I.1Поиск и навигация по информации

krunchykat/bge-base-en-v1.5-ft-quora — англоязычная модель эмбеддингов на базе BERT, опубликованная пользователем krunchykat. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов и кластеризации. Модель дообучена с функцией OnlineContrastiveLoss; её можно использовать через библиотеку Sentence-Transformers. Размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, сопоставления вопросов и ответов и группировки похожих текстов на английском языке. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

567-labs/bge-base-en-v1.5-ft-quora-0.9 — модель эмбеддингов предложений и абзацев на базе BERT, представленная в формате Sentence-Transformers. Она кодирует текст в плотные векторы размерностью 768 и предназначена для семантического поиска и кластеризации. Модель обучалась с функцией потерь OnlineContrastiveLoss; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Модель подходит для поиска вопросов, похожих по смыслу, в частности в корпусах вопросов и ответов, а также для группировки текстов по тематике. Она принимает текст и выдаёт векторы для последующего сравнения, ранжирования или кластеризации. По названию репозитория и описанию обучения это дообученная версия BGE base English v1.5 на данных Quora; отдельная лицензия в предоставленных данных не указана.

BAAI/bge-large-zh — модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная Beijing Academy of Artificial Intelligence. Она преобразует китайский текст в плотные векторы для семантического поиска, извлечения релевантных документов, кластеризации и классификации, в том числе как компонент систем RAG и векторных баз данных. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Для коротких поисковых запросов к длинным документам авторы рекомендуют добавлять инструкцию для запроса; сами документы в ней не нуждаются. Модель поддерживает китайский язык и выдаёт векторные представления текста. README рекомендует перейти на BAAI/bge-large-zh-v1.5: в версии v1.5 улучшено распределение оценок сходства и качество поиска. У старой версии оценки сходства несхожих предложений могут быть выше 0,5, поэтому абсолютные значения нельзя трактовать как универсальный порог; важнее относительный порядок результатов, а порог следует подбирать на своих данных. Лицензия — MIT.

Карточка модели hopeawei/bge-large-zh-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

Карточка модели q2323q431/bge-large-zh-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

BorisTM/bge-m3_en_ru — компактная версия модели эмбеддингов BAAI/bge-m3, подготовленная для английского и русского языков. В модели оставлены токены этих двух языков: размер словаря сокращён до 21% от исходного, а общее число параметров составляет 449,9 млн, или 63,3% от исходного размера. Архитектура — XLM-RoBERTa; модель доступна в формате safetensors и рассчитана на контекст до 8194 токенов. Модель предназначена для получения текстовых эмбеддингов и сравнения сходства предложений, например для семантического поиска и подбора похожих текстов. Её можно использовать с Sentence-Transformers или Transformers, применяя подходящую операцию pooling к контекстным представлениям токенов. Автор README сообщает, что сокращение словаря не ухудшило качество эмбеддингов на английском и русском языках. Это производная версия BAAI/bge-m3, созданная сокращением словаря токенизатора. Лицензия в предоставленных данных не указана.

YeonwooSung/bge-m3-msmarco-v3-sbert — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработчик в карточке не назван. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из XLM-RoBERTa и mean pooling; максимальная длина последовательности — 8192 токена, сходство обычно оценивается косинусной мерой. Модель обучена на датасете примерно из 499 тысяч примеров с MultipleNegativesRankingLoss. Метаданные характеризуют базовую BGE-M3 как многоязычную модель поиска; конкретный перечень поддерживаемых языков для этой версии не указан. Для работы доступны веса safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

gpahal/bge-m3-onnx-int8 — это оптимизированная и квантизованная до int8 версия модели BAAI/bge-m3, подготовленная сообществом для запуска через ONNX Runtime. Модель предназначена для получения эмбеддингов и поддерживает многоязычные сценарии, семантическое сравнение предложений, извлечение признаков и гибридный поиск. Модель одновременно формирует три представления текста: плотное dense, разреженное sparse и ColBERT-представление. Плотные и ColBERT-эмбеддинги нормализуются по умолчанию, как в исходной библиотеке FlagEmbedding; разреженное представление можно преобразовать в словарь весов токенов. Для инференса используются ONNX Runtime, токенизация через Hugging Face Transformers и интеграция с Optimum. В модели применены оптимизации графа уровня O2, а вычисления рассчитаны на CPU; точный размер модели, длина контекста и перечень поддерживаемых языков в README не указаны. К сильным сторонам относятся объединение dense-, sparse- и ColBERT-представлений в одном запуске, многоязычная ориентация, снижение вычислительных требований благодаря int8-квантизации и совместимость с ONNX Runtime. Ограничениями являются необходимость самостоятельно обрабатывать разные типы выходов и то, что изменение нормализации или набора представлений требует повторного экспорта модели. Модель распространяется по лицензии MIT.

ggml-org/bge-m3-Q8_0-GGUF — это модель для извлечения признаков и вычисления семантического сходства предложений, преобразованная в формат GGUF из базовой модели BAAI/bge-m3. Конвертацию выполнили с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач поиска по смыслу, ранжирования, сопоставления текстов и построения векторных представлений, в том числе при локальном запуске через совместимые инструменты llama.cpp. Ключевая характеристика этой версии — квантование Q8_0 в формате GGUF, которое обычно позволяет сократить требования к памяти по сравнению с полноразмерными весами при сохранении большей части качества исходной модели. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста и точных модальностях; по назначению и указанной базовой модели речь идет о текстовой embedding-модели. Ограничения качества и совместимости зависят от исходной BAAI/bge-m3 и используемого программного окружения. Лицензия — MIT.

Ductratra/BGE_M3_v2 — модель Sentence Transformer на архитектуре XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; сходство между текстами можно оценивать косинусной мерой. Модель рассчитана на последовательности длиной до 8192 токенов. Её можно применять для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В репозитории указаны веса safetensors и библиотека sentence-transformers. Лицензия и конкретные обучающие данные в предоставленных сведениях не описаны.

BAAI/bge-reranker-v2.5-gemma2-lightweight — мультиязычная модель-реранкер от BAAI, построенная на Gemma 2 9B. Она принимает запрос и текстовый фрагмент и оценивает их релевантность; оценку можно преобразовать в диапазон [0, 1] с помощью сигмоиды. Модель также поддерживает сравнение смысла двух фрагментов или запросов и выявление противоречия между аргументами. Для снижения вычислительных затрат применяются сжатие токенов и сокращение слоёв, по отдельности или вместе. В README сообщается о результатах уровня SOTA на наборах BEIR и MIRACL; для одной конфигурации указана экономия 60% FLOPs. Метаданные указывают 9 млрд параметров и контекст 8192 токена. Модель предназначена для повторного ранжирования результатов поиска и оценки семантической релевантности в многоязычных сценариях. Лицензия — Gemma. Доступность весов в safetensors подтверждена метаданными. README не приводит конкретный перечень поддерживаемых языков и не описывает ограничения качества; использование требует учитывать лицензионные условия Gemma и вычислительные потребности модели.

Это экспортированная в формат ONNX модель BAAI/bge-reranker-v2-m3, опубликованная пользователем rozgo. Она предназначена для оценки релевантности пар «запрос — документ» и ранжирования найденных текстов, например в поиске и системах RAG. В основе лежит архитектура XLM-RoBERTa с классификационной головой; размер составляет 658,7 млн параметров, заявленный контекст — до 8194 токенов. README подтверждает экспорт оптимизированной модели через Optimum в ONNX с opset 13. Модель подходит для повторной сортировки результатов текстового поиска после первичного извлечения кандидатов. Метаданные указывают на языковое семейство XLM-RoBERTa, но конкретный перечень поддерживаемых языков не приведён. Лицензия в предоставленных данных не указана.

Это кросс-энкодерный переранжировщик steerrec, дообученный на базе BAAI/bge-reranker-v2-m3 с библиотекой Sentence Transformers. Он оценивает пары текстов одним числовым баллом, который можно использовать для переранжирования результатов поиска и семантического поиска; в README приведена оценка на наборах amazon_test и amazon_val. Модель имеет архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и принимает последовательности длиной до 512 токенов по README; метаданные каталога указывают контекст до 8194 токенов. Лицензия в предоставленных данных не указана.

luluw/bge-reranker-v2-m3-eng-nep-16k-trimmed — версия переранжировщика BAAI/bge-reranker-v2-m3 с сокращённым словарём, созданная luluw. Модель использует архитектуру XLM-RoBERTa и принимает пару «запрос — фрагмент текста», совместно оценивая их и выдавая один логит релевантности. Её применяют после первичного поиска, например BM25 или векторного поиска, чтобы переупорядочить найденные результаты; эмбеддинги для векторного индекса она не создаёт. Словарь сокращён с 250 002 до 16 384 токенов с упором на английский и непальский языки. Строки эмбеддингов сохранённых токенов скопированы из исходной модели, классификационная голова не изменялась, дополнительного дообучения не проводилось. Для подготовки входа требуется предоставленное соответствие старых и новых ID токенов; редкие специализированные токены могут теряться или отображаться в пустой токен. Лицензия — MIT.

qilowoq/bge-reranker-v2-m3-en-ru — уменьшенная версия переранжировщика BAAI/bge-reranker-v2-m3, подготовленная автором репозитория qilowoq. В словаре оставлены токены английского и русского языков; по заявлению карточки, модель примерно в 1,5 раза меньше исходной и при этом сохраняет те же оценки релевантности.

BAAI/bge-small-en — компактная англоязычная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная командой FlagEmbedding. Она преобразует текст в векторные представления для семантического поиска, извлечения релевантных документов и сравнения текстов по смыслу. В retrieval-сценариях можно добавлять инструкцию к короткому запросу; для документов и фрагментов текста инструкция не требуется. Модель основана на архитектуре BERT, содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт эмбеддинги. Подходит для компактных систем поиска и retrieval-augmented generation, а также может использоваться с FlagEmbedding, Sentence-Transformers и LangChain. В README отмечено, что более новая версия bge-small-en-v1.5 имеет более разумное распределение оценок сходства и рекомендуется вместо этой версии. Модель распространяется по лицензии MIT. Оценки сходства для исходной версии часто лежат в диапазоне примерно 0,6–1 даже для несходных предложений, поэтому абсолютный порог нельзя переносить между задачами: его следует подбирать на своих данных, ориентируясь также на относительный порядок результатов.

vectoriseai/bge-small-en — англоязычная модель эмбеддингов из семейства BGE (BAAI General Embedding), представленная в проекте FlagEmbedding. Она преобразует текст в плотные векторы размером 384 для поиска и сравнения по смыслу; в карточке указаны архитектура BERT и около 40 млн параметров. Модель принимает текстовые последовательности длиной до 512 токенов и предназначена для английского языка. Модель подходит для семантического поиска, извлечения релевантных фрагментов для RAG, классификации и кластеризации текста. Для поиска длинных документов по короткому запросу README рекомендует добавлять к запросу инструкцию «Represent this sentence for searching relevant passages:»; к самим документам инструкцию добавлять не нужно. Репозиторий содержит веса PyTorch и Safetensors, а также формат ONNX; лицензия — MIT. Компактный размер упрощает развёртывание по сравнению с крупными вариантами BGE, сохраняя пригодность для типовых задач текстового поиска. Контекст ограничен 512 токенами, поэтому длинные тексты следует обрабатывать частями. Метаданные классифицируют модель как sentence similarity, а каталог также указывает извлечение признаков.

Карточка модели aajonaa/bge-small-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

michaelfeil/bge-small-en-v1.5 — компактная англоязычная модель эмбеддингов на архитектуре BERT, представленная в форматах PyTorch, Safetensors и ONNX. Она предназначена для получения векторных представлений текста и сравнения сходства предложений; размер составляет около 40 млн параметров, максимальная длина контекста — 512 токенов. Модель можно запускать через библиотеку Infinity Embedding Model: README рекомендует PyTorch с CUDA для GPU и ONNX через Optimum для CPU. Эмбеддинги подходят для поиска по смыслу, ранжирования и построения систем поиска с дополненной генерацией. Модель рассчитана на английский язык. Репозиторий распространяется по лицензии MIT.

ggml-org/bge-small-en-v1.5-Q8_0-GGUF — квантованное представление модели BAAI/bge-small-en-v1.5, разработанной BAAI, в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель предназначена для получения векторных представлений англоязычных текстов и решения задач семантического поиска, извлечения информации, сравнения сходства предложений, классификации, кластеризации и переранжирования результатов поиска. Модель относится к семейству Sentence Transformers и поддерживает обработку текста на английском языке. В README не указаны точные архитектурные параметры, число параметров и максимальная длина контекста; обозначение Q8_0 указывает на 8-битное квантование. Среди сильных сторон — универсальное применение для задач сопоставления и поиска текстов, а также наличие результатов оценки на наборах MTEB для классификации, извлечения, кластеризации, переранжирования и оценки семантического сходства. Ограничение — заявлена поддержка только английского языка, поэтому качество для русского и других языков не гарантируется. Модель распространяется по лицензии MIT. Для использования требуется среда, совместимая с форматом GGUF, например llama.cpp.

BidirLM-1B-Embedding — мультиязычная модель эмбеддингов из семейства BidirLM, разработанного авторами карточки. Это плотный двунаправленный энкодер BidirLMModel на 1 млрд параметров, полученный дообучением BidirLM/BidirLM-1B-Base. Модель использует mean pooling и выдаёт векторы размерности 1152; поддерживает контекст до 32 768 токенов, хотя в оценке MTEB для этой версии использовалось 512 токенов. Модель предназначена для построения текстовых эмбеддингов и поиска по смыслу: её можно применять для семантического поиска, оценки сходства предложений, кластеризации, поиска межъязыковых соответствий и ранжирования. Также её архитектура поддерживает дальнейшее дообучение для классификации последовательностей и токенов, извлечения сущностей и задач NLI. В карточке заявлена мультиязычная поддержка более чем 140 языков; контрастивное обучение охватывало 87 языков. Для загрузки требуется trust_remote_code=True и совместимая версия Transformers; это следует учитывать при интеграции. Модель распространяется по лицензии Apache-2.0.

BOOM_4B_v1 — модель текстовых эмбеддингов, разработанная командой ICT-TIME-and-Querit на основе Qwen3-4B. Она предназначена для получения векторных представлений текста в задачах поиска, сравнения смысловой близости, классификации, кластеризации и ранжирования. Модель объединяет несколько эмбеддинг-моделей, обученных на выборках данных разного состава, методом Multi-SLERP; для представления используется последний токен. В репозитории указаны 3,7 млрд параметров, контекст до 40 960 токенов и формат safetensors. Модель обучена на общих текстовых данных: в карточке перечислены наборы для поиска информации, ранжирования, классификации, кластеризации и семантического сходства. Среди практических сценариев — семантический поиск по документам, поиск ответов на вопросы и оценка близости текстов. README сообщает об обучении на английских и общих данных, но не подтверждает отдельную языковую специализацию. Карточка указывает лицензию Apache-2.0, допускающую использование и распространение при соблюдении её условий.

Cohere Labs Command R+ 08-2024 — авторегрессионная языковая модель на архитектуре Transformer с grouped-query attention, разработанная Cohere Labs и Cohere. Модель содержит 104 млрд параметров, поддерживает контекст до 128K токенов и принимает и выдаёт только текст. Она предназначена для диалогов, рассуждений, суммаризации и ответов на вопросы; обучена работать с Retrieval Augmented Generation, приводить цитаты из переданных фрагментов документов и выбирать инструменты для многошагового выполнения задач. Модель обучалась на 23 языках и оценивалась на 10. Список языков обучения включает английский, французский, испанский, итальянский, немецкий, португальский, японский, корейский, арабский, китайский, русский и другие; метаданные также отмечают поддержку английского, французского, немецкого, испанского, итальянского, португальского, японского, корейского, китайского и арабского. Для генерации с опорой на документы предусмотрен специальный шаблон промпта, отступление от которого может снизить качество. Для запуска README рекомендует Transformers версии 4.39.1 или выше. Лицензия CC-BY-NC-4.0 требует соблюдения Acceptable Use Policy Cohere Labs и ограничивает коммерческое использование.

Квантизированная 4-битная версия большой языковой модели Command R+ от CohereForAI, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm. Модель предназначена для генерации текста в диалогах, ответов на вопросы, работы с внешними инструментами и генерации ответов, основанных на предоставленных документах и источниках.

CALE-XLM-R — модель Sentence-Transformers на базе FacebookAI/xlm-roberta-large, дообученная для преобразования текста в плотные векторы размерности 1024. Она предназначена для поиска семантически близких текстов, кластеризации и вычисления сходства предложений. Модель принимает текст и формирует эмбеддинги; мультиязычная базовая XLM-RoBERTa поддерживает 100 языков. Контекст модели составляет 514 токенов. Репозиторий распространяется по лицензии Apache-2.0.

danfeg/CAMeL_Finetuned-EN-500 — модель на базе BERT, дообученная как sentence-transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для вычисления семантического сходства, семантического поиска и кластеризации текстов. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт эмбеддинги. По названию и карточке она ориентирована на английский язык; лицензия в предоставленных данных не указана.

navneet11/contrastive-relevance-v1 — текстовый энкодер Sentence Transformers, дообученный разработчиком на базе sentence-transformers/all-MiniLM-L6-v2. Он преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 и подходит для семантического поиска, сравнения сходства, поиска перефразировок, классификации и кластеризации. Архитектура включает BERT, усреднение токенных представлений и нормализацию; для сравнения векторов используется косинусное сходство. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для сопоставления текстовых запросов с документами и поиска смыслово близких фрагментов. В примерах обучающих данных — финансовые и деловые новости; обучение описано как короткое дообучение на 192 образцах с MultipleNegativesRankingLoss. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Карточка модели Ashokreddy6/CounselAssistant-RetrieverV1 на Hugging Face совпадает с карточкой intfloat/e5-large-v2, поэтому описание составлено по ней. E5-large-v2 — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 24 слоя и размерность эмбеддинга 1024. Общее число параметров — 433,9 млн, максимальная длина входа — 512 токенов. Модель преобразует тексты в векторы для семантического поиска, сопоставления запросов и документов, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричного сравнения обычно используют «query: » перед обоими текстами. Модель предназначена только для английских текстов; более длинные входы обрезаются до 512 токенов. При использовании косинусного сходства важнее относительный порядок оценок, чем их абсолютные значения. Расхождения в версиях PyTorch и Transformers могут вызывать небольшие различия результатов. Лицензия — MIT.

crossencoder-me5-small-mmarcoFR — франкоязычный кросс-энкодер, разработанный Antoine Louis и дообученный на базе intfloat/multilingual-e5-small. Он совместно обрабатывает запрос и passage, оценивает их релевантность и предназначен для переранжирования результатов семантического поиска после быстрого первичного поиска, например BM25 или bi-encoder. Модель использует архитектуру BERT для классификации последовательностей, содержит 124,3 млн параметров и принимает пары текстов с контекстом до 512 токенов; в обучении максимальная длина пары составляла 256 токенов. Оценки релевантности нормируются сигмоидой в диапазон от 0 до 1. Модель обучена на французской части mMARCO с трудными отрицательными примерами и оценивалась на dev-наборе mMARCO-fr для ранжирования passages. Кросс-энкодер подходит для уточнения порядка уже найденных кандидатов, но требует отдельно оценивать каждую пару запрос–текст, поэтому не рассчитан на первичный поиск по большой коллекции. Лицензия — MIT.

Карточка модели sickcell/cti-semantic-search-minilm на Hugging Face совпадает с карточкой yosuaw/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers на базе MiniLM, разработанная в рамках проекта Hugging Face Community Week. Она кодирует предложения и короткие абзацы в плотные векторы размерности 384, отражающие семантическое содержание. Модель обучена контрастивным дообучением предварительно обученной nreimers/MiniLM-L6-H384-uncased на наборе более чем из миллиарда пар предложений. Модель предназначена для семантического поиска, извлечения информации, сравнения сходства предложений и кластеризации текстов. Архитектура — BERT-подобный MiniLM с 25,9 млн параметров; максимальная длина контекста — 512 токенов, а по умолчанию входы длиннее 256 WordPiece-токенов обрезаются. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0.