II.1Анализ требований и архитектура ПО

kwondw/distilroberta-base-nli-v3 — модель Sentence Transformers, дообученная разработчиком на базе distilbert/distilroberta-base на наборе all-nli. Архитектура RoBERTa с mean pooling преобразует текстовые предложения и абзацы в плотные векторы размерности 768; максимальная длина последовательности — 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для поиска по смыслу, извлечения текстовых эмбеддингов и оценки семантического сходства. В README приведены результаты оценки на STS: Spearman cosine 0,865 на sts-dev и 0,8417 на sts-test. Карточка не сообщает лицензию; обучение и примеры ориентированы на англоязычный текст.

aloobun/d-mxbai-L8-embed — англоязычная модель Sentence Transformers, созданная автором репозитория на основе mixedbread-ai/mxbai-embed-large-v1 методом дистилляции: в эксперименте оставлено 8 слоёв исходной модели. Она преобразует предложения в плотные эмбеддинги размерности 1024 и предназначена для сравнения смысла текстов, семантического поиска и извлечения признаков. Архитектура использует BERT и CLS-пулинг; максимальная длина входа — 512 токенов. Модель обучалась на 1 195 425 примерах с MSELoss и распространяется в формате Safetensors по лицензии Apache-2.0. В README приведены значения Spearman cosine 0,8873 на sts-dev и 0,8724 на sts-test. Автор сообщает, что модель обрабатывает около 45 примеров в секунду против примерно 30 у базовой модели, при небольшом снижении точности. Эти результаты относятся к указанным оценкам и условиям эксперимента; язык карточки и примеры указывают на английское применение.

Это перенос facebook/dragon-plus-context-encoder в формат Sentence-Transformers. Модель на основе BERT с 136,7 млн параметров преобразует предложения и абзацы в плотные векторы размерности 768; для получения эмбеддингов используются контекстные представления токенов и подходящая операция pooling. Модель предназначена для семантического поиска, кластеризации текстов и сравнения сходства предложений. Она принимает текст и выдаёт векторные представления. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch; в карточке не указаны лицензия и поддерживаемые естественные языки.

d0rj/e5-large-en-ru — компактная версия модели intfloat/multilingual-e5-large, созданная за счёт сокращения словаря до токенов русского и английского языков. Модель основана на XLM-RoBERTa и формирует плотные текстовые представления размерностью 1024; в метаданных указаны 464,4 млн параметров и контекст до 514 токенов. Модель предназначена для поиска по смыслу и оценки сходства предложений, в том числе для извлечения релевантных документов по запросу. Для поиска README рекомендует сравнивать эмбеддинги скалярным произведением. На бенчмарке SberQUAD разработчик сообщает о результатах, сопоставимых с исходной multilingual-e5-large. Она принимает текст и выдаёт векторные представления токенов. Указаны русский и английский языки. Сокращённый словарь уменьшает размер модели относительно исходной версии, но исключает поддержку токенов других языков. Лицензия — MIT.

E5-small-trm — компактная версия модели multilingual-e5-small, опубликованная пользователем clips и созданная с помощью vocabtrimmer: словарь исходной модели сокращён с 250 037 до 50 002 токенов, а число параметров в карточке указано как 47,5 млн. Это модель Sentence Transformers на архитектуре BERT, предназначенная для получения текстовых эмбеддингов, семантического поиска и сравнения предложений; карточка также указывает поддержку sentence-similarity. README описывает настройку словаря на нидерландском поднаборе C4 и пример кодирования запросов и фрагментов MS MARCO. Модель принимает текст и выдаёт векторы; максимальный контекст — 512 токенов. Лицензия — MIT. Сокращение словаря ориентировано на нидерландский язык, поэтому качество для других языков может отличаться от исходной многоязычной модели.

Это Sentence Transformer, дообученный на базе intfloat/e5-small-v2. Модель разработана для преобразования предложений и абзацев в плотные текстовые векторы размерностью 384; архитектура включает BERT-энкодер и усредняющий пуллинг токенов. Максимальная длина последовательности — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также для кластеризации и классификации текстов на основе эмбеддингов. Базовая E5-small-v2 предназначена для английского языка; README не сообщает о дополнительной языковой специализации этой версии. Репозиторий распространяется в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

jangedoo/e5-small-v2-pruned — компактная модель эмбеддингов на базе intfloat/e5-small-v2, представленная автором как версия с прореженным токенным эмбеддингом. Она использует архитектуру BERT и библиотеку Sentence Transformers, содержит 36,8 млн параметров по метаданным и принимает последовательности длиной до 512 токенов. Модель преобразует текст в векторы для семантического поиска, сопоставления предложений и оценки их сходства. В README указано сокращение словаря с 30 522 до 22 225 токенов и числа параметров с 33 360 000 до 30 173 952. На приведённых тестах STS-B и NanoBEIR качество немного ниже базовой модели: например, корреляция STS-B Pearson составляет 0,8234 против 0,8317. Для использования требуется Sentence Transformers; в примере загрузки включён trust_remote_code=True. Лицензия в предоставленных данных не указана.

omarelsayeed/e5_tsdae_contrastive — модель эмбеддингов на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для построения векторного поиска по текстовым коллекциям, поиска похожих предложений и группировки текстов по смыслу. Доступны веса PyTorch; для работы можно использовать библиотеку Sentence-Transformers. Карточка описывает обучение с LoggingCosineLoss, но не приводит результаты оценки. Лицензия в предоставленных данных не указана.

ayushexel/emb-all-MiniLM-L6-v2-squad-3-epochs — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, разработанная автором репозитория ayushexel. Она преобразует предложения и абзацы в плотные семантические векторы размерности 384, нормализованные для сравнения по косинусному сходству. Модель подходит для поиска подходящих контекстов по вопросам, семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов. Архитектура — энкодер BERT с усреднением токенных представлений и нормализацией; размер составляет 25,9 млн параметров. Метаданные указывают контекст до 512 токенов, тогда как карточка модели описывает максимальную длину последовательности 256 токенов. Обучение проводилось на примерах с вопросом, контекстом и негативным контекстом; в карточке также приведена оценка cosine_accuracy 0,4008 на GooQA-dev. Базовая модель англоязычная, поэтому прежде всего модель рассчитана на английский текст. Лицензия в предоставленных данных не указана.

VinitT/Embeddings-Trivia — англоязычная модель Sentence Transformer, дообученная разработчиком на наборе trivia-qa-triplet на основе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384; архитектура включает BERT-энкодер, усреднение токенных представлений и нормализацию. Для сравнения векторов подходит косинусное сходство. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и подготовки признаков для классификации. В README приведена точность cosine accuracy 0,834 на оценке TripletEvaluator с trivia_qa_eval. Модель принимает текст и выдаёт векторы; она обучена на англоязычных данных и не предназначена для генерации ответов. Сведения о лицензии в предоставленных источниках отсутствуют.

ingeol выпустил модель ingeol/facets_gpt_expanswer_1234 — sentence-transformers-модель на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768; контекст модели составляет 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Её можно использовать через библиотеку Sentence Transformers либо Transformers с подходящей операцией pooling. В карточке указана функция потерь BPRLoss; сведений о языковой специализации и лицензии нет.

Это англоязычная модель Sentence Transformer, созданная автором kimquynh путём дообучения BAAI/bge-base-en-v1.5. Модель на базе BERT преобразует текст в плотные векторы размерности 768 и нормализует их; сходство векторов можно оценивать косинусной мерой. Репозиторий использует библиотеку sentence-transformers и формат safetensors. Модель предназначена для получения эмбеддингов предложений и абзацев, семантического поиска, извлечения релевантных текстов и сравнения сходства предложений. Контекст ограничен 512 токенами. В README приведены оценки на задачах сходства и бинарной классификации, однако качество зависит от данных и порога сравнения. Лицензия в предоставленных данных не указана. Модель ориентирована на английский текст; README не заявляет поддержку других языков.

kimquynh/finetuned_sbert_7 — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для кодирования предложений и абзацев в плотные векторы и их семантического поиска и сравнения. Архитектура включает MPNet, mean pooling и нормализацию; размер модели — 136,7 млн параметров, размерность выходных векторов — 768. Модель принимает текст, использует косинусное сходство и обучалась с ContrastiveLoss на 6 241 примере; в README указана максимальная длина последовательности 384 токена, а метаданные каталога приводят контекст 514 токенов. Модель подходит для извлечения релевантных текстов, вычисления сходства предложений и бинарной классификации пар по косинусному сходству. В README приведены оценки на наборах для сходства резюме и вакансий: Spearman 0,4798, а также accuracy 0,7258 и F1 0,7811 для бинарной классификации. Эти показатели относятся к указанным наборам и не гарантируют аналогичного качества на других данных. В карточке нет сведений о лицензии; обучение описано на англоязычных примерах о резюме и вакансиях, поэтому перенос качества на другие языки и области не установлен.

pszemraj/flan-ul2-text-encoder — текстовый энкодер, опубликованный pszemraj и полученный извлечением энкодера из google/flat-ul2. Модель предназначена для получения векторных представлений текста и, в частности, может использоваться для оценки семантического сходства через косинусное расстояние после взвешенного усреднения токеновых представлений. Это модель семейства T5 на 7,6 млрд параметров с архитектурой T5EncoderModel. Контекст составляет 512 токенов; веса представлены в PyTorch и Safetensors, в README указано использование точности bfloat16 и размер 17,44 ГБ. Лицензия — Apache-2.0. README демонстрирует получение эмбеддингов и сравнение текстов, но не сообщает о специализированной языковой или предметной настройке.

FRPile_GPL_test_pipeline — модель на основе архитектуры BERT, разработанная как Sentence-Transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 1024. Она предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указано 433,9 млн параметров, контекст до 512 токенов и формат PyTorch; для получения эмбеддингов предусмотрено использование Sentence-Transformers либо Transformers с соответствующей операцией pooling. В карточке упомянуто обучение с MarginDistillationLoss из инструментария GPL. Языки обучения, базовая модель и лицензия в предоставленных данных не раскрыты. Модель выдаёт векторные представления текста, поэтому качество семантического поиска и кластеризации зависит от соответствия текстов и домена её обучению.

DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-MISTRAL_FULL-notrescaled_40000 — модель Sentence-Transformers на архитектуре BERT, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения текстов и кластеризации. Обучение использовало MarginDistillationLoss; в карточке также описана обработка контекстных представлений с помощью pooling. Модель содержит 433,9 млн параметров и принимает до 512 токенов контекста. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

CloudlessSky/fullname_encoder_v1 — дообученная на базе intfloat/multilingual-e5-small модель Sentence Transformers для кодирования предложений и абзацев в плотные векторы размерности 384. Она использует BERT, среднее объединение токенов и нормализацию выходного вектора; максимальная длина входа — 512 токенов. Косинусное сходство между векторами подходит для семантического сравнения текстов, поиска похожих формулировок и кластеризации. По карточке модель обучалась на парах текстов с контрастивной функцией потерь; примеры данных содержат русские ФИО, а базовая модель многоязычная. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

GLM-5.3-Flash-EXL3-Q4 — производная квантованная версия языковой модели GLM-5.3-Flash-BF16, разработанной Z.AI. Конвертацию и проверку выполнил проект Dione с использованием ExLlamaV3. Модель предназначена для генерации текста и запуска GLM-5.3-Flash в формате selective EXL3, включая сценарии локального инференса на системах с несколькими GPU. Поддержка полноценного серверного запуска, проверки конечной точки, генерации ответов, vision и MTP для этой сборки ещё не подтверждена. Модель имеет архитектуру mixture-of-experts: 45 языковых слоёв, из которых 3 плотных и 42 маршрутизируемых MoE-слоя с 288 экспертами, top-8 routing и одним общим экспертом. Квантованы только gate/up/down-проекции маршрутизируемых экспертов в слоях 3–44 с представлением EXL3 Q4 и эффективной точностью 4,0 bpw; основные компоненты, включая attention, routers, shared experts, embeddings, LM head, нормы, vision и MTP, сохранены в исходной точности BF16. Артефакт занимает 187,45 ГБ и рассчитан на tensor parallel size 4. Сведения о поддерживаемых языках и максимальном контексте в README не указаны. Преимущество модели — существенное уменьшение размера экспертных весов при сохранении большей части исходной точности: на тесте Wikitext-2 прирост perplexity относительно BF16 составил 2,38%, а согласие top-1 — 91,70%. Ограничения связаны с нестандартным форматом checkpoint glm53-selective-exl3-tp4-v1: требуется совместимый loader для selective EXL3 и нельзя рассчитывать на стандартный Transformers или произвольный EXL3 runtime. Модель распространяется по лицензии MIT как производная от исходной модели Z.AI.

Granite-Embedding-30m-English — компактная модель встраиваний из семейства Granite Embeddings, разработанная командой Granite Embedding в IBM. Она построена на энкодерной архитектуре на основе RoBERTa, содержит 33,5 млн параметров и формирует векторы текста размерности 384. Модель принимает текст на английском языке; максимальная длина контекста — 514 токенов. Модель предназначена для получения векторных представлений, которые можно использовать для поиска по смыслу, извлечения релевантных документов и оценки сходства предложений. Версия r1.1 ориентирована на контекстный поиск в многоходовых диалогах: для запроса ей передают историю разговора в заданном формате. По данным карточки, модель примерно вдвое быстрее сопоставимых по размеру векторов моделей и показывает конкурентные результаты на бенчмарках поиска. Модель доступна в форматах PyTorch, Safetensors и ONNX, совместима с Sentence Transformers. Лицензия — Apache 2.0. Ограничения: модель рассчитана на английский язык, а контекст ограничен 514 токенами; версии r1.1 для многоходового поиска требуется подавать историю диалога в специальном формате.

Granite-Embedding-Small-English-R2 — плотная модель эмбеддингов из семейства Granite Embeddings, разработанная командой Granite Embedding Team в IBM. Она преобразует английские запросы, фрагменты и документы в векторы размером 384, предназначенные для сравнения по косинусному сходству и использования в поиске и извлечении информации. Модель использует архитектуру биэнкодера на базе ModernBERT: 12 слоёв и 12 голов внимания. Она содержит 47,7 млн параметров и поддерживает контекст до 8192 токенов. В обучении применялись ориентированное на поиск предварительное обучение, контрастивное дообучение, дистилляция и объединение моделей; заявлены результаты на бенчмарках поиска по документам, коду, таблицам и многоходовым диалогам. Модель предназначена для английского текста. Тексты длиннее 8192 токенов обрезаются; для других языков качество не заявлено. Лицензия — Apache 2.0.

RabidUmarell/hubert-embedding-paraphrase-multilingual — модель на базе архитектуры BERT, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений; использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель выдаёт текстовые эмбеддинги, пригодные для семантического поиска и группировки похожих высказываний. В карточке она названа многоязычной, однако конкретные языки и результаты оценки не приведены. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Huihui-Qwen3.5-35B-A3B-abliterated — версия Qwen3.5-35B-A3B от Huihui AI с ослабленными отказами, полученная методом abliteration. Это мультимодальная MoE-модель с архитектурой Qwen3.5 для диалога, анализа изображений, рассуждений и агентных задач; она принимает текст и изображения и выдаёт текст. В репозитории используются веса Safetensors и библиотека Transformers, доступны интерфейс вызова инструментов и шаблоны чата для режима рассуждений и работы с инструментами. Модель предназначена для диалоговых приложений и задач, где требуется отвечать на вопросы по изображениям или использовать инструменты. Авторы характеризуют реализацию abliteration как грубую проверку концепции. Ослабление фильтров безопасности повышает вероятность чувствительных, спорных или неподходящих ответов, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

HydroEmbed/HydroEmbed-MCQTF-MiniLM-MNRL — дообученный разработчиком HydroEmbed энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель построена на архитектуре BERT и Sentence Transformers: среднее объединение токенов с последующей нормализацией даёт плотный вектор размерности 384. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README указан максимальный размер последовательности 256 токенов, поэтому фактический предел зависит от используемой конфигурации. Модель обучена с MultipleNegativesRankingLoss на 2542 парах предложений. Она предназначена для кодирования текста и сравнения смысловой близости, семантического поиска, выявления перефразировок, кластеризации и подготовки признаков для классификации. Примеры обучающих пар относятся к гидрологии и вопросам с вариантами ответа, но карточка не подтверждает специализацию на этой предметной области. Язык обучения или перечень поддерживаемых языков в предоставленных данных не указан; базовая модель ориентирована на английский. Для применения нужны входные тексты; на выходе модель выдаёт векторы, пригодные для сравнения по косинусному сходству. Это компактная модель для задач сходства предложений, но качество для других языков и предметных областей может отличаться и отдельно не подтверждено. Лицензия в предоставленных данных отсутствует.

unsloth/InternVL3-8B-GGUF — квантованная в формате GGUF версия мультимодальной модели InternVL3-8B, разработанной командой OpenGVLab и опубликованной Unsloth. Модель предназначена для обработки текста и изображений с генерацией текстовых ответов; её применение охватывает мультимодальное восприятие и рассуждение, анализ промышленных изображений, работу с GUI-агентами, использование инструментов и восприятие 3D-сцен. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть InternViT-300M-448px-V2_5 соединена с языковой моделью Qwen2.5-7B через MLP-проектор. Модель относится к семейству размером 8B параметров, поддерживает мультиязычную обработку, а её заявленный конвейер — image-text-to-text. В качестве обучающего набора указан OpenGVLab/MMPR-v1.2. README не содержит точного значения контекстного окна и подробностей о конкретном варианте квантования. К сильным сторонам относятся сочетание визуального анализа и языкового рассуждения, расширенные мультимодальные сценарии и возможность использования GGUF-версии в совместимых локальных средах. Ограничения связаны с необходимостью поддерживаемого рантайма для GGUF, возможными компромиссами квантования и отсутствием в карточке детальных количественных характеристик производительности. Указана лицензия Apache-2.0; при этом в метаданных также приведена ссылка на лицензию Qwen.

jinaai/jina-embedding-b-en-v1 — англоязычная модель эмбеддингов текста, разработанная Jina AI. Она предназначена для сопоставления предложений и поиска близких по смыслу текстов, включая пары запрос—документ. Модель обучалась на наборе Linnaeus-Clean из 380 миллионов пар предложений, собранных из разных областей и прошедших очистку; в метаданных также указан датасет jinaai/negation-dataset. Модель построена на архитектуре T5 Encoder, содержит 123,8 млн параметров и принимает последовательности длиной до 512 токенов. Она выдаёт текстовые эмбеддинги для семантического поиска, сравнения предложений и ранжирования кандидатов по близости смысла. Доступна в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Ограничение контекста в 512 токенов делает её менее подходящей для прямого кодирования длинных документов; назначение и языковые данные ориентированы на английский.

Jina AI выпустила jina-embeddings-v5-text-nano — компактную мультиязычную модель для преобразования текста в векторные представления. Она построена на EuroBERT-210M и дообучена с помощью дистилляции от Qwen3-Embedding-4B и контрастивного обучения для отдельных задач. В метаданных указано 211,7 млн параметров; README приводит оценку 239 млн. Модель принимает текст длиной до 8192 токенов и формирует эмбеддинги для поиска, сопоставления текстов, кластеризации и классификации. Модель подходит для семантического поиска по документам, сравнения запросов и текстов, группировки коллекций и классификации через эмбеддинги. README заявляет мультиязычную поддержку и приводит примеры на арабском, китайском, французском, немецком, греческом, хинди, итальянском, японском и корейском языках. Указаны устойчивость эмбеддингов к усечению и бинарному квантованию, а также высокие результаты на MTEB English v2 и MMTEB. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

KaLM-Embedding-V2.5 — компактная мультиязычная модель эмбеддингов семейства KaLM, разработанная командой HITsz-TMG. Она предназначена для преобразования текстов в векторы и поддерживает поиск и извлечение документов, ранжирование, классификацию, кластеризацию, оценку семантического сходства и классификацию пар текстов. Для асимметричного поиска предусмотрены инструкции для запросов и документов; в sentence-transformers доступны encode_query и encode_document с шаблоном запроса по умолчанию. Модель построена на плотной архитектуре Qwen2 с двунаправленным вниманием и mean pooling. Размер — 494 млн параметров, размерность эмбеддингов — 896; поддерживаются сокращённые размерности 512, 256, 128 и 64. README указывает максимум 32 тыс. входных токенов, а метаданные — контекстное окно 131 072 токена. Обучение включало слабоконтролируемое предобучение, контролируемое дообучение и контрастивную дистилляцию. Указаны английский и китайский языки. Лицензия — Apache-2.0. Модель ориентирована на построение компактных векторных представлений и заявлена авторами как конкурентоспособная с более крупными моделями сопоставимого назначения. Метаданные связывают её с базовыми репозиториями HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v2 и Qwen/Qwen2.5-0.5B. Для использования с Transformers требуется версия 4.37.0 или новее; README также описывает поддержку sentence-transformers и vLLM.

bartowski/lemon07r_VellumMini-0.1-Qwen3-14B-GGUF — это набор квантизированных версий языковой модели VellumMini-0.1-Qwen3-14B, разработанной lemon07r и преобразованной bartowski в формат GGUF с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В основе используется модель класса Qwen3 с заявленным размером 14 млрд параметров. Доступны варианты от BF16 до низкобитных квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ, поэтому можно выбирать между качеством ответов, требованиями к памяти и скоростью работы. Для квантизации применялась imatrix с калибровочными наборами данных; варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены авторами как рекомендуемые, а Q4_K_M описан как подходящий вариант по умолчанию для большинства сценариев. Сильной стороной набора является широкий выбор размеров и форматов для локального инференса, включая варианты, оптимизированные для ограниченного объёма оперативной памяти и некоторых CPU-платформ. При этом README не содержит сведений о поддерживаемых языках, размере контекста, точной архитектуре, мультимодальности, специализированных сценариях обучения или системном формате подсказок; prompt format не найден. Лицензия в предоставленных данных также не указана, поэтому условия использования необходимо уточнять на странице исходной модели lemon07r/VellumMini-0.1-Qwen3-14B.

Llama Nemotron Embedding 1B v2 — мультиязычная модель эмбеддингов NVIDIA для поиска ответов на вопросы по большим коллекциям текстов. Она входит в коллекцию NeMo Retriever и предназначена для построения систем извлечения информации, включая межъязыковой поиск и поиск по длинным документам. Модель основана на дообученной Llama 3.2 1B и использует архитектуру Transformer-энкодера с двунаправленным представлением текста. В ней 1,2 млрд параметров; README указывает 16 слоёв и базовый размер эмбеддинга 2048. Контекст в README ограничен 8192 токенами, хотя в метаданных указано значение 131072 токена. Размер выходного вектора можно настроить на 384, 512, 768, 1024 или 2048 измерений. Модель оценивается на 26 языках, включая русский, и выдаёт плотные векторные представления текста. Подходит для семантического поиска, мультиязычного поиска и извлечения фрагментов для систем вопросно-ответного поиска по корпусу документов. Динамическая размерность эмбеддингов помогает сокращать затраты на хранение векторов. Модель готова к коммерческому применению; использование регулируется NVIDIA Open Model License Agreement и условиями Llama 3.2 Community Model License Agreement.

Lychee-embed — многоязычная модель для создания текстовых эмбеддингов, совместно разработанная командой NLP Харбинского технологического института в Шэньчжэне. Она основана на Qwen2.5-1.5B и дообучена по многоэтапной схеме с разогревом, обучением на задачах, слиянием моделей и финальным дообучением. Модель предназначена для семантического поиска, сравнения сходства текстов и других задач на основе эмбеддингов. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт векторы размерностью до 1536; поддерживаются настраиваемые размерности от 32 до 1536 и инструкции, задающие контекст задачи. README заявляет поддержку более 100 языков и длину последовательности 8K, тогда как метаданные указывают нативный контекст 32768 токенов. Репозиторий распространяется в формате safetensors, лицензия — Apache-2.0. Для повышения качества поиска авторы рекомендуют подбирать инструкции под задачу; README сообщает, что их отсутствие на стороне запроса может снизить качество примерно на 1–5%.