I.2Синтез, понимание и проверка знаний

MrBERT — многоязычная модель-энкодер от BSC-LT на архитектуре ModernBERT, предварительно обученная с нуля на корпусе объёмом 6,1 трлн токенов. Она использует двунаправленный masked language modeling и предназначена для получения контекстных представлений текста на 35 европейских языках и кода. Модель содержит около 307 млн параметров, использует токенизатор SentencePiece с словарём на 256 тысяч токенов и поддерживает контекст до 8192 токенов. MrBERT подходит как основа для последующей настройки на поиск и извлечение информации, классификацию, семантический поиск и кросс-языковые задачи понимания текста. В карточке приведены оценки на XTREME и других многоязычных тестах, включая XNLI, PAWS-X и UDPOS; результаты различаются по задачам и языкам. Для получения эмбеддингов или прикладного предсказания потребуется соответствующая downstream-настройка. Модель распространяется под лицензией Apache-2.0. Хотя в обучающем корпусе присутствуют код и 35 языков, основная доля данных — английская (67,4%); результаты и качество могут быть неодинаковыми для разных языков и задач.

MyAwesomeModel — модель из репозитория dfdfhhj7/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных Hugging Face она классифицирована как модель для извлечения признаков; среди тегов также указаны PyTorch и BERT, поэтому её можно использовать для получения векторных представлений текста и последующей обработки в задачах машинного обучения.

MyAwesomeModel — модель из репозитория safasfaf4546/MyAwesomeModel-TestRepo, опубликованная с лицензией MIT и предназначенная для извлечения признаков из текста в библиотеке Transformers. В метаданных она помечена как BERT-подобная модель для задачи feature extraction и использует PyTorch.

GPTCache/paraphrase-albert-small-v2 — текстовая модель, опубликованная организацией GPTCache на Hugging Face. Она предназначена для извлечения признаков из текста и получения векторных представлений, которые можно использовать для сравнения смысловой близости фраз, поиска похожих запросов и задач семантического кэширования. Модель загружается через Transformers как AlbertModel или pipeline feature-extraction. Архитектура основана на ALBERT: 6 скрытых слоёв, 12 голов внимания, размер скрытого представления 768, промежуточный размер 3072, словарь на 30 000 токенов и максимальная длина последовательности 512 токенов. Указана поддержка английского языка. Модель работает только с текстом и не является генеративной моделью. К сильным сторонам относятся компактная архитектура ALBERT и возможность получать признаки для downstream-задач без специального классификационного слоя. Ограничения: карточка модели не содержит подробного описания обучения, датасетов, результатов оценки или гарантированных показателей качества; назначение и характеристики следует трактовать как доступные из метаданных и конфигурации. Модель распространяется по лицензии MIT.

777Radik/potion-multilingual-128M-int8 — компактная версия мультиязычной модели статических эмбеддингов Model2Vec на основе minishlab/potion-multilingual-128M. Она преобразует текст векторовым поиском по таблице токенов, усредняет и нормализует векторы; нейросетевой инференс и GPU не требуются. Модель поддерживает 101 язык, включая кириллицу, и подходит для запуска в Python, Rust и браузере через WASM. Модель предназначена для семантического поиска, сравнения предложений и ранжирования текстовых фрагментов по косинусному сходству, в том числе между языками и письменностями. В репозитории заявлены квантизация Int8 и снижение размерности с 256 до 128 компонент методом PCA; размер составляет около 64 МБ. В испытаниях на трёх наборах данных результаты различались: модель выигрывала у BM25 на MuSiQue и QASPER, но уступала на HotpotQA. Лицензия — MIT.

Pula-8B-v0.1 — языковая модель семейства BOTS-LM, разработанная Nathan Brown и Vukosi Marivate для работы на сетсвана и английском языках. Это плотная авторегрессионная модель на архитектуре Llama 3.1 с 7,5 млрд параметров, дообученная на основе Meta-Llama-3.1-8B-Instruct. В метаданных указан контекст до 131 072 токенов; при обучении использовались последовательности длиной до 4 096 токенов. Модель предназначена прежде всего для диалогового помощника и следования инструкциям. Её можно применять для ответов на вопросы, написания текстов, перевода между сетсвана и английским, извлечения именованных сущностей, разметки частей речи и вызова инструментов. Авторы также сообщают о возможностях рассуждения и улучшенных результатах на сетсвана и английском по сравнению с существующими открытыми языковыми и переводческими моделями для этих языков. Модель принимает текст и генерирует текст. README разрешает коммерческое и исследовательское использование, однако конкретная лицензия в карточке не названа. Как и другие языковые модели, Pula-8B может выдавать неточные или предвзятые ответы; для клиентских приложений авторы рекомендуют дополнительные меры безопасности. Официальная поддержка заявлена для сетсвана и английского, а качество на других языках и при обычной генерации текста проверено ограниченно.

unsloth/Qwen2.5-VL-3B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen и представленная в репозитории Unsloth. Это 3B-версия модели Qwen2.5-VL-3B-Instruct, распространяемая в 4-битном формате bnb-4bit для более экономичного использования памяти. Модель предназначена для обработки изображений и видео вместе с текстовыми запросами. Она распознаёт и анализирует объекты, текст, таблицы, графики, иконки и структуру документов, поддерживает визуальную локализацию объектов с помощью bounding boxes или точек, генерацию структурированных данных из счетов, форм и таблиц, а также сценарии визуального агента, включая взаимодействие с компьютером и мобильными устройствами. Для видео заявлена способность анализировать материалы длительностью более часа и находить релевантные временные отрезки. В метаданных README указан английский язык. 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 временные позиционные идентификаторы mRoPE. К сильным сторонам относятся компактный размер, мультимодальное понимание документов и визуальных сцен, структурированный вывод и поддержка длительных видео. Ограничения включают меньшую ёмкость по сравнению с версиями на 7B и 72B параметра, возможное снижение точности из-за 4-битной квантизации и отсутствие в README данных о размере контекста, системных требованиях и подробном перечне языков. Модель указана под лицензией qwen-research; подробные условия приведены в лицензии исходной модели Qwen2.5-VL-3B-Instruct.

Qwen3-0.6B-English — англоязычная версия Qwen3-0.6B-Base от автора harithoppil, созданная путём обрезки словаря и последующего дообучения. Это плотная авторегрессионная языковая модель на архитектуре Qwen3ForCausalLM с 456,6 млн параметров, 28 слоями и словарём из 101 816 токенов. Она принимает текст и поддерживает контекст до 40 960 токенов по метаданным. Модель предназначена для генерации английского текста, диалогов, программного кода, математических выражений и рассуждений. Она поддерживает режимы с рассуждениями и без них, а также интерфейс вызова инструментов. Удаление токенов для кириллицы, CJK, арабского и других письменностей сокращает размер матрицы эмбеддингов и выходного слоя, но ограничивает работу преимущественно английским языком; заявленные автором свойства Qwen3 не являются отдельной оценкой качества этой версии. В карточке также отмечена возможность повторов; для снижения этого риска автор рекомендует настраивать параметры генерации. Модель распространяется по лицензии Apache-2.0. Для работы автор рекомендует актуальную версию библиотеки Transformers.

MMOPD/Qwen3-4B-OT3-2ep — плотная языковая модель семейства Qwen3, дообученная командой проекта MMOPD на наборе OpenThoughts3-1.2M. Это чекпойнт после двух эпох обучения на трассах рассуждений по математике, программированию и науке; в проекте его также используют как основу для специализированных моделей и экспериментов с дистилляцией. Модель содержит 3,7 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов с пошаговым рассуждением, в том числе при решении математических задач, написании кода и ответах на научные вопросы. Она использует шаблон чата Qwen3 и формат thinking; для работы с ним README рекомендует включать `enable_thinking=True` и использовать сэмплирование. В карточке приведены результаты тестов на общих и доменных бенчмарках, включая медицинские и финансовые наборы, но это не означает специализацию модели в этих областях. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-MLX-4bit — это сборка модели Qwen3.8-Flash-Next, адаптированная проектом PipeNetwork для запуска через MLX на компьютерах с Apple Silicon. Модель предназначена прежде всего для генерации текста и программного кода в локальном окружении с поддержкой mlx-lm. В состав репозитория входит собственный runtime для экспериментальной архитектуры qwen4_exp, поэтому для загрузки требуется trust_remote_code=True. Базовая модель имеет гибридную архитектуру Gated-DeltaNet и sparse attention с разреженной Mixture-of-Experts на 125 млрд параметров, из которых около 6 млрд активируются для одного токена, а также использует 51 млрд параметров hashed n-gram embedding. В этой версии веса преобразованы в формат MLX и преимущественно квантизированы до 4 бит: размер сборки составляет 103,8 ГБ против 360 ГБ у исходной версии в bfloat16. Часть параметров, включая маршрутизатор MoE и отдельные управляющие компоненты, сохранена в bfloat16. Vision tower также присутствует в bfloat16, но данный runtime работает только с текстом. Мультитокеновая prediction head размером 4 млрд параметров исключена. Языки и точное максимальное окно контекста в README не указаны. Сильной стороной сборки является существенное уменьшение занимаемого объёма при сохранении работоспособной генерации; runtime содержит исправления, обеспечивающие соответствие эталонной реализации на тестовой конфигурации. Однако равномерное 4-битное квантование заметно ухудшает качество: на тесте wikitext-2 perplexity составила 5,3914 против 4,4708 у bfloat16. В README рекомендуется смешанная сборка с 4- и 8-битным квантованием, которая занимает 106,2 ГБ и показывает значительно меньшую потерю качества. Модель распространяется по Qwen Community License 1.0.

Furiosa AI публикует этот репозиторий для запуска Qwen3-VL-32B-Instruct на ускорителях FuriosaAI RNGD с Furiosa-LLM. Это плотная мультимодальная модель на 32 млрд параметров из семейства Qwen3-VL: визуальный энкодер работает совместно с трансформерным декодером, а Interleaved-MRoPE и многоуровневое объединение признаков DeepStack поддерживают обработку изображений и видео вместе с текстом. Репозиторий содержит веса в safetensors и исполняемый пакет Furiosa; квантизация не применена. Также модель можно запускать через vLLM, SGLang и Transformers. Модель предназначена для диалога по изображениям и текстовым запросам, распознавания текста на изображениях, анализа документов и графиков, пространственных рассуждений и понимания видео. Она поддерживает вызов инструментов через парсер hermes. Вариант Instruct не использует режим рассуждений. Для запуска на RNGD описана конфигурация с 32 PE на четырёх картах. Лицензия — Apache 2.0.

Qwen3-VL-32B-Instruct-Heretic — мультимодальная модель для диалога по тексту и изображениям, созданная как дообученная версия Qwen/Qwen3-VL-32B-Instruct. Она предназначена для ответов на вопросы об изображениях, визуального рассуждения, распознавания текста и анализа видео; архитектура Qwen3-VL dense содержит 32 млрд параметров. В карточке базовой модели заявлены контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках. Модель сохраняет возможности базовой версии для текстового и визуального понимания, включая пространственное рассуждение и разбор интерфейсов. Abliteration заметно снижает частоту отказов в указанном сравнении: 4 из 100 против 89 из 100 у исходной модели; это не гарантирует корректность или безопасность ответов. Доступна по лицензии Apache-2.0.

Это кросс-энкодер treprepr, дообученный на базе BAAI/bge-reranker-v2-m3 с помощью библиотеки sentence-transformers. Модель принимает пару текстов и вычисляет оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. В каталоге её основная задача — text-ranking; также указана поддержка text-classification. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и возвращает одну оценку для пары текстов. Метаданные указывают контекст до 8194 токенов, а README — максимальную длину последовательности 2048 токенов. Обучающая выборка содержит 92 768 пар с метками. Базовая модель многоязычная, однако конкретный список поддерживаемых языков для этой версии не приведён. Модель подходит для сортировки найденных документов по соответствию запросу и оценки смыслового сходства текстовых пар. Для работы с ней требуется текстовый ввод; она выдаёт оценку релевантности, а не готовый ответ или эмбеддинги. Лицензия в предоставленных данных не указана.

meichen91/review_multiclass_20230116 — модель sentence-transformers на основе MPNet, разработанная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерности 768 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст с контекстом до 514 токенов. В README указано обучение с CosineSimilarityLoss. Доступен формат PyTorch; применять модель можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

aammari/setfit-zero-shot-classification-pbsp-p3-freq — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель работает с текстом и выдаёт эмбеддинги. Обучение использовало CosineSimilarityLoss. Модель подходит для поиска смыслово близких фрагментов и группировки текстов по содержанию. В README не приведены результаты бенчмарков, поэтому качество для конкретного языка или предметной области по имеющимся данным оценить нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных источниках.

SFR-Embedding-Mistral — текстовая модель эмбеддингов, разработанная Salesforce Research. Она основана на E5-mistral-7b-instruct и Mistral-7B-v0.1 и предназначена для преобразования текста в векторы, которые можно использовать для поиска и сравнения семантической близости. Архитектура — плотная Mistral с 7,1 млрд параметров, контекст — до 32 768 токенов; доступны веса в формате safetensors. В карточке заявлена поддержка английского языка. Модель подходит для создания векторного поиска, поиска похожих предложений и оценки сходства текстов; она также отмечена в контексте бенчмарка MTEB. Выпуск предназначен для исследований, а датасеты третьих сторон могут иметь дополнительные условия лицензирования. Лицензия модели — CC BY-NC 4.0, поэтому коммерческое использование не разрешено её условиями. Перед применением следует отдельно оценивать точность, безопасность и возможную предвзятость.

LazarusNLP/s-indobert-base-mmarco — модель Sentence-Transformers на архитектуре BERT, обученная LazarusNLP для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss на основе косинусного сходства; в метаданных указан датасет unicamp-dl/mmarco и язык индонезийский (id).

Snowflake Arctic Embed M Long — текстовая модель эмбеддингов компании Snowflake для поиска и сопоставления запросов с документами. Она преобразует текст в плотные векторы, пригодные для построения семантического поиска, ранжирования кандидатов и других систем извлечения информации. Модель относится к семейству Arctic Embed, обученному на основе открытых моделей представления текста с многоэтапной оптимизацией retrieval-задач: на парах запрос–документ и триплетах с трудными негативными примерами. Архитектура — NomicBert; максимальная длина контекста — 8192 токена. Доступны веса Safetensors и формат ONNX. В README семейство описано как оптимизированное для качества поиска; в карточке этой версии отдельно не приведены размер модели, размерность эмбеддинга или языковой охват. Подходит для семантического поиска по документам, поиска ответов в корпусах и сравнения текстов по смыслу. README сообщает о высоких результатах Arctic Embed на наборах MTEB/BEIR, но более поздние версии семейства названы предпочтительными для многоязычных задач. Модель распространяется по лицензии Apache-2.0.

delwinn/stella_en_1.5B_v5 — англоязычная модель эмбеддингов, разработанная на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных текстов по запросу и оценки семантического сходства. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и выдаёт текстовые векторы; поддерживает представления размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения. Для большинства задач предусмотрены варианты промптов s2p и s2s; обычно автор рекомендует размерность 1024. Модель обучена с использованием MRL и доступна в формате PyTorch/SafeTensors. Хотя нативный контекст составляет 131072 токена, автор рекомендует ограничивать последовательности 512 токенами: модель обучалась на такой длине и, по описанию, хуже справляется с поиском по специализированным длинным текстам. Детали обучения и использованные наборы данных в README не раскрыты. Лицензия — MIT.

Jealk/TTC-L2V-supervised-2 — модель эмбеддингов предложений, разработанная Jesper Alkestrup из The Tech Collective. Она дообучена методом LLM2Vec на базе AI-Sweden-Models/Llama-3-8B-instruct и использует двунаправленный энкодер Llama с инструкционно-ориентированным mean pooling. Модель предназначена для преобразования датских, шведских и норвежских текстов в векторы для поиска и сравнения предложений; карточка также указывает поддержку извлечения признаков и кластеризации текста. Модель содержит 7,5 млрд параметров, работает с контекстом до 8192 токенов и доступна в формате safetensors через библиотеку sentence-transformers. Для загрузки требуется разрешить trust_remote_code, поскольку репозиторий содержит пользовательские модули энкодера и pooling. Указанная лицензия — MIT. Полная версия в bfloat16 требует около 14 ГБ памяти; варианты с 8- и 4-битной квантизацией требуют примерно 8 и 5 ГБ соответственно, но качество квантизированных вариантов не оценивалось.

Это модель SentenceTransformer на архитектуре BERT, дообученная командой trmteb на базе dbmdz/bert-base-turkish-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Максимальная длина входной последовательности — 512 токенов; используется mean pooling.

Nhat1904/16-shot-twitter-2classes-new — модель Sentence Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений по сходству. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и распространяется в формате PyTorch. Название указывает на обучение на небольшом количестве примеров из набора Twitter с двумя классами; в карточке также указан CosineSimilarityLoss. Такие векторы можно использовать в семантическом поиске и других системах сравнения текстов. Язык обучения явно не указан. Лицензия в предоставленных данных не указана.

sudomoniker/all-MiniLM-L6-v2-Q8_0-GGUF — это квантованное представление в формате GGUF модели sentence-transformers/all-MiniLM-L6-v2, преобразованное с помощью llama.cpp через GGUF-my-repo. Модель разработана на базе Sentence Transformers и предназначена для задач семантического сходства и извлечения признаков из текстов. В карточке указано, что она обучалась на англоязычных данных из различных источников, включая S2ORC, Stack Exchange, MS MARCO, SNLI, MultiNLI, Natural Questions и другие наборы данных. Модель рассчитана на сравнение предложений, поиск похожих текстов, семантический поиск, кластеризацию и построение текстовых эмбеддингов. Она поддерживает работу локально через llama.cpp, включая CLI и серверный режим. Суффикс Q8_0 указывает на 8-битное квантование, которое обычно позволяет уменьшить требования к ресурсам, однако в README не приведены точные размер модели, длина контекста, архитектурные параметры и численные результаты оценки. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

Это англоязычная модель Sentence Transformer rafiazarin/arxiv-ms-marco-embedding-mixed, дообученная на основе sentence-transformers/all-MiniLM-L6-v2 для поиска релевантных текстов. Энкодер на архитектуре BERT преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство между ними можно оценивать косинусной мерой. По карточке модель обучалась на 2700 парах запросов и положительных текстов, а для поиска показана оценка cosine_accuracy@1, @3 и @5 по 0,995. Модель подходит для семантического поиска и извлечения ответов или документов по запросу, а также для сравнения текстов и построения поисковых систем на Sentence Transformers. Метаданные указывают максимальный контекст 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; при практическом использовании следует учитывать более короткое ограничение, указанное в карточке модели. Лицензия в предоставленных данных не указана.

textattack/bert-base-uncased-QQP — модель классификации текстовых пар от TextAttack, дообученная на задаче QQP (Quora Question Pairs). Она определяет, являются ли два вопроса перефразами и имеют ли сходный смысл; результат — один из двух классов: похожие или непохожие вопросы. Репозиторий Hugging Face указывает архитектуру BERT для классификации последовательностей, около 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для выявления дублирующих вопросов, группировки похожих запросов и экспериментов с классификацией пар предложений. Она принимает текстовые пары и выдаёт метку класса; по указанной uncased-версии BERT рассчитана на английский текст. Карточка модели не содержит описания лицензии, поэтому условия использования по доступным сведениям определить нельзя.

kwondw/bert-base-uncased-tsdae — модель Sentence Transformers, дообученная на базе google-bert/bert-base-uncased на датасете wiki1m-for-simcse с использованием DenoisingAutoEncoderLoss. Она преобразует предложения и абзацы на входе в плотные векторы размерности 768 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT для извлечения признаков и пулинга CLS; модель принимает текст, поддерживает контекст до 512 токенов по метаданным, а README указывает максимальную длину последовательности 75 токенов. Базовая модель англоязычная, обучающая выборка состоит из англоязычных текстов Википедии. Модель подходит для семантического поиска, извлечения текстовых эмбеддингов и оценки сходства предложений. В README приведены результаты на STS: Spearman для косинусного сходства составляет 0,6557 на sts-dev и 0,6199 на sts-test. Для практического применения следует учитывать указанную в README длину последовательности 75 токенов; качество на других языках и доменах в предоставленных данных не описано. Лицензия в метаданных и README не указана.

swardiantara/bert-tiny-snli-k10-adaptive-cosine — компактная модель Sentence Transformer, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из двухслойного BERT с mean pooling; модель содержит 4,4 млн параметров и принимает последовательности длиной до 512 токенов по метаданным (в README указан предел 128 токенов). Поддерживает только текстовый ввод и выдаёт векторные представления. Модель подходит для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Её малый размер позволяет использовать её в сценариях с ограниченными вычислительными ресурсами, но компактность может ограничивать качество по сравнению с более крупными моделями. Лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-snli-k1-fixed-cosine — компактная Sentence Transformer модель на базе google/bert_uncased_L-2_H-128_A-2, дообученная для сопоставления предложений и поиска по тексту. Она кодирует предложения и абзацы в плотные векторы размерности 128; сходство между ними оценивается косинусной мерой. Архитектура включает BERT с усреднением токенных представлений, а размер модели составляет 4,4 млн параметров. Модель принимает только текст. Максимальная длина последовательности в README указана как 128 токенов; лимит контекста базовой модели в метаданных — 512 токенов. Она предназначена для семантического поиска и retrieval-сценариев, где нужны векторные представления или сравнение текстов. В карточке описано дообучение на 549 370 примерах; язык обучающих данных и лицензия не установлены по предоставленным сведениям.

swardiantara/bert-tiny-sst5-k10-fixed-cosine — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует текстовые предложения и абзацы в плотные векторы размерностью 128 для поиска и сравнения по косинусному сходству. Архитектура состоит из BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров. Модель предназначена для извлечения текстовых признаков, семантического поиска и оценки сходства предложений. В README описан обучающий набор из 351 754 пар текстов с метками сходства; примеры относятся к англоязычным рецензиям на фильмы. Метаданные указывают контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов. Модель принимает только текст и выдаёт векторы; она не предназначена для генерации ответов. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами. Лицензия в предоставленных данных не указана.

tardellirs/brazembed-pt-br-clfclu — компонент BrazEmbed-PT-BR, созданный автором репозитория на основе BERTimbau Base для бразильского португальского. Это SentenceTransformer с архитектурой BERT и примерно 136,1 млн параметров, предназначенный для получения текстовых эмбеддингов для классификации и кластеризации; карточка также указывает оценку сходства предложений. Представление формируется mean pooling, затем нормализуется по L2; префикс инструкции не требуется. Максимальная длина контекста — 512 токенов. Модель подходит для классификации текстов и группировки похожих текстов на бразильском португальском. В карточке приведён результат MTEB(por) mean_16 = 0,6567 для системы BrazEmbed-PT-BR, однако он не уточнён отдельно для этого компонента. Лицензия — MIT.