I.1Поиск и навигация по информации

sentence-transformers/msmarco-distilbert-base-v4 — модель Sentence-Transformers на базе DistilBERT, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Контекст модели ограничен 512 токенами; доступны реализации в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для поиска релевантных фрагментов, группировки похожих текстов и вычисления семантического сходства. Для применения через Transformers требуется корректно агрегировать контекстные представления токенов с помощью подходящей операции pooling. Данные карточки не уточняют поддерживаемые естественные языки и ограничения качества.

Модель sentence-transformers/msmarco-distilbert-multilingual-en-de-v2-tmp-lng-aligned разработана командой Sentence-Transformers. Это плотный энкодер на архитектуре DistilBERT, который преобразует предложения и абзацы в векторы размерности 768. Модель рассчитана на поиск семантически близких текстов и кластеризацию; для получения векторов используется библиотека Sentence-Transformers либо Transformers с подходящей операцией pooling. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать для поиска по смыслу. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0.

sentence-transformers/msmarco-MiniLM-L6-v3 — модель sentence-transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 на основе архитектуры BERT; модель содержит 25,9 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, а также для кластеризации предложений и абзацев. Её можно использовать с библиотекой Sentence-Transformers либо через Transformers с подходящей операцией pooling. Лицензия — Apache-2.0. Модель выдаёт текстовые эмбеддинги для вычисления семантической близости. Карточка не приводит ограничений точности или перечня поддерживаемых языков.

sentence-transformers/msmarco-roberta-base-v2 — модель Sentence Transformers, обученная командой Sentence Transformers на базе архитектуры RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения смысловой близости, кластеризации и других задач работы с текстовыми эмбеддингами. Модель содержит 151,8 млн параметров, использует библиотеку Sentence Transformers и принимает текст; контекст составляет до 514 токенов. Модель подходит для поиска фрагментов по смыслу и группировки похожих текстов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, Flax, ONNX и OpenVINO. Лицензия Apache-2.0 разрешает свободное использование в соответствии с её условиями.

sentence-transformers/msmarco-roberta-base-v3 — модель sentence-transformers на архитектуре RoBERTa, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения предложений и кластеризации. Модель содержит 151,8 млн параметров, принимает текстовые входы и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Модель подходит для поиска текстов по смыслу и группировки семантически близких фрагментов. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия Apache-2.0 допускает использование на её условиях.

Teradata выпустила ONNX-версию модели multilingual-e5-base для получения векторных представлений предложений и абзацев. Модель основана на XLM-RoBERTa, содержит около 305 млн параметров, принимает до 514 токенов и формирует векторы размерности 768. Репозиторий включает варианты fp32, int8 и uint8; модель подготовлена для запуска в Teradata Vantage, в том числе через встроенную функцию ONNXEmbeddings. Векторы подходят для измерения семантического сходства, кластеризации текстов и поиска релевантных фрагментов в RAG-системах. Модель многоязычная; метаданные перечисляют языки от африкаанс до хинди и индонезийского, а README указывает на исходную multilingual-e5-base. Лицензия MIT разрешает коммерческое использование. Это преобразование исходной модели в ONNX; качество и охват языков зависят от исходной модели и конкретной задачи.

Это модель Sentence Transformers семейства XLM-RoBERTa, разработанная RZTK на основе yklymchuk-rztk/multilingual-e5-base-matryoshka2d-cached-mnr-multiple-datasets-large-1 и дообученная на наборах core_uk и core_ru. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размером 768 и поддерживает сравнение сходства по скалярному произведению. Модель подходит для семантического поиска, поиска похожих формулировок, кластеризации и классификации текста, в том числе для русскоязычных и украиноязычных данных. Архитектура включает XLMRobertaModel, усредняющий токены pooling-слой и нормализацию. Максимальная длина последовательности — 512 токенов; библиотека — Sentence Transformers. В README приведены результаты поиска на русских и украинских тестовых наборах, включая варианты с опечатками и транслитерацией. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformer, дообученная автором anhtuansh на базе intfloat/multilingual-e5-base. Она преобразует предложения и абзацы в плотные векторы размерностью 768; архитектура включает XLM-RoBERTa, усреднение токенов и нормализацию, а близость векторов можно оценивать косинусным сходством. Модель предназначена для семантического поиска, сопоставления текстов, поиска перефразировок, кластеризации и классификации текста. При дообучении использован набор json из 10 200 пар anchor-positive с MatryoshkaLoss и MultipleNegativesRankingLoss. Максимальная длина входа — 512 токенов по README и 514 токенов контекстного окна по метаданным. Многоязычная базовая модель позволяет работать с текстами на разных языках; в обучающих примерах есть вьетнамские юридические тексты. README приводит результаты оценки поиска, но не уточняет язык и состав тестовых данных. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели Hostage928/multilingual-e5-small на Hugging Face совпадает с карточкой intfloat/multilingual-e5-small, поэтому описание составлено по ней. Multilingual-E5-small — модель текстовых эмбеддингов, разработанная авторами технического отчёта Multilingual E5. Это компактная 12-слойная модель архитектуры BERT с 124,3 млн параметров и размерностью эмбеддингов 384; она инициализирована из microsoft/Multilingual-MiniLM-L12-H384 и дополнительно обучена на смеси многоязычных наборов данных. Модель преобразует тексты в векторы для поиска и сравнения по смыслу, включая межъязыковой поиск, поиск фрагментов для систем вопросов и ответов, семантическое сходство, подбор перефразировок и кластеризацию. Для разных типов текста следует использовать префиксы «query: » и «passage: » согласно сценарию; без них качество может снизиться. Поддерживаются 100 языков, однако качество для языков с малым количеством ресурсов может быть ниже. Контекст ограничен 512 токенами, длинные тексты обрезаются. В репозитории доступны форматы PyTorch, SafeTensors, ONNX и OpenVINO. Лицензия — MIT.

Модель agentlans/multilingual-e5-small-aligned-v2 — мультиязычная модель эмбеддингов на базе Sentence Transformers, разработанная как дообучение agentlans/multilingual-e5-small-aligned. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического сравнения и поиска; близость векторов оценивается косинусным сходством. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией выходного вектора. Максимальная длина последовательности — 512 токенов. Дообучение проводилось на парах предложений из Tatoeba, включая примеры на разных языках; модель выравнивает представления переводов, чтобы их векторы были близки. Подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. Репозиторий распространяется по лицензии MIT.

Avditvs/multilingual-e5-small-distill-base-0.1 — экспериментальная дистиллированная модель текстовых эмбеддингов на архитектуре BERT, созданная автором карточки на основе intfloat/multilingual-e5-small с учителем intfloat/multilingual-e5-base. Модель обучалась сопоставлять косинусное сходство пар предложений с оценками учителя; при обучении применялось Matryoshka Representation Learning. По карточке, она содержит 12 слоёв и имеет размерность эмбеддингов 384; в метаданных указано 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для многоязычного семантического поиска, ранжирования текстов по сходству, поиска парафраз и кластеризации. Для асимметричного поиска следует добавлять префиксы «query: » и «passage: », а для симметричных задач и получения признаков — «query: »; без префиксов качество может снижаться. В карточке описана поддержка 100 языков, но малоресурсные языки могут работать хуже. Длинные тексты обрезаются до 512 токенов. Лицензия — MIT.

flax-sentence-embeddings/multi-qa_v1-MiniLM-L6-mean_cos — модель SentenceTransformers для преобразования предложений и вопросов в векторные представления. Её разработали участники Hugging Face Community Week в рамках проекта по обучению моделей эмбеддингов; за основу взяли nreimers/MiniLM-L6-H384-uncased и дообучили на парах «вопрос — ответ» с помощью сиамской сети и контрастивного обучения. Вектор предложения формируется усреднением скрытых состояний BERT-подобной архитектуры MiniLM с 25,9 млн параметров. Модель предназначена для семантического поиска, сравнения сходства вопросов и ответов, кластеризации текстов и других сценариев, где нужно сопоставлять предложения по смыслу. Она принимает текст и выдаёт эмбеддинги; модель обучалась на данных Stack Exchange, MSMARCO, Natural Questions и TriviaQA. Контекст ограничен 512 токенами, а при обучении длина последовательности ограничивалась 128 токенами. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

multi-QA_v1-mpnet-asymmetric-Q — модель для создания векторных представлений вопросов, разработанная flax-sentence-embeddings в рамках проекта Hugging Face Community Week «Train the Best Sentence Embedding Model Ever with 1B Training Pairs». Это MPNet с 136,7 млн параметров, дообученный контрастивным методом на парах вопросов и ответов из Stack Exchange, MSMARCO, NQ и других наборов данных. Модель принимает текст и выдаёт вектор размерности смысла предложения; длина контекста — до 514 токенов по метаданным. Модель предназначена для кодирования вопросов в системе семантического поиска и сопоставления с векторами ответов, полученными парной моделью multi-QA_v1-mpnet-asymmetric-A. Векторы также подходят для поиска по смыслу, кластеризации и оценки сходства предложений. Для поиска вопросов и ответов рекомендуется использовать пару Q/A-моделей. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

mxbai-rerank-base-v2 (также ProRank-0.5B) — базовая модель семейства реранкеров Mixedbread AI. Она оценивает релевантность пар «запрос — документ» и помогает переставить результаты поиска так, чтобы наиболее подходящие оказались выше. Модель построена на плотной архитектуре Qwen2 с 494 млн параметров; для работы использует Transformers и формат Safetensors. Размер контекста — до 32 768 токенов. Модель предназначена для мультиязычного поиска, включая поиск по коду, и может применяться для повторного ранжирования кандидатов в RAG-системах и поисковых сервисах. По данным авторов, она поддерживает более 100 языков и показывает сильные результаты на английском и китайском; в опубликованной таблице для base-v2 приведены показатели BEIR, мультиязычного и китайского поиска, поиска по коду, а также задержка на A100. Лицензия — Apache-2.0. README не приводит технический отчёт и не описывает ограничения качества или полный перечень языков. Указанные в карточке языковые теги охватывают лишь часть заявленной мультиязычной поддержки; показатели скорости относятся к тестированию на A100 и могут отличаться на другом оборудовании.

skripsiskripsi/myskripsisbert — дообученная модель Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы на естественном языке в плотные векторы размерности 384; сходство векторов оценивается косинусной мерой. Модель предназначена для семантического поиска, извлечения релевантных текстов и сравнения сходства предложений. Архитектура состоит из BERT-трансформера и слоя усредняющего pooling. В README указана максимальная длина последовательности 128 токенов; метаданные каталога указывают контекст до 512 токенов. В обучении использовались 358 пар предложений с оценками сходства, а для проверки приведён Spearman cosine 0,9021. Базовая модель многоязычная, а примеры обучающих данных написаны на индонезийском языке. Модель принимает текст и возвращает векторы, поэтому её можно подключать к системам поиска и ранжирования документов. Она выпущена в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Minnow-Em1-0.6B — компактная многоязычная модель эмбеддингов от KiteFish AI, дообученная на базе Qwen/Qwen3-0.6B. Это плотный трансформер с примерно 507,9 млн параметров, преобразованный в двунаправленный энкодер: каждый токен учитывает контекст с обеих сторон. Модель принимает текст и формирует векторные представления для поиска, сравнения и группировки текстов; поддерживает контекст до 40 960 токенов и инструкции, задающие тип задачи для запроса. Модель предназначена для семантического поиска и извлечения документов, оценки сходства текстов, классификации, кластеризации, ранжирования и поиска параллельных фрагментов на разных языках. Для корректной работы при загрузке необходимо включить двунаправленное внимание: в сохранённых весах это изменение не зафиксировано, и стандартная причинная маска заметно ухудшает эмбеддинги. Авторы готовят оценку на MMTEB/MTEB; опубликованных итоговых результатов пока нет. В обучении использовались обучающие части ряда публичных бенчмарков, поэтому результаты на соответствующих задачах следует считать внутридоменными; версия v1 смещена в сторону англоязычного поиска вопросов и ответов, а низкоресурсные и межъязыковые задачи могут выполняться слабее. Лицензия — Apache 2.0.

good-ai-club/NBB — модель Sentence-Transformers на архитектуре BERT, разработчик которой указан в идентификаторе репозитория как good-ai-club. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для построения текстового поиска по смыслу, ранжирования или группировки похожих фрагментов. В README указан обучающий лосс CosineSimilarityLoss. Сведения о лицензии и конкретном языке обучения не приведены; качество зависит от соответствия входных данных обучающим данным модели.

Stern5497/nir-2024-xlm-roberta-base — модель Sentence Transformers, дообученная на базе FacebookAI/xlm-roberta-base. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые сравниваются с помощью косинусного сходства. Модель содержит 305,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для поиска семантически близких текстов и оценки сходства предложений; её также можно применять для поиска перефразирований, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa и mean pooling. Карточка указывает обучающий набор из 164 848 примеров с тремя текстовыми полями; лицензия и конкретный перечень языков в предоставленных данных не приведены.

corto-ai/nomic-embed-text-v1 — текстовая модель-энкодер семейства NomicBERT для создания векторных представлений текста. Карточка описывает её как воспроизводимую модель с открытыми весами, кодом обучения и данными; репозиторий предоставляет веса в форматах PyTorch, Safetensors и ONNX. Модель предназначена для поиска по смыслу, извлечения релевантных документов, кластеризации и классификации текста. Она поддерживает контекст до 8192 токенов и требует префиксов задач: search_query и search_document для поиска, classification для классификации и clustering для кластеризации. В README приведены результаты бенчмарков MTEB, LoCo и Jina Long Context; модель ориентирована на английский язык. Лицензия — Apache-2.0. Для корректного применения нужно использовать соответствующий префикс; качество и пригодность для конкретной задачи могут отличаться от результатов бенчмарков.

nomic-embed-text-v1 — текстовый энкодер эмбеддингов, разработанный Nomic AI на архитектуре NomicBert. Модель содержит 136,7 млн параметров, принимает до 8192 токенов и предназначена для преобразования текстов в векторы для поиска и сравнения по смыслу. Модель используют для построения RAG-индексов, поиска по запросам, группировки текстов, выявления тем и семантических дубликатов, а также получения признаков для классификации. Для разных задач в начале текста требуется соответствующий префикс-инструкция. В README заявлены результаты на MTEB, LoCo и тесте Jina Long Context; доступность открытых весов и кода обучения также отмечена в карточке. Модель работает с английским языком. Доступны форматы PyTorch, Safetensors и ONNX; библиотека карточки — Sentence Transformers. Лицензия — Apache-2.0. Несмотря на упоминание мультимодального пространства эмбеддингов в README, сама модель принимает текст; для изображений указан отдельный согласованный энкодер nomic-embed-vision-v1.

nq-distilbert-base-v1 — модель Sentence-Transformers, обученная командой sentence-transformers на базе DistilBERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. В метаданных указаны библиотека Sentence-Transformers, поддержка PyTorch, TensorFlow, ONNX и OpenVINO, а также контекст до 512 токенов. Модель подходит для построения семантического поиска и группировки текстов по смысловой близости. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не уточняет поддерживаемые естественные языки; качество для конкретного языка и предметной области следует проверять отдельно.

NV-Embed-v1 — англоязычная модель эмбеддингов от NVIDIA на базе decoder-only LLM Mistral-7B-v0.1. Она преобразует запросы и тексты в векторы размерностью 4096 для поиска и других задач сравнения и анализа текста. Модель использует pooling с latent attention и двухэтапную настройку инструкциями. В README сообщается о результатах на бенчмарке MTEB по 56 задачам, включая поиск, ранжирование, классификацию, кластеризацию и семантическое сходство; также указаны результаты AIR-Bench QA для английского языка и Long-Doc. Для доступа к репозиторию требуется аутентификация Hugging Face. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для получения эмбеддингов и поддерживает задачи извлечения признаков и сравнения предложений; в каталоге файлов указан формат safetensors.

BellaniAyoub/Octen-Embedding-4b-Finetuned — дообученная модель Sentence Transformers на базе Octen/Octen-Embedding-4B, основанной на архитектуре Qwen3. Она преобразует предложения и абзацы в плотные векторы размерностью 2560; для сравнения используется косинусное сходство. Максимальная длина входной последовательности — 40 960 токенов. Модель предназначена для семантического поиска, сравнения текстов и поиска перефразировок. Векторы также можно использовать для кластеризации и классификации текстов. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

Octen-Embedding-8B — текстовая модель эмбеддингов, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-8B. Она предназначена для семантического поиска и извлечения документов, сравнения текстов, кластеризации и создания векторных представлений для последующей классификации или ответов на вопросы. Модель построена на архитектуре Qwen3, содержит 7,6 млрд параметров, формирует эмбеддинги размерностью 4096 и поддерживает контекст до 40 960 токенов. Модель заявлена как мультиязычная, с поддержкой более 100 языков, включая английский и китайский; также заявлены межъязыковой поиск и поиск по коду. В README указаны специализации для юридических, финансовых, медицинских и программных материалов, а также первое место в RTEB по состоянию на 12 января 2026 года. Для документов без префикса README рекомендует добавлять в начало «- » из-за известной проблемы в upstream-модели. Качество может различаться по языкам и областям, документы длиннее контекста требуют усечения; генерация текста не является назначением модели. Лицензия — Apache 2.0.

Карточка модели JSCreatorPro/offline-cpu-e5-large-v2 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.

paraphrase-distilroberta-base-v1 — модель sentence-transformers, разработанная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Архитектура основана на RoBERTa; модель содержит 95,2 млн параметров, принимает текст с контекстом до 514 токенов и предназначена для создания текстовых эмбеддингов. Модель подходит для поиска предложений и документов по смыслу, группировки похожих текстов и оценки семантического сходства. Карточка не описывает основной язык обучения, поэтому конкретные языковые преимущества не заявлены. Модель распространяется по лицензии Apache-2.0; при использовании через Transformers требуется применить подходящий pooling к контекстным представлениям токенов.

paraphrase-MiniLM-L12-v2 — модель sentence-transformers, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель основана на архитектуре BERT и содержит около 40 млн параметров; максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, группировки похожих текстов и поиска парафразов. Она принимает текст и выдаёт векторные представления, которые можно сравнивать по близости. Доступны варианты форматов PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO; для работы используются библиотека sentence-transformers или Transformers с подходящей операцией pooling. Модель опубликована под лицензией Apache-2.0. README не приводит отдельной оценки качества или специальных ограничений; при использовании для семантического поиска точность зависит от данных и выбранного способа сравнения векторов.

sentence-transformers/paraphrase-MiniLM-L3-v2 — модель sentence-transformers для преобразования предложений и абзацев в плотные векторы размерностью 384. Она основана на архитектуре BERT и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель обучена командой sentence-transformers; в карточке указаны 18,8 млн параметров и библиотека sentence-transformers. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать или использовать для группировки похожих фрагментов. Контекст составляет до 512 токенов. Доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0.

Craig/paraphrase-MiniLM-L6-v2 — копия модели sentence-transformers/paraphrase-MiniLM-L6-v2, обученной командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель основана на BERT, содержит 25,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Метаданные feature-extraction позволяют получать векторные представления через Transformers; для корректной обработки выходов без Sentence-Transformers требуется подходящий pooling. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

paraphrase-MiniLM-L6-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для поиска по смыслу, сравнения текстов и кластеризации. Архитектура основана на BERT; модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска и сопоставления текстов по смыслу, в том числе как компонент поисковых и кластеризационных систем. Лицензия Apache-2.0 разрешает свободное использование на её условиях. В карточке не заявлены языки обучения или гарантии качества для конкретных языков; качество может зависеть от языка и предметной области.