I.1Поиск и навигация по информации

Модель разработана CatkinChen и представляет собой дообученную версию BAAI/bge-base-en-v1.5 для работы с текстовыми предложениями и абзацами. Это Sentence Transformer на архитектуре BERT с 136,7 млн параметров, который преобразует текст в нормализованные плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Модель предназначена для семантического поиска, оценки сходства предложений и извлечения релевантных текстов. В README также перечислены кластеризация, поиск перефразирований и классификация текста. Максимальная длина последовательности — 512 токенов; модель рассчитана на английский язык и может использоваться в системах поиска и RAG. В карточке приведены результаты оценки на InformationRetrievalEvaluator и сведения о дообучении на наборе из 309 примеров с TripletLoss. Эти данные не устанавливают качество на других наборах и сценариях. Модель распространяется с лицензией базовой модели, однако лицензия в доступных сведениях не указана.

Это англоязычная модель BERT large от Google, дообученная командой Google на наборе SQuAD для ответов на вопросы по заданному контексту. Она возвращает фрагмент контекста в качестве ответа и подходит для систем поиска ответов по документам и текстам. Предварительное обучение использовало masked language modeling, предсказание следующего предложения и Whole Word Masking, при котором маскируются все части одного слова одновременно. Архитектура — 24-слойный BERT с размерностью скрытого представления 1024 и 16 головами внимания. В README указано 336 млн параметров, а метаданные каталога сообщают 433,9 млн; модель принимает последовательности длиной до 512 токенов. Она обучена для английского языка без различения регистра, на BookCorpus и англоязычной Wikipedia, а затем дообучена на SQuAD. Лицензия — Apache-2.0. Модель предназначена для извлечения ответов из предоставленного текста; она не генерирует свободный ответ и может ошибаться, если нужных сведений нет в контексте или формулировка вопроса отличается от примеров обучения. Для длинных документов контекст нужно разбивать на фрагменты, укладывающиеся в лимит модели.

Компактная модель Sentence Transformers на базе BERT, дообученная автором swardiantara для сравнения смысловой близости предложений и поиска по тексту. Она преобразует предложения и абзацы в плотные векторы размерностью 128; близость векторов можно оценивать косинусным сходством. Архитектура включает двухслойный BERT с усредняющим пуллингом. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов по метаданным; в README указан максимум 128 токенов. Модель подходит для поиска релевантных фрагментов, сравнения предложений и извлечения эмбеддингов для текстовых систем поиска и ранжирования. Обучающие данные описаны как набор из примерно 6 млн пар текстов с оценками сходства; базовая модель ориентирована на английский язык. В README и метаданных указана лицензия Apache 2.0. Компактный размер снижает требования к вычислениям, но README не приводит метрик качества, а максимальная длина последовательности указана по-разному в источниках.

swardiantara/bert-tiny-sst5-k3-adaptive-cosine — компактная модель Sentence Transformers на базе BERT, дообученная для представления предложений и абзацев в виде плотных векторов. Она преобразует текст в 128-мерные эмбеддинги, а сходство между ними можно оценивать косинусной мерой; модель подходит для семантического поиска и извлечения релевантных текстов. Модель основана на google/bert_uncased_L-2_H-128_A-2 и содержит 4,4 млн параметров. В README указана максимальная длина последовательности 128 токенов; метаданные задают контекст 512 токенов. Используется mean pooling, входная модальность — текст, а выход — векторы. Обучение описано на наборе из 8 664 пар текстов с контрастивной функцией потерь. Данных о лицензии в предоставленных источниках нет.

Xenova/bge-base-en-v1.5 — версия модели BAAI/bge-base-en-v1.5, подготовленная сообществом Xenova в формате ONNX для совместимости с библиотекой Transformers.js. Модель предназначена для создания векторных представлений предложений и текстов, включая семантический поиск и retrieval-сценарии, где документы и поисковые запросы сравниваются по косинусной близости. Модель используется как feature-extraction pipeline и возвращает эмбеддинги размерности 768. В README указаны mean pooling и нормализация векторов; для поисковых запросов рекомендуется добавлять префикс “Represent this sentence for searching relevant passages:”. Поддержка ONNX делает модель пригодной для JavaScript-приложений и веб-сред, использующих Transformers.js. Архитектура, число параметров, перечень языков и максимальная длина контекста в карточке этой версии не указаны; по идентификатору базовой модели можно заключить, что она ориентирована на английский язык. Сильные стороны модели — готовность к локальному использованию в JavaScript и веб-приложениях, компактное представление текста и возможность применять единый подход к поиску по коллекциям документов. Ограничения связаны с отсутствием в README подробных данных о качестве на бенчмарках, поддерживаемых языках и ресурсоёмкости. Модель распространяется по лицензии MIT.

RedHatAI/bge-base-en-v1.5-quant — квантизированная версия модели эмбеддингов bge-base-en-v1.5 от Red Hat AI. Она предназначена для получения векторных представлений английского текста и ускоренного инференса через DeepSparseSentenceTransformers; README сообщает об ускорении задержки до 4,5 раза на 10-ядерном ноутбуке и 16-ядерном экземпляре AWS. Модель основана на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате ONNX с квантизацией INT8. Модель подходит для поиска по смыслу, кластеризации и других сценариев, использующих текстовые эмбеддинги. Лицензия — MIT. Карточка не сообщает об ограничениях точности после квантизации или о результатах на конкретных наборах оценки.

NaqibL дообучил модель BGE на базе BAAI/bge-base-en-v1.5 для получения эмбеддингов предложений и абзацев. Это текстовая Sentence Transformer модель с архитектурой BERT, которая преобразует вход в нормализованный плотный вектор размерности 768; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на поиск и сопоставление текстов, включая семантический retrieval. Максимальная длина входа — 512 токенов, а обучение проводилось на наборе из 26 953 примеров. В README приведён результат cosine accuracy 0,8534 на оценке TripletEvaluator. Модель унаследовала англоязычную основу BGE; отдельные поддерживаемые языки и лицензия в предоставленных данных не описаны. Для неё нужны совместимые средства Sentence Transformers или text-embeddings-inference.

clinno/bge-large-zh-v1.6 — модель эмбеддингов предложений на базе BERT, опубликованная в формате sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; в метаданных указан контекст до 512 токенов и 424,3 млн параметров. Это производная модель семейства BGE, ориентированная на китайский язык по названию репозитория. Модель подходит для построения векторного поиска и группировки текстов по смыслу. Она выдаёт эмбеддинги, а не готовые ответы или метки классов; качество зависит от текстов и способа сравнения векторов. Репозиторий использует библиотеку sentence-transformers и формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Xenova/bge-m3 — модель для создания векторных представлений текста, разработанная на основе BAAI/bge-m3 и адаптированная сообществом Xenova для работы с Transformers.js. Репозиторий содержит ONNX-веса, совместимые с JavaScript-библиотекой Transformers.js. Модель предназначена для получения sentence embeddings, семантического поиска и retrieval-сценариев. В README указана поддержка dense retrieval, lexical matching и multi-vector interaction; пример демонстрирует сравнение запросов и документов по косинусной близости. При использовании с Transformers.js модель формирует нормализованные embeddings размерности 1024 при pooling='cls'. Сильной стороной является возможность запуска в экосистеме JavaScript и использования ONNX-весов, в том числе для веб-ориентированных приложений. README не содержит сведений о точной архитектуре, числе параметров, поддерживаемых языках, максимальной длине контекста, модальностях, количественных результатах тестирования или ограничениях качества. Модель распространяется по лицензии MIT.

pqnet/bge-m3-gguf — конвертированная в формат GGUF версия модели BGE-M3 от BAAI, подготовленная для запуска через llama.cpp. Репозиторий содержит веса F16 без квантизации; исходная модель предназначена для многоязычного семантического, лексического и гибридного поиска по текстам и документам, а также получения эмбеддингов и вычисления сходства предложений. Лицензия — MIT. Модель подходит для построения векторного поиска, сравнения текстов и извлечения признаков в приложениях, использующих llama.cpp. Карточка репозитория указывает на конверсию весов из BAAI/bge-m3 и отсылает к исходной карточке за подробностями о возможностях модели.

cstr/bge-m3-GGUF — это конвертированная в формат GGUF версия модели BAAI/bge-m3, разработанной BAAI. Репозиторий предназначен для запуска модели через лёгкий C/C++-движок CrispEmbed на базе ggml, без Python и ONNX. Модель предназначена для получения текстовых эмбеддингов и задач многоязычного семантического поиска и извлечения информации. BGE-M3 поддерживает плотное, разреженное и многовекторное представление ColBERT в одной модели, заявлена поддержка более 100 языков и контекста до 8192 токенов. Архитектура — XLM-R; модель содержит 568 млн параметров, 24 слоя, размерность эмбеддингов 1024, использует mean pooling и токенизатор SentencePiece. Указана только текстовая модальность. Доступны варианты квантования Q4_K размером 438 МБ и Q8_0 размером 583 МБ, а также версия F32 размером 2175 МБ. Преимущество GGUF-версии — возможность локального и ресурсоэффективного запуска, включая серверный режим CrispEmbed. Согласно README, результаты проверены на битовое соответствие реализации sentence-transformers с косинусным сходством не менее 0,999 на тестовых текстах. Ограничение состоит в том, что репозиторий выполняет только конвертацию и/или квантование исходных весов; сведения о качестве, обучающих данных и возможностях следует уточнять в карточке BAAI/bge-m3. Модель распространяется по лицензии MIT, при этом репозиторий не предоставляет прав сверх лицензии исходной модели.

andreaschari/bge-m3-RU_MMARCO_50_MIXED — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная для семантического поиска на русском языке. При обучении использовался русский датасет MMARCO/v2 с равной долей запросов на кириллице и русских запросов, транслитерированных в английский текст с помощью uroman; модель связана с исследованием о поиске при различии письменности запроса и документов. Модель на архитектуре XLM-RoBERTa содержит 658,7 млн параметров и формирует текстовые эмбеддинги размерности 1024. Она принимает последовательности длиной до 8192 токенов; для сравнения эмбеддингов в карточке указана косинусная близость. Подходит для поиска русскоязычных документов по запросам как на кириллице, так и в транслитерации. Распространяется под лицензией MIT. Специализация на MMARCO/v2 и смешанных кириллических и транслитерированных запросах может ограничивать качество за пределами этих условий; результаты поиска следует проверять на целевых данных.

Adc05102002/bge-m3-vi-base — дообученная многоязычная модель эмбеддингов на основе BAAI/bge-m3, разработанная с заменённым токенизатором: его словарь из 8,5 тыс. токенов обучен на специализированном корпусе. Модель использует архитектуру XLM-RoBERTa с 409,4 млн параметров и выдаёт векторные представления размерности 1024. Она предназначена для семантического и плотного поиска, а также для извлечения релевантных документов в RAG-системах и доменных многоязычных сценариях. В карточке заявлена поддержка контекста до 8192 токенов, тогда как метаданные указывают native context в 4026 токенов. Для надёжного использования максимальную длину следует проверять на практике. Модель работает с текстом и рассчитана на многоязычный поиск; конкретные языки не перечислены. Репозиторий содержит веса в формате Safetensors, библиотека — Transformers. Лицензия MIT.

abhinav90parmar/bge-small-en-v1.5-erpguard — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 384 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT, CLS-пулинга и нормализации; модель содержит 40 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, извлечения релевантных текстов и ранжирования кандидатов по близости эмбеддингов. В README приведены результаты оценки на наборе для информационного поиска, однако данных недостаточно, чтобы определить специализированное назначение суффикса «erpguard» или оценить качество на других задачах. Для практического использования требуются библиотека Sentence Transformers либо совместимая система инференса. Лицензия — MIT.

RedHatAI/bge-small-en-v1.5-quant — квантованная версия модели эмбеддингов BGE-small-en-v1.5 от Red Hat AI. Это плотный BERT-чекпойнт примерно на 40 млн параметров, представленный в формате ONNX с квантованием INT8; для ускоренного инференса README указывает на DeepSparse и DeepSparseSentenceTransformers. Модель предназначена для преобразования английских текстов в векторные представления, например для семантического поиска и поиска по сходству. Указанный размер контекста — 512 токенов. Лицензия — MIT.

Stffens/bge-small-rrf-v3 — англоязычная модель для создания текстовых эмбеддингов и семантического поиска, разработанная автором проекта vstash. Она дообучена на базе BAAI/bge-small-en-v1.5 с помощью сигнала расхождения результатов гибридного поиска и обучена на данных BEIR SciFact, NFCorpus и FiQA. Модель использует архитектуру BERT, содержит около 40 млн параметров по метаданным (в README указано 33 млн), формирует векторы размерности 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска и использования в качестве эмбеддинговой основы RAG-систем. Автор приводит улучшения относительно базовой модели и предыдущей версии на нескольких наборах BEIR; результаты зависят от корпуса и поискового конвейера. Для NFCorpus v2 может быть предпочтительнее, а специализированные клинические, юридические и насыщенные терминологией корпуса могут требовать дообучения. Модель рассчитана на английский язык, для кросс-языкового поиска может уступать многоязычным моделям. Распространяется по лицензии MIT.

colbert-ko-v1 — корейская многовекторная модель эмбеддингов ColBERT, дообученная автором yjoonjang с помощью PyLate на корейских данных. Она предназначена для семантического поиска по документам, извлечения релевантных фрагментов и повторного ранжирования результатов с помощью позднего взаимодействия MaxSim. Архитектура основана на ModernBERT с линейным проекционным слоем 768→128; модель содержит 148,7 млн параметров и принимает текстовые запросы и документы. README указывает длину запроса до 32 токенов и документа до 1024 токенов, а метаданные — контекст 16 384 токена. Модель ориентирована исключительно на корейский язык. В README приведены оценки на наборах для многошагового поиска ответов и корейского поиска по документам, включая медицинские и общественные материалы; результаты сравниваются с jina-colbert-v2. Доступны веса safetensors, библиотека PyLate, лицензия Apache-2.0. Для применения нужны индекс документов и поисковый конвейер; модель формирует векторы для оценки релевантности, а не готовые текстовые ответы.

Crystalcareai/Colbertv2 — чекпойнт ColBERTv2 на базе BERT для поиска релевантных фрагментов в больших текстовых коллекциях. ColBERT кодирует запросы и документы в последовательности контекстных векторных представлений токенов, а затем сопоставляет их оператором MaxSim. Такой поздний интерактивный поиск учитывает соответствия между отдельными токенами и может обеспечивать более точное ранжирование, чем представления всего текста одним вектором. Модель обучена для задачи ранжирования пассажей MS MARCO. Типичный сценарий — заранее проиндексировать коллекцию документов, затем по текстовому запросу получать наиболее релевантные фрагменты; README также описывает запуск сервера выдачи результатов. Архитектура — BERT, около 136,7 млн параметров, контекст до 512 токенов; веса в формате PyTorch. Карточка указывает английский язык и лицензию MIT. Для работы с крупными коллекциями требуется предварительная индексация, а скорость и качество поиска зависят от параметров поиска и инфраструктуры. Чекпойнт ориентирован на английский поиск и обучение на MS MARCO, поэтому качество на других языках и предметных областях карточкой не подтверждено.

jonghwi/ColBERT-XLMR-Mixed-Distill-enru-ru — дообученный двуязычный поисковый ретривер ColBERT на основе XLM-RoBERTa-large. Он предназначен для англо-русского и смешанного англо-русского запроса по русскоязычным документам. Модель строит векторные представления токенов и оценивает релевантность по механизму позднего взаимодействия MaxSim; размер проекции составляет 128 измерений. Обучение включает дистилляцию оценок релевантности от mT5-XXL/monoT5 и смешение английских токенов с русскими запросами. Модель принимает текстовые запросы на русском, английском или с переключением между языками и текстовые фрагменты на русском языке; на выходе формирует токенные представления и оценки релевантности для поиска. Контекст составляет до 514 токенов. Распространяется по лицензии Apache-2.0. Предназначена для поиска по русскоязычным документам; качество на других языковых направлениях и сценариях не заявлено.

newmindai/ColmmBERT-base-TR — PyLate modeli, ozayezerceli/mmBERT-base-TR temel modelinden msmarco-tr veri kümesinde Türkçe metinlerle ince ayar yapılarak oluşturulmuştur. Это ColBERT-архитектура на базе ModernBERT: трансформер выдаёт последовательности плотных векторов размерности 128, а релевантность запросов и документов оценивается оператором MaxSim. Модель предназначена для семантического поиска и повторного ранжирования результатов поиска на турецком языке; её можно использовать для индексации документов и поиска top-k кандидатов через PyLate и FastPLAID. Размер модели — 306,9 млн параметров, максимальный контекст по метаданным — 8192 токена. В карточке также указаны длины до 32 токенов для запросов и до 180 токенов для документов. Модель принимает текст и формирует векторные представления токенов для оценки релевантности. Лицензия в предоставленных данных не указана.

newmindai/ColmmBERT-small-TR — модель PyLate на базе ModernBERT, дообученная на турецком наборе msmarco-tr для поиска и ранжирования текстов. Она кодирует запросы и документы в последовательности плотных векторов размерности 128 и оценивает их сходство оператором MaxSim. Модель подходит для семантического поиска по индексам FastPLAID и для переранжирования результатов первичного поиска. В архитектуре ColBERT используется трансформер ModernBertModel и линейный слой проекции с 384 до 128 измерений. В README заданы длина запроса 32 токена и длина документа 180 токенов; метаданные указывают контекст до 8192 токенов и 140,5 млн параметров. Модель рассчитана на турецкий язык. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

ColQwen2 — модель для визуального поиска по документам, разработанная ViDoRe на основе Qwen2-VL-2B-Instruct. Она кодирует страницы документов и текстовые запросы в многовекторные представления ColBERT-типа, чтобы находить релевантные страницы по их визуальному содержимому. Эта версия предназначена для загрузки через Transformers или Sentence Transformers и получена конвертацией слитого чекпойнта ColQwen2. Модель подходит для поиска страниц в PDF по естественно-языковому запросу и для построения систем поиска по коллекциям визуальных документов. Обучающий набор включает 127 460 пар «запрос — страница» и полностью англоязычный; README сообщает об оценке переноса на другие языки без дообучения. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель ориентирована главным образом на PDF и языки с большим объёмом ресурсов, поэтому качество на других типах документов и малоресурсных языках может быть ограничено. Многовекторный поиск с поздним взаимодействием ColBERT требует поддержки со стороны поисковой инфраструктуры и может потребовать адаптации для обычных векторных хранилищ.

comsat-embed-ja-0.3b-preview — модель для создания текстовых эмбеддингов, разработанная Sionic AI и дообученная на базе cl-nagoya/ruri-v3-310m. Она предназначена для семантического поиска на японском языке: кодирует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству. Подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов в системах ответов на вопросы. Модель использует энкодерную архитектуру ModernBERT, содержит 314,6 млн параметров и принимает до 8192 токенов. Выдаёт 768-мерные эмбеддинги со средним объединением токенов и L2-нормализацией. Для запросов и документов предусмотрены разные префиксы: «検索クエリ: » и «検索文書: ». В README заявлен средний результат NDCG@10 0,7785 на 11 задачах поиска JMTEB v2 среди сравниваемых моделей размером до 4 млрд параметров. Модель специализирована на японском языке и поддерживает сценарии семантического поиска, включая поиск научных публикаций, государственных FAQ, веб-страниц и длинных документов. Для сохранения качества поиска следует применять соответствующий префикс к запросу и документу. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

comsat-embed-ko-8b-preview — модель эмбеддингов на основе декодерной архитектуры Qwen3, разработанная Sionic AI и дообученная для семантического поиска на корейском языке. Она кодирует запросы и документы в векторы размерностью 4096 для поиска по сходству; по данным карточки, обучение включало более миллиона корейских примеров. Для запросов требуется task-инструкция, документы кодируются без префикса. Модель предназначена для поиска документов, извлечения сведений из баз знаний и семантического поиска в корпоративных системах, в том числе по длинным текстам. В карточке заявлен контекст до 8192 токенов; метаданные указывают нативное окно до 40960 токенов. На корейском подмножестве бенчмарка MTEB модель показала средний NDCG@10 0,7930 по девяти наборам данных. Поддерживаемые языки — корейский и английский, при этом основная специализация — корейский. Модель содержит 7,6 млрд параметров и распространяется в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Результаты поиска зависят от правильного применения инструкции к запросам; заявленные показатели относятся к указанной методике бенчмарка и не гарантируют качество на других корпусах.

Карточка модели Tool-COLT/contriever-base-msmarco-v1-ToolBenchG2 на Hugging Face совпадает с карточкой MassTool/contriever-base-msmarco-v1-ToolBenchG2, поэтому описание составлено по ней. MassTool/contriever-base-msmarco-v1-ToolBenchG2 — модель Sentence-Transformers на базе архитектуры BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления; в README также описано обучение с MultipleNegativesRankingLoss и косинусным сходством. Данных о целевых языках и специализации на конкретной предметной области нет.

crossencoder-camembert-base-mmarcoFR — франкоязычная модель ранжирования от Antoine Louis на базе CamemBERT, дообученная на данных mMARCO-fr. Архитектура Cross-Encoder выполняет совместное кодирование запроса и отрывка с перекрёстным вниманием и выдаёт оценку релевантности от 0 до 1. Модель содержит 137,8 млн параметров, использует Sentence-Transformers и принимает пары текстов; максимальная длина входной последовательности при обучении составляла 256 токенов, а нативный контекст — 514 токенов. Модель предназначена для второго этапа семантического поиска: она переоценивает отрывки, предварительно найденные быстрым поисковым механизмом, например BM25 или плотным биэнкодером, и сортирует их по релевантности запросу. Обучение проводилось на французских данных mMARCO с трудными отрицательными примерами; качество оценивали на dev-наборе mMARCO-fr. Лицензия — MIT. Поскольку Cross-Encoder отдельно обрабатывает каждую пару запроса и отрывка, переоценка большого набора кандидатов может быть затратной по сравнению с первичным поиском; модель предназначена для ранжирования отрывков, а не для поиска по всему корпусу сама по себе.

crossencoder-distilcamembert-mmarcoFR — французская модель-переранкер на базе DistilCamemBERT, разработанная Antoine Louis. Она обрабатывает запрос и passage совместно с помощью cross-attention и выдаёт оценку их релевантности; результаты используют для сортировки кандидатов, уже найденных системой первичного поиска, например BM25 или плотным bi-encoder. Модель дообучена на французских данных mMARCO, производных от MS MARCO; для обучения использованы сложные негативные примеры. Размер модели — 81,2 млн параметров, базовая архитектура — CamemBERT, максимальный контекст — 514 токенов. Модель предназначена для повышения качества семантического поиска на французском языке, когда нужно переупорядочить найденные документы или фрагменты. В README описано обучение на парах «запрос—фрагмент» с бинарной кросс-энтропией; сигмоида преобразует оценку в диапазон от 0 до 1. Для оценки использовались MRR и recall на dev-наборе mMARCO-fr. Лицензия — MIT. Как cross-encoder, модель оценивает каждую пару отдельно, поэтому её следует применять после первичного поиска, а не для перебора всей коллекции. README указывает максимальную длину объединённой пары в 256 токенов при обучении; длинные пары могут потребовать усечения.

tomaarsen/csr-mxbai-embed-large-v1-gooaq-1e-5-512bs — англоязычный разреженный энкодер CSR, дообученный на датасете gooaq из базовой модели mixedbread-ai/mxbai-embed-large-v1 с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерностью 4096 и предназначен для семантического поиска и разреженного извлечения документов; оценка релевантности выполняется скалярным произведением векторов. Модель содержит 433,9 млн параметров, принимает последовательности длиной до 512 токенов и обучалась на парах вопросов и ответов из англоязычного набора gooaq размером около 3 млн примеров. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR при ограничении числа активных измерений до 128 или 256. Модель распространяется по лицензии Apache-2.0. Описанные возможности и данные ориентированы на английский язык; приведённые результаты относятся к указанным тестовым наборам и не гарантируют качество на других корпусах.

Это англоязычный разреженный CSR-энкодер tomaarsen, дообученный на базе mixedbread-ai/mxbai-embed-large-v1 на наборе Natural Questions с помощью библиотеки Sentence Transformers. Модель преобразует запросы и фрагменты текста в разреженные векторы размерности 4096; предусмотрено до 256 активных измерений. Максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для семантического поиска и разреженного поиска по запросам и документам, в частности для сценариев вопросов и ответов, похожих на Natural Questions. В README приведены результаты оценки поиска при разных ограничениях на число активных измерений; метрики относятся к указанным наборам nq_eval и не гарантируют аналогичное качество на других данных. Лицензия — Apache-2.0.

Это англоязычный разреженный CSR-кодировщик текста tomaarsen/csr-mxbai-embed-large-v1-nq-no-reconstruction, разработанный на базе mixedbread-ai/mxbai-embed-large-v1 с помощью Sentence Transformers и дообученный на наборе Natural Questions. Модель предназначена для семантического поиска и разреженного извлечения документов: она преобразует предложения и абзацы в векторы, которые можно сравнивать скалярным произведением. Архитектура основана на BERT и содержит 433,9 млн параметров. Размер выходного пространства — 4096 измерений, при этом в векторе активно не более 256 измерений. Максимальная длина последовательности — 512 токенов. В README приведены результаты оценки извлечения на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель подходит для поиска по текстовым коллекциям и ранжирования кандидатов по релевантности. Она рассчитана на английский язык; результаты для других языков не заявлены. Распространяется по лицензии Apache-2.0.