I.2Синтез, понимание и проверка знаний

LumenX1-Sept26-Release — текстовая авторегрессионная модель семейства Lumen Dense, опубликованная dusersad12 на Hugging Face. Она предназначена для диалогов и генерации ответов, особенно для сложных задач на рассуждение, математику, программирование и общую логику. В карточке заявлены улучшенные рассуждения, снижение числа галлюцинаций и поддержка вызова функций; для ответа на вопрос AIME 2026 указано в среднем 31 тыс. токенов рассуждения. Модель использует архитектуру LumenDenseForCausalLM и распространяется в формате PyTorch для Transformers. Репозиторий выпущен под лицензией MIT. Карточка не сообщает размер модели, длину контекста и поддерживаемые естественные языки. Заявления о качестве приведены в README, но детали бенчмарков описаны частично.

Карточка модели gemasphi/mcontriever-msmarco на Hugging Face совпадает с карточкой gemasphi/mcontriever, поэтому описание составлено по ней. gemasphi/mcontriever — модель на основе архитектуры BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Общее число параметров — 205,1 млн, максимальная длина контекста — 512 токенов; репозиторий содержит веса PyTorch. Модель подходит для построения векторного поиска по текстовым коллекциям, группировки похожих фрагментов и оценки семантической близости. В README описано обучение с CosineSimilarityLoss. Язык обучения или перечень поддерживаемых языков в предоставленных данных не подтверждены. Лицензия в доступных сведениях не указана.

gaussalgo/MiniLM-L6-v2-Canard-Fullwiki — модель эмбеддингов на базе BERT, опубликованная пользователем gaussalgo. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения сходства текстов. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством; модель доступна в формате PyTorch и рассчитана на контекст до 512 токенов. Модель подходит для поиска семантически близких фрагментов и группировки текстов по смыслу. В карточке не приведены поддерживаемые языки и результаты оценки качества, поэтому нельзя уверенно определить языковой охват или сравнительную эффективность. Размер модели — около 40 млн параметров. Условия лицензии в предоставленных данных не указаны.

mmBERT-Embed-32K-2D-Matryoshka — мультиязычная модель для получения векторных представлений текстов, разработанная vllm-sr и дообученная на базе vllm-sr/mmbert-32k-yarn. Это энкодер ModernBERT с 306,9 млн параметров и контекстом до 32 768 токенов; модель рассчитана на широкий круг языков, включая низкоресурсные, и обучалась на многоязычных парах запросов и документов из BAAI/bge-m3-data. Модель предназначена для поиска по смыслу, семантического сопоставления, классификации и извлечения релевантных документов в RAG-системах, в том числе при работе с длинными текстами. Поддерживает 2D Matryoshka: можно уменьшать размерность эмбеддингов и использовать выходы промежуточных слоёв для компромисса между качеством, скоростью и объёмом хранения. В README приведены результаты MTEB и STS, однако качество зависит от языка и сценария; при сокращении числа слоёв оно заметно снижается. Для других задач может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

Карточка модели imaneb942/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой thenlper/gte-large, поэтому описание составлено по ней. gte-large — модель текстовых эмбеддингов General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на крупном корпусе пар текстов с оценками релевантности. Она преобразует английские тексты в векторы размерностью 1024 и предназначена для поиска информации, сравнения семантической близости и ранжирования текстов. Модель применима в поисковых системах, семантическом сопоставлении предложений и других задачах, использующих текстовые эмбеддинги. В тесте MTEB для gte-large указана средняя оценка 63,13 по 56 задачам. Контекст ограничен 512 токенами: более длинные тексты обрезаются. Модель рассчитана только на английский язык. Лицензия — MIT.

Карточка модели Youssefbou62/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой thenlper/gte-large, поэтому описание составлено по ней. gte-large — модель текстовых эмбеддингов General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на крупном корпусе пар текстов с оценками релевантности. Она преобразует английские тексты в векторы размерностью 1024 и предназначена для поиска информации, сравнения семантической близости и ранжирования текстов. Модель применима в поисковых системах, семантическом сопоставлении предложений и других задачах, использующих текстовые эмбеддинги. В тесте MTEB для gte-large указана средняя оценка 63,13 по 56 задачам. Контекст ограничен 512 токенами: более длинные тексты обрезаются. Модель рассчитана только на английский язык. Лицензия — MIT.

sieu-n/msmarco-distilbert-cos-v5_en-ko-ja_10epoch — модель Sentence-Transformers на архитектуре XLM-RoBERTa для получения плотных векторов предложений и абзацев размерности 768. Она предназначена для поиска семантически близких текстов и кластеризации; в README указано обучение с MSELoss. Метаданные указывают 305,2 млн параметров, контекст до 514 токенов и формат PyTorch. По названию репозитория модель ориентирована на английский, корейский и японский языки. Модель подходит для построения семантического поиска и сравнения текстов через эмбеддинги. README не приводит количественных результатов оценки, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

sieu-n/msmarco-distilbert-cos-v5_en-ko-ja_v1.3 — модель Sentence-Transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Контекст модели составляет 514 токенов. Модель подходит для поиска похожих фраз и документов, сравнения текстовых запросов с текстовыми фрагментами и построения векторных представлений для последующей кластеризации. В README указано обучение с функцией потерь MSELoss; метаданные также отмечают возможность извлечения признаков и наличие эмбеддингов. Название указывает на английский, корейский и японский языки, однако карточка не описывает их качество или относительную поддержку. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Карточка модели Sangyup/multilingual-e5-local-copy на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large-instruct, поэтому описание составлено по ней. Multilingual-E5-large-instruct — текстовая модель эмбеддингов из семейства E5, представленная авторами технического отчёта Multilingual E5 Text Embeddings. Она основана на XLM-RoBERTa-large и использует архитектуру XLM-RoBERTa с 24 слоями; размер эмбеддинга — 1024, всего 658,7 млн параметров. Модель принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Репозиторий содержит веса в форматах Safetensors и ONNX. Модель предназначена для семантического поиска, сопоставления запросов с документами и оценки сходства текстов на многих языках. Для запроса необходимо добавлять одно предложение-инструкцию, описывающее задачу; документам инструкция не нужна. Модель обучалась на смеси многоязычных наборов данных и поддерживает 100 языков XLM-RoBERTa, включая русский. Длина контекста ограничена 512 токенами: более длинный текст обрезается. На низкоресурсных языках качество может быть ниже. Абсолютные значения косинусного сходства не следует трактовать как уверенность — для задач поиска важнее относительный порядок оценок. Лицензия — MIT.

Fjoralb1 выпустил модель эмбеддингов на базе архитектуры BERT, предназначенную для преобразования предложений и абзацев в плотные векторы размерностью 128. Модель содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Векторы подходят для семантического поиска, сравнения сходства, кластеризации и других задач, где нужно находить близкие по смыслу фрагменты текста. Модель обучалась с MatryoshkaLoss и MultipleNegativesRankingLoss; обучение поддерживает представления разных размерностей, включая 128, 64, 32 и 16. Модель доступна в форматах PyTorch и Safetensors для библиотеки Sentence Transformers. В предоставленных материалах сведения о лицензии и конкретных поддерживаемых языках отсутствуют.

tomaarsen/mxbai-embed-large-v1-test — репозиторий Mixedbread с моделью для получения векторных представлений предложений на основе семейства mxbai-embed-large-v1. Она предназначена для поиска релевантных фрагментов и сравнения текстов по смыслу. Для поискового запроса README рекомендует добавлять инструкцию «Represent this sentence for searching relevant passages:»; для остальных текстов специальный промпт не требуется. Модель поддерживает Matryoshka Representation Learning и бинарную квантизацию. Модель использует архитектуру BERT, содержит около 433,9 млн параметров и рассчитана на контекст до 512 токенов. В карточке указана поддержка английского языка. Доступны форматы safetensors, ONNX, OpenVINO и GGUF F16; библиотека — Sentence Transformers. Лицензия — Apache-2.0. Суффикс test есть в идентификаторе репозитория, но предоставленные сведения не подтверждают, что это тестовая заглушка или отдельный тестовый чекпойнт.

Nanbeige/Nanbeige4.2-3B-DSpark — веса DSpark для модели Nanbeige4.2-3B, разработанной Nanbeige на основе Nanbeige4.2-3B-Base. Репозиторий предназначен для использования вместе с Nanbeige4.2-3B и заявлен как способ ускорить инференс. Модель относится к семейству Qwen3, использует плотную архитектуру; класс реализации — Qwen3DSparkModel. В метаданных указаны 1,1 млрд параметров, контекст 262 144 токена и формат safetensors. Модель ориентирована на генерацию текста, рассуждения, работу с инструментами и многошаговые сценарии: общие агентные задачи, программирование, офисные процессы и персональный помощник. В README также описаны математические и научные рассуждения. Заявленная разработчиком поддержка английского и китайского языков; README отмечает, что для агентных и инструментальных сценариев применяются соответствующие шаблон чата и внешняя среда-исполнитель. Модель дообучена от Nanbeige/Nanbeige4.2-3B-Base и распространяется по лицензии Apache-2.0. README предупреждает о возможных неточных, предвзятых, дискриминационных или иных вредных ответах. Утверждения о скорости и результатах бенчмарков приведены разработчиком; фактическая производительность зависит от среды запуска и интеграции.

cnmoro выпустил компактную модель статических текстовых эмбеддингов на основе nomic-embed-text-v2-moe. Она создана с помощью Tokenlearn: автор сгенерировал эмбеддинги для 23 млн триплетов MS MARCO исходной моделью, а затем обучил на них Model2Vec-модель. Размер выходного вектора — 768 измерений; для загрузки автор рекомендует библиотеку Model2Vec, а метаданные также указывают Sentence Transformers. Модель предназначена для семантического поиска, сравнения предложений и извлечения релевантных документов. В карточке приведена оценка именно этой дистиллированной версии. Репозиторий создан 15 июня 2025 года и распространяется по лицензии Apache-2.0. Метаданные указывают английский и португальский языки; обучающие данные включают португалоязычные триплеты MS MARCO.

NV-Embed-v1 — англоязычная модель эмбеддингов от NVIDIA на базе decoder-only LLM Mistral-7B-v0.1. Она преобразует запросы и тексты в векторы размерностью 4096 для поиска и других задач сравнения и анализа текста. Модель использует pooling с latent attention и двухэтапную настройку инструкциями. В README сообщается о результатах на бенчмарке MTEB по 56 задачам, включая поиск, ранжирование, классификацию, кластеризацию и семантическое сходство; также указаны результаты AIR-Bench QA для английского языка и Long-Doc. Для доступа к репозиторию требуется аутентификация Hugging Face. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для получения эмбеддингов и поддерживает задачи извлечения признаков и сравнения предложений; в каталоге файлов указан формат safetensors.

Octen-Embedding-0.6B — текстовая модель эмбеддингов, разработанная Octen и дообученная методом LoRA на Qwen/Qwen3-Embedding-0.6B. Она предназначена для семантического поиска и извлечения информации, а также для сравнения и кластеризации текстов, поиска по документам и межъязыкового поиска. Модель построена на архитектуре Qwen3, содержит около 507,6 млн параметров и преобразует текст в векторы размерности 1024. Она поддерживает контекст до 32 768 токенов и многоязычную работу; в карточке заявлена поддержка более 100 языков, включая английский и китайский. Модель рассчитана на retrieval-сценарии и может использоваться для ранжирования кандидатов через сходство эмбеддингов, а также как представление текста для классификации и ответов на вопросы. Качество зависит от предметной области и языка, а документы длиннее контекстного окна требуют усечения. Модель не предназначена для генерации текста. Распространяется по лицензии Apache-2.0.

DejanX13/Poverenik_embedding_doc_2000 — модель на базе XLM-RoBERTa, созданная для преобразования предложений и абзацев в плотные векторы размерности 1024. Она предназначена для семантического поиска, сравнения текстов и кластеризации с использованием Sentence-Transformers. Модель содержит 658,7 млн параметров, принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Лицензия в предоставленных данных не указана.

TeichAI/Qwen3-14B-Claude-4.5-Opus-High-Reasoning-Distill-GGUF — языковая модель, разработанная TeichAI на базе unsloth/Qwen3-14B. Она дообучена методом дистилляции на наборе данных TeichAI/claude-4.5-opus-high-reasoning-250x, созданном на основе ответов Claude Opus 4.5 с высокой интенсивностью рассуждений. Модель предназначена для генерации текста общего назначения, программирования и научных задач. В README указано 14 млрд параметров, однако сведения об архитектурных деталях, модальностях, поддерживаемых языках и размере контекста отсутствуют. Формат GGUF предполагает использование в совместимом локальном инференсе, но конкретные варианты квантования и требования к ресурсам не приведены. Сильной стороной модели является специализация на задачах, требующих развернутого рассуждения, включая кодирование и научные вопросы. Ограничения также связаны с отсутствием подробных данных о качестве, бенчмарках, языковом покрытии, контекстном окне и рекомендуемых параметрах запуска. Модель распространяется по лицензии Apache-2.0.

Qwen3-1.5B-Instruct — компактная языковая модель на 1,5 млрд параметров, созданная сообществом с помощью mergekit. Это слияние методом TIES инструктивной модели Qwen2.5-1.5B-Instruct с Qwen2.5-Coder-1.5B-Instruct и Qwen2.5-Math-1.5B-Instruct. Модель использует архитектуру Qwen2 для генерации текста и диалогов; заявленный контекст — до 32 768 токенов. Модель подходит для ответов на вопросы, инструктивных диалогов, генерации кода и решения математических задач. Метаданные также отмечают интерфейс для вызова инструментов. Модель распространяется в формате Safetensors; README указывает, что при слиянии использовалась точность float16. Лицензия в предоставленных материалах не указана.

TeichAI разработала эту плотную языковую модель с 3,7 млрд параметров на основе unsloth/Qwen3-4B-Thinking-2507. Модель дообучена на наборе TeichAI/gemini-3-pro-preview-high-reasoning-250x, составленном из примеров Gemini 3 Pro Preview с высоким уровнем рассуждений, и предназначена для генерации текста в диалогах и решения сложных задач. Указанные сценарии применения — программирование и наука. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и предоставляет интерфейсы для чата и вызова инструментов. В репозитории указаны веса Safetensors; лицензия — Apache-2.0. Карточка не приводит оценок качества или сравнительных результатов, поэтому возможности модели в конкретных задачах требуют проверки.

Youssofal/Qwen3.8-Flash-Next-MTPLX-Bare-Speed — это квантованная версия Qwen/Qwen3.8-Flash-Next, подготовленная для запуска через MTPLX на компьютерах Apple Silicon. Модель предназначена для локального диалога, генерации текста и программного кода, включая сценарии работы с OpenCode и другими инструментами разработки. В основе лежит архитектура поколения Qwen4 с гибридной MoE-структурой GDN, Qwen Sparse Attention, памятью n-gram на 51 млрд параметров и встроенной головой multi-token prediction. Заявлены поддержка текста и сохранённая vision tower, контекст до 262 144 токенов; языки в README не указаны. Все MoE-эксперты и плотные матрицы выполнены в плоской 4-битной квантизации с группами по 64 веса, а отдельные компоненты, включая нормализации, параметры GDN, индексатор QSA и MTP-голову, сохраняются в 16-битном формате. Размер загрузки составляет 106,3 ГБ, из которых около 32 ГБ занимает таблица n-gram, потоково читаемая с SSD; резидентные веса занимают примерно 74 ГБ плюс рабочая память. Рекомендуется Apple Silicon Mac с unified memory от 96 ГБ. Адаптивная speculative decoding с глубиной до 3 токенов, по данным README, обеспечивает ускорение до 1,6 раза относительно обычной авторегрессивной генерации, сохраняя распределение вывода при поддерживаемых настройках sampling. Сильные стороны модели — высокая скорость локального запуска, большой контекст и оптимизация под Apple Silicon. Ограничения включают значительные требования к памяти, зависимость от MTPLX и macOS на Apple Silicon, а также компромисс качества, связанный с плоской 4-битной квантизацией; README указывает, что версия Optimized Speed обеспечивает более высокое качество и работает немного медленнее. Лицензия указана как qwen-community-1.0; точные условия следует уточнять в файле LICENSE и документации базовой модели.

LostGentoo/Qwen3-Embedding-8B-AWQ — квантованная версия модели Qwen3-Embedding-8B, разработанная LostGentoo на базе модели Qwen от Qwen. Это модель для построения векторных представлений текста и задач семантического сходства, поиска и retrieval-сценариев. Она поддерживает английский и китайский языки, использует архитектуру Qwen3ForCausalLM с преобразованием в embedding- или pooling-режим и рассчитана на контекст до 8192 токенов. Модель применяет 4-битное AWQ-квантование W4A16: 252 линейных слоя хранятся в формате INT4, а embed_tokens и RMSNorm — в BF16. Размер эмбеддинга составляет 4096, при этом базовая модель поддерживает Matryoshka Representation Learning с размерностями от 32 до 4096. В конфигурации sentence-transformers используются pooling по последнему токену и L2-нормализация. Размер модели на диске около 4,8 ГБ против примерно 15 ГБ у версии BF16, что снижает требования к памяти. По приведённым оценкам MTEB-lite, квантование сохраняет большую часть качества исходной модели: для STSBenchmark Spearman составляет 0,881 против 0,884 у BF16, а для SciFact nDCG@10 — 0,777 против 0,787; корреляция оценок AWQ и BF16 равна 0,996. Ограничения включают возможную небольшую потерю качества из-за квантования и необходимость корректной настройки pooling-режима при использовании через vLLM. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

cyankiwi/Qwen3-VL-4B-Instruct-AWQ-8bit — 8-битная AWQ-квантизованная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Модель предназначена для обработки текста и изображений, а также заявлена для понимания видео, визуального рассуждения и взаимодействия с графическими интерфейсами. Она подходит для описания изображений, визуального вопросно-ответного взаимодействия, OCR, анализа документов, STEM-задач, генерации кода и разметки интерфейсов по визуальным примерам. Модель использует плотную архитектуру размером 4B параметров и поддерживает контекст до 256K токенов с возможностью расширения до 1M. Среди заявленных архитектурных компонентов — Interleaved-MRoPE для временных и пространственных координат, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа видео. Указана поддержка OCR на 32 языках, однако полный перечень языков в README не приведён. Сильные стороны модели — объединённое понимание текста и изображений, распознавание объектов и документов, пространственное и временное рассуждение, работа с длинным контекстом и сценарии визуального агента. Ограничения включают уменьшенную точность, возможные потери качества и совместимость, связанные с 8-битной AWQ-квантизацией, а также отсутствие в README подробных количественных результатов, полного списка языков и требований к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

ighina/roberta_topseg_cls_wikicity — модель эмбеддингов предложений на базе RoBERTa, опубликованная на Hugging Face. Она кодирует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 151,8 млн параметров, использует формат PyTorch и рассчитана на контекст до 514 токенов. Модель обучена с функцией потерь CosineSimilarityLoss и предназначена для получения векторных представлений текста, пригодных для семантического поиска и группировки похожих фрагментов. Карточка описывает применение Sentence-Transformers и Transformers; для Transformers требуется корректная операция pooling поверх контекстных представлений токенов. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

Модель usc-isi/sbert-roberta-large-anli-mnli-snli разработана командой USC Information Sciences Institute. Это Sentence-Transformers-модель на базе RoBERTa-large, дообученная на наборах ANLI, MNLI и SNLI для получения плотных векторов предложений и абзацев размерностью 768. Она подходит для семантического поиска, сравнения смысловой близости, кластеризации и группировки текстов. Модель принимает текст на английском языке и формирует векторные представления. В метаданных указан контекст до 514 токенов, а размер модели составляет 151,8 млн параметров. Для Transformers требуется применять mean pooling к контекстным представлениям токенов; Sentence-Transformers предоставляет более простой способ использования. Лицензия в предоставленных данных не указана.

scaperex/SetFitTest — модель на архитектуре MPNet, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения текстов по сходству. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов; модель работает с текстом и выдаёт эмбеддинги. В карточке указано обучение с CosineSimilarityLoss. Модель можно применять для поиска семантически близких фрагментов и группировки текстов. Репозиторий содержит веса PyTorch. Сведения о лицензии и языковой специализации не приведены в использованных источниках.

SFR-Embedding-2_R — модель эмбеддингов текста, разработанная Salesforce Research. Она предназначена для получения векторных представлений текста и задач сравнения предложений, включая поиск и оценку семантической близости. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана поддержка английского языка и формата safetensors; модель доступна для использования через Transformers и Sentence Transformers. Разработчики представляют её в поддержку академической статьи и рекомендуют перед применением оценивать точность, безопасность и справедливость для конкретного сценария, особенно в задачах с высокими последствиями. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

vitthalbhandari/simcse_retrain_edos_100k — модель эмбеддингов предложений на базе RoBERTa, опубликованная пользователем Hugging Face vitthalbhandari. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит около 151,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Модель обучена с функцией MultipleNegativesRankingLoss и косинусным сходством. В названии указаны SimCSE и EDOS, но карточка не поясняет датасет или специализацию, поэтому назначение следует считать общим для семантических эмбеддингов. Для использования доступны Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

USER2-small — русскоязычная модель для получения векторных представлений предложений и длинных текстов, разработанная DeepPavlov. Она построена на энкодере RuModernBERT-small и дообучена для поиска, сравнения смысловой близости и других семантических задач. Модель содержит 34,4 млн параметров, поддерживает контекст до 8192 токенов и выдаёт эмбеддинги размерностью 384. Модель поддерживает Matryoshka Representation Learning: эмбеддинги можно сокращать до 32, 64, 128 или 256 измерений с небольшими потерями качества. Для разных сценариев предусмотрены префиксы, например search_query и search_document для поиска, а также clustering для кластеризации. В карточке приведены результаты оценок на MTEB-rus и русской части MLDR; качество зависит от задачи, длины текста и выбранного префикса. USER2-small подходит для семантического поиска по русскоязычным документам, ранжирования кандидатов и группировки похожих текстов. Это энкодер, который возвращает эмбеддинги, а не готовые текстовые ответы. Модель распространяется по лицензии Apache-2.0.

tubyneto/wandss-bert — модель Sentence Transformers на архитектуре MPNet, содержащая 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель принимает текст и выдаёт векторные представления; заявленная длина контекста — 514 токенов. В README указано, что модель обучалась с функцией потерь SoftmaxLoss. Она подходит для семантического поиска, группировки текстов по смыслу и вычисления сходства предложений. Доступны веса в формате PyTorch; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

KFST/XLMRoberta-en-da-sv-nb — модель эмбеддингов предложений на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Модель содержит 305,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель предназначена для поиска смысловой близости между текстами и организации текстовых коллекций по смыслу. В названии указаны английский, датский, шведский и норвежский языки; это согласуется с использованием модели для многоязычных текстовых представлений в этих языках. Для применения можно использовать Sentence-Transformers либо Transformers с соответствующей операцией pooling. В карточке приведено обучение с MSELoss, но подробные результаты оценки и сведения о тренировочных данных не представлены. Лицензия в доступных данных не указана.