I.2Синтез, понимание и проверка знаний

manu/sentence_croissant_alpha_v0.2 — модель эмбеддингов на базе архитектуры Llama, разработанная для представления предложений и абзацев в виде плотных векторов размерностью 2048. Модель построена на Sentence Transformers и предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Модель содержит 1,3 млрд параметров, принимает текст и выдаёт векторы; максимальная длина контекста составляет 2048 токенов. Она обучалась с функцией потерь MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

ys7yoo/sentence-roberta-large-klue-nli-sts-all — модель на базе RoBERTa large, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска по смыслу и кластеризации. При обучении использовалась функция потерь CosineSimilarityLoss; модель содержит 435,4 млн параметров и рассчитана на контекст до 514 токенов. Модель подходит для построения семантического поиска, группировки похожих текстов и других задач сравнения предложений по смыслу. Для использования доступны PyTorch и библиотека Sentence Transformers; при работе через Transformers требуется применить подходящую операцию pooling к контекстным эмбеддингам. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя. Указание KLUE в названии не подтверждает само по себе, какие языки модель поддерживает.

vitthalbhandari/simcse_retrain_edos_100k_128batch — модель Sentence-Transformers на базе RoBERTa, создающая плотные векторы размерности 768 для предложений и абзацев. Она предназначена для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 151,8 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Карточка не уточняет языки обучающих данных и качество на конкретных наборах оценки. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

SmallThinker-21BA3B-Instruct — языковая модель с архитектурой Mixture-of-Experts, разработанная совместно IPADS и School of AI при Shanghai Jiao Tong University и компанией Zenergize AI. Она предназначена для локального запуска на устройствах с ограниченными ресурсами, чтобы генерировать ответы без обращения к облаку. Модель содержит 21 млрд параметров, из которых активируются 3 млрд; использует 52 слоя и поддерживает контекст длиной до 16 384 токенов. Репозиторий содержит веса в формате safetensors, а карточка указывает библиотеку Transformers и возможности чата и интерфейса вызова инструментов. Модель обучена преимущественно на английском языке и подходит для диалога, ответов на вопросы, рассуждений и генерации кода. В отчёте разработчиков приведены результаты тестирования на академических и программных бенчмарках; скорость и расход памяти на CPU показаны для версии с квантованием Q4_0, тогда как в этом репозитории указаны веса safetensors. Среди ограничений — возможные фактические ошибки, предвзятость и устаревшие сведения; точность ответов необходимо проверять. Лицензия — Apache-2.0.

stella-base-en-v2 — англоязычная модель-кодировщик текста семейства Stella, предназначенная для получения векторных представлений предложений и документов. В репозитории указаны архитектура BERT, размер 136,7 млн параметров и максимальная длина последовательности 512 токенов; модель выдаёт эмбеддинги размерности 768. Модель обучена для сравнения семантической близости и поиска по тексту, включая задачи извлечения релевантных фрагментов. Для поиска не требуется добавлять к запросам или документам специальные префиксы. В описании семейства упомянуты контрастивное обучение, трудные отрицательные примеры и дистилляция для удаления инструкционных префиксов; конкретные результаты приведены для английского набора MTEB. README указывает открытые датасеты и обучение на общих корпусах, но не называет разработчика по имени. Лицензия репозитория — MIT. Ограничение контекста в 512 токенов может мешать кодированию длинных документов; заявленная языковая специализация этой версии — английский.

sigridjineth/stella_en_1.5B_v5_sigrid — англоязычная модель эмбеддингов на базе Qwen2 с 1,5 млрд параметров, созданная автором Stella на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных фрагментов по запросу и оценки семантического сходства текстов; поддерживает также извлечение признаков и текстовую классификацию. Модель обучена с использованием Matryoshka Representation Learning и позволяет получать векторы размерностью 512, 768, 1024, 2048, 4096, 6144 или 8192. В README рекомендуются промпты для поиска passage по запросу и сравнения текстов; обычно достаточно размерности 1024. Хотя метаданные указывают контекст до 131072 токенов, автор рекомендует длину последовательности 512 токенов и отмечает слабые результаты на специализированных задачах поиска по длинным текстам. Модель опубликована под лицензией MIT.

NullCoreDeveloper/stylometric-rubert-v4 — текстовая модель Sentence Transformer на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных эмбеддингов. Она подходит для поиска и сопоставления текстов по семантическому сходству, включая retrieval-сценарии. В README указаны mean pooling, векторы размерности 768 и косинусная мера сходства; метаданные указывают 205,1 млн параметров и лимит контекста 512 токенов. Модель принимает текст и возвращает векторные представления. Пример обучающих данных содержит русскоязычные фрагменты, однако сведения о поддерживаемых языках в карточке и метаданных не позволяют уверенно определить полный языковой охват. Лицензия в предоставленных источниках не указана.

Zen Designer GGUF — мультимодальная модель семейства Zen от Hanzo AI и Zoo Labs Foundation, дообученная на основе Qwen/Qwen3-VL-235B-A22B-Instruct, обработанная методом abliteration и выпущенная в формате GGUF. Это MoE-модель на 235 млрд параметров, из которых активно 22 млрд; заявленная длина контекста — 256 тыс. токенов. В репозитории указаны варианты квантизации Q2_K и Q4_K_M, а метаданные также отмечают GGUF F16. Модель предназначена для диалогов и анализа изображений, видео, документов, диаграмм, таблиц и интерфейсов, включая OCR, пространственное понимание и навигацию по GUI. README сообщает о поддержке временных рассуждений по видео и визуального определения областей. Поддерживаемые языки по метаданным: английский, китайский, японский, корейский, французский, немецкий, испанский, португальский, итальянский и русский; в карточке отдельно не выделен основной язык. Abliteration удаляет заложенные в весах отказы, поэтому поведение модели может быть менее безопасным; автор рекомендует задавать правила поведения на уровне приложения. Для локального запуска предлагается llama.cpp с отдельным файлом mmproj для визуального ввода. Модель распространяется по лицензии Apache-2.0.

gte-tiny — компактная модель для получения эмбеддингов предложений и абзацев, опубликованная avsolatorio. Она основана на архитектуре BERT, содержит 25,9 млн параметров и преобразует текст в плотные векторы размерности 384. Модель дистиллирована из thenlper/gte-small; по данным карточки, её качество сопоставимо с базовой моделью, но немного ниже при примерно вдвое меньшем размере. Эмбеддинги подходят для семантического поиска, кластеризации и сравнения сходства предложений. Контекст модели — 512 токенов. Для использования доступны веса safetensors; README описывает работу через Sentence-Transformers или Transformers с соответствующей операцией pooling. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют.

Карточка модели avsolatorio/60-600-13-1-4-2-0-0-384-512-cm_NOI_avsolatorio_GIST-all-MiniLM-L6-v2-20240511003225-best на Hugging Face совпадает с карточкой avsolatorio/GIST-all-MiniLM-L6-v2, поэтому описание составлено по ней. GIST Embedding v0 — модель векторных представлений текста, созданная Av Solatorio. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 с методом GISTEmbed: обучающие негативные примеры отбираются из MEDI и дополненных триплетами обучающих данных классификации MTEB. Модель имеет архитектуру BERT, содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и оценки их сходства, в том числе для семантического поиска и retrieval. Для кодирования запросов не требуются специальные инструкции. Модель оценивали на бенчмарке MTEB; дообучение улучшило некоторые задачи, но ухудшило результаты на других, включая поиск по TRECCOVID. Поддерживается английский язык. Лицензия — MIT.

all_datasets_v3_MiniLM-L12 — модель для получения векторных представлений предложений, разработанная в рамках Community Week Hugging Face участниками проекта по обучению эмбеддингов на миллиарде пар. Это дообученная версия MiniLM-L12: её обучали контрастивной функцией потерь на более чем миллиарде пар предложений, собранных из нескольких наборов данных. Модель основана на архитектуре BERT, содержит около 40 млн параметров и принимает текст с контекстом до 512 токенов. Модель кодирует предложение в вектор, отражающий его семантику. Такие векторы подходят для поиска информации, кластеризации текстов и оценки сходства предложений. В метаданных указана поддержка английского языка; модель работает с текстом и возвращает векторные представления. README описывает обучение с ограничением длины последовательности в 128 токенов, поэтому длинные тексты могут требовать разбиения на фрагменты. Формат репозитория — PyTorch; лицензия в предоставленных данных не указана.

RedHatAI/all-MiniLM-L6-v2 — модель Sentence Transformers для преобразования предложений и коротких абзацев в плотные семантические векторы размерностью 384. Она основана на архитектуре BERT MiniLM-L6-H384 и дообучена с контрастивной целью на наборе более чем из миллиарда пар предложений. Модель предназначена для семантического поиска, вычисления сходства между предложениями, кластеризации и информационного поиска. Входной текст преобразуется в эмбеддинг; по умолчанию последовательности длиннее 256 WordPiece токенов обрезаются. Модель имеет 25,9 млн параметров и контекстное окно 512 токенов по метаданным; README также сообщает об ограничении входа в 256 WordPiece токенов. В карточке указан английский язык. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторные представления, поэтому для получения сходства или ранжирования их обычно нужно сопоставлять отдельной операцией; качество для языков, кроме английского, не подтверждено карточкой.

all-MiniLM-L6-v2 — модель Sentence Transformers для кодирования предложений и коротких абзацев в плотные векторы размерностью 384. Она основана на MiniLM-L6-H384-uncased и дообучена командой проекта Hugging Face Community Week с помощью контрастивного обучения на более чем миллиарде пар предложений. В метаданных указаны архитектура BERT, 25,9 млн параметров и библиотека sentence-transformers. Модель предназначена для семантического поиска, сравнения смысловой близости текстов и кластеризации. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 512 токенов, при этом README предупреждает, что входы длиннее 256 word pieces обрезаются. Поддерживается английский язык. Лицензия — Apache-2.0; доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO.

KhaledReda/all-MiniLM-L6-v21-pair_score — англоязычная модель Sentence Transformers, дообученная автором на KhaledReda/all-MiniLM-L6-v20-pair_score на наборе пар текстов с оценками сходства, синонимами и опечатками. Она кодирует предложения и абзацы в плотные векторы размерностью 384; сходство между текстами оценивается косинусной близостью. Архитектура основана на BERT и использует усреднение токенных представлений с последующей нормализацией. Модель предназначена для семантического сравнения текстов и поиска: её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога задают нативный контекст 512 токенов. Модель поддерживает английский язык, содержит 25,9 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0. Обучение ориентировано на пары коротких текстов; качество на других языках и существенно отличающихся доменах README не подтверждает.

KhaledReda/all-MiniLM-L6-v71-pair_score — англоязычная модель Sentence Transformers, дообученная автором на модели KhaledReda/all-MiniLM-L6-v69-pair_score с использованием набора пар текстов со степенями сходства pairs_with_scores_v57. Это компактный плотный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и абзацы в нормализованные векторы размерности 384 и сравнивает их косинусным сходством. Для входной последовательности в метаданных указан контекст до 512 токенов; карточка модели задаёт ограничение в 256 токенов. Модель предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и получения признаков для классификации. Обучение проводилось с CoSENTLoss на парах с оценками сходства. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Для языков и текстов, отличающихся от английского, качество не подтверждено карточкой.

KhaledReda/all-MiniLM-L6-v74-pair_score — англоязычный Sentence Transformer, дообученный на парах текстов с оценками сходства. В основе лежит sentence-transformers/all-MiniLM-L6-v2; модель построена на архитектуре BERT и содержит 25,9 млн параметров. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и предназначена для сравнения по косинусному сходству. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов, а также для оценки семантического сходства пар. Она обучена на датасете KhaledReda/pairs_with_scores_v60 с помощью CoSENTLoss. Репозиторий использует формат safetensors и библиотеку sentence-transformers; лицензия — Apache-2.0. Модель ориентирована на английский язык. Её векторное представление можно использовать как признак или для ранжирования по близости, но качество на других языках не заявлено. При применении следует учитывать указанное в README ограничение длины 256 токенов; метаданные каталога приводят контекст в 512 токенов.

KhaledReda разработал англоязычную модель Sentence Transformer на основе дообученной sentence-transformers/all-MiniLM-L6-v2. Энкодер семейства BERT содержит 25,9 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Модель обучена на парах текстов с оценками сходства и рассчитана на последовательности до 256 токенов по README; метаданные указывают контекстное окно 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и получения признаков для классификации текстов. Её можно применять, например, для поиска товаров или документов по смыслу и ранжирования текстов по семантической близости. Для использования требуется библиотека Sentence Transformers или совместимая система инференса. Лицензия — Apache-2.0. Обучение на англоязычном датасете определяет основную область применения модели; качество для других языков в карточке не подтверждено. Для длинных текстов учитывайте предел последовательности из README; оценки сходства и результаты последующих задач могут требовать настройки под конкретные данные.

AhmetAytar разработал модель на базе sentence-transformers и архитектуры MPNet для преобразования предложений и абзацев в плотные векторы размерности 768. Модель насчитывает 136,7 млн параметров, принимает текст и формирует эмбеддинги; длина контекста составляет 514 токенов. Модель предназначена для семантического поиска и кластеризации текстов. Она обучалась с помощью MultipleNegativesRankingLoss с косинусной мерой сходства, что ориентирует эмбеддинги на сопоставление семантически близких текстов. Лицензия в предоставленных данных не указана.

abhijitt/bert_st_qa_multi-qa-MiniLM-L6-dot-v1-epochs-10 — модель Sentence-Transformers на базе BERT, разработчик в доступных данных не указан. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства; её размер — 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления. В README не перечислены языки и наборы данных, поэтому языковую поддержку нельзя определить. Репозиторий содержит веса PyTorch. Условия лицензии в предоставленных данных отсутствуют.

BAAI/bge-large-zh — модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная Beijing Academy of Artificial Intelligence. Она преобразует китайский текст в плотные векторы для семантического поиска, извлечения релевантных документов, кластеризации и классификации, в том числе как компонент систем RAG и векторных баз данных. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Для коротких поисковых запросов к длинным документам авторы рекомендуют добавлять инструкцию для запроса; сами документы в ней не нуждаются. Модель поддерживает китайский язык и выдаёт векторные представления текста. README рекомендует перейти на BAAI/bge-large-zh-v1.5: в версии v1.5 улучшено распределение оценок сходства и качество поиска. У старой версии оценки сходства несхожих предложений могут быть выше 0,5, поэтому абсолютные значения нельзя трактовать как универсальный порог; важнее относительный порядок результатов, а порог следует подбирать на своих данных. Лицензия — MIT.

gpahal/bge-m3-onnx-int8 — это оптимизированная и квантизованная до int8 версия модели BAAI/bge-m3, подготовленная сообществом для запуска через ONNX Runtime. Модель предназначена для получения эмбеддингов и поддерживает многоязычные сценарии, семантическое сравнение предложений, извлечение признаков и гибридный поиск. Модель одновременно формирует три представления текста: плотное dense, разреженное sparse и ColBERT-представление. Плотные и ColBERT-эмбеддинги нормализуются по умолчанию, как в исходной библиотеке FlagEmbedding; разреженное представление можно преобразовать в словарь весов токенов. Для инференса используются ONNX Runtime, токенизация через Hugging Face Transformers и интеграция с Optimum. В модели применены оптимизации графа уровня O2, а вычисления рассчитаны на CPU; точный размер модели, длина контекста и перечень поддерживаемых языков в README не указаны. К сильным сторонам относятся объединение dense-, sparse- и ColBERT-представлений в одном запуске, многоязычная ориентация, снижение вычислительных требований благодаря int8-квантизации и совместимость с ONNX Runtime. Ограничениями являются необходимость самостоятельно обрабатывать разные типы выходов и то, что изменение нормализации или набора представлений требует повторного экспорта модели. Модель распространяется по лицензии MIT.

seansitter/bge-m3-safetensors — конвертированная версия многоязычной модели эмбеддингов BAAI/bge-m3, подготовленная для плотного извлечения признаков и инференса через transformers backend в vLLM. Модель основана на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров; заявленный контекст — 8194 токена. Репозиторий предоставляет веса в формате safetensors с именами параметров, совместимыми с указанным способом загрузки в vLLM; веса битово эквивалентны исходным, переобучения не было. Модель подходит для создания текстовых эмбеддингов, семантического поиска и вычисления сходства предложений на разных языках. В этой версии оставлены компоненты для плотных эмбеддингов, а вспомогательные головы для ColBERT и разреженного поиска исключены. Лицензия — MIT. Для запуска по описанному в карточке сценарию требуется vLLM с transformers backend и режимом pooling.

teven/bi_all_bs192_hardneg_finetuned_WebNLG2020_relevance — модель эмбеддингов предложений на базе MPNet, созданная для оценки семантической близости. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сопоставления текстов. В метаданных указано 136,7 млн параметров, контекст — до 514 токенов; модель использует PyTorch и интерфейс Sentence Transformers. Модель обучена с CosineSimilarityLoss на данных, связанных с WebNLG2020; название также указывает на обучение с hard negatives. Она принимает текст и выдаёт векторы, которые можно использовать для ранжирования или поиска похожих фрагментов. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Это дообученная Sentence Transformer-модель от hoamai1509 на базе bkai-foundation-models/vietnamese-bi-encoder. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска и группировки текстов. Архитектура использует RoBERTa с усреднением токенных представлений; сходство вычисляется косинусной мерой. Модель рассчитана на вьетнамский язык и обрабатывает последовательности длиной до 258 токенов по метаданным.

BOOM_4B_eng_data_v1 — англоязычная модель текстовых эмбеддингов, созданная авторами исследования BOOM на основе Qwen3-4B. Она предназначена для получения представлений текста для поиска, ранжирования, семантического сходства, классификации и кластеризации. Модель объединяет несколько вариантов эмбеддинговой модели, обученных на выборках разного размера, методом Multi-SLERP; такой подход рассчитан на повышение устойчивости и качества переноса на новые данные при сохранении эффективности инференса одной моделью. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 40 960 токенов. Обучение охватывает англоязычные задачи поиска, переранжирования, классификации, кластеризации и семантического сходства; README также сообщает о включении общих данных, в том числе многоязычных наборов для поиска, и выборки кода. Для практического применения доступны веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

diwank/dfe-base-en-1 — модель на основе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1536 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена с использованием TripletLoss с евклидовой метрикой расстояния. Она подходит для семантического поиска и кластеризации текстовых фрагментов. Суффикс en в названии указывает на английскую ориентацию; карточка не перечисляет поддерживаемые языки явно. Доступна в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

DFlash-Qwen3.5-27B-Uncensored-GGUF — GGUF-квантизированная версия модели DFlash-Qwen3.5-27B-Uncensored от AEON-7, подготовленная mradermacher. Модель предназначена для генерации текста, диалогов, программирования, рассуждений, агентских сценариев, вызова функций и работы с инструментами. В README также заявлены мультимодальность и поддержка vision-language через отдельный файл mmproj. Модель имеет размер 27 млрд параметров и относится к семейству Qwen3.5 с гибридной архитектурой, сочетающей attention и linear attention; среди заявленных компонентов указаны Gated DeltaNet и block diffusion. Поддерживается английский язык, библиотека Transformers, а также совместимые с OpenAI интерфейсы и vLLM. Максимальный размер контекста в README не указан. Доступны варианты квантования GGUF от Q2_K до Q8_0 и IQ4_XS; размеры файлов составляют примерно от 10,8 до 28,7 ГБ. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как обеспечивающий наилучшее качество среди перечисленных. К сильным сторонам относятся широкий набор заявленных сценариев, поддержка инструментов и мультимодальности, а также возможность выбора между различными уровнями квантования для баланса качества, скорости и требований к памяти. Ограничения включают отсутствие в README точных данных о размере контекста, результатах оценки, поддерживаемых языках помимо английского и фактических возможностях мультимодального режима; для него требуется отдельный mmproj-файл. Модель распространяется по лицензии Apache-2.0.

jgammack/distilbert-base-mean-pooling — модель для преобразования предложений и абзацев в плотные векторы размерности 768. Она построена на DistilBERT и использует mean pooling для объединения контекстных представлений токенов. Векторы подходят для семантического поиска, кластеризации и сравнения сходства предложений. Модель принимает текст и выдаёт эмбеддинги; её можно использовать через Sentence-Transformers или Transformers с соответствующим pooling. Максимальная длина контекста — 512 токенов. В карточке не указаны отдельные языковые специализации или прикладная область, поэтому модель следует рассматривать как универсальный инструмент для работы с текстовыми представлениями.

Dist-MPNet-Paracrawl-cs-en — компактная модель семантических эмбеддингов, созданная Seznam.cz. Это BERT-small, дистиллированная из sentence-transformers/all-mpnet-base-v2 и обученная на параллельном чешско-английском наборе ParaCrawl. Модель предназначена для сравнения предложений и применяется для поиска по смыслу, извлечения релевантных текстов, кластеризации и классификации. Модель содержит 27,2 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Указанная лицензия — CC BY 4.0. Количественные результаты оценки и ограничения в доступных материалах не приведены.

hxssgaa/dstc_setfit — модель эмбеддингов предложений на базе MPNet, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Веса содержат около 136,7 млн параметров, модель принимает текст и рассчитана на контекст до 514 токенов. Модель можно применять для поиска похожих фраз и документов, оценки семантического сходства и группировки текстов по смыслу. Она обучалась с CosineSimilarityLoss; репозиторий содержит веса PyTorch. В README не указаны языки обучения или лицензия, поэтому нельзя определить языковую специализацию и условия использования.