II.1Анализ требований и архитектура ПО

M3E-Large — текстовая модель эмбеддингов, разработанная MokaAI на базе архитектуры RoBERTa из серии моделей лаборатории HFL и распространяемая в формате PyTorch. Модель содержит 424,3 млн параметров, формирует плотные векторы размерности 768 и обрабатывает последовательности длиной до 512 токенов. Модель предназначена прежде всего для китайского текста и поддерживает ограниченные сценарии с английским. Она обучалась контрастивным методом с внутрипакетными отрицательными примерами на китайских парах предложений и английских триплетах; при кодировании может учитывать инструкции. Её применяют для оценки сходства текстов, поиска релевантных фрагментов по запросу и построения текстовых классификаторов на эмбеддингах. Модель совместима с Sentence Transformers и может использоваться в системах семантического поиска и RAG. В карточке приведены результаты сравнительных тестов сходства, классификации и поиска; качество зависит от данных и сценария, а для кода модель не предназначена. Контекст ограничен 512 токенами. Лицензия в доступных сведениях не указана.

Карточка модели gemasphi/mcontriever-msmarco на Hugging Face совпадает с карточкой gemasphi/mcontriever, поэтому описание составлено по ней. gemasphi/mcontriever — модель на основе архитектуры BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Общее число параметров — 205,1 млн, максимальная длина контекста — 512 токенов; репозиторий содержит веса PyTorch. Модель подходит для построения векторного поиска по текстовым коллекциям, группировки похожих фрагментов и оценки семантической близости. В README описано обучение с CosineSimilarityLoss. Язык обучения или перечень поддерживаемых языков в предоставленных данных не подтверждены. Лицензия в доступных сведениях не указана.

Nerdward/minilm-irembo-ft — дообученная модель Sentence Transformers, разработанная на базе Nerdward/minilm-irembo-ft. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT-энкодера, среднего pooling и нормализации; модель содержит 25,9 млн параметров и принимает текст длиной до 512 токенов по метаданным, хотя в README указано ограничение 256 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов. В README приведены результаты на kb-retrieval-eval: cosine_accuracy@1 — 0,895, @3 — 0,9834, @5 — 0,9945. Обучение проводилось на 6 214 примерах с anchor, positive и negative и функцией MultipleNegativesRankingLoss. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

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.

UMCU опубликовал Sentence Transformer на основе UMCU/mirrorbert_medroberta.nl_meantoken, дообученный для преобразования предложений и абзацев в плотные векторы размерности 768. Модель использует архитектуру RoBERTa с усреднением токенных эмбеддингов и сравнивает векторы по косинусному сходству; в метаданных указано 153,2 млн параметров и библиотека sentence-transformers. Модель подходит для оценки семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. В README указана максимальная длина последовательности 30 токенов, тогда как метаданные каталога сообщают контекст 514 токенов; для практического использования следует учитывать лимит 30 токенов из карточки модели. Лицензия в предоставленных данных не указана.

ronanki выпустил модель sentence-transformers на основе XLM-RoBERTa, которая преобразует предложения и абзацы в плотные векторы размерности 768. Модель предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений; её обучали с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий содержит веса PyTorch, а контекст модели составляет 514 токенов. Модель принимает текст и выдаёт векторные представления, которые можно использовать для семантического поиска и группировки текстов. В метаданных нет сведений о лицензии или языковой специализации, поэтому они не указаны.

EmaRimoldi/MNLP_M2_document_encoder — текстовый энкодер предложений и коротких абзацев на архитектуре BERT, разработанный на основе all-MiniLM-L12-v2. Модель преобразует текст в плотный вектор размерности 384 для поиска по смыслу, оценки сходства и кластеризации. В README описано контрастивное дообучение на корпусе более чем из миллиарда пар предложений; метаданные указывают 40 млн параметров, контекст до 512 токенов и библиотеку Sentence Transformers. README предупреждает, что вход длиннее 256 word pieces обрезается. Модель подходит для семантического поиска и извлечения эмбеддингов из англоязычных текстов. В метаданных указаны английский язык и лицензия Apache-2.0. Векторные представления можно использовать как основу для поиска, группировки и сопоставления текстов; сама модель не генерирует ответы.

Карточка модели emilecornamusaz/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

Карточка модели viols/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой thenlper/gte-large, поэтому описание составлено по ней. gte-large — модель текстовых эмбеддингов General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на крупном корпусе пар текстов с оценками релевантности. Она преобразует английские тексты в векторы размерностью 1024 и предназначена для поиска информации, сравнения семантической близости и ранжирования текстов. Модель применима в поисковых системах, семантическом сопоставлении предложений и других задачах, использующих текстовые эмбеддинги. В тесте MTEB для gte-large указана средняя оценка 63,13 по 56 задачам. Контекст ограничен 512 токенами: более длинные тексты обрезаются. Модель рассчитана только на английский язык. Лицензия — MIT.

Модель jfarray/Model_bert-base-multilingual-uncased_30_Epochs — sentence-transformers на архитектуре BERT, обученная сопоставлять предложения и абзацы в плотном 256-мерном векторном пространстве. Она подходит для семантического поиска и кластеризации текстов, а также для сравнения семантической близости фраз. Модель содержит 194,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. В обучении использовалась функция потерь CosineSimilarityLoss; веса доступны в формате PyTorch. Название указывает на многоязычную uncased-базу bert-base-multilingual-uncased и обучение в течение 30 эпох, однако поддерживаемые языки отдельно не перечислены. Лицензия в предоставленных данных не указана.

Карточка модели jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_100_Epochs на Hugging Face совпадает с карточкой jfarray/Model_bert-base-multilingual-uncased_100_Epochs, поэтому описание составлено по ней. jfarray/Model_bert-base-multilingual-uncased_100_Epochs — модель на базе BERT, обученная библиотекой Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 256. Она предназначена для семантического поиска и кластеризации текстов; оценки сходства предложений также входят в задачи модели. Архитектура содержит около 194,6 млн параметров, модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 512 токенов. Модель можно применять для поиска похожих фрагментов, группировки текстов и сравнения смысловой близости предложений. В карточке указано обучение с CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

BlueAvenir/model_growth_restructuring_V_1_0 — модель на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Архитектура содержит около 305,2 млн параметров, а максимальная длина контекста составляет 514 токенов. Модель принимает текст и возвращает векторные представления; её можно использовать через Sentence-Transformers или Transformers с соответствующим pooling. В карточке указан CosineSimilarityLoss, однако сведения о языках обучения, данных и результатах оценки не приведены. Модель опубликована в формате PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_5_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, дообученная для создания плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения компонентов поиска на эмбеддингах. В README указано обучение с CosineSimilarityLoss. Размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Метаданные указывают на поддержку sentence similarity и извлечения признаков; языковая специализация не обозначена. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория Hugging Face. Эмбеддинги сами по себе не генерируют ответы и качество поиска зависит от данных и выбранной схемы индексации.

IoannisKat1 разработал англоязычную модель Sentence Transformers для получения плотных векторных представлений предложений и абзацев. Это дообученная версия nomic-ai/modernbert-embed-base на архитектуре ModernBertModel с усреднением токенных представлений и нормализацией выходного вектора. Модель имеет 149 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 8192 токенов; для сравнения используется косинусное сходство. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README приведены результаты оценки поиска при сокращении размерности эмбеддингов до 512, 256, 128 и 64 измерений, однако качество зависит от набора данных. Данные обучения содержат 1627 пар anchor-positive. Лицензия Apache-2.0.

hotchpotch/ModernBERT-embedding-CMNBRL — англоязычная модель Sentence Transformers, дообученная разработчиком на базе answerdotai/ModernBERT-base для получения плотных эмбеддингов предложений и абзацев. Она кодирует текст в векторы размерностью 768 и использует среднее pooling по токенам; сходство векторов можно оценивать по косинусной мере. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации текста. Модель имеет архитектуру ModernBERT encoder и около 149 млн параметров. README указывает максимальную длину последовательности 512 токенов, тогда как метаданные сообщают нативный контекст в 8192 токена; на практике следует учитывать ограничение конфигурации Sentence Transformers. Для обучения использовались MS MARCO, Natural Questions, GooAQ, CCNews и HotpotQA. В README приведены результаты оценки на наборах NanoBEIR и отдельных задачах поиска. Модель принимает текст и возвращает векторы, поэтому для поиска по большим коллекциям обычно требуется отдельный индекс эмбеддингов. Она ориентирована на английский язык, а её качество на других языках не подтверждено приведёнными данными. Лицензия — Apache-2.0.

joe32140/ModernBERT-large-msmarco — англоязычная модель Sentence Transformers на основе ModernBERT-large от Answer.AI, дообученная на датасете MS MARCO. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и использует косинусное сходство для сравнения. Модель подходит для семантического поиска, ранжирования похожих текстов, поиска перефразирований, кластеризации и классификации текста. Модель содержит около 394,7 млн параметров, использует mean pooling и принимает последовательности длиной до 8192 токенов. В README приведены результаты на задачах поиска и сравнения текстов; автор сообщает об улучшении относительно опубликованных результатов для ряда наборов данных. Доступны веса safetensors и формат ONNX. Лицензия в предоставленных данных не указана.

tomaarsen опубликовал модель Sentence Transformers, дообученную на парах запросов и ответов из набора Natural Questions. Она использует трансформер MPNet на базе microsoft/mpnet-base с усреднением токенных представлений и преобразует текст в плотные векторы размерности 768 для сравнения по косинусному сходству. Максимальная длина входной последовательности — 512 токенов; модель рассчитана на английский язык. Модель подходит для семантического поиска, сопоставления вопросов с ответами, оценки смыслового сходства, поиска перефразировок, кластеризации и классификации текстов. На Natural Questions она обучалась на 100 231 примере; в README приведены метрики поиска на тестовой выборке. Для работы с длинными текстами их потребуется разбивать на фрагменты. Лицензия — Apache-2.0.

Это англоязычная модель Sentence Transformer, разработанная tomaarsen и дообученная на microsoft/mpnet-base с использованием набора gooaq-hard-negatives. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, семантического поиска и задач сравнения текстов. Сходство векторов можно оценивать косинусной мерой. Модель построена на MPNet с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Она подходит для поиска ответов на вопросы и других сценариев англоязычного информационного поиска. Также README перечисляет кластеризацию, классификацию текста и поиск парафразов как возможные применения. Модель принимает текст и выдаёт векторы; лицензия — Apache-2.0. Показатели в README приведены для отдельных тестовых наборов и не гарантируют качество на других данных.

tomaarsen/mpnet-base-nq-prompts — англоязычная модель Sentence Transformers, дообученная на парах запросов и ответов датасета Natural Questions. Она основана на microsoft/mpnet-base и преобразует предложения и абзацы в плотные векторы размерностью 768 для вычисления семантического сходства по косинусной мере. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Её обучение на парах Natural Questions ориентировано на сопоставление вопросов с ответами, а приведённые в карточке оценки охватывают несколько наборов для поиска информации. Лицензия — Apache-2.0. Качество зависит от соответствия данных предметной области и языка; основной язык обучения и карточки — английский.

msmarco-distilbert-cos-v5 — модель sentence-transformers, обученная командой Sentence Transformers на 500 тысячах пар «запрос — ответ» из набора MS MARCO Passages. Она основана на DistilBERT и предназначена для семантического поиска: преобразует предложения и абзацы в нормализованные плотные векторы размерности 768. Для объединения контекстных представлений токенов используется mean pooling; косинусное сходство и скалярное произведение подходят для сравнения векторов. Модель можно применять для поиска релевантных фрагментов по запросу, ранжирования текстов по смысловой близости и построения систем поиска по коллекциям документов. Контекст ограничен 512 токенами. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. В предоставленных источниках сведения о лицензии отсутствуют.

sangmini/msmarco-dotv5-MiniLM-L12_en-ko-ja — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска по смыслу, сравнения текстов и кластеризации. Модель основана на архитектуре BERT; в репозитории указано 124,3 млн параметров, максимальная длина контекста — 512 токенов, формат весов — PyTorch. По названию модели она рассчитана на английский, корейский и японский языки. Её можно применять для создания векторного поиска и группировки похожих текстов; полученные эмбеддинги также подходят для вычисления семантической близости. В карточке не приведены конкретные результаты оценки качества. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, разработанная trmteb и дообученная на базе intfloat/multilingual-e5-base на слабоконтролируемом контрастивном наборе турецких текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию. Сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сопоставления текстов, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текстов. Контекст ограничен 512 токенами по README (в метаданных указано 514). Обучающий набор содержит около 60 млн пар «запрос — релевантный текст» на турецком языке; базовая модель многоязычная, однако карточка не уточняет языковой охват этой версии. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать в системах поиска и анализа. Модель поставляется в формате safetensors и использует библиотеку sentence-transformers. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

IoannisKat1 разработал эту модель Sentence Transformers, дообучив multilingual-e5-large для семантического поиска и сопоставления предложений и абзацев. Она преобразует текст в плотные нормализованные векторы размерностью 1024 и использует косинусное сходство для сравнения. В архитектуру входят XLM-RoBERTa, усредняющий pooling и нормализация; модель содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным (в README указан предел 512). Matryoshka-обучение позволяет использовать укороченные векторы размерностью от 64 до 768 для компромисса между размером представления и качеством поиска. Модель предназначена для векторизации текстов и поиска семантически близких фрагментов, в том числе для систем извлечения информации. README указывает английский язык и текстовый ввод; пример обучающих данных включает греческий текст, но это не подтверждает полноценную поддержку греческого. Лицензия — Apache-2.0. Результаты оценки приведены для датасета json и не гарантируют такое же качество на других данных; обучающая выборка содержит 4268 пар.

Multilingual-E5-small — многоязычная модель текстовых эмбеддингов семейства E5, основанная на архитектуре BERT. В карточке указаны 12 слоёв и размерность эмбеддинга 384; метаданные сообщают о 124,3 млн параметров и формате ONNX. Модель инициализирована из microsoft/Multilingual-MiniLM-L12-H384 и дополнительно обучена на смеси многоязычных наборов данных. Модель предназначена для получения векторных представлений текстов и оценки их семантического сходства. Её можно применять для поиска и ранжирования пассажей, семантического поиска, сопоставления парафразов и межъязыкового поиска. Для поиска по запросу и документам следует добавлять префиксы «query: » и «passage: » соответственно; для симметричных задач и использования эмбеддингов как признаков применяется «query: ». Модель поддерживает 100 языков, однако качество может снижаться для языков с малым объёмом ресурсов. Тексты длиннее 512 токенов обрезаются. Лицензия — MIT.

Fjoralb1 выпустил модель эмбеддингов на базе архитектуры BERT, предназначенную для преобразования предложений и абзацев в плотные векторы размерностью 128. Модель содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Векторы подходят для семантического поиска, сравнения сходства, кластеризации и других задач, где нужно находить близкие по смыслу фрагменты текста. Модель обучалась с MatryoshkaLoss и MultipleNegativesRankingLoss; обучение поддерживает представления разных размерностей, включая 128, 64, 32 и 16. Модель доступна в форматах PyTorch и Safetensors для библиотеки Sentence Transformers. В предоставленных материалах сведения о лицензии и конкретных поддерживаемых языках отсутствуют.

multi-qa-distilbert-cos-v1 — модель Sentence-Transformers на базе DistilBERT, разработанная в рамках проекта Hugging Face по обучению моделей эмбеддингов предложений. Она кодирует вопросы, предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска и сопоставления запросов с релевантными фрагментами текста. Модель обучена на 215 млн пар «вопрос — ответ» из разных источников с контрастивной функцией потерь и усреднением контекстных представлений. Модель предназначена для поиска ответов и документов по смыслу: запрос и текстовые фрагменты преобразуются в векторы, сходство которых можно оценивать косинусом или скалярным произведением. Поддерживаются английский язык и входы длиной до 512 токенов; обучение проводилось на текстах длиной до 250 токенов, поэтому качество на более длинных фрагментах может снижаться. Доступны варианты в форматах PyTorch, Safetensors, ONNX и OpenVINO. README и метаданные не сообщают лицензию модели.

checkiejan/multi-qa-mpnet-base-dot-v1-covidqa-search-test — модель Sentence-Transformers на базе MPNet, разработчик которой не указан в доступной карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст; максимальная длина контекста составляет 514 токенов. В README указано обучение с TripletLoss и евклидовой метрикой расстояния. Веса доступны в формате PyTorch; лицензия и целевые языки в предоставленных данных не определены. Суффикс covidqa-search-test в имени не подтверждён описанием как специализированное назначение модели.

SeanLee97/mxbai-embed-large-v1-nli-matryoshka — модель на базе BERT, созданная для преобразования предложений и абзацев в плотные векторные представления. Её можно применять для семантического поиска и кластеризации текстов; метаданные также указывают поддержку оценки сходства предложений. Модель содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Обучение использует MatryoshkaLoss с MultipleNegativesRankingLoss и размерами представлений от 64 до 3072 измерений, что позволяет выбирать векторы разной размерности. Модель распространяется в форматах PyTorch и Safetensors. В README не указаны языки обучения или лицензия.

OrcaDB/mxbai-large — текстовая модель эмбеддингов предложений из семейства Mixedbread mxbai-embed-large-v1. Она преобразует предложения и фрагменты текста в векторы для поиска, сравнения семантической близости и других задач векторного поиска. Архитектура — плотная модель на базе BERT с 433,9 млн параметров и контекстом до 512 токенов. Модель рассчитана прежде всего на англоязычный текст. Для поисковых запросов при retrieval следует добавлять префикс «Represent this sentence for searching relevant passages:»; для остальных входов специальный префикс не требуется. Поддерживаются Matryoshka Representation Learning и бинарное квантование, позволяющие сокращать размерность и объём хранения эмбеддингов. README сообщает о сильных результатах на MTEB для моделей размера BERT-large. Модель опубликована по лицензии Apache-2.0. Карточка отмечает, что у версии есть ограничения, которые планировалось устранить в v2, но конкретные ограничения не перечисляет.

erickrribeiro/my-embedding-gemma — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Модель содержит 302,8 млн параметров, принимает текстовые последовательности длиной до 2048 токенов и рассчитана на работу через библиотеку Sentence Transformers. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README описан обучающий набор из трёх примеров на португальском языке; этого мало, чтобы судить о широте языкового покрытия или обобщающей способности именно этой дообученной версии. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.