I.3Извлечение и структурирование данных

Это Sentence Transformer, дообученный на базе intfloat/e5-small-v2. Модель разработана для преобразования предложений и абзацев в плотные текстовые векторы размерностью 384; архитектура включает BERT-энкодер и усредняющий пуллинг токенов. Максимальная длина последовательности — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также для кластеризации и классификации текстов на основе эмбеддингов. Базовая E5-small-v2 предназначена для английского языка; README не сообщает о дополнительной языковой специализации этой версии. Репозиторий распространяется в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Это дообученная компанией Austin Patrick на базе BAAI/bge-small-en-v1.5 модель Sentence Transformer для представления предложений и абзацев в виде плотных векторов. Архитектура основана на BERT; модель содержит около 40 млн параметров, выдаёт эмбеддинги размерности 384 и обрабатывает последовательности длиной до 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. В примерах обучающих данных пары вопросов и фрагментов документации, что подходит для поиска ответов по документам и информационного поиска. Модель англоязычная и принимает текст, возвращая векторные представления; также может применяться для извлечения признаков. В README приведены результаты оценки информационного поиска, включая точность cosine_accuracy@1 0,6682 и @5 0,9119. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

owngpt/finetuned-phobert-base-v2 — модель Sentence-Transformers на основе PhoBERT, дообученная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для семантического поиска, кластеризации и сравнения сходства текстов; в README указано обучение с TripletLoss и евклидовой метрикой расстояния. Архитектура — RoBERTa, число параметров — 162,4 млн, формат весов — PyTorch, длина контекста — 258 токенов. Модель предназначена для получения эмбеддингов текста, которые позволяют находить семантически близкие фрагменты и группировать тексты. Семейство PhoBERT указывает на ориентацию на вьетнамский язык. Лицензия в предоставленных данных не указана.

Это SentenceTransformer-модель, разработанная на основе sentence-transformers/all-MiniLM-L6-v2 и дообученная для сопоставления предложений и текстов. Архитектура включает энкодер BERT, усредняющий пулинг токенов и нормализацию; модель содержит 25,9 млн параметров и выдаёт плотные векторы размерности 384. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов; для практического применения следует учитывать ограничение README в 256 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. Сходство векторов можно сравнивать косинусной мерой. Обучение описано на наборе из 648 примеров; примеры в карточке англоязычные, а базовая модель обозначена каталогом как англоязычный энкодер. Лицензия в предоставленных данных не указана.

aisuko/ft-with-st — англоязычная модель Sentence Transformer, дообученная разработчиком aisuko на базе google-bert/bert-base-uncased на наборах all-nli-triplet и stsb. Архитектура объединяет BERT и mean pooling; модель преобразует предложения и абзацы в плотные векторы размерности 768, а сходство между ними оценивается косинусной мерой. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразирований, кластеризации и использования текстовых представлений в классификации. Максимальная длина входа — 512 токенов. Для работы с ней подходит библиотека Sentence Transformers. Модель ориентирована на английский язык; качество для других языков в карточке не описано. Лицензия в предоставленных данных не указана.

Gemma 3 4B IT — мультимодальная модель Google, дообученная для следования инструкциям на базе google/gemma-3-4b-pt. Она принимает текст и изображения и генерирует текст; подходит для диалоговых помощников, ответов на вопросы по изображениям, суммаризации, рассуждений и создания текстов. Модель построена на архитектуре семейства Gemma 3, содержит около 4 млрд параметров и поддерживает контекст до 128 тыс. токенов. Поддерживает более 140 языков и может запускаться на ноутбуках, настольных компьютерах или собственной облачной инфраструктуре. Сильные стороны модели — сочетание визуального понимания и генерации текста, большой контекст и сравнительно компактный размер. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными или сложными запросами. Лицензия — Gemma; применение должно соответствовать условиям лицензии и политике запрещённого использования Google.

unsloth/gemma-3n-E2B-it-unsloth-bnb-4bit — это квантизированная 4-битная instruction-tuned версия модели Gemma 3n E2B, подготовленная Unsloth на базе google/gemma-3n-E2B-it. Исходную модель разработала Google DeepMind. Gemma создана как семейство компактных открытых моделей для эффективного запуска, в том числе на устройствах с ограниченными ресурсами. Модель предназначена для диалогов, ответов на вопросы, обработки и суммаризации документов и других задач генерации текста. Семейство Gemma 3n поддерживает мультимодальный ввод текста, изображений, видео и аудио с генерацией текста, однако в данном README для этой версии отдельно указано, что в текущей конфигурации поддерживается только текст. Максимальный контекст составляет 32K токенов; заявленная языковая поддержка включает английский, а обучение проводилось на данных более чем на 140 разговорных языках. Ключевая особенность Gemma 3n — технология выборочной активации параметров, обеспечивающая эффективный размер около 2B параметров при меньших требованиях к ресурсам. Формат Unsloth bnb 4bit снижает требования к памяти, но может сопровождаться потерей точности по сравнению с полноточной версией. Для корректной работы рекомендуется использовать chat template Gemma 3n и параметры temperature 1.0, top_k 64 и top_p 0.95. Модель распространяется по лицензии Gemma; условия использования определяются официальными Terms of Use Google.

AtomicChat/gemma-4-E2B-it-GGUF — это текстовая GGUF-квантизированная версия модели google/gemma-4-E2B-it, подготовленная Atomic Chat из оригинальных весов Google с использованием importance matrix. Модель предназначена для локального и полностью автономного запуска в задачах генерации текста, чат-диалогов, рассуждений, программирования и обработки длинного контекста. Для корректного применения шаблона диалога требуется поддержка Gemma 4 chat template. Модель имеет 2,3 млрд эффективных параметров и 5,1 млрд параметров с учётом эмбеддингов, 35 слоёв и контекст до 128K токенов. Это плотный decoder с гибридным вниманием: sliding-window attention с окном 512 токенов и глобальное внимание; используется 8 attention heads и 1 KV head. Базовая модель поддерживает текст, изображения и аудио, однако данный репозиторий содержит только текстовые GGUF-кванты и не включает vision projector. Доступны варианты от Q2_K до Q8_0, включая рекомендуемый баланс качества и размера Q4_K_M. Сильные стороны модели — небольшой размер, возможность офлайн-развёртывания, длинный контекст и несколько уровней квантизации, позволяющих подобрать соотношение скорости, потребления памяти и качества. Уровень качества зависит от выбранного кванта: низкобитные варианты экономичнее, но сильнее теряют точность, тогда как Q6_K и Q8_0 ближе к полноточной версии. Приведённые в README результаты являются опубликованными показателями базовой модели Google, а не независимыми измерениями данного репозитория. Модель распространяется по лицензии Apache-2.0.

dguzh/geo-all-distilroberta-v1 — модель Sentence-Transformers на архитектуре DistilRoBERTa, разработанная автором репозитория dguzh. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, семантического поиска и кластеризации текстов. Модель содержит 95,2 млн параметров, обучена с ContrastiveLoss на основе косинусного расстояния и принимает текст с контекстом до 514 токенов. В репозитории указаны веса PyTorch и Safetensors. Карточка не сообщает языковую специализацию, поэтому нельзя определить, для каких языков качество модели подтверждено. Лицензия в предоставленных данных не указана.

Карточка модели Koat/gte-tiny на Hugging Face совпадает с карточкой TaylorAI/gte-tiny, поэтому описание составлено по ней. TaylorAI/gte-tiny — компактная модель эмбеддингов предложений на базе архитектуры BERT, представленная как sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, кластеризации и сравнения текстов. Модель дистиллирована из thenlper/gte-small; README сообщает о сопоставимом, немного более низком качестве при примерно вдвое меньшем размере. В метаданных указано 25,9 млн параметров и контекст до 512 токенов. Модель подходит для построения векторного поиска по документам, группировки похожих текстов и оценки семантической близости. Доступны веса PyTorch и safetensors, а также формат ONNX. Язык обучения или перечень поддерживаемых языков в предоставленных данных не указан, поэтому языковую специализацию определить нельзя. Условия лицензии в предоставленных данных не указаны.

sentence-transformers/gtr-t5-base — модель для получения эмбеддингов предложений и абзацев, предназначенная для семантического поиска. Она преобразует текст в плотные векторы размерности 768; архитектура основана на энкодере T5-base и содержит 123,8 млн параметров. Модель создана авторами GTR, а эта версия преобразована из TensorFlow-модели gtr-base-1 в PyTorch и сохранена в FP16. Модель подходит для построения векторного поиска по документам, извлечения релевантных фрагментов по запросу и сравнения текстов по смыслу. Для обработки текста указан контекст до 512 токенов. Карточка рекомендует использовать модель через библиотеку Sentence Transformers и ссылается на публикацию Large Dual Encoders Are Generalizable Retrievers. В README отмечено, что эмбеддинги этой версии могут немного отличаться от TensorFlow-варианта, хотя результаты на тех же тестах совпадают. Лицензия Apache-2.0 разрешает использование и распространение модели на её условиях.

onnx-community/harrier-oss-v1-270m-ONNX — ONNX-версия мультиязычной модели эмбеддингов harrier-oss-v1-270m, разработанной Microsoft и подготовленной для использования с Transformers.js. Модель преобразует текст в плотные векторные представления размерностью 640, используя decoder-only архитектуру, pooling по последнему непустому токену и L2-нормализацию. Она поддерживает до 32 768 токенов в контексте и обучена на контрастивных задачах с дополнительной дистилляцией от более крупных embedding-моделей. Модель предназначена для семантического поиска и retrieval, кластеризации, оценки семантического сходства, классификации, поиска параллельных текстов и reranking. Она поддерживает широкий набор языков, включая русский, английский, арабский, китайский, японский, корейский, испанский, французский, немецкий и многие другие. Для запросов рекомендуется добавлять однострочную инструкцию, описывающую задачу; для документов инструкции не требуются. По данным карточки, модель получила оценку 66,5 на Multilingual MTEB v2 на момент выпуска. К сильным сторонам относятся широкая языковая поддержка, большой максимальный контекст, компактный размер 270 млн параметров и возможность запуска через Transformers.js, включая WebGPU. Результаты могут немного отличаться в зависимости от версий Transformers и PyTorch. Модель предназначена для текстовых данных и не описана как мультимодальная. Лицензия — MIT.

Это квантованная версия Qwen3.5-35B-A3B, доработанная huihui-ai в стиле Claude 4.6 Opus и опубликованная cesarsal1nas в формате GGUF. Модель предназначена для диалогов, следования инструкциям, программирования, рассуждений, генерации структурированных ответов и работы с инструментами. Она также поддерживает обработку изображений при использовании отдельного vision-проектора. Архитектура — qwen35moe: 35 млрд параметров всего, около 3 млрд активных на токен, 256 экспертов, из которых активируются 8. Используется квантование Q4_K_M с размером основного файла около 20 ГБ; vision-проектор F16 занимает около 858 МБ. Заявленная длина контекста — 262 144 токена, однако в примерах запуска рекомендуется 131 072. Языки в README не указаны. К сильным сторонам относятся сочетание MoE-архитектуры с относительно небольшим числом активных параметров, поддержка текста и изображений, а также заявленная пригодность для reasoning, coding и tool use. Модель подвергнута abliteration: механизмы отказа и ограничения выравнивания удалены, поэтому её ответы могут быть менее безопасными и требуют особенно внимательного контроля. Указанные возможности основаны преимущественно на тестировании автора в Hermes Agent; независимые оценки качества не приведены. Лицензия — Apache 2.0.

InternLM2.5-7B — плотная авторегрессионная языковая модель семейства InternLM2.5, разработанная командой InternLM. Она содержит 7,4 млрд параметров и предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, рассуждения и работу с длинными документами. Модель сохраняет архитектуру InternLM2 и использует синтетические данные в итеративном развитии семейства. Разработчики сообщают о повышении результатов рассуждения на 20% относительно InternLM2 и сильных результатах на MMLU, CMMLU и BBH. Метаданные указывают контекстное окно 262 144 токена; README также описывает результаты тестирования на контексте до 1 млн токенов. Модель работает с текстом и поддерживает диалог. README не перечисляет поддерживаемые естественные языки явно, хотя результаты приведены для англоязычного MMLU и китайского CMMLU. Возможны предвзятые, дискриминационные и другие вредные ответы. Код распространяется по Apache-2.0; для весов заявлен доступ для академических исследований и возможность подать заявку на бесплатное коммерческое разрешение.

Kurage-en — англоязычная модель для задач генерации с дополненной поиском (RAG), разработанная Lightblue на основе Qwen2-7B-Instruct. Это плотная причинная языковая модель Qwen2 с 7,1 млрд параметров, контекстом до 32 768 токенов и форматом safetensors; лицензия — Apache-2.0. Модель принимает вопрос и один или несколько фрагментов текста, выбирает релевантные контексты и формирует краткий ответ. Также она умеет расширять ответы, отвечать на английском по материалам на других языках и создавать пары вопросов и ответов по исходному тексту для предварительной индексации. Обучающие примеры получены из отобранных образовательных фрагментов MADLAD-400; для подбора негативных примеров использовалась модель BAAI/bge-m3. Модель предназначена для англоязычных RAG-систем, подготовки данных для поиска и ответов по коллекциям документов. Для режима с одним фрагментом известна склонность иногда ошибочно отказываться отвечать, даже когда контекст содержит ответ; результаты межъязыкового RAG также могут быть нестабильными.

L3.3-70B-Magnum-v4-SE-Cirrus-x1-ModelStock — объединённая модель для генерации текста и диалогов, созданная с помощью mergekit методом Model Stock. В качестве основы использована meta-llama/Llama-3.3-70B-Instruct, в объединение также вошли Sao10K/70B-L3.3-Cirrus-x1 и Doctor-Shotgun/L3.3-70B-Magnum-v4-SE. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 69,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. В карточке заявлены мультиязычные возможности базовой модели, но конкретные языки для этого чекпойнта не перечислены. Модель подходит для диалоговых ассистентов и генерации текста с длинным контекстом. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

sergeyzh разработал русскоязычную модель BERT для вычисления эмбеддингов предложений и оценки их семантического сходства. Это дообученная версия cointegrated/LaBSE-en-ru, рассчитанная на использование, в частности, с библиотекой Sentence Transformers. Модель содержит 155,5 млн параметров, формирует векторы размерностью 768 и принимает последовательности длиной до 512 токенов. Модель подходит для поиска похожих предложений, выявления перефразирований и других задач сравнения смысла текстов. В README также приведены результаты для определения следования, тональности и токсичности, а также тесты классификации и кластеризации. На опубликованных метриках ruMTEB результаты различаются по задачам; для каждой из перечисленных задач качество может зависеть от данных и настройки применения. Веса доступны в формате safetensors, лицензия — MIT. Карточка описывает модель для русского языка; основание на LaBSE-en-ru само по себе не подтверждает, что эта версия предназначена для двуязычного использования.

Llama 3.2 1B Instruct — языковая модель Meta на 1,23 млрд параметров для генерации текста и диалогов. Она использует авторегрессионную архитектуру Transformer с Grouped-Query Attention и настроена с помощью supervised fine-tuning и обучения с подкреплением на основе отзывов людей. Модель принимает текст и генерирует текст, в том числе код; контекстное окно составляет 128 тысяч токенов. Модель предназначена для многоязычных диалоговых помощников и агентных сценариев: поиска сведений, суммаризации, помощи в написании текста и переформулирования запросов. Компактный размер позволяет использовать её в приложениях с ограниченными вычислительными ресурсами, включая мобильные устройства. Официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель разработана Meta и распространяется по специальной лицензии Llama 3.2 Community License, условия которой допускают коммерческое и исследовательское использование. Это статическая модель с отсечкой знаний в декабре 2023 года; качество и безопасность ответов могут уступать более крупным моделям, поэтому для конкретного применения требуется проверка и настройка защитных мер.

Карточка модели tanliboy/llama-3.2-3b на Hugging Face совпадает с карточкой alpindale/Llama-3.2-3B, поэтому описание составлено по ней. alpindale/Llama-3.2-3B — текстовая модель семейства Llama 3.2, разработанного Meta. Это авторегрессионная плотная трансформерная модель с 3,2 млрд параметров и архитектурой LlamaForCausalLM; репозиторий содержит веса Safetensors для Transformers. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и рассчитана на многоязычную генерацию. Модель подходит для диалогового помощника, суммаризации, поиска знаний и приложений с агентными сценариями, а также для мобильных помощников по написанию текста и переформулирования запросов. В README описаны применение и возможности семейства Llama 3.2; отдельное дообучение alpindale/Llama-3.2-3B не подтверждено, поэтому характеристики поведения конкретного чекпойнта могут отличаться от описания семейства. Заявленные языки поддержки: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Лицензия llama3.2 — пользовательская лицензия сообщества Meta с собственными условиями коммерческого использования и политикой допустимого использования. Модель обучена на статическом офлайн-наборе данных; как компактная модель, она может уступать более крупным системам по качеству и требует проверки безопасности и пригодности для конкретного применения.

WeMake/Llama-3-8B-Instruct-V41-1048k — разговорная языковая модель WeMake на архитектуре Llama 3 с 7,5 млрд параметров. Модель создана на основе gradientai/Llama-3-8B-Instruct-Gradient-1048k и meta-llama/Meta-Llama-3-8B; в карточке указано, что она объединяет их с настройками WeMake V41 и обучалась методом WeMake ICU. Репозиторий содержит веса в формате safetensors, лицензия — llama3. Модель предназначена для диалоговых агентов, создания текстов, анализа данных и извлечения выводов. Заявлены учёт эмоционального контекста, согласование ответов с человеческими ценностями и поддержка нескольких языков. Максимальная длина контекста — 1 048 576 токенов, однако карточка не приводит независимых оценок качества и не перечисляет поддерживаемые языки помимо английского в метаданных. Перед использованием следует проверять точность и уместность ответов; заявления об эмоциональном интеллекте и согласовании приводятся разработчиком.

MindLink-72B-0801 — диалоговая большая языковая модель, разработанная Kunlun Inc на базе Qwen2.5-72B-Instruct. В карточке описано семейство MindLink с дообучением и посттренировочными методами; экземпляр содержит 71,5 млрд параметров, использует плотную архитектуру Qwen2 и формат safetensors. Модель предназначена для генерации текста и диалогов, рассуждений, математики и других общих задач. Для этой версии метаданные указывают контекст 32 768 токенов. Заявлены адаптивное планирование рассуждений и способность выдавать подробные рассуждения для сложных запросов и краткие ответы для простых; README также отмечает многошаговые диалоги. Описание не приводит численных результатов сравнительных тестов. Основной язык, указанный в метаданных карточки, — английский. Лицензия — Apache 2.0; README просит сохранять уведомления об авторских правах Qwen и описывать внесённые изменения.

cyankiwi/MiniCPM-SALA-AWQ-8bit — 8-битная AWQ-квантизованная версия модели MiniCPM-SALA, разработанной OpenBMB. Модель предназначена для генерации текста, включая работу с длинными документами, анализом контекста, математическими и программными задачами. Заявлена поддержка китайского и английского языков и совместимость с Transformers. Архитектура MiniCPM-SALA сочетает 25% слоёв со sparse attention InfLLM-v2 и 75% слоёв с linear attention Lightning Attention. Гибридный подход рассчитан на эффективную работу с последовательностями длиной до 1 млн токенов и снижает требования к вычислениям и KV-кэшу; разработчики заявляют ускорение до 3,5 раза по сравнению с плотной моделью Qwen3-8B на последовательностях длиной 256 тысяч токенов. Для сохранения качества на коротком и длинном контексте используются HyPE и метод адаптации HALO. Точный размер модели в README не указан, однако упоминается класс моделей масштаба около 9B. К сильным сторонам относятся большой контекст, высокая эффективность инференса и возможность запуска на потребительских GPU, включая NVIDIA RTX 5090. Ограничения включают зависимость от специализированного программного окружения для оптимального инференса, включая CUDA 12.x или новее и компоненты SGLang; характеристики и качество именно данной AWQ-версии отдельно не приведены. Лицензия — Apache 2.0.

MiniMax-M3-FP8-dynamic — это динамически квантизированная в формате FP8 версия мультимодальной модели MiniMax-M3, разработанной MiniMaxAI. Модель является производным checkpoint от MiniMaxAI/MiniMax-M3 и распространяется в форматах safetensors и compressed-tensors. Она предназначена для диалоговых и мультимодальных задач, включая работу с текстом и изображениями, рассуждения, математику, ответы на вопросы, следование инструкциям и генерацию кода. Базовая MiniMax-M3 описывается как нативная мультимодальная MoE-модель примерно на 428 млрд параметров, из которых около 23 млрд активируются при обработке запроса. Заявлена поддержка контекста до 1 млн токенов. FP8 dynamic quantization уменьшает требования к памяти и дисковому пространству; согласно приведённой оценке, качество в большинстве тестов близко к BF16-версии, хотя на отдельных задачах наблюдается снижение результатов. Модель проверялась в vLLM через OpenAI-compatible server и на оборудовании AMD MI350 с tensor parallel size 8. Основные ограничения связаны с высокими аппаратными требованиями, обусловленными размером исходной MoE-модели и мультимодальной архитектурой. В README не указаны точный набор поддерживаемых языков, подробности входных и выходных модальностей, минимальная конфигурация для запуска и дополнительные ограничения применения. Квантизированный checkpoint следует условиям лицензии базовой MiniMax-M3; конкретный текст лицензии в карточке не приведён, а в метаданных указано license: other.

Mistral-7B-Instruct-v0.3-GPTQ-4bit — это квантизированная версия инструкционной языковой модели Mistral-7B-Instruct-v0.3, разработанной Mistral AI и опубликованной в каталоге RedHatAI. Модель предназначена для генерации текста и выполнения задач по инструкциям, включая ответы на вопросы, рассуждения, решение математических задач и работу с типовыми тестовыми запросами. Она работает с текстовыми данными; сведения о поддерживаемых языках и размере контекста в README не указаны. В модели применена весовая квантизация GPTQ до 4 бит с group_size=128. Указано, что квантизация обеспечивает восстановление 99,75% точности относительно неквантизированной версии. Средняя точность на наборе тестов Open LLM Leaderboard составляет 65,05%; приведены результаты для ARC, MMLU, HellaSwag, Winogrande, GSM8K и TruthfulQA. Сильными сторонами являются снижение требований к памяти и возможность оптимизированного инференса с использованием Marlin mixed-precision kernels в vLLM. К ограничениям относятся потенциальная потеря качества по сравнению с полной точностью и отсутствие в README подробностей о фактических требованиях к оборудованию, языках и контексте. Модель распространяется по лицензии Apache-2.0. README также указывает готовность к использованию в vLLM в качестве сервера инференса.

Mistral Medium 3 — корпоративная языковая модель от Mistral AI. Она предназначена для рассуждений и мультимодальных задач при сниженных эксплуатационных затратах; описание заявляет производительность передового уровня и стоимость в восемь раз ниже.

gghfez/Mistral-Small-3.2-24B-Instruct-hf — преобразованная в формат Hugging Face версия Mistral-Small-3.2-24B-Instruct-2506. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 23,4 млрд параметров, предназначенная для генерации текста и диалогов по инструкциям. Модель принимает текст и выдаёт текст; контекст — до 32 768 токенов. В карточке указано, что эта версия не мультимодальная. Модель может применяться для диалоговых ассистентов, ответов на вопросы и генерации текста. Она распространяется по лицензии Apache-2.0. README описывает преобразование базовой модели в формат Hugging Face, а не отдельное дообучение.

moco-sentencedistilbertV2.1 — модель эмбеддингов предложений, разработанная bongsoo на базе семейства DistilBERT и обученная для оценки семантического сходства. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для семантического поиска, кластеризации и сравнения текстов. Архитектура — DistilBERT; модель использует Sentence-Transformers и PyTorch, контекст ограничен 512 токенами. Словарь содержит 152 537 токенов. Модель обучалась на корейских и англоязычных наборах данных для сопоставления предложений. В процессе использовалась дистилляция от paraphrase-multilingual-mpnet-base-v2 и последующее обучение на задачах семантического сходства. Она рассчитана прежде всего на корейский и английский языки и может применяться для поиска похожих фраз, сравнения текстов и группировки документов по смыслу. Лицензия в предоставленных данных не указана.

Модель jfarray/Model_bert-base-multilingual-uncased_50_Epochs — модель на архитектуре BERT, разработанная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для семантического поиска и кластеризации. Модель также подходит для сравнения семантической близости текстов и получения текстовых эмбеддингов. Модель имеет 194,6 млн параметров и принимает последовательности длиной до 512 токенов. В карточке указано обучение с CosineSimilarityLoss; файлы представлены в формате PyTorch. Многоязычность следует из базового семейства multilingual BERT, но конкретный перечень поддерживаемых языков в доступных данных не приведён.

Это англоязычная модель Sentence Transformers, дообученная tomaarsen на microsoft/mpnet-base с использованием набора gooaq-hard-negatives и функции потерь MultipleNegativesBidirectionalRankingLoss. Архитектура MPNet преобразует предложения и абзацы в плотные векторы размерности 768; для представления последовательности используется среднее по токенам, а сходство измеряется косинусом. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, включая поиск ответов по вопросам, оценку сходства предложений, поиск перефразировок, кластеризацию и классификацию текста. В карточке приведена оценка на gooaq-dev: cosine_accuracy@1 — 0,589, @3 — 0,723, @5 — 0,776. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

Это модель Sentence Transformers, дообученная авторами tomaarsen на парах запросов и ответов из набора Natural Questions. Она основана на microsoft/mpnet-base: архитектура MPNet с примерно 136,7 млн параметров преобразует текст в плотные эмбеддинги размерности 768; для представления последовательности используется среднее объединение токенов, а сходство обычно оценивается косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для поиска по смыслу и сравнения текстов на английском языке. Её можно применять для поиска ответов на запросы, семантического сходства, поиска перефразировок, кластеризации и классификации текстов; README также приводит оценки на наборах для информационного поиска. Это модель эмбеддингов, а не генератор ответов: сама по себе она возвращает векторы, которые обычно индексируют или сравнивают в отдельной системе. Модель распространяется по лицензии Apache-2.0. Результаты приведённых в карточке оценок различаются в зависимости от набора данных, поэтому качество для конкретного корпуса следует оценивать отдельно; английский язык и ограничение в 512 токенов также ограничивают область применения.