I.1Поиск и навигация по информации

ychafiqui/bge-m3-law-morocco-ar-emb — модель Sentence Transformers, созданная дообучением mhaseeb1604/bge-m3-law. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического сравнения текстов, поиска похожих фрагментов, поиска перефразировок, кластеризации и классификации текстов. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией; сходство можно оценивать косинусной мерой. Обучение проводилось на 7200 парах предложений, а README указывает максимальную длину последовательности 256 токенов. Модель ориентирована на арабские и английские юридические тексты, в частности правовые материалы Марокко, согласно описанию базовой модели и примерам обучающих данных. Метаданные указывают контекст до 8194 токенов, однако это расходится с ограничением в 256 токенов, указанным в README; фактический безопасный предел для этой версии следует проверить при использовании. Лицензия в предоставленных сведениях не приведена.

fitlemon/bge-m3-uz-legal-matryoshka — Sentence Transformers modeli, BAAI/bge-m3 базасынан Өзбекстан заңнамасына қатысты сұрақтар мен құжат үзінділері бойынша дообучена. Она кодирует предложения и абзацы на узбекском языке в нормализованные плотные векторы размерностью 1024; косинусное сходство подходит для семантического поиска и сопоставления вопроса с релевантным фрагментом. Модель основана на XLM-RoBERTa, поддерживает последовательности до 8194 токенов и обучена на 4737 парах «вопрос — фрагмент». Её можно применять для поиска правовых документов и фрагментов законодательства, оценки семантического сходства, поиска перефразировок и группировки текстов; также заявлена возможность использовать эмбеддинги для классификации. Matryoshka-обучение позволяет получать векторы меньшей размерности — от 64 до 768 — с приведёнными в карточке метриками поиска. Лицензия — Apache-2.0.

bge-m3-vistalab — дообученная Ulku Tuncer Kucuktas на BAAI/bge-m3 модель эмбеддингов для турецких текстов. Она предназначена прежде всего для поиска по юридическим документам: договорам, нормативным актам и судебным решениям; также обучалась на задачах семантического сходства, поиска и классификации. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст, преобразуя его в векторные представления. В README указаны варианты представления размерностью 1024 и 256; метаданные сообщают контекст до 8194 токенов, тогда как в описании обучения указан max_seq 512. Для адаптации применялся LoRA с рангом 32, а обучение включало синтетические турецкие юридические и поисковые данные, реальные данные NLI/STS и MS MARCO-TR. В README приведены результаты оценки на турецких юридических задачах и MTEB-Turkish. Модель распространяется по лицензии MIT.

maastrichtlawtech/colbert-legal-french — модель поиска и сопоставления предложений для юридических текстов на французском языке. Она дообучена на базе antoinelouis/colbertv1-camembert-base-mmarcoFR и предназначена для поиска релевантных фрагментов в системах извлечения информации и RAG. Архитектура основана на CamemBERT и ColBERT; модель содержит 137,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт оценки сходства и релевантности. В метаданных указан датасет maastrichtlawtech/lleqa и библиотека RAGatouille. Модель опубликована под лицензией MIT.

Карточка модели maastrichtlawtech/dpr-legal-french на Hugging Face совпадает с карточкой maastrichtlawtech/colbert-legal-french, поэтому описание составлено по ней. maastrichtlawtech/colbert-legal-french — модель поиска и сопоставления предложений для юридических текстов на французском языке. Она дообучена на базе antoinelouis/colbertv1-camembert-base-mmarcoFR и предназначена для поиска релевантных фрагментов в системах извлечения информации и RAG. Архитектура основана на CamemBERT и ColBERT; модель содержит 137,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт оценки сходства и релевантности. В метаданных указан датасет maastrichtlawtech/lleqa и библиотека RAGatouille. Модель опубликована под лицензией MIT.

Embeddinggemma-GTAIDE-300m-2605 — модель текстовых эмбеддингов проекта TAIDE, созданная на основе google/embeddinggemma-300m и дообученная на корпусе нормативных актов Тайваня на традиционном китайском языке. Она предназначена для семантического поиска: преобразует запросы и фрагменты документов в векторы размерностью 768, которые можно сравнивать по косинусному сходству. В README заявлена максимальная длина последовательности 2048 токенов. Основной сценарий — поиск наиболее подходящих положений законодательства по обращениям граждан, в том числе для подготовки ответов государственными служащими. На указанном в карточке наборе из 30 651 пары запросов и нормативных фрагментов модель показала Recall@10 98,79%, тогда как базовая embeddinggemma-300m — 89,28%. Эти результаты относятся к описанной оценке и не гарантируют такого же качества на других корпусах и запросах. Модель принимает текст и выдаёт векторы признаков; она не генерирует ответы и сама по себе не подтверждает юридическую корректность найденных документов. Обучающие законодательные данные актуализированы по 1 апреля 2026 года, поэтому последующие изменения законодательства могут не отражаться в её представлениях. В метаданных указана лицензия other; конкретные условия следует сверить с лицензией репозитория и базовой модели.

nghuyong/ernie-3.0-mini-zh — версия ERNIE 3.0 на PyTorch, преобразованная из официальной модели PaddlePaddle и проверенная экспериментами на корректность конверсии. Это плотная модель архитектуры ERNIE с 29,5 млн параметров и контекстом до 2048 токенов. Модель предназначена для извлечения признаковых представлений текста на китайском языке. Её можно использовать как основу для получения векторных представлений, которые затем применяются в поиске, сравнении текстов и других NLP-сценариях. Для загрузки README указывает Transformers и классы BertTokenizer и ErnieModel. Репозиторий содержит формат PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

F2LLM-v2-330M Q8_0 GGUF — квантованная сборка модели F2LLM-v2-330M, разработанной codefuse-ai. Модель распространяется в формате GGUF и предназначена прежде всего для построения эмбеддингов и вычисления сходства предложений, в частности как встроенная embedding-модель для Inkentry. В репозитории представлены варианты для движков Candle и llama.cpp, которые используют одинаковые веса и должны выдавать одинаковые векторы. Модель построена на архитектуре Qwen3 decoder и формирует эмбеддинги размерностью 896. Веса исходной модели в формате BF16 квантованы в Q8_0; параметры RMSNorm сохранены в F32. Поставляются два варианта GGUF размером примерно 339 и 345 МБ, а также токенизатор tokenizer.json. README не сообщает поддерживаемые языки и размер контекстного окна. Ключевые преимущества сборки — уменьшенный объём хранения, отсутствие необходимости выполнять квантование на устройстве и совместимость с двумя локальными inference-движками. Ограничения связаны с тем, что это специализированная embedding-модель, а не универсальная генеративная модель; влияние квантования Q8_0 на качество в README не оценивается. Модель и производные GGUF-файлы распространяются по лицензии Apache License 2.0, унаследованной от базовой модели.

NeuML/fasttext — экспорт английских векторов FastText Wiki News размерности 300 из набора wiki-news-300d-1M-subword.vec.zip в формат библиотеки staticvectors. Модель предназначена для получения векторных представлений слов и вычисления сходства между предложениями; запуск инференса в Python с NumPy обеспечивает работу без отдельной нейросетевой среды. Репозиторий содержит плотные статические векторы в формате safetensors. Модель рассчитана на английский язык и применяется в задачах семантического сравнения текстов. Лицензия — CC BY-SA 3.0, предусматривающая указание авторства и распространение производных материалов на совместимых условиях.

fusion-embedding-2-k3-vision — обученный EximiusLabs проектор для поиска изображений по текстовым запросам. Он использует замороженный визуальный энкодер MoonViT-V2 из moonshotai/Kimi-K3 и переводит его признаки в общее пространство эмбеддингов fusion-embedding-2, совместимое с текстовыми представлениями. Языковая модель Kimi K3 в работе проектора не используется. Визуальная башня содержит около 401 млн параметров, обучаемый проектор — около 3,15 млн. Проектор формирует вектор изображения размерности 2048; модель предназначена для извлечения признаков и поиска изображений по тексту, а также может включать изображения в общий индекс с другими модальностями пространства fusion-embedding-2. В README приведены результаты теста text-to-image retrieval на Flickr30k, но перенос этих результатов на другие наборы данных не гарантирован. Модель обозначена авторами как исследовательское превью. Для запуска нужны веса визуальной башни из moonshotai/Kimi-K3 и проектор из этого репозитория. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

Карточка модели Atgenomix/icd_10_sentence_transformer_128_dim_model на Hugging Face совпадает с карточкой pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb, поэтому описание составлено по ней. pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb — модель эмбеддингов предложений на базе BERT, опубликованная пользователем pritamdeka. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель обучалась на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB, включая наборы данных по биомедицинским текстам. Веса содержат 135,5 млн параметров, максимальная длина контекста составляет 512 токенов. Модель принимает текст и возвращает эмбеддинги; указанные наборы данных и название BioBERT указывают на специализацию для биомедицинского и научного текста. Для использования требуется корректная операция pooling поверх контекстных представлений либо Sentence-Transformers. Лицензия CC BY-NC 3.0 ограничивает коммерческое использование.

spraxx/legal-bert-ecthr-biencoder — англоязычная модель Sentence Transformers, дообученная spraxx на базе nlpaueb/legal-bert-base-uncased для поиска и сравнения юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать по косинусному сходству. Архитектура состоит из BERT и среднего pooling, максимальная длина входа — 512 токенов, библиотека — Sentence Transformers. Модель подходит для семантического поиска и извлечения релевантных юридических фрагментов, а также для ранжирования текстов по смысловому сходству. Обучение описано на выборке из 12 180 примеров с функцией MultipleNegativesRankingLoss. Вход и результат — текст и его векторное представление. Модель ориентирована на английские юридические тексты; лицензия в предоставленных данных не описана.

Mini-Monkey — компактная мультимодальная языковая модель, разработанная Mingxin Huang, Yuliang Liu, Dingkang Liang, Lianwen Jin и Xiang Bai. Она основана на архитектуре InternVL Chat и предназначена для диалога с пользователем по изображениям и понимания визуальных данных. Модель применяет стратегию адаптивного многомасштабного кадрирования MSAC, чтобы получать представления объектов на разных масштабах, и механизм сжатия SCM, уменьшающий число визуальных токенов. Авторы сообщают о сильных результатах на общих задачах понимания изображений и задачах работы с документами, включая OCR, диаграммы и визуальные вопросы и ответы. В README заявлены результаты на уровне моделей с большим числом параметров, однако количественный размер именно этой модели в предоставленных метаданных и тексте карточки не указан. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она рассчитана на визуальные вопросы и ответы, распознавание текста и извлечение сведений из документов, диаграмм и графиков. Репозиторий распространяет веса в формате safetensors; лицензия — MIT.

llm-semantic-router/mmbert-embed-finance — дообученная модель Sentence Transformers на архитектуре ModernBERT с 306,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Модель рассчитана на работу с текстами до 32 768 токенов; сходство векторов можно оценивать косинусной мерой. Доступны веса Safetensors и формат ONNX. Модель ориентирована на финансовые тексты: примеры обучающих данных содержат вопросы и ответы о финансовой отчётности компаний. Она подходит для поиска по финансовым документам и группировки похожих запросов и фрагментов. Модель наследует мультиязычную основу mmbert-embed-32k-2d-matryoshka; в карточке не перечислены конкретные поддерживаемые языки. Лицензия в предоставленных данных не указана.

Morgan-Tanglish-v7 — модель эмбеддингов предложений, созданная Vishnu N для семантического сравнения текста на танглише: смеси тамильского и английского языков, записанной латиницей. Она дообучена на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и предназначена для коротких сообщений и предложений, похожих на тексты из соцсетей; контекст модели — до 512 токенов. В метаданных указаны архитектура BERT, 124,3 млн параметров и формат safetensors. Модель подходит для семантического поиска, подбора похожих предложений, обнаружения дубликатов, сопоставления обращений в поддержку и резюме с вакансиями, а также поиска по корпусам для RAG-систем. Автор сообщает о результатах на TanglishSTS — наборе из 325 пар, размеченных носителем тамильского языка, — и о превосходстве над сравниваемыми моделями в ряде тестов; это заявление основано на оценке автора. Лицензия — Apache-2.0. Модель обучалась преимущественно на танглише. Автор предупреждает, что она не предназначена для формального тамильского на родном письме, а качество для хинглиша и чисто английских задач не подтверждено. Она оптимизирована для коротких текстов длиной около 6–50 слов; качество на длинных документах и новых интернет-сленгах может быть ниже.

MrBERT-legal — многоязычная языковая модель для юридических текстов, разработанная Language Technologies Lab при Barcelona Supercomputing Center. Она построена на архитектуре ModernBERT и получена дообучением MrBERT на специализированном юридическом корпусе объёмом 8 млрд токенов: 20,5% испанского и 79,5% английского текста. Модель содержит около 307 млн параметров, использует токенизатор SPM со словарём из 256 000 токенов и поддерживает контекст до 8192 токенов. Модель обучена предсказывать замаскированные токены и подходит для адаптации к юридическим задачам, включая получение текстовых представлений, поиск и классификацию юридических документов. В карточке приведены оценки на испанских и английских юридических бенчмарках; результаты зависят от задачи и набора данных. Это encoder-модель, поэтому она не предназначена для генерации длинных ответов в диалоге. Лицензия — Apache-2.0. Авторы предупреждают о возможных смещениях и необходимости учитывать риски при развёртывании.

jost/multilingual-e5-base-politics-de — дообученная на немецких политических данных модель эмбеддингов предложений на базе multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и Sentence-Transformers, преобразуя предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу и кластеризации. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска и сравнения немецкоязычных политических текстов, а также для группировки похожих предложений и абзацев. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на получение векторов, сохраняющих смысловое сходство. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Mursit-Large-TR-Retrieval — модель эмбеддингов, разработанная NewMind AI для поиска и сопоставления текстов, с особым упором на юридические документы на турецком языке. Она дообучена для поиска на базе newmindai/Mursit-Large с помощью контрастивного обучения на MS MARCO-TR; в карточке также упоминается предварительное обучение базовой модели на преимущественно турецких корпусах. Модель использует архитектуру ModernBERT-large, содержит около 403,6 млн параметров, формирует векторы размерности 1024 и принимает последовательности длиной до 2048 токенов. Модель предназначена для семантического поиска, извлечения и ранжирования релевантных документов, сравнения договоров и поиска по нормативным актам и судебным решениям. Карточка сообщает о результатах на турецких бенчмарках MTEB и Legal; среди практических сценариев названы юридический поиск и системы ответов на вопросы по правовым документам. Поддерживаются турецкий и английский языки, доступны форматы safetensors и ONNX. Лицензия — Apache-2.0. Результаты бенчмарков не гарантируют качество на конкретной коллекции документов; максимальная длина входа ограничена 2048 токенами.

monilouise/ner_news_portuguese — дообученная версия BERTimbau для распознавания именованных сущностей в португалоязычных новостях. Модель относит токены к четырём классам: PERSON, ORGANIZATION, PUBLIC INSTITUTION и LOCAL, то есть распознаёт людей, организации, государственные учреждения и места. Архитектура — BERT для классификации токенов; размер составляет 136,1 млн параметров, длина контекста — до 512 токенов. Доступны веса PyTorch и Flax. Модель предназначена для извлечения сущностей из новостных текстов, в частности материалов о мошенничестве и коррупции. В README приведены результаты оценки: accuracy 0,98, precision 0,86, recall 0,91 и F1 0,88. Обучение проводилось на корпусе примерно из 180 новостных статей, поэтому качество на других жанрах и типах текста может отличаться. Лицензия в предоставленных данных не указана.

kietnt0603/nrk-legal-bge — модель эмбеддингов на базе BAAI/bge-m3, дообученная для поиска по юридическим текстам на вьетнамском языке. Она кодирует запросы и документы в плотные векторы размерностью 1024 для семантического поиска и использования в RAG-системах. Модель построена на архитектуре XLM-RoBERTa и поддерживает сокращение эмбеддингов до 768, 512, 256 или 128 измерений с небольшим снижением качества. В README указана максимальная длина последовательности 512 токенов; метаданные указывают контекст до 8194 токенов. Для прикладного использования следует учитывать ограничение, заявленное в карточке модели. Модель оценивалась на бенчмарке поиска по вьетнамским юридическим материалам. Обучение проведено на триплетах «запрос — документ — негативный пример» из конкурса Zalo AI Legal. Модель предназначена для получения векторных представлений, а не для генерации ответов; качество поиска зависит от корпуса и выбранной размерности эмбеддингов. Лицензия — Apache-2.0.

Nyaya-Embed-v1 — модель-биэнкодер, разработанная NyayaLabs для поиска разделов действующего индийского законодательства по вопросам граждан на английском, хинди и хинглише. Она дообучена на базе intfloat/multilingual-e5-base и предназначена для получения текстовых эмбеддингов, которые сопоставляют запросы с релевантными разделами законов. В системе Nyaya legal-guidance её используют как плотную часть гибридного поиска вместе с BM25. Модель основана на XLM-RoBERTa, содержит около 305,2 млн параметров и принимает текст с префиксами query: и passage: по соглашению E5. Контекст — до 514 токенов. На отложенной выборке из 118 вопросов гибридный поиск с моделью показал полноту нахождения всех целевых разделов 73,7% при k=3 и 88,1% при k=8; результаты для хинди и хинглиша оценены на малом числе примеров. Модель выпущена по лицензии MIT и помогает находить правовые нормы, но не предоставляет юридических рекомендаций.

Это модель на базе XLM-RoBERTa для получения векторных представлений болгарских предложений и оценки их сходства. Она содержит 124,5 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель обучали по идеям Sentence-BERT на закрытых параллельных болгарско-английских данных: переводные предложения должны располагаться близко в общем векторном пространстве. Учителем служила модель Google USE; затем модель сжали методом progressive module replacing. Модель подходит для поиска семантически близких предложений и сопоставления болгарских фраз с английскими переводами. Она чувствительна к регистру: различает «bulgarian» и «Bulgarian». Репозиторий предоставляет веса PyTorch; лицензия — MIT. Качество на иных языках и типах данных в карточке не описано.

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

EvanD/xlm-roberta-base-romanian-ner-ronec — модель распознавания именованных сущностей на румынском языке, созданная на базе XLM-RoBERTa и дообученная на наборе данных RONEC. Она размечает токены в тексте и предназначена для извлечения именованных сущностей. В README указана оценка F1-Macro 0,955 на тестовой выборке RONEC. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации токенов и работает с текстом; нативный контекст составляет 514 токенов. Метаданные указывают формат PyTorch и поддержку румынского языка. Лицензия в предоставленных данных не указана.

ALIA MrBERT Spanish Legal and Administrative Reranker — модель-реранкер SINAI для поиска и ранжирования испанских юридических и административных документов. Она основана на двуязычной модели BSC-LT/MrBERT-es с архитектурой ModernBERT и дообучена методом Curriculum Learning на парах запросов и документов, включая сложные отрицательные примеры. Модель использует cross-encoder: она совместно обрабатывает запрос и каждый документ, чтобы оценить их релевантность. Размер составляет около 149,6 млн параметров, контекст — до 8192 токенов. Предназначена для повышения качества RAG и поисковых систем после первичного отбора документов, а также для сопоставления запросов с юридическими положениями. Модель специализирована на испанских юридических и административных текстах; поддержка английского унаследована от базовой двуязычной модели, но README не заявляет англоязычную специализацию реранкера. Cross-encoder требует отдельного вычисления для каждой пары и поэтому подходит для ранжирования небольшого набора кандидатов, а не для поиска по миллионам документов. Оценку релевантности нельзя считать юридическим заключением; результаты следует сверять с официальными источниками. Лицензия — Apache-2.0.

Это дообученная модель Sentence Transformers, созданная на основе sentence-transformers/all-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализованные для сравнения по косинусному сходству. Архитектура основана на BERT; в метаданных указано 40 млн параметров, библиотека sentence-transformers и контекст до 512 токенов. Карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение проводилось на парах названий состояний и предпосылок из Mathlib, поэтому она может быть особенно полезна для сопоставления формальных математических утверждений и имён в Lean. Базовая модель ориентирована на английский язык; отдельная информация о лицензии в предоставленных данных отсутствует.

CAMeLBERT-Mix NER — арабоязычная модель распознавания именованных сущностей от CAMeL Lab, полученная дообучением CAMeLBERT Mix на наборе данных ANERcorp. Она размечает токены в тексте тегами сущностей; использовать её можно через компонент NER библиотеки CAMeL Tools или через Transformers pipeline для классификации токенов. Модель построена на архитектуре BERT и содержит 136,3 млн параметров. Она принимает арабский текст, поддерживает контекст до 512 токенов и выдаёт метки токенов. Репозиторий содержит веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache 2.0.

Avinashc/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на 6 300 парах текстов из набора json на основе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные эмбеддинги размерностью 768 и предназначена для семантического поиска и сравнения текстов, в том числе финансового содержания. Архитектура модели основана на BERT: вектор формируется с помощью CLS-пулинга и нормализации, а сходство текстов оценивается косинусной мерой. Контекст ограничен 512 токенами. Благодаря Matryoshka-обучению можно использовать укороченные векторы размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель подходит для поиска финансовых фрагментов по запросу, ранжирования похожих предложений, кластеризации и подготовки признаков для классификации текстов. В README приведены результаты оценки информационного поиска на нескольких размерностях эмбеддингов, но они относятся к указанному в карточке набору данных. Лицензия — Apache-2.0.

BGE-M3 Legal Spanish — модель эмбеддингов предложений на базе BAAI/bge-m3, дообученная Wilfredomartel на 546 265 парах запросов и релевантных документов из набора rvzrtx600k20250828. Она преобразует текст в нормализованные плотные векторы размерностью 1024 и предназначена для семантического поиска и сравнения испаноязычных юридических запросов и документов. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена; максимальная длина последовательности — 8194 токена по метаданным. Модель подходит для поиска релевантных судебных и правовых материалов, оценки сходства текстов, поиска перефразирований, кластеризации и извлечения признаков для классификации. В README приведены результаты оценки поиска на наборе eval_dim_768, включая cosine_accuracy@1 0,8451; эти показатели относятся к указанной конфигурации оценки. Лицензия — Apache-2.0.

ByoungYoon/bge-m3-poi-retrieval-ko — Sentence Transformers-модель, дообученная на парах и триплетах текстов о точках интереса (POI). Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. В архитектуре используются XLM-RoBERTa, CLS-пулинг и нормализация; README указывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сопоставления названий POI с описаниями и адресами, а также для оценки сходства, поиска перефразирований, кластеризации и классификации текстов. Примеры обучающих данных на корейском языке связывают краткие названия мест с вариантами названий и адресными описаниями. В README приведены метрики на наборе poi-val: cosine_accuracy@1 — 0,734, @5 — 0,976, @10 — 0,994. Карточка называет базовую модель ByoungYoon/bge-m3-poi-retrieval-ko; метаданные указывают 658,7 млн параметров, контекст до 8194 токенов и форматы safetensors и ONNX. Указанная в README максимальная длина 256 токенов описывает конфигурацию Sentence Transformers и отличается от контекстного лимита из метаданных. Лицензия в предоставленных источниках не указана.