II.1Анализ требований и архитектура ПО

Artemis Embed v1 — англоязычная плотная модель эмбеддингов на базе answerdotai/ModernBERT-base, разработанная Omarbm52. Она кодирует текст в L2-нормированный вектор размерности 768; поддерживаются усечённые Matryoshka-варианты размерности 512, 256 и 128. Архитектура использует ModernBERT, masked mean pooling и обучение с LoRA, контрастивной целью, hard negatives и Matryoshka learning. В метаданных указаны 149 млн параметров и контекст до 8192 токенов, однако в README для текущей версии протестирована длина последовательности до 128 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска документов, кластеризации и получения признаков для последующей классификации. В README приведены внутренние результаты разработки, а итоговая оценка на MTEB English v2 ещё не завершена, поэтому эти результаты не следует считать независимой итоговой оценкой. Версия поддерживает только английский язык. Лицензия в предоставленных данных не указана.

DuyAnh1/autotrain-upmei-jyjou — модель эмбеддингов предложений, созданная с помощью AutoTrain на базе intfloat/multilingual-e5-large. Она предназначена для вычисления семантического сходства между предложениями и может использоваться в задачах семантического поиска и сравнения текстов. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, принимает текст и формирует векторные представления; максимальная длина контекста — 514 токенов. Она поддерживает несколько языков благодаря базе multilingual-e5-large. Модель можно применять для поиска похожих фрагментов, подбора релевантных документов и оценки близости пользовательского запроса к текстам. В README приведена метрика loss 9,61×10⁻⁵, но не указаны набор данных, методика оценки и языковой состав обучающей выборки, поэтому по ней нельзя судить о качестве на конкретных сценариях. Используется библиотека Sentence Transformers; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Эта модель Sentence Transformers разработана на основе google-bert/bert-base-uncased и дообучена на наборе sentence-transformers/stsb для оценки смыслового сходства предложений. Она кодирует предложения и абзацы в плотные векторы размерностью 768, сравниваемые косинусной близостью; архитектура включает BERT и усреднение токенных представлений. Модель рассчитана на английский язык. В метаданных указан контекст до 512 токенов, а в карточке модели — максимальная длина последовательности 128 токенов. Подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты оценки на STS-test, однако агрегированные показатели могут различаться между таблицами. Лицензия в предоставленных данных не указана.

Zlovoblachko/bert-base-uncased-augmentation-indomain-bm25-sts — англоязычная модель Sentence Transformers, дообученная разработчиком на базе google-bert/bert-base-uncased для сравнения предложений по смыслу. Она преобразует текстовые фрагменты в плотные векторы размерности 768; близость векторов оценивается косинусным сходством. В README указана максимальная длина последовательности 128 токенов, а метаданные Hugging Face указывают контекст до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и сравнения пар предложений. Также в карточке перечислены классификация текста и другие задачи на основе эмбеддингов. На тесте sts-test указана корреляция Спирмена 0,4729 для косинусного сходства; результат характеризует конкретный набор данных и не гарантирует качество на других доменах. Модель содержит 136,7 млн параметров, использует архитектуру BERT с усреднением токенных представлений и реализована на Sentence Transformers. Она рассчитана на английский язык; для языков и текстов вне обучающего распределения качество может быть ниже. Лицензия в предоставленных данных не указана.

BEE-spoke-data/bert-plus-L8-v1.0-syntheticSTS-4k — модель эмбеддингов на архитектуре BERT, разработанная BEE-spoke-data на базе BEE-spoke-data/bert-plus-L8-v1.0-allNLI_matryoshka. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов и кластеризации. Модель дообучена на синтетических данных о сходстве текстов; поддерживает Matryoshka-размерности 768, 512, 256, 128 и 64, а контекст составляет до 4096 токенов. Её можно применять для семантического поиска, сравнения сходства текстов и группировки документов по смыслу. Репозиторий содержит веса Safetensors и формат ONNX; модель рассчитана на английский язык. Лицензия — Apache-2.0.

inrealm/bge-base-all-nli-triplet — англоязычная модель Sentence Transformer, созданная дообучением BAAI/bge-small-en на наборе sentence-transformers/all-nli. Она использует архитектуру BERT с пулингом CLS-токена и нормализацией, преобразует предложения и абзацы в плотные эмбеддинги размерности 384; сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Максимальная длина последовательности — 512 токенов. Для работы с ней используются Sentence Transformers и форматы текстовых эмбеддингов. Модель оптимизирована для английского языка и обучена на примерах отношений entailment из all-nli. Качество на других языках и задачах, отличающихся от семантического сопоставления, может быть ниже. Лицензия в предоставленных данных не указана.

BGE base ArgillaSDK Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиками модели на базе BAAI/bge-base-en-v1.5 для получения плотных эмбеддингов предложений и абзацев. Модель построена на BERT, использует пулинг CLS-токена и нормализацию векторов; размерность представления составляет 768, а сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение на 882 примерах с MatryoshkaLoss и TripletLoss позволяет использовать укороченные представления размером 512, 256, 128 или 64 измерения наряду с полными 768-мерными эмбеддингами. Максимальная длина входной последовательности — 512 токенов. Модель работает с английским текстом; лицензия — Apache-2.0.

MANMEET75 разработал англоязычную Sentence Transformer модель, дообученную на базе BAAI/bge-large-en-v1.5 для сопоставления предложений и семантического поиска. Модель построена на BERT: преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 1024, сравниваемые по косинусному сходству. Контекст ограничен 512 токенами. Модель предназначена для поиска релевантных фрагментов по вопросу, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текста. Обучение Matryoshka позволяет использовать укороченные представления размерностью до 64, сохраняя полезность для поиска. В README приведены результаты InformationRetrievalEvaluator на датасетах dim_768, dim_512, dim_256, dim_128 и dim_64; размер обучающей выборки — 530 пар. Модель принимает текст и возвращает векторы признаков; лицензия Apache-2.0. Она рассчитана на английский язык, а качество на других языках не подтверждено. Тексты длиннее 512 токенов выходят за заявленный предел последовательности.

tessimago выпустил англоязычную модель Sentence Transformers, дообученную на базе BAAI/bge-large-en-v1.5. Она использует архитектуру BERT с пулингом CLS-токена и нормализацией и преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024; максимальная длина входа — 512 токенов. Обучение проводилось на 1 024 парах текстов с функциями MatryoshkaLoss и MultipleNegativesRankingLoss. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы: в карточке приведены оценки поиска при размерностях от 64 до 768. Указанная лицензия — Apache-2.0. Карточка приводит метрики InformationRetrievalEvaluator для отдельных конфигураций, но не описывает набор данных оценки, поэтому эти результаты не следует считать гарантией качества в конкретной прикладной задаче.

Карточка модели RedHatAI/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

Карточка модели megavn/bge-m3-embeddings на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

bge-micro-v2 — компактная модель эмбеддингов предложений семейства BERT, опубликованная SmartComponents. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 18,8 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и ONNX. Это дистиллированная модель: двухэтапное обучение началось с bge-micro и опиралось на BAAI/bge-small-en-v1.5. Модель предназначена для построения векторного поиска и группировки текстов; README описывает применение через Sentence-Transformers либо Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не названа, поэтому условия её использования здесь определить нельзя.

meet5568/bhash_finetune_phaseB — модель Sentence Transformer на архитектуре BERT, обученная разработчиком meet5568 для представления предложений и абзацев в виде плотных векторов размерностью 768. Она предназначена для измерения семантического сходства, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Для сравнения векторов в карточке рекомендована косинусная близость; модель рассчитана на последовательности до 512 токенов согласно метаданным Hugging Face. В README описано обучение на 3 200 примерах с TripletLoss и максимальной длиной входа 400 токенов. Векторы можно использовать в системах поиска, группировки и классификации текста. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

teven выпустил дообученную модель Sentence Transformers на базе all-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. По названию репозитория модель дообучена на данных WebNLG 2020 для задачи покрытия данных; в карточке указан MPNet с 136,7 млн параметров и контекстом до 514 токенов. Модель принимает текст и возвращает векторные представления, пригодные для поиска похожих фрагментов и группировки текстов. В README приведён вариант применения через библиотеку Sentence Transformers. Лицензия и конкретные языки обучения в предоставленных данных не указаны.

CALE-XLM-R — модель Sentence-Transformers на базе FacebookAI/xlm-roberta-large, дообученная для преобразования текста в плотные векторы размерности 1024. Она предназначена для поиска семантически близких текстов, кластеризации и вычисления сходства предложений. Модель принимает текст и формирует эмбеддинги; мультиязычная базовая XLM-RoBERTa поддерживает 100 языков. Контекст модели составляет 514 токенов. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/conikeec-deepseek-coder-6.7b-instruct — конвертированная в формат MLX версия модели DeepSeek Coder 6.7B Instruct, созданная сообществом mlx-community на основе deepseek-ai/deepseek-coder-6.7b-instruct. Это плотная авторегрессионная языковая модель семейства Llama с 6,6 млрд параметров и контекстом до 16 384 токенов, предназначенная для генерации текста в диалоговом формате и задач программирования. Репозиторий содержит веса safetensors; для запуска через MLX README указывает библиотеку mlx-lm. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с карточкой исходной модели.

navneet11/contrastive-relevance-v1 — текстовый энкодер Sentence Transformers, дообученный разработчиком на базе sentence-transformers/all-MiniLM-L6-v2. Он преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 и подходит для семантического поиска, сравнения сходства, поиска перефразировок, классификации и кластеризации. Архитектура включает BERT, усреднение токенных представлений и нормализацию; для сравнения векторов используется косинусное сходство. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для сопоставления текстовых запросов с документами и поиска смыслово близких фрагментов. В примерах обучающих данных — финансовые и деловые новости; обучение описано как короткое дообучение на 192 образцах с MultipleNegativesRankingLoss. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Kyleiwaniec/COS_TAPT_n_RoBERTa_STS — модель на архитектуре RoBERTa, созданная для Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024, предназначенные для оценки семантической близости, семантического поиска и кластеризации. Модель обучалась с функцией потерь CosineSimilarityLoss; её контекст составляет 514 токенов, размер — около 454,1 млн параметров. Модель подходит для поиска похожих текстов и группировки предложений или документов по смыслу. Для использования с Transformers поверх контекстных представлений требуется применить соответствующую операцию pooling. В репозитории указаны веса PyTorch; лицензия не приведена в доступных данных.

Thunder421/criterion-finetuned-bert — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2. Архитектура MPNet использует mean pooling и нормализацию; модель кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; карточка модели указывает максимальную длину последовательности 384 токена. Модель предназначена для семантического поиска и оценки сходства текстов, в том числе для поиска релевантных фрагментов и ранжирования кандидатов при retrieval. В README приведены результаты на наборе ats-val: Spearman по косинусному сходству 0,9258. Модель принимает и выдаёт текстовые представления; обучение проводилось на 6 790 парах предложений с оценками сходства. Языки обучающих примеров в карточке англоязычные, однако заявленная поддержка языков не указана. Лицензия в предоставленных данных не приведена.

teven/cross_all_bs320_vanilla_finetuned_WebNLG2020_relevance — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и сопоставления релевантности. Модель предназначена для векторного поиска и других задач, где нужно сравнивать смысл текстов; для работы подходят Sentence-Transformers и Transformers с соответствующей операцией pooling. Максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

tubyneto/crowdedflowertunedbertt — модель Sentence-Transformers на архитектуре MPNet для получения эмбеддингов предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. В карточке указано обучение с ContrastiveLoss и косинусной метрикой расстояния. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Darkstar-Qwen3.8-27B-Abliterated-ModelOpt-W4A16-NVFP4-Mixed-FP8 — квантизированная версия модели Darkstar от HangGlidersRule, созданная на основе Qwen/Qwen3.8-27B и производного Darkstar-Qwen3.8-27B-Abliterated-BF16. Модель предназначена для генерации текста с высокой пропускной способностью на GPU класса Blackwell, а также для исследований влияния редукции направления отказа и NVFP4-квантизации. В README не указаны точные языки и размер контекстного окна. Это текстовая модель с архитектурой и модальностями исходной Qwen3.8-27B; она сохраняет 15 тензоров MTP и использует смешанную точность: W4A16 NVFP4 для языковых MLP и lm_head, FP8 для self-attention и проекций GatedDeltaNet, BF16 для KV-кэша и защищённых компонентов. Квантизация выполнена средствами NVIDIA ModelOpt с калибровкой на cnn_dailymail и nemotron-post-training-dataset-v2. Указана производительность 251,889 токена/с в конфигурации MTP10 и результат GPQA 74,75%. Сильные стороны модели — высокая производительность, экономичное представление весов и сохранение критически важных компонентов в BF16. Ограничение и существенный риск связаны с намеренно уменьшенной склонностью к отказам: модель может выполнять многие запросы, которые исходная версия отклоняет, и не содержит дополнительных защитных механизмов. В README сообщается о 200 из 200 случаев вредоносного согласия и отсутствии безопасных избыточных отказов в проведённой оценке, поэтому необходимы собственные политики, фильтры и контроль доступа. Модель распространяется по лицензии Apache-2.0.

Darwin-V9-Chimera-4B-SFT — экспериментальная диалоговая языковая модель, созданная автором проекта Darwin путем объединения компонентов Qwen3-4B и Gemma4-E4B с последующим полным дообучением на инструкциях. Архитектура — плотная Qwen3ForCausalLM; модель содержит около 3,7 млрд параметров, принимает текст и рассчитана на контекст до 40 960 токенов. В README заявлена поддержка корейского и английского языков и переключения между режимами рассуждения и краткого ответа. Модель предназначена для диалогов, следования инструкциям, генерации кода и задач с многошаговым рассуждением. По оценке авторов на KMMLU она набрала 52,2% при разрешении генерировать до 768 токенов; результат короткого ответа они считают нехарактерным из-за необходимости сначала рассуждать. Это частный исследовательский чекпойнт, а весовой отпечаток остаётся преимущественно близким к Qwen3-4B. Указана лицензия Apache-2.0.

DeCLUTR-base — модель для получения универсальных векторных представлений предложений, разработанная авторами работы «DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations». Она предназначена для сравнения смысловой близости текстов и других задач, где нужны эмбеддинги предложений. Модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Она принимает текст и выдаёт векторные представления; в README показано использование SentenceTransformers для кодирования предложений и вычисления косинусной близости. Модель рассчитана на английский язык, её контекст составляет 514 токенов. Лицензия — Apache-2.0.

DeepSeek-Coder-V2-Lite-Instruct-FP8 — это квантизированная версия модели DeepSeek-Coder-V2-Lite-Instruct, разработанная Neural Magic. Модель принимает текст и генерирует текст; она предназначена для коммерческого и исследовательского использования, прежде всего для англоязычного ассистентского диалога и задач генерации кода. Весовые параметры и активации линейных операторов в трансформерных блоках квантизированы в формат FP8, что примерно вдвое снижает требования к дисковому пространству и памяти GPU по сравнению с 16-битным представлением. Используется симметричная поэлементно-тензорная квантизация, при этом экспертные шлюзы сохраняют исходную точность. Модель оптимизирована для инференса через vLLM версии 0.5.2 и новее; в документации указан максимальный контекст 4096 токенов. Входная и выходная модальности — текст, основной заявленный язык — английский. Модель сохраняет близкую к исходной точность при меньших требованиях к ресурсам: на HumanEval+ указано 79,60 балла против 79,33 у неквантизированной версии, а базовый pass@1 составляет 79,3 против 80,8. Ограничения включают специализацию на английском языке и недопустимость использования на других языках согласно описанию модели; качество также может зависеть от особенностей FP8-квантизации и используемого движка. Модель распространяется по лицензии deepseek-license, условия которой определены в лицензии DeepSeek.

DeepSeek-Coder-V2-Lite-Instruct-GGUF — квантованная версия модели DeepSeek-Coder-V2-Lite-Instruct, разработанной DeepSeek-ai и преобразованной в формат GGUF компанией Second State Inc. Это инструкционная модель типа deepseek, ориентированная на работу с программным кодом и взаимодействие в формате диалога. Модель предназначена для генерации, дополнения и анализа кода, а также для решения задач разработки через текстовые инструкции. В README указана поддержка контекста до 128 000 токенов при запуске через LlamaEdge версии 0.12.3 и выше. Данные о точном размере модели, языках программирования и естественных языках, а также о поддержке мультимодальности не приведены. Доступно несколько вариантов квантования от Q2_K до Q8_0 и f16. Q4_K_M рекомендован как сбалансированный вариант, а Q5_K_M и Q5_K_S — как варианты с малой потерей качества; более низкая разрядность уменьшает размер файла, но может существенно ухудшать качество. Размеры файлов варьируются от 6,43 ГБ для Q2_K до 31,4 ГБ для f16. Использование регулируется лицензией deepseek-license; в метаданных она обозначена как other.

Карточка модели maksimbbbi/DeepSeek-R1-Distill-Llama-8B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели HBkira/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели liruiyangnb666/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.