I.2Синтез, понимание и проверка знаний

unsloth/Qwen3-1.7B-Base-unsloth-bnb-4bit — 4-битная версия базовой языковой модели Qwen3-1.7B-Base, разработанной командой Qwen. Модель относится к causal language models и предназначена для предобучения, генерации и продолжения текста, а также для адаптации под прикладные задачи с помощью дополнительного обучения или тонкой настройки. Модель содержит 1,7 млрд параметров, из которых 1,4 млрд не относятся к embedding, и включает 28 слоёв. Она использует Grouped-Query Attention с 16 головами для Q и 8 для KV, поддерживает контекст длиной до 32 768 токенов и обучалась на данных на 119 языках, включая материалы по программированию, STEM, рассуждениям и мультиязычным задачам. README не указывает полный перечень поддерживаемых языков и модальности, поэтому модель следует считать текстовой. Ключевые преимущества — компактный размер, сниженные требования к памяти благодаря 4-битному представлению и поддержка длинного контекста. Это делает модель подходящей для локального запуска и ресурсоограниченных сред, однако по возможностям и качеству она уступает более крупным моделям, а как базовая предобученная версия не предназначена непосредственно для диалогового использования без дополнительной настройки. Для работы рекомендуется актуальная версия библиотеки transformers; версия ниже 4.51.0 вызывает ошибку распознавания архитектуры Qwen3. Модель распространяется по лицензии Apache-2.0.

MingZwhy/Qwen3-1.7B-W1.88-QAOPD — производная компактной языковой модели Qwen3-1.7B, представленная автором MingZwhy. Весовые коэффициенты квантованы до эффективных 1,88 бита: основная часть блоков хранится в смешанном формате INT1.58/INT4, а эмбеддинги и выходная голова — в INT4; активации — INT8. Квантование включено в веса, модель загружается для оценки через Transformers. Модель предназначена для генерации текста и диалогов; в README приведены результаты на математических задачах, вопросах и задачах программирования. Контекстное окно составляет 40 960 токенов. Модель унаследовала многоязычность базовой Qwen3, но конкретные поддерживаемые языки в предоставленных данных не перечислены. По опубликованным тестам она уступает исходной версии Qwen3-1.7B BF16, особенно на математических бенчмарках. Лицензия — Apache-2.0.

zeromodels/qwen3.5-9b — конвертированная для Keras 3 мультимодальная модель на основе Qwen3.5-9B от команды Qwen. Она принимает изображения и текст и генерирует текст; текстовый вариант загрузки использует языковую часть без визуального энкодера. Архитектура включает визуальный модуль Qwen3-VL и плотный текстовый декодер с гибридом Gated-DeltaNet и gated full attention. Веса хранятся в формате bfloat16; одна реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для диалогов и анализа изображений с текстовыми запросами, а также для текстовых сценариев с использованием языковой части. В метаданных указаны 9 млрд параметров у базовой модели Qwen3.5-9B. Репозиторий лицензирован по Apache 2.0; подробности об исходной модели и условиях её использования следует сверять с карточкой Qwen/Qwen3.5-9B.

Qwen3.8-27B-ANE — пакет квантованной INT4-модели Qwen3.8-27B для локального вывода на компьютерах Apple Silicon. Разработчик — True2456; модель основана на Qwen/Qwen3.8-27B и распространяется по лицензии Apache-2.0. Это плотная текстовая генеративная модель для диалогов и работы с инструментами, запущенная через библиотеку qwen-ane на Apple Neural Engine без использования Metal GPU. Архитектура включает 64 слоя: 48 слоёв Gated DeltaNet и 16 слоёв полновнимательной обработки. Пакет занимает около 16 ГБ: INT4-веса находятся в quant_cache, а отдельные тензоры хранятся в F16 и BF16. Для запуска нужны Apple Silicon, macOS и qwen-ane; карточка сообщает об измерениях на M5 Max с macOS 27. Несмотря на компактный формат и низкое энергопотребление, генерация сравнительно медленная: на M5 Max указано около 3,4–4,3 токена в секунду для коротких запросов. Это специализированный runtime-пакет, а не полный дамп весов для загрузки через Transformers.

Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic-MLX-4bit — неофициальная MLX-конверсия модели medismera/Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic, опубликованная uzzero для локального запуска на компьютерах Apple Silicon. Исходная модель основана на Qwen/Qwen3.8-27B, разработанной Qwen и Alibaba Cloud. Дополнительное обучение при конвертации не проводилось. Модель предназначена для диалоговых сценариев, работы с инструментами и агентских приложений, включая извлечение структурированных данных и обработку результатов вызова инструментов. Сохранена мультимодальная конфигурация qwen3_5 с поддержкой image-text-to-text, однако возможности работы с изображениями и видео в README не подтверждены тестированием. Языки и максимальная длина контекста не указаны; в LM Studio загрузка проверялась с контекстом 8192 токена. Используется 4-битное affine-квантизование MLX с размером группы 64. Весовая часть занимает примерно 16,05 ГБ и распределена по 16 файлам safetensors; отдельные мультимодальные модули сохранены в формате с плавающей точкой. Модель проверена на загрузку в oMLX и LM Studio, а также на синтетических задачах извлечения данных и вызова демонстрационного инструмента. Эти проверки не доказывают превосходство над базовой моделью, качество после квантизации или надежность в реальных агентских сценариях. Не оценивались длинный контекст, производительность, реальные почтовые процессы и общая надежность агентов; для автоматизации следует задавать явную JSON Schema и валидировать типы вывода. Распространяется по лицензии Apache License 2.0 с сохранением исходных уведомлений об авторских правах. Для работы с инструментами клиент должен самостоятельно передавать определения инструментов, выполнять выбранные вызовы и возвращать результаты; сама модель не подключается к внешним сервисам и не планирует задачи.

gguk2on/qwen3-8B-step_min_g8_b384_math — дообученная с помощью TRL модель Qwen/Qwen3-8B. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров для генерации текста в диалоговом формате; в карточке показан пример ответа на открытый вопрос. Метаданные указывают контекстное окно 40 960 токенов и формат весов safetensors. Модель предназначена для диалоговой генерации текста. В названии указано math, однако карточка не описывает математические возможности, данные обучения или результаты оценки, поэтому специализацию на математике подтвердить нельзя. Модель доступна под лицензией базовой Qwen/Qwen3-8B; README не сообщает условия лицензии.

ggml-org/Qwen3-Reranker-0.6B-Q8_0-GGUF — это модель для ранжирования текста, преобразованная в формат GGUF из базовой модели Qwen/Qwen3-Reranker-0.6B. Конвертация выполнена с использованием llama.cpp через сервис GGUF-my-repo от ggml.ai; исходная модель разработана командой Qwen. Модель предназначена для оценки релевантности текстовых пар или результатов поиска и может применяться в системах информационного поиска, семантического поиска и других сценариях, где требуется переупорядочить документы по соответствию запросу. Модель имеет размер 0,6 млрд параметров и поставляется в квантизированном варианте Q8_0 в формате GGUF, что ориентировано на использование с совместимыми инструментами экосистемы llama.cpp. В README не указаны архитектурные детали, поддерживаемые языки, длина контекста, модальности, конкретные показатели качества или ограничения применения, поэтому оценить эти характеристики невозможно. Лицензия — Apache-2.0.

RoBERTa base — предварительно обученная языковая модель FacebookAI на архитектуре Transformer-энкодера, содержащая 151,8 млн параметров. Она обучена на англоязычных текстах методом masked language modeling: восстанавливает скрытые токены в контексте, используя информацию как слева, так и справа. Модель чувствительна к регистру и принимает последовательности длиной до 514 токенов. Модель подходит для заполнения пропусков в английском тексте и как основа для дообучения под задачи классификации последовательностей и токенов, а также ответа на вопросы. Для свободной генерации текста она не предназначена. Обучающие данные включают BookCorpus, Wikipedia, CC-News, OpenWebText и Stories; их интернет-содержимое может приводить к предвзятым предсказаниям. Лицензия — MIT.

Карточка модели miaosiyu-ai-2026/roberta-base на Hugging Face совпадает с карточкой FacebookAI/roberta-base, поэтому описание составлено по ней. RoBERTa base — предварительно обученная языковая модель FacebookAI на архитектуре Transformer-энкодера, содержащая 151,8 млн параметров. Она обучена на англоязычных текстах методом masked language modeling: восстанавливает скрытые токены в контексте, используя информацию как слева, так и справа. Модель чувствительна к регистру и принимает последовательности длиной до 514 токенов. Модель подходит для заполнения пропусков в английском тексте и как основа для дообучения под задачи классификации последовательностей и токенов, а также ответа на вопросы. Для свободной генерации текста она не предназначена. Обучающие данные включают BookCorpus, Wikipedia, CC-News, OpenWebText и Stories; их интернет-содержимое может приводить к предвзятым предсказаниям. Лицензия — MIT.

RoBERTa-Base-MRQA — англоязычная модель для извлекающего ответа на вопросы, выпущенная VMware в рамках совместного исследовательского проекта с Innovation Foundry/AIM-AHEAD Lab при Howard University. Она принимает вопрос и контекстный фрагмент текста, затем выделяет ответ из этого фрагмента; подходит для поиска по текстам, чат-ботов и систем поддержки клиентов. Модель основана на RoBERTa-Base, имеет около 151,8 млн параметров и контекстное окно 514 токенов. Она обучена на 516 819 примерах датасета MRQA и доступна в форматах PyTorch и Safetensors. Карточка приводит результаты оценки по Exact Match и F1, но качество может снижаться на вопросах и текстах вне распределения MRQA. Модель рассчитана на английский язык и может хуже справляться с другими языками и узкоспециализированными знаниями. Лицензия — Apache-2.0.

Rohit_AI_CSharp_Model — дообученная Rohitmlp0344655 разговорная модель генерации текста на архитектуре Llama. Она создана на базе unsloth/llama-3-8b-Instruct-bnb-4bit и предназначена для диалогового взаимодействия и генерации текста. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно 8192 токена. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Источники не уточняют специализацию модели на задачах C# или её результаты на конкретных тестах.

RoPERT-base-cased — предварительно обученный англоязычный двунаправленный энкодер семейства MyBERT, разработанный авторами репозитория kd13/RoPERT-base-cased. Он использует цель masked language modeling (MLM): модель восстанавливает скрытые токены по контексту слева и справа. Архитектура включает 12 слоёв, скрытый размер 768 и 12 attention-голов; содержит около 107,2 млн параметров, использует WordPiece-токенизатор с регистрозависимым словарём google-bert/bert-base-cased и поддерживает контекст до 2048 токенов. По сравнению с исходным BERT-base, RoPERT использует rotary position embeddings (RoPE), SwiGLU и pre-layer normalization. Модель предназначена для предсказания маскированных токенов и как энкодер для дообучения на классификации текста и токенов, извлечении ответов на вопросы и задачах выбора ответа. Она не предназначена для генерации текста. Для загрузки требуется Transformers с trust_remote_code=True и PyTorch. Опубликованные веса имеют формат float32, лицензия — MIT. Модель обучалась на англоязычных данных из Wikipedia, веб-текстов и BookCorpus. Ограничения: она рассчитана только на английский язык, чувствительна к регистру и не принимает последовательности длиннее 2048 токенов без усечения или разбиения. В обучающих данных могут присутствовать общественные предубеждения и нежелательные закономерности.

Ruri-Small — модель эмбеддингов японского текста, разработанная cl-nagoya для представления предложений и текстовых фрагментов в виде векторов. Это Sentence Transformer на базе cl-nagoya/ruri-pt-small; модель дообучена для задач сходства предложений. Она выдаёт векторы размерности 768, а сходство между ними можно оценивать косинусной близостью. Модель предназначена для поиска и сопоставления японских текстов, оценки семантического сходства, ранжирования результатов, классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов. В оценке JMTEB Ruri-Small показала средний результат 71,53. Модель работает с японским языком и распространяется по лицензии Apache 2.0. README рекомендует для новых проектов более поздние модели семейства Ruri v3.

Ruri-Small v2 — модель эмбеддингов японских текстов от cl-nagoya, созданная дообучением cl-nagoya/ruri-pt-small-v2. Это Sentence Transformer на архитектуре DistilBERT с 68 млн параметров. Модель кодирует предложения и тексты в векторы размерностью 768; для сравнения используется косинусное сходство. Модель предназначена для поиска по смыслу, оценки сходства предложений, ранжирования и других задач, где нужно сопоставлять японские тексты. Максимальная длина входа — 512 токенов. На JMTEB модель получила среднюю оценку 73,30; в README указано, что доступны более новые модели Ruri v3. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache 2.0.

gmonsoon/SahabatAI-Rebase-8B-Test — объединённая разговорная языковая модель на архитектуре Llama 3, созданная с помощью mergekit методом SLERP из GoToCompany/llama3-8b-cpt-sahabatai-v1-instruct и mlabonne/Daredevil-8B. Модель содержит около 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста; базовая модель ориентирована на индонезийский, яванский, сунданский и английский языки. Её можно применять для чат-ботов, ответов на вопросы и создания текстов на этих языках. В репозитории указана лицензия Apache 2.0.

BenBranyon/sumbot7b-augmented — дообученная BenBranyon модель генерации текста на архитектуре Qwen2, основанная на unsloth/qwen2.5-7b-instruct-bnb-4bit. Она предназначена для диалоговой генерации текста; метаданные также указывают интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL. В качестве языка указан английский. Модель распространяется по лицензии Apache-2.0. README не уточняет конкретные области применения, особенности обучающих данных и измеренные показатели качества.

T3Q-ko-solar-sft-v1.0 — разговорная языковая модель, разработанная Chihoon Lee и компанией T3Q. Это модель семейства Llama с плотной архитектурой LlamaForCausalLM и 10,6 млрд параметров, дообученная методом SFT на основе davidkim205/nox-solar-10.7b-v4. Она предназначена для генерации текста и ведения диалогов. Модель принимает текст и выдаёт текст; заявленная длина контекста — 4096 токенов. В карточке указан набор данных kyujinpy/KoCommercial-NoSSL. Модель распространяется по лицензии Apache-2.0.

TEmA-small — дообученная на базе многоязычной BERT-модели LaBSE модель для сравнения смысловой близости азербайджанских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; базовая модель LaBSE строит общее пространство эмбеддингов для 109 языков. Репозиторий содержит веса PyTorch объёмом около 168,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, кластеризации текстов и ранжирования предложений по смысловой близости. В README приведены результаты сравнительных тестов STS и показатели точности при использовании косинусного, манхэттенского и евклидова расстояний. Модель распространяется по лицензии CC BY 4.0. Специализация заявлена для азербайджанского языка; результаты на других языках в карточке отдельно не подтверждены.

Tercet-R-1.0 — диалоговая языковая модель семейства Tercet, разработанная автором репозитория kerzgrr. Это дообученная версия kerzgrr/Tercet-base, предназначенная для следования инструкциям, рассуждений и взаимодействия с инструментами через интерфейс вызова функций в формате SmolTalk JSON. Модель построена на гибридной архитектуре TinyGDN: 32 слоя GDN-2 и GQA, со скрытым размером 1024; веса опубликованы в bfloat16. Карточка указывает около 502 млн параметров, тогда как метаданные каталога — 392,2 млн. Нативная длина контекста по метаданным — 32 768 токенов. Модель принимает текст и генерирует текстовые ответы или вызовы инструментов. В карточке описан переключатель режима рассуждений, позволяющий выводить ход рассуждения либо только ответ. Модель ориентирована на англоязычный чат; среди обучающих данных указаны наборы для инструкций, рассуждений и вызова функций. Лицензия — Apache-2.0. Автор характеризует модель как компактную исследовательскую и периферийную модель, а не систему передового уровня. Для запуска требуется flash-linear-attention; совместимость с GGUF и llama.cpp в карточке не заявлена.

UMLS-ED-Bioformer-16L-V-1.25 — дообученная модель Sentence Transformers на базе UMLS-ED-Bioformer-16L-V-1, разработанная Pankaj Rajdeo. Она кодирует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и сравнения медицинских и биомедицинских текстов. Архитектура — BERT с усреднением токенных представлений; максимальная длина последовательности составляет 1024 токена, а сходство можно оценивать косинусной мерой. Модель обучалась с triplet loss на парах медицинских текстов и терминов UMLS. Её можно применять для поиска близких формулировок, сопоставления терминов, кластеризации и отбора кандидатов для классификации. В примерах обучающих данных встречаются тексты на нескольких языках, однако точный перечень поддерживаемых языков не задан. Лицензия в предоставленных данных не указана.

USMED — модель эмбеддингов предложений на базе Sentence Transformers, разработанная Swapnil Vishwakarma путём дообучения sentence-transformers/multi-qa-MiniLM-L6-cos-v1. Модель преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения семантической близости; сходство оценивается косинусной мерой. Архитектура включает BertModel, усреднение токенных представлений и нормализацию. Максимальная длина входа — 512 токенов; модель содержит 25,9 млн параметров. Модель предназначена для семантического поиска, сопоставления медицинских товарных наименований и других текстов, поиска перефразировок, кластеризации и классификации текста. Обучающие пары включают названия медицинских изделий и их варианты, поэтому модель может быть полезна для поиска похожих наименований в медицинских каталогах. Карточка указывает библиотеку sentence-transformers и формат safetensors. Лицензия в предоставленных данных не указана.

xb3b-1.1 — языковая модель разработчика xgmab123 для генерации текста и диалогов. Она основана на Llama и дообучена от xgmab123/xb3b-1.0 с использованием Unsloth и TRL. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Предназначена для текстового общения и генерации; в метаданных также заявлен интерфейс вызова инструментов. Основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о данных дообучения.

Yadana1-Gem3-1B-Base — текстовая модель на архитектуре Gemma 3, разработанная shoonthitsa и дообученная на unsloth/gemma-3-1b-it. Она предназначена для генерации текста в диалоговых сценариях; карточка модели указывает семейство conversational и возможность чата. Модель содержит 1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. В карточке нет сведений о специальной предметной области или подробной оценке качества; это компактная текстовая модель общего назначения.

zephyr-7b-dpo-full — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная командой Alignment Handbook методом DPO на датасете HuggingFaceH4/ultrafeedback_binarized поверх alignment-handbook/zephyr-7b-sft-full. Она предназначена для генерации текста и ответов в диалоге; контекст составляет до 32 768 токенов. В README приведены метрики оценки на тестовой выборке, включая точность предпочтений 0,7539 и разницу наград 0,9980. Модель подходит для чат-ботов, генерации ответов и диалоговых приложений. Карточка не описывает поддерживаемые языки, поэтому языковые возможности нельзя уточнить. Ограничения и целевые сценарии использования подробно не раскрыты. Модель распространяется по лицензии Apache-2.0.

zephyr-7b-gemma-sft — диалоговая языковая модель, дообученная автором li-muyang на базе google/gemma-7b с использованием набора HuggingFaceH4/deita-10k-v0-sft. Модель содержит 8,2 млрд параметров, построена на плотной архитектуре Gemma и предназначена для генерации текста в диалоговом формате. Её можно использовать для ответов на вопросы, ведения диалога и других сценариев генерации текста. Максимальная длина контекста составляет 8192 токена. В README указано значение loss 1,1043 на наборе оценки, но дополнительных результатов или описания методики оценки нет. Модель распространяется по лицензии Gemma. README не содержит подробных сведений о предполагаемом применении и ограничениях; условия лицензии следует учитывать при использовании.

ShenaoZ/0.001_sft_nodpo_3iters_bs256_531lr_iter_2 — разговорная языковая модель Mistral, дообученная на базе ShenaoZ/0.001_sft_nodpo_3iters_bs256_531lr_iter_1 на исходном и обновлённом наборах данных. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текст для генерации текста в диалоговом формате. Родной контекст — до 32 768 токенов. Модель предназначена для генерации текста и ответов на вопросы в разговорных сценариях. README не приводит подробностей о качестве, оценке или конкретных целевых сценариях. Репозиторий распространяется в формате safetensors по лицензии MIT.

AndesVL-2B-Thinking — мультимодальная языковая модель из линейки AndesVL, разработанной для эффективного запуска на мобильных и периферийных устройствах. Она построена на языковой модели Qwen3-1.7B и визуальном энкодере AIMv2-Large; общий размер составляет около 2,055 млрд параметров. Модель принимает изображения и текст и предназначена для диалоговых задач с визуальным вводом, включая ответы на вопросы по изображениям, анализ нескольких изображений, рассуждения, работу с насыщенными текстом изображениями и интерфейсами GUI. В карточке описаны оптимизация для edge-развёртывания и семейная архитектура «1+N» LoRA с фреймворком QALFT для адаптации задач и сжатия. Для конкретного чекпойнта указана лицензия Apache-2.0. В метаданных Hugging Face основная задача помечена как image-text-to-text; также отмечена поддержка text-generation. Заявленные характеристики относятся к линейке AndesVL и не содержат отдельных результатов бенчмарков именно для версии 2B-Thinking.

B0-9B-GGUF — это набор квантованных файлов модели schneewolflabs/B0-9B, подготовленный пользователем mradermacher в формате GGUF. Модель связана с экосистемой Qwen3.5 и предназначена для запуска средствами, поддерживающими GGUF, включая локальные сценарии инференса. В обучении или дообучении использовались наборы данных Alembic-DPO, weasel-dpo, grok-politically-incorrect-dpo, seX-ai-dpo, i-DPO, Luna-DPO, MahouMix-v1, egirl-delegation-dpo и egirl-hemlock-dpo; заявленный язык — английский. Доступны варианты квантования от Q2_K до Q8_0, а также f16, размером примерно от 4,0 до 18,5 ГБ. Для мультимодальных сценариев предоставляются дополнительные файлы mmproj-Q8_0 и mmproj-f16, однако конкретные поддерживаемые модальности, архитектура и размер контекста в README не указаны. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как сочетающий высокое качество и скорость. Модель может быть полезна для локальных англоязычных диалоговых и агентных задач, а также сценариев использования инструментов, на что указывают теги agents и tool-use. Качество и требования к памяти зависят от выбранного уровня квантования; менее компактные варианты обычно требуют больше ресурсов, а более агрессивное квантование может снижать качество. В README отсутствуют результаты бенчмарков и подробное описание ограничений поведения. Лицензия модели — Apache-2.0.

vnktrmnb/bert-base-multilingual-cased-FT-TyDiQA-GoldP_Te — дообученная модель на архитектуре BERT для извлечения ответов на вопросы из предоставленного текста. Она основана на google-bert/bert-base-multilingual-cased и содержит 205,1 млн параметров. Модель принимает вопрос и контекст на вход и предсказывает фрагмент контекста в качестве ответа; максимальная длина контекста составляет 512 токенов. Модель предназначена для задач question answering. В README приведены результаты обучения и валидации после двух эпох, включая точность предсказания начальных и конечных позиций ответа; подробности набора данных и сценариев применения не раскрыты. Поддержка языков унаследована от многоязычной базовой модели BERT, однако целевые языки этой настройки явно не перечислены. Модель распространяется по лицензии Apache-2.0.

Это компактная модель Sentence Transformers, разработанная на основе google/bert_uncased_L-2_H-128_A-2 и дообученная на парах текстов из набора Amazon Reviews. Она преобразует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Модель использует архитектуру BERT с mean pooling. В метаданных указан контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги; обучение проводилось на 8,2 млн примеров отзывов Amazon. Указанная лицензия в предоставленных данных отсутствует.