II.1Анализ требований и архитектура ПО

Карточка модели coderancer/movie-recommender-model на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Это модель Sentence Transformers на архитектуре MPNet, дообученная tomaarsen на парах вопросов и ответов из набора GooAQ. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между текстами можно оценивать косинусной мерой. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сопоставления вопросов с ответами, а также для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Лицензия Apache-2.0 разрешает свободное использование и распространение с соблюдением её условий.

Это англоязычная модель Sentence Transformer, разработанная авторами репозитория tomaarsen и дообученная на microsoft/mpnet-base на наборе gooaq-hard-negatives. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смыслового сходства, семантического поиска, поиска перефразировок, классификации текста и кластеризации. Для сравнения векторов можно использовать косинусное сходство. Модель построена на архитектуре MPNet с усреднением токенных представлений; она содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. README приводит оценку cosine_accuracy@1 0,799 на gooaq-dev, но результат относится к указанному набору оценки и не гарантирует аналогичное качество на других данных. Лицензия — Apache-2.0.

Это модель Sentence Transformer на базе microsoft/mpnet-base, дообученная авторами репозитория tomaarsen на наборе GooAQ с учётом квантования. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между текстами оценивается косинусной близостью. Архитектура использует MPNet и усреднение токенных представлений, максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе вопросов и ответов. Её можно применять для поиска похожих вопросов, извлечения релевантных ответов, кластеризации и классификации текста на основе эмбеддингов. Обучение на GooAQ включает 90 тысяч пар вопрос–ответ; в README приведены оценки поиска для представлений float32, int8 и binary. Модель принимает текст и выдаёт векторные представления. Она ориентирована на английский язык и не является генеративной моделью. Лицензия — Apache-2.0.

din0s/mpnet-base-nq-prompts-noschedule-lr1e-5 — текстовая модель Sentence Transformers, дообученная автором на базе microsoft/mpnet-base на датасете Natural Questions. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их косинусным сходством; архитектура включает MPNet и усреднение токенных представлений. Модель рассчитана на английский язык, принимает последовательности длиной до 514 токенов. Модель подходит для семантического поиска, сопоставления запросов и документов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В карточке приведены результаты оценки на наборах NanoBEIR и отдельных задачах информационного поиска, но качество зависит от данных и сценария применения. Лицензия — Apache-2.0.

BlazingFringe/mpnet-mnr-v2-fine-tuned — модель Sentence-Transformers на архитектуре MPNet, разработанная на основе MPNet и дообученная с MultipleNegativesRankingLoss для сравнения предложений по косинусному сходству. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации и оценки сходства текстов. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Её можно использовать в конвейерах поиска и группировки текстовых фрагментов; для работы доступны Sentence-Transformers и Transformers с подходящим pooling. В карточке указаны наборы данных ANLI и GLUE. Языки обучения или приоритетные языки не установлены по имеющимся сведениям. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

msmarco-distilbert-base-dot-prod-v3 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и кластеризации текстов. Архитектура основана на DistilBERT; модель поддерживает контекст до 512 токенов и работает с библиотекой Sentence-Transformers. Векторы можно применять для поиска текстов по смыслу и группировки похожих предложений или документов. Лицензия Apache-2.0 разрешает использование на её условиях.

sentence-transformers/msmarco-distilbert-base-v4 — модель Sentence-Transformers на базе DistilBERT, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Контекст модели ограничен 512 токенами; доступны реализации в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для поиска релевантных фрагментов, группировки похожих текстов и вычисления семантического сходства. Для применения через Transformers требуется корректно агрегировать контекстные представления токенов с помощью подходящей операции pooling. Данные карточки не уточняют поддерживаемые естественные языки и ограничения качества.

sentence-transformers/msmarco-roberta-base-v3 — модель sentence-transformers на архитектуре RoBERTa, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения предложений и кластеризации. Модель содержит 151,8 млн параметров, принимает текстовые входы и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Модель подходит для поиска текстов по смыслу и группировки семантически близких фрагментов. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия Apache-2.0 допускает использование на её условиях.

AIDA-UPM/MSTSb_paraphrase-xlm-r-multilingual-v1 — модель на базе XLM-RoBERTa, опубликованная AIDA-UPM и предназначенная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, пригодные для семантического поиска, кластеризации и сравнения сходства предложений. В метаданных указано 305,2 млн параметров и контекстное окно 514 токенов; веса доступны в формате PyTorch. Модель обучалась с CosineSimilarityLoss. Для работы требуется корректное объединение контекстных представлений токенов с помощью pooling; Sentence-Transformers предоставляет готовый способ использования. Карточка не указывает лицензию, поэтому условия распространения здесь описать нельзя.

IoannisKat1/multilingual-e5-large-ft-new — это дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-large, разработанная автором репозитория IoannisKat1. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; сходство векторов можно измерять косинусной близостью. Максимальная длина последовательности — 512 токенов. Карточка указывает английский язык. Модель подходит для построения векторного поиска и других систем, где требуется сопоставлять тексты по смыслу; опубликованные результаты оценки поиска приведены для нескольких размерностей эмбеддингов. Лицензия — Apache-2.0. README описывает дообучение на 1 627 парах anchor-positive, поэтому качество за пределами указанных задач и данных может отличаться; более конкретные сведения о составе обучающих данных не приведены.

Avditvs/multilingual-e5-small-distill-base-0.1 — экспериментальная дистиллированная модель текстовых эмбеддингов на архитектуре BERT, созданная автором карточки на основе intfloat/multilingual-e5-small с учителем intfloat/multilingual-e5-base. Модель обучалась сопоставлять косинусное сходство пар предложений с оценками учителя; при обучении применялось Matryoshka Representation Learning. По карточке, она содержит 12 слоёв и имеет размерность эмбеддингов 384; в метаданных указано 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для многоязычного семантического поиска, ранжирования текстов по сходству, поиска парафраз и кластеризации. Для асимметричного поиска следует добавлять префиксы «query: » и «passage: », а для симметричных задач и получения признаков — «query: »; без префиксов качество может снижаться. В карточке описана поддержка 100 языков, но малоресурсные языки могут работать хуже. Длинные тексты обрезаются до 512 токенов. Лицензия — MIT.

srikarvar выпустил дообученную на основе intfloat/multilingual-e5-small модель Sentence Transformer для получения плотных векторных представлений предложений и абзацев. Она использует архитектуру BERT с усреднением токеновых представлений и нормализацией выходного вектора; размер эмбеддинга — 384, максимальная длина входа — 512 токенов. Для сравнения векторов подходит косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Она принимает текст и выдаёт эмбеддинги; базовая модель многоязычная, но в карточке не приведён список языков, проверенных при дообучении. README сообщает о TripletLoss и небольшой обучающей выборке из 546 примеров, а также об оценке на 61 примере, поэтому приведённые результаты не гарантируют качество на других данных. Весы доступны в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели swardiantara/MultiSource-full-cdk0-m0.5-e5-b128-L6 на Hugging Face совпадает с карточкой swardiantara/one-cdk0-m0.5-e5-b128-L6, поэтому описание составлено по ней. swardiantara/one-cdk0-m0.5-e5-b128-L6 — модель Sentence-Transformers на базе BERT, разработанная пользователем swardiantara. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 25,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Модель подходит для построения эмбеддингов и поиска семантически близких фрагментов; README не приводит результаты оценки качества. Лицензия в предоставленных данных не указана.

dwulff/mxbai-personality — модель эмбеддингов предложений на базе MPNet, опубликованная пользователем dwulff. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; заявленная длина контекста — 514 токенов. Модель подходит для семантического поиска, группировки похожих текстов и оценки сходства предложений. В README указано обучение с CosineSimilarityLoss. Доступна в формате safetensors и предназначена для использования с библиотекой Sentence-Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Leonardojdss/my-embedding-gemma — модель Sentence Transformer, дообученная автором Leonardojdss на базе google/embeddinggemma-300m. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Модель содержит 302,8 млн параметров, принимает последовательности длиной до 2048 токенов и распространяется в формате safetensors. Модель предназначена для семантического поиска и оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README описано обучение на трёх примерах с MultipleNegativesRankingLoss, поэтому качество и обобщающую способность следует проверять на собственных данных перед практическим применением. В метаданных указана библиотека sentence-transformers. Лицензия модели в предоставленных данных не указана.

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.

Карточка модели MoralHazard/NSFW-GIST-small на Hugging Face совпадает с карточкой MoralHazard/GISTsmall, поэтому описание составлено по ней. MoralHazard/GISTsmall — компактная модель Sentence Transformer на базе BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 384. Она была обучена на 1 244 примерах с anchor, positive и negative текстами; метаданные указывают на использование GISTEmbedLoss. Архитектура включает BERT, пулинг CLS-токена и нормализацию векторов, а сходство текстов оценивается косинусной мерой. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и получения признаков для классификации текста. Максимальная длина последовательности — 512 токенов; доступны файлы ONNX. Язык обучающих примеров в карточке не установлен, поэтому языковую поддержку определить нельзя. Лицензия в предоставленных данных не указана.

OpenCodeReasoning-Nemotron-7B-GGUF — это квантизированная версия языковой модели OpenCodeReasoning-Nemotron-7B, разработанной NVIDIA и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и задач, связанных с программированием и рассуждениями, включая работу с исходным кодом. В карточке указана поддержка английского языка. Модель содержит 7 миллиардов параметров и распространяется в нескольких вариантах точности и размера: от BF16 до различных конфигураций Q3, Q4, Q5, Q6, Q8 и IQ. Квантизация выполнена с использованием llama.cpp и метода imatrix. Доступны локальный запуск через llama.cpp, LM Studio и совместимые проекты; для общения рекомендуется шаблон сообщений с маркерами im_start и im_end. Ключевое преимущество модели — возможность локального запуска при выборе подходящего уровня квантизации: варианты Q6 и Q5 обеспечивают высокое качество, а Q3 и некоторые Q4 требуют меньше оперативной памяти. Ограничения включают возможные потери качества в более компактных вариантах, ориентацию на английский язык и отсутствие в предоставленных данных сведений об архитектуре, максимальном размере контекста и мультимодальных возможностях. Указанная лицензия — Apache-2.0.

swardiantara/one-cdk3-m0.5-e5-b128-L6 — модель Sentence-Transformers на базе BERT, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 25,9 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Обучение проводилось с ContrastiveLoss и косинусной метрикой расстояния. В репозитории веса представлены в формате safetensors; модель можно использовать через библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Ornith-1.5-35B-A3B — среднеразмерная Mixture-of-Experts модель семейства Ornith-1.5, разработанная командой Ornith. Она создана как развитие Ornith-1.0, обучавшейся на основе Qwen3.5 и Gemma4 с дополнительным продолженным предварительным обучением, mid-training и post-training. В Ornith-1.5 применяется цикл самоулучшения, в котором совместно оптимизируются генерация задач, построение scaffold и rollouts решений с использованием reinforcement learning. Модель предназначена прежде всего для генерации текста, программирования и агентных сценариев, включая работу с терминалом и автономное решение задач в репозиториях. При общем размере около 35 млрд параметров на каждый токен активируется примерно 3 млрд параметров, что снижает вычислительную нагрузку по сравнению с полноразмерной плотной моделью. В README указана интеграция с библиотекой MLX и pipeline text-generation; сведения о модальностях, размере контекста и поддерживаемых языках не приведены. Сильной стороной модели заявлена производительность в coding- и agentic-бенчмарках: она превосходит сопоставимую Qwen 3.6-35B-A3B, а также плотные Gemma 4-31B и Muse Glimmer-30B в ряде агентных задач. В частности, приведены результаты 79 на SWE-bench Verified и 67,8–68,5 на Terminal-Bench 2.1 в зависимости от используемого окружения. Ограничения включают отсутствие в карточке подробных сведений о качестве вне программирования, контекстном окне, языках, требованиях к оборудованию и лицензии; лицензия в README не указана.

Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров, разработанная командой Ornith AI. Она относится к семейству Ornith-1.5 и распространяется в формате MLX для задач генерации текста. Модель создана с применением подхода непрерывного самоулучшения: она совместно оптимизирует генерацию учебных задач, построение scaffolds и rollouts решений с использованием reinforcement learning, вместо опоры только на фиксированный набор вручную подготовленных задач. Модель предназначена для программирования, работы с терминалом, решения инженерных задач и других сценариев генерации текста. По заявленным результатам она показывает сильные показатели в Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro и SWE-bench Multilingual; например, результаты составляют 46,2 и 47 баллов в двух конфигурациях Terminal-Bench 2.1, 70,6 в SWE-bench Verified и 47,5 в SWE-bench Pro. Разработчик позиционирует её как наиболее лёгкую модель семейства, рассчитанную на эффективное развёртывание на одной GPU. Ключевые ограничения связаны с неполнотой доступной карточки: в README не указаны размер контекста, точный набор поддерживаемых языков, дополнительные модальности, конкретная базовая архитектура и лицензия. Для мобильных устройств упомянут отдельный квантизованный вариант Ornith-1.5-9B-Mobile, однако описываемая модель предназначена прежде всего для развёртывания на одной GPU.

Ouro-2.6B-Thinking — языковая модель ByteDance для генерации текста с упором на рассуждения. Это дообученная версия Ouro-2.6B: модель прошла supervised fine-tuning на наборах примеров по математике, программированию, науке и диалогам. Архитектура — плотная рекуррентная OuroForCausalLM с 2,6 млрд параметров и 24 слоями; по умолчанию используются четыре рекуррентных шага. Контекст — до 65 536 токенов. Модель рассчитана на математические и научные задачи, написание и анализ кода, а также диалоговые сценарии; она может выдавать подробные шаги рассуждения. В карточке заявлены компактный размер и согласованность промежуточных рекуррентных выходов. Число шагов можно менять, выбирая компромисс между вычислительными затратами и качеством; адаптивный выход не поддерживается в vLLM. Для совместимости README указывает Transformers 4.54.1, а в разделе быстрого старта — версию 4.56.0. Разработчик предупреждает, что модель предоставляется без гарантий пригодности для промышленного использования и предназначена для исследований. Лицензия — Apache-2.0.

palmyra-mini-thinking-AIO-GGUF — набор GGUF-вариантов семейства Palmyra Mini, разработанного Writer и опубликованного в формате GGUF пользователем или организацией prithivMLmods. В состав входят варианты palmyra-mini, palmyra-mini-thinking-a и palmyra-mini-thinking-b с разными уровнями квантования: от Q2_K до Q8_0, а также BF16, F16 и F32. Модель предназначена для генерации текста, программирования и решения математических задач на английском языке. Сильной стороной семейства является рассуждение в задачах с пошаговым решением: заявлены результаты 0,818 на GSM8K и MATH500, а также 0,6 на AMC23. Это делает модели подходящими для учебной математики, количественного анализа, ответов на вопросы и задач, связанных с кодом. Доступны файлы размером примерно от 676 МБ до 7,11 ГБ в зависимости от варианта и точности. README не содержит сведений об архитектуре, числе параметров, размере контекста, поддерживаемых дополнительных модальностях или сравнении качества между вариантами, поэтому эти характеристики нельзя определить. Распространение указано по лицензии Apache-2.0.

Parable-Granite-4.1-8B-Claude-Fable-5-GGUF — языковая модель AnkitAI, дообученная на базе IBM Granite 4.1 8B. Модель создана для многошаговых агентных сценариев: планирования, использования инструментов, работы с терминалом, программирования, отладки и рассуждений. Обучение проводилось на трассировках реальных сессий Claude Fable 5 и GPT-5.5, включая блоки рассуждений и взаимодействие с инструментами, а не на синтетических вопросах и ответах. Модель предназначена для генерации текста на английском языке и распространяется в формате GGUF для запуска через llama.cpp, Ollama и LM Studio; также доступна полноточная версия для vLLM, Transformers и дальнейшего дообучения. Выпуск содержит 8 миллиардов параметров и варианты квантования от Q4_K_M до Q8_0. Рекомендуемая версия Q4_K_M занимает около 4,8 ГБ и требует примерно 6 ГБ RAM или VRAM. В README указан контекст оценки 1 024 токена, а в примере llama-cpp-python используется контекст 8 192 токена. Ответы модель начинает с блока <think>, который рекомендуется удалять перед показом пользователю. К сильным сторонам относятся специализация на агентных задачах, программировании и терминальных сценариях, локальный офлайн-запуск и небольшой объём памяти для 8B-модели. На опубликованном тестовом разбиении дообученная модель показала test loss 0,617 против 2,030 у базовой Granite 4.1 8B; при строгой качественной проверке 20 из 34 ответов были полностью корректными, а 32 — корректными или частично корректными. Ограничения включают англоязычную специализацию, необходимость самостоятельно обрабатывать блоки рассуждений и отсутствие завершённого результата оценки function calling BFCL V3 из-за ограничения GPU-бюджета. Модель распространяется по лицензии Apache-2.0.

DataikuNLP/paraphrase-MiniLM-L6-v2 — копия модели sentence-transformers, обученной командой Sentence Transformers. Это компактный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и абзацы в плотные векторы размерности 384. Модель предназначена для вычисления сходства предложений и получения эмбеддингов для семантического поиска и кластеризации. Её можно применять для поиска фрагментов текста по смыслу, группировки похожих высказываний и сравнения формулировок. В README показаны варианты использования через Sentence-Transformers и Transformers; для Transformers требуется подходящая операция pooling поверх контекстных представлений токенов. Максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторы; язык в карточке явно не указан. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Это копия модели sentence-transformers/paraphrase-MiniLM-L6-v2, а не отдельное дообучение Dataiku.

Карточка модели questgen/paraphrase-multilingual-mpnet-base-v2-feature-extraction-pipeline на Hugging Face совпадает с карточкой jamiealexandre/paraphrase-multilingual-mpnet-base-v2-konni, поэтому описание составлено по ней. jamiealexandre/paraphrase-multilingual-mpnet-base-v2-konni — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для получения эмбеддингов, семантического поиска, сравнения текстов и кластеризации. Разработчик карточки указывает Sentence-Transformers; README описывает базовую модель paraphrase-multilingual-mpnet-base-v2. Векторные представления подходят для поиска похожих фрагментов и группировки текстов по смыслу. Для использования с Transformers требуется корректно применять pooling к контекстным представлениям токенов; Sentence-Transformers упрощает этот шаг. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

hroth01/psais-LaBSE-5shot — модель на основе BERT из библиотеки Sentence-Transformers, которая преобразует предложения и абзацы в плотные векторы размерностью 768. Её можно применять для поиска семантически похожих текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CosineSimilarityLoss. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 512 токенов. В метаданных указан размер 498,1 млн параметров и формат PyTorch. Сведения о языках обучения и лицензии в предоставленных данных отсутствуют.

hroth01/psais-multi-qa-mpnet-base-dot-v1-50shot — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. Модель обучалась с функцией потерь CosineSimilarityLoss. В README приведены варианты использования через Sentence-Transformers и Transformers; для последнего требуется подходящая операция pooling поверх контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает контекст до 514 токенов и распространяется в формате PyTorch. В карточке не указаны языки обучения и лицензия, поэтому область языкового применения и условия распространения по доступным данным определить нельзя.

ingeol/q2d — модель sentence-transformers на базе MPNet для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения смысловой близости текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель обучена с функцией потерь BPRLoss из BEIR. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers требуется применить подходящий pooling к контекстным представлениям токенов. В метаданных указана лицензия? Нет сведений о лицензии в предоставленной карточке.