II.1Анализ требований и архитектура ПО

danfeg/CAMeL_Finetuned-EN-500 — модель на базе BERT, дообученная как sentence-transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для вычисления семантического сходства, семантического поиска и кластеризации текстов. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт эмбеддинги. По названию и карточке она ориентирована на английский язык; лицензия в предоставленных данных не указана.

nishimoto/contriever-sentencetransformer — порт Contriever в формате Sentence-Transformers. Модель на архитектуре BERT содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска и кластеризации текстов. Векторные представления можно использовать для сравнения смысловой близости предложений и абзацев. Репозиторий содержит веса PyTorch; для работы с моделью в README рекомендуется библиотека Sentence-Transformers. Ограничение контекста — 512 токенов. В README лицензия не указана.

yunyu/cross-encoder-stsb-deberta-v3-large — модель, опубликованная пользователем yunyu на Hugging Face. Это cross-encoder на архитектуре DeBERTa-v3-large, дообученный для оценки семантического сходства пар текстов на основе задачи STS-B. Модель принимает пару текстов и возвращает оценку их смысловой близости, поэтому подходит для классификации и ранжирования текстовых пар. Модель содержит около 533,8 млн параметров и поддерживает контекст длиной до 512 токенов. В метаданных Hugging Face она обозначена как text-classification; используются Transformers и PyTorch. Основной сценарий — переранжирование результатов поиска, сопоставление пользовательского запроса с документами или описаниями, а также фильтрация и оценка семантического сходства в RAG-конвейерах. Как cross-encoder модель обрабатывает две последовательности совместно и обычно требует отдельного вычисления для каждой пары, что ограничивает производительность при массовом сравнении большого числа кандидатов. Контекст ограничен 512 токенами. Сведения о лицензии в доступных источниках не установлены.

bobox/DeBERTa-small-ST-v1-test-step2 — Sentence Transformers на базе DeBERTa-v2, дообученная авторами на наборах пар и триплетов предложений, включая данные для поиска, вопросов и ответов, проверки фактов и выявления отрицания. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства и перефразирования, кластеризации и извлечения признаков текста. README приводит результаты оценки на STS и VitaminC, однако качество зависит от задачи и набора данных. Основной язык — английский. Данные не сообщают лицензию, поэтому условия использования по ним определить нельзя.

Deepseek Coder 6.7B Instruct — языковая модель для генерации и обработки программного кода, разработанная DeepSeek и представленная в GGUF-квантизованном формате компанией Second State Inc. Модель основана на deepseek-ai/deepseek-coder-6.7b-instruct и предназначена для работы с инструкциями, ответами на вопросы и задачами программирования в локальных приложениях и сервисах, включая LlamaEdge. Модель содержит 6,7 млрд параметров; в README указана архитектура DeepSeek и контекстное окно 4096 токенов. Поддерживаются различные варианты квантизации от 2 до 8 бит, размером примерно от 2,53 до 7,16 ГБ. Варианты Q4_K_M, Q5_K_M и Q5_K_S обозначены как рекомендуемые благодаря балансу размера и качества. README не содержит точного перечня поддерживаемых языков программирования или естественных языков и не описывает мультимодальные возможности, поэтому модель следует рассматривать как текстовую. Сильными сторонами являются адаптация к инструкциям, ориентация на код и возможность запуска в средах с ограниченными ресурсами за счёт квантизации. Ограничения включают контекст 4096 токенов и неизбежную потерю качества у наиболее компактных вариантов, особенно Q2_K и некоторых Q3/Q4-конфигураций. Для запуска через LlamaEdge требуется версия 0.2.8 или новее и соответствующий prompt template. Лицензия указана как deepseek с обозначением other; дополнительные условия должны быть проверены в файле LICENSE.

DeepSeek-R1-Distill-Qwen-7B — языковая модель на 7,1 млрд параметров, разработанная DeepSeek и дообученная на Qwen2.5-Math-7B с использованием примеров рассуждений, созданных DeepSeek-R1. Она предназначена для генерации текста и диалогов с акцентом на решение математических задач, программирование и другие задачи, требующие многошагового рассуждения. Модель использует плотную архитектуру Qwen2 и принимает текст, выдавая текст. Контекстное окно составляет 131 072 токена. В README указана максимальная длина генерации 32 768 токенов для описанных оценок. Модель поддерживает чат; метаданные также отмечают интерфейс вызова инструментов, но README не описывает его применение. Модель компактнее исходного DeepSeek-R1 и показывает сильные результаты в приведённых бенчмарках для дистиллированных моделей. Это не универсальная гарантия качества: ответы могут содержать ошибки, а рекомендации по настройке следует сверять с полной карточкой модели. Лицензия — MIT.

DeepSeek-R1-Strategy-Qwen-2.5-1.5b-Unstructured-To-Structured — языковая модель на архитектуре Qwen2, дообученная MasterControlAIML на базе Qwen/Qwen2.5-1.5B-Instruct с использованием TRL. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и преобразования неструктурированного текста в структурированный, например JSON. В карточке указано обучение на наборе bhaviktheslider/JSON-Unstructured-Structured; также модель можно применять для общих диалоговых ответов. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Карточка не приводит оценок качества и подробных результатов проверки; компактный размер модели может ограничивать сложные рассуждения и точность структурирования по сравнению с более крупными моделями.

MJPansa/DeepSeek-V4-Flash-0731-NVFP4 — общественная конверсия официальной модели DeepSeek-V4-Flash-0731, разработанной DeepSeek. Конверсия сохраняет архитектуру, токенизатор, DSpark/MTP-конфигурацию, механизм внимания, shared experts, router, head и прочие компоненты исходной модели, изменяя представление весов маршрутизируемых экспертов на NVIDIA-style NVFP4. Репозиторий не связан с DeepSeek или NVIDIA и не является их официальным продуктом. Модель предназначена для сложных задач программирования, разработки с агентами, работы с инструментами, автоматизации, терминальных сценариев, математики, Triton, CUDA/Nsight и научных задач. Она относится к MoE-архитектурам и содержит 43 основных transformer-слоя; в структуру включён модуль speculative decoding. В README не указаны общий и активный размер модели, поддерживаемые языки и точный перечень модальностей. Заявлен максимальный контекст до 250 000 токенов в протестированной конфигурации. Сильная сторона версии — компактное представление маршрутизируемых экспертных весов NVFP4 при сохранении исходных 4-битных значений и проверенной совместимости с vLLM на двух системах NVIDIA DGX Spark с tensor parallelism. Работоспособность подтверждена загрузкой и базовой генерацией через OpenAI-compatible API, но это не является сертификацией производительности; протестированный eager-режим показал низкую скорость декодирования. Для запуска требуется совместимая инфраструктура NVIDIA, распределённая конфигурация vLLM и специальное кодирование сообщений, поскольку Jinja-шаблон чата не включён. Лицензия — MIT.

AtlasCloud/DeepSeek-V4-Flash-Vision-Exp-FP8-DSpark — экспериментальная мультимодальная модель семейства DeepSeek-V4, разработанная на базе DeepSeek-V4-Flash-Vision-Exp. Репозиторий содержит преобразованную версию официальных весов с FP4 для маршрутизируемых экспертов в формат FP8 e4m3 с блоковым масштабированием 128×128 ue8m0; плотные слои, общие эксперты, токенизатор и конфигурации DSpark и зрения сохранены без изменений. Модель распространяется как готовый checkpoint для Hugging Face и предназначена для запуска через SGLang или встроенную эталонную реализацию. Модель поддерживает обработку текста и изображений и ориентирована на мультимодальное понимание, агентские сценарии, работу с инструментами, графиками и визуальными данными, сохраняя сопоставимую производительность в текстовых агентских задачах. В README указано использование архитектурных компонентов vision encoder, aligner, DFlash attention, MoE, Hyper-Connections и DSpark forward path. Точный размер модели, окно контекста и перечень поддерживаемых языков не указаны. Ключевое свойство этой версии — lossless-преобразование экспертных весов в FP8 без дополнительного этапа конвертации при развертывании. Для запуска требуется совместимая конфигурация SGLang и отключение FP4-пути экспертов; конкретные требования к оборудованию не приведены. Модель распространяется по лицензии MIT.

drewgenai создал Sentence Transformers-модель, дообученную на базе Snowflake/snowflake-arctic-embed-m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения информации. Модель использует архитектуру BERT с CLS-пулингом и нормализацией векторов; сходство оценивается по косинусной мере. Максимальная длина входной последовательности — 512 токенов. Модель подходит для поиска релевантных документов по запросу, выявления перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Карточка описывает всего 8 обучающих примеров, поэтому приведённые высокие значения метрик следует трактовать осторожно: они не подтверждают качество на широком наборе данных. В метаданных указана англоязычная базовая модель. Лицензия в предоставленных данных не указана.

gubartz/dense_model — модель на базе BERT, опубликованная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Число параметров — 137,1 млн, максимальная длина контекста — 512 токенов; модель работает с текстом и выдаёт эмбеддинги. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для поиска текстов по смыслу и группировки похожих предложений или документов. В карточке не названы обучающие данные и поддерживаемые естественные языки, поэтому нельзя установить языковую специализацию или качество на конкретных языках. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

Mungert/Devstral-Small-2505-GGUF — это набор GGUF-квантизованных версий модели Devstral-Small-2505, базовой моделью которой указана mistralai/Devstral-Small-2505. Модель предназначена для генерации и преобразования текста, а GGUF-формат — для ресурсоэффективного локального запуска, в том числе на системах с ограниченной видеопамятью, CPU и edge-устройствах. Файлы созданы с использованием llama.cpp, commit f5cd27b7. В README указана поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского и ряда других языков. Точные архитектура, число параметров, размер контекста и набор модальностей не указаны. Представлены варианты квантования, включая ультранизкобитные схемы IQ1 и IQ2 с динамическим распределением точности IQ-DynamicGate; они снижают требования к памяти, но могут уступать полноразмерным версиям по точности. В приведённых тестах для Llama-3-8B такие схемы улучшали perplexity относительно стандартного квантования при сопоставимой скорости, однако эти результаты не являются прямой оценкой данной модели. Модель подходит для локального инференса при ограниченных ресурсах и для исследований низкобитного квантования. Для максимальной точности рекомендуется использовать более высокоточные форматы, если оборудование их поддерживает. Лицензия — Apache-2.0.

Kenneth Enevoldsen разработал dfm-sentence-encoder-large-exp2-no-lang-align — модель Sentence Transformers на архитектуре BERT с 453,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; длина контекста — до 512 токенов. Модель предназначена для сравнения смысловой близости текстов и подходит для семантического поиска, кластеризации и получения текстовых эмбеддингов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель принимает текст и выдаёт векторы. В карточке нет сведений о поддерживаемых естественных языках или условиях лицензии, поэтому определить их нельзя.

KennethEnevoldsen/dfm-sentence-encoder-medium-v1 — модель Sentence Transformers на архитектуре XLM-RoBERTa, содержащая 151,7 млн параметров. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения смыслового сходства, семантического поиска и кластеризации. Контекст модели составляет до 514 токенов. Модель предназначена для получения текстовых эмбеддингов, которые можно использовать в поисковых системах, группировке текстов и других задачах сравнения предложений. При обучении применялась функция MultipleNegativesRankingLoss с косинусным сходством. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

jgammack/distilbert-base-mean-pooling — модель для преобразования предложений и абзацев в плотные векторы размерности 768. Она построена на DistilBERT и использует mean pooling для объединения контекстных представлений токенов. Векторы подходят для семантического поиска, кластеризации и сравнения сходства предложений. Модель принимает текст и выдаёт эмбеддинги; её можно использовать через Sentence-Transformers или Transformers с соответствующим pooling. Максимальная длина контекста — 512 токенов. В карточке не указаны отдельные языковые специализации или прикладная область, поэтому модель следует рассматривать как универсальный инструмент для работы с текстовыми представлениями.

Это англоязычная модель Sentence Transformers на базе DistilBERT, дообученная авторами Sentence Transformers на датасете разделов Википедии sentence-transformers/wikipedia-sections. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантической близости и поиска текстов по смыслу. Модель использует DistilBertModel с усреднением токенных представлений; сходство рекомендуется оценивать косинусной мерой. Модель подходит для семантического поиска по англоязычным документам, сравнения предложений, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Максимальная длина входной последовательности — 512 токенов. В тесте TripletEvaluator на тестовом наборе wikipedia-sections точность по cosine_accuracy составила 0,70; результат характеризует оценку на этом наборе и не гарантирует такую же точность на других данных. Лицензия в предоставленных сведениях не указана.

much1na/distil-cohere-l2-ckpt — модель Sentence Transformers, разработанная much1na и дообученная на базе google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 512 для сравнения по косинусному сходству; архитектура состоит из BERT и mean pooling. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. В метаданных указано 40,8 млн параметров и формат safetensors. Карточка указывает обучающий набор parquet из 3 810 976 примеров. Лицензия в предоставленных данных не указана.

tomaarsen разработал эту модель Sentence Transformers как дообученную версию distilbert/distilroberta-base на наборе sentence-transformers/all-nli. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768, пригодные для сравнения косинусным сходством. Архитектура состоит из RoBERTa-энкодера и среднего пулинга токенных представлений; модель содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов по данным метаданных Hugging Face. Модель подходит для семантического поиска, поиска похожих предложений, сопоставления перефразирований, кластеризации и подготовки векторных признаков для классификации текста. В README приведены результаты оценки сходства на sts-dev и sts-test. Модель ориентирована на английский язык и не предназначена для обработки изображений, аудио или других нетекстовых данных. Распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

distiluse-base-multilingual-cased — многоязычная модель Sentence-Transformers, обученная командой sentence-transformers. Она кодирует предложения и абзацы в плотные векторы размерностью 512 для поиска семантически близких текстов, кластеризации и сравнения предложений. В основе лежит DistilBERT; модель поддерживается библиотекой Sentence-Transformers, принимает текстовые фрагменты длиной до 512 токенов и выдаёт векторные представления. Репозиторий содержит веса в форматах PyTorch, safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска, группировки похожих документов и вычисления сходства между предложениями на разных языках. Она выпущена под лицензией Apache-2.0. Качество и языковое покрытие могут различаться между языками; README не приводит конкретного перечня поддерживаемых языков или результатов оценки.

E5-small-unsupervised — англоязычная модель эмбеддингов текста семейства E5, разработанная авторами работы Text Embeddings by Weakly-Supervised Contrastive Pre-training. Это версия E5-small без контролируемого дообучения; архитектура основана на BERT и содержит 12 слоёв, размер эмбеддинга — 384, число параметров — около 40 млн. Модель преобразует текстовые запросы и документы в векторы для поиска и сопоставления предложений. Она подходит для семантического сходства, поиска фрагментов в системах вопросно-ответного поиска, поиска перефразирований, кластеризации и использования эмбеддингов как признаков классификации. Для корректной работы следует добавлять префиксы «query: » и «passage: » в соответствии со сценарием; для симметричного сходства используется «query: » для обоих текстов. Модель принимает только английский текст, а последовательности длиннее 512 токенов обрезаются. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — MIT.

F2LLM-4B — текстовая модель эмбеддингов из семейства F2LLM, разработанного CodeFuse AI и описанного в техническом отчёте F2LLM. Модель основана на Qwen/Qwen3-4B и дообучена на 6 млн пар «запрос—документ» из открытых наборов данных; обучение проходило в один этап с однородными макропакетами и без синтетических данных. В репозитории используются архитектура Qwen3, библиотека Sentence Transformers и формат safetensors; модель содержит около 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для преобразования текста в векторы и задач поиска и сопоставления: семантического поиска, оценки сходства предложений, классификации и кластеризации. Обучение охватывает разнообразные задачи извлечения информации, классификации и кластеризации; карточка указывает английский язык. Лицензия — Apache-2.0. Карточка не приводит конкретных результатов оценки, поэтому качество на отдельных наборах данных по ней определить нельзя.

ppuva1/finetuned-bge-base-en — англоязычная Sentence Transformer-модель, дообученная автором на основе BAAI/bge-base-en. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для семантического сравнения текстов и поиска, поиска перефразировок, кластеризации и классификации. В карточке указана оценка cosine accuracy 0,8462 на обучающем наборе и 0,3939 на оценочном наборе TripletEvaluator; эти результаты относятся к указанным наборам и не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

joshuapb/fine-tuned-matryoshka-1500 — англоязычная модель Sentence Transformers, дообученная на основе BAAI/bge-base-en-v1.5 для получения плотных эмбеддингов предложений и абзацев. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; размерность эмбеддинга составляет 768, а максимальная длина входа — 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и оценки сходства текстов; эмбеддинги также можно применять для поиска перефразировок, кластеризации и классификации текста. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 64, 128, 256 или 512 наряду с полным вектором. В README приведены результаты оценки поиска на наборах dim_64–dim_768, однако они не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

adityasajja6/fine_tuned_mpnet_model — модель Sentence Transformers, дообученная автором на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768; архитектура включает MPNet, усредняющий токены pooling и нормализацию. Модель предназначена для семантического сходства и поиска, поиска перефразировок, классификации текстов и кластеризации. Для сравнения векторов используется косинусное сходство. В README указана максимальная длина последовательности 384 токена, а метаданные каталога — нативный контекст 514 токенов. Модель принимает текст и выдаёт эмбеддинги; сведения о поддерживаемых естественных языках и лицензии в предоставленных данных отсутствуют. В README указан обучающий набор из 10 примеров, поэтому качество дообучения может быть ограниченным и требует проверки на целевых данных.

dalietng/fine-tune_simcse — модель на базе RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, кластеризации и семантического поиска. Веса содержат около 162,4 млн параметров; максимальная длина контекста — 258 токенов. Модель подходит для получения эмбеддингов текстов и сравнения их по смыслу. В README указано обучение с SoftmaxLoss, но набор данных и целевая предметная область не описаны. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Это Sentence Transformer на архитектуре XLM-RoBERTa, дообученный для сопоставления смысла предложений и абзацев. Модель преобразует текст в нормализованные плотные векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. В метаданных указано 658,7 млн параметров, а максимальная длина последовательности в README составляет 1024 токена. Модель предназначена для семантического поиска, оценки текстового сходства, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Она принимает текст и выдаёт векторные представления. README сообщает о 105 064 обучающих примерах с парами и отрицательными примерами, но не указывает их языки, поэтому языковую поддержку определить нельзя. Карточка не называет исходную модель, лицензию или конкретные ограничения качества; происхождение дообучения следует из описания обучения Sentence Transformer и архитектуры XLM-RoBERTa. Для использования доступны веса в формате safetensors; библиотека — Sentence Transformers.

Geolab embedding 1000 — модель на базе XLM-RoBERTa, опубликованная пользователем DejanX13. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучена с функцией MultipleNegativesRankingLoss и использует косинусное сходство; библиотека для работы с ней — Sentence Transformers. Метаданные указывают 658,7 млн параметров и контекст до 514 токенов. Модель принимает текст и выдаёт векторные представления. Карточка не уточняет поддерживаемые естественные языки. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Giga-Embeddings-instruct — двуязычная модель эмбеддингов от разработчиков GigaChat, построенная на decoder-only LLM GigaChat-3b. Она использует pooling типа Latent-Attention и формирует векторы размерности 2048. Модель предназначена для поиска и извлечения информации, семантического сравнения текстов и классификации; для настройки эмбеддингов под задачу перед запросом рекомендуется добавлять инструкцию в формате «Instruct: …\nQuery: …». Для retrieval-инструкцию добавляют к запросу, но не к документу; в симметричных задачах инструкцию добавляют перед каждым сравниваемым текстом. Модель обучена на смеси русских и английских данных и принимает текст, выдавая векторные представления. Максимальная длина входа — 4096 токенов. Указана лицензия MIT. Результаты могут немного различаться в зависимости от версий Transformers и PyTorch.

Vontra/GLM-5.3-Flash-MLX-oQ2-MTP — это MLX-конверсия и квантованная версия мультимодальной модели GLM-5.3-Flash, разработанной Z.ai. Модель предназначена для генерации текста и изображений, обработки языковых и визуальных запросов, а также локального запуска на компьютерах Apple Silicon через MLX и совместимые компоненты oMLX. Заявлены поддерживаемые языки английский и китайский. Модель использует архитектуру glm5_next с разреженной Mixture-of-Experts, гибридным линейным и разреженным вниманием и контекстом до 1 048 576 токенов. Применена посттренировочная weight-only-квантизация sensitivity-guided oQ2 со смешанной точностью и эффективным распределением около 2,67 бита на вес. Большинство весов имеют точность Q2 или Q8, отдельные компоненты — Q4, а зрительный энкодер и проектор сохранены в BF16. Репозиторий содержит 22 файла весов общим объёмом около 110 ГБ. Вариант сохраняет встроенный слой предсказания следующего токена и поддерживает Native MTP с глубиной 1, что может повышать пропускную способность. Однако MTP указан как экспериментальный: в проверенном окружении результаты были связными, но не полностью совпадали с базовым режимом, поэтому для точной детерминированной воспроизводимости его следует отключать. Совместимость проверена с oMLX 0.6.3rc3, MLX 0.32.0, mlx-lm 0.31.3 и mlx-vlm 0.6.3; другие версии могут не поддерживать необходимые пути glm5_next, oQ и Native MTP. Модель распространяется по лицензии MIT.

sembeddings/gptops_finetuned_mpnet_gpu_v1 — модель Sentence Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Обучение с MultipleNegativesRankingLoss и косинусным сходством ориентировано на получение эмбеддингов, близких по смыслу для релевантных текстов. Модель принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. Доступны веса PyTorch, использовать модель можно через библиотеку Sentence Transformers. В карточке не названы целевые языки и лицензия, поэтому определить языковую специализацию и условия распространения по имеющимся данным нельзя.