I.2Синтез, понимание и проверка знаний

Redis дообучила эту модель Cross-Encoder на базе Alibaba-NLP/gte-reranker-modernbert-base для оценки релевантности пар текстов в задачах семантического кэширования LangCache. Модель принимает пару текстов и выдаёт один числовой score, который можно использовать для классификации пар и ранжирования ответов или документов по запросу. Модель построена на ModernBERT, содержит около 149 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Она обучена на англоязычном наборе LangCache Sentence Pairs из 1 452 533 примеров с помощью sentence-transformers и MultipleNegativesRankingLoss. Лицензия — Apache-2.0.

Карточка модели yangw1234/lfm25-da-lora16 на Hugging Face совпадает с карточкой yangw1234/lfm25-clawgym-lora32, поэтому описание составлено по ней. yangw1234/LFM25-clawgym-lora32 — дообученная модель LiquidAI/LFM2.5-2.6B, опубликованная yangw1234. Это плотная языковая модель семейства LFM2 с 2,6 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Метаданные указывают контекст до 131 072 токенов и интерфейс вызова инструментов; модель сохранена в формате Safetensors. В README сказано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для диалоговых приложений и агентных сценариев, где нужно генерировать текст или обращаться к инструментам. Базовая модель описана как многоязычная и рассчитанная на локальный запуск, RAG и задачи с длинным контекстом; карточка этой версии явно подтверждает английский язык. Модель распространяется по лицензии Apache-2.0. README не сообщает результаты оценки качества или конкретную специализацию дообучения.

VIRNECT разработала разговорную языковую модель на архитектуре Llama 3 для генерации текста на корейском и английском языках. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для диалогового использования и генерации ответов. Она дообучена на базе MLP-KTLim/llama-3-Korean-Bllossom-8B с использованием датасета AI Hub для развития возможностей крупной языковой модели на корейском языке. Весы доступны в формате safetensors для Transformers. Лицензия — Llama 3 Community License.

Merge-Gemma-2b-it-with-a-Fine-Tuned-one-for-Arabic — диалоговая модель генерации текста, созданная Ruqiya с помощью LazyMergekit. Веса объединяют Gemma 2B Instruct и модель Ruqiya, дообученную для арабского языка, методом DARE TIES; в конфигурации указана точность bfloat16. Модель содержит 2,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалога и генерации текста на арабском и английском языках. Её можно использовать для ответов на вопросы, ведения переписки и создания текстов на этих языках. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

Meta-Llama-3-8B-Instruct-FP8 — это квантизированная версия текстовой инструкционной модели Meta-Llama-3-8B-Instruct, разработанная Neural Magic. Модель предназначена для коммерческого и исследовательского использования в англоязычных ассистентских чат-сценариях: диалогов, ответов на вопросы и генерации текста. Она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и рассчитана на эффективный инференс с использованием vLLM версии 0.5.0 и выше. В основе модели лежит архитектура Meta-Llama-3 с 8 млрд параметров. Веса и активации линейных операторов внутри transformer-блоков квантизированы в формат FP8, что примерно на 50% снижает требования к дисковому пространству и GPU-памяти по сравнению с 16-битным представлением. Квантизация выполнена с помощью AutoFP8 на 512 последовательностях из UltraChat; применяется симметричная по-тензорная схема масштабирования. Средний результат на OpenLLM Leaderboard v1 составил 68,22 против 68,71 у неквантизированной версии, что указывает на небольшое снижение качества при существенной экономии ресурсов. Модель оптимизирована для англоязычных задач и не предназначена для использования на других языках согласно заявленным ограничениям. Она доступна по лицензии Llama 3, условия которой определяются лицензией Meta. Использование должно соответствовать применимым законам и требованиям лицензии.

osiria разработала MiniLM L6 H384 Italian Cross Encoder — компактную модель на базе MiniLMv2, предназначенную для ранжирования текстовых пар на итальянском языке. Она получена на основе mmarco-mMiniLMv2-L6-H384-v1 с адаптацией embedding-слоя к итальянскому языку с использованием частот слов из Википедии. Архитектура в метаданных указана как XLM-RoBERTa для классификации последовательностей; размер — 25,9 млн параметров, контекст — до 514 токенов. Модель поддерживает ранжирование и классификацию текста. Выпущена по лицензии MIT.

MISCHIEVOUS-12B-Mix_0.5v — объединённая авторами модель генерации текста на архитектуре Mistral, созданная с помощью mergekit методом SLERP из версий MISCHIEVOUS-12B-Mix_0.3v и MISCHIEVOUS-12B-Mix_0.4v. Модель содержит 12,1 млрд параметров и рассчитана на диалоги и генерацию текста; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса safetensors, а README указывает на вариант Q4_K_M в формате GGUF. Модель ориентирована на англо- и корейскоязычные сценарии. В метаданных заявлена длина контекста 1 024 000 токенов. Лицензия — Apache-2.0. В README приведены результаты Open LLM Leaderboard, включая средний балл 22,47, IFEval и BBH; эти результаты сами по себе не гарантируют качество на конкретных задачах.

illuin-conteb/modern-colbert-insent — контекстная модель встраиваний документов на основе Sentence Transformers и архитектуры ModernBERT с механизмом ColBERT. Её дообучили из lightonai/GTE-ModernColBERT-v1 на ConTEB с использованием подхода InSeNT, описанного в исследовательской статье. Модель выдаёт векторы размерности 128; для сравнения использует MaxSim и принимает последовательности длиной до 8192 токенов. Модель предназначена для поиска релевантных фрагментов с учётом контекста документа, в частности для контекстного семантического поиска и ранжирования пассажей. Карточка характеризует её как экспериментальную: авторы сообщают о перспективных результатах, но отмечают ухудшение на стандартных задачах встраиваний и необходимость дальнейшего обучения для повышения устойчивости и обобщения на новые данные. Лицензия в предоставленных данных не указана.

Xenova/ms-marco-MiniLM-L-12-v2 — это версия модели cross-encoder/ms-marco-MiniLM-L-12-v2 с весами в формате ONNX, подготовленная для работы в библиотеке Transformers.js. Модель предназначена для оценки релевантности пары текстов: например, поискового запроса и найденного документа или ответа на вопрос и контекста. Она возвращает числовой балл, который можно использовать для ранжирования результатов информационного поиска и переранжирования кандидатов. Модель относится к архитектуре MiniLM с 12 слоями и работает как модель классификации последовательностей, обрабатывая два текста совместно. В README указана совместимость с JavaScript-окружением и запуском непосредственно через Transformers.js; приведён пример применения к англоязычному запросу и двум фрагментам текста. ONNX-веса могут существовать в квантованном и неквантованном вариантах, что позволяет выбирать между меньшим размером и потенциально более высокой точностью. Сильная сторона модели — совместная оценка запроса и документа, обычно более подходящая для точного переранжирования, чем независимое построение эмбеддингов. Ограничения, параметры контекста, точный размер, поддерживаемые языки, показатели качества и лицензия в README не указаны. Условия использования следует уточнять в исходном репозитории cross-encoder/ms-marco-MiniLM-L-12-v2.

zelk12 объединил две предварительно обученные языковые модели Gemma 2 9B — MT-Merge5-GMA и MT-Merge5-MMBMUI — методом SLERP с помощью mergekit. Это плотная авторегрессионная модель для генерации текста и диалогового общения, доступная в формате safetensors; размер составляет 9 млрд параметров, контекст — до 8192 токенов. Модель подходит для генерации ответов и ведения диалога в приложениях на базе Transformers. Сведения о специальных предметных областях и поддерживаемых естественных языках в карточке не приведены. Модель распространяется по лицензии Gemma; при использовании следует соблюдать её условия.

PubMedBERT Embeddings 8M — англоязычная модель статических текстовых эмбеддингов, созданная NeuML как дистиллированная версия NeuML/pubmedbert-base-embeddings с библиотекой Model2Vec. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и построения баз знаний для RAG; подходит для сценариев с ограниченными вычислительными ресурсами и требованиями к низкой задержке на CPU или GPU. Модель оценивалась на наборах PubMed QA, PubMed Subset и PubMed Summary: результаты конкурентоспособны, но не всегда превосходят другие модели из сравнения. Размер контекста в метаданных указан как 1 000 000 токенов. Распространяется по лицензии Apache-2.0.

litert-community/Qwen2-VL-2B — это квантизированная on-device-версия мультимодальной модели Qwen2-VL-2B-Instruct, разработанной командой Alibaba Qwen и преобразованной в формат LiteRT-LM для запуска на устройствах и настольных системах. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; предназначена для локального анализа изображений, визуальных вопросов и ответов, описания сцен, подсчёта объектов, чтения документов и OCR. Архитектура включает vision encoder Qwen2-VL ViT с 32 слоями и размерностью 1280, адаптер PatchMerger и языковой декодер Qwen2-1.5B с 28 слоями, скрытым размером 1536 и GQA. Vision encoder использует фиксированный размер изображения 672×672 и формирует 576 визуальных токенов. Весовые параметры vision-части квантизированы до int8, декодера — до int4; размер файла составляет около 1,78 ГБ. Контекст KV-кэша — 4096 токенов. Поддерживаются одно или несколько изображений, а запуск возможен на macOS, Linux, Windows и совместимых мобильных устройствах через LiteRT-LM. Сильные стороны модели — локальная обработка без передачи изображений на сервер, хорошее описание сцен и ответы на общие вопросы, чтение текста в документах, подсчёт объектов и работа с таблицами. В описанных проверках она показывала точную транскрипцию синтетического документа и корректное визуальное заземление. Ограничение связано с тем, что runtime использует последовательные одномерные позиции вместо исходного M-RoPE: модель может правильно прочитать ячейки таблицы, но ошибиться при сравнении значений между строками и столбцами. Изображения принудительно приводятся к размеру 672×672, что также может ограничивать работу с мелкими деталями. Модель распространяется по лицензии Apache-2.0.

MingZwhy выпустил компактную причинно-языковую модель Qwen3-0.6B с 507,9 млн параметров. Это дообученная версия Qwen/Qwen3-0.6B: веса квантованы до эффективных 2,79 бита на параметр, после чего модель восстановлена с помощью quantization-aware distillation и on-policy distillation. Для весов используются смешанные INT1.58 и INT4 блоки, для эмбеддингов и выходной головы — INT4, для активаций — INT8. Модель загружается через Transformers и предназначена для генерации текста и диалогов; контекст составляет до 40 960 токенов. В опубликованных автором тестах модель показала результаты, близкие к исходной версии BF16 на GSM8K, MATH-500, AMC23, MBPP, HumanEval и QA9, но на части тестов уступила базовой модели. Низкая разрядность квантования сокращает требования к хранению весов, однако качество зависит от задачи и может снижаться относительно полной версии. Лицензия — Apache-2.0.

MassivDash/Qwen3-1.7B-heretic — производная модель на базе Qwen3-1.7B-Base, созданная с применением abliteration: в карточке приведены параметры изменения весов и сравнение частоты отказов. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров для генерации текста и диалогов; опубликована в формате safetensors и использует библиотеку Transformers. Модель рассчитана на многоязычные разговорные сценарии и генерацию текста. Abliteration снижает частоту отказов по сравнению с исходной моделью в приведённом тесте, но не устраняет их полностью: модель отказала в 76 из 100 случаев против 91 из 100 у оригинала. Метаданные указывают контекст до 40 960 токенов. Лицензия — Apache-2.0.

Карточка модели dragonstorm123/qwen3.5-4b-sft-base на Hugging Face совпадает с карточкой dragonstorm123/qwen3.5-4b-sft-disambiguation, поэтому описание составлено по ней. Мультимодальная модель Qwen3.5-4B, дообученная разработчиком dragonstorm123 на базе Qwen/Qwen3.5-4B с использованием Unsloth и библиотеки TRL. Предназначена для диалогового взаимодействия и задач image-text-to-text: модель принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлены возможности работы с изображениями и интерфейс вызова инструментов. Модель содержит 4 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и специальные ограничения применения; качество на конкретных задачах зависит от сценария использования.

Qwen3-8B TMax AENV v39b, итерация 89 — чекпойнт языковой модели на архитектуре Qwen3 с плотной архитектурой и 7,6 млрд параметров. Его разработали как часть запуска обучения с подкреплением tmax_aenv_v39b: политика инициализирована из willamazon1/qwen3-8b-tmax-sft-v3-iter353, которая ранее была дообучена на Qwen/Qwen3-8B. Чекпойнт получен после 89-й итерации групповой оптимизации политики на асинхронных многошаговых взаимодействиях с агентной средой. Модель предназначена для генерации диалогового текста и использования в агентных сценариях с вызовом инструментов. Она принимает текст, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors с весами bfloat16 для Transformers. Репозиторий также содержит другие чекпойнты этого запуска, что позволяет сравнивать этапы обучения. Модель распространяется по лицензии Apache-2.0. Это промежуточный чекпойнт обучения с подкреплением, поэтому его поведение и качество могут отличаться от более поздних итераций; README не приводит результатов оценки или конкретных гарантий для отдельных агентных задач.

dealignai/Qwen3.8-Flash-Next-ABLITERATED-NVFP4 — мультимодальная версия Qwen3.8-Flash-Next, разработанная dealignai. Это прямое изменение весов базовой модели без дообучения, LoRA, дистилляции или изменения шаблона чата; заявлено сохранение исходных знаний, стиля, рассуждений и калибровки. Модель предназначена для текстовых и мультимодальных сценариев с обработкой изображений и видео, включая распознавание форм, цветов, текста на изображениях, движения и объектов в видео. Поддерживаются режимы рассуждения low, medium и xhigh, а также MTP speculative decoding. Модель работает с SGLang и рассчитана на tensor parallel на двух NVIDIA DGX Spark с использованием 4-битного формата NVFP4. Размер модели, максимальная длина контекста и точный перечень поддерживаемых языков в README не указаны. По заявленным результатам, производительность на MMLU почти не изменилась относительно базовой модели: 81,93% против 82,11%. Также заявлены связная генерация без зацикливания и сохранение мультимодальных возможностей. Ключевое ограничение — удаление защитных отказов: модель описана как исследовательский артефакт без встроенных ограничений безопасности и может выполнять вредоносные, незаконные и неэтичные запросы. Использование допускается по лицензии qwen-community-license-1.0; модель предоставляется без гарантий, а ответственность за результаты и соблюдение законодательства возлагается на пользователя.

Мультимодальная модель для ранжирования, опубликованная arthurcollet и преобразованная в формат MLX из Qwen/Qwen3-VL-Reranker-2B с помощью mlx-vlm 0.3.11. Она оценивает релевантность пар запрос–кандидат и предназначена для реранжирования результатов поиска и отбора подходящих документов или визуальных материалов. Архитектура основана на Qwen3-VL-2B-Instruct; семейство Qwen3-VL поддерживает анализ изображений и видео. Репозиторий содержит веса в формате safetensors, а метаданные указывают задачу text-ranking и возможность reranking. Лицензия — Apache-2.0. README отсылает к карточке исходной модели за подробностями, поэтому конкретные характеристики ранжирования в этой карточке не раскрыты.

SambaLingo-Hungarian-Chat — диалоговая языковая модель SambaNova Systems для общения на венгерском и английском языках. Это плотная авторегрессионная модель семейства Llama с 6,7 млрд параметров и контекстом до 4096 токенов; модель доступна в формате safetensors. Модель получена прямой оптимизацией предпочтений (DPO) на базе SambaLingo-Hungarian-Base. Базовая модель адаптирует Llama 2 к венгерскому языку на корпусе Cultura-X; словарь токенизатора расширен с 32 000 до 57 000 токенов. Модель предназначена для диалоговых ответов и генерации текста на венгерском и английском. Модель может галлюцинировать, переключаться между языками или диалектами и повторять фразы; качество программирования и сложной математики может быть ограниченным. Возможна генерация токсичного или неподходящего текста. Не предназначена для критически важных решений и сценариев, влияющих на безопасность людей. Использование регулируется лицензией Meta Llama 2 Community License Agreement.

sonoisa/sentence-t5-base-ja-mean-tokens — японская модель Sentence-T5, разработанная автором репозитория. Она преобразует предложения на японском языке в векторные представления для извлечения признаков и оценки сходства предложений. Модель основана на T5-base Japanese, содержит 123,8 млн параметров и принимает последовательности длиной до 512 токенов. По сообщению автора, на его закрытом наборе данных качество сопоставимо с sonoisa/sentence-bert-base-ja-mean-tokens. Для работы требуется SentencePiece. Веса доступны в форматах PyTorch и Safetensors по лицензии CC BY-SA 4.0.

smol_llama-4x220M-MoE — языковая модель на архитектуре Mixtral с механизмом смеси экспертов, созданная автором репозитория путём слияния четырёх моделей через LazyMergekit: BEE-spoke-data/smol_llama-220M-openhermes, BEE-spoke-data/beecoder-220M-python, BEE-spoke-data/zephyr-220m-sft-full и BEE-spoke-data/zephyr-220m-dpo-full. Модель предназначена для генерации текста, включая диалоговые ответы и генерацию кода на Python. В репозитории указано 184,9 млн параметров и контекст до 2048 токенов; веса опубликованы в формате Safetensors. В качестве обучающих источников перечислены текстовые, диалоговые и кодовые наборы данных. Поддержка конкретных естественных языков не обозначена. Модель распространяется по лицензии Apache-2.0.

cnmoro/static-nomic-384-pten-v2 — статическая модель текстовых эмбеддингов, созданная с помощью Tokenlearn на базе nomic-embed-text-v2-moe. Она выдаёт векторы размерности 384 и предназначена для построения представлений текста, семантического поиска и сравнения сходства предложений. Модель обучалась в потоковом режиме на предварительно вычисленных признаковых данных с инкрементальным PCA до 384 измерений и квантованием словаря с лимитом 32 тыс. эффективных токенов. В карточке указана настройка для английского и португальского языков; датасет обучения — AllTripletsMsMarco-PTBR. Модель распространяется в формате safetensors по лицензии Apache-2.0. Как статические эмбеддинги, она подходит для сценариев, где нужны компактные векторные представления текста. Карточка сообщает о сравнении с предыдущей версией, но не приводит здесь количественных результатов; качество на иных языках и задачах может отличаться от заявленного для целевых данных.

shibing624/text2vec-base-chinese-paraphrase — модель текстовых эмбеддингов, разработанная проектом text2vec. Она основана на nghuyong/ernie-3.0-base-zh и дообучена методом CoSENT на китайских данных для сопоставления предложений и их перефразированных вариантов, включая пары «предложение — абзац». Модель кодирует текст в плотный вектор размерности 768 и предназначена для семантического поиска, оценки сходства, кластеризации и поиска перефразировок. Модель использует архитектуру ERNIE и библиотеку Sentence Transformers; размер составляет 144 млн параметров. Она принимает китайский текст, имеет контекстное окно 2048 токенов по метаданным, а в карточке указана обрезка входа свыше 256 word pieces. Форматы весов — PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Ее специализация на китайских текстах означает, что качество для других языков не подтверждено карточкой.

Vela FactCheck — дообученная модель-классификатор из семейства ModernBERT, разработанная llm-semantic-router. Она определяет, требует ли запрос внешних фактических знаний или поиска по источникам; модель не проверяет истинность утверждения. Число параметров — 306,9 млн, контекст — до 32 768 токенов с учётом специальных токенов. Модель принимает текст и выдаёт метку классификации. В карточке приведена оценка на наборе из 186 проверенных запросов: macro F1 — 88,08, точность — 88,17 по шкале 0–100. Этот набор использовался при выборе модели и не является независимым тестом; результаты не показывают качество на входах длиной 32 тысячи токенов. Модель доступна в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

bigheiniuJ/zephyr-7b-hindsight-full — диалоговая языковая модель, созданная дообучением alignment-handbook/zephyr-7b-sft-full с помощью TRL. Она предназначена для генерации текста в формате чата и ответов на пользовательские запросы. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; формат весов — safetensors, библиотека — Transformers. Контекст составляет до 32 768 токенов. Карточка демонстрирует генерацию ответа на вопрос в диалоговом формате. Модель подходит для чат-ботов, ответов на вопросы и продолжения диалога. Лицензия в предоставленных данных не указана.

vicgalle/zephyr-7b-truthy — диалоговая модель генерации текста на архитектуре Mistral, представленная в формате safetensors и содержащая 7,1 млрд параметров. Метаданные связывают её с набором данных jondurbin/truthy-dpo-v0.1; название репозитория и этот датасет указывают на дообучение, однако README не описывает методику обучения. Модель предназначена для генерации ответов в диалоге и может использоваться в чат-сценариях. Заявленная длина контекста — 32 768 токенов. README приводит результаты Open LLM Leaderboard: средний балл 61,93, AI2 Reasoning Challenge — 60,75, HellaSwag — 84,64; этих оценок недостаточно, чтобы судить о качестве во всех задачах. Модель выпущена под лицензией Apache-2.0. README не уточняет поддерживаемые языки или специальные ограничения применения.

win2win/ad-categorizer-model — дообученный разработчиком win2win энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель преобразует предложения и абзацы в плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства; архитектура включает BERT, усреднение токенов и нормализацию. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для поиска семантически похожих текстов, сопоставления описаний, поиска перефразировок и кластеризации. Её можно применять для категоризации объявлений через сравнение с текстами категорий или примерами. Карточка сообщает о дообучении на двух парах предложений, поэтому качество для широкого круга задач может быть ограниченным. Формат весов — safetensors; лицензия в предоставленных сведениях не указана.

Akshara-8B — языковая модель SVECTOR CORPORATION для понимания и генерации текста на индийских языках и английском. Она предназначена для многоходовых диалогов и сценариев вроде образовательных приложений, клиентской поддержки, создания контента и автоматизации. Модель представляет собой плотную decoder-only архитектуру Llama с 7,5 млрд параметров и контекстом до 8192 токенов. По данным карточки, это дистиллированная версия флагманской модели Akshara; заявлена поддержка хинди, гуджарати, маратхи, тамильского, телугу, каннада, панджаби и английского. Репозиторий содержит веса Safetensors для Transformers. Лицензия — Apache-2.0. К сильным сторонам относятся многоязычные диалоги и ориентация на языковое разнообразие Индии. Карточка заявляет оптимизацию для скорости и эффективности, но не приводит сравнительных оценок качества; поэтому пригодность для конкретного языка и задачи стоит проверять отдельно.

Это модель SentenceTransformer, дообученная на наборе it_project_docs на базе sentence-transformers/all-MiniLM-L6-v2. Энкодер BERT преобразует предложения и абзацы в плотные векторы размерностью 384; сходство векторов можно оценивать по косинусной мере. В метаданных указано 25,9 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения вопросов и текстов проектной документации, а также для поиска перефразировок, кластеризации и классификации текстов. Она выдаёт эмбеддинги, а не готовые ответы на вопросы. Обучение проводилось на парах вопросов и ответов из it_project_docs с функцией потерь MultipleNegativesRankingLoss. Модель рассчитана на английский язык, унаследованный от базовой модели; подтверждений поддержки других языков нет. Качество зависит от соответствия корпуса и запроса обучающим данным, а входные последовательности длиннее 256 токенов выходят за указанную в README максимальную длину. Лицензия в предоставленных данных не указана.

check2207/alqac_VNTeamVN_embedding — модель Sentence Transformers, дообученная на базе AITeamVN/Vietnamese_Embedding. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения семантического сходства, поиска и группировки текстов. В архитектуре используются XLM-RoBERTa, pooling по CLS-токену и нормализация векторов; сходство рассчитывается косинусной метрикой. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов, тогда как README сообщает максимальную длину последовательности 512 токенов. Модель ориентирована на вьетнамский язык. Её можно применять для семантического поиска, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Основа описана в карточке как модель эмбеддингов на базе BGE-M3 для вьетнамского языка. Лицензия в предоставленных данных не указана. Обучающая выборка содержит 729 примеров, поэтому качество на других языках и вне представленных сценариев может быть ограниченным.