским языками, с акцентом на немецкий. Она обучалась на датасете German-RAG-CPT и ориентирована на ответы на вопросы с опорой на предоставленный контекст, структурированные рассуждения и суммаризацию. Её можно использовать в сценариях RAG, передавая найденные документы вместе с вопросом. Модель может генерировать недостоверные ответы и чувствительный или вредоносный контент; результаты следует проверять, а для прикладных систем предусмотреть меры безопасности. Метаданные Hugging Face указывают лицензию Llama 3.1, тогда как README заявляет Apache 2.0 для кода и модели; условия распространения весов следует сверить с лицензией репозитория.

GLiClass Large v1.0 Init — лёгкая модель классификации последовательностей с нулевым обучением, разработанная Knowledgator и вдохновлённая GLiNER. Она выполняет классификацию одним проходом и, согласно карточке, обеспечивает качество на уровне cross-encoder при меньших вычислительных затратах. Размер модели составляет 438 млн параметров; доступны форматы Safetensors и ONNX. Модель предназначена для классификации тем и тональности, а также для ранжирования текстов в RAG-пайплайнах. В карточке приведены результаты zero-shot тестирования на IMDB, AG_NEWS и Emotions без дообучения на этих наборах. Модель обучалась на синтетических данных MoritzLaurer/synthetic_zeroshot_mixtral_v0.1 и выпущена под лицензией Apache-2.0, допускающей коммерческое использование.

Xenova/gte-small — версия модели thenlper/gte-small с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript- и веб-средах, а исходная модель разработана командой thenlper. Модель используется для извлечения векторных представлений текста: она преобразует предложения в эмбеддинги размерностью 384. Такие представления подходят для оценки семантического сходства, поиска похожих текстов, кластеризации и других задач, где требуется сравнение текстовых данных. В README показано применение через pipeline feature-extraction с mean pooling и нормализацией, после чего сходство можно вычислять, например, с помощью косинусной меры. Модель ориентирована на текстовый ввод; сведения о поддерживаемых языках, максимальной длине контекста и точной архитектуре в предоставленных данных отсутствуют. К сильным сторонам относятся компактный размер эмбеддингов и совместимость с Transformers.js, включая использование в веб-приложениях. Ограничения — отсутствие информации о языковом охвате, качестве на конкретных доменах и лицензии. По умолчанию применяется 8-битная квантованная версия, также доступны варианты fp32, fp16 и q4.

jina-embeddings-v2-base-code-GGUF — GGUF-квантизированная версия модели jinaai/jina-embeddings-v2-base-code, разработанной jinaai и преобразованной в GGUF компанией Second State Inc. Это модель для получения векторных представлений текста и исходного кода, предназначенная для семантического поиска, сравнения схожести, классификации и других задач feature extraction, включая работу с кодовыми фрагментами. Указан английский язык. Модель поддерживает контекст до 8192 токенов и формирует embedding размерностью 768. Доступны варианты квантования от 2 до 8 бит, а также f16; размеры файлов составляют примерно от 82,7 до 323 МБ. В README вариант Q4_K_M отмечен как сбалансированный и рекомендуемый, тогда как низкобитные варианты обеспечивают меньший размер ценой заметной потери качества. Модель может запускаться через LlamaEdge с prompt type embedding. Распространяется по лицензии Apache-2.0. Ограничения зависят от выбранного варианта квантования: чем сильнее сжатие, тем выше потенциальная потеря качества embeddings. Архитектура исходной модели, точное число параметров и перечень поддерживаемых языков, кроме указанного английского, в предоставленных данных не описаны.

jina-embeddings-v2-base-en-GGUF — англоязычная модель для создания векторных представлений текста. Оригинальная модель разработана jinaai, а GGUF-версии подготовлены Second State Inc. Модель предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство текстовых данных. Модель работает в режиме embedding, поддерживает контекст до 8192 токенов и формирует эмбеддинги размерностью 768. Распространяется в формате GGUF с вариантами квантования от Q2_K до Q8_0, а также в формате f16. Квантированные версии занимают примерно от 61,7 до 146 МБ, тогда как f16-версия — 274 МБ. Для запуска в README указан LlamaEdge версии v0.14.17. Основное преимущество модели — возможность локального запуска и выбор между компактностью и качеством через разные уровни квантования; версии Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые. При этом сильное квантование может приводить к существенной потере качества, особенно у вариантов Q2_K и Q3. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

redis/langcache-embed-v1 — модель Sentence Transformers, разработанная для Redis и дообученная на Alibaba-NLP/gte-modernbert-base на датасете Quora. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и сравнивает их с помощью косинусного сходства; модель предназначена для семантического сопоставления текстов и семантического кэширования, например для поиска похожих запросов и повторного использования кэшированных ответов. Архитектура основана на ModernBERT с пулингом CLS-токена, максимальная длина последовательности — 8192 токена. В метаданных указаны форматы safetensors, ONNX и OpenVINO. В README приведены результаты бинарной классификации на Quora: точность по cosine accuracy 0,90 и F1 0,87. Эти показатели относятся к описанной оценке и не гарантируют такого же качества на других данных. Поддержка языков отдельно не заявлена; датасет Quora и базовая модель указывают на ориентацию прежде всего на английский язык. Условия лицензии в предоставленных данных не указаны.

MFAQ — многоязычная модель для поиска ответов на часто задаваемые вопросы, разработанная Maxime De Bruyn, Ehsan Lotfi, Jeska Buhmann и Walter Daelemans. Она обучена на наборе данных MFAQ и ранжирует варианты ответов по соответствию заданному вопросу. Модель основана на XLM-RoBERTa, содержит 305,3 млн параметров и принимает текстовые вопросы и кандидаты ответов для вычисления их семантической близости. Её можно использовать через Sentence Transformers или Hugging Face Transformers; доступны веса PyTorch и TensorFlow. Контекст — до 514 токенов. Подходит для построения многоязычного поиска по FAQ и выбора наиболее релевантного ответа из подготовленного набора. Поддерживаемые языки включают чешский, датский, немецкий, английский, испанский, финский, французский, иврит, хорватский, венгерский, индонезийский, итальянский, нидерландский, норвежский, польский, португальский, румынский, русский, шведский и турецкий. Лицензия — Apache-2.0.

korruz/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers, дообученная на наборе sentence-transformers/all-nli из microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из MPNetModel и слоя среднего объединения токенных представлений; сходство обычно оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель подходит для извлечения эмбеддингов английского текста и построения систем поиска или группировки по смыслу. В README приведены результаты TripletEvaluator на AllNLI: точность по cosine составила 0,906 на dev и 0,9186 на test. Лицензия — Apache-2.0. Она предназначена для английского языка; качество на других языках не подтверждено, а входы длиннее лимита последовательности потребуют усечения или разбиения.

spl4shedEdu/mpnet_IAB — модель Sentence Transformers, дообученная разработчиком spl4shedEdu на базе sentence-transformers/all-mpnet-base-v2. MPNet с 136,7 млн параметров кодирует предложения и абзацы в плотные векторы размерности 768; представления нормализуются, а для сравнения можно использовать косинусное сходство. Максимальная длина последовательности в README — 384 токена; метаданные указывают нативный контекст 514 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В обучающих данных приведены пары «запрос — положительный пример» из товарных описаний и категорий, поэтому модель подходит для задач сопоставления товарных и каталожных текстов. README также сообщает об отдельном наборе оценки. Модель принимает текст и выдаёт эмбеддинги; в карточке не заявлена поддержка конкретных естественных языков. Лицензия в предоставленных данных не указана.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в репозитории asfafagf45/MyAwesomeModel-TestRepo. Согласно метаданным, она предназначена для извлечения признаков и работает с библиотекой Transformers на PyTorch. Лицензия — MIT.

MyAwesomeModel — модель, размещённая пользователем liuf12123456 и доступная через библиотеку Transformers. Согласно метаданным Hugging Face, она относится к архитектурному семейству BERT, использует PyTorch и предназначена для извлечения признаков из текста, то есть преобразования текстовых входов в векторные представления для последующего анализа.

Ogma Mini — компактная англоязычная модель эмбеддингов текста семейства Ogma, предназначенная для локального поиска и работы на устройствах с ограниченными ресурсами. В README указаны 3,5 млн параметров, размер около 14 МБ и контекст до 1024 токенов; модель использует архитектуру энкодера и выдаёт векторные представления текста, а не генерирует текст. Модель подходит для семантического и векторного поиска, извлечения документов для RAG, памяти агентных систем, кластеризации и классификации. Поддерживаются маршруты кодирования с токенами задач и Matryoshka-размерности 256, 128, 64 и 32, позволяющие уменьшать размер векторов. В README приведена оценка 53,06 на англоязычном бенчмарке MTEB; результаты зависят от задачи и способа применения. Ограничения: модель рассчитана на английский язык, не выполняет генерацию текста и уступает MiniLM-L6-v2 в задачах реранжирования. На CPU трансформерный энкодер может работать заметно медленнее статических моделей. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без отдельного разрешения.

cross-encoder/quora-roberta-base — англоязычная модель ранжирования на базе RoBERTa, дообученная с помощью SentenceTransformers на наборе Quora Duplicate Questions. Она принимает пару вопросов и выдаёт оценку от 0 до 1, показывающую, насколько вероятно, что вопросы являются дубликатами. Модель предназначена для поиска повторяющихся вопросов и сопоставления формулировок в системах обработки обращений или поиска. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, нативная длина контекста — 514 токенов. Репозиторий содержит варианты в форматах PyTorch, safetensors, ONNX, OpenVINO и Flax. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Оценка отражает вероятность дублирования, а не общую семантическую близость: например, вопросы о том, как учить Java и Python, могут получить низкую оценку, хотя их темы похожи.

Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций модели Qwen/Qwen3-Embedding-0.6B, подготовленный mradermacher. Модель предназначена для получения текстовых эмбеддингов, оценки семантического сходства предложений, поиска и других задач feature extraction. В метаданных указано, что базовая модель относится к семейству Qwen и поддерживает английский язык. Размер базовой модели составляет 0,6 млрд параметров. Доступны варианты в форматах Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и f16; размер файлов — примерно от 0,4 до 1,3 ГБ. Квантизации позволяют выбирать компромисс между требованиями к ресурсам, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. Для некоторых низкобитных вариантов качество ниже. В README не указаны архитектурные детали, максимальная длина контекста, перечень дополнительных языков и точные показатели качества, поэтому эти характеристики нельзя подтвердить. Файлы распространяются по лицензии Apache License 2.0; README описывает именно квантизированные GGUF-файлы, а не исходную модель.

Qwen3-Embedding-4B-i1-GGUF — квантованная версия модели Qwen3-Embedding-4B, разработанной командой Qwen и подготовленной в формате GGUF пользователем mradermacher. Это модель для создания текстовых эмбеддингов и извлечения признаков, предназначенная для семантического сравнения текстов, поиска, классификации и других задач, где требуется представление текста в виде векторов. В метаданных указана поддержка английского языка. Модель основана на архитектуре Qwen3 и имеет размер около 4 млрд параметров. Репозиторий содержит варианты квантизации i1 с разными типами и размерами файлов — примерно от 1,2 до 3,4 ГБ, а также файл imatrix для самостоятельного создания квантов. Варианты различаются компромиссом между размером, скоростью и качеством: например, Q4_K_M обозначен как быстрый и рекомендуемый, а Q5_K и Q6_K должны обеспечивать более высокое качество при большем размере. Точная длина контекста, размер выходного вектора, поддерживаемые дополнительные языки и результаты тестирования в README не указаны. Главное преимущество модели — возможность локального запуска в компактном формате GGUF и выбор подходящего уровня квантизации под доступные ресурсы. Ограничения связаны с потерями качества при низкобитной квантизации; сам README предупреждает о низком качестве некоторых вариантов. Модель распространяется по лицензии Apache-2.0.