I.2Синтез, понимание и проверка знаний

BAAI/bge-base-zh — плотная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она кодирует китайский текст в векторы для семантического поиска, извлечения документов, кластеризации и классификации, а также для использования в векторных базах данных и системах дополненной генерации (RAG). Модель основана на BERT, содержит около 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для построения индекса документов и поиска по коротким запросам, включая поиск релевантных фрагментов для LLM. В README отмечено, что для запросов, ищущих длинные документы, может помочь инструкция к запросу; оценивать следует прежде всего относительный порядок оценок сходства. Для ранжирования уже найденных документов авторы рекомендуют отдельную модель BGE Reranker. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT. В карточке рекомендуется перейти на BAAI/bge-base-zh-v1.5: более новая версия улучшает распределение оценок сходства и качество поиска.

BAAI/bge-large-en — англоязычная модель плотных текстовых эмбеддингов из семейства BGE (BAAI General Embedding), разработанного Beijing Academy of Artificial Intelligence (BAAI). Она кодирует текст в векторы для семантического поиска, извлечения документов, классификации и кластеризации, а также для поиска контекста в системах с векторными базами данных и RAG. Модель построена на архитектуре BERT и содержит около 433,9 млн параметров; принимает текстовые последовательности длиной до 512 токенов и выдаёт векторы. Для поиска по короткому запросу и длинным документам README рекомендует добавлять к запросу инструкцию. В карточке также рекомендована более новая версия bge-large-en-v1.5: у исходной модели распределение оценок сходства может быть смещено, поэтому абсолютный порог сходства следует выбирать по данным конкретной задачи. Модель распространяется по лицензии MIT.

Карточка модели ekorman-strive/bge-large-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

Карточка модели katanemo/bge-large-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

furiosa-ai/bge-m3 — сборка многоязычной модели эмбеддингов BGE-M3, разработанной BAAI на архитектуре энкодера XLM-RoBERTa. Репозиторий содержит веса BF16 и Furiosa Executable Bundle для запуска через Furiosa-LLM на ускорителе FuriosaAI RNGD; размер модели — 658,7 млн параметров, контекст — 8194 токена. Сборка выдаёт плотные эмбеддинги размерностью 1024 для семантического поиска, извлечения релевантных текстов и сопоставления сходства. Векторы нормализованы по L2, поэтому их скалярное произведение соответствует косинусному сходству. В отличие от возможностей исходной BGE-M3, описанных в карточке, эта сборка через Furiosa-LLM предоставляет именно плотные эмбеддинги, а не разреженные или многовекторные представления. Модель принимает текст и выдаёт векторы. Она предназначена для многоязычных сценариев; список конкретных языков в предоставленных данных не приведён. Лицензия — MIT. Для запуска этой сборки указаны Furiosa-LLM и оборудование FuriosaAI RNGD; исходная модель также поддерживается другими фреймворками.

RishabJ/bge-m3-dim-384 — вариант мультиязычной модели эмбеддингов BGE-M3, опубликованный пользователем RishabJ. Основан на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и рассчитан на последовательности длиной до 8194 токенов. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Модель предназначена для поиска по смыслу, извлечения документов и построения RAG-систем. Семейство BGE-M3 поддерживает плотный поиск, разреженные лексические веса и многовекторное представление ColBERT, что позволяет строить гибридный поиск и обрабатывать как короткие фразы, так и длинные документы. README указывает поддержку более 100 языков; этот репозиторий имеет уменьшенную размерность эмбеддингов 384. Модель полезна для многоязычного семантического и гибридного поиска, а также для оценки сходства предложений. Для повышения точности поиска README рекомендует применять отдельный реранкер после извлечения кандидатов. Доступна по лицензии MIT.

TesNik369/bge-m3-tqa-merged-epoch-3 — текстовая модель эмбеддингов Sentence Transformer, дообученная на базе BAAI/bge-m3 на наборе tqa-bge-m3-finetune-triplets. Она кодирует предложения и абзацы в плотные векторы размерностью 1024, нормализует их и предназначена для поиска по сходству и извлечения релевантных текстов; сходство оценивается косинусной метрикой. Архитектура включает XLM-RoBERTa, pooling по CLS и нормализацию; README указывает максимум 512 токенов на последовательность, а метаданные — контекст до 8194 токенов. Модель подходит для семантического поиска и ранжирования текстов по близости к запросу, в том числе в сценариях retrieval и построения RAG. Обучающая выборка содержит 8 220 троек «запрос, релевантный текст, нерелевантный текст»; в README приведены результаты оценки на tqa-dev. Языки и прикладная область набора не определены в предоставленных данных, поэтому конкретную языковую специализацию модели установить нельзя. Модель распространяется под лицензией, указанной в карточке Hugging Face; сведения о лицензии в предоставленных данных отсутствуют.

mlx-community/bge-small-en-v1.5-8bit — компактная 8-битная версия модели bge-small-en-v1.5 в формате MLX для построения текстовых эмбеддингов. Модель относится к семейству sentence-transformers, основана на архитектуре BERT и содержит около 40 млн параметров; она предназначена для работы с английским языком и поддерживает контекст до 512 токенов. Модель преобразует тексты и предложения в векторные представления, пригодные для семантического поиска, сравнения похожести, классификации, кластеризации и reranking. Она может использоваться как компонент retrieval-систем и RAG-приложений, а формат MLX ориентирован на запуск в экосистеме Apple. Модель не является генеративной и не предназначена для создания ответов или продолжения текста. Распространяется по лицензии MIT. К ограничениям относятся поддержка английского языка, максимальная длина контекста 512 токенов и возможная потеря точности из-за 8-битного квантования; качество зависит от предметной области и способа использования эмбеддингов.

Карточка модели tomaarsen/bge-small-en-v1.5-copy 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.

DiTy/bi-encoder-russian-msmarco — русскоязычная модель sentence-transformers, разработанная на основе DeepPavlov/rubert-base-cased и дообученная на датасете MS-MARCO Russian passage ranking. Это двунаправленный энкодер на архитектуре BERT с 205,1 млн параметров: он преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, в том числе асимметричного поиска, когда запрос и документ имеют разную роль. Модель рассчитана на поиск по русскоязычным коллекциям и сравнение текстов по смысловой близости; её можно применять для построения поисковых систем и извлечения релевантных фрагментов. Модель принимает текст и выдаёт векторные представления. Максимальная длина контекста — 512 токенов. Она распространяется по лицензии MIT. В README отмечено, что при использовании через Transformers нужно корректно применить pooling к контекстным представлениям токенов.

Chicka-Mixtral-3x7b — языковая модель класса Mixture of Experts, созданная Chickaboo путём объединения трёх моделей на базе Mistral: разговорной OpenChat 3.5, модели для кода CodeNinja и математической MetaMath. Модель имеет архитектуру MixtralForCausalLM, около 7,1 млрд параметров и контекст до 8192 токенов; файлы опубликованы в формате safetensors. Лицензия — MIT. Модель предназначена для генерации текста в диалогах, помощи с программированием и решения математических задач. В README приведены результаты нескольких бенчмарков, однако они не гарантируют качество на конкретных пользовательских запросах. Данные о поддерживаемых языках и специальные ограничения применения в карточке не описаны.

dots.ocr-GGUF — это GGUF-версия мультиязычной vision-language модели dots.ocr, разработанной rednote-hilab и опубликованной пользователем prithivMLmods на основе dots-studio/dots.ocr. Модель предназначена для анализа изображений документов и объединяет обнаружение структуры документа с распознаванием содержимого в одной модели. Она подходит для научных статей, книг, презентаций, финансовых отчётов, экзаменационных работ, журналов и газет. Модель построена на компактной языковой основе объёмом 1,7 млрд параметров, связанной с Qwen2.5-VL, и поддерживает более 100 языков, включая английский и китайский. Она может выполнять полный разбор макета, обнаружение элементов, OCR и grounding OCR в зависимости от запроса. Результат выдаётся в структурированном JSON с ограничивающими рамками и категориями элементов, а текст оформляется в Markdown, формулы — в LaTeX, таблицы — в HTML. Доступны варианты GGUF с точностями от Q3_K до Q8_0, а также BF16 и F16; для работы с изображениями требуются отдельные файлы mmproj. К сильным сторонам относятся единый подход к анализу макета и содержимого, высокие результаты на OmniDocBench для распознавания текста, таблиц и порядка чтения, а также качество распознавания формул, сопоставимое с гораздо более крупными моделями. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантизации, необходимость мультимодального проектора и отсутствие в README сведений о точном размере контекста и системных требованиях. Модель распространяется по лицензии MIT и поддерживает запуск через llama.cpp; также заявлена совместимость с Transformers и vLLM, для которого рекомендуется версия 0.9.1.

htdht/e5_base_finetune_v2 — модель Sentence Transformers, разработанная автором репозитория на базе intfloat/multilingual-e5-base и дообученная на наборах triplet и mnrl. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство между ними можно оценивать по косинусной мере. Архитектура включает XLM-RoBERTa, mean pooling и нормализацию. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в retrieval-сценариях. Принимает текст, поддерживает многоязычный ввод и обрабатывает последовательности длиной до 514 токенов по метаданным. В README приведён результат cosine_accuracy 0,8745 на valid_triplet; он характеризует только указанную оценку и не гарантирует качество на других данных. Модель содержит около 305,2 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

lewispons/email-classifiers — модель на базе BERT, созданная с помощью Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель подходит для семантического поиска, кластеризации и сопоставления текстов, в том числе для группировки и поиска похожих электронных писем. Модель содержит 25,9 млн параметров, работает с текстом и поддерживает контекст длиной до 512 токенов. В карточке указано обучение с функцией потерь CosineSimilarityLoss. Доступны веса PyTorch; лицензия в предоставленных данных не описана.

Это компактная текстовая модель Sentence Transformer, разработанная much1na и дообученная на базе capemox/ettin-encoder-17m-pretrain-50m. Энкодер ModernBERT преобразует предложения и абзацы в плотные векторы размерностью 256; для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и извлечения релевантных документов по текстовому запросу. В README указана максимальная длина последовательности 512 токенов, а метаданные каталога сообщают нативный контекст до 7999 токенов. Модель обучалась с EmbedDistillLoss на наборе примерно из 8,39 млн примеров; в карточке также приведены результаты оценки на NanoMSMARCO. Лицензия в предоставленных данных не указана.

Granite Embedding 97M Multilingual R2 — текстовая модель эмбеддингов, разработанная командой Granite Embedding в IBM. Она использует архитектуру bi-encoder на базе ModernBERT и преобразует запросы, документы, фрагменты текста и код в векторы размерностью 384 для сравнения по косинусному сходству и поиска похожего содержимого. Модель предназначена для многоязычного семантического поиска, сопоставления запросов с документами и поиска по коду. Она содержит 97,4 млн параметров, 12 слоёв и поддерживает контекст до 32 768 токенов. Улучшенное обучение данными для поиска заявлено для 52 естественных языков и кода; энкодер предварительно обучен на текстах более чем 200 языков. Доступны форматы Safetensors, ONNX и OpenVINO; лицензия — Apache 2.0. Компактный размер позволяет использовать модель при меньших требованиях к ресурсам, чем у более крупной версии Granite Embedding. Компромисс — возможное снижение точности, особенно для языков с малым объёмом ресурсов; качество токенизации также может различаться между языками, а тексты длиннее контекстного окна усекаются.

Voctree разработала эту модель Sentence Transformers дообучением microsoft/harrier-oss-v1-0.6b. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерностью 1024 для семантического поиска и извлечения релевантных текстов. Близость векторов оценивается косинусным сходством. Модель построена на архитектуре Qwen3: трансформер формирует токенные представления, затем применяется pooling по последнему токену и нормализация. Она принимает только текст и поддерживает последовательности длиной до 32 768 токенов. В обучающем наборе из 18 851 пары есть примеры на английском и корейском; базовая модель заявлена как мультиязычная, но полный перечень поддерживаемых языков не приведён. Веса доступны в формате safetensors; лицензия в предоставленных данных не указана.

Infinity-Parser2-Pro — модель понимания документов от разработчиков Infinity-Parser2. Она предназначена для точного разбора изображений документов и выдачи структурированного текста, например в формате Markdown. Модель построена на архитектуре Qwen3.5 MoE и доступна через библиотеку Transformers; для обработки PDF и пакетных сценариев авторы также предлагают отдельную оболочку. Модель распознаёт текст и структуру страниц, анализирует макеты и таблицы, разбирает графики и формулы, включая химические, а также отвечает на вопросы по документам. По данным авторов, она набрала 87,6% на olmOCR-Bench и 74,3% на ParseBench. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Основная область применения — документы на английском и китайском языках. Точность снижается на многоязычных документах, графиках со сложной структурой и страницах с повёрнутыми элементами; модель также не сохраняет мелкие особенности форматирования текста и может испытывать трудности со сложными многошаговыми инструкциями по изображению.

InternVL3-78B — разработанная OpenGVLab мультимодальная большая языковая модель семейства InternVL3 для диалога и задач на стыке зрения и языка. Она принимает текст, изображения и видео, а также поддерживает работу с несколькими изображениями в одном запросе. Архитектура следует схеме ViT-MLP-LLM: визуальный энкодер InternViT соединён через MLP-проектор с языковой моделью; для изображений используются динамическое разбиение на фрагменты 448×448 и кодирование визуальных позиций V2PE. Вариант содержит 78 млрд параметров. Модель предназначена для ответов на вопросы по изображениям и видео, визуального рассуждения, анализа диаграмм и промышленных изображений, понимания 3D-сцен, работы с графическими интерфейсами и использования инструментов. Она также выполняет текстовые задачи и поддерживает многоязычный диалог. Карточка сообщает об улучшенных мультимодальном восприятии и рассуждении относительно InternVL 2.5, но не приводит здесь конкретных численных оценок. Репозиторий использует Transformers и формат safetensors; для эксплуатации модели такого размера требуются значительные вычислительные ресурсы. Лицензия указана как other, поэтому перед использованием нужно проверить условия в репозитории модели.

Xenova подготовила ONNX-версию модели jinaai/jina-embeddings-v2-base-de для работы с библиотекой Transformers.js. Это дообученная модель семейства BERT класса JinaBertForMaskedLM с 160,1 млн параметров и контекстом до 8192 токенов; она предназначена для извлечения признаковых представлений немецких и английских текстов. Эмбеддинги можно применять для семантического поиска, сравнения предложений и систем RAG. Репозиторий содержит веса ONNX и PyTorch и распространяется по лицензии Apache-2.0. Карточка показывает совместимость с Transformers.js; по назначению это модель для получения текстовых представлений, а не готовая диалоговая система. Классификация каталога как fill-mask расходится с авторским тегом feature-extraction, поэтому основная задача здесь — извлечение признаков.

LFM2-700M — компактная языковая модель Liquid AI для локального и периферийного запуска на смартфонах, ноутбуках и других устройствах с CPU, GPU или NPU. Она содержит около 654 млн параметров по метаданным и построена на гибридной плотной архитектуре LFM2: 10 блоков коротких свёрток с двойными вентильными механизмами и 6 блоков внимания GQA. Модель предназначена для диалогов, агентных сценариев, извлечения данных, RAG и генерации творческих текстов; поддерживает шаблон чата в стиле ChatML и вызов инструментов. Модель поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. В карточке указан контекст 32 768 токенов, тогда как метаданные каталога сообщают native context в 128 000 токенов. Liquid AI описывает ускорение обучения и вывода и повышенную эффективность по памяти относительно предыдущих моделей и некоторых сопоставимых моделей; эти заявления относятся к оценкам разработчика. Для узких сценариев рекомендуется дообучение. Модель не рекомендуется для задач с высокими требованиями к знаниям или навыкам программирования. Лицензия в метаданных обозначена как other; конкретные условия следует проверить в репозитории модели.

M3E-base — двуязычная модель эмбеддингов текста, разработанная и обученная MokaAI. Она кодирует тексты в плотные векторы размерности 768 для поиска семантически близких предложений и извлечения подходящих фрагментов или документов по запросу. Модель основана на архитектуре BERT; карточка указывает около 129,5 млн параметров и контекст до 512 токенов. Для использования предусмотрена библиотека sentence-transformers. Модель обучалась контрастивным обучением на парах китайских предложений, английских триплетах MEDI и наборах инструкций. Она ориентирована прежде всего на китайские сценарии, также поддерживает английский язык. Подходит для семантического поиска, сравнения текстов, поиска повторяющихся вопросов и получения эмбеддингов для классификационных конвейеров. В README приведены результаты оценки на китайских наборах классификации и поиска; это результаты авторских экспериментов и они зависят от данных и настройки. В README указано, что модели M3E открыты, однако конкретная лицензия для этой версии в предоставленных данных не приведена. Заявленная поддержка китайского и английского не означает одинакового качества для любых языков и задач; модель не предназначена для поиска по коду.

Это объединённая языковая модель на архитектуре Llama 3.2, созданная с помощью mergekit методом TIES. В качестве базовой модели указана meta-llama/Llama-3.2-1B; размер модели — 1,2 млрд параметров, длина контекста — до 131 072 токенов. Репозиторий создан в ноябре 2024 года, веса представлены в формате safetensors. Модель объединяет инструкционные и специализированные варианты Llama для ответов на вопросы, математических рассуждений, медицинских вопросов, работы с SQL и генерации кода. Она предназначена для текстового ввода и генерации текста; карточка не описывает результаты оценки качества или гарантии выполнения всех перечисленных навыков. Для использования действует лицензия базовой модели Meta-Llama; конкретные условия лицензирования объединённых весов следует сверить с карточками исходных моделей.

msmarco-bert-co-condensor — модель Sentence-Transformers, созданная как перенос Luyu/co-condenser-marco-retriever в формат Sentence-Transformers. Это плотная BERT-модель с 136,7 млн параметров, которая преобразует предложения и абзацы в векторы размерностью 768 для семантического поиска и извлечения релевантных фрагментов. Она основана на работе «Unsupervised Corpus Aware Language Model Pre-training for Dense Passage Retrieval» и ориентирована на поиск по коллекциям текстов, включая сценарии на основе MS MARCO. Модель принимает текст и выдаёт эмбеддинги; для сравнения запросов и документов обычно используют близость их векторов. Максимальная длина контекста — 512 токенов. Репозиторий включает варианты PyTorch, Safetensors, ONNX и OpenVINO. По приведённым в карточке оценкам, качество зависит от набора данных; автор README также указывает на возможную утечку информации и изменение протокола оценки в некоторых результатах исходной статьи, поэтому сравнивать показатели следует с учётом этих оговорок. Лицензия — Apache-2.0.

multilingual-e5-small-gguf — это GGUF-конверсия модели intfloat/multilingual-e5-small, подготовленная TwinSunsLLC для локального поиска и retrieval на устройствах. Модель предназначена для построения эмбеддингов, оценки семантического сходства, поиска похожих текстов и многоязычного сопоставления запросов с фрагментами документов, в том числе в сценариях приватного офлайн-использования. Модель имеет 384-мерные эмбеддинги, 12 слоёв и поддерживает контекст до 512 токенов. Квантование Q8_0 уменьшает размер до 126 МБ по сравнению с 236 МБ в формате f16; заявлено, что результаты косинусного сходства практически совпадают с f16. Модель может запускаться через llama.cpp или llama.swift в режиме embeddings с mean pooling. Поддерживаются многоязычные сценарии; в README приведены примеры для английского, французского и испанского языков. Для корректной работы асимметричного поиска исходные тексты следует предварять префиксом «passage: », а запросы — «query: ». Пропуск или смешивание префиксов ухудшает retrieval. Из-за высокого базового уровня сходства нерелевантных текстов рекомендуется ранжировать результаты по top-k, а не использовать абсолютный порог сходства. Модель распространяется по лицензии MIT; авторство базовой модели принадлежит исходным разработчикам intfloat/multilingual-e5-small.

Nemotron-3-Embed-8B-BF16 — мультиязычная модель эмбеддингов текста, разработанная NVIDIA для семантического поиска, извлечения релевантных фрагментов и систем RAG. Она предназначена, в частности, для создания многоязычных вопросно-ответных приложений поверх крупных текстовых коллекций и поддерживает межъязыковой поиск. Модель основана на трансформере Ministral-3-8B-Instruct-2512, дообученном для получения эмбеддингов. Она содержит около 8 млрд параметров, кодирует текст в векторы размерности 4096 и использует двунаправленное внимание и усреднение представлений токенов. README указывает максимальную длину входа 32 768 токенов; метаданные каталога приводят для базовой модели контекст 262 144 токена. Модель принимает текст и выдаёт векторы; размер вектора можно уменьшать срезом с последующей L2-нормализацией. Заявлена поддержка 34 языков, включая русский, английский, китайский, арабский и хинди. Модель показала высокие результаты на мультиязычном бенчмарке RTEB по заявлению разработчика и предназначена для коммерческого применения. Для запуска README рекомендует Transformers 5.2.0 или новее и CUDA-совместимое окружение; также указана поддержка PyTorch и vLLM. Модель и конфигурация распространяются по лицензии OpenMDW-1.1; базовая модель выпущена под Apache 2.0. Для входов длиннее 32 768 токенов требуется разбиение на фрагменты или усечение.

Locutusque/NeuralHyperion-2.0-Mistral-7B — языковая модель на архитектуре Mistral, дообученная разработчиком Locutusque на Hyperion-v2.0 и дополнительно с помощью DPO на предпочтениях Capybara. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на сложные вопросы, диалогов и рассуждений в научно-технических областях, генерации кода, математических задач и понимания медицинских текстов. В README заявлена поддержка английского языка; метаданные также отмечают задачи, связанные с кодом и химией. Качество ответов может быть непоследовательным из-за различий в форматировании и качестве разметки обучающих данных; результаты оценки в карточке пока не приведены. Модель распространяется по лицензии Apache-2.0.

corto-ai/nomic-embed-text-v1 — текстовая модель-энкодер семейства NomicBERT для создания векторных представлений текста. Карточка описывает её как воспроизводимую модель с открытыми весами, кодом обучения и данными; репозиторий предоставляет веса в форматах PyTorch, Safetensors и ONNX. Модель предназначена для поиска по смыслу, извлечения релевантных документов, кластеризации и классификации текста. Она поддерживает контекст до 8192 токенов и требует префиксов задач: search_query и search_document для поиска, classification для классификации и clustering для кластеризации. В README приведены результаты бенчмарков MTEB, LoCo и Jina Long Context; модель ориентирована на английский язык. Лицензия — Apache-2.0. Для корректного применения нужно использовать соответствующий префикс; качество и пригодность для конкретной задачи могут отличаться от результатов бенчмарков.

Карточка модели JaehyeokLee/preliminary_clustering_gist_checkpoint_epoch_1_step_150 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели liddlefish/privacy_embedding_bge_small_synthetic 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.