I.2Синтез, понимание и проверка знаний

Это модель Sentence Transformers на основе BERT, дообученная разработчиком trmteb от emrecan/bert-base-turkish-cased-mean-nli-stsb-tr. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Сходство векторов можно оценивать косинусной мерой. Модель использует BERT с mean pooling, сохраняет регистр и рассчитана на последовательности длиной до 75 токенов согласно README; метаданные указывают максимальный контекст в 512 токенов. Обучающие примеры включают пары турецких текстов. Модель подходит для текстовых эмбеддингов и поиска по смыслу на турецком языке; сведения о лицензии в доступных данных отсутствуют.

hadsag/bert-base-uncased-finetuned-squad-v2 — дообученная модель BERT для извлечения ответа на вопрос из предоставленного текста. Она основана на twmkn9/bert-base-uncased-squad2 и имеет 136,7 млн параметров. Модель принимает вопрос и контекст на английском языке и возвращает фрагмент контекста как ответ; благодаря обучению на SQuAD v2 она также может определять случаи, когда в контексте нет ответа. Максимальная длина контекста — 512 токенов. Модель подходит для систем вопросов и ответов по документам и текстам, где ответ нужно найти непосредственно в контексте. Доступна в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

CamemBERT-L10 — компактная версия предварительно обученной языковой модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. Модель разработана авторами семейства CamemBERT и предназначена для обработки французского текста; в репозитории представлены веса PyTorch и Safetensors, лицензия — MIT. Модель принимает текст и выдаёт контекстные признаки токенов. Её можно использовать для masked language modeling, а основное назначение — дообучение для задач, где решение зависит от всего предложения: классификации текста, извлечения ответа на вопрос и семантического поиска. По README версия L10 удаляет 10 из предварительно обученных слоёв базовой модели; в метаданных указан размер 119 млн параметров, максимальный контекст — 514 токенов. CamemBERT-L10 не является авторегрессионной моделью и не предназначена для генерации текста. Для прикладных задач качества может потребоваться дообучение на соответствующих данных.

CamemBERT-L8 — прореженная версия предварительно обученной модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. В метаданных указаны архитектура CamemBERT, класс CamembertModel, около 100,1 млн параметров и контекст длиной до 514 токенов. Модель предназначена прежде всего для дообучения под задачи, где решение опирается на всё предложение: классификацию текста, извлечение ответов на вопросы и семантический поиск. Её также можно использовать для извлечения признаков и masked language modeling. Для генерации текста автор рекомендует авторегрессионные модели. Модель работает с текстом на французском языке. Удаление верхних слоёв уменьшает модель относительно исходной CamemBERT-base; числовой размер L8 подтверждён метаданными, а README описывает семейство вариантов с разным числом удалённых слоёв. Лицензия — MIT.

Карточка модели deven96/clip-ViT-B-32-text на Hugging Face совпадает с карточкой Qdrant/clip-ViT-B-32-text, поэтому описание составлено по ней. Qdrant подготовила ONNX-версию текстового энкодера sentence-transformers/clip-ViT-B-32 для классификации текста и поиска сходства. Модель преобразует текст в векторные представления, которые можно использовать для сравнения запросов и текстовых описаний; в карточке приведён пример запуска через FastEmbed. Модель относится к текстовой части CLIP ViT-B/32, содержит 75,6 млн параметров и рассчитана на контекст длиной до 77 токенов. Репозиторий распространяется в формате ONNX по лицензии MIT. Карточка не описывает поддерживаемые языки или ограничения точности; короткое контекстное окно ограничивает работу с длинными текстами.

Qdrant подготовила ONNX-версию текстового энкодера sentence-transformers/clip-ViT-B-32 для классификации текста и поиска сходства. Модель преобразует текст в векторные представления, которые можно использовать для сравнения запросов и текстовых описаний; в карточке приведён пример запуска через FastEmbed. Модель относится к текстовой части CLIP ViT-B/32, содержит 75,6 млн параметров и рассчитана на контекст длиной до 77 токенов. Репозиторий распространяется в формате ONNX по лицензии MIT. Карточка не описывает поддерживаемые языки или ограничения точности; короткое контекстное окно ограничивает работу с длинными текстами.

CShorten/CORD-19-Title-Abstracts-1-more-epoch — модель Sentence Transformers на архитектуре BERT с 25,9 млн параметров, создающая плотные векторы размерности 384 для предложений и абзацев. Она предназначена для семантического поиска и кластеризации текстов; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель можно применять для поиска научных публикаций по смыслу, группировки похожих аннотаций и сравнения текстовых фрагментов. Она обучалась на данных CORD-19, поэтому ориентирована на заголовки и аннотации научных работ о COVID-19 и смежных темах. Максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

ml6team разработала эту модель как дообученный cross-encoder на базе distilbert-base-multilingual-cased. Она оценивает пары «запрос — абзац» и подходит для переранжирования результатов поиска: каждому кандидату модель присваивает оценку релевантности. Модель обучалась один проход на MMARCO — машинно переведённой версии MS MARCO; для оценки использовали 2000 абзацев.

Azma-AI/deberta-base-multi-label-classifier — модель DeBERTa-v3-base, дообученная с многозадачным обучением на 600 задачах классификации и понимания языка. Она предназначена для классификации текста по заданным категориям без отдельного обучения на этих категориях, а также для задач определения языкового следования и дальнейшей адаптации под новые задачи. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В README отмечена высокая точность zero-shot-проверки на ряде задач; также заявлена совместимость с tasksource-adapters. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

DeepSeek-R1-Distill-Qwen-14B-3MPER0RR-abliterated — экспериментально изменённая версия DeepSeek-R1-Distill-Qwen-14B от 3MPER0RR. Это плотная 14-миллиардная языковая модель на архитектуре Qwen2 для диалогов и генерации текста; в карточке указано, что модель протестирована и сохранена. Она унаследовала от базовой модели поддержку рассуждений, в том числе для математических и программных задач, и контекст до 131 072 токенов. Модель рассчитана на разговорное взаимодействие и текстовые запросы. README описывает её как модифицированную, «abliterated» экспериментальную версию, но не уточняет метод изменения и не приводит результатов сравнительных оценок, поэтому нельзя установить, как оно повлияло на качество и поведение. Лицензия — MIT.

DeepSeek-R1-Distill-Qwen-7B-heretic — языковая модель для генерации текста и рассуждений, разработанная пользователем saidutta69 на основе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Вариант создан с помощью Heretic v1.4.0 методом directional ablation («abliteration»): целевые изменения весов в выходных проекциях attention и down-проекциях MLP подавляют поведение, связанное с отказами, без дополнительного fine-tuning. Заявляется, что при этом знания и способность следовать инструкциям в основном сохранены. Модель предназначена для разработчиков, которым нужна компактная reasoning-модель примерно на 7,6 млрд параметров для диалогов, генерации текста и задач, требующих рассуждений. Указан английский язык и текстовая модальность. Доступны веса BF16 и GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0; модель можно запускать через Transformers, llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Для работы рекомендуется GPU с 8–12 ГБ памяти, а Q4_K_M подходит для потребительского оборудования и CPU-only или Apple Silicon при наличии достаточного объёма оперативной памяти. Размер контекста в README не указан. К сильным сторонам относятся сохранение базовых возможностей исходной модели, поддержка рассуждений и широкий выбор квантизаций для локального запуска. Ключевое ограничение и одновременно особенность — намеренное подавление отказов: модель может выполнять запросы, от которых базовая версия отказалась бы, включая потенциально небезопасные, и не содержит дополнительного слоя фильтрации. Модель распространяется на условиях deepseek-research-license, унаследованных от базовой модели.

unsloth/DeepSeek-V3-0324-GGUF-UD — это набор динамически квантованных версий DeepSeek-V3-0324, подготовленный Unsloth на базе модели deepseek-ai/DeepSeek-V3-0324 в формате GGUF. Модель предназначена для локального запуска через llama.cpp, LM Studio, Open WebUI и другие совместимые фреймворки инференса. В метаданных указано, что основной язык модели — английский. Доступны варианты с эффективной разрядностью от 1,78 до 4,5 бит и размером файлов примерно от 192 до 384 ГБ. Квантизация Dynamic v2.0 выполняется выборочно; в README заявлено, что это позволяет сохранить более высокую точность по сравнению со стандартными методами квантизации. Модель использует архитектуру MoE, что отражено в описании разрядности компонентов смеси. Версии 2,42 бит IQ2_XXS и 2,71 бит Q2_K_XL рекомендованы как наиболее удачные по соотношению производительности и размера; для запуска желательно иметь не менее 180 ГБ совокупной VRAM и RAM. Сильными сторонами являются возможность локального использования крупной модели в распространённых GGUF-фреймворках и оптимизированная динамическая квантизация. Ограничениями выступают чрезвычайно высокие требования к памяти и большой объём файлов. Варианты IQ1_S и IQ1_M обозначены как предварительные: по результатам тестирования они обычно работают нормально, но иногда хуже справляются с генерацией кода. В метаданных указана лицензия MIT.

DeepSeek-V4-Flash-162B-GGUF — это квантизированная версия модели DeepSeek-V4-Flash-162B в формате GGUF, опубликованная пользователем 0xSero. Модель предназначена для текстовой генерации и локального запуска в совместимых средах, включая сценарии развёртывания на NVIDIA DGX Spark. Репозиторий содержит профиль Q2-REAP-ds4, созданный на основе checkpoint с применением метода REAP для сжатия MoE-модели. Модель содержит 162 млрд параметров, занимает около 149 ГБ на диске и использует специализированную схему квантизации: IQ2_XXS для маршрутизируемых gate/up-экспертов, Q2_K для маршрутизируемых down-экспертов и Q8_0 для общих, выходных и attention-проекций. Заявлена поддержка контекста до 200 000 токенов; валидация проводилась на DGX Spark. Данные о количестве слоёв, размере скрытого представления, активных параметрах, языках и мультимодальности в README не указаны. Сильными сторонами являются существенно уменьшенный размер относительно полноточной версии, поддержка длинного контекста и наличие опубликованных измерений производительности. Ограничение заключается в том, что эти GGUF-файлы используют специфическую структуру тензоров и метаданные DeepSeek-V4 Flash и не предназначены для generic llama.cpp без поддержки соответствующего формата. В README указана лицензия MIT, унаследованная от базовой модели.

Diver-Retriever-0.6B — модель текстовых эмбеддингов и ранжирования AQ-MedAI, дообученная на Qwen/Qwen3-Embedding-0.6B. Она предназначена для семантического поиска и сопоставления запросов с документами, в том числе в задачах, требующих рассуждений. При обучении использовались данные по математике, программированию и медицине с подобранными по сложности негативными примерами. Модель поддерживает китайский и английский языки, имеет 507,6 млн параметров и контекст до 32 768 токенов; архитектура относится к семейству Qwen3. README отмечает результаты на Bright и MTEB-Medical, но не приводит здесь полные таблицы оценок. Распространяется в формате safetensors по лицензии Apache-2.0.

OmarAlsaabi/e5-base-mlqa-finetuned-arabic-for-rag — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для сценариев поиска по арабским вопросам и документам MLQA. Она преобразует предложения и абзацы в плотные векторы размерности 768, подходящие для семантического поиска, ранжирования по сходству и кластеризации. Модель содержит около 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для поиска релевантных фрагментов в RAG-системах и сопоставления арабоязычных запросов с текстами. В README указано обучение с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий использует формат safetensors; лицензия в предоставленных данных не указана.

Embedding-Amharic-Base — модель Sentence Transformers, разработанная rasyosef и дообученная на базе rasyosef/roberta-base-amharic для поиска по амхароязычным текстам. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализует их и сравнивает по косинусному сходству. Архитектура включает XLM-RoBERTa с усреднением токенных представлений; максимальная длина последовательности в карточке указана как 510 токенов, а контекст в метаданных — 512 токенов. Модель подходит для семантического поиска и извлечения релевантных фрагментов, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки поиска на датасете dim_768: cosine recall@10 — 0,9051 и cosine nDCG@10 — 0,8037; при усечении векторов до 256 измерений указаны 0,902 и 0,7978 соответственно. Лицензия — MIT.

ERNIE 2.0 ENE, дообученная модель на архитектуре BERT для классификации пар вопросов из набора QQP датасета GLUE. Разработчик дообучил её на базе nghuyong/ernie-2.0-en; модель предназначена для определения, задают ли два вопроса один и тот же вопрос, например, при поиске похожих вопросов или удалении дубликатов. В README указаны результаты оценки: accuracy 0,9157 и F1 0,8861. Модель содержит 136,7 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана.

ModernBERTić-large — энкодер на архитектуре ModernBERT-large, разработанный Permitt для боснийского, хорватского, черногорского и сербского языков. Модель содержит 395 млн параметров и принимает последовательности длиной до 8192 токенов. Она обучена предсказывать замаскированные токены и подходит для классификации последовательностей и токенов, понимания длинных документов, а также как основа для дообучения ретриверов и реранкеров. Архитектура включает 28 слоёв, скрытый размер 1024 и 16 голов внимания. Используются RoPE, чередование локального внимания с окном 256 токенов и полного внимания, а также FlashAttention 2. Модель обучена на корпусе из 66 млрд токенов BCMS-текста; заявлены результаты уровня state of the art на SuperGLUE-SR и применение в производственных функциях платформы Recrewty. Лицензия — Apache-2.0. Токенизатор рассчитан на латинскую графику: кириллический текст рекомендуется предварительно транслитерировать. В обучающих данных преобладают хорватский и сербский языки, а код, разговорный чат и узкоспециальные научные тексты представлены слабее. Это энкодер, который не генерирует связный текст.

GATE-AraBert-v1 — модель эмбеддингов арабского текста, разработанная Omartificial-Intelligence-Space. Это Sentence Transformer на архитектуре BERT, дообученный в многозадачном режиме для сопоставления смысла предложений. Модель создаёт векторы размерности 768 и использует косинусное сходство для сравнения текстов. Модель предназначена для семантического поиска, поиска похожих предложений и оценки смыслового сходства арабских текстов. В обучении использованы наборы данных AllNLI и STS; метаданные также указывают Arabic-stsb и Arabic-NLi-Pair-Class. Максимальная длина последовательности — 512 токенов, число параметров — 162,4 млн. Модель принимает текст и выдаёт эмбеддинги; для использования предусмотрена библиотека Sentence Transformers. Модель лицензирована по Apache-2.0. Результаты зависят от предметной области и качества входных текстов; карточка приводит оценку на STS-бенчмарках, но не гарантирует качество для любых задач или доменов.

GeM2-Llamion-14B-Base — генеративная языковая модель VAIV Company из серии GeM 2.0. Она создана преобразованием модели Orion в стандартную архитектуру LLaMA с помощью отображения параметров и переноса знаний. Модель предназначена для генерации текста и диалоговых сценариев. Это плотная авторегрессионная модель класса LlamaForCausalLM с 14,1 млрд параметров, контекстом 4096 токенов и весами в формате safetensors. В карточке указана возможность чата. Лицензия — Apache-2.0. В README не приведены сведения о языках, обучающих данных и конкретных ограничениях качества, поэтому их нельзя уточнить по имеющимся источникам.

Gemma-2-Ataraxy-v4a-Advanced-9B — объединённая текстовая языковая модель, созданная lemon07r методом SLERP с помощью mergekit на основе lemon07r/Gemma-2-Ataraxy-v3-Advanced-9B и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25. Модель построена на архитектуре Gemma 2, содержит 9 млрд параметров и рассчитана на генерацию текста в диалоговых сценариях. Она принимает текст и выдаёт текст; родной контекст составляет 8192 токена. В README приведены результаты оценивания на IFEval и BBH, но их недостаточно, чтобы делать выводы о качестве в иных задачах. В доступных материалах лицензия и поддерживаемые естественные языки не указаны.

zeromodels публикует версию Gemma 4 E2B IT в формате Keras 3. Это конверсия весов Google Gemma 4, реализованная для запуска с TensorFlow, Torch и JAX; в репозитории веса хранятся в bfloat16. По README, модель принимает изображения, аудио и текст и выдаёт текст, а также поддерживает текстовый диалог через Gemma4Processor и инструменты генерации текста. Указан размер 5,1 млрд параметров с эмбеддингами и 2,3 млрд эффективных параметров; базовая модель — google/gemma-4-E2B-it. Семейство Gemma 4 использует скользящее окно внимания на 512 токенов для варианта E2B, но полный контекст модели в карточке не уточнён. Модель подходит для диалогов, ответов по изображениям и аудио и генерации текста. README отсылает к карточке Google за подробностями о модели и условиях использования; лицензия репозитория — Apache 2.0.

Gemma 4 E4B IT для RK1828 — мультимодальная инструктивная модель Google DeepMind, подготовленная проектом t-firefly для запуска на плате Rockchip RK1828 через LlamaPi. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration; репозиторий содержит форматы GGUF и Safetensors. В карточке указано, что исходная модель принимает текст, изображения и аудио и формирует текстовые ответы. Модель предназначена для диалога, рассуждений, программирования и мультимодальных сценариев на устройствах и периферийных системах. Она также заявлена для многоязычных и агентных задач. Для запуска README приводит команду LlamaPi `llamapi run gemma4:e4b`. Модель основана на `google/gemma-4-E4B-it`; лицензия репозитория — Apache 2.0. Описание не приводит подробностей о поддерживаемых языках, длине контекста или ограничениях качества; качество и доступность функций могут зависеть от конфигурации запуска на RK1828.

Карточка модели marafx2007/gpt-oss-20b-heretic на Hugging Face совпадает с карточкой p-e-w/gpt-oss-20b-heretic, поэтому описание составлено по ней. p-e-w/gpt-oss-20b-heretic — текстовая разговорная модель на архитектуре GPT-OSS, созданная на основе openai/gpt-oss-20b с помощью abliteration, направленной на снижение отказов. В карточке приведено сравнение: в тесте на 100 запросах модель отказала в 58 случаях против 100 у исходной модели; KL-дивергенция составила 0,96. README также описывает базовую модель как MoE с 21 млрд параметров и 3,6 млрд активных параметров, контекстом 131 072 токена и форматом Harmony; метаданные репозитория при этом указывают 1,6 млрд параметров. Модель предназначена для диалога, генерации текста и локальных или специализированных сценариев. Базовая модель поддерживает настраиваемый уровень рассуждений, вызов функций и агентные сценарии; в этом репозитории заявлено снижение числа отказов, но приведённый тест не гарантирует поведение на других запросах. Для корректной работы следует использовать формат Harmony. Лицензия — Apache-2.0.

ibm-granite/granite-4.2-8b-nvfp4 — это версия модели Granite-4.2-8B в формате NVFP4, разработанная IBM. Репозиторий основан на базовой модели ibm-granite/granite-4.2-8b и предназначен для использования с библиотекой Transformers. Из доступных данных известно, что модель относится к языковым моделям и имеет размер 8 миллиардов параметров в базовой версии. Формат NVFP4 ориентирован на более компактное представление модели, однако конкретные сведения о поддерживаемых языках, архитектуре, длине контекста, модальностях, целевых сценариях и результатах оценки в карточке не приведены. Модель может быть полезна как оптимизированное представление Granite-4.2-8B для задач, где важны совместимость с Transformers и снижение требований к хранению или вычислениям, но преимущества и ограничения NVFP4 для конкретного оборудования не указаны. Модель распространяется по лицензии Apache-2.0.

GTE-ModernColBERT-SauerkrautLM-linear-merge — демонстрационная модель, созданная слиянием весов двух чекпойнтов средствами Sentence Transformers: lightonai/GTE-ModernColBERT-v1 и VAGOsolutions/SauerkrautLM-Multi-ModernColBERT. Для объединения применён линейный метод с равными весами 0,5; модель сохранена в формате safetensors. Это не специализированный релиз, дообученный под конкретную задачу. Модель на архитектуре ModernBERT предназначена для получения много-векторных представлений текста и задач семантического сходства, поиска документов и переранжирования результатов. Она принимает текст, поддерживает контекст до 8192 токенов и содержит 149 млн параметров. Базовые модели ориентированы на англоязычный семантический поиск; отдельные языковые возможности слитой версии в карточке не уточнены. Модель может служить компонентом поискового конвейера, где эмбеддинги используются для сопоставления запросов и документов. Поскольку это демонстрационное слияние, качество для конкретных наборов данных и задач не гарантируется. Лицензия в предоставленных данных не указана.

Hemmingway-1-Heretic-Text — текстовая версия модели darrellbest/Hemmingway-1-Heretic, подготовленная как база для дообучения текста и вызова инструментов. Это плотная авторегрессионная модель Qwen3.5 с архитектурой Qwen3_5ForCausalLM, 22,3 млрд параметров и контекстом до 262 144 токенов; репозиторий содержит веса safetensors и не включает визуальную башню. Модель разработана на основе Hemmingway-1 от Altworld; её веса языковой модели побайтно совпадают с соответствующей частью основного репозитория. Модель рассчитана на генерацию текста в диалогах и на дообучение с помощью PEFT, TRL или Unsloth, в том числе для сценариев с вызовом инструментов. В карточке заявлено снижение частоты отказов и сохранение рассуждений относительно исходной модели. Это намеренно ослабленная система защитных ограничений, поэтому ответы могут не соответствовать ожиданиям по безопасному поведению. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с указанием авторства; для коммерческого использования требуется обратиться к правообладателю.

Hermes-3-Llama-3.1-8B-MLX — англоязычная диалоговая модель семейства Llama 3.1 с плотной архитектурой LlamaForCausalLM и 7,5 млрд параметров. Репозиторий mlx-community содержит версию модели в формате MLX, преобразованную из NousResearch/Hermes-3-Llama-3.1-8B с помощью mlx-lm 0.23.2. Модель предназначена для генерации текста в диалоге, следования инструкциям и взаимодействия с инструментами. Она поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. В метаданных указана лицензия llama3; для запуска README описывает использование mlx-lm.

InternVL2-8B — мультимодальная диалоговая модель с настройкой по инструкциям, разработанная командой OpenGVLab и входящая в семейство InternVL 2.0. Вариант содержит около 8,1 млрд параметров и построен из визуального энкодера InternViT-300M-448px, MLP-проектора и языковой модели internlm2_5-7b-chat; в метаданных указана архитектура InternVLChatModel и библиотека Transformers. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для диалога по изображениям, понимания документов, диаграмм и инфографики, распознавания текста на изображениях, решения визуальных научных и математических задач, а также анализа нескольких изображений и видеокадров. README указывает контекстное окно 8 тысяч токенов и обучение на длинных текстах, нескольких изображениях и видео; языковые коды отдельных языков в карточке не перечислены, указана мультиязычность. Разработчики сообщают о конкурентных результатах в задачах понимания изображений и видео, включая OCR и ответы на вопросы по документам и диаграммам. Репозиторий распространяется по лицензии MIT. Оценки в README получены на конкретных бенчмарках и настройках, поэтому сами по себе не гарантируют точность на произвольных данных; обработка видео описана через извлечение кадров.

Xenova/jina-embeddings-v2-base-en — это версия модели jinaai/jina-embeddings-v2-base-en с весами в формате ONNX, адаптированная для работы с библиотекой Transformers.js. Модель предназначена для извлечения признаков и создания векторных представлений англоязычных текстов, которые можно использовать для семантического поиска, сравнения текстов и других задач, основанных на сходстве эмбеддингов. Для получения эмбеддингов используется pipeline feature-extraction в Transformers.js с усредняющим pooling; сходство векторов можно оценивать, например, с помощью косинусной близости. Доступны варианты вычислений fp32, fp16, q8 и q4, что позволяет выбирать между точностью и требованиями к ресурсам. В README не указаны архитектура, размер модели, размерность эмбеддингов, максимальная длина контекста и точный перечень языков, поэтому эти характеристики нельзя достоверно описать. К сильным сторонам относятся совместимость с JavaScript-экосистемой Transformers.js и наличие ONNX-весов, пригодных для запуска в поддерживаемых средах, включая потенциальные веб-сценарии. К ограничениям относятся англоязычная специализация исходной модели и возможное снижение качества при квантовании. Лицензия в README не указана.