I.1Поиск и навигация по информации

Карточка модели ArchiveStudio/Qwen3-Reranker-0.6B на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

Furiosa AI публикует эту версию Qwen3-Reranker-0.6B вместе с пакетом Furiosa Executable Bundle для запуска на ускорителях FuriosaAI RNGD через Furiosa-LLM. Модель построена на плотной трансформерной архитектуре Qwen3 и содержит около 507,6 млн параметров. Она принимает текстовый запрос и набор текстовых документов-кандидатов, оценивает релевантность каждой пары и выдаёт оценки для сортировки результатов. Модель предназначена для второго этапа поиска и конвейеров RAG: например, чтобы переупорядочивать найденные документы перед передачей языковой модели. Контекст составляет до 40 960 токенов. В репозитории указана точность BF16 без квантизации; для RNGD применяется распараллеливание по восьми PE на одной карте. Также заявлена совместимость с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0.

Qwen3-Reranker-0.6B — плотная языковая модель для переранжирования текстовых кандидатов, разработанная командой Qwen. Это дообученная версия Qwen/Qwen3-0.6B-Base с 507,6 млн параметров; репозиторий содержит веса Safetensors. Модель оценивает релевантность пары «запрос — текст» и помогает сортировать найденные документы или другие текстовые результаты по соответствию запросу. Модель предназначена для улучшения поиска, включая многоязычный и межъязыковой поиск, поиск по коду и конвейеры RAG. Она поддерживает более 100 языков и контекст до 40 960 токенов по метаданным; README указывает 32K. Можно задавать инструкцию под конкретную задачу. По умолчанию применяется инструкция для поиска фрагментов по веб-запросу. Результат — оценка релевантности; сырые значения являются разностью логитов, а для получения значений в диапазоне 0–1 можно применить sigmoid. Модель принимает текстовые запросы и кандидаты и возвращает оценки, по которым их можно упорядочить. Для многоязычных сценариев авторы рекомендуют формулировать инструкции на английском; в retrieval-задачах отсутствие инструкции на запросе может снижать качество примерно на 1–5%. Лицензия — Apache-2.0.

Qwen3-Reranker-0.6B-GGUF-llama_cpp — это GGUF-конверсия модели Qwen3-Reranker-0.6B, разработанной командой Qwen и подготовленной Voodisss для запуска через llama.cpp. Модель предназначена для переранжирования результатов поиска: она оценивает релевантность документов относительно запроса и может использоваться в семантическом поиске, retrieval-augmented generation (RAG), вопросно-ответных системах и дедупликации текстов. Модель относится к классу reranker и имеет размер 0,6 млрд параметров. Она работает с текстовыми запросами и документами, поддерживает специальную классификацию релевантности yes/no и рассчитана на использование через endpoint /v1/rerank в llama-server с настройками pooling rank и embedding. В примере конфигурации указан контекст до 32768 токенов. Сведения о поддерживаемых языках в README не приведены. Ключевое преимущество сборки — корректная конвертация специфичных для reranker компонентов, включая классификатор, метаданные ранжирования и chat template; благодаря этому она выдаёт осмысленные оценки релевантности, в отличие от некоторых GGUF-сборок, возвращающих некорректные значения. Для квантования Q4_K_M заявлено уменьшение размера примерно втрое по сравнению с F16 при потере качества около 0,3% на тесте MTEB AskUbuntuDupQuestions. Более низкие варианты Q4_0 и Q3_K_M снижают качество примерно на 2%, а Q2_K показывает существенную деградацию. Модель следует использовать именно через /v1/rerank, поскольку endpoint /v1/embeddings для reranker-моделей возвращает нулевые значения. Модель распространяется по лицензии Apache 2.0.

mlx-community/Qwen3-Reranker-0.6B-mxfp8 — преобразованная в формат MLX модель-реранкер сообщества mlx-community, полученная из Qwen/Qwen3-Reranker-0.6B с помощью mlx-embeddings 0.0.3. Она оценивает релевантность пары запроса и документа, чтобы ранжировать результаты поиска или выбрать наиболее подходящие фрагменты для системы RAG. Модель основана на плотной архитектуре Qwen3 с примерно 508 млн параметров и поддерживает контекст до 40 960 токенов. Репозиторий предназначен для запуска через mlx-embeddings. В метаданных указаны Apache-2.0 и формат safetensors. Исходная модель-реранкер Qwen3 преобразована в MLX; заявлено назначение для ранжирования текста.

Qwen3-Reranker-0.6B-seq-cls — вариант Qwen3-Reranker-0.6B, преобразованный в модель классификации последовательностей. Это плотная модель архитектуры Qwen3 с 507,6 млн параметров, дообученная на базе Qwen/Qwen3-0.6B-Base и предназначенная прежде всего для ранжирования текстовых пар. Она оценивает релевантность документа запросу, чтобы переупорядочить кандидатов в поиске или RAG-системе; также в метаданных указана поддержка классификации текста. Модель рассчитана на многоязычные сценарии: карточка заявляет поддержку более 100 языков, включая языки программирования. Она подходит для поиска по тексту и коду, межъязыкового поиска и отбора документов по запросу. Входные инструкции можно настраивать под задачу; README сообщает, что инструкции часто улучшают результаты ранжирования. Метаданные указывают контекст до 40 960 токенов, а README — 32K. Для работы с Transformers требуется версия 4.51.0 или новее. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Furiosa AI публикует эту версию Qwen3-Reranker-4B вместе с Furiosa Executable Bundle для запуска на ускорителе FuriosaAI RNGD через Furiosa-LLM. В основе — плотный трансформер Qwen3 с 3,7 млрд параметров; модель принимает текстовый запрос и набор документов-кандидатов, оценивает их релевантность и помогает упорядочить результаты поиска. Контекст модели — до 40 960 токенов. Модель предназначена для второго этапа поиска, в том числе для reranking в RAG-системах. README указывает на BF16 без квантизации и поддержку параллелизма по тензорам на одном RNGD с восемью PE. Репозиторий также сообщает о совместимости с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0. Метаданные указывают английский язык карточки; базовая модель описана как мультиязычная, поэтому она подходит для ранжирования текстов на разных языках, хотя конкретный перечень языков здесь не приведён.

DCC-BS/Qwen3-Reranker-4B-FP8-Dynamic — это динамически квантизованная версия модели Qwen/Qwen3-Reranker-4B, разработанной командой Qwen и подготовленной DCC-BS. Модель предназначена для переранжирования текстовых документов и пассажей: она оценивает релевантность документов запросу и может использоваться в поисковых системах, системах вопросно-ответного поиска и других конвейерах retrieval-augmented generation. Модель работает с текстовой модальностью и рассчитана на многоязычные сценарии; качество проверялось на корпусе Wikipedia в рамках MTEB для 16 языков, при этом в README приведены результаты для немецкого, английского и итальянского языков. Квантизация выполнена в формате FP8_DYNAMIC с использованием llm-compressor: веса представлены в статическом per-channel FP8, а активации масштабируются динамически для каждого токена во время инференса. Token embeddings и lm_head оставлены в формате bfloat16, чтобы сохранить точность оценки по логитам yes/no. Размер весов уменьшен с 7,49 до 4,83 ГиБ, примерно на 35%, что позволяет высвободить видеопамять под KV-кэш и обслуживать более длинный контекст на GPU с ограниченной памятью. В примере конфигурации vLLM используется максимальная длина контекста 32768 токенов, однако README не утверждает, что это предельный контекст самой базовой модели. По результатам проверки на WikipediaRerankingMultilingual среднее значение map_at_1000 практически не изменилось относительно версии bfloat16: 0,9674 против 0,9675, а ни один из проверенных языков не потерял более 0,0100. Модель предназначена для запуска через vLLM в формате compressed-tensors. Нативная FP8-арифметика поддерживается GPU Ada и Hopper с compute capability 8.9 и выше; на Ampere используется Marlin, при этом экономия памяти сохраняется, а скорость примерно не меняется. Лицензия в README не указана.

QuantFactory/Qwen3-Reranker-4B-GGUF — это квантизированная версия модели Qwen3-Reranker-4B, созданная QuantFactory на основе Qwen/Qwen3-4B-Base с использованием llama.cpp. Модель предназначена для переранжирования текстовых результатов: оценки релевантности документов поисковому запросу и улучшения порядка выдачи. Она может применяться в системах текстового и кодового поиска, retrieval-augmented generation, классификации и других сценариях, где требуется выбрать наиболее подходящие фрагменты среди найденных кандидатов. Модель содержит около 4 млрд параметров, имеет 36 слоёв и поддерживает контекст длиной до 32K токенов. Она работает с текстом, поддерживает более 100 языков, включая языки программирования, и рассчитана на многоязычный, кросс-языковой и кодовый поиск. Модель поддерживает пользовательские инструкции, позволяющие адаптировать ранжирование под конкретную задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. Квантизация в формате GGUF и использование llama.cpp могут снизить требования к ресурсам и упростить локальный запуск, однако конкретные характеристики производительности зависят от варианта квантизации и оборудования. README не содержит точных данных о формате квантизации, аппаратных требованиях, скорости инференса и результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

Lipdog/Qwen3-Reranker-4B-mlx-fp16 — модель ранжирования текстов на базе Qwen3 с 3,7 млрд параметров, подготовленная для запуска в формате MLX. README указывает, что она получена конвертацией Qwen/Qwen3-Reranker-4B с помощью mlx-lm версии 0.28.3. Модель оценивает релевантность текстовых кандидатов запросу и предназначена для сортировки результатов поиска и других задач ранжирования. Модель принимает текст и выдаёт оценки релевантности, которые можно использовать для упорядочивания документов или ответов. Она поддерживает контекст длиной до 40 960 токенов; метаданные указывают задачи text-ranking и text-generation, но основное назначение — реранжирование. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-Reranker-4B-seq-cls — мультиязычная модель для повторного ранжирования текстовых пар, опубликованная tomaarsen как вариант Qwen3-Reranker-4B, преобразованный в модель классификации последовательностей. Она оценивает соответствие запроса и кандидата, чтобы сортировать результаты поиска, извлечения документов и кода. Модель основана на плотной архитектуре Qwen3 с 3,7 млрд параметров; карточка указывает поддержку более 100 языков и контекст до 32 тысяч токенов, а метаданные — 40 960 токенов. Модель подходит для reranking в поисковых и RAG-системах, а также для оценки релевантности текстов и классификации. README рекомендует настраивать инструкцию под задачу и сценарий; для многоязычного применения инструкции советуют писать по-английски. Для работы с Transformers требуется версия 4.51.0 или новее, иначе возможна ошибка распознавания архитектуры Qwen3. Лицензия — Apache-2.0.

Qwen3-Reranker-4B-seq-cls-vllm-fixed — версия Qwen/Qwen3-Reranker-4B, преобразованная в архитектуру классификации последовательностей и настроенная для совместимости с vLLM. Модель оценивает релевантность пары «запрос — текст» и предназначена для повторной сортировки результатов поиска. Она использует плотную архитектуру Qwen3ForSequenceClassification, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. По карточке модели, преобразование из CausalLM в SequenceClassification сохраняет результаты исходного реранкера, но значительно сокращает классификационную голову и вычисления при оценке. Модель распространяется по лицензии Apache-2.0. Указанная настройка рассчитана на использование с vLLM.

PXY107kWqS/Qwen3-Reranker-8B-bnb-4bit — это 4-битная квантованная версия модели Qwen3-Reranker-8B из семейства Qwen3, разработанного командой Qwen. Квантование выполнено с использованием библиотеки BitsAndBytes; модель предназначена для ранжирования текстов и используется как CrossEncoder для оценки релевантности пар «запрос — документ». Лицензия — Apache-2.0. Модель содержит около 8 млрд параметров, поддерживает контекст длиной до 32K токенов и более 100 языков, включая языки программирования. Она подходит для повторного ранжирования результатов текстового и кодового поиска, multilingual- и cross-lingual retrieval, а также других сценариев, где требуется упорядочить документы по соответствию запросу. Модель поддерживает пользовательские инструкции, адаптированные под задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. Квантирование использует int4 с типом nf4, вычислениями в bfloat16, хранением квантованных данных в uint8 и без двойного квантования. Это снижает требования к памяти по сравнению с полной версией, но может влиять на точность и производительность; конкретные требования к оборудованию и результаты тестов в карточке не приведены. Модель возвращает необработанные значения logit-разницы, которые можно использовать для сравнения релевантности документов.

Qwen3-Reranker-8B-mxfp8 — конвертированная в формат MLX модель reranker из семейства Qwen3, опубликованная сообществом mlx-community на основе Qwen/Qwen3-Reranker-8B. Она предназначена для ранжирования текстовых кандидатов по релевантности запросу, например для сортировки результатов поиска или отбора фрагментов для RAG. Модель имеет плотную авторегрессионную архитектуру Qwen3 и 7,6 млрд параметров; базовый контекст составляет 40 960 токенов. Метаданные указывают поддержку генерации текста и ранжирования, но основное пользовательское назначение — reranking. Репозиторий содержит веса safetensors, а README описывает конверсию в MLX с помощью mlx-embeddings 0.0.3. Лицензия Apache-2.0.

tomaarsen/Qwen3-Reranker-8B-seq-cls — версия Qwen3-Reranker-8B, преобразованная в модель классификации последовательностей. Она оценивает релевантность пары «запрос — документ» и подходит для повторного ранжирования найденных текстов, включая многоязычный и кодовый поиск. В каталоге указано 7,6 млрд параметров, архитектура Qwen3ForSequenceClassification и контекст до 40 960 токенов; веса опубликованы в формате safetensors. Модель дообучена на Qwen/Qwen3-8B-Base. README описывает семейство Qwen3 Reranker как мультиязычное, с поддержкой более 100 языков и длинных текстов; в этой копии модель используется через интерфейс классификации последовательностей. Лицензия — Apache-2.0. Для Transformers старше версии 4.51.0 проблем с распознаванием архитектуры Qwen3 не указано; более ранние версии могут выдавать ошибку KeyError: 'qwen3'.

Карточка модели Schnappson/qwen-reranker-ai-act-1e-8pn-138q на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

tomaarsen выпустил англоязычный CrossEncoder на базе answerdotai/ModernBERT-base, дообученный библиотекой sentence-transformers на парах запрос–ответ с бинарными метками релевантности. Модель содержит 149 млн параметров и обрабатывает последовательности длиной до 8192 токенов; для каждой пары текстов она выдаёт оценку, пригодную для ранжирования и оценки сходства. Модель предназначена прежде всего для повторного ранжирования результатов поиска и семантического поиска, а также может использоваться для оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README приведены результаты оценки на NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Для применения подходят сценарии, где нужно оценивать пару «запрос — документ» или сравнивать два текста. Это текстовая encoder-модель, а не генератор ответов: она оценивает пары входных текстов. Обучающие данные в карточке описаны как набор из 19,99 млн пар query/answer с бинарными метками. Условия лицензии в предоставленных данных не указаны.

Это англоязычный CrossEncoder, дообученный командой tomaarsen на answerdotai/ModernBERT-base с библиотекой Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их соответствия; её основное применение — ранжирование найденных документов по запросу, а также оценка семантического сходства и классификация текстовых пар. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает последовательности длиной до 8192 токенов. Она обучалась на данных Natural Questions и оценивалась на задачах переранжирования, включая NQ и наборы NanoBEIR; карточка приводит метрики MAP, MRR@10 и NDCG@10. Модель рассчитана на английский язык. Лицензия в предоставленных сведениях не указана.

Это англоязычная модель Cross-Encoder, разработанная tomaarsen и дообученная на датасете MS MARCO от answerdotai/ModernBERT-base с помощью библиотеки sentence-transformers. Она совместно обрабатывает запрос и документ и выдаёт оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. Модель содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; результаты показывают улучшение метрик ранжирования относительно указанной в README базы сравнения. Модель распространяется по лицензии Apache-2.0.

Den4ikAI/rubert-tiny2-retriever — русскоязычная модель эмбеддингов на базе BERT, опубликованная пользователем Den4ikAI. Она преобразует предложения и абзацы в плотные векторы размерности 312 для сравнения семантической близости, поиска и кластеризации. Модель обучена с ContrastiveLoss на косинусном расстоянии и распространяется в формате PyTorch; размер составляет 29 млн параметров, контекст — до 2048 токенов. Модель подходит для семантического поиска по русскоязычным текстам, ранжирования кандидатов по смысловому сходству и группировки похожих высказываний. Для использования с Transformers требуется корректно выполнить pooling контекстных представлений токенов; Sentence-Transformers предоставляет готовый интерфейс. Лицензия — MIT. В карточке не приведены результаты оценки, поэтому качество на конкретных наборах данных следует проверять отдельно.

ru-e5-large — компактная версия многоязычной модели эмбеддингов intfloat/multilingual-e5-large, опубликованная Sergei Bratchikov. Она использует архитектуру XLM-RoBERTa и предназначена для извлечения признаков и получения векторных представлений текста, в частности для текстового поиска и сопоставления по смыслу. Из словаря исходной модели оставлены 69 382 токена, выбранные по данным CulturaX для кириллических текстов и английского языка; соответствующие эмбеддинги перенесены на новые идентификаторы токенов. Автор сообщает, что модель не дообучалась и сохраняет качество исходной модели на кириллице и английском. Размер модели — 473,7 млн параметров, контекст — 514 токенов. Сокращённый словарь уменьшает объём весов и расход памяти при обучении. Модель подходит для сценариев, где важны русскоязычные и другие кириллические тексты, а также английский. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют; проверьте лицензию репозитория перед использованием.

ARGA100/ru-reranker-modernbert-small — компактная модель-реранкер для русского языка, разработанная ARGA100. Это cross-encoder на базе deepvk/RuModernBERT-small с архитектурой ModernBertForSequenceClassification и 34,4 млн параметров; она оценивает пару «запрос — документ» и помогает упорядочить найденные документы по релевантности. Для обучения использовалась выборка из 3,2 млн русскоязычных пар запросов и документов ARGA100/ru-reranker-mega. Модель предназначена для улучшения результатов поиска и ранжирования кандидатов в системах ответа на вопросы и RAG. В README заявлены NDCG@10 0,74444 на MTEB RuBQReranking и скорость инференса примерно втрое выше указанной модели сравнения BCE-reranker-base_v1; эти показатели приведены автором карточки. Метаданные указывают контекст до 8192 токенов, тогда как README задаёт максимальную длину последовательности 2048 токенов. Модель принимает текстовые пары и выдаёт оценки релевантности для ранжирования. Она дообучена на русскоязычных данных, но базовая модель поддерживает русский и английский. Распространяется по лицензии MIT.

asaakyan/ruRoPEBert-e5-base-512-allRU-authorship — модель Sentence Transformers, дообученная на базе Tochka-AI/ruRoPEBert-e5-base-512 для сопоставления русскоязычных текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического сходства, поиска, выявления перефразировок, кластеризации и классификации текстов. В основе — RoPEBert с усреднением токенных представлений; сходство векторов оценивается косинусной мерой. Максимальная длина входа — 512 токенов. Модель подходит для ранжирования документов по смысловой близости к запросу, группировки похожих текстов и выявления сходных формулировок. В карточке указаны 2 465 773 обучающих примера с парами предложений и метками, а также контрастивное обучение. Репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

jangedoo разработал Sentence Transformer на базе intfloat/multilingual-e5-small, дообучив его на наборах данных для непальского поиска по вопросам и ответам, электронной коммерции, межъязыкового поиска и общих текстов. Модель преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT-трансформера, усредняющего пулинга и нормализации эмбеддингов. Модель принимает текст, поддерживает непальский и английский языки и обрабатывает последовательности до 512 токенов. Её можно применять для поиска релевантных документов, подбора ответов и межъязыкового поиска; README также приводит оценки на наборах для семантического сходства и перевода. Чекпойнт опубликован в формате safetensors и рассчитан на использование с библиотекой Sentence Transformers. Лицензия в предоставленных сведениях не указана.

ricardo-filho/sbertimbau-large-allnli-mnrl — модель Sentence-Transformers на архитектуре BERT, созданная для получения плотных векторных представлений предложений и абзацев. Она кодирует текст в векторы размерности 1024 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. Контекст ограничен 512 токенами. В репозитории представлены веса PyTorch; для использования подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

Это дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанный автором репозитория tjohn327. Модель кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для семантического поиска, сравнения текстов и связанных задач. Архитектура основана на BERT: среднее объединение токенных представлений и нормализация выходного вектора. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; в README максимальная длина последовательности указана как 256 токенов. Модель обучена на 21 376 парах текстов с использованием MultipleNegativesRankingLoss. Она может применяться для поиска похожих документов, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текстов. README приводит результаты оценки информационного поиска на наборе dev-evaluation. Модель использует библиотеку Sentence Transformers и распространяется в формате safetensors. Язык обучения и лицензия в предоставленных сведениях не обозначены; базовая модель описана как англоязычная.

Карточка модели Youmnaaaa/Semantic-model на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

embedingHF/Sentence_Transformer — модель эмбеддингов предложений на базе BERT, разработанная в рамках Community week Hugging Face для проекта по обучению моделей sentence embeddings на миллиарде пар. Она дообучена контрастивным методом на объединении крупного набора текстовых пар; в README названа исходной предобученной моделью nreimers/MiniLM-L6-H384-uncased. Модель преобразует предложения и короткие абзацы в плотные векторы размерности 384 для семантического поиска, сравнения предложений и кластеризации. Модель принимает текст и возвращает векторное представление. README указывает усечение входа длиннее 256 word pieces; при обучении длина последовательности ограничивалась 128 токенами. Метаданные указывают 25,9 млн параметров, контекст 512 токенов, английский язык и библиотеку Sentence Transformers. Репозиторий распространяется по лицензии Apache-2.0.

yunyu/sentence-transformers-e5-small-v2 — модель эмбеддингов на архитектуре BERT, опубликованная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска, кластеризации и сравнения текстов. Модель содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. Лицензия в доступных данных не указана.

embaas разработала модель эмбеддингов на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель можно использовать в сценариях семантического поиска и группировки текстовых фрагментов. Модель поставляется в формате PyTorch и рассчитана на входные последовательности длиной до 514 токенов. Лицензионные условия в предоставленных данных не описаны.