I.2Синтез, понимание и проверка знаний

Qwen2.5-VL-32B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это квантизированная AWQ-версия модели Qwen2.5-VL-32B-Instruct с 32 млрд параметров, предназначенная для обработки изображений, видео и текстовых запросов. Указанный язык — английский; точный размер контекста в README не приведён. Модель распознаёт и анализирует объекты, текст, диаграммы, графики, значки и структуру документов на изображениях, поддерживает визуальную локализацию с помощью bounding boxes и точек, а также формирование структурированных данных из счетов, форм, таблиц и сканов. Она рассчитана на визуальные вопросы и ответы, математические и логические задачи, анализ документов, понимание видео длительностью более часа с поиском релевантных моментов, а также сценарии визуального агента, включая управление компьютером и телефоном. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. Для видео используются динамические разрешение и частота кадров, а также временное позиционирование mRoPE. AWQ-квантизация может снизить требования к памяти и ускорить инференс, однако по приведённым оценкам уступает полной версии по MMMU, MMBench и MathVista, сохраняя сопоставимый результат на DocVQA. Модель распространяется по лицензии Apache-2.0.

Brian6145/Qwen3.6-27B-Claude-Opus-DeepSeek-Distilled-Imatrix-MTP-GGUF — квантизированная модель в формате GGUF на базе Qwen/Qwen3.6-27B, разработанная Brian6145. Модель предназначена для локального запуска, агентских сценариев, использования инструментов, ReAct-подхода и выполнения длинных последовательностей задач. Заявлены улучшения в структурированном рассуждении, оркестрации инструментов, следовании инструкциям, математике и логическом выводе за счёт дистилляции из Claude Opus, DeepSeek и математических и логических моделей. Модель поддерживает английский и китайский языки и ориентирована на генерацию текста. Указаны архитектурная база Qwen3.6-27B, квантизация q4_k_m, поддержка speculative decoding через MTP и работы с длинным контекстом, однако точный размер контекстного окна не приведён. В README заявлены результаты BenchLocal 6-pack — 86,5, GPQA-Diamond-198 — 83,84% и MMLU-500 — 91,80%, а также высокая эффективность в задачах вызова инструментов, поиска ошибок и структурированного вывода. Ограничения включают некоторое снижение результата в DataExtract-15 по сравнению с базовой моделью и чувствительность агентного поведения к параметрам генерации. Рекомендуются temperature 0.6 и top_p 0.95; для заявленной производительности также указан режим q4_k_m с MTP=3. Модель распространяется по лицензии Apache-2.0.

Это GGUF-представление модели Qwen3.6-35B-A3B от команды Qwen компании Alibaba, подготовленное FreedomAISVR и основанное на NVFP4 Fast-квантизации Unsloth. Модель мультимодальная, с архитектурой MoE: 35 млрд параметров всего и около 3 млрд активных на токен; текстовая часть использует 40 слоёв с гибридом Gated DeltaNet и полнослойного внимания, а для изображений и видео предусмотрен визуальный энкодер на базе SigLIP. В репозитории есть файл модели NVFP4 и отдельный vision-проектор F16. Модель предназначена для диалогов, анализа изображений и видео, работы с инструментами и агентных задач, включая программирование. Заявлены контекст 262 тыс. токенов с возможностью расширения через YaRN и поддержка Multi-Token Prediction для ускорения декодирования. README сообщает о более высокой пропускной способности Fast-варианта по сравнению с другими NVFP4-квантованиями при конкурентных результатах бенчмарков; фактическая скорость зависит от оборудования и среды запуска. Для полной выгрузки на GPU рекомендуется не менее 32 ГБ видеопамяти; оптимальная производительность заявлена на NVIDIA Blackwell B200. Модель распространяется по лицензии Apache-2.0. Это производная модель в формате GGUF с NVFP4-квантизацией; для обработки изображений нужен отдельный файл vision-проектора. Указаны английский и китайский языки, поэтому качество на других языках не следует считать подтверждённым.

Qwen3.7-Max — флагманская модель серии Qwen3.7, разработанная Alibaba. Она принимает и выдаёт текст и предназначена для агентных сценариев, включая программирование, работу с офисными задачами и повышение продуктивности. Карточка модели отмечает сильные стороны в задачах кодирования и офисной работы. В метаданных Hugging Face указана задача генерации текста и дата публикации 21 мая 2026 года. Сведений о размере, длине контекста, языках, лицензии и ограничениях в доступных материалах нет.

RadixArk Qwen3.8-2.4T-A95B-NVFP4 — квантизированная версия причинно-следственной языковой модели Qwen3.8-2.4T-A95B, созданной Qwen. Квантизацию выполнила RadixArk с использованием NVIDIA Model Optimizer и схемы experts-only NVFP4; RadixArk не обучала и не дообучала модель. Архитектура — Transformer Mixture-of-Experts с 2,4 трлн общих параметров и 95 млрд активируемых параметров. Модель предназначена для генерации текста, AI-агентов, чат-ботов, RAG-систем и других текстовых приложений. Она принимает и возвращает текст, поддерживает контекст до 262 144 токенов и работает только в режиме рассуждений; мультимодальные входы и отключение thinking mode не поддерживаются. Квантизации подвергнуты линейные операторы в MLP-блоках маршрутизируемых экспертов, остальные компоненты сохраняют точность исходного чекпойнта. Для запуска рекомендуется SGLang на Linux и совместимое оборудование NVIDIA Blackwell, в частности конфигурация 8×B300; заявленная интеграция с другими платформами не указана. По приведённым оценкам на конфигурации 8×B300 модель получила 97,73% на GSM8K, 98,75% pass@1 и 100% pass@16 на AIME 2026, 70,6% pass@1 на SWE-bench Verified и 87,64% pass@1 на Terminal-Bench 2.1. Ограничения и характеристики обучения унаследованы от исходной модели; README предупреждает о возможном воспроизведении токсичных высказываний и общественных предубеждений из обучающих данных. Модель распространяется по лицензии Qwen3.8-Max, обозначенной как other.

Qwen3-Embedding-0.6B-SGLang — дообученная модель семейства Qwen3, представленная в репозитории woodx и основанная на Qwen/Qwen3-0.6B-Base. Она преобразует текст в эмбеддинги для семантического поиска и сопоставления текстов. Модель содержит около 507,6 млн параметров, поддерживает контекст до 32 768 токенов и формирует векторы размерностью от 32 до 1024 с возможностью задавать инструкцию под задачу. Модель предназначена для многоязычного поиска по текстам и коду, классификации и кластеризации текстов, поиска параллельных фрагментов на разных языках и задач семантического сходства. В карточке серии заявлена поддержка более 100 языков. Для улучшения результатов поиска рекомендуется задавать подходящую инструкцию; в многоязычных сценариях авторы советуют формулировать её на английском. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, опубликованная RedHatAI на базе Qwen/Qwen3-8B-Base. Это плотная архитектура Qwen3 с 7,6 млрд параметров; модель предназначена для получения векторных представлений текста и задач ранжирования и поиска. Метаданные указывают контекст до 40 960 токенов, а README описывает поддержку последовательностей до 32 тысяч токенов и векторы размерностью от 32 до 4096. Модель понимает пользовательские инструкции для настройки представлений под конкретную задачу. Модель подходит для семантического поиска по текстам и коду, многоязычного и межъязыкового поиска, классификации и кластеризации текстов, сопоставления параллельных текстов и оценки сходства. В README заявлена поддержка более 100 языков и приведены высокие результаты на бенчмарках MTEB; эти показатели относятся к оценкам разработчика и зависят от сценария применения. Для многоязычных сценариев README рекомендует формулировать инструкции на английском. Модель выпущена в формате safetensors и распространяется по лицензии Apache-2.0. Для загрузки через Transformers требуется версия 4.51.0 или новее, поскольку в более ранних версиях может возникать ошибка распознавания архитектуры Qwen3.

Карточка модели emee-ai/Qwen3-Embedding-8B-mxfp8 на Hugging Face совпадает с карточкой mlx-community/Qwen3-Embedding-8B-mxfp8, поэтому описание составлено по ней. mlx-community/Qwen3-Embedding-8B-mxfp8 — текстовая модель эмбеддингов семейства Qwen3, подготовленная сообществом mlx-community в формате MLX из Qwen/Qwen3-Embedding-8B. Она предназначена для получения векторных представлений текста, сравнения сходства предложений и поиска по семантической близости. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Модель подходит для семантического поиска, поиска фрагментов для RAG и ранжирования текстов по сходству. Репозиторий README указывает на формат MLX и пакет mlx-embeddings версии 0.0.3; метаданные также отмечают форматы safetensors и возможности эмбеддингов. Лицензия — Apache-2.0. Данные не подтверждают отдельную поддержку конкретных естественных языков.

YKYSpatz/ragproject — дообученная модель Sentence Transformers на базе BAAI/bge-small-en, разработанная автором репозитория YKYSpatz. Она кодирует предложения и абзацы в плотные текстовые векторы размерностью 384 для семантического поиска, сравнения сходства, поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с CLS-пулингом и нормализацией векторов; максимальная длина входа — 512 токенов, близость оценивается косинусным сходством. Модель предназначена для построения эмбеддингов и поиска по текстовым корпусам, в том числе в RAG-системах. Базовая модель BGE ориентирована на английский язык. Репозиторий указывает обучение на 254 450 примерах с TripletLoss и хранит веса в формате safetensors. Условия лицензирования в доступных данных не приведены.

clu-ling/roberta-finetuned-stsbenchmark — модель на архитектуре RoBERTa, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024 для поиска семантически близких фрагментов, кластеризации и сравнения текстов. Модель поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска и группировки текстов по смыслу. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers нужно применить подходящую операцию pooling к контекстным представлениям токенов. В README упомянуто обучение с CosineSimilarityLoss. Язык данных обучения и лицензия в предоставленных сведениях не приведены. Качество зависит от соответствия языка и тематики входных текстов данным обучения; результаты сходства следует проверять на целевом наборе.

semantic-lite — компактная многоязычная модель эмбеддингов, созданная разработчиком репозитория ukung на основе Qwen3-0.6B. Это плотная модель семейства Qwen3 с 6 слоями после сокращения исходных 28; метаданные указывают 231,1 млн параметров, а README — около 250 млн. Она преобразует текст в векторы размерности 1024 для семантического поиска, сравнения сходства, межъязыкового поиска, кластеризации, поиска дубликатов и парафраз, а также подготовки контекста для RAG и рекомендаций. Модель рассчитана на работу через sentence-transformers; в метаданных указан контекст до 40 960 токенов, тогда как README приводит максимум 8 192 токена. По карточке, модель наследует широкое языковое покрытие Qwen3; метаданные явно перечисляют английский, индонезийский, французский, испанский, немецкий, португальский, итальянский, нидерландский, японский, китайский, корейский, арабский, русский, вьетнамский, тайский, турецкий, польский, украинский, шведский, персидский, иврит и хинди. README сообщает о хорошем сходстве представлений в тесте на 22 языках и результатах выше all-MiniLM-L6-v2 на небольшом внутреннем индонезийском наборе. Лицензия — Apache-2.0. Нулевая классификация не поддерживается; короткие абстрактные запросы могут требовать асимметричных префиксов query:/passage:, а опубликованная оценка ограничена небольшим внутренним корпусом.

smart-tribune/sentence-transformers-multilingual-e5-small — модель семейства Sentence-Transformers на архитектуре BERT, разработчик которой в карточке не раскрыт. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации текстов. Модель имеет 124,3 млн параметров, принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors. Векторы можно применять для поиска текстов по смыслу и группировки похожих документов. Метаданные указывают задачи извлечения признаков и оценки сходства предложений. Название модели содержит «multilingual», однако доступные данные не перечисляют поддерживаемые языки. Лицензия в предоставленных сведениях не указана.

sam-babayev/sf_model_e5 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная пользователем sam-babayev. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, кластеризации и других задач сравнения текстов. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства; её контекст ограничен 512 токенами. Модель принимает текст и выдаёт векторные представления. В карточке не названы поддерживаемые естественные языки и конкретная предметная область. Вес репозитория опубликован в формате safetensors; лицензия в предоставленных данных не указана.

Модель hi-di-hi-base — англоязычный Sentence Transformer, дообученный автором carsondial на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и нормализует их; сходство текстов оценивается косинусной близостью. Модель построена на BERT, использует CLS-пулинг и поддерживает последовательности до 512 токенов. Модель предназначена для семантического поиска, сопоставления текстов, поиска перефразировок, кластеризации и извлечения признаков, в том числе для поиска по базе знаний. README сообщает о дообучении на 45 тысячах пар anchor-positive из набора json; приведены оценки поиска при разных размерностях эмбеддингов. Доступна по лицензии Apache-2.0.

dnth/ssf-retriever-all-MiniLM-L6-v2 — модель Sentence Transformer, дообученная на базе nomic-ai/modernbert-embed-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Архитектура включает ModernBERT, усреднение токенных представлений и нормализацию эмбеддингов; максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В карточке указаны обучающая выборка из 3016 примеров с парами и отрицательными примерами, а также оценочная выборка из 754 примеров. Метаданные называют её дообучением ModernBERT и указывают библиотеку Sentence Transformers. Модель работает с текстом и выдаёт векторы; карточка не указывает поддерживаемые естественные языки, поэтому область применения по языкам не уточняется. Лицензия в предоставленных данных не указана.

sentence-transformers/stsb-distilroberta-base-v2 — модель sentence-transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства, семантического поиска и кластеризации. Архитектура основана на RoBERTa; модель содержит 95,2 млн параметров и принимает текст длиной до 514 токенов. Модель подходит для построения векторных представлений текстов и оценки близости предложений. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Распространяется по лицензии Apache-2.0.

PaDaS-Lab/xlm-roberta-base-msmarco — модель Sentence Transformer, разработанная PaDaS-Lab и дообученная на основе FacebookAI/xlm-roberta-base. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения косинусным сходством. Модель содержит около 305,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель обучалась на примерах MS MARCO с трудными негативными примерами, найденными с помощью cross-encoder MiniLM. Она предназначена для семантического поиска и сопоставления текстов, а также может применяться для поиска перефразирований, кластеризации и классификации текстов. Это многоязычная модель на базе XLM-RoBERTa; конкретный перечень поддерживаемых языков в карточке не приведён. Лицензия — MIT. Векторы отражают сходство текстов, но сами по себе не дают объяснений релевантности; качество зависит от языка, предметной области и длины входного текста.

gte-tiny — компактная модель эмбеддингов предложений на базе архитектуры BERT, опубликованная avsolatorio. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения текстов. Модель дистиллирована из thenlper/gte-small и, согласно карточке, показывает сопоставимое, немного более низкое качество при примерно вдвое меньшем размере. Модель содержит 25,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для получения векторов можно использовать Sentence Transformers либо Transformers с подходящей операцией pooling. Лицензия и перечень поддерживаемых естественных языков в предоставленных данных не описаны.

all-distilroberta-v1 — модель Sentence Transformers на архитектуре DistilRoBERTa, разработанная в рамках Hugging Face Community Week для проекта по обучению эмбеддингов предложений на большом наборе пар. Модель дообучена на базе distilroberta-base контрастивным обучением на более чем 1 млрд пар предложений. Она преобразует предложения и короткие абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, оценки сходства и кластеризации текста. Модель принимает текст и выдаёт векторные представления. В README указано усечение входа длиннее 128 word pieces; метаданные сообщают контекстное окно 514 токенов. В карточке отмечен английский язык. Репозиторий содержит веса PyTorch и варианты ONNX, OpenVINO и safetensors. Модель распространяется по лицензии Apache-2.0. Модель подходит для поиска текстов по смыслу и группировки семантически близких фрагментов. Она не предназначена для генерации ответов; качество зависит от соответствия языка и предметной области обучающим данным, а длинные входы ограничиваются усечением.

KhaledReda разработал англоязычную модель Sentence Transformer, дообученную на sentence-transformers/all-MiniLM-L6-v2 на парах текстов с оценками сходства. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. В README указан максимальный размер последовательности 256 токенов, а метаданные задают нативный контекст в 512 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Её можно применять для получения эмбеддингов документов и вычисления релевантности пар предложений. Модель работает с английским языком; данные описаны как пары предложений с оценками, а обучение проводилось с CoSENTLoss. Модель распространяется под лицензией Apache-2.0. Это компактный энкодер с 25,9 млн параметров; фактические результаты зависят от текста и области применения, а вход длиннее ограничения последовательности может быть усечён.

BGE base ArgillaSDK Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиками модели на базе BAAI/bge-base-en-v1.5 для получения плотных эмбеддингов предложений и абзацев. Модель построена на BERT, использует пулинг CLS-токена и нормализацию векторов; размерность представления составляет 768, а сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение на 882 примерах с MatryoshkaLoss и TripletLoss позволяет использовать укороченные представления размером 512, 256, 128 или 64 измерения наряду с полными 768-мерными эмбеддингами. Максимальная длина входной последовательности — 512 токенов. Модель работает с английским текстом; лицензия — Apache-2.0.

Suva/bge-base-finetuned — модель эмбеддингов на основе архитектуры BERT, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch и Safetensors. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. Её можно применять для поиска похожих фрагментов, группировки текстов и получения векторных представлений для последующих задач. README и метаданные не указывают специализированную предметную область или поддерживаемые естественные языки. Лицензия в предоставленных данных не указана.

Shitao/bge-m3 — модель для получения векторных представлений предложений и абзацев на основе архитектуры XLM-RoBERTa. Она преобразует текст в плотные эмбеддинги размерности 1024, пригодные для семантического поиска и кластеризации. Размер модели — 658,7 млн параметров, контекст — до 8194 токенов. В карточке также указаны задачи извлечения признаков и сравнения семантического сходства. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformer, дообученная на основе BAAI/bge-m3 и разработанная автором репозитория seongil-dn. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024 для семантического поиска и сравнения текстов по косинусному сходству. Также её можно применять для поиска перефразировок, кластеризации и классификации текстов. Модель использует XLM-RoBERTa с pooling по CLS-токену; README указывает максимальную длину последовательности 1024 токена. Метаданные сообщают о контекстном окне до 8194 токенов, поэтому фактический предел обработки следует сверять с используемой конфигурацией. Репозиторий предназначен для работы с библиотекой Sentence Transformers и содержит веса в формате Safetensors. Данных о лицензии в предоставленных источниках нет.

Это модель Sentence Transformers, дообученная разработчиком карточки на базе BAAI/bge-m3. Она использует XLM-RoBERTa и преобразует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Максимальная длина последовательности в README — 1024 токена. Модель предназначена для семантического поиска и сравнения текстов; также её можно применять для поиска перефразирований, кластеризации и классификации текстов. Она выдаёт векторы признаков, которые можно использовать в системах поиска и ранжирования. Метаданные указывают поддержку многоязычных представлений через базовую BGE-M3, однако конкретные языки этой версии не перечислены. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

Deepthink-Reasoning-14B — текстовая языковая модель, разработанная PrithivMLmods и дообученная на Qwen/Qwen2.5-14B-Instruct. Это плотная авторегрессионная архитектура Qwen2 с 14 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; модель загружается через Transformers, веса представлены в формате safetensors. Модель предназначена для пошагового решения математических и логических задач, написания и отладки кода, объяснений, творческих текстов, чат-ботов и формирования структурированных ответов, включая JSON. В карточке заявлена поддержка более 29 языков и длинных текстов; метаданные указывают контекст до 32 768 токенов, поэтому заявленные в README 128K токенов не подтверждаются данными конфигурации. Модель дообучена на Math-Solve, NuminaMath-CoT и наборах QwQ-LongCoT. Модель может ошибаться или выдумывать сведения, особенно при неоднозначных запросах; качество зависит от формулировки запроса, а на длинном контексте может снижаться. Большой размер требует значительных вычислительных ресурсов. Лицензия — Apache-2.0.

much1na/distil-cohere-l2-ckpt — модель Sentence Transformers, разработанная much1na и дообученная на базе google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 512 для сравнения по косинусному сходству; архитектура состоит из BERT и mean pooling. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. В метаданных указано 40,8 млн параметров и формат safetensors. Карточка указывает обучающий набор parquet из 3 810 976 примеров. Лицензия в предоставленных данных не указана.

embedding-data/distilroberta-base-sentence-transformer — модель на базе RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 95,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель обучена с использованием TripletLoss на датасете embedding-data/QQP_triplets. Её можно применять для семантического поиска, группировки похожих текстов и вычисления сходства между предложениями. Доступны веса PyTorch; лицензия в предоставленных данных не указана.

Карточка модели vectoriseai/e5-large на Hugging Face совпадает с карточкой intfloat/e5-large, поэтому описание составлено по ней. E5-large — англоязычная модель текстовых эмбеддингов, разработанная авторами проекта E5 и обученная методом слабоконтролируемого контрастивного предобучения. Она построена на архитектуре BERT, содержит 24 слоя и 433,9 млн параметров; размер эмбеддинга — 1024. Модель принимает текст и выдаёт векторные представления для сравнения смысловой близости и поиска. Модель подходит для семантического поиска, извлечения фрагментов по запросу, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач используется «query: » перед обоими текстами. Максимальная длина входа — 512 токенов. Модель работает только с английскими текстами. Тексты длиннее лимита обрезаются, а для более высокой точности авторы рекомендуют перейти на e5-large-v2. Лицензия — MIT.

Elephant Embeddings V1 Text Small — многоязычная модель текстовых эмбеддингов от Agentic Intelligence Lab, предназначенная для семантического поиска и сопоставления в агентных системах. Это дообученный энкодер ModernBERT на базе llm-semantic-router/mmbert-32k-yarn с 306,9 млн параметров и контекстом до 32 768 токенов. Модель формирует векторы размерностью 768 и поддерживает обучение Matryoshka, позволяющее использовать сокращённые представления размерностью 512, 256, 128 или 64. Модель подходит для поиска по базе знаний и RAG, извлечения записей памяти агентов, сопоставления запросов с инструментами и маршрутами, а также для кластеризации и удаления дубликатов. README приводит оценки MTEB mean 61,4 и STS Benchmark 80,5 и сообщает о сохранении 99% качества при 256 измерениях и 98% при 64 измерениях. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Сокращение векторов или слоёв ускоряет обработку и уменьшает расходы на хранение, но может ухудшить качество; для важных финальных этапов поиска README рекомендует полные 768 измерений. Длинные входы увеличивают затраты памяти и вычислений. Модель предназначена для получения эмбеддингов и семантического сопоставления, а не для генерации текста.