I.3Извлечение и структурирование данных

Карточка модели valurank/headline_similarities на Hugging Face совпадает с карточкой XHY-DY/all-mpnet-base, поэтому описание составлено по ней. XHY-DY/all-mpnet-base — модель Sentence Transformers для кодирования предложений и коротких абзацев в плотные векторы размерности 768. Она основана на MPNet и дообучена методом контрастивного обучения на наборе более чем из миллиарда пар предложений; исходная модель — microsoft/mpnet-base. В карточке указано применение для семантического поиска, измерения сходства предложений и кластеризации. По умолчанию текст длиннее 384 частей словаря обрезается. Модель принимает текст и возвращает векторное представление, пригодное для поиска и сравнения по смыслу. Она ориентирована на английский язык; заявленная библиотека — Sentence Transformers. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

endre01/infonce-e5-small-v2-0614-0450-st — модель Sentence Transformers, дообученная разработчиком endre01 на базе endre01/infonce-e5-small-v2-0614_0450. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные векторы размерности 384; длина входной последовательности — до 512 токенов. Для сравнения текстов применяется косинусное сходство. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации текста. Векторные представления можно использовать в системах поиска и группировки текстовых данных. В README не приведены сведения о конкретных языках обучения или применения, поэтому языковую специализацию определить нельзя. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

KnutJaegersberg/infoxlm-large-sentence-embeddings — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 1024. Она основана на XLM-RoBERTa и предназначена для поиска семантически близких текстов, кластеризации и семантического поиска. В обучении использовалась функция TripletLoss с евклидовой метрикой расстояния. Модель содержит 658,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. В карточке указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не приведена.

Instructor-base — текстовая модель эмбеддингов, разработанная исследователями HKUNLP. Это дообученная на инструкциях модель на базе T5, содержащая 123,8 млн параметров и принимающая текстовые запросы длиной до 512 токенов. Инструкция к задаче позволяет настраивать представления текста без дополнительного дообучения модели. Модель предназначена для получения эмбеддингов с учётом задачи и области применения: поиска и извлечения информации, сравнения смысловой близости предложений, кластеризации и оценки текста. Её можно применять для текстов из разных областей, включая науку и финансы; карточка указывает поддержку английского языка. В README сообщается о высоких результатах на разнообразных задачах эмбеддингов, но конкретные сравнительные результаты здесь не приведены. Модель выдаёт текстовые векторы и оценки смысловой близости. Для работы авторы предлагают специализированную библиотеку sentence-transformers. Распространяется по лицензии Apache-2.0.

Saxo/Linkbricks-Horizon-AI-Japanese-Advanced-V2-70B — языковая модель Linkbricks, дообученная директором по данным Юнсоном Джи (Saxo) на базе Saxo/Linkbricks-Horizon-AI-Japanese-Base-70B. Это плотная модель семейства Llama с 69,5 млрд параметров, обученная с применением продолженного предобучения на японском языке, SFT и DPO. Контекстное окно составляет 128 тысяч токенов; используется токенизатор базовой модели без расширения словаря. Модель предназначена для генерации текста и диалоговых сценариев, включая анализ отзывов и публикаций в социальных сетях, написание текстов, программирование, математические и логические задачи. Обучение на японских новостях и вики-корпусах, а также на японских, корейских, китайских и английских данных поддерживает работу с этими языками и межъязыковые задачи. README также заявляет поддержку вызова функций и инструментов. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0. Карточка описывает заявленные возможности, но не приводит оценок качества или результатов сравнительных тестов.

Это точная копия весов, токенизатора и конфигурации Llama 3.1 8B Instruct от Meta, размещённая Positron AI как зафиксированный исходный снимок для собственных GPTQ-квантизаций организации. Модель представляет собой плотную авторегрессионную языковую модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; поддерживает диалоги и генерацию текста, включая интерфейс вызова инструментов. Модель предназначена для инструкционного диалога и генерации текста. Метаданные перечисляют английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Репозиторий использует формат safetensors и лицензию Llama 3.1. Это неизменённая перепубликация базовой модели, поэтому её возможности и ограничения соответствуют исходной карточке Meta; отдельные оценки качества и дополнительные ограничения в этой карточке не приведены.

unsloth/Llama-3.2-3B-Instruct — текстовая диалоговая модель семейства Llama 3.2, разработанного Meta и опубликованного Unsloth в виде модели на базе meta-llama/Llama-3.2-3B-Instruct. Это плотный авторегрессионный трансформер с архитектурой LlamaForCausalLM и примерно 3,2 млрд параметров; веса представлены в формате safetensors. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и предназначена для многоязычных диалогов. Модель подходит для генерации ответов, суммаризации, поиска знаний в диалоговых сценариях и построения приложений с вызовом инструментов. В карточке Unsloth также приведены ноутбуки для дообучения и экспорта моделей, но это описание относится к самому чекпойнту. README указывает поддержку английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков; метаданные отдельно отмечают английский. Использование регулируется лицензией Llama 3.2 Community License — специальной коммерческой лицензией Meta.

mlx-community/Llama-3.3-70B-Instruct-8bit — 8-битная версия инструкционно настроенной большой языковой модели Llama 3.3 70B, разработанной Meta и адаптированной сообществом mlx-community для экосистемы MLX. Модель предназначена для генерации и понимания текста, диалоговых сценариев, ответов на вопросы, суммаризации, обработки инструкций и других задач, выполняемых языковыми моделями. По названию модели можно заключить, что она использует 8-битное представление весов, однако точные сведения о формате квантования и требованиях к оборудованию в README не указаны. В заявленных языках присутствуют английский, французский, итальянский, португальский, хинди, испанский, тайский и немецкий. Модель является текстовой; сведения о поддержке изображений или других модальностей отсутствуют. Размер базовой модели составляет 70 миллиардов параметров, но длина контекста и другие архитектурные характеристики в предоставленных данных не указаны. Большой размер и инструкционная настройка предполагают высокое качество в сложных языковых и диалоговых задачах, тогда как 8-битное представление может снизить требования к памяти по сравнению с полноразмерными весами. Ограничения включают возможные ошибки и непредсказуемость генерируемых ответов, а также отсутствие подтверждённых в README характеристик производительности. Модель распространяется по Llama 3.3 Community License от Meta. При распространении материалов или производных продуктов необходимо соблюдать условия лицензии, включая предоставление текста соглашения, указание «Built with Llama» и сохранение установленного уведомления об авторских правах. Также требуется соблюдать применимое законодательство и Acceptable Use Policy; для продуктов и сервисов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено получение отдельной лицензии от Meta.

RedHatAI/Llama-3.3-70B-Instruct-quantized.w4a16 — это квантизированная инструкционно настроенная языковая модель на базе Meta Llama-3.3-70B-Instruct, разработанная Red Hat совместно с Neural Magic. Модель принимает текст и генерирует текст, поэтому предназначена для диалоговых ассистентов, задач генерации естественного языка, а также для создания синтетических данных и дистилляции других моделей. Модель содержит 70 миллиардов параметров и использует INT4-квантизацию весов линейных операторов в трансформерных блоках. Применяется симметричная поканальная по группам схема с размером группы 128 и алгоритм GPTQ, реализованный в библиотеке llm-compressor. Переход с 16 на 4 бита уменьшает размер модели на диске и требования к памяти GPU примерно на 75%. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Для эффективного развертывания рекомендуется vLLM; модель также валидирована в RHOAI 2.20, RHAIIS 3.0 и RHELAI 1.5. В README приведён пример запуска с максимальной длиной контекста 32768 токенов, однако этот параметр указан для конфигурации развертывания. К сильным сторонам относятся существенно сниженные требования к дисковой и GPU-памяти при сохранении назначения исходной instruct-модели и поддержка многоязычных диалоговых сценариев. Ограничения включают работу только с текстом, возможное влияние квантизации на качество по сравнению с исходной моделью и запрет использования для языков, не перечисленных в документации. Модель распространяется по Llama 3.3 Community License; также необходимо соблюдать применимое законодательство и Acceptable Use Policy.

casperhansen/llama-3-8b-instruct-awq — квантизированная AWQ-версия Meta Llama 3 8B Instruct, опубликованная пользователем casperhansen на Hugging Face на основе модели Meta. Это авторегрессионная языковая модель для генерации текста и кода, прежде всего для диалоговых ассистентов, следования инструкциям и локального инференса. Модель принимает текст и генерирует текст; мультимодальность не заявлена. Модель содержит около 8 млрд параметров и использует оптимизированную Transformer-архитектуру Llama с Grouped-Query Attention. В репозитории указана 4-битная AWQ-квантизация с group size 128, а максимальная длина контекста в конфигурации составляет 8192 токена. Исходная Meta Llama 3 8B Instruct предназначена главным образом для английского языка, коммерческого и исследовательского применения. Квантизация ориентирована на более экономичное по памяти развертывание, однако может снижать точность по сравнению с полной точностью; стандартные ограничения языковых моделей, включая ошибки и остаточные риски безопасности, сохраняются. Использование регулируется кастомной Meta Llama 3 Community License и Acceptable Use Policy, условия которых необходимо соблюдать при применении и распространении модели или производных работ.

JonasGru/lt-e5 — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-base. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура состоит из XLM-RoBERTa, среднего пулинга токенов и нормализации. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README указано обучение на наборе из 199 992 пар предложений, а метаданные подтверждают многоязычную базовую модель. Лицензия в предоставленных данных не указана.

M-E5-BASE — мультиязычная модель текстовых эмбеддингов от onelevelstudio, опубликованная как резервная копия intfloat/multilingual-e5-base. Это плотная 12-слойная архитектура XLM-RoBERTa с 305,2 млн параметров и размерностью эмбеддинга 768; модель принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Она предназначена для семантического сходства, поиска фрагментов по запросу, поиска парафразов и кластеризации. README сообщает о поддержке 100 языков на основе XLM-RoBERTa, хотя качество может снижаться на языках с малым объёмом обучающих данных; в метаданных перечислено подмножество языковых тегов. Для задач поиска рекомендуется добавлять префиксы «query:» и «passage:» согласно роли текста; длинные входы обрезаются до 512 токенов. Модель доступна по лицензии MIT; README предупреждает, что её не следует использовать, но не объясняет причину.

RedHatAI/Meta-Llama-3.1-70B-Instruct-quantized.w8a8 — квантизированная версия Meta-Llama-3.1-70B-Instruct, разработанная Neural Magic. Это авторегрессионная текстовая модель архитектуры LlamaForCausalLM, предназначенная прежде всего для диалоговых ассистентов, генерации текста и коммерческого или исследовательского использования. Поддерживаемые в карточке языки: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель принимает и возвращает текст; заявленный сценарий развертывания использует контекст до 8192 токенов. Модель применяет INT8-квантизацию весов и активаций с использованием GPTQ и библиотеки llm-compressor. Квантизация уменьшает требования к памяти GPU и размер файлов примерно на 50%, а также заявлено увеличение пропускной способности матричных умножений примерно в 2 раза по сравнению с представлением FP16. Линейные операторы в трансформерных блоках квантизуются по каналам для весов и динамически по токенам для активаций; отдельные компоненты, включая lm_head, не квантизуются. По результатам, приведённым в README, модель сохраняет большую часть качества исходной версии: заявлены показатели восстановления 98,8% для Arena-Hard, 99,9% для OpenLLM v1, 100,0% для OpenLLM v2, 98,7% для HumanEval pass@1 и 98,9% для HumanEval+ pass@1. Основное ограничение — возможная потеря качества из-за квантизации, а также необходимость совместимого программного обеспечения и аппаратных ресурсов; для эффективного развертывания рекомендуется vLLM, в примере используются два GPU. Модель распространяется по лицензии Llama 3.1; использование должно соответствовать применимым законам и ограничениям.

Meta-Llama-3.1-8B-Instruct-GGUF — это квантизированная в формате GGUF инструкционная языковая модель семейства Llama 3.1, разработанная Meta. Версия GGUF подготовлена bartowski на основе llama.cpp и предназначена для локального запуска, в частности через LM Studio. Модель поддерживает генерацию текста и диалоговые сценарии, включая работу с инструкциями и многоязычными запросами на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Модель содержит около 8 миллиардов параметров и имеет контекстное окно до 128 000 токенов. Она обучалась на 15 триллионах токенов, включая 25 миллионов синтетически созданных примеров. К сильным сторонам относятся улучшенная производительность по сравнению с предыдущими моделями Llama 3 и развитые возможности для многоязычных задач. При этом модель может генерировать неточную, вредную или неподходящую информацию, а качество и скорость работы зависят от используемой квантизации и локального оборудования. Для работы в LM Studio требуется версия 0.2.29 или новее и шаблон запроса Llama 3. Модель распространяется по лицензии Llama 3.1. README не уточняет условия коммерческого использования и конкретные ограничения лицензии, поэтому перед применением необходимо ознакомиться с её полным текстом.

RedHatAI/Meta-Llama-3.1-8B-quantized.w8a8 — квантизированная версия языковой модели Meta-Llama-3.1-8B, разработанная Neural Magic. Модель предназначена для генерации текста и ассистентских диалогов, а также для коммерческого и исследовательского использования в многоязычных сценариях. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель использует архитектуру Meta-Llama-3 и работает только с текстовыми входами и выходами. Веса и активации линейных операторов в трансформерных блоках квантизированы в INT8 по схеме W8A8 с применением GPTQ. Используются статическая поканальная квантизация весов и динамическая потокенная квантизация активаций. Заявленная максимальная длина контекста при развертывании составляет 8192 токена. Модель оптимизирована для работы с vLLM и совместимого с OpenAI API сервинга. Ключевые преимущества — примерно двукратное снижение требований к памяти GPU и увеличение пропускной способности матричных умножений примерно в два раза, а также сокращение размера модели на диске примерно на 50%. При этом качество близко к исходной модели: средний результат на OpenLLM Leaderboard составляет 62,71 против 63,03 у неквантизированной версии. Ограничения включают возможное небольшое снижение точности из-за квантизации, текстовую модальность и зависимость от совместимого окружения развертывания. Модель распространяется по лицензии Llama 3.1.

Nerdward/minilm-irembo-ft — дообученная модель Sentence Transformers, разработанная на базе Nerdward/minilm-irembo-ft. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT-энкодера, среднего pooling и нормализации; модель содержит 25,9 млн параметров и принимает текст длиной до 512 токенов по метаданным, хотя в README указано ограничение 256 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов. В README приведены результаты на kb-retrieval-eval: cosine_accuracy@1 — 0,895, @3 — 0,9834, @5 — 0,9945. Обучение проводилось на 6 214 примерах с anchor, positive и negative и функцией MultipleNegativesRankingLoss. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Izbebe/minilm-l6-v2-ru-hnp — русскоязычный Sentence Transformer, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 для получения векторных представлений предложений и абзацев. Энкодер использует архитектуру BERT с усреднённым pooling и нормализацией; выход — плотный вектор размерности 384. По README, модель обучалась на 20 000 примерах с TripletLoss и предназначена для поиска по текстам и сравнения семантической близости с помощью косинусного сходства. Модель принимает текст и рассчитана на русскоязычные сценарии: поиск релевантных фрагментов, подбор похожих предложений и ранжирование результатов по близости эмбеддингов. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как карточка сообщает максимальную длину последовательности 256 токенов; на практике следует учитывать ограничение самой модели в 256 токенов. Лицензия в предоставленных данных не указана.

Mistral-Small-Instruct-2409 — инструкционная плотная языковая модель на 22 млрд параметров, опубликованная Unsloth как дообученная версия Mistral-Small-Instruct-2409 от Mistral AI. Она предназначена для диалогов, следования инструкциям, генерации текста и вызова функций в приложениях на базе языковых моделей. Модель принимает текст и формирует текстовые ответы; поддерживает контекст до 131 072 токенов и интерфейс вызова функций. Для запуска README рекомендует vLLM и mistral-inference; для работы на одном GPU указано требование не менее 44 ГБ видеопамяти. В метаданных лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице модели.

mykor/mmBERT-small — мультиязычная модель Sentence Transformers, дообученная автором mykor на базе jhu-clsp/mmBERT-small. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между текстами можно оценивать косинусной мерой. Архитектура состоит из энкодера ModernBERT и среднего пулинга токенов, максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Базовый энкодер поддерживает более 1800 языков, поэтому модель подходит для мультиязычных текстовых задач. В репозитории указаны веса в формате safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Карточка модели novelcore/model6 на Hugging Face совпадает с карточкой sentence-transformers/all-mpnet-base-v2, поэтому описание составлено по ней. all-mpnet-base-v2 — модель Sentence Transformers, разработанная в ходе Community Week Hugging Face. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В основе лежит microsoft/mpnet-base, дообученная контрастивным обучением на более чем миллиарде пар предложений из нескольких наборов данных. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст. Её можно применять для семантического поиска, извлечения информации и группировки похожих фрагментов. Текст длиннее 384 токенов модели обрезается; README рекомендует использовать её как кодировщик предложений и коротких абзацев. Лицензия — Apache-2.0.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_10_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная на основе paraphrase-multilingual-mpnet-base-v2 и обученная в течение 10 эпох. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит около 305,2 млн параметров, принимает текст и формирует векторные представления; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих документов и вычисления сходства между фразами. В README указано обучение с CosineSimilarityLoss. Карточка не сообщает отдельную лицензию или результаты оценки качества, поэтому эти характеристики здесь не приводятся.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_50_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная пользователем jfarray. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит около 305,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В README указано обучение с CosineSimilarityLoss. Название модели указывает на вариант paraphrase-multilingual-mpnet-base-v2, однако базовая модель отдельно в метаданных не указана. Модель подходит для семантического поиска и сопоставления предложений; сведения о поддерживаемых языках в метаданных отсутствуют. Опубликованные файлы — в формате PyTorch. Лицензия в предоставленных данных не указана.

tomaarsen/mpnet-base-all-nli — модель Sentence-Transformers на архитектуре MPNet, разработанная tomaarsen. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и вычисления сходства. Модель содержит 136,7 млн параметров и принимает текст; максимальная длина контекста составляет 514 токенов. Модель подходит для семантического поиска и группировки текстов по смыслу. В README описано обучение с CachedMultipleNegativesRankingLoss на основе косинусного сходства. Доступны веса в формате safetensors; лицензия и конкретный перечень поддерживаемых естественных языков в предоставленных данных не указаны.

spl4shedEdu/mpnet_ISM — модель Sentence Transformers, дообученная автором spl4shedEdu на базе sentence-transformers/all-mpnet-base-v2. MPNet преобразует предложения и абзацы в плотные векторы размерности 768; эмбеддинги нормализуются, а сходство можно сравнивать по косинусной мере. По данным карточки, обучение проводилось на парах anchor–positive с функцией потерь CachedMultipleNegativesRankingLoss; тренировочная выборка содержит 281 342 примера. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Модель принимает текст и выдаёт векторы признаков для предложений и абзацев. README указывает максимальную длину последовательности 384 токена, а метаданные каталога — контекст 514 токенов. Примеры обучающих данных относятся к товарам и каталогам, но карточка не ограничивает применение конкретной областью. Лицензия в предоставленных данных не указана.

Teradata выпустила ONNX-версию модели multilingual-e5-base для получения векторных представлений предложений и абзацев. Модель основана на XLM-RoBERTa, содержит около 305 млн параметров, принимает до 514 токенов и формирует векторы размерности 768. Репозиторий включает варианты fp32, int8 и uint8; модель подготовлена для запуска в Teradata Vantage, в том числе через встроенную функцию ONNXEmbeddings. Векторы подходят для измерения семантического сходства, кластеризации текстов и поиска релевантных фрагментов в RAG-системах. Модель многоязычная; метаданные перечисляют языки от африкаанс до хинди и индонезийского, а README указывает на исходную multilingual-e5-base. Лицензия MIT разрешает коммерческое использование. Это преобразование исходной модели в ONNX; качество и охват языков зависят от исходной модели и конкретной задачи.

Это модель Sentence Transformers семейства XLM-RoBERTa, разработанная RZTK на основе yklymchuk-rztk/multilingual-e5-base-matryoshka2d-cached-mnr-multiple-datasets-large-1 и дообученная на наборах core_uk и core_ru. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размером 768 и поддерживает сравнение сходства по скалярному произведению. Модель подходит для семантического поиска, поиска похожих формулировок, кластеризации и классификации текста, в том числе для русскоязычных и украиноязычных данных. Архитектура включает XLMRobertaModel, усредняющий токены pooling-слой и нормализацию. Максимальная длина последовательности — 512 токенов; библиотека — Sentence Transformers. В README приведены результаты поиска на русских и украинских тестовых наборах, включая варианты с опечатками и транслитерацией. Лицензия в предоставленных данных не указана.

Модель h4g3n multilingual-MiniLM-L12-de-en-es-fr-it-nl-pl-pt — компактная модель эмбеддингов предложений на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. По данным карточки, это дистиллированный вариант с четырьмя слоями внимания, обученный сохранять согласованное векторное пространство для семи языков; метаданные указывают архитектуру BERT и около 105,5 млн параметров. Модель преобразует предложения и абзацы в плотные векторы размерности 384 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. Модель принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 512 токенов. Поддерживаются немецкий, английский, испанский, французский, итальянский, нидерландский, польский и португальский языки. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

JoBeer/multi-qa-mpnet-base-dot-v1-eclass — модель эмбеддингов на базе архитектуры MPNet, представленная в формате PyTorch и совместимая с Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Обучение описано с использованием MultipleNegativesRankingLoss и косинусного сходства. Модель содержит 136,7 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Её можно применять для семантического поиска и получения сходства между предложениями; README также указывает кластеризацию как сценарий использования. Сведения о лицензии и целевых языках в предоставленных данных отсутствуют.

NepaliKD-SentenceTransformers-paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence Transformers на базе архитектуры BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 384. Она разработана для семантического поиска по данным на английском и непальском языках, а также подходит для кластеризации и сравнения смысловой близости текстов. Модель содержит 124,3 млн параметров, принимает текст и возвращает векторные представления. Максимальная длина контекста составляет 512 токенов. Для использования доступны веса PyTorch и совместимость с библиотеками Sentence Transformers и Transformers; при использовании Transformers требуется применить подходящую операцию pooling к выходам модели. Лицензия в предоставленных данных не указана.

Карточка модели indigoskyai/nomic-embed-text-v1.5 на Hugging Face совпадает с карточкой nomic-ai/nomic-embed-text-v1.5, поэтому описание составлено по ней. nomic-embed-text-v1.5 — текстовая модель эмбеддингов компании Nomic AI на архитектуре NomicBert, содержащая 136,7 млн параметров. Она преобразует тексты в векторы для семантического поиска, индексации документов для RAG, кластеризации, поиска дубликатов и подготовки признаков для классификации. Для выбора режима перед текстом требуется указать инструкционный префикс, например search_document или search_query. Модель использует Matryoshka Representation Learning: размерность вектора можно уменьшать, снижая потери качества; в карточке приведены результаты для размерностей 768 и 512. README сообщает о последовательностях до 8192 токенов, тогда как метаданные указывают базовый размер контекста 2048 токенов. Доступны форматы safetensors и ONNX, лицензия Apache-2.0. Для совместных мультимодальных эмбеддингов README указывает на отдельную модель nomic-embed-vision-v1.5; сама эта модель кодирует текст.