II.1Анализ требований и архитектура ПО

Supertron-embedding-300M — компактная модель эмбеддингов на базе Sentence Transformers, разработанная Surpem и дообученная на основе google/embeddinggemma-300m. Она преобразует текст в векторные представления для семантического поиска, сравнения предложений и кластеризации документов, в том числе в системах RAG. Модель построена на плотном трансформере семейства Gemma 3 Text, содержит 302,8 млн параметров и рассчитана на контекст до 2048 токенов. В README указана максимальная длина последовательности 256 токенов для описанной процедуры обучения. Модель ориентирована на английский язык и демонстрирует результаты на задачах семантического сходства из бенчмарка MTEB. Компактный размер делает её подходящей для прикладных систем с ограниченными вычислительными ресурсами. Модель распространяется в формате Safetensors по лицензии Apache 2.0.

magnolia-psychometrics/surveybot3000 — модель Sentence-Transformers, разработчик — magnolia-psychometrics. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и обучена с помощью CosineSimilarityLoss. Модель подходит для поиска семантически близких текстов и кластеризации; метаданные также указывают на поддержку извлечения признаков и сходства предложений. Для работы используется библиотека Sentence-Transformers.

Swallow-MS-7b-instruct-v0.1 — разговорная языковая модель TokyoTech-LLM, созданная на базе Mistral-7B-v0.1 с продолженным предобучением на данных, в основном добавлявших японский язык, и последующей настройкой на выполнение инструкций. Репозиторий также меняет chat template токенизатора базовой модели. Модель с архитектурой Mistral, 7,2 млрд параметров, рассчитана на генерацию текста в диалоговом формате; родной контекст — 4096 токенов. Модель предназначена для ответов на инструкции, написания и извлечения текста, ролевого диалога, рассуждений, задач STEM и гуманитарных вопросов на японском и английском языках. Расширенный японский словарь токенизатора позволяет эффективнее представлять японский текст. В README приведены результаты оценки на японском MT-Bench и других бенчмарках; показатели по математике сравнительно низкие. Модель разработана TokyoTech-LLM. Выпускается по лицензии Apache-2.0. Авторы предупреждают, что модель находится на ранней стадии разработки и не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Для instruct-варианта рекомендуется использовать указанный в карточке формат инструкций, иначе качество ответов может снизиться.

Hoax0930/tf_paraphrase-multilingual-mpnet-base-v2 — модель Sentence-Transformers на архитектуре XLM-RoBERTa, создающая плотные векторы размерностью 768 для предложений и абзацев. В репозитории указано 305,2 млн параметров и контекст до 514 токенов. Модель предназначена для построения эмбеддингов, семантического поиска и кластеризации текстов. Её можно применять для поиска похожих фрагментов и сравнения семантической близости предложений; README описывает обучение с CosineSimilarityLoss. Метаданные указывают формат PyTorch и возможность извлечения эмбеддингов. Карточка не сообщает конкретный перечень поддерживаемых языков, поэтому многоязычность из названия модели не подтверждена. Лицензия в предоставленных данных отсутствует. Результаты зависят от языка и предметной области; для сравнения векторов и поиска требуется подходящая метрика или индекс.

GLM-Z1-9B-0414-GGUF — это квантизированная версия языковой модели GLM-Z1-9B-0414, разработанной THUDM и подготовленной к публикации в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Заявлена поддержка китайского и английского языков. Модель содержит около 9 миллиардов параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и Q2, включая форматы IQ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а менее точные варианты требуют меньше оперативной памяти. Квантизация выполнена с использованием llama.cpp и метода imatrix; также отмечено исправление токенизатора. Сильной стороной модели является возможность локального запуска на широком спектре конфигураций с выбором подходящего компромисса между качеством и потреблением памяти. Ограничения включают возможное снижение качества у низкобитных вариантов, отсутствие сведений о результатах оценки, точной архитектуре и контекстном окне, а также необходимость соблюдать указанный формат промпта. Модель распространяется по лицензии MIT.

ClovenDoug/tiny_64_all-MiniLM-L6-v2 — модель Sentence Transformers на архитектуре BERT, разработанная ClovenDoug. Она преобразует предложения и абзацы в плотные векторы размерностью 64 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. Модель получена дистилляцией all-MiniLM-L6-v2 с исходным пространством векторов размерностью 384; более компактные векторы ускоряют сравнение сходства, при этом время инференса, согласно карточке, остаётся примерно таким же. Модель содержит 25,9 млн параметров, принимает текст и выдаёт векторы. Контекст ограничен 512 токенами. Доступны веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

api19750904/tipo_campanya_ong_v3 — модель Sentence Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель работает с текстом и использует контекст длиной до 514 токенов. Модель подходит для поиска текстов по смыслу, группировки похожих предложений и вычисления их семантического сходства. В карточке указано обучение с функцией потерь CosineSimilarityLoss. Доступен формат PyTorch; лицензия в предоставленных данных не указана.

swardiantara/two-stage-k10-MiniLM-L6-v2 — модель Sentence-Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска и кластеризации текстов, а также сравнивать смысловую близость предложений. Модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучалась с ContrastiveLoss, использующей косинусное расстояние. В карточке не указаны языки обучения и оценки качества, поэтому нельзя подтвердить её пригодность для конкретного языка или домена. Файлы представлены в формате safetensors; лицензия в предоставленных данных не указана.

ukr-paraphrase-multilingual-mpnet-base — модель sentence-transformers проекта lang-uk, дообученная для украинского языка на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текст; максимальная длина контекста составляет 514 токенов. Модель ориентирована прежде всего на украинский, сохраняя многоязычную основу. Её можно применять для поиска семантически близких фрагментов, группировки текстов и построения эмбеддингов. Распространяется по лицензии Apache-2.0.

BlueAvenir/vaillant_relation_depth_model — модель на базе XLM-RoBERTa, разработанная для преобразования предложений и абзацев в плотные векторы размерностью 768. Она предназначена для оценки семантической близости текстов и может применяться для семантического поиска и кластеризации. Модель обучалась с функцией потерь CosineSimilarityLoss и доступна в формате PyTorch; использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Карточка не уточняет языковую специализацию; XLM-RoBERTa рассчитана на многоязычные тексты. Лицензия в предоставленных данных не указана.

Модель codersan/validadted_FaLabse_onV8d — дообученная разработчиком codersan модель Sentence Transformer на базе sentence-transformers/LaBSE. Архитектура BERT преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для сравнения текстов по косинусному сходству; используется библиотека sentence-transformers. В README указана максимальная длина последовательности 256 токенов, а в метаданных — контекст 512 токенов. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Она обучена на 21 484 парах «запрос — релевантный текст» с MultipleNegativesRankingLoss. LaBSE рассчитана на многоязычные тексты и поддерживает 109 языков, но конкретные языки, на которых улучшилось качество после дообучения, не определены. Лицензия в предоставленных данных не указана.

Модель Heimat24/vhs_burghausen_danielheinz_e5_v2-qa_generation_user-5-5-0.8 — sentence-transformers-модель на базе XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и вычисления сходства. Модель обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства; для работы подходит библиотека Sentence-Transformers. Контекст модели составляет 514 токенов. Лицензия в предоставленных данных не указана.

Модель Виноградова Дмитрия предназначена для оценки семантического сходства двух запросов. Она построена на архитектуре BERT и доступна через SentenceTransformers; для получения представлений использует токенизатор, CLS-пулинг, полносвязный слой с активацией tanh и нормализацию. README указывает построение в 384-мерном векторном пространстве, а конфигурация архитектуры содержит выход Dense размерности 768; это расхождение не позволяет однозначно определить размер выходного вектора. Модель подходит для сравнения запросов и поиска семантически близких формулировок. В метаданных указаны 498,1 млн параметров, максимальная длина контекста 512 токенов и лицензия Apache-2.0. Метаданные помечают модель как многоязычную, однако README не уточняет языки обучения или оценки качества.

Карточка модели Dennis1315/ward-pwn-14b на Hugging Face совпадает с карточкой Dennis1315/ward-cloud-14b, поэтому описание составлено по ней. Dennis1315/ward-cloud-14b — мультимодальная модель семейства Qwen3.5, дообученная Dennis1315 на базе Qwen/Qwen3.5-9B с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалога с текстом и изображениями; метаданные также указывают интерфейс вызова инструментов. Базовая модель рассчитана на анализ изображений, рассуждения, программирование и агентные задачи. Модель принимает текст и изображения и формирует текстовые ответы. В репозитории используются веса Safetensors. Лицензия — Apache-2.0. Подробности обучающего набора и оценки качества в доступной карточке не приведены.

Xiangxin-2XL-Chat-1048k — чат-модель компании Xiangxin AI на архитектуре Llama 3. Она основана на Meta Llama-3-70B-Instruct с расширением контекста, разработанным Gradient AI, и дообучена методом ORPO на закрытом наборе данных для выравнивания китайских ценностей. Модель содержит 69,5 млрд параметров и поддерживает контекст до 1 048 576 токенов. Модель предназначена для диалогов, генерации текста и работы с длинными контекстами, особенно на китайском языке; также заявлена поддержка английского. Разработчик приводит результаты восьми тестов с усреднённой оценкой 70,22 и сообщает, что модель превзошла Gradientai-Llama-3-70B-Instruct-Gradient-1048k по этому среднему показателю. Для запуска через Transformers требуется около 400 ГБ видеопамяти. Модель распространяется по лицензии Llama 3.

bartowski/zed-industries_zeta-2-GGUF — это набор GGUF-квантизаций модели zed-industries/zeta-2, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, а также сценариев edit prediction и next-edit-suggestion, включая поддержку интеллектуальных подсказок при редактировании кода. Указан английский язык; исходная модель относится к семейству zeta-2, но сведения об архитектуре, количестве параметров, размере контекста и точном назначении базовой модели в README не приведены. Набор можно запускать через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Доступны варианты от BF16 размером 16,51 ГБ до квантизаций Q2–Q8 размером примерно от 4,06 до 8,77 ГБ, что позволяет выбирать баланс между качеством и требованиями к памяти. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и Q4_K_M; малые варианты экономят память, но могут заметно уступать по качеству. Сильные стороны набора — локальный запуск в формате GGUF, широкий выбор уровней квантизации и оптимизация imatrix. Ограничения — отсутствие в README шаблона промпта, подробных характеристик архитектуры, контекстного окна и результатов оценки; для уточнения формата взаимодействия рекомендуется обратиться к странице исходной модели. Для набора указана лицензия Apache-2.0.

Карточка модели avsolatorio/00-600-11-1-2-2-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240221194439-best на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

Карточка модели avsolatorio/30-100-11-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240201161726-best на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели avsolatorio/30-100-31-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240206161831-latest на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

gte-tiny — компактная модель для получения эмбеддингов предложений и абзацев, опубликованная avsolatorio. Она основана на архитектуре BERT, содержит 25,9 млн параметров и преобразует текст в плотные векторы размерности 384. Модель дистиллирована из thenlper/gte-small; по данным карточки, её качество сопоставимо с базовой моделью, но немного ниже при примерно вдвое меньшем размере. Эмбеддинги подходят для семантического поиска, кластеризации и сравнения сходства предложений. Контекст модели — 512 токенов. Для использования доступны веса safetensors; README описывает работу через Sentence-Transformers или Transformers с соответствующей операцией pooling. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют.

Карточка модели Nhat1904/8_shot_STA_head_trained_lr1e-4 на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

Карточка модели jm123989/adv-nlp-hw1-jmala3 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.

teven/all_bs160_allneg — модель на базе MPNet для получения плотных векторных представлений предложений и абзацев. Она содержит 136,7 млн параметров, выдаёт эмбеддинги размерности 768 и рассчитана на контекст до 514 токенов. Модель распространяется в формате PyTorch и используется через библиотеку Sentence-Transformers. Эмбеддинги подходят для семантического поиска, сравнения текстов и кластеризации. При обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством. В карточке не указаны обучающие языки и лицензия, поэтому применимость к конкретному языку и условия распространения требуют проверки.

all_datasets_v3_MiniLM-L6 — модель эмбеддингов предложений, разработанная в рамках Community week Hugging Face. Она предназначена для кодирования текста в вектор, отражающий его семантическое содержание, и обучена контрастивным методом на более чем миллиарде пар предложений из объединения нескольких датасетов. В основе — шестислойная MiniLM-L6-H384-uncased, полученная из microsoft/MiniLM-L12-H384-uncased; модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Векторы подходят для поиска информации, кластеризации текстов и оценки сходства предложений. Модель имеет архитектуру BERT и доступна в формате PyTorch; README демонстрирует использование с библиотекой SentenceTransformers. Метаданные указывают английский язык. Лицензия в предоставленных данных не указана.

Модель flax-sentence-embeddings/all_datasets_v3_roberta-large разработана участниками Community Week Hugging Face в рамках проекта по обучению моделей эмбеддингов предложений на больших наборах данных. Это дообученная с контрастивной целью версия roberta-large с архитектурой RoBERTa и 454,1 млн параметров. Она кодирует входное предложение в вектор, отражающий его семантическое содержание, и рассчитана на извлечение признаков и сравнение предложений. В README описано обучение на более чем миллиарде пар предложений из объединённых датасетов; указаны длина последовательности обучения 128 токенов и использование SentenceTransformers. Метаданные указывают родной контекст в 514 токенов. Модель подходит для семантического поиска, группировки текстов и оценки сходства предложений. В карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

aneforge/all-MiniLM-L6-v2 — копия англоязычной модели all-MiniLM-L6-v2 от Sentence Transformers, подготовленная для запуска через ANEForge на Apple Neural Engine. Согласно карточке, веса побайтно совпадают с исходной моделью; репозиторий маркирован как дообучение базовой модели sentence-transformers/all-MiniLM-L6-v2. Это плотный BERT-энкодер с 25,9 млн параметров и контекстом до 512 токенов, предназначенный для вычисления семантических векторов предложений и сравнения их сходства. Модель подходит для семантического поиска, ранжирования похожих предложений и кластеризации текстов. Метаданные указывают задачу sentence-similarity, формат весов safetensors и библиотеку ANEForge. Для использования указан пакет ANEForge с поддержкой моделей; условия лицензии — Apache-2.0. Модель ориентирована на английский язык, а карточка не заявляет поддержку других языков.

optimum/all-MiniLM-L6-v2 — конверсия в формат ONNX модели sentence-transformers/all-MiniLM-L6-v2, разработанной в рамках проекта Hugging Face Community Week. Это компактный энкодер на архитектуре BERT с 25,9 млн параметров, который преобразует предложения и короткие абзацы в плотные векторы размерностью 384 для сравнения семантики. Метаданные указывают контекст до 512 токенов; README сообщает, что по умолчанию вход длиннее 256 word pieces обрезается. Модель предназначена для поиска по смыслу, вычисления сходства предложений и кластеризации текстов. Она обучена контрастивным методом на наборе более чем из миллиарда пар предложений, начиная с предобученной nreimers/MiniLM-L6-H384-uncased. В карточке указана поддержка английского языка. Лицензия — Apache-2.0.

Карточка модели freedomfrier/all-MiniLM-L6-v2-128dim на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

ronanki/all_mpnet_128_10_MNR_PT — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория ronanki. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Обучение с MultipleNegativesRankingLoss использовало косинусное сходство; модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для построения эмбеддингов текстов и сравнения их семантической близости. Для работы README рекомендует библиотеку sentence-transformers. Языки и специализированные предметные области в доступных данных не обозначены; качество на конкретных наборах данных следует проверять отдельно. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

ronanki/all_mpnet_128_20_MNR_base — модель Sentence-Transformers на базе MPNet, разработчик — пользователь Hugging Face ronanki. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров, принимает текст, выдаёт эмбеддинги и рассчитана на контекст до 514 токенов. Модель обучена с функцией Multiple Negatives Ranking Loss и косинусным сходством. Она подходит для построения поиска по смыслу и группировки похожих текстов; карточка не приводит результатов оценки, поэтому качество на конкретных данных оценивать по ней нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.