I.1Поиск и навигация по информации

Это модель SentenceTransformer, дообученная на наборе it_project_docs на базе sentence-transformers/all-MiniLM-L6-v2. Энкодер BERT преобразует предложения и абзацы в плотные векторы размерностью 384; сходство векторов можно оценивать по косинусной мере. В метаданных указано 25,9 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения вопросов и текстов проектной документации, а также для поиска перефразировок, кластеризации и классификации текстов. Она выдаёт эмбеддинги, а не готовые ответы на вопросы. Обучение проводилось на парах вопросов и ответов из it_project_docs с функцией потерь MultipleNegativesRankingLoss. Модель рассчитана на английский язык, унаследованный от базовой модели; подтверждений поддержки других языков нет. Качество зависит от соответствия корпуса и запроса обучающим данным, а входные последовательности длиннее 256 токенов выходят за указанную в README максимальную длину. Лицензия в предоставленных данных не указана.

pan0sk/bge-m3-legal-v4 — дообученная pan0sk модель BAAI/bge-m3 для поиска релевантных фрагментов в греческих юридических, законодательных, административных и повседневных текстах. Это плотный энкодер на архитектуре XLM-RoBERTa с 658,7 млн параметров: он формирует векторы размерностью 1024 с mean pooling. Контекст составляет 8194 токена; доступны веса safetensors и GGUF F16, лицензия MIT. Модель предназначена для семантического поиска по греческим документам и сопоставления запросов с фрагментами текста. На отложенных выборках README сообщает recall@1 92,2% для юридических текстов, 77,8% для законодательных и административных и 85,6% для повседневных греческих текстов. Английский также присутствовал в обучающих данных, однако для поиска по греческому корпусу автор рекомендует переводить англоязычный запрос на греческий. Для полнотекстового поиска и ранжирования README рекомендует разбивать документы на фрагменты и индексировать каждый отдельно; эмбеддинги разных версий модели несовместимы и требуют повторного пересчёта при миграции.

pablosi/bge-m3-trained — испаноязычная модель Sentence Transformers, дообученная Pablo Si на базе BAAI/bge-m3 на наборе boe_sintetic_question_context из 5 036 пар вопрос–контекст. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализует их и подходит для семантического поиска и сравнения текстов по косинусному сходству. Архитектура включает XLM-RoBERTa и слой пулинга по CLS-токену; максимальная длина последовательности — 8 194 токена. Модель предназначена прежде всего для поиска испанских нормативных и юридических документов по вопросам, а также для оценки сходства, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки на задаче информационного поиска, однако они относятся к указанному тестовому набору и сами по себе не гарантируют качество на других коллекциях. Лицензия — Apache-2.0.

bge-small-en-v1.5 INT8 ONNX — компактная англоязычная модель для получения векторных представлений текста. Артефакт подготовлен для поиска в ZimaOS Photos на основе модели BAAI/bge-small-en-v1.5; распространяется в формате ONNX с динамической INT8-квантизацией QInt8 и рассчитан на выполнение через ONNX Runtime. Модель преобразует текст в эмбеддинги размерностью 384 и поддерживает последовательности длиной до 512 токенов. Она предназначена для семантического поиска и сопоставления поисковых запросов с текстовыми описаниями или индексированными фрагментами; для запросов требуется добавлять инструкцию «Represent this sentence for searching relevant passages:», а для индексируемых текстов её добавлять не следует. После получения вывода необходимо применять mean pooling с учётом attention mask и L2-нормализацию. К преимуществам относятся небольшой размер около 40 млн параметров, экономичное INT8-выполнение и совместимость с ONNX Runtime. Модель поддерживает английский язык и не является мультимодальной моделью, поэтому сама по себе не обрабатывает изображения. Лицензия — MIT.

Damysus-2.7B-Chat — англоязычная диалоговая модель Prince Canuma, дообученная на базе Microsoft Phi-2 для следования инструкциям. Это плотный Transformer для генерации текста с 3,5 млрд параметров по метаданным и контекстом до 2048 токенов. Модель рассчитана на ответы на вопросы, извлечение данных, структурированные ответы, включая JSON, и объяснения; её также можно использовать как компонент RAG для синтеза ответов, суммаризации и переформулирования запросов. Модель обучали на данных SlimOrca и наборах TinyOrca; автор сообщает, что лучшие результаты получил при дообучении на 200 примерах. Репозиторий содержит веса Safetensors, для работы предусмотрена библиотека Transformers. Лицензия — MIT. Модель в первую очередь рассчитана на стандартный английский; сленг и другие языки могут обрабатываться хуже. Ответы и фрагменты кода могут быть фактически неверными, а знания о программировании в основном связаны с Python и распространёнными библиотеками, поэтому результаты следует проверять.

Это вариант модели EmbeddingGemma-300M, опубликованный сообществом LiteRT для запуска на Android и iOS, а также для использования в Android-приложениях с библиотекой Google AI Edge RAG. Базовая карточка модели находится в репозитории google/embeddinggemma-300m; модель предназначена для получения текстовых эмбеддингов и оценки сходства предложений, в том числе для поиска по смыслу и конвейеров RAG. Репозиторий содержит модели в формате LiteRT TFLite и описывает варианты с разной точностью, включая смешанную квантизацию int4/int8. Для токенизации используется SentencePiece. В README приведены сведения о запуске и бенчмарках на Samsung S25 Ultra, однако численные результаты в предоставленном тексте отсутствуют. Модель распространяется по лицензии Gemma; перед использованием следует учитывать её условия.

German-RAG-MISTRAL-7B-v3.0-CPT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI и дообученная на базе mistralai/Mistral-7B-v0.3 методом continued pre-training. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Лицензия — Apache 2.0. Модель предназначена для работы с немецкими и английскими текстами, особенно для генерации ответов на вопросы с учётом предоставленного контекста, структурированного рассуждения и суммаризации. Её можно использовать в RAG-сценариях, где приложению нужно сформулировать ответ по найденным документам. В обучающих данных сделан акцент на немецком языке; README указывает около 420 тысяч немецких и 200 тысяч английских примеров.

glinermediumnews-v2.1 — модель извлечения сущностей, разработанная Emergent Methods как дообучение GLiNER на новостных данных. Она предназначена для обнаружения в тексте сущностей заданных типов, включая организации, людей, местоположения, даты, числа и транспортные средства. Модель использует архитектуру на основе DeBERTa и поддерживает zero-shot извлечение сущностей; дообучение на разнообразных новостных примерах улучшило точность на 18 наборах тестов, по данным авторов, вплоть до 7,5% относительно базовой GLiNER. Модель рассчитана на извлечение сущностей из новостей и текстов широкого круга тематик, в том числе в сценариях с длинным контекстом и высокой пропускной способностью. README указывает английский как основной язык, а также упоминает тексты и переводы с испанского, португальского, немецкого, русского, французского, арабского, итальянского, украинского, норвежского, шведского и датского языков. Доступна по лицензии Apache 2.0. Данные для дообучения были синтетически созданы на основе новостных материалов AskNews: WizardLM 13B v1.2 использовалась для перевода и суммаризации, а Llama 3 70B Instruct — для извлечения сущностей при подготовке данных. Авторы отмечают сохраняющийся перекос в сторону западных языков и стран, а также возможное наследование смещений генераторов синтетических данных.

KBevo-Qwen3-4B-SFT — разработанный Kilian Group чекпойнт supervised fine-tuning модели Qwen3-4B для двухэтапных ответов на вопросы с несколькими переходами рассуждения. На первом этапе модель извлекает из набора фрагментов компактную структурированную базу знаний в виде троек «сущность — отношение — значение», включая обратные отношения. На втором этапе она отвечает на вопросы, выполняя типизированные запросы к этой базе и опираясь на найденные факты. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров; поддерживает контекст до 40 960 токенов и работает с текстом. Чекпойнт обучен на синтезированных двухэтапных траекториях для HotpotQA методом SFT; он предназначен для запуска поведения KBevo SFT, воспроизведения экспериментов и дальнейшего обучения. В README приведены результаты на HotpotQA, MuSiQue, 2WikiMultiHopQA и PopQA. Для двухэтапного inference рекомендуется использовать эталонную реализацию KBevo. Лицензия — Apache-2.0.

Kimi K2.5 — открытая мультимодальная модель от Moonshot AI, построенная продолжением предварительного обучения примерно на 15 триллионах визуальных и текстовых токенов на базе Kimi-K2-Base. Она сочетает понимание изображений и текста с диалоговыми и агентными возможностями, поддерживает режимы instant и thinking и может разбивать сложные задачи на параллельные подзадачи для специализированных агентов. Модель предназначена для визуальных вопросов и рассуждений, генерации кода по визуальным спецификациям, а также выполнения многошаговых задач с инструментами, например поиском в интернете и интерпретатором кода. Архитектура — смесь экспертов (MoE), всего около 1 трлн параметров, из которых активируются 32 млрд; в README для оценки указан контекст 256 тысяч токенов. Репозиторий использует safetensors и содержит нативную INT4-квантизацию. Модель принимает текст и изображения и генерирует текст. README описывает мультимодальное обучение, но не перечисляет поддерживаемые естественные языки. Лицензия указана как other, поэтому конкретные условия использования следует проверять на странице модели. Качество зависит от задачи и доступных инструментов; сложные агентные сценарии требуют подходящей инфраструктуры выполнения инструментов.

LateOn-unsupervised — англоязычная модель поиска LightOn из семейства LateOn, реализованная на базе ModernBERT-base и библиотеки PyLate. Это промежуточный чекпойнт первого этапа обучения: контрастивное предварительное обучение на парах запросов и документов без последующей настройки на сложных негативных примерах. Модель ColBERT формирует многовекторные представления размерности 128 и оценивает соответствие запросов и документов функцией MaxSim; длина документа при использовании — до 300 токенов, запроса — до 32 токенов. Контекст модели составляет 8192 токена, размер — 149 млн параметров. Чекпойнт предназначен для исследований этапов обучения, дообучения на собственных доменных данных, экспериментов с дистилляцией и адаптации стратегий поиска. Для большинства производственных сценариев автор рекомендует полностью обученную LateOn. Модель опубликована под лицензией Apache 2.0.

MyAwesomeModel — модель на базе Transformers для извлечения признаков из входных данных. В метаданных Hugging Face она отмечена как feature-extraction и связана с экосистемой PyTorch и семейством BERT. README также описывает улучшения рассуждений, понимания языка, генерации кода и текста, однако основным подтверждённым сценарием применения остаётся получение векторных представлений.

Nesso-4B — компактная языковая модель-ассистент от Mii, основанная на плотной архитектуре Qwen3. В репозитории указано 4,0 млрд параметров, а метаданные фиксируют 3,7 млрд; модель распространяется в формате safetensors и рассчитана на запуск локально на пользовательском оборудовании. Заявленное окно контекста — до 262 144 токенов, однако для устройств с ограниченной памятью README рекомендует сокращать его. Модель предназначена для повседневного диалога, генерации текста, поиска ответов по документам с RAG, агентных сценариев и использования инструментов. Заявлена поддержка нескольких языков и кросс-языковых задач, но конкретные языки и их качество не перечислены. Поддерживаются Transformers и приложения локального запуска, включая Ollama, LM Studio, llama.cpp и MLX-LM. Лицензия — Mii Open License 1.0; условия следует сверить с текстом лицензии в репозитории.

Xenova/paraphrase-multilingual-mpnet-base-v2 — это версия модели sentence-transformers/paraphrase-multilingual-mpnet-base-v2 с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Репозиторий поддерживается сообществом Xenova и предназначен для запуска модели в JavaScript-средах, включая веб-приложения, через pipeline Transformers.js. Модель используется для извлечения признаковых представлений текста (feature extraction), поэтому подходит для задач семантического сравнения, поиска похожих текстов, кластеризации и других сценариев, где нужны текстовые embeddings. В README приведён пример обработки англоязычной фразы, однако языки, размер, архитектура, максимальная длина контекста и точные характеристики исходной модели не указаны. Известно, что ONNX-веса размещены в отдельном репозитории для web-ready использования; сведения о сильных сторонах, ограничениях и лицензии в README отсутствуют.

muskannnnn/Prototype — дообученная на BAAI/bge-m3 модель Sentence Transformers на базе XLM-RoBERTa, разработанная автором репозитория muskannnnn. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерностью 1024 для семантического поиска и извлечения релевантных документов. Косинусное сходство между векторами можно использовать для ранжирования текстов по смысловой близости. Модель обучена на 6 133 парах текстов с функцией MultipleNegativesRankingLoss; примеры данных относятся к названиям товаров. Максимальная длина последовательности — 8 194 токена. Подходит для поиска похожих товарных наименований и построения текстового retrieval-пайплайна. Данные не позволяют установить полный список поддерживаемых языков или лицензионные условия; качество вне сценариев, представленных обучающими примерами, не подтверждено.

Qwen3.5-9B-sdpo-react-mathcodesearch-grpo-arm-e-step29 — это дообученная модель ipfipfipf на базе Qwen/Qwen3.5-9B. Она предназначена для диалоговой работы с математическими и программными задачами, а также для многошаговых сценариев поиска с вызовом инструментов в стиле ReAct. Модель обучалась методом GRPO с SDPO; опубликован шаг 29, выбранный авторами как лучший по их кривой обучения. Это текстовая языковая модель на 9 млрд параметров с архитектурой семейства Qwen3.5; репозиторий содержит веса Safetensors и рассчитан на Transformers. Хотя конфигурация сохраняет класс Qwen3_5ForConditionalGeneration, при экспорте удалена башня зрения базовой модели, поэтому изображения модель не принимает. README приводит результаты на математических и кодовых тестах, однако ограничивает их сравнительную интерпретацию: для AMO-Bench часть ответов обрезалась из-за лимита генерации в 16 384 токена, а качество может снижаться при продолжении обучения после шага 29. Лицензия — Apache-2.0.

hyunseop/qwen3-embedding — дообученная Hyunseop модель текстовых эмбеддингов на базе Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска и извлечения документов на корейском языке. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и контрастивное обучение на парах запрос–документ из синтетического корейского набора Nemotron-Personas-Korea; заявленная длина контекста — 40 960 токенов. В README приведены результаты оценки на корейских наборах AutoRAG и MIRACL; они характеризуют проверенные сценарии поиска, но не гарантируют аналогичное качество на других данных. Модель принимает текст и выдаёт эмбеддинги для последующего поиска или сравнения текстов. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Rapido NER + Entity Embedding — модель распознавания именованных сущностей и получения их векторных представлений, разработанная автором репозитория pierre-tassel. Она дообучена на базе многоязычного энкодера Alibaba-NLP/gte-multilingual-mlm-base и объединяет классификационную голову для разметки токенов, CRF-декодирование с ограничениями BIO, пулинг упоминаний с помощью внимания и проекционные слои с учётом типа сущности. Модель предназначена для многоязычного NER, а также для кластеризации, поиска и связывания упоминаний сущностей. Для выбранного упоминания она может выдавать L2-нормализованный вектор размерности 768; предусмотрено разделение представлений по типам PER, ORG и LOC. Контекст модели составляет до 4096 токенов, входная модальность — текст. В README указано обучение на корпусе из 55 языков; метаданные перечисляют поддерживаемые языки, включая русский. Модель распространяется по лицензии Apache 2.0. Качество может зависеть от языка и предметной области; заявленные возможности не гарантируют одинаковую точность на любых текстах. Для получения векторов упоминаний требуется передать mention_mask.

Kyurem — компактная модель эмбеддингов на основе архитектуры BERT, созданная слиянием предварительно обученных моделей методом Model Stock с помощью mergekit. В слияние вошли Mihaiii/Wartortle, TaylorAI/bge-micro-v2 и TaylorAI/bge-micro; последняя указана как базовая модель. Модель предназначена для преобразования предложений и коротких текстов в векторные представления, семантического поиска и сравнения сходства. Она содержит 18,8 млн параметров, работает с контекстом до 512 токенов и доступна в форматах safetensors и ONNX через библиотеку sentence-transformers. По сведениям о базовой модели, основное назначение — англоязычные тексты. Модель распространяется по лицензии MIT. Её компактный размер удобен для поиска и сопоставления текстов с ограниченными вычислительными ресурсами; ограничения включают контекст в 512 токенов и англоязычную специализацию базовой модели.

Карточка модели avsolatorio/01-000-11-0-0-1-0-0_GIST_BAAI_bge-small-en-v1.5-20240126215547-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/AVES_BAAI_bge-base-en-v1.5-20240125221415-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.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240126151540-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.

swardiantara/bert-tiny-yelp-k3-fixed-cosine — компактная модель Sentence Transformers, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска по смыслу, извлечения текстовых признаков и сравнения текстов по косинусному сходству. Архитектура состоит из BERT с усреднением токенных представлений; модель содержит 4,4 млн параметров и работает с текстом. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные сообщают контекст до 512 токенов; для практического использования следует учитывать ограничение конфигурации модели и проверять фактическую длину входа. Карточка описывает обучающий набор из 585 120 примеров с парами текстов и оценками. Модель подходит для поиска похожих отзывов и ранжирования текстов по семантической близости. Лицензия в предоставленных данных не указана.

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная revtestuser на финансовых текстовых парах от BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель подходит для поиска ответов и сведений в финансовых и регуляторных документах, поиска похожих фрагментов, кластеризации и отбора текстов для последующей классификации. В README приведены результаты информационного поиска на нескольких размерностях векторов, но они относятся к указанным там наборам оценки. Модель принимает текст и выдаёт векторы; лицензия — Apache-2.0.

newmindai выпустила модель семантического сходства турецких предложений, дообученную на базе BAAI/bge-m3 на турецком наборе STS-B. Это Sentence Transformers на архитектуре XLM-RoBERTa с 658,7 млн параметров; модель кодирует текст в эмбеддинги и предназначена для оценки сходства пар предложений. В README указаны корреляции Спирмена 0,8629 и Пирсона 0,8575 на оценке STS-B. Модель подходит для поиска похожих предложений, сопоставления вопросов с ответами, поиска перефразирований и группировки турецких текстов. Метаданные указывают контекст до 8194 токенов, тогда как README сообщает ограничение последовательности в 1024 токена; фактический рабочий предел может зависеть от конфигурации загрузки. Поддержка языка в карточке отмечена для турецкого. Лицензия — Apache-2.0.

distilbert-NER — англоязычная модель распознавания именованных сущностей, созданная dslim путём дообучения DistilBERT. Она размечает токены в тексте тегами для людей (PER), организаций (ORG), мест (LOC) и прочих сущностей (MISC), включая начало и продолжение сущности. Модель основана на DistilBERT с архитектурой DistilBertForTokenClassification и содержит 66 млн параметров. Она обучена на английском наборе CoNLL-2003 и принимает контекст до 512 токенов. Компактность DistilBERT помогает снизить размер и ускорить обработку по сравнению с BERT, сохраняя пригодность для извлечения сущностей из новостных и сходных текстов. Качество может снижаться на текстах, заметно отличающихся от CoNLL-2003; возможны ошибки разметки в сложных предложениях и смещения, унаследованные от обучающих данных. Лицензия — Apache-2.0.

F2LLM-v2-14B-Preview — предварительная многоязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-14B. Она обучена на корпусе из 27 млн примеров, охватывающем более 100 естественных и программных языков, и предназначена как основа для задач векторного представления текста и дальнейшего дообучения; версия Preview обучена без инструкционного формата. Модель имеет плотную архитектуру Qwen3 с 14 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов. Для получения эмбеддингов доступны библиотеки Sentence Transformers и Transformers. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Поскольку это базовая версия без инструкционного обучения, она предназначена для встраивания в поисковые и другие embedding-системы, а не для диалогового использования как instruct-модель. README не приводит оценки качества или подробные ограничения по отдельным языкам и задачам.

GLiClass Modern Base v3.0 — компактная модель классификации последовательностей от Knowledgator, созданная на основе архитектуры GLiClass. Она предназначена для классификации текста по заданным меткам в zero-shot-режиме, включая тематическую классификацию и анализ тональности; также её можно использовать для ранжирования документов в RAG-системах. По карточке, модель содержит около 151 млн параметров и занимает 606 МБ. Для дообучения на логических задачах применялись LoRA-адаптеры, чтобы сохранить прежние знания модели. GLiClass выполняет классификацию за один проход и рассчитана на более эффективное использование вычислений по сравнению с cross-encoder. В опубликованных тестах эта версия показала средний результат 0,5571 и скорость 54,46 примера в секунду на GPU A6000 при размере пакета 1; результаты зависят от набора данных и числа меток. Карточка не сообщает поддерживаемые естественные языки или длину контекста. Модель опубликована под лицензией Apache-2.0.

Многоязычная модель Sentence Transformers, разработанная командой Impresso Project на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и дообученная для исторического и современного люксембургского языка. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена прежде всего для кросс-языкового семантического поиска между люксембургским и другими языками, а также для сравнения текстов, поиска парафраз и кластеризации. Модель подходит библиотекам и архивам для поиска по коллекциям и изучения изменений языка во времени. Архитектура — XLM-RoBERTa; модель содержит 305,2 млн параметров, использует библиотеку Sentence Transformers и принимает текст. README указывает ограничение в 128 субтокенов на вход, хотя метаданные каталога сообщают длину контекста 514 токенов. На историческом и современном люксембургском модель показывает сильный результат в различении парафраз ParaLUX; для поиска по более длинному контексту README рекомендует другую модель. Лицензия — AGPL-3.0.

Redis LangCache Embed v3 Small — англоязычная Sentence Transformer модель Redis для построения плотных векторов предложений и абзацев. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 на наборе LangCache Sentence Pairs и содержит около 25,9 млн параметров. Архитектура состоит из BERT-энкодера и среднего pooling; векторы размерности 384 сравниваются по косинусному сходству. Модель предназначена для оценки семантического сходства, семантического поиска и поиска похожих запросов для семантического кэширования. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога задают нативный контекст 512 токенов. Обучение включало около 8 млн парных примеров; в карточке приведён результат nDCG@10 0,788 на тестовой оценке LangCache. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она выдаёт эмбеддинги для сравнения текстов, но качество и применимость за пределами английского языка и сценариев, близких к обучающим данным, не установлены.