I.2Синтез, понимание и проверка знаний

Arcana Qwen3 2.4B A0.6B — текстовая модель Mixture of Experts, созданная suayptalha. В ней заявлено 2,4 млрд параметров суммарно и четыре эксперта по 0,6 млрд параметров. Модель предназначена для диалогов и генерации ответов с навыками программирования, математических рассуждений, медицинских вопросов и следования инструкциям; каталог также отмечает интерфейс вызова инструментов. Эксперты для кода, математики и медицинских вопросов дообучены на соответствующих наборах данных, а эксперт следования инструкциям использует Qwen/Qwen3-0.6B без дополнительного дообучения. В метаданных указана поддержка английского языка и библиотека Transformers. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Заявленная цель — повысить точность и эффективность при меньшем потреблении памяти, однако сравнительные результаты в карточке не приведены.

bert-base-1024-biencoder-6M-pairs — двуэнкодерная модель на базе BERT от MosaicML, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Она подходит для семантического поиска, кластеризации текстов и поиска документов или фрагментов по смыслу. Модель обучалась на парах текстов; в метаданных перечислены обучающие наборы, включая MS MARCO, Natural Questions, SNLI и MultiNLI. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Карточка указывает английский язык. Лицензия в предоставленных данных не указана.

NaqibL дообучила англоязычную модель Sentence Transformer на базе BAAI/bge-base-en-v1.5 для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Модель построена на BERT, имеет 136,7 млн параметров и формирует векторы размерностью 768; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе как компонент RAG. В README для оценки на Triplet указана точность по косинусному сходству 0,8338. Она принимает и обрабатывает текст на английском языке; поддержка других языков не подтверждена. Для получения эмбеддингов и поиска требуется использовать совместимый с ними индекс или систему сравнения векторов. Лицензия в предоставленных данных не указана.

Карточка модели kshitijpandey3h/bge-large-agri-fused-2 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 kshitijpandey3h/bge-large-agri-fused-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.

bge-m3-GGUF — GGUF-квантизированная версия многоязычной модели эмбеддингов BGE-M3, разработанной BAAI. Модель предназначена для семантического поиска, извлечения признаков, sentence similarity и построения RAG-систем. Квантизация выполнена на основе версии llama.cpp с идентификатором 61408e7f. BGE-M3 поддерживает более 100 языков и три режима поиска: плотный retrieval, разреженный retrieval с весами токенов и multi-vector retrieval. Модель обрабатывает тексты от коротких предложений до длинных документов длиной до 8192 токенов и формирует векторы размерности 1024. Она подходит для гибридного поиска, объединяющего семантические эмбеддинги и BM25, а также для последующего reranking найденных документов. К сильным сторонам относятся многоязычность, поддержка длинного контекста и объединение нескольких функций извлечения в одной модели. README не содержит сведений о точном размере GGUF-файлов, используемой схеме квантизации, требованиях к ресурсам или детальных ограничениях качества; кроме того, модель предназначена для retrieval-задач и не является генеративной языковой моделью. Указанная лицензия — MIT.

TesNik369/bge-m3-tqa-merged-v2 — модель Sentence Transformer, дообученная автором на базе BAAI/bge-m3 на наборе tqa-bge-m3-finetune-triplets-verified из 725 примеров. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерности 1024; близость оценивается косинусным сходством. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в системах поиска ответов на вопросы. Архитектура основана на XLM-RoBERTa с CLS-пулингом и нормализацией; длина последовательности в README указана как 512 токенов. Метаданные указывают контекст до 8194 токенов, поэтому фактическую длину ввода следует сверять с используемой конфигурацией модели. README приводит высокую точность на tqa-dev, однако результат относится к описанной оценке и не гарантирует качество на других данных. Модель принимает и выдаёт текстовые представления в виде эмбеддингов; лицензия в предоставленных сведениях не приведена.

Это англоязычная модель Sentence Transformer, дообученная автором репозитория на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерности 768 для семантического поиска и извлечения релевантных фрагментов; сходство можно оценивать косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию. Модель принимает только текст, поддерживает контекст до 512 токенов и содержит 136,7 млн параметров. Модель подходит для поиска релевантных документов и passages, сравнения предложений и построения retrieval-компонента RAG. README приводит оценку InformationRetrievalEvaluator: cosine_accuracy@1 — 0,4435, @3 — 0,6532 и @5 — 0,7316; обучение проводилось на наборе из 6 857 пар предложений. Указана лицензия базовой модели не предоставлена в доступных данных, поэтому условия использования определить нельзя.

ColBERT MUVERA Micro — компактная модель NeuML на базе PyLate, дообученная на google/bert_uncased_L-2-H-128_A-2 на англоязычном датасете MS MARCO. Она преобразует предложения и абзацы в последовательности плотных векторов размерностью 128 и сопоставляет тексты оператором MaxSim для оценки семантического сходства. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и предназначена для совместимости с фиксированным кодированием MUVERA благодаря обучению на ненормализованных оценках. Модель подходит для семантического поиска по коллекциям документов, построения баз эмбеддингов и извлечения релевантных фрагментов для RAG. В README приведены результаты на подмножествах BEIR и NanoBEIR; автор отмечает конкурентные показатели относительно более крупных вариантов ColBERT при существенно меньшем размере. Для использования доступны PyLate и интеграция с txtai. Модель ориентирована на английский язык. Контекст ограничен 512 токенами, а оценки в README зависят от настроек бенчмарков txtai и могут отличаться от опубликованных в статьях. Лицензия — Apache-2.0.

Darmm/darmm-embed-kazakh-v2 — модель эмбеддингов текста, разработанная Darmm для семантического поиска на казахском языке и межъязыкового поиска по смыслу на казахском, русском и английском. Она дообучена на базе BAAI/bge-m3 и использует архитектуру XLM-RoBERTa; в метаданных указаны 658,7 млн параметров и контекст до 8194 токенов. Модель предназначена для поиска документов, RAG, удаления дубликатов и кластеризации текстов. По данным README, обучение на 373 тыс. казахских пар улучшило результаты казахского поиска относительно BAAI/bge-m3 на приведённых тестовых выборках. Модель принимает текст и возвращает векторные представления для сравнения сходства и поиска. Основной упор сделан на казахский язык, с поддержкой поиска по русским и английским текстам; лицензия — Apache 2.0. Качество на длинных отрывках отдельно не настраивалось: обучение использовало пары длиной до 192 токенов. Межъязыковые казахско-русские пары получены автоматическим выравниванием и могут содержать шум; юридическая и медицинская терминология представлена ограниченно.

Giga-Retrieval-instruct — русскоязычная модель эмбеддингов семейства GigaREmbed от ai-sage, созданная на базе прореженной decoder-only LLM GigaChat-3b. Она преобразует тексты в векторы размерностью 2048 с помощью pooling на основе latent attention и предназначена прежде всего для семантического поиска и извлечения релевантных фрагментов. Для retrieval рекомендуется добавлять краткую инструкцию перед запросом, но не перед документом; модель также можно настраивать инструкциями для разных задач эмбеддингов. Модель поддерживает русский и английский языки, однако разработчики рекомендуют использовать её прежде всего для русского. Вход ограничен 4096 токенами. Лицензия — MIT.

Это конвертированная в формат GGUF версия модели GTE-large, опубликованная пользователем opaninakuffo. GTE-large — модель для получения векторных представлений текста и задач поиска по семантическому сходству; её можно применять для создания эмбеддингов, поиска и ранжирования текстов. Метаданные репозитория указывают тег feature-extraction, формат GGUF и лицензию MIT. По названию репозитория предполагается сохранение весов в FP16 с разбиением на части. Поиск не позволил проверить карточку модели и подтвердить подробности о языках, контексте и ограничениях.

KaLM-embedding-multilingual-mini-v1 — мультиязычная модель эмбеддингов из серии KaLM-Embedding, разработанной командой HITsz-TMG. Она основана на Qwen/Qwen2-0.5B и обучена на больших объёмах слабой разметки с последующим контролируемым дообучением. Модель имеет плотную архитектуру Qwen2, содержит 494 млн параметров и поддерживает контекст до 131072 токенов. Модель предназначена для преобразования текста в векторы, поиска семантически похожих фраз и других задач, где требуется сравнивать смысл текстов. Подходит для многоязычного семантического поиска, ранжирования кандидатов по релевантности и построения векторного поиска. В карточке приведены оценки на наборах MTEB и C-MTEB; для работы с Qwen2 рекомендуется Transformers версии 4.37.0 или новее. Модель распространяется по лицензии MIT. В README не описаны конкретный перечень поддерживаемых языков и ограничения качества, поэтому область языковой поддержки и применимость к отдельным доменам следует оценивать на собственных данных.

LFM2.5-Embedding-350M-GGUF — GGUF-версия модели LiquidAI/LFM2.5-Embedding-350M, разработанная компанией Liquid AI. Это плотный bi-encoder для быстрого многоязычного семантического поиска и извлечения документов, предназначенный для RAG-конвейеров, sentence similarity и feature extraction. Модель преобразует запросы и документы в отдельные векторы, которые можно сопоставлять, например, по косинусному сходству; для корректной асимметричной обработки используются префиксы «query: » и «document: ». Модель интегрируется с llama.cpp и запускается в режиме embeddings. Модель ориентирована на 11 языков: английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский. Указан размер 350M параметров; архитектурной основой служит эффективный LFM2 backbone. Заявлены высокая многоязычная точность для плотной embedding-модели такого размера и скорость инференса, сопоставимая с существенно меньшими моделями, что делает её подходящей для компактных и быстрых поисковых индексов. Данные о длине контекста и поддерживаемых модальностях, кроме текстовой, не приведены. Модель распространяется по лицензии LFM1.0; подробные условия находятся в файле LICENSE. README не содержит количественных результатов бенчмарков, точных ограничений по длине входа или иных детальных ограничений, поэтому эти характеристики нельзя определить по представленным данным.

Карточка модели alpindale/Llama-3.2-11B-Vision на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-11B-Vision, поэтому описание составлено по ней. Llama 3.2-11B-Vision — мультимодальная модель Meta для анализа изображений и генерации текстовых ответов. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный визуальный адаптер с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 11 млрд параметров; она принимает изображения и текст, выдаёт текст и поддерживает контекст до 128 тыс. токенов. Модель предназначена для распознавания изображений, визуальных рассуждений, создания подписей и диалога по изображениям. Она подходит для визуальных вопросов и ответов, извлечения сведений из изображений документов, поиска соответствий между изображениями и текстом, а также привязки текстовых описаний к областям изображения. Для задач с изображениями официально поддерживается английский язык; в текстовых задачах также поддерживаются немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель основана на Llama 3.1 и включает визуальный адаптер; для настроенных версий семейства применяются supervised fine-tuning и обучение с обратной связью от людей. Это статический чекпойнт, обученный на офлайн-данных с отсечкой знаний в декабре 2023 года. Использование регулируется Llama 3.2 Community License — специальной лицензией с коммерческими условиями и Acceptable Use Policy.

Merino-Large-v2 — модель поиска по тексту от BAA AI (Black Sheep AI), объединяющая создание эмбеддингов и переранжирование результатов для RAG. Биэнкодер выдаёт L2-нормализованные векторы размерностью 1024; для запросов рекомендуется добавлять префикс «query: ». Кросс-энкодер оценивает релевантность пары «запрос — документ» одним числом. Обе части используют основу xlm-roberta-large и общую таблицу входных эмбеддингов, что уменьшает размер загрузки. Заявлена поддержка нескольких языков и около 872 млн параметров. Модель подходит для семантического поиска и уточнения порядка найденных фрагментов. В карточке отмечена хорошая пригодность для корпусов с тематически связанными документами; для разнородных многофактных документов рекомендуется делить текст на небольшие фрагменты с одним утверждением. Указана сертифицированная 4-битная квантизация без измеримой потери качества в описанном тесте с отвлекающими документами. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

Карточка модели anlanwang925/MNLP_M3_document_encoder_test5 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.

MoCa-Qwen25VL-3B — мультимодальная модель для получения двунаправленных эмбеддингов, разработанная авторами работы MoCa. Она основана на Qwen2.5-3B-VL-Instruct и предназначена для поиска и сопоставления текстов и изображений, в том числе для поиска по документам и длинным парам «запрос — документ». Модель принимает текст, изображения и их чередующиеся комбинации, а выдаёт эмбеддинги для мультимодального поиска и классификации изображений без заранее заданных классов. Модель семейства Qwen2.5-VL имеет плотную архитектуру и 3,1 млрд параметров; нативный контекст — 128 000 токенов. В README заявлены высокие результаты на MMEB и ViDoRe-v2, а также обобщение на данные вне обучающей выборки. Обучение включало непрерывное предобучение на мультимодальных данных и контрастивную настройку на парах текстов и мультимодальных данных. Доступна под лицензией MIT.

sobamchan/monnem-large-v0 — модель Sentence Transformer, дообученная на базе answerdotai/ModernBERT-large. Она кодирует предложения и абзацы на английском языке в плотные векторы размерностью 1024 для семантического поиска и извлечения текстов; сходство между векторами рекомендуется оценивать косинусной метрикой. Архитектура состоит из энкодера ModernBERT и слоя усредняющего пулинга. Метаданные указывают 394,7 млн параметров и контекст до 8192 токенов, тогда как карточка модели задаёт максимальную длину последовательности 512 токенов. Модель принимает текст и выдаёт эмбеддинги. Подходит для поиска релевантных предложений и абзацев, в том числе как компонент retrieval-систем. Данных о специализированных предметных областях нет. Модель опубликована под лицензией, сведения о которой в предоставленных источниках отсутствуют.

Nemotron-3-Embed-8B-GGUF — мультиязычная модель для создания текстовых эмбеддингов, опубликованная Abiray на основе модели NVIDIA Nemotron-3-Embed-8B-BF16. Она предназначена для Retrieval-Augmented Generation (RAG), семантического поиска и кросс-языкового поиска, включая локальные сценарии на потребительском оборудовании с использованием llama.cpp, Ollama или LM Studio. Модель имеет архитектуру Transformer, содержит около 8 миллиардов параметров и поддерживает контекст длиной до 32 тысяч токенов. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Репозиторий предоставляет варианты квантования в формате GGUF от Q3_K_M до Q8_0 объёмом примерно от 4,01 до 8,46 ГБ; Q4_K_M указан как рекомендуемый вариант, обеспечивающий баланс между качеством и требованиями к памяти. Сильными сторонами модели являются мультиязычность, поддержка кросс-языкового поиска, возможность локального развёртывания и ориентация на задачи извлечения информации; в README также заявлено первое место в мультиязычном рейтинге RTEB по состоянию на июль 2026 года. Ограничения связаны с потерями качества у более низких уровней квантования и значительными требованиями к памяти. Лицензия — OpenMDW-1.1.

Ogma Small — компактная англоязычная модель эмбеддингов текста от Axiotic. Это encoder-only модель семейства Ogma с 8,6 млн параметров и контекстом до 1024 токенов; она преобразует текст в векторы для семантического поиска, извлечения документов и RAG. Поддерживаются Matryoshka-размерности векторов 256, 128, 64 и 32, а маршрутизация включает режимы для симметричного сравнения и поиска. В README заявлены результат 56,32 на английском бенчмарке MTEB и более высокая скорость CPU-инференса по сравнению с MiniLM-L6-v2. Модель предназначена для локального и серверного поиска по документам, памяти агентных систем, кластеризации и классификации текста. Она не генерирует текст и рассчитана на английский язык; в задачах reranking уступает MiniLM-L6-v2, а её скорость ниже, чем у статических моделей эмбеддингов. Репозиторий содержит форматы ONNX и Safetensors. Лицензия — CC-BY-NC-4.0, коммерческое использование ограничено.

Карточка модели baerquants/OpenThinker3-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker3-7B, поэтому описание составлено по ней. OpenThinker3-7B — языковая модель с открытыми весами, разработанная командой Open Thoughts для задач рассуждения. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts3-1.2M, включающем вопросы по математике, программированию и естественным наукам. По данным авторов, модель обучалась без RL и показала улучшение по сравнению с предыдущими моделями OpenThinker в приведённых тестах. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и генерирует текст. Контекст составляет до 32 768 токенов; поддерживаются чатовый режим и интерфейс вызова инструментов. Модель предназначена для решения математических задач, написания и анализа кода, научных вопросов и пошагового рассуждения. Доступна по лицензии Apache 2.0.

PEARL-base — модель векторных представлений фраз и строк, разработанная Lihu Chen, Gaël Varoquaux и Fabian M. Suchanek. Это дообученная версия E5-base, созданная для сравнения строк по смыслу и поиска совпадений, в том числе при различиях в написании. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст и преобразует фразы в эмбеддинги; заявленная длина контекста — 512 токенов. PEARL учитывает тип фразы и морфологические признаки, что помогает при нечетком сопоставлении, поиске сущностей и кластеризации. README приводит результаты бенчмарков для этих сценариев и примеры расчета сходства между строками. Модель ориентирована на английский язык. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Она предназначена для построения эмбеддингов и сама по себе не генерирует текст.

Карточка модели Openintelligent123/Phi-4-reasoning на Hugging Face совпадает с карточкой microsoft/Phi-4-reasoning, поэтому описание составлено по ней. Phi-4-reasoning — открытая по весам языковая модель Microsoft Research, дообученная на базе Phi-4 с помощью supervised fine-tuning на примерах цепочек рассуждений и обучения с подкреплением. Она предназначена для диалоговых генеративных приложений, где важны рассуждения и логика, а также ограничены вычислительные ресурсы или допустимая задержка. Основные области обучения и оценки — математика, наука и программирование; модель рассчитана прежде всего на английский язык. Модель использует плотный декодерный Transformer архитектуры Phi-3 с 14,1 млрд параметров и контекстом до 32 768 токенов. При инференсе рекомендуется ChatML-шаблон; для более сложных запросов авторы советуют выделять больше токенов на генерацию. Модель может ошибаться и не проходила оценку для всех прикладных сценариев, поэтому ответы следует проверять, особенно при использовании в задачах с высокими последствиями. Лицензия — MIT.

Qwen3.5-4B-KIMI-Distill — мультимодальная модель с 4 млрд параметров, созданная clzoro дообучением Qwen3.5-4B на трассах рассуждений, дистиллированных из KIMI-K2.5. Она сочетает языковую модель с энкодером изображений и сохраняет возможности понимания изображений исходной модели. В карточке Hugging Face указаны архитектура Qwen3.5, поддержка диалога и изображений, а также лицензия Apache-2.0. Модель предназначена для задач рассуждения, прежде всего генерации и анализа кода, решения математических задач и ответов на вопросы по естественным наукам; также может работать с изображениями. Данные дообучения включают 554 381 пример и около 2 млрд токенов рассуждений; основная доля примеров посвящена программированию. Карточка заявляет поддержку английского и китайского языков. Модель может ошибаться в ходе рассуждений и в выводах, а на творческих и открытых диалоговых задачах может работать хуже. Её знания ограничены обучающими данными; ответы в медицинской, юридической и финансовой тематиках требуют проверки.

unsloth/Qwen3-VL-8B-Thinking — версия весов Qwen3-VL-8B-Thinking, опубликованная Unsloth. Это плотная мультимодальная модель класса Qwen3VLForConditionalGeneration с режимом рассуждений Thinking; репозиторий содержит веса в формате safetensors и исправленный шаблон чата. Модель принимает текст и изображения и предназначена для ответов по визуальному содержимому, распознавания текста на изображениях, анализа видео и пространственных рассуждений. Среди сценариев применения — разбор документов и сцен, визуальные вопросы и ответы, понимание временных событий в видео, оценка взаимного расположения объектов и работа с интерфейсами через инструменты. В README заявлены контекст 256 тысяч токенов с возможностью расширения до 1 миллиона и OCR на 32 языках; эти характеристики относятся к описанию семейства Qwen3-VL. Указана лицензия Apache-2.0. Заявления о превосходстве по точности в карточке не сопровождаются результатами бенчмарков.

Карточка модели Amirktk0312/resume-screener-bge-finetuned 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.

ceggian/sbert_pt_reddit_mnr_32 — модель Sentence-Transformers на базе BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучена с функцией потерь MultipleNegativesRankingLoss на данных Reddit; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления, поэтому подходит для поиска похожих сообщений, группировки текстов и ранжирования кандидатов по семантической близости. В репозитории находятся веса PyTorch. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

Snowflake Arctic-embed-m-v2.0 — мультиязычная модель эмбеддингов компании Snowflake для поиска и извлечения информации по тексту. Она предназначена для построения векторного поиска, семантического сопоставления запросов и документов и retrieval-систем, включая приложения корпоративного поиска. В README сообщается о сильных результатах на англоязычных и многоязычных тестах поиска, в том числе MTEB Retrieval, MIRACL и CLEF. Модель построена на GTE multilingual base и имеет 305,3 млн параметров, из которых 113 млн не относятся к эмбеддингам. Она формирует векторы размерности 768, поддерживает контекст до 8192 токенов и методы Matryoshka Representation Learning: размерность можно сократить до 256 с умеренным снижением качества. README также описывает сжатие векторов до 128 байт с 4-битной квантизацией. В репозитории есть веса safetensors и формат ONNX. Модель рассчитана на поиск по тексту и выдаёт эмбеддинги; для оптимального качества извлечения README рекомендует использовать CLS-токен и добавлять префикс к запросам. Метаданные и карточка описывают поддержку многих языков, включая английский, арабский, болгарский, бенгальский, каталонский, чешский, немецкий, греческий, испанский, персидский, финский, французский, иврит, хинди, хорватский, венгерский, индонезийский и итальянский. Лицензия — Apache-2.0.

YAR.INK v5_Embedding — текстовая модель эмбеддингов от YARlabs для семантического поиска, кластеризации и выявления иерархических связей в больших наборах данных. Модель содержит 507,6 млн параметров, принимает текст и возвращает векторы признаков; архитектура YarEmbeddingModel использует гиперболическое пространство Лоренца и Matryoshka Representation Learning. Заявленное авторами окно контекста — 512 токенов, токенизатор основан на Qwen2Tokenizer. Модель предназначена для поиска по документам и базам знаний, построения иерархий и компактных векторных индексов, в том числе для систем RAG и устройств с ограниченными ресурсами. Размерность эмбеддингов можно уменьшать, выбирая конфигурации Matryoshka; для сравнения векторов README предписывает использовать расстояние Лоренца, а не косинусную или евклидову метрику. Приведённые в README результаты сравнения являются заявлениями авторов. В репозитории указаны форматы safetensors и ONNX. Для загрузки требуется trust_remote_code=True, поскольку используются пользовательские классы архитектуры. Метаданные и README не сообщают лицензию, поэтому условия использования определить нельзя.