II.10Разработка и эксплуатация AI/ML-систем

Taimwe/securecoder-30b-pro-merged — объединённая 16-битная версия SecureCoder LoRA с базовой моделью unsloth/Qwen3-Coder-30B-A3B-Instruct. Это модель генерации текста на архитектуре Qwen3 MoE; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов, а README описывает ограничение исходной версии в 2 тыс. токенов. Модель предназначена для генерации и анализа кода, а также вызова инструментов в сценариях разработки и работы с кодовой базой. Модель распространяется в формате safetensors и подходит для загрузки в vLLM, TGI, Transformers и SGLang. README сообщает высокие результаты на тестах вызова инструментов, но низкий результат на проверке здравого смысла кода (6,7%); также указано, что модель не проходила обучение безопасности. Репозиторий содержит версию v1, оставленную для воспроизводимости и старых ссылок; актуальной названа v2. Лицензия — Apache-2.0.

Это англоязычный разреженный энкодер SPLADE, разработанный на базе Luyu/co-condenser-marco с помощью библиотеки Sentence Transformers. Модель дообучена на MS MARCO и предназначена для семантического поиска и разреженного извлечения документов по запросам. Архитектура сочетает BERT-подобный трансформер BertForMaskedLM и слой SpladePooling с max-пулингом и ReLU. Модель преобразует текст в разреженный вектор размерности 30 522; для сравнения векторов используется скалярное произведение. Максимальная длина входа — 512 токенов. В карточке приведены оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель содержит 136,7 млн параметров, распространяется в формате safetensors по лицензии Apache-2.0. Она подходит для англоязычного поиска, но не заявлена как многоязычная; качество для других языков не установлено.

StableCode-Completion-Alpha-3B-4K — авторегрессионная decoder-only модель Stability AI для автодополнения кода. Она обучена на корпусе StarCoder Data, включающем распространённые языки программирования, и предназначена для продолжения кода по короткому или длинному контексту, в том числе для одиночных строк и нескольких строк в редакторе кода. Модель построена на архитектуре GPT-NeoX с плотным трансформерным декодером и содержит около 3,5 млрд параметров. Контекстное окно — 4096 токенов. Веса доступны в форматах PyTorch и safetensors. Модель генерирует код; естественные языки как целевые языки в карточке не заявлены. Модель выпущена под лицензией Apache 2.0. Она может воспроизводить фрагменты кода из обучающих данных, поэтому для проверки совпадений README рекомендует использовать инструменты атрибуции BigCode и Hugging Face. Разработчик также предупреждает против применения модели для незаконных действий и сценариев с высоким риском физического или экономического ущерба.

StableLM-Base-Alpha-7B-v2 — базовая авторегрессионная языковая модель Stability AI на основе декодерного трансформера. Модель содержит около 7,7 млрд параметров и предназначена для генерации текста и последующего дообучения под конкретные приложения. Она обучена преимущественно на англоязычных данных, включая веб-тексты и код, и использует архитектурные компоненты SwiGLU и Rotary Position Embeddings. Контекст модели составляет 4096 токенов. Обучение включало этап с контекстом 2048 токена на 1 трлн токенов и дальнейшее обучение с контекстом 4096 на 100 млрд токенов. Модель работает с текстом на входе и выдаёт текст; её можно использовать как основу для прикладной настройки. Генерации могут содержать оскорбительный или неподходящий контент, присутствовавший в обучающих данных. README рекомендует осторожность при применении в производственных системах и не использовать модель для сценариев, способных причинить вред людям или группам. Лицензия CC BY-SA 4.0 требует указания авторства, ссылки на лицензию и отметки об изменениях.

zzzmahesh/starcoder2-3b-instruct — дообученная модель генерации кода на архитектуре StarCoder2, опубликованная пользователем zzzmahesh. Модель обучали на дополнительных 0,7 млрд токенов, связанных с кодом, в течение трёх эпох. Она принимает инструкции в формате Alpaca без системного промпта и предназначена для генерации и дополнения программного кода по запросу. В README указан результат 65,9 pass@1 на HumanEval-Python. Модель содержит 4,2 млрд параметров, работает с контекстом до 16 384 токенов и доступна в формате safetensors для Transformers. Лицензия — BigCode OpenRAIL-M. Карточка предупреждает, что модель может ошибаться и выдавать вводящий в заблуждение результат, слабо справляться с задачами вне программирования и прошла ограниченное тестирование; перед реальным применением рекомендуется дополнительная проверка безопасности.

NVIDIA FastConformer-CTC Large — модель распознавания английской речи, разработанная NVIDIA и предназначенная для работы в наборе инструментов NeMo. Она преобразует аудиозапись в текст и может использоваться как готовый чекпойнт для транскрибации или как основа для дообучения на другом наборе данных. Модель построена на архитектуре FastConformer, оптимизированной версии Conformer с восьмикратным свёрточным понижением частоты дискретизации; размер версии Large составляет около 115 млн параметров. На вход подаётся монофоническое аудио WAV с частотой 16 кГц, результатом является строка с распознанной речью в нижнем регистре. Модель обучалась на составном наборе англоязычных речевых данных, охватывающем несколько доменов. Модель рассчитана на транскрибацию английской речи в аудиофайлах и может применяться для пакетной обработки записей. Качество может снижаться на технической терминологии, разговорных вариантах речи и речи с акцентом. Лицензия — CC BY 4.0.

supra-ko-pii-router — компактная модель-классификатор на 51,8 млн параметров, разработанная для определения наличия персональных данных в одном предложении на корейском языке. Она дообучена на базе SupraLabs/Supra1.5-50M-Base-exp и использует архитектуру Llama с контекстом до 5120 токенов; работает через библиотеку Transformers. Модель служит шлюзом приватности: помогает решить, можно ли передать текст во внешнюю LLM как есть или его следует проверить перед отправкой. Она распознаёт наличие идентифицирующих данных, включая имена, контактные и финансовые реквизиты, в том числе частично замаскированные. Внутренняя оценка на 602 предложениях показала точность 97,3%; это результат собственного тестового набора разработчика. Модель не находит границы персональных данных и не маскирует их. Для выделения фрагментов автор рекомендует сочетать её с atonlee/koelectra-ko-pii-ner. Лицензия модели — Apache-2.0; обучающие наборы и объединённый корпус в репозитории не распространяются.

castorini/tct_colbert-v2-hnp-msmarco — модель семейства TCT-ColBERT-V2, опубликованная Castorini для воспроизведения варианта плотных моделей поиска, описанного в статье о дистилляции знаний для dense retrieval. Она предназначена для извлечения векторных представлений текстов и их использования в поиске по коллекции документов, в частности в сценариях, связанных с MS MARCO. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. README связывает её с исследовательской работой и отчётом о воспроизведении в Pyserini. Лицензия в доступных данных не приведена.

tf_efficientnet_b1.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Исходную версию обучили авторы работ по EfficientNet и AdvProp на ImageNet-1k с использованием состязательных примеров; Ross Wightman перенёс веса в PyTorch. В модели около 7,8 млн параметров, рекомендованный размер изображения — 240 × 240 пикселей. Модель определяет классы объектов на изображениях и может служить основой для извлечения карт признаков и визуальных эмбеддингов. Она предназначена для классификации изображений общего назначения в сценариях компьютерного зрения. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

timm/tf_efficientnet_b5.ns_jft_in1k — сверточная модель EfficientNet-B5 для классификации изображений и извлечения визуальных признаков. Её обучили авторы исходных работ на ImageNet-1k и неразмеченных данных JFT-300M методом полууправляемого обучения Noisy Student; затем Ross Wightman перенёс веса в PyTorch. В репозитории доступны веса PyTorch и Safetensors, библиотека для работы — timm. Модель содержит около 30,4 млн параметров, требует изображения размером 456 × 456 пикселей и может использоваться как классификатор либо как backbone для получения карт признаков и эмбеддингов. Она предназначена для задач распознавания объектов и категорий на изображениях общего назначения. Лицензия — Apache-2.0.

tf_efficientnetv2_l.in21k — модель классификации изображений семейства EfficientNetV2. Её обучили авторы статьи на ImageNet-21k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. В ней 145,2 млн параметров, она также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов. Размер изображения при обучении — 384 × 384 пикселя, при тестировании — 480 × 480. Модель предназначена для классификации изображений по категориям ImageNet-21k и может служить основой для задач компьютерного зрения, требующих признаков изображения. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

The-Trinity-Coder-7B — языковая модель для генерации кода, созданная слиянием трёх моделей: CodeNinja-1.0-OpenChat-7B, NeuralExperiment-7b-MagicCoder-v7.5 и Speechless-Zephyr-Code-Functionary-7B. Слияние выполнено методом TIES; модель использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации и дополнения кода, помощи в программировании, логических рассуждений и решения математических задач. В карточке заявлена поддержка языков программирования, включая Python, C, C++, Rust, Java и JavaScript. Модель работает с текстовыми запросами и выдаёт текст, в том числе код. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результаты сравнительной оценки качества; практическая точность и качество кода могут зависеть от задачи и формулировки запроса.

TResNet-M — модель классификации изображений и извлечения признаков из семейства TResNet, опубликованная авторами модели и доступная через timm. Она предварительно обучена на ImageNet-21K-P — подмножестве ImageNet-22k примерно из 11 тысяч классов — и предназначена для классификации изображений, получения карт признаков и эмбеддингов изображений. Модель содержит около 52,3 млн параметров; указан стандартный размер изображения 224 × 224, вычислительная сложность — 5,8 GMACs. Веса адаптированы из оригинальных: вместо InplaceABN используется стандартный BatchNorm. Репозиторий содержит веса PyTorch в формате safetensors. Модель принимает изображения и выдаёт классовые оценки либо представления признаков. Лицензия Apache-2.0 разрешает использование на её условиях.

Trinity-2-Codestral-22B — специализированная для программирования языковая модель из серии Trinity, созданной Migel Tissera; вычислительные ресурсы для модели предоставила KindoAI. Это дообученная версия Codestral-22B-v0.1 от Mistral AI с плотной архитектурой MistralForCausalLM и 22 млрд параметров. Модель предназначена для генерации кода и диалоговых запросов, поддерживает контекст до 32 768 токенов и использует формат промптов ChatML. В репозитории опубликованы веса safetensors. В README приведены результаты Open LLM Leaderboard: средний балл 21,82, IFEval — 42,02, BBH — 36,41; остальных строк таблицы недостаточно для оценки. Метаданные указывают лицензию other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. Модель может ошибаться в коде и ответах; перед применением результаты стоит проверять.

VisualQuality-R1-7B — мультимодальная модель для оценки визуального качества изображений, разработанная авторами проекта VisualQuality-R1 и дообученная на Qwen/Qwen2.5-VL-7B-Instruct с применением RL2R. Модель анализирует изображение и может сформировать описание его качества с рассуждением или выдать числовую оценку от 1 до 5; для быстрой работы в режиме reward/evaluation README рекомендует нерассуждающий режим с одним выходным токеном. Модель основана на плотной архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Репозиторий использует формат safetensors. В метаданных указан английский язык; основное назначение — безэталонная оценка качества изображений (NR-IQA). Модель распространяется по лицензии MIT.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения признаков. Её обучили авторы исследований на ImageNet-21k с дополнительной аугментацией и регуляризацией; Росс Уайтман перенёс веса в PyTorch для библиотеки timm. Модель содержит 104,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений и получения векторных представлений, например как основа для прикладных систем компьютерного зрения. В README также приведены исследования о масштабировании ViT и влиянии данных, аугментации и регуляризации на обучение. Репозиторий распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0.

timm/vit_pe_core_tiny_patch16_384.fb — компактная модель зрения из семейства Perception Encoder (PE Core), опубликованная в репозитории timm на Hugging Face. Это Vision Transformer, принимающий изображения размером 384×384 и выдающий визуальные признаки для последующего использования в задачах компьютерного зрения. Модель доступна через timm и Transformers с pipeline image-feature-extraction. Карточка модели указывает лицензию Apache-2.0. Она относится к коллекции Perception Encoder, содержащей веса PE Core, Spatial и Lang; для этой версии заявлено извлечение признаков изображений. Коллекция отмечает, что эти веса несовместимы с исходным кодом моделирования.

Это модель Vision Transformer (ViT) для классификации изображений из семейства timm. Её обучили авторы исследований на ImageNet-21k с дополнительной аугментацией и регуляризацией в JAX; Ross Wightman перенёс веса в PyTorch. Модель содержит около 30,1 млн параметров, использует изображения размером 224 × 224 и имеет вычислительную стоимость около 4,3 GMACs. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Она подходит для распознавания объектов и категорий на изображениях, а также для построения систем компьютерного зрения на базе предобученных признаков. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт классы либо признаки изображения; карточка не приводит сведений о точности на конкретных прикладных наборах данных.

Voilum-1 — компактная языковая модель Elise Paul из Independent AI Research & Systems для генерации Python-кода в задачах вычислительной математики, научных вычислений и реализации систем машинного обучения. Это авторегрессионная разреженная архитектура Mixture-of-Experts с 463,6 млн параметров, из которых около 100,8 млн активны на токен; используются Grouped-Query Attention, RoPE, RMSNorm и SwiGLU. Модель обучалась на алгоритмических и математических данных, прошла инструкционное дообучение в формате ChatML и обучение с подкреплением GRPO на основе выполнения кода. В README заявлены контекстно-зависимая генерация кода и успешное прохождение ряда тестов на реализацию алгоритмов, слоёв PyTorch и функций машинного обучения. Модель предназначена для генерации детерминированного Python-кода по техническим спецификациям, включая численные алгоритмы, компоненты глубокого обучения и классические ML-методы. Поддерживаемый язык по карточке — английский. Лицензия Apache-2.0. Заявленные в README результаты оценки приведены разработчиком; они не являются независимой гарантией качества. Размер контекста в предоставленных данных не указан.

wavecoder-ultra-6.7b-GGUF — это GGUF-квантизация модели wavecoder-ultra-6.7b, разработанной Microsoft и опубликованной в исходном виде на Hugging Face. Квантизации подготовлены пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации и обработки программного кода; в метаданных указаны задачи text-generation, набор данных HumanEval и метрика code_eval. Модель содержит 6,7 млрд параметров и поставляется в нескольких вариантах квантования от Q8_0 до IQ1_S, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS; их размер составляет примерно от 3,62 до 5,52 ГБ. Для работы используется формат GGUF и llama.cpp. Ожидаемый формат запроса близок к DeepSeek Coder или Alpaca: системная инструкция, блок «Instruction» и блок «Response». Сильной стороной модели является возможность локального запуска на широком диапазоне оборудования благодаря множеству уровней квантования, включая варианты для систем с ограниченным объёмом RAM. Более агрессивное квантование уменьшает размер и требования к памяти, но снижает качество генерации. README не содержит сведений об архитектуре, поддерживаемых языках программирования и естественных языках, размере контекстного окна, результатах сравнительных тестов или ограничениях безопасности. Указана лицензия other с license_name deepseek; точные условия лицензии следует уточнять в исходной карточке модели.

RedHatAI/whisper-large-v3-quantized.w4a16 — квантизированная версия модели openai/whisper-large-v3, разработанная Neural Magic. Это аудио-текстовая модель архитектуры Whisper, которая принимает аудиосигнал и генерирует текст; в метаданных указана поддержка английского языка. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст. Основная оптимизация — квантизация весов до формата INT4 с конфигурацией w4a16. Она уменьшает требования к памяти и может повысить эффективность инференса по сравнению с исходной моделью, сохраняя архитектуру базовой Whisper large v3. Модель подготовлена для запуска через vLLM версии 0.5.2 и выше; README также указывает возможность использования OpenAI-compatible serving. В примере развертывания задан параметр max_model_len 448, но это значение относится к конфигурации запуска. К ограничениям относятся возможное снижение качества распознавания из-за квантизации и отсутствие в README количественных результатов оценки точности или производительности. Лицензия модели — Apache 2.0.

Это плотный энкодер фрагментов текста для поиска по Википедии, разработанный командой Castorini. Модель построена на архитектуре BERT и обучена с помощью библиотеки Tevatron как часть второй итерации Dense Passage Retrieval для варианта корпуса wiki-all-8-4; размер составляет 136,7 млн параметров, максимальная длина входа — 512 токенов. В репозитории представлены веса Flax. Модель предназначена для преобразования текстовых фрагментов в векторные представления, которые можно использовать для поиска релевантных документов и ответов на вопросы по открытым источникам. Обучение проводилось на объединении наборов NQ, TriviaQA, WQ и CuratedTREC с корпусом Википедии. Для полноценного DPR-поиска обычно требуется соответствующий энкодер запросов и система векторного поиска; эта модель кодирует именно passages. Лицензия в предоставленных данных не указана.

deepset/xlm-roberta-base-squad2 — мультиязычная модель для извлечения ответов на вопросы, разработанная deepset на базе xlm-roberta-base. Модель обучена на SQuAD 2.0 и предназначена для поиска точного фрагмента ответа в предоставленном тексте; она также может отказаться от ответа, если в тексте нет нужной информации. Модель использует архитектуру XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Подходит для систем вопросно-ответного поиска по документам, в том числе построенных на Haystack. В README приведены оценки на SQuAD 2.0, German MLQA и German XQuAD; на двух последних наборах проверялись вопросы и контексты на немецком языке. Модель принимает текст вопроса и контекста и возвращает текстовый ответ с его позицией во входном фрагменте. Лицензия — CC BY 4.0. Поскольку модель извлекает ответы из переданного текста, качество зависит от полноты и релевантности контекста; оценки на немецких наборах показывают ограниченное качество и не гарантируют результаты на других языках или доменах.

Карточка модели Xwin-LM/XwinCoder-7B на Hugging Face совпадает с карточкой Xwin-LM/XwinCoder-13B, поэтому описание составлено по ней. XwinCoder-13B — инструкция-настроенная модель генерации кода от Xwin-LM, дообученная на базе CodeLLaMA. Она предназначена для создания кода по текстовым инструкциям и запросам; авторы публикуют веса и код оценки. В карточке приведены результаты XwinCoder-13B на HumanEval, MBPP и APPS-intro: pass@1/5 соответственно 68,8, 60,1 и 35,4. Модель имеет плотную архитектуру LlamaForCausalLM с 12,9 млрд параметров, принимает текст и генерирует текст, а заявленная длина контекста составляет 16 384 токена. В метаданных указан формат PyTorch и лицензия Llama 2. README описывает её как instruction fine-tune CodeLLaMA, поэтому для использования следует соблюдать условия лицензии Llama 2.

Ziya-Coding-34B-v1.0 — языковая модель для генерации кода, разработанная командой Fengshenbang исследовательского института IDEA. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров и контекстом 16 384 токена; она работает через Transformers и принимает текстовые инструкции на китайском и английском языках, выдавая текст, в том числе программный код. Модель дообучена в два этапа на примерно 450 тысячах инструкций по программированию, затем дополнительно настроена на 46 тысячах сложных инструкций с фильтрацией по компиляции и проверкой unit-тестами. Модель предназначена для генерации кода по естественно-языковому описанию и решения разнообразных задач программирования. В README приведён результат 75,5% pass@1 на HumanEval при жадной генерации; это оценка на конкретном бенчмарке и не гарантирует корректность кода в реальном проекте. Репозиторий содержит веса PyTorch, а лицензия — GPL-3.0.

360Zhinao-7B-Base — базовая авторегрессионная языковая модель семейства 360Zhinao, разработанная командой 360 (Qihoo 360). Модель содержит 7,1 млрд параметров и обучена на корпусе объёмом 3,4 трлн токенов, преимущественно на китайском и английском языках, а также на коде. Это базовая, а не чат-версия; для диалогового применения в серии отдельно выпущены модели Chat. Модель предназначена для генерации текста и служит основой для задач понимания языка, работы со знаниями, математики, логических рассуждений и генерации кода. Она поддерживает контекст до 4096 токенов, построена на архитектуре ZhinaoForCausalLM и распространяется в формате safetensors для Transformers. README сообщает о сравнительной оценке базовой модели на наборах OpenCompass, включая C-Eval, MMLU, GSM8K и HumanEval. Лицензия — Apache-2.0. Как базовая языковая модель, она не настроена специально для следования инструкциям или ведения диалога; качество ответов зависит от промпта и сценария применения.

Absolute_Zero_Reasoner-Coder-14b-GGUF — это квантованная версия языковой модели Absolute_Zero_Reasoner-Coder-14b, разработанной andrewzh. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix; модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель относится к классу text-generation и ориентирована на задачи рассуждений и генерации программного кода. Известен размер базовой модели — 14 млрд параметров. В карточке не указаны архитектура, поддерживаемые языки, контекстное окно и мультимодальные возможности, поэтому подтвердить эти характеристики нельзя. Доступны варианты от BF16 до различных квантований Q8, Q6, Q5, Q4, Q3 и IQ. Более высокие уровни квантования сохраняют лучшее качество, но требуют больше памяти; варианты Q4 и Q5 описаны как сбалансированные по качеству и размеру, а Q3 предназначены для систем с ограниченным объёмом RAM. Квантованные файлы удобны для локального запуска, однако снижение точности по сравнению с исходной моделью зависит от выбранного варианта. Лицензия в README не указана.

AutoCoder_QW_7B — разговорная модель для генерации кода, основанная на CodeQwen1.5-7b. Разработчик сообщает, что в этой версии исправлено поведение запуска интерпретатора кода: модель должна запускать его не только по просьбе проверить код. Для простого создания кода без интерпретатора README предлагает отдельный сценарий использования. Модель построена на архитектуре Qwen2 и содержит 6,9 млрд параметров; заявленное максимальное окно контекста — 65 536 токенов. Она принимает текст и выдаёт текст, поддерживает чат и распространяется в формате Safetensors. Лицензия — Apache-2.0. README не уточняет поддерживаемые языки программирования и языки общения, а также не приводит результатов оценки качества.

AutoDev Coder — разговорная модель для генерации кода, представленная в репозитории unit-mesh/autodev-coder. Согласно README, она основана на DeepSeek-Coder-6.7B-Instruct, который дообучен на 2 млрд токенов инструкционных данных и восходит к DeepSeek-Coder-6.7B-Base. В метаданных указаны архитектура LlamaForCausalLM, плотная модель на 6,6 млрд параметров и контекст до 16 384 токенов. Модель предназначена для диалога и генерации текста, прежде всего для задач программирования: например, написания и дополнения кода по инструкциям. В README нет конкретных результатов оценки или списка поддерживаемых языков программирования и естественных языков. Репозиторий содержит веса в формате Safetensors; лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

Это англоязычный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, дообученный для поиска документов по коротким запросам. Модель разработана в рамках исследования bag-of-documents retrieval и обучена с функцией MultipleNegativesRankingLoss примерно на 1,9 млн пар «запрос — документ», полученных из каталога Amazon ESCI. Модель кодирует текстовые запросы и документы в плотные векторы размерности 384 и предназначена для семантического поиска и сравнения сходства по косинусной близости. Архитектура включает энкодер BERT, mean pooling и нормализацию; метаданные указывают 25,9 млн параметров и контекст до 512 токенов. В README заявлен максимальный размер последовательности 256 токенов, поэтому для практического использования следует учитывать это более низкое значение. Модель подходит для поиска товаров по коротким запросам, ранжирования документов и построения retrieval-компонента. Обучающие данные относятся к товарам Amazon, поэтому качество на других тематиках может отличаться; модель не генерирует ответы и выдаёт векторы. Лицензия — Apache-2.0.