I.3Извлечение и структурирование данных

Tien09/tiny_bert_ft_sim_score_1 — модель Sentence Transformers, дообученная автором на базе prajjwal1/bert-tiny на датасете пар текстов с оценками сходства. Она кодирует предложения и абзацы в плотные векторы размерности 128; для сравнения используется косинусное сходство. Модель подходит для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Архитектура включает BertModel с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель рассчитана на английский язык. Датасет обучения содержит пары текстов и оценки сходства; примеры относятся к описаниям карт Yu-Gi-Oh!, поэтому качество на иных тематиках может отличаться. Лицензия — Apache-2.0.

Tooka-SBERT-V2-Large — крупная модель Sentence Transformers на архитектуре BERT, разработанная PartAI на базе TookaBERT-Large. Она преобразует предложения и абзацы в плотные векторные представления для оценки семантического сходства, поиска и ранжирования текстов. Для асимметричного поиска запросы оформляются с префиксом «سوال: », а документы — «متن: ». Модель дообучена с функциями потерь CachedMultipleNegativesRankingLoss и CoSENTLoss на синтетических наборах данных. В карточке сообщается, что на бенчмарке PTEB она в среднем превосходит mE5-Base; результаты зависят от задачи. Модель рассчитана на персидский язык, имеет 451,8 млн параметров и контекст до 512 токенов. Лицензия в предоставленных данных не указана.

Ultravox v0.6 Qwen 3 32B — мультимодальная речевая языковая модель Fixie.ai, объединяющая языковую модель Qwen 3 с речевым энкодером whisper-large-v3-turbo. Она принимает аудио вместе с текстовым контекстом и формирует текстовые ответы; модель подходит для голосовых агентов, распознавания и анализа речи, а также перевода устной речи. Версия v0.6 обучалась на расширенном наборе данных речи на хинди, что улучшило понимание хинди, и на шумовых данных для большей устойчивости к шуму. При слишком шумном аудио или отсутствии разборчивой речи модель может вывести маркер ((noise)). Модель поддерживает многоязычную речь и текст, включая языки, перечисленные в метаданных Hugging Face. По карточке она не генерирует аудио: в ответах выдаёт текст. Для этой версии не применялась настройка предпочтений. Лицензия — MIT.

Llama 30B Instruct 2048 — языковая модель для генерации текста и выполнения инструкций, разработанная Upstage. Представлена в репозитории TheBloke в формате GGUF, причём файлы модели были квантованы TheBloke на основе оригинальной модели upstage/llama-30b-instruct-2048. Модель предназначена для диалоговых сценариев, ответов на инструкции и общего текстового вывода на английском языке. Она основана на архитектуре Llama, содержит 30 миллиардов параметров и поддерживает контекст длиной 2048 токенов. В README также указано обучение или оценивание на наборах SciQ, ScienceQA text-only, GAIR/lima, OpenOrca и OpenBookQA. Для работы используется шаблон промпта с секциями System, User и Assistant. GGUF-версии рассчитаны на запуск через llama.cpp и совместимые интерфейсы и библиотеки, включая text-generation-webui, KoboldCpp, LM Studio, ctransformers и llama-cpp-python; доступны варианты квантования от 2 до 8 бит для CPU и GPU. Квантование уменьшает требования к ресурсам, но конкретное влияние на качество зависит от выбранного варианта. Модель поддерживает только текстовые сценарии, а её контекст ограничен 2048 токенами. В метаданных указана лицензия «other», однако её точные условия в README не приведены.

victormuryn/use-translation-pt — модель векторных представлений предложений на базе XLM-RoBERTa, дообученная автором на корпусе украинских текстов UberText 2.0. Обучение с контрастивной целью использовало аугментацию обратным переводом; модель входит в коллекцию экспериментов с эмбеддингами предложений для украинского языка. Модель преобразует предложения и абзацы в векторы, пригодные для семантического сравнения, поиска и кластеризации. Её можно использовать в Sentence Transformers для получения эмбеддингов. Основа — sentence-transformers/paraphrase-multilingual-mpnet-base-v2; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Модель распространяется под лицензией Apache-2.0.

onnx-community/voyage-4-nano-ONNX — ONNX-версия модели voyageai/voyage-4-nano, подготовленная сообществом onnx-community. Это multilingual-модель для извлечения признаков и построения векторных представлений текста, пригодная, в частности, для семантического поиска и поиска документов по запросу. В README показан сценарий представления поискового запроса для последующего поиска поддерживающих документов. Модель запускается через ONNX Runtime и принимает токенизированный текст с использованием Transformers AutoTokenizer. Выходы включают last hidden state размерности 2048 на токен и pooler output размерности 2048 для всего входа. В README приведён пример с англоязычным запросом; точный перечень поддерживаемых языков, максимальная длина контекста, количество параметров и сведения об архитектуре не указаны. К сильным сторонам относятся формат ONNX, совместимый с ONNX Runtime, и получение компактного векторного представления размерности 2048 для задач поиска и сопоставления текстов. Ограничения описания связаны с отсутствием данных о качестве, производительности, поддерживаемых языках и предельной длине входа. Модель распространяется по лицензии Apache-2.0.

aconeil/w2v2-lmk_updated — модель автоматического распознавания речи на архитектуре wav2vec 2.0, дообученная на базе facebook/wav2vec2-large-xlsr-53. Она предназначена для преобразования аудиозаписей речи в текст. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В README приведены результаты на оценочном наборе: WER 0,5749 и CER 0,2049. Для обучения использован набор данных audiofolder. Модель распространяется в формате safetensors по лицензии Apache-2.0. Язык распознавания и подробные ограничения в карточке не описаны.

Wav2Vec2-Large-960h-Lv60 + Self-Training — англоязычная модель распознавания речи от Facebook. Это плотная модель архитектуры wav2vec2 с головой CTC и примерно 402,7 млн параметров. Она предварительно обучена и дообучена на речевых данных Libri-Light и LibriSpeech; при обработке аудио требуется частота дискретизации 16 кГц. Модель преобразует речь в текст и подходит для транскрибации аудиозаписей на английском языке. В README описан метод self-training и приведены результаты на наборах LibriSpeech, включая WER 1,8/3,3 на тестовых выборках clean/other при использовании всех размеченных данных. Репозиторий содержит версии весов для PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0. Указанные результаты относятся к конкретным тестовым наборам; качество на других условиях записи и для других языков не гарантируется.

WeMM-Embedding-2B — универсальная мультимодальная embedding-модель, разработанная Tencent и построенная на Qwen3.5. Указанный репозиторий содержит её квантованную версию в формате GGUF. Модель предназначена для преобразования данных в векторные представления и поддерживает текст, изображения, видео, визуальные документы, а также интерливинг мультимодальных входов. Аудио не поддерживается. Модель имеет размер 2B параметров и возвращает L2-нормализованный embedding размерностью 2048. Она подходит для семантического поиска, сопоставления запросов и документов, мультимодального поиска, кластеризации и задач retrieval. Поддерживаются китайский и английский языки. Реализована поддержка Matryoshka Embeddings: вектор можно усекать до размерностей, заданных в конфигурации, включая 256; для этой размерности заявлено сохранение 98,7% исходной производительности на задачах с изображениями и видео. В бенчмарке MMEB-v2 модель показала средний результат 77,9, включая 79,6 на задачах с изображениями, 70,8 с видео и 80,7 с визуальными документами. Ограничения включают отсутствие поддержки аудио и необходимость специализированной обработки мультимодальных входов; заявленный контекст модели в README не указан. Лицензия обозначена как Apache-2.0.

OpenASR/whisper-large-v3 — это версия мультиязычной модели Whisper Large v3, разработанной OpenAI и адаптированной проектом OpenASR для нативного запуска в формате .oasr. Модель предназначена для автоматического распознавания речи и перевода речи на английский язык, включая сценарии локальной транскрипции аудиозаписей на CPU и GPU без использования Python во время инференса. Модель построена на стандартной encoder-decoder архитектуре Whisper и содержит 1,55 млрд параметров. Версия v3 обучена на более крупном и разнообразном размеченном корпусе и использует 128 mel-частотных каналов, что повышает устойчивость распознавания в разных языках и акустических условиях. Доступны сборки fp16, q8_0 и q4_k с различными требованиями к размеру файлов и оперативной памяти; q8_0 рекомендуется как вариант, близкий по качеству к fp16, но более компактный. Сильными сторонами модели являются высокая точность среди моделей семейства Whisper, поддержка множества языков, возможность speech-to-text и speech translation, а также оптимизация OpenASR для локального запуска и сниженного потребления памяти. Ограничения включают значительный размер полной модели и повышенные требования к ресурсам по сравнению с дистиллированными или меньшими вариантами; для q4_k в README не приведены показатели скорости и изменения качества. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели OpenAI; OpenASR выполняет преобразование формата и квантование весов.

Whisper-Large-v3-CV11 — мультиязычная модель распознавания речи, разработанная Burak Aydın и дообученная на корпусе Whispered с лицензией CC0. Это контрольная версия OpenAI Whisper large-v3 со стандартной архитектурой без преобразования внимания MHA в MLA; модель содержит 905,2 млн параметров и работает через Transformers без пользовательского кода. Модель предназначена для транскрибации речи на 11 языках. В карточке перечислены английский, немецкий, испанский, французский, русский, турецкий, валлийский, арабский, грузинский, тайский и китайский. README приводит результаты оценки на CommonVoice-17 для части языков и описывает обучение на 15 000 шагах с замороженным энкодером. Данные указывают на применение для чтения вслух речи; модель также можно конвертировать стандартными инструментами для faster-whisper, CTranslate2 и whisper.cpp. Модель принимает аудио и выдаёт текст. Apache-2.0 разрешает широкое использование. Приведённые метрики относятся к тесту CommonVoice-17 с жадным декодированием и заданной нормализацией; они не гарантируют такое же качество на других типах аудио.

Модель dvislobokov/whisper-large-v3-turbo-russian — дообученная русскоязычная версия Whisper large-v3-turbo, созданная dvislobokov на базе openai/whisper-large-v3-turbo. Она предназначена для автоматического распознавания русской речи и преобразования аудио в текст. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и принимает аудио.

Whisper Medium FLEURS Language Identification — модель классификации аудио, созданная дообучением OpenAI Whisper Medium на подмножестве FLEURS датасета google/xtreme_s. Она предназначена для определения языка по аудиозаписи речи. Модель содержит 455,8 млн параметров, использует архитектуру Whisper и сохранена в форматах PyTorch и safetensors. На оценочном наборе модель достигла accuracy 0,8805 и loss 0,8413. Базовая Whisper Medium — мультиязычная модель для распознавания речи и перевода, однако эта версия дообучена для идентификации языка. Лицензия — Apache-2.0.

Wiederchat-7b-dpo — разговорная языковая модель на 7,1 млрд параметров, созданная mayflowergmbh как DPO-согласованное слияние трёх моделей с помощью LazyMergekit: mlabonne/OmniTruthyBeagle-7B-v0, mayflowergmbh/Wiedervereinigung-7b-dpo-laser и cognitivecomputations/openchat-3.5-0106-laser. Модель основана на архитектуре Mistral и предназначена для генерации текста в диалоге; заявленная длина контекста — 32 768 токенов. В README приведены результаты Mt-Bench-De: средняя оценка 7,61875, с более высокими оценками в категориях STEM и гуманитарных дисциплин, чем в математике и программировании. Это ориентиры из карточки, а не гарантия качества в конкретной задаче. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

jondurbin/airoboros-jamba-3-3 — экспериментальная чат-модель Джона Дурбина, дообученная методом QLoRA на базе jamba-v0.1. Модель содержит 7,2 млрд параметров, использует архитектуру Jamba с mixture-of-experts и предназначена для генерации текста в диалоге. В README заявлена настройка на синтетических данных Airoboros 3.2 и дополнительных наборах данных для вопросов по контексту, суммаризации, программирования, ролевого общения и генерации аргументов функций. Для контекстных вопросов модель обучали отвечать по предоставленным материалам и ограничивать ответ их содержанием, чтобы снизить галлюцинации. Поддерживаются многоходовый чат и шаблон запросов в формате Llama 2; для задач по контексту README рекомендует специальную разметку блоков. Хотя базовая Jamba заявляет контекст до 256 тысяч токенов, это дообучение выполнялось с длиной 8192 токена, поэтому результаты за этим пределом не определены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Автор характеризует её как экспериментальную; качество и поведение могут быть нестабильными, а генерация планов для вызова функций сама по себе не выполняет инструменты.

jaimevera1107/all-MiniLM-L6-v2-similarity-es — испаноязычная модель Sentence Transformers, дообученная на датасете Similarity Sentences Spanish для получения векторных представлений предложений и абзацев. Она основана на архитектуре BERT, содержит 25,9 млн параметров и формирует плотные векторы размерностью 768; заявленная длина контекста — 512 токенов. Модель подходит для семантического поиска, сравнения сходства предложений и кластеризации испаноязычных текстов. В README приведены результаты оценки Spearman Correlation 80,1% и R² 70,67% для строки «Roberta Fine tuned», поэтому эти числа нельзя уверенно приписать именно данной модели. Для работы доступны веса PyTorch и библиотека Sentence Transformers. Модель распространяется по лицензии MIT. Её обучение и заявленные языковые возможности ориентированы на испанский; результаты на других языках не подтверждены.

QuantFactory/ArliAI-Llama-3-8B-Dolfin-v0.3-GGUF — квантизированная версия модели OwenArli/ArliAI-Llama-3-8B-Dolfin-v0.3, созданная QuantFactory с использованием llama.cpp. Модель основана на Meta-Llama-3-8B-Instruct и дообучена на улучшенном наборе данных Dolphin и WizardLM. Модель предназначена для генерации текста, диалоговых сценариев и выполнения пользовательских инструкций. Дообучение ориентировано на более точное следование инструкциям и менее частые отказы от ответов. Поддерживается чатовый формат с системными сообщениями, пользовательскими запросами и ответами ассистента. Размер базовой модели составляет 8 млрд параметров; используется архитектура семейства Llama 3 и текстовая модальность. Обучение проводилось с длиной последовательности 2048 токенов, при этом заявлена работоспособность с контекстом до 8192 токенов. Дообучение выполнялось методом QLoRA с 4-битной загрузкой, рангом 64 и alpha 128; обучаемыми были примерно 2% параметров. Данные о поддерживаемых языках, конкретных параметрах квантизации и результатах бенчмарков не приведены. Модель может быть полезна в локальных приложениях и системах, где важны экономичное использование памяти и выполнение инструкций. Ограничения включают отсутствие опубликованных результатов OpenLLM Benchmark и неполное описание характеристик квантизированных вариантов. Использование регулируется лицензией Meta Llama 3 License, обозначенной в карточке как llama3.

Модель Sunbird — адаптация Whisper large-v3 для распознавания речи на языках, распространённых в Уганде, включая луганда, ачоли, лугбара, атесо, раньяколе, руторо, лумасаба, суахили, лусога, киньяруанда и английский с угандийским акцентом. Она дообучена на датасете SALT, а также на данных Common Voice, Google FLEURS и Makerere Yogera. Модель принимает аудио и выдаёт транскрипцию, автоматически определяя язык или используя язык, заданный явно. Для повышения устойчивости к бытовым условиям при обучении добавляли шум, имитировали телефонную речь понижением частоты до 8 кГц и использовали уличные записи из Уганды. Карточка приводит метрики WER и CER на тестовых выборках; качество заметно различается по языкам, в частности WER выше на майянском и лусога, чем на английском, суахили и киньяруанда. Базовый Whisper не поддерживает перечисленные в карточке языки, поэтому для них используется особый формат задания языка. Модель опубликована под лицензией MIT.

Bagel-Hermes-34B-Slerp — языковая модель для генерации текста и диалогов, созданная слиянием предварительно обученных моделей с помощью mergekit. В слияние вошли Nous-Hermes-2-Yi-34B, bagel-dpo-34b-v0.2 и nontoxic-bagel-34b-v0.2; применён метод SLERP с настройками, различающимися для слоёв внимания и MLP. Архитектура — плотная LlamaForCausalLM, размер — 33,9 млрд параметров, формат весов — safetensors, контекст — до 200 000 токенов. Модель предназначена для генерации текста и ведения диалогов. В README приведены результаты оценок на наборах задач рассуждения и следования инструкциям, включая ARC, HellaSwag, IFEval и BBH. Поддерживаемый язык в карточке не обозначен. Модель распространяется по лицензии Apache-2.0.

Это модель Sentence Transformers на основе BERT, дообученная разработчиком trmteb от emrecan/bert-base-turkish-cased-mean-nli-stsb-tr. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Сходство векторов можно оценивать косинусной мерой. Модель использует BERT с mean pooling, сохраняет регистр и рассчитана на последовательности длиной до 75 токенов согласно README; метаданные указывают максимальный контекст в 512 токенов. Обучающие примеры включают пары турецких текстов. Модель подходит для текстовых эмбеддингов и поиска по смыслу на турецком языке; сведения о лицензии в доступных данных отсутствуют.

c4ai-command-r7b-12-2024-abliterated-GGUF — GGUF-квантизированная версия текстовой генеративной модели c4ai-command-r7b-12-2024-abliterated. Модель подготовлена huihui-ai, а квантизации выполнены bartowski с использованием llama.cpp и метода imatrix. По идентификатору это модель класса 7B; точная архитектура и размер контекста в README не указаны. Модель предназначена для генерации и продолжения текста, диалоговых сценариев и локального запуска через llama.cpp или LM Studio. Указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, японского, корейского, китайского, арабского, греческого, персидского, польского, индонезийского, чешского, иврита, хинди, нидерландского, румынского, русского, турецкого, украинского и вьетнамского языков. Это текстовая модель без заявленной поддержки изображений, аудио или других модальностей. Доступны варианты от BF16 до различных уровней квантизации, примерно от 4,8 до 16,1 ГБ; версии Q5 и Q6 отмечены как высококачественные, а Q4_K_M рекомендована как стандартный вариант. Квантизация уменьшает требования к памяти и упрощает локальный запуск, но может снижать качество по сравнению с исходными весами. Модель помечена как abliterated и uncensored, поэтому её поведение, защитные ограничения и пригодность для чувствительных сценариев могут отличаться от исходной модели. Лицензия CC BY-NC 4.0 разрешает использование только на некоммерческих условиях; для загрузки требуется согласие с условиями лицензии.

MaziyarPanahi/calme-2.3-qwen2-7b — дообученная Maziyar Panahi версия языковой модели Qwen2-7B для диалоговой генерации текста. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и формат safetensors; для общения применяется шаблон ChatML. Заявленная длина контекста — 131 072 токена. Модель предназначена для чата и широких задач генерации и понимания текста. В README заявлена цель улучшить базовую модель по бенчмаркам; приведены результаты Open LLM Leaderboard, включая средний балл 22,74, IFEval и BBH. В качестве данных для дообучения указаны HelpSteer2, OpenHermes-2.5, набор задач Orca Math и SlimOrca. Карточка указывает английский язык. Лицензия — Apache-2.0. Результаты бенчмарков сами по себе не гарантируют качество в конкретных сценариях.

ChimeraLlama-3-8B-v3 — объединённая языковая модель, созданная mlabonne с помощью LazyMergekit из семи моделей семейства Llama 3, включая инструктивные версии и варианты, дообученные с ORPO и DPO. Это плотная авторегрессионная модель на 7,5 млрд параметров для генерации текста и диалогового взаимодействия; заявленная длина контекста — 8192 токена. Модель принимает текст и выдаёт текст. Её можно использовать для ответов на вопросы, ведения диалога и генерации текста. В README приведены результаты оценок Open LLM Leaderboard, но они сами по себе не гарантируют качество на конкретных задачах. В метаданных указана лицензия «other»; условия использования следует сверить с карточкой модели и лицензиями объединённых базовых моделей.

Это англоязычная модель разреженных текстовых эмбеддингов, созданная дообучением mixedbread-ai/mxbai-embed-large-v1 командой tomaarsen на наборе gooaq с помощью библиотеки sentence-transformers. Она преобразует предложения и абзацы в разреженные векторы размерностью 4096; близость векторов можно оценивать скалярным произведением. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе поиска ответов по вопросам. Максимальная длина входной последовательности — 512 токенов. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR при ограничении числа активных измерений до 128 или 256. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Это энкодер для получения векторов, а не генеративная модель: он не формулирует ответы на запросы. Результаты оценки в README относятся к указанным наборам и настройкам и не гарантируют такое же качество на других данных.

MaziyarPanahi/DeepSeek-R1-0528-Qwen3-8B-GGUF — это набор файлов модели в формате GGUF для базовой модели deepseek-ai/DeepSeek-R1-0528-Qwen3-8B. Исходную модель разработала deepseek-ai, а квантированную версию подготовил MaziyarPanahi. Модель предназначена для генерации текста и локального запуска через совместимые инструменты. GGUF — формат, созданный командой llama.cpp и пришедший на смену GGML. Доступны варианты квантования с разной разрядностью: 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством работы. Поддерживаются llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All, LoLLMS Web UI, Faraday.dev, candle и ctransformers. К сильным сторонам относятся возможность локального использования, широкий выбор уровней квантования, GPU-ускорение в ряде клиентов и совместимость с OpenAI-совместимыми серверными интерфейсами некоторых библиотек. README не содержит сведений о точной архитектуре, размере параметров, поддерживаемых языках, длине контекста, мультимодальности, результатах тестирования или лицензии, поэтому эти характеристики нельзя достоверно определить.

DeepVeo-R1-A — объединённая текстовая языковая модель на архитектуре Qwen2, созданная сообществом mergekit-community методом DARE TIES. В слияние вошли Qwen/Qwen2.5-1.5B, Alfitaria/Q25-1.5B-VeoLu и deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B; размер модели — 1,5 млрд параметров. Репозиторий содержит веса в формате safetensors, рассчитанные на использование с Transformers. Модель предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Контекстное окно — до 131 072 токенов. Данные не уточняют отдельные языковые или предметные специализации, а также лицензию, поэтому эти характеристики не описываются.

Dolphin-2.9.3-Mistral-Nemo-12B-Patched — текстовая генеративная модель, опубликованная AIOpsInSpace и созданная на основе cognitivecomputations/dolphin-2.9.3-mistral-nemo-12b. Модель предназначена для локального запуска и генерации текста, включая работу с длинными запросами и документами. В README заявлена специализация на английском языке. Модель имеет плотную архитектуру с 12 млрд параметров и поддерживает контекст длиной до 128K токенов. Версия распространяется в формате GGUF и содержит исправление ошибок сопоставления токенов в tokenizer, из-за которых некоторые локальные backend могли аварийно завершаться или зацикливаться при генерации на длинных промптах. Это является её ключевым преимуществом для локального использования и сценариев с большим контекстом. Ограничения включают отсутствие сведений о точных изменениях относительно базовой модели, результатах независимых тестов, требованиях к оборудованию, производительности и поддерживаемых языках помимо английского. В README указана лицензия Apache-2.0.

clips/e5-base-v2-t2t-nl — дообученная командой CLIPS версия модели clips/e5-base-v2-t2t для работы с нидерландским текстом. Она создаёт плотные векторные представления предложений и предназначена для семантического поиска, сравнения предложений и ранжирования текстов; в карточке приведён пример кодирования запросов и фрагментов MS MARCO. Модель построена на архитектуре BERT и содержит 136,3 млн параметров. Она использует библиотеку Sentence Transformers, распространяется в формате Safetensors и имеет лицензию MIT. Модель рассчитана на нидерландский язык, обучена с использованием наборов данных BEIR для mMARCO, HotpotQA и FEVER. Длина контекста составляет 512 токенов. Эти характеристики делают её подходящей для поиска и сопоставления нидерландских текстов; README ссылается на оценку в бенчмарке MTEB-NL, но предоставленный фрагмент таблицы не содержит результатов этой модели.

e5-omni-7B — мультимодальная модель эмбеддингов от Haon-Chen, созданная дообучением Qwen/Qwen2.5-Omni-7B. Она кодирует текст, изображения, аудио и видео в единое векторное пространство, чтобы находить соответствующие материалы между модальностями и выполнять мультимодальный поиск. Для получения эмбеддингов доступны интеграции с Sentence Transformers и Transformers; в README заявлены результаты на MMEB-V2 и AudioCaps. Модель подходит для поиска по видео и аудио, поиска изображений, диаграмм и документов, а также многоязычного текстового поиска. Репозиторий содержит веса Safetensors, основная задача по карточке — visual-document-retrieval, а каталог также отмечает извлечение признаков и сходство предложений. Лицензия — MIT.

kalle07/embedder_collection — подборка более чем 25 моделей для создания текстовых эмбеддингов, опубликованная пользователем kalle07. Репозиторий содержит практические рекомендации по выбору модели, подготовке документов, разбиению текста на фрагменты и настройке локального RAG. Главная задача моделей в подборке — вычислять векторные представления текста и поддерживать поиск похожих предложений и фрагментов документов. Модели ориентированы на локальное использование с программами вроде AnythingLLM и LM Studio; в репозитории представлены файлы GGUF в форматах BF16, F16, F32 и Q8_0. Автор также упоминает применение через Ollama и KoboldCpp, но совместимость зависит от конкретной модели и среды запуска. В качестве языков в метаданных указаны английский и немецкий; подборка включает модели разных семейств, поэтому характеристики контекста и качество различаются. Подборка пригодится для семантического поиска по документам и построения RAG-систем, но сама по себе не гарантирует улучшения ответов: на результат влияют подготовка текста, разбиение на фрагменты, настройки поиска и основная языковая модель. Автор отмечает, что подходящую модель следует выбирать с учётом языка и предметной области. Лицензия в предоставленных данных не указана.