I.1Поиск и навигация по информации

Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, опубликованная RedHatAI на базе Qwen/Qwen3-8B-Base. Это плотная архитектура Qwen3 с 7,6 млрд параметров; модель предназначена для получения векторных представлений текста и задач ранжирования и поиска. Метаданные указывают контекст до 40 960 токенов, а README описывает поддержку последовательностей до 32 тысяч токенов и векторы размерностью от 32 до 4096. Модель понимает пользовательские инструкции для настройки представлений под конкретную задачу. Модель подходит для семантического поиска по текстам и коду, многоязычного и межъязыкового поиска, классификации и кластеризации текстов, сопоставления параллельных текстов и оценки сходства. В README заявлена поддержка более 100 языков и приведены высокие результаты на бенчмарках MTEB; эти показатели относятся к оценкам разработчика и зависят от сценария применения. Для многоязычных сценариев README рекомендует формулировать инструкции на английском. Модель выпущена в формате safetensors и распространяется по лицензии Apache-2.0. Для загрузки через Transformers требуется версия 4.51.0 или новее, поскольку в более ранних версиях может возникать ошибка распознавания архитектуры Qwen3.

Карточка модели AhmadAfles/qwen3-embedding-finetuned-86genres-focal на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-0.6B, поэтому описание составлено по ней. Qwen3-Embedding-0.6B — многоязычная модель эмбеддингов текста семейства Qwen3, разработанная командой Qwen. Это дообученная версия Qwen/Qwen3-0.6B-Base с плотной архитектурой Qwen3ForCausalLM и примерно 507,6 млн параметров. Модель предназначена для преобразования текста в векторы и поиска семантически близких текстов; её применяют для поиска и извлечения документов, поиска по коду, классификации, кластеризации и сопоставления параллельных текстов. Модель поддерживает более 100 естественных языков и языков программирования, обрабатывает контекст до 32 768 токенов и выдаёт эмбеддинги размерностью до 1024, включая пользовательские размерности от 32 до 1024. Она поддерживает инструкции, настраиваемые под задачу, язык или сценарий, что может улучшать качество поиска. README описывает серию как сильную в многоязычных задачах эмбеддингов, но приведённые в нём отдельные лидирующие результаты относятся к модели 8B, а не к версии 0.6B. Для использования требуется совместимая версия Transformers: в версиях ранее 4.51.0 возможно возникновение ошибки распознавания архитектуры. Лицензия — Apache-2.0.

Карточка модели AhmadAfles/qwen3-finetuned-hierarchical-44genres на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-0.6B, поэтому описание составлено по ней. Qwen3-Embedding-0.6B — многоязычная модель эмбеддингов текста семейства Qwen3, разработанная командой Qwen. Это дообученная версия Qwen/Qwen3-0.6B-Base с плотной архитектурой Qwen3ForCausalLM и примерно 507,6 млн параметров. Модель предназначена для преобразования текста в векторы и поиска семантически близких текстов; её применяют для поиска и извлечения документов, поиска по коду, классификации, кластеризации и сопоставления параллельных текстов. Модель поддерживает более 100 естественных языков и языков программирования, обрабатывает контекст до 32 768 токенов и выдаёт эмбеддинги размерностью до 1024, включая пользовательские размерности от 32 до 1024. Она поддерживает инструкции, настраиваемые под задачу, язык или сценарий, что может улучшать качество поиска. README описывает серию как сильную в многоязычных задачах эмбеддингов, но приведённые в нём отдельные лидирующие результаты относятся к модели 8B, а не к версии 0.6B. Для использования требуется совместимая версия Transformers: в версиях ранее 4.51.0 возможно возникновение ошибки распознавания архитектуры. Лицензия — Apache-2.0.

michaelfeil/Qwen3-Reranker-0.6B-seq — дообученная модель ранжирования текста на базе Qwen/Qwen3-0.6B-Base, разработанная в рамках семейства Qwen3 Embedding. Она оценивает пары запроса и кандидата, чтобы переупорядочить найденные документы или фрагменты по релевантности. Модель подходит для повышения качества поиска по текстам и коду, а также для классификации и сопоставления текстов. Модель имеет плотную архитектуру Qwen3ForSequenceClassification и 507,6 млн параметров. README заявляет поддержку более 100 языков и контекст до 32 тыс. токенов; метаданные указывают нативный контекст 40 960 токенов. README рекомендует при необходимости задавать инструкцию под задачу и отмечает, что её формулировка может влиять на качество ранжирования. Модель распространяется по лицензии Apache-2.0.

Qwen3-Reranker-8B-GGUF-llama_cpp — это GGUF-версия модели Qwen3-Reranker-8B, разработанной командой Qwen и конвертированной пользователем Voodisss для запуска через llama.cpp. Модель предназначена для переранжирования текстов: она оценивает релевантность документов поисковому запросу и помогает сортировать результаты в системах поиска, Retrieval-Augmented Generation и других сценариях работы с текстовыми коллекциями. Модель относится к классу text-ranking и использует специализированный классификатор с метками yes/no для вычисления оценки релевантности. Доступны варианты F16 размером около 14,10 ГБ и Q8_0 размером около 7,49 ГБ; квантованный вариант требует меньше памяти, но может иметь небольшие потери качества. В README языки и точный встроенный размер контекста не указаны; в примере конфигурации llama-server используется ctx-size 32768. Сильная сторона этой сборки — корректная поддержка специфичных для reranker тензоров, метаданных pooling типа RANK и шаблона rerank-чата, благодаря чему она работает с llama.cpp и возвращает содержательные оценки релевантности. Модель следует использовать через endpoint /v1/rerank, а не /v1/embeddings: endpoint эмбеддингов для reranker-моделей возвращает нулевые значения. Для запуска требуется llama.cpp с настройками reranking, pooling rank и embedding. Модель распространяется по лицензии Apache 2.0.

michaelfeil/Qwen3-Reranker-8B-seq — дообученная модель семейства Qwen3 для ранжирования текстовых пар: она оценивает релевантность документа запросу и помогает переставить найденные результаты в более полезном порядке. По карточке это reranker с 8 млрд параметров, поддержкой более 100 языков и обработкой длинных текстов; в метаданных указаны архитектура Qwen3ForSequenceClassification, контекст до 40 960 токенов и формат safetensors. Модель подходит для поиска по текстам и коду, многоязычного и межъязыкового поиска, а также для классификации текста. Можно задавать инструкции под сценарий; авторы отмечают, что инструкции обычно улучшают результаты на 1–5%. README указывает длину контекста 32K, тогда как метаданные каталога — 40 960 токенов. Модель основана на Qwen/Qwen3-8B-Base и распространяется по лицензии Apache-2.0.

i1j/reranker — текстовый Cross-Encoder, дообученный на базе BAAI/bge-reranker-v2-m3 с использованием библиотеки sentence-transformers. Модель разработана как переранжировщик: она совместно обрабатывает пары текстов и выдаёт оценку их релевантности, которую можно использовать для изменения порядка результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и реализована как XLMRobertaForSequenceClassification с одним выходным значением. Максимальная длина последовательности составляет 8192 токена; модель принимает текст и выдаёт оценку. Лицензия в предоставленных данных не указана.

Это кросс-энкодер treprepr, дообученный на базе BAAI/bge-reranker-v2-m3 с помощью библиотеки sentence-transformers. Модель принимает пару текстов и вычисляет оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. В каталоге её основная задача — text-ranking; также указана поддержка text-classification. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и возвращает одну оценку для пары текстов. Метаданные указывают контекст до 8194 токенов, а README — максимальную длину последовательности 2048 токенов. Обучающая выборка содержит 92 768 пар с метками. Базовая модель многоязычная, однако конкретный список поддерживаемых языков для этой версии не приведён. Модель подходит для сортировки найденных документов по соответствию запросу и оценки смыслового сходства текстовых пар. Для работы с ней требуется текстовый ввод; она выдаёт оценку релевантности, а не готовый ответ или эмбеддинги. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformer, разработанная на базе sentence-transformers/multi-qa-mpnet-base-dot-v1 и дообученная на 95 159 парах запросов и текстовых фрагментов с использованием MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768; сходство в исходной конфигурации измеряется скалярным произведением. Архитектура включает MPNet и пулинг по токену CLS, размер модели — 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска, сопоставления запросов с релевантными фрагментами, оценки текстового сходства и поиска перефразировок. Её можно также применять для кластеризации и классификации текстов на основе эмбеддингов. Карточка демонстрирует примеры запросов и медицинских фрагментов, но не заявляет специализацию на конкретной предметной области. В метаданных лицензия не указана, поэтому условия использования по имеющимся сведениям определить нельзя.

Карточка модели ai-human-lab/sentence-transformers_all-mpnet-base-v2 на Hugging Face совпадает с карточкой XHY-DY/all-mpnet-base, поэтому описание составлено по ней. XHY-DY/all-mpnet-base — модель Sentence Transformers для кодирования предложений и коротких абзацев в плотные векторы размерности 768. Она основана на MPNet и дообучена методом контрастивного обучения на наборе более чем из миллиарда пар предложений; исходная модель — microsoft/mpnet-base. В карточке указано применение для семантического поиска, измерения сходства предложений и кластеризации. По умолчанию текст длиннее 384 частей словаря обрезается. Модель принимает текст и возвращает векторное представление, пригодное для поиска и сравнения по смыслу. Она ориентирована на английский язык; заявленная библиотека — Sentence Transformers. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Это версия модели intfloat/multilingual-e5-base для библиотеки Sentence-Transformers, опубликованная embaas. Модель на базе XLM-RoBERTa содержит 305,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768; длина контекста — 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Её можно применять для поиска по смыслу в коллекциях документов и группировки похожих фрагментов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Snowflake Arctic Embed M — плотная текстовая embedding-модель Snowflake для поиска по смыслу и извлечения релевантных документов. В карточке она описана как средняя модель семейства Arctic Embed, основанная на intfloat/e5-base-unsupervised и обученная в несколько этапов на парах запрос–документ и триплетах с трудными негативными примерами. Метаданные указывают архитектуру BERT, 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для построения векторного поиска и retrieval-компонента в системах RAG. Для версии M README приводит размерность эмбеддингов 768 и оценку MTEB Retrieval 54,90 NDCG@10. Она принимает текст и выдаёт векторные представления, которые можно сравнивать для ранжирования по релевантности. Карточка позиционирует исходную модель как англоязычную; более новые версии семейства отдельно заявлены для многоязычных сценариев. Модель распространяется по лицензии Apache-2.0. Ограничение контекста — 512 токенов; заявленные характеристики retrieval относятся к оценке из карточки и могут различаться на конкретных данных и настройках поиска.

Snowflake Arctic Embed M Klej Dyk v0.1 — англоязычная модель Sentence Transformer, дообученная ve88ifz2 на базе Snowflake/snowflake-arctic-embed-m. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации. Архитектура основана на BERT с объединением представлений CLS-токена и нормализацией векторов; для сопоставления используется косинусное сходство. Максимальная длина входа — 512 токенов, модель поддерживает сокращение размерности эмбеддинга до 64, 128, 256 или 512. Модель подходит для поиска релевантных документов по запросу, дедупликации похожих текстов и построения семантических групп. В README приведены результаты оценки поиска на датасетах dim_768, dim_512, dim_256, dim_128 и dim_64. Модель принимает текст и выдаёт векторы признаков для последующего поиска или анализа; она не предназначена для генерации текста. Распространяется по лицензии Apache-2.0.

stella-mrl-large-zh-v3.5-1792d — модель векторных представлений предложений, разработанная автором семейства Stella. Она предназначена для поиска по смыслу и сопоставления текстов, включая retrieval, оценку семантического сходства и ранжирование. Модель основана на stella-large-zh-v3-1792d и обучена методом MRL; архитектура — BERT, размер — 424,3 млн параметров. Модель кодирует текст в эмбеддинги размерностью до 1792 и позволяет выбирать меньшую размерность, обрезая вектор; автор рекомендует размерности, кратные 128, и нормализацию после обрезки. Заявлена поддержка китайского и английского языков. Максимальная длина контекста — 512 токенов. В README приведены результаты оценки на CMTEB для разных размерностей; более крупный вектор обычно даёт лучшие результаты при больших расходах памяти и вычислений. Модель подходит для семантического поиска, сравнения предложений и построения систем извлечения информации. Лицензия — MIT.

Карточка модели ddriscoll/stingray-dense-LoRA на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-4B, поэтому описание составлено по ней. Qwen3-Embedding-4B — мультиязычная модель для построения текстовых эмбеддингов из семейства Qwen3, разработанная командой Qwen. Это плотная модель на базе Qwen3-4B-Base, дообученная для задач поиска и сравнения текстов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Модель подходит для семантического поиска по документам и коду, оценки сходства предложений, классификации и кластеризации текстов, а также поиска соответствий между языками. Она поддерживает более 100 языков, контекст до 40 960 токенов по метаданным и до 32 тысяч токенов в описании модели. Размер эмбеддинга можно настраивать от 32 до 2560 измерений; также поддерживаются инструкции, настраивающие представление под задачу.

Карточка модели Mukheshtrent/stsb-roberta-base-v2 на Hugging Face совпадает с карточкой sentence-transformers/stsb-roberta-base-v2, поэтому описание составлено по ней. sentence-transformers/stsb-roberta-base-v2 — модель Sentence-Transformers, обученная командой Sentence-Transformers на архитектуре RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Размер модели — 151,8 млн параметров; максимальная длина контекста — 514 токенов. Для корректного получения векторов через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; проще использовать библиотеку Sentence-Transformers. Доступны варианты весов PyTorch, TensorFlow, Flax, ONNX и OpenVINO, включая safetensors. Модель распространяется по лицензии Apache-2.0.

sentence-transformers/stsb-roberta-base-v2 — модель Sentence-Transformers, обученная командой Sentence-Transformers на архитектуре RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Размер модели — 151,8 млн параметров; максимальная длина контекста — 514 токенов. Для корректного получения векторов через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; проще использовать библиотеку Sentence-Transformers. Доступны варианты весов PyTorch, TensorFlow, Flax, ONNX и OpenVINO, включая safetensors. Модель распространяется по лицензии Apache-2.0.

Supertron2-Reranker-2B — модель для переранжирования результатов поиска, разработанная Surpem на основе Qwen/Qwen3-VL-Reranker-2B. Это cross-encoder с архитектурой Qwen3-VL и 2 млрд параметров: он оценивает релевантность пары «запрос — текстовый фрагмент» и выдаёт оценку для упорядочивания найденных кандидатов. Модель предназначена для второго этапа поиска, включая поиск по документации и базам знаний, подбор фрагментов для RAG и сопоставление вопросов с текстами. Она принимает пары текстов и возвращает оценки релевантности, а не готовые ответы; её можно использовать через библиотеку sentence-transformers. Лицензия — Apache 2.0. Для длинных документов может потребоваться разбиение на фрагменты. Оценки релевантности относительны и могут быть несопоставимы для разных запросов; модель следует оценивать на данных целевого поиска. Указанная в карточке потребность в видеопамяти составляет от 6 ГБ для bfloat16 и от 3 ГБ для 4-битной квантизации; рекомендуются соответственно 10 ГБ и 6 ГБ.

mlx-community/tasksource-ModernBERT-base-embed-8bit — 8-битная версия модели эмбеддингов, преобразованная сообществом mlx-community из tasksource/ModernBERT-base-embed в формат MLX с помощью mlx-lm 0.0.3. Она построена на ModernBERT-base и предназначена для получения векторных представлений предложений и оценки их семантического сходства. Модель подходит для поиска по смыслу, сопоставления запросов с документами и ранжирования текстовых кандидатов; обучающие данные включают наборы для поиска ответов, семантического сходства и распознавания текстовых отношений. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Метаданные указывают английский язык. Квантованное представление рассчитано на запуск в экосистеме MLX; README рекомендует библиотеку mlx-embeddings. Лицензия в предоставленных данных не указана.

Карточка модели hilabs/tm_custom_embedding на Hugging Face совпадает с карточкой nomic-ai/nomic-embed-text-v1.5, поэтому описание составлено по ней. nomic-embed-text-v1.5 — текстовая модель эмбеддингов компании Nomic AI на архитектуре NomicBert, содержащая 136,7 млн параметров. Она преобразует тексты в векторы для семантического поиска, индексации документов для RAG, кластеризации, поиска дубликатов и подготовки признаков для классификации. Для выбора режима перед текстом требуется указать инструкционный префикс, например search_document или search_query. Модель использует Matryoshka Representation Learning: размерность вектора можно уменьшать, снижая потери качества; в карточке приведены результаты для размерностей 768 и 512. README сообщает о последовательностях до 8192 токенов, тогда как метаданные указывают базовый размер контекста 2048 токенов. Доступны форматы safetensors и ONNX, лицензия Apache-2.0. Для совместных мультимодальных эмбеддингов README указывает на отдельную модель nomic-embed-vision-v1.5; сама эта модель кодирует текст.

udever-bloom-1b1 — модель для получения текстовых эмбеддингов, разработанная Alibaba Group и дообученная из bigscience/bloom-1b1 методом BitFit на MS MARCO Passage Ranking, SNLI и MultiNLI. Это плотная decoder-only Transformer-модель семейства BLOOM с 1,3 млрд параметров и контекстом до 2048 токенов. Модель предназначена для создания универсальных представлений текста на естественных и программных языках. Её можно применять для семантического поиска, извлечения релевантных документов, ранжирования пассажей и задач сопоставления текстов. В README также приведены результаты оценок на MTEB и CodeSearchNet. Модель принимает текст и выдаёт векторные представления. Карточка заявляет многоязычную поддержку на основе обучающих данных BLOOM; метаданные перечисляют языки и указывают возможность работы с кодом. Доступна в формате PyTorch. Указанная лицензия — BigScience BLOOM RAIL 1.0.

Udever-bloom-3b — модель для построения текстовых эмбеддингов, разработанная Alibaba Group на основе decoder-only Transformer BLOOM-3B. Она дообучена методом BitFit на MS MARCO Passage Ranking, SNLI и MultiNLI с контрастивной функцией потерь и трудными отрицательными примерами; авторы описывают её как универсальную модель представлений для естественных и программных языков. Модель предназначена для поиска и сопоставления текстов, классификации, кластеризации, оценки семантического сходства и ранжирования пассажей. В карточке приведены результаты на MTEB и CodeSearchNet, включая задачи поиска кода. Размер составляет 3,8 млрд параметров, контекст — до 2048 токенов; доступны веса PyTorch. Поддерживаются многочисленные естественные языки и код. Модель создана на базе bigscience/bloom-3b и распространяется по лицензии bigscience-bloom-rail-1.0. Эмбеддинги и результаты зависят от задачи и языка; приведённые в карточке оценки не гарантируют такого же качества на пользовательских данных.

USER2-base — русскоязычная модель для создания векторных представлений предложений, разработанная deepvk на основе энкодера RuModernBERT-base. Она содержит 149 млн параметров, поддерживает контекст до 8192 токенов и выдаёт эмбеддинги размерностью 768. Модель дообучена для поиска и семантических задач, включая извлечение информации, сравнение предложений, классификацию и кластеризацию. USER2-base поддерживает Matryoshka Representation Learning: размер эмбеддинга можно сократить до 32, 64, 128, 256, 384 или 512 измерений с минимальной потерей качества. Для разных задач рекомендуется добавлять префиксы, например search_query и search_document для поиска или clustering для кластеризации. Модель доступна в форматах Safetensors и ONNX и совместима с библиотекой Sentence Transformers. Модель ориентирована на русский язык. Карточка приводит результаты оценки на MTEB-rus и MLDR-rus, но не даёт полной таблицы всех сравнительных результатов. Репозиторий распространяется по лицензии Apache-2.0.

USER2-small — русскоязычная модель для получения векторных представлений предложений и длинных текстов, разработанная DeepPavlov. Она построена на энкодере RuModernBERT-small и дообучена для поиска, сравнения смысловой близости и других семантических задач. Модель содержит 34,4 млн параметров, поддерживает контекст до 8192 токенов и выдаёт эмбеддинги размерностью 384. Модель поддерживает Matryoshka Representation Learning: эмбеддинги можно сокращать до 32, 64, 128 или 256 измерений с небольшими потерями качества. Для разных сценариев предусмотрены префиксы, например search_query и search_document для поиска, а также clustering для кластеризации. В карточке приведены результаты оценок на MTEB-rus и русской части MLDR; качество зависит от задачи, длины текста и выбранного префикса. USER2-small подходит для семантического поиска по русскоязычным документам, ранжирования кандидатов и группировки похожих текстов. Это энкодер, который возвращает эмбеддинги, а не готовые текстовые ответы. Модель распространяется по лицензии Apache-2.0.

Vela Reranker — дообученный мультиязычный энкодер семейства ModernBERT от vLLM Semantic Router. Модель оценивает релевантность пассажей для поиска, RAG и отбора контекста. Она насчитывает 306,9 млн параметров, принимает пары запросов и текстовых фрагментов и поддерживает контекст до 32 768 токенов. В опубликованных сравнениях Vela превосходит исходный mmBERT Reranker на MIRACL, Natural Questions и SciFact, а также на двух из трёх приведённых инструкционных задач MTEB. Результаты относятся только к указанным задачам и наборам разработки; авторы не заявляют полный балл или рейтинг MTEB. Модель доступна в форматах Safetensors и ONNX под лицензией Apache-2.0.

Vignesh finetuned bge — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория на базе BAAI/bge-base-en-v1.5 на 311 351 паре текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и сравнения текстов; архитектура включает BERT, пулинг по CLS-токену и нормализацию, а сходство оценивается косинусной мерой. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Модель подходит для поиска релевантных фрагментов, ранжирования по семантическому сходству, поиска перефразировок, кластеризации и классификации текстов с использованием эмбеддингов. Максимальная длина входа — 512 токенов; README приводит результаты оценки поиска для нескольких размерностей векторов. Модель предназначена для английского языка и распространяется по лицензии Apache-2.0.

IronPooh/xlm-roberta-qa-cross-encoder — текстовый Cross-Encoder, созданный дообучением FacebookAI/xlm-roberta-base с помощью библиотеки Sentence Transformers. Модель оценивает пары текстов одним числовым баллом, пригодным для ранжирования результатов поиска и семантического поиска. Архитектура — XLM-RoBERTa для классификации последовательностей; размер — 305,2 млн параметров, максимальная длина входа — 512 токенов. В карточке приведены примеры обучения на парах вопросов и ответов и результаты бинарной классификации на наборе xlm-roberta-val. Это указывает на применение для оценки соответствия вопроса и ответа, а также переранжирования найденных фрагментов. Базовая XLM-RoBERTa многоязычная, а примеры в обучающих данных включают украинский и русский языки. Доступны веса в формате safetensors; лицензия в предоставленных сведениях не указана.

Yalda Embedding — модель текстовых эмбеддингов, разработанная Yaldat для плотного поиска и семантического поиска на персидском языке (фарси). Она дообучена на базе Qwen/Qwen3-Embedding-0.6B на более чем миллионе пар «запрос — документ» с применением дистилляции отношений от F2LLM-v2-8B. В метаданных указаны архитектура Qwen3, 507,6 млн параметров и контекст до 32 768 токенов; README указывает 595 776 512 параметров и эмбеддинги размерности 1 024. Модель предназначена для поиска документов по запросам и ранжирования кандидатов по семантической близости. В оценке на восьми задачах персидского поиска из FaMTEB она получила средний результат 0,5488, близкий к показателю Qwen3-Embedding-4B; заявленное преимущество ограничено сравнением оценённых моделей размером 0,6B и этими задачами. Модель доступна в формате safetensors и рассчитана на использование через Sentence Transformers. Лицензия — Apache-2.0. Экспериментальные результаты охватывают персидский поиск; качество для других языков, классификации, кластеризации и длинного контекста в README не подтверждено. В обучении использовались пары запрос-документ и дистилляция, поэтому модель может наследовать предпочтения и ошибки учителя.

Карточка модели Yaldat/Yalda-Embedding2 на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-0.6B, поэтому описание составлено по ней. Qwen3-Embedding-0.6B — многоязычная модель эмбеддингов текста семейства Qwen3, разработанная командой Qwen. Это дообученная версия Qwen/Qwen3-0.6B-Base с плотной архитектурой Qwen3ForCausalLM и примерно 507,6 млн параметров. Модель предназначена для преобразования текста в векторы и поиска семантически близких текстов; её применяют для поиска и извлечения документов, поиска по коду, классификации, кластеризации и сопоставления параллельных текстов. Модель поддерживает более 100 естественных языков и языков программирования, обрабатывает контекст до 32 768 токенов и выдаёт эмбеддинги размерностью до 1024, включая пользовательские размерности от 32 до 1024. Она поддерживает инструкции, настраиваемые под задачу, язык или сценарий, что может улучшать качество поиска. README описывает серию как сильную в многоязычных задачах эмбеддингов, но приведённые в нём отдельные лидирующие результаты относятся к модели 8B, а не к версии 0.6B. Для использования требуется совместимая версия Transformers: в версиях ранее 4.51.0 возможно возникновение ошибки распознавания архитектуры. Лицензия — Apache-2.0.

Карточка модели Yaldat/Yalda-Embedding-Scratch на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-0.6B, поэтому описание составлено по ней. Qwen3-Embedding-0.6B — многоязычная модель эмбеддингов текста семейства Qwen3, разработанная командой Qwen. Это дообученная версия Qwen/Qwen3-0.6B-Base с плотной архитектурой Qwen3ForCausalLM и примерно 507,6 млн параметров. Модель предназначена для преобразования текста в векторы и поиска семантически близких текстов; её применяют для поиска и извлечения документов, поиска по коду, классификации, кластеризации и сопоставления параллельных текстов. Модель поддерживает более 100 естественных языков и языков программирования, обрабатывает контекст до 32 768 токенов и выдаёт эмбеддинги размерностью до 1024, включая пользовательские размерности от 32 до 1024. Она поддерживает инструкции, настраиваемые под задачу, язык или сценарий, что может улучшать качество поиска. README описывает серию как сильную в многоязычных задачах эмбеддингов, но приведённые в нём отдельные лидирующие результаты относятся к модели 8B, а не к версии 0.6B. Для использования требуется совместимая версия Transformers: в версиях ранее 4.51.0 возможно возникновение ошибки распознавания архитектуры. Лицензия — Apache-2.0.