I.2Синтез, понимание и проверка знаний

Sangeetha/fineTunedCategory — дообученная модель на базе MPNet, разработанная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Для обучения применялась функция потерь CosineSimilarityLoss. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. Её нативный контекст составляет 514 токенов. Доступны веса в формате PyTorch; лицензия не указана в предоставленных данных.

FuseChat-Llama-3.1-8B-Instruct — разговорная языковая модель FuseAI, созданная методом неявного объединения знаний нескольких крупных языковых моделей. В основе лежит плотная архитектура Llama с 7,5 млрд параметров; модель обучена на основе Llama-3.1-8B-Instruct с этапами дообучения с учителем и оптимизации предпочтений (DPO). Для репозитория указаны библиотека Transformers и формат Safetensors, а заявленный контекст составляет 131 072 токена. Модель предназначена для диалога и следования инструкциям, а также для общих задач, математики, программирования и работы с китайским языком. В описании FuseChat-3.0 сообщается об улучшениях на тестах разговорных навыков и следования инструкциям по сравнению с целевой базовой моделью. Модель принимает текст и генерирует текст. Модель распространяется по лицензии Apache-2.0. Результаты, указанные в карточке для серии FuseChat-3.0, не гарантируют аналогичного качества на всех задачах и языках; подробные сведения о качестве именно этого чекпойнта в предоставленном фрагменте карточки отсутствуют.

gte-large — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Она обучена на крупных наборах пар текстов с разметкой релевантности и предназначена для поиска информации, сравнения смысловой близости предложений и ранжирования текстов. Модель принимает английский текст и преобразует его в векторы размерностью 1024. Максимальная длина входа — 512 токенов; более длинные тексты обрезаются. В README приведены результаты на бенчмарке MTEB, включая задачи поиска, семантического сходства, классификации и ранжирования. Репозиторий содержит веса PyTorch и ONNX. Лицензия — MIT.

gte-multilingual-base — модель семейства GTE от Alibaba, предназначенная для создания текстовых представлений и поиска по сходству. Это энкодерный трансформер примерно на 305 млн параметров с плотными эмбеддингами размерности 768; также поддерживает разреженные векторы и эластичные по размеру плотные представления. Модель подходит для многоязычного и межъязыкового поиска, поиска по длинным текстам и оценки сходства текстов. README сообщает о поддержке более 70 языков; среди языков, перечисленных в метаданных, есть английский, китайский, французский, польский, арабский, хинди, японский и корейский. Максимальная длина входа — 8192 токена. По заявлению разработчика, энкодерная архитектура снижает требования к вычислениям и ускоряет инференс по сравнению с некоторыми более крупными моделями GTE на базе LLM. Для практического использования эмбеддинги можно получать через Transformers, sentence-transformers или сервисы инференса, включая TEI. Лицензия — Apache-2.0. Заявления о качестве основаны на оценках разработчика; результаты могут отличаться на конкретных данных и задачах.

Hugo-7B-slerp — диалоговая языковая модель на архитектуре Mistral, созданная paulilioaica слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и CodeNinja-1.0-OpenChat-7B с помощью mergekit. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате; объединяет возможности исходных моделей, включая общие диалоговые задачи и работу с кодом. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты оценок на ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, но они не гарантируют аналогичное качество на других задачах. Языковая поддержка и специализированные области применения в карточке не перечислены. Модель распространяется по лицензии Apache-2.0.

Карточка модели mdizak/infoxlm-large-sentence-embeddings-rust на Hugging Face совпадает с карточкой KnutJaegersberg/infoxlm-large-sentence-embeddings, поэтому описание составлено по ней. KnutJaegersberg/infoxlm-large-sentence-embeddings — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 1024. Она основана на XLM-RoBERTa и предназначена для поиска семантически близких текстов, кластеризации и семантического поиска. В обучении использовалась функция TripletLoss с евклидовой метрикой расстояния. Модель содержит 658,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. В карточке указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не приведена.

jina-embeddings-v2-base-de — двуязычная модель эмбеддингов текста от Jina AI. Она основана на архитектуре JinaBERT и предназначена для построения векторных представлений немецких и английских текстов, в том числе смешанных немецко-английских фрагментов. Модель содержит около 160,1 млн параметров и поддерживает последовательности до 8192 токенов. Модель подходит для семантического поиска, сопоставления предложений и документов, а также для поиска контекста в системах RAG. Для получения эмбеддинга предложения или абзаца рекомендуется усреднять выходы токенов методом mean pooling. Доступны веса в форматах PyTorch, Safetensors и ONNX; лицензия — Apache-2.0.

jinaai/jina-embeddings-v2-base-es — двуязычная модель эмбеддингов текста от Jina AI для испанского и английского языков. Она предназначена для получения векторных представлений предложений и документов в моноязычных и межъязыковых сценариях, включая поиск по смыслу, сопоставление текстов и RAG. Модель построена на архитектуре JinaBERT с 160,1 млн параметров. Симметричная двунаправленная версия ALiBi позволяет обрабатывать последовательности длиной до 8192 токенов. Для получения эмбеддингов предложений и документов README рекомендует применять mean pooling. Модель поддерживает смешанный испанско-английский ввод и подходит для поиска и сопоставления текстов между этими языками. Она принимает текст и выдаёт векторные представления. Лицензия — Apache-2.0.

KaLM-embedding-multilingual-mini-instruct-v2 — компактная мультиязычная модель для получения текстовых эмбеддингов, разработанная HIT-TMG и дообученная на базе Qwen/Qwen2-0.5B. Она использует двунаправленное внимание и многоэтапное обучение с предварительной и контролируемой настройкой на наборах данных для разных задач представления текста. Размер модели — около 0,5 млрд параметров, размерность эмбеддинга — 896, поддерживаются варианты размерности 512, 256, 128 и 64. README указывает максимум 32 тыс. токенов на вход, а метаданные — нативный контекст 131 072 токена. Модель предназначена для поиска и сопоставления текстов, семантического сходства, классификации и кластеризации; для асимметричных задач и симметричного сравнения предусмотрены инструкции к запросам и текстовым фрагментам. В карточке и метаданных отмечены английский и китайский языки. Модель распространяется по лицензии MIT. Метрики качества для конкретных языков и сценариев в предоставленных данных не приведены.

KaLM-Embedding-V2.5 — компактная мультиязычная модель эмбеддингов семейства KaLM, разработанная командой HITsz-TMG. Она предназначена для преобразования текстов в векторы и поддерживает поиск и извлечение документов, ранжирование, классификацию, кластеризацию, оценку семантического сходства и классификацию пар текстов. Для асимметричного поиска предусмотрены инструкции для запросов и документов; в sentence-transformers доступны encode_query и encode_document с шаблоном запроса по умолчанию. Модель построена на плотной архитектуре Qwen2 с двунаправленным вниманием и mean pooling. Размер — 494 млн параметров, размерность эмбеддингов — 896; поддерживаются сокращённые размерности 512, 256, 128 и 64. README указывает максимум 32 тыс. входных токенов, а метаданные — контекстное окно 131 072 токена. Обучение включало слабоконтролируемое предобучение, контролируемое дообучение и контрастивную дистилляцию. Указаны английский и китайский языки. Лицензия — Apache-2.0. Модель ориентирована на построение компактных векторных представлений и заявлена авторами как конкурентоспособная с более крупными моделями сопоставимого назначения. Метаданные связывают её с базовыми репозиториями HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v2 и Qwen/Qwen2.5-0.5B. Для использования с Transformers требуется версия 4.37.0 или новее; README также описывает поддержку sentence-transformers и vLLM.

mcontriever-base-msmarco — модель для получения плотных векторных представлений предложений и абзацев, преобразованная в формат Sentence-Transformers из facebook/mcontriever-msmarco. Она основана на архитектуре BERT и содержит около 205,1 млн параметров; выход модели — векторы размерности 768. Модель предназначена для семантического поиска, сравнения текстов и кластеризации, а также может служить компонентом систем поиска информации. Модель принимает текст и выдаёт эмбеддинги. Её контекст ограничен 512 токенами. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. В README указана публикация «Unsupervised Dense Information Retrieval with Contrastive Learning» как связанная работа. Лицензия в предоставленных данных не указана.

Карточка модели NostraEmpire/mirror-mxbai-embed-large-v1 на Hugging Face совпадает с карточкой mixedbread-ai/mxbai-embed-large-v1, поэтому описание составлено по ней. mxbai-embed-large-v1 — модель Mixedbread AI для построения векторных представлений предложений и текстов. Это плотная BERT-модель на 433,9 млн параметров с контекстом до 512 токенов; она принимает текст и выдаёт эмбеддинги для поиска и сопоставления текстов. Карточка указывает английский язык и библиотеку sentence-transformers. Модель предназначена для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Для поисковых запросов README рекомендует добавлять префикс «Represent this sentence for searching relevant passages:». Поддерживаются Matryoshka Representation Learning и бинарная квантизация, позволяющие уменьшать размер эмбеддингов и затраты на их хранение. В заявленной авторами оценке на MTEB модель показывает сильные результаты среди моделей размера BERT-large. Модель распространяется по лицензии Apache-2.0. Ограничения включают окно контекста в 512 токенов и необходимость использовать рекомендованный префикс для запросов в сценариях поиска; авторы также отмечают наличие ограничений, которые планировали исправить в версии v2, не уточняя их в этой карточке.

jfarray/Model_all-distilroberta-v1_30_Epochs — модель эмбеддингов предложений на базе RoBERTa, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска по смыслу и кластеризации текстов. Модель можно использовать через библиотеку Sentence-Transformers; в метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат PyTorch. Обучение проводилось с функцией потерь CosineSimilarityLoss. Модель принимает текст и возвращает векторные представления, которые можно сравнивать для оценки смысловой близости. README не указывает поддерживаемые естественные языки или результаты бенчмарков. Лицензия в предоставленных данных не указана.

hotchpotch/ModernBERT-embedding-CMNBRL — англоязычная модель Sentence Transformers, дообученная разработчиком на базе answerdotai/ModernBERT-base для получения плотных эмбеддингов предложений и абзацев. Она кодирует текст в векторы размерностью 768 и использует среднее pooling по токенам; сходство векторов можно оценивать по косинусной мере. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации текста. Модель имеет архитектуру ModernBERT encoder и около 149 млн параметров. README указывает максимальную длину последовательности 512 токенов, тогда как метаданные сообщают нативный контекст в 8192 токена; на практике следует учитывать ограничение конфигурации Sentence Transformers. Для обучения использовались MS MARCO, Natural Questions, GooAQ, CCNews и HotpotQA. В README приведены результаты оценки на наборах NanoBEIR и отдельных задачах поиска. Модель принимает текст и возвращает векторы, поэтому для поиска по большим коллекциям обычно требуется отдельный индекс эмбеддингов. Она ориентирована на английский язык, а её качество на других языках не подтверждено приведёнными данными. Лицензия — Apache-2.0.

Карточка модели mitanshu-reckonsys/mxbai-embed-large-v1 на Hugging Face совпадает с карточкой mixedbread-ai/mxbai-embed-large-v1, поэтому описание составлено по ней. mxbai-embed-large-v1 — модель Mixedbread AI для построения векторных представлений предложений и текстов. Это плотная BERT-модель на 433,9 млн параметров с контекстом до 512 токенов; она принимает текст и выдаёт эмбеддинги для поиска и сопоставления текстов. Карточка указывает английский язык и библиотеку sentence-transformers. Модель предназначена для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Для поисковых запросов README рекомендует добавлять префикс «Represent this sentence for searching relevant passages:». Поддерживаются Matryoshka Representation Learning и бинарная квантизация, позволяющие уменьшать размер эмбеддингов и затраты на их хранение. В заявленной авторами оценке на MTEB модель показывает сильные результаты среди моделей размера BERT-large. Модель распространяется по лицензии Apache-2.0. Ограничения включают окно контекста в 512 токенов и необходимость использовать рекомендованный префикс для запросов в сценариях поиска; авторы также отмечают наличие ограничений, которые планировали исправить в версии v2, не уточняя их в этой карточке.

mxbai-embed-large-v1 — модель Mixedbread AI для построения векторных представлений предложений и текстов. Это плотная BERT-модель на 433,9 млн параметров с контекстом до 512 токенов; она принимает текст и выдаёт эмбеддинги для поиска и сопоставления текстов. Карточка указывает английский язык и библиотеку sentence-transformers. Модель предназначена для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Для поисковых запросов README рекомендует добавлять префикс «Represent this sentence for searching relevant passages:». Поддерживаются Matryoshka Representation Learning и бинарная квантизация, позволяющие уменьшать размер эмбеддингов и затраты на их хранение. В заявленной авторами оценке на MTEB модель показывает сильные результаты среди моделей размера BERT-large. Модель распространяется по лицензии Apache-2.0. Ограничения включают окно контекста в 512 токенов и необходимость использовать рекомендованный префикс для запросов в сценариях поиска; авторы также отмечают наличие ограничений, которые планировали исправить в версии v2, не уточняя их в этой карточке.

ggml-org/Nomic-Embed-Text-V2-GGUF — это версия модели nomic-ai/nomic-embed-text-v2-moe, преобразованная в формат GGUF с помощью llama.cpp через сервис GGUF-my-repo от ggml.ai. Модель предназначена для создания векторных представлений текста и задач семантического сходства, включая поиск, сравнение и извлечение признаков; использовать её можно с инструментами и библиотеками, поддерживающими GGUF, в частности llama.cpp. В карточке указана интеграция с sentence-transformers и широкий набор поддерживаемых языков, включая английский, русский, китайский, японский, арабский, испанский, немецкий, французский и многие другие. Архитектура, количество параметров, размер контекста, размерность эмбеддингов и точные характеристики базовой модели в README не приведены, поэтому оценить производительность и ограничения по длине входа по этим данным нельзя. Модель предназначена для текстовых задач и не заявлена как мультимодальная. Лицензия — Apache-2.0.

swardiantara/one-stage-k3-MiniLM-L12-v2 — модель sentence-transformers на архитектуре BERT, разработчик обучил её для преобразования предложений и абзацев в плотные векторы размерности 384. Её можно применять для семантического поиска и кластеризации текстов; метаданные также указывают возможность извлечения признаков. Модель содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Это подходит для сравнения смысловой близости текстов и построения векторного поиска. README не сообщает обучающие данные, поддерживаемые языки или лицензию, поэтому нельзя оценить языковой охват и условия коммерческого использования.

IoannisKat1 разработал эту модель Sentence Transformers на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2, дообучив её на 4 268 парах текстов. Модель преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и извлечения релевантных текстов; близость векторов можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa и mean pooling. Matryoshka-обучение позволяет использовать усечённые векторы меньшей размерности, с приведёнными в карточке результатами для 512, 256, 128 и 64 измерений. Модель принимает текст. В карточке указан английский язык, а примеры обучающих данных написаны на греческом, поэтому применимость к другим языкам не следует считать подтверждённой только по заявленному языку. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов; README отдельно задаёт максимальную длину последовательности в 128 токенов. Лицензия — Apache-2.0.

kaiserrr/pmc-vit-l-14-multilingual — модель эмбеддингов на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов. Модель принимает текст и выдаёт векторные представления, которые можно использовать для поиска похожих фрагментов и группировки текстов по смыслу. В карточке описано обучение с функцией потерь MSELoss; репозиторий содержит веса PyTorch. Лицензия и конкретный перечень поддерживаемых языков в предоставленных данных не указаны.

hroth01/psais-multi-qa-mpnet-base-dot-v1-50shot — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. Модель обучалась с функцией потерь CosineSimilarityLoss. В README приведены варианты использования через Sentence-Transformers и Transformers; для последнего требуется подходящая операция pooling поверх контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает контекст до 514 токенов и распространяется в формате PyTorch. В карточке не указаны языки обучения и лицензия, поэтому область языкового применения и условия распространения по доступным данным определить нельзя.

Qwen3.6-14B-A3B-FableVibes-GGUF — модель tvall43 на базе Qwen3.6-14B-A3B-FableVibes, представленная в формате GGUF для запуска на локальном оборудовании. Это обобщённая модель рассуждений, дообученная на трассах рассуждений Claude Fable 5 и дополненная данными Claude Opus, Qwen для tool calling и Evol-Instruct-Code. Модель предназначена для генерации текста, решения сложных задач с многошаговым рассуждением, программирования и сценариев, связанных с вызовом инструментов. Она использует архитектуру MoE с примерно 14B активных параметров после pruning исходной модели Qwen3.6-35B-A3B. Поддерживается мультимодальный режим через файлы mmproj, однако конкретные характеристики контекстного окна и полный перечень поддерживаемых языков не указаны. Модель ориентирована на англоязычные сценарии. К сильным сторонам относятся структурированное рассуждение, улучшенные способности к работе со сложными задачами и возможность запуска на потребительском оборудовании благодаря нескольким вариантам квантования: от F16 до Q2_K. Модель поддерживает llama.cpp и совместимые интерфейсы, включая LM Studio, Ollama и text-generation-webui. Ограничениями являются повышенная задержка до первого токена из-за режима thinking, значительный расход токенов на рассуждение и возможное снижение качества в сильно сжатых вариантах квантования. Распространяется по лицензии Apache-2.0.

Qwen3.8-27B-heretic-ara-NVFP4 — производная модель hwkranger на базе Qwen/Qwen3.8-27B, прошедшая ARA-abliteration у trohrbaugh и последующую квантизацию NVFP4 от автора репозитория. Модель предназначена для генерации текста, агентных и программных сценариев, вызова инструментов, а также обработки изображений и видео. Она ориентирована прежде всего на запуск через vLLM на NVIDIA GB10 и DGX Spark с унифицированной памятью. Модель содержит 27B параметров и использует формат квантизации W4A16 NVFP4; размер на диске составляет около 20 ГБ вместо 52 ГБ у исходной BF16-версии. Vision tower и MTP-голова сохранены без квантизации, что обеспечивает работу с изображениями и видео и поддерживает speculative decoding через vLLM. Нативный контекст составляет 262 144 токена; в рекомендуемой конфигурации используется 131 072 токена. Поддерживаются шаблон чата Qwen3, reasoning-разметка с тегами <think> и вызов инструментов в формате qwen3_coder. К сильным сторонам относятся сниженные требования к памяти, высокая пропускная способность при параллельной обработке запросов и отсутствие отказов от ответов вследствие удаления исходного refusal-поведения. MTP может повысить скорость однопоточной и многопоточной генерации, но его draft-голова не обучалась на аблитерированных весах, поэтому acceptance rate ниже; также описан единичный сбой CUBLAS при смешанной нагрузке prefill и decode. Квантизация может снизить точность, поэтому критичные сценарии следует проверять сравнением с BF16-моделью. Модель унаследует знания, смещения и ограничения базовой модели; для публичного доступа необходимы собственные защитные механизмы. Лицензия — Apache-2.0.

Qwen3-VL-2B-Instruct-FP8 — это FP8-квантизированная версия мультимодальной модели Qwen3-VL-2B-Instruct, разработанной командой Qwen. Квантование выполнено методом fine-grained FP8 с размером блока 128; согласно README, показатели почти идентичны исходной версии в формате BF16. Модель предназначена для задач image-text-to-text и обработки текста, изображений и видео. Модель ориентирована на визуальное понимание и рассуждение, распознавание текста на изображениях, анализ документов, пространственное восприятие, понимание видеосцен и временных событий, а также взаимодействие с графическими интерфейсами и инструментами. Она может применяться для визуального программирования, генерации Draw.io/HTML/CSS/JS по изображениям и видео, STEM- и математических задач, OCR и агентских сценариев. Заявлена поддержка OCR на 32 языках, однако полный перечень языков в README не приведён. Архитектура относится к семейству Qwen3-VL и включает механизмы Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Указан нативный контекст 256K с возможностью расширения до 1M, но эти характеристики описаны для поколения Qwen3-VL в целом и не уточнены отдельно для данной 2B-версии. Размер модели — 2B параметров по идентификатору базовой модели. README рекомендует развёртывание через vLLM или SGLang и отмечает, что Transformers пока не поддерживает прямую загрузку этих весов. Модель распространяется по лицензии Apache-2.0.

manuel-couto-pintos/roberta_erisk_simcse — модель Sentence Transformer, дообученная автором на базе manuel-couto-pintos/roberta_erisk для получения векторных представлений предложений и абзацев. В основе лежит RoBERTa с 151,8 млн параметров; среднее объединение токенных представлений формирует плотный вектор размерности 768. Для оценки сходства используется косинусная близость, а максимальная длина входа составляет 512 токенов. Модель предназначена для сравнения смыслового сходства текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Её можно применять для поиска похожих предложений или группировки текстов по смыслу. Модель принимает текст и выдаёт векторы; она не генерирует текстовые ответы. Для содержательных результатов качество зависит от соответствия входных текстов данным обучения и выбранного способа использования векторов. Лицензия в предоставленных данных не указана.

ys7yoo/sbert_alpha — модель на базе BERT, опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и сохраняется в формате PyTorch. Модель подходит для построения векторного поиска, поиска похожих фраз и группировки текстов по смыслу. Для использования в Transformers поверх контекстных представлений токенов необходимо применить соответствующую операцию pooling; Sentence-Transformers упрощает этот этап. В карточке указано обучение с CosineSimilarityLoss. Сведения о поддерживаемых естественных языках и лицензии в предоставленных данных отсутствуют.

Модель mitra-mir/setfit_model_labelfaithful_epochs2 — sentence-transformers-модель на базе MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска по смыслу, вычисления сходства между текстами и кластеризации. В метаданных указаны 136,7 млн параметров, контекст до 514 токенов и формат PyTorch; модель предоставляет текстовые эмбеддинги. Модель обучалась с функцией потерь CosineSimilarityLoss. Это делает её подходящей для сравнения текстовых представлений и поиска семантически близких фрагментов. В карточке не указаны поддерживаемые языки и условия лицензии, поэтому их нельзя надёжно определить по имеющимся данным.

BlueAvenir/vaillant_relation_depth_model — модель на базе XLM-RoBERTa, разработанная для преобразования предложений и абзацев в плотные векторы размерностью 768. Она предназначена для оценки семантической близости текстов и может применяться для семантического поиска и кластеризации. Модель обучалась с функцией потерь CosineSimilarityLoss и доступна в формате PyTorch; использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Карточка не уточняет языковую специализацию; XLM-RoBERTa рассчитана на многоязычные тексты. Лицензия в предоставленных данных не указана.

Vela-1.0-Encoder-307M — многоязычная модель эмбеддингов, разработанная llm-semantic-router для семантического сопоставления запросов, поиска контекста и организации памяти в маршрутизаторе. Она построена на архитектуре ModernBERT и содержит 306,9 млн параметров; модель принимает текст и формирует векторные представления для извлечения признаков и сравнения предложений. Заявлена длина контекста до 32 768 токенов. В карточке приведены результаты на отдельных задачах MTEB 2.21.0 и тесте длинного поиска документов SummScreenFD: на перечисленных наборах Vela превосходит исходную mmBERT Embedding, включая показатель nDCG@10 на SummScreenFD. Эти результаты относятся только к указанным задачам и не являются общей оценкой MTEB. Поддерживаются английский, арабский, испанский, японский и китайский языки. Доступны форматы ONNX и safetensors; библиотека — sentence-transformers. Лицензия Apache-2.0.

Карточка модели avsolatorio/01-600-11-1-2-2-0-0-cls-qli_0-normed-384-512_ASYM_BAAI_bge-small-en-v1.5-20240416141927-latest на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.