II.1Анализ требований и архитектура ПО

dan-omni-3b-q3s — квантизированная версия модели dan-omni-3b, созданная с применением Q3_K_S для ускорения вывода и снижения требований к памяти. В README указаны дообучение LoRA на инструкционных данных для мобильных устройств и базовая модель Qwen2.5-3B; репозиторий содержит формат GGUF. Модель предназначена для генерации ответов в диалогах и выполнения общих инструкций на устройствах с ограниченной памятью. Она подходит для вопросов, письма, математики, программирования, перевода и творческих задач; заявленная длина контекста — 4096 токенов. Модель принимает и выдаёт текст, мультимодальные возможности отсутствуют. По сравнению с вариантом Q4_K_M README заявляет меньший размер и более быстрый вывод при небольшом снижении качества. Квантизация может ухудшать результаты на сложных задачах рассуждения. Лицензия репозитория — Apache-2.0.

adalbertojunior/db-msm — модель sentence-transformers на архитектуре BERT, обученная преобразовывать предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения сходства предложений. Модель содержит 79,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления; обучение проводилось с функцией CosineSimilarityLoss. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих документов и оценки сходства формулировок. В карточке не указаны языки обучения или результаты оценки качества, поэтому применимость к конкретному языку и точность на целевых данных следует проверять отдельно. Формат весов — PyTorch; сведения о лицензии отсутствуют в предоставленных метаданных и README.

Карточка модели Vipvamps/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 Gabbana/Deobfuscation_SBERT на Hugging Face совпадает с карточкой harsh-wk/long-seq-paraphrase-MiniLM-L6-v2, поэтому описание составлено по ней. harsh-wk/long-seq-paraphrase-MiniLM-L6-v2 — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 384. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. По метаданным, модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена Sentence Transformers и распространяется по лицензии Apache-2.0. В репозитории доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. README описывает семантический поиск и кластеризацию как основные сценарии; язык текстов, поддерживаемых моделью, в предоставленных данных не установлен.

diwank/dfe-base-en-1 — модель на основе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1536 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена с использованием TripletLoss с евклидовой метрикой расстояния. Она подходит для семантического поиска и кластеризации текстовых фрагментов. Суффикс en в названии указывает на английскую ориентацию; карточка не перечисляет поддерживаемые языки явно. Доступна в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

kardosdrur/dfm-sentence-encoder-finetune-large-v1 — модель Sentence-Transformers на архитектуре BERT, дообученная для кодирования предложений и абзацев в плотные векторы размерности 1024. Её можно использовать для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель принимает текст и выдаёт векторные представления. Для получения эмбеддингов в Transformers требуется применить подходящий pooling к контекстным представлениям токенов; также модель поддерживает использование через библиотеку Sentence-Transformers. Контекст ограничен 512 токенами. Обучение проводилось с ContrastiveLoss и косинусной метрикой расстояния. В карточке не указаны целевые языки и лицензия, поэтому языковую специализацию и условия использования определить нельзя.

KennethEnevoldsen/dfm-sentence-encoder-large-exp1 — модель на базе BERT, упакованная для работы с Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 453,9 млн параметров и принимает последовательности длиной до 512 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель предназначена для получения текстовых эмбеддингов; README не приводит результаты бенчмарков или конкретные поддерживаемые языки. Доступна в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

much1na/distil-cohere-l2-ckpt-bkp — англоязычная Sentence Transformer модель, дообученная разработчиком на базе google/bert_uncased_L-6_H-512_A-8. Архитектура состоит из трансформера BERT с усредняющим pooling; модель содержит 40,8 млн параметров и преобразует текст в плотные векторы размерности 512. Максимальная длина последовательности — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких предложений и абзацев. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. README сообщает о дообучении на датасете parquet с 3 810 976 примерами, содержащими текст и векторные метки. Лицензия в предоставленных данных не указана.

ahessamb разработал модель Sentence Transformers на архитектуре RoBERTa для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 95,2 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. При обучении использовалась функция потерь TripletLoss с евклидовой метрикой расстояния и отступом 5. В репозитории веса представлены в формате safetensors, библиотека для работы — sentence-transformers. Карточка не сообщает, на каких языках обучалась модель, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

hxssgaa/dstc_setfit — модель эмбеддингов предложений на базе MPNet, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Веса содержат около 136,7 млн параметров, модель принимает текст и рассчитана на контекст до 514 токенов. Модель можно применять для поиска похожих фраз и документов, оценки семантического сходства и группировки текстов по смыслу. Она обучалась с CosineSimilarityLoss; репозиторий содержит веса PyTorch. В README не указаны языки обучения или лицензия, поэтому нельзя определить языковую специализацию и условия использования.

Omartificial-Intelligence-Space разработала эту модель Sentence Transformer, дообучив multilingual-e5-small на арабском наборе пар anchor-positive-negative. Модель на базе BERT преобразует предложения и абзацы в нормализованные векторы размерностью 384; сходство текстов можно оценивать косинусной метрикой. Matryoshka-обучение поддерживает использование укороченных представлений размерностью 256, 128 или 64. Модель предназначена для семантического поиска и сравнения текстов, а также для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. README приводит оценки на тестах семантического сходства, однако они сами по себе не гарантируют качество на произвольных данных. Базовая модель многоязычная, но дообучение проводилось на арабских данных; максимальная длина входа — 512 токенов. Лицензия в предоставленных данных не указана.

E5-base-multilingual-4096 — многоязычная модель эмбеддингов на архитектуре XLM-RoBERTa, разработанная как версия Local-Sparse-Global модели intfloat/multilingual-e5-base. Она кодирует запросы и текстовые фрагменты в векторные представления для сравнения смысловой близости и ранжирования, в том числе в сценариях поиска по коллекции документов. Модель содержит 305,2 млн параметров и поддерживает контекст до 4098 токенов. Модель предназначена для многоязычных задач семантического поиска и сопоставления предложений; README приводит пример кодирования запросов и пассажей из MS-MARCO. В метаданных указана поддержка множества языков, включая английский, немецкий, французский, испанский, китайский и другие. Репозиторий содержит веса PyTorch. Лицензия в предоставленных сведениях не указана.

E5-small — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder и Furu Wei. Она обучена методом слабого контролируемого контрастивного предобучения и предназначена для кодирования запросов и текстов в векторы для поиска и сравнения семантической близости. Модель основана на BERT и содержит 12 слоёв; размер эмбеддинга — 384, число параметров — около 40 млн. Она принимает английский текст и выдаёт векторы. Контекст ограничен 512 токенами. Для поиска рекомендуется добавлять к текстам префиксы «query: » и «passage: » в соответствии с типом задачи; без них качество может снижаться. Модель распространяется по лицензии MIT. В README рекомендуется перейти на e5-small-v2, у которой выше качество при том же способе использования. Тексты длиннее 512 токенов обрезаются; результаты могут немного отличаться в зависимости от версий PyTorch и Transformers.

api19750904/efeverde-cat — модель на базе RoBERTa, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов, а также для сравнения сходства предложений. В репозитории представлены веса PyTorch; размер модели — около 151,8 млн параметров, контекст — до 514 токенов. Модель рассчитана на получение текстовых эмбеддингов, а не на генерацию текста. В README указано обучение с CosineSimilarityLoss; для работы предлагаются Sentence-Transformers либо Transformers с подходящей операцией pooling. Язык обучения и лицензия в доступных данных не установлены.

tasksource/ettin-17m-embed — компактная модель Sentence Transformer, дообученная Tasksource на базе jhu-clsp/ettin-encoder-17m. Она преобразует текстовые фрагменты в векторы размерностью 256 для поиска семантически близких предложений и текстов; для сравнения векторов используется косинусное сходство. Модель построена на архитектуре ModernBERT, содержит 16,8 млн параметров и поддерживает последовательности до 1024 токенов по README; метаданные указывают контекст до 7999 токенов. Модель рассчитана на английский язык. При обучении использовались наборы данных для семантического сходства, поиска, сопоставления вопросов и ответов, определения дубликатов и других задач понимания текста. Её можно применять для семантического поиска, поиска похожих предложений и построения эмбеддингов для ранжирования или группировки текстов. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

EXAONE-4.0-1.2B-GGUF — квантизированная версия языковой модели EXAONE 4.0, разработанной LG AI Research. Модель предназначена для генерации текста, диалоговых приложений, локального запуска и on-device-сценариев, где важны компактный размер и умеренное потребление ресурсов. Серия EXAONE 4.0 поддерживает режимы рассуждения и без рассуждения, использование инструментов агентами и многоязычную работу на английском, корейском и испанском языках. Вариант содержит около 1,07 млрд параметров без учёта эмбеддингов, 30 слоёв и механизм внимания GQA с 32 головами и 8 KV-головами. Размер словаря составляет 102 400 токенов, заявленная длина контекста — 65 536 токенов. Модель распространяется в формате GGUF с вариантами квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M и IQ4_XS, а также с весами BF16; поддерживается llama.cpp. Сильными сторонами являются компактность, возможность локального и встраиваемого использования, поддержка трёх языков, длинного контекста и двух режимов генерации. Ограничением по сравнению с 32B-версией серии является существенно меньший размер, поэтому модель может уступать ей в качестве, глубине рассуждений и сложных профессиональных задачах; конкретные результаты тестирования для данного варианта в предоставленных данных не приведены. Лицензия указана как EXAONE, с типом other и отдельным файлом LICENSE; точные условия использования в README не раскрыты.

F2LLM-0.6B — модель эмбеддингов от CodeFuse AI, представленная в техническом отчёте F2LLM. Это дообученная на базе Qwen3-0.6B плотная архитектура Qwen3 с 507,9 млн параметров; она кодирует текст в векторные представления для поиска и сопоставления. Обучение проводилось на 6 млн открытых пар «запрос — документ» из задач поиска, классификации и кластеризации, без синтетических данных и многоэтапного конвейера. Модель предназначена для векторного поиска, сравнения предложений, классификации и кластеризации текста. Контекст составляет до 40 960 токенов. Использовать модель можно через Sentence Transformers или Transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0.

Это порт модели контекстного энкодера Dense Passage Retrieval (DPR) в формате Sentence Transformers, предназначенный для кодирования предложений и абзацев в плотные векторы размерности 768. Архитектура основана на BERT; модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Полученные эмбеддинги подходят для семантического поиска, кластеризации и сравнения текстов. Модель можно использовать через Sentence Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса в форматах PyTorch и Safetensors, а также варианты ONNX и OpenVINO. Лицензия — Apache-2.0.

Fijik 2.0 350M SFT — компактная языковая модель Pinkstack для генерации текста и диалогов на устройствах с ограниченными ресурсами. Она основана на Granite 4.0 350M Base и имеет архитектуру GraniteMoeHybrid; по описанию автора, это вариант без слоёв Mamba. Модель содержит около 352,3 млн параметров, работает с контекстом до 65 536 токенов с масштабированием YaRN и распространяется в формате safetensors. Модель предназначена для быстрого инференса на периферийных устройствах и поддерживает сценарии с агентными задачами, рассуждениями и вызовом инструментов через шаблон чата. Обучение включало непрерывное предобучение и supervised fine-tuning на смешанных данных, включая диалоги, код, веб-поиск и использование инструментов. Внутренние сравнительные тесты автора показывают конкурентные результаты среди моделей схожего размера, но метрики приведены как pass@4 и не являются независимой оценкой. Модель не проходила RLHF; автор сообщает о настройке безопасности в ходе SFT и рекомендует задавать системную инструкцию для ответов при недостатке информации. Лицензия — Apache-2.0. Она может уступать более крупным моделям, а сам автор отмечает слабые результаты на математических задачах.

tikanosa выпустил дообученную модель Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT с усреднённым pooling и преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения семантического сходства. Модель предназначена для извлечения текстовых эмбеддингов и retrieval-сценариев; сходство векторов можно оценивать косинусной мерой. Модель содержит 124,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным; в README указана максимальная длина 128 токенов. Она основана на многоязычной модели, поэтому подходит для работы с текстами на нескольких языках. Дообучение проведено на наборе из 5 493 пар предложений с оценками сходства. Лицензия в предоставленных данных не указана.

Модель mustozsarac/finetuned-four-epoch-multi-qa-mpnet-base-dot-v1 — дообученный разработчиком Sentence Transformer на базе sentence-transformers/multi-qa-mpnet-base-dot-v1. Она использует MPNet с пуллингом по токену CLS и содержит 136,7 млн параметров. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения векторов используется скалярное произведение. Максимальная длина входной последовательности — около 512 токенов. Модель предназначена для семантического поиска и оценки сходства текстов. Её можно применять для поиска релевантных фрагментов и ответов, выявления перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Базовая модель ориентирована на английские вопросы и текстовые фрагменты; README не сообщает, на каком языке собраны данные дообучения. Модель подходит для построения поисковых и аналитических конвейеров, где текст преобразуется в векторы, а релевантность определяется сравнением этих векторов. Для использования опубликованы веса в формате safetensors; библиотека модели — Sentence Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

kimquynh/finetuned_sbert — дообученная модель Sentence Transformers на базе BAAI/bge-base-en-v1.5, разработанная автором репозитория kimquynh. Она преобразует предложения и абзацы на английском языке в плотные текстовые векторы размерности 768 для семантического поиска, извлечения документов и сравнения сходства. Архитектура состоит из BERT, объединения представлений по CLS-токену и нормализации векторов; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов. Модель обучалась на парах предложений с оценками сходства; в README приведены результаты оценки на наборе resume-job-valid и данные о 9 398 обучающих примерах. Она подходит для поиска и ранжирования текстов по смыслу, в том числе для подбора резюме к вакансиям и извлечения контекста для RAG. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

kimquynh/finetuned_sbert_6 — англоязычная Sentence Transformer, дообученная автором на базе BAAI/bge-base-en-v1.5 для поиска и сравнения текстов. Архитектура включает BERT, пулинг CLS и нормализацию эмбеддингов; модель содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель подходит для семантического поиска, извлечения релевантных текстов и сравнения предложений. В карточке приведены результаты оценки сходства и бинарной классификации на данных о резюме и вакансиях; обучающий набор содержит 6241 пару предложений. Модель принимает текст и выдаёт эмбеддинги. Репозиторий использует формат safetensors и библиотеку Sentence Transformers. Условия лицензии в предоставленных данных не описаны.

TurkuNLP/finnish-modernbert-large-short-5e-05-msmarco — модель Sentence Transformers, дообученная TurkuNLP на базе TurkuNLP/finnish-modernbert-large-short на датасете msmarco-co-condenser-margin-mse-sym-mnrl-mean-v1. Она преобразует предложения и абзацы на английском языке в плотные эмбеддинги размерности 1024 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура состоит из ModernBERT с усреднением токенных представлений; максимальная длина последовательности — 8192 токена, сходство оценивается косинусной мерой. Модель подходит для построения поиска по смыслу и систем ранжирования текстовых кандидатов, когда запросы и документы представлены на английском языке. В карточке приведён результат cosine_accuracy 0,994 на TripletEvaluator для msmarco-co-condenser-dev; он относится к указанной оценке и не гарантирует такую же точность на других данных. Лицензия в предоставленных сведениях не указана.

FRIDA-GGUF — GGUF-версия модели FRIDA, разработанная командой SaluteDevices AI for B2C RnD Team; версию в формате GGUF создал Pavel Rykov. Исходная модель FRIDA разработана на основе encoder-части FRED-T5 и представляет собой дообученную модель для получения текстовых embedding-векторов. Она предварительно обучалась на русско-английском наборе данных и затем дообучалась для повышения качества на целевых задачах. Модель предназначена для семантического поиска и извлечения релевантных документов, определения перефразирования, дедупликации, категоризации текстов, анализа тональности, группировки по темам и задач textual entailment. Для разных сценариев рекомендуется использовать специальные префиксы, включая search_query, search_document, paraphrase, categorize, categorize_sentiment, categorize_topic и categorize_entailment; для агрегации токенов рекомендуется CLS pooling. Модель поддерживает русский и английский языки, однако качество английской обработки в README не оценено. Максимальная длина входа ограничена 512 токенами. Сильной стороной модели является специализация на русскоязычных задачах текстовых embedding-векторов и наличие отдельных режимов для различных типов семантического сопоставления. При необходимости модель можно дополнительно дообучить на качественных русских и английских датасетах. Размер модели, размерность embedding-векторов и точные результаты бенчмарков в README не указаны. Модель распространяется по лицензии MIT.

DragosGorduza/FRPile_GPL_test_pipeline_all-mpnet-base-v2-MISTRAL-notrescaled_20000 — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. В карточке указано обучение с MarginDistillationLoss из GPL Toolkit. Веса опубликованы в формате safetensors. Модель подходит для построения векторного поиска и группировки текстов; конкретные языки и условия лицензии в предоставленных данных не подтверждены.

FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

GIST-Embedding-v0 — текстовая модель эмбеддингов, разработанная avsolatorio и дообученная на основе BAAI/bge-base-en-v1.5. Она кодирует предложения и тексты в плотные векторы для поиска, сравнения смысловой близости и других задач сопоставления текста. Для получения эмбеддингов инструкции в запросе не требуются, поэтому модель подходит для прямого кодирования поисковых запросов и документов. Модель основана на архитектуре BERT, содержит 136,7 млн параметров, работает с контекстом до 512 токенов и распространяется в форматах PyTorch и safetensors. Обучение проведено на данных MEDI и размеченных триплетах, полученных из обучающей части MTEB Classification; оценка выполнялась набором MTEB. Дообучение заметно изменило профиль качества: на некоторых задачах результаты улучшились, на других ухудшились, в частности отмечено снижение качества поиска для TRECCOVID. Лицензия модели — MIT; сторонние наборы данных могут иметь дополнительные условия использования.

GPT-5.1-Codex Mini — языковая модель OpenAI, облегчённая и более экономичная версия GPT-5.1-Codex с меньшими возможностями. Она предназначена для задач программирования и длительных агентных рабочих процессов, например написания и изменения кода с использованием инструментов. Модель поддерживает текст на входе и выходе, а также изображения на входе; контекстное окно составляет 400 000 токенов, максимальный объём ответа — 128 000 токенов. Поддерживаются рассуждения, вызов функций и структурированный вывод. Данные о конкретной архитектуре и списке поддерживаемых языков в использованных источниках не приводятся. Модель доступна через API OpenAI; условия доступа и использования определяются условиями сервиса OpenAI.

Watwat100/gpu1 — модель семейства MPNet на базе Sentence Transformers, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; размер модели составляет 136,7 млн параметров, а контекст — до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Она предназначена для получения текстовых эмбеддингов и сравнения семантической близости предложений и абзацев. Сведения о поддерживаемых языках и лицензии в предоставленных источниках отсутствуют.