II.6Документация и сопровождение разработки

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 igzi/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели novelcore/model13 на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели novelcore/model7 на Hugging Face совпадает с карточкой sentence-transformers/all-distilroberta-v1, поэтому описание составлено по ней. all-distilroberta-v1 — модель Sentence Transformers на архитектуре DistilRoBERTa, разработанная в рамках Hugging Face Community Week для проекта по обучению эмбеддингов предложений на большом наборе пар. Модель дообучена на базе distilroberta-base контрастивным обучением на более чем 1 млрд пар предложений. Она преобразует предложения и короткие абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, оценки сходства и кластеризации текста. Модель принимает текст и выдаёт векторные представления. В README указано усечение входа длиннее 128 word pieces; метаданные сообщают контекстное окно 514 токенов. В карточке отмечен английский язык. Репозиторий содержит веса PyTorch и варианты ONNX, OpenVINO и safetensors. Модель распространяется по лицензии Apache-2.0. Модель подходит для поиска текстов по смыслу и группировки семантически близких фрагментов. Она не предназначена для генерации ответов; качество зависит от соответствия языка и предметной области обучающим данным, а длинные входы ограничиваются усечением.

jfarray/Model_all-distilroberta-v1_5_Epochs — модель на базе RoBERTa, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Веса представлены в формате PyTorch; размер модели — 95,2 млн параметров, контекст — до 514 токенов. Векторы подходят для семантического поиска и кластеризации текстов, а также для оценки сходства предложений. Модель можно использовать через библиотеку Sentence-Transformers. В README указано обучение с CosineSimilarityLoss; сведения о лицензии и конкретном языке текстов в предоставленных данных отсутствуют.

Это модель Sentence Transformers семейства XLM-RoBERTa, разработанная RZTK на основе yklymchuk-rztk/multilingual-e5-base-matryoshka2d-cached-mnr-multiple-datasets-large-1 и дообученная на наборах core_uk и core_ru. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размером 768 и поддерживает сравнение сходства по скалярному произведению. Модель подходит для семантического поиска, поиска похожих формулировок, кластеризации и классификации текста, в том числе для русскоязычных и украиноязычных данных. Архитектура включает XLMRobertaModel, усредняющий токены pooling-слой и нормализацию. Максимальная длина последовательности — 512 токенов; библиотека — Sentence Transformers. В README приведены результаты поиска на русских и украинских тестовых наборах, включая варианты с опечатками и транслитерацией. Лицензия в предоставленных данных не указана.

Abdul-Ib/multilingual-en-ar-2024 — модель на основе BERT из библиотеки Sentence Transformers, разработанная Abdul-Ib. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 124,3 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Название указывает на английский и арабский языки; README описывает модель как мультиязычную. Модель можно использовать для семантического поиска, группировки похожих фраз и построения систем сравнения предложений. Файлы модели опубликованы в формате safetensors. Условия лицензии в доступных данных не указаны.

Valiant Labs разработала Esper 4 — дообученную мультимодальную модель на базе Muse-Glimmer-30B для программирования, проектирования систем и задач DevOps и MLOps. Модель рассчитана на работу как чат- и кодовый помощник, в том числе в агентных сценариях и при разработке, развёртывании и эксплуатации ИИ-систем. Архитектура — плотная Muse Glimmer; модель принимает текст и изображения и выдаёт текст. В метаданных указан английский язык, поддержка зрения и формат весов safetensors. README описывает обучение на сложных примерах для DevOps, архитектуры, программирования и разработки ИИ, включая данные, созданные с помощью DeepSeek-V4-Pro. Модель распространяется по лицензии Apache-2.0. Заявления о запуске на настольных и мобильных устройствах приведены в README, но фактические требования к памяти и производительность не уточнены; также не указана длина контекста.

Octen-Embedding-4B-INT8 — текстовая embedding-модель, разработанная Octen на основе Qwen/Qwen3-Embedding-4B и дообученная методом LoRA. Она преобразует тексты в векторы размерностью 2560 и предназначена для семантического поиска, retrieval-сценариев, оценки схожести предложений, извлечения признаков и поиска по документам. Модель поддерживает английский, китайский и другие языки, а также различные языки программирования, что позволяет использовать её для многоязычного, кросс-языкового и кодового поиска. Модель содержит около 4 млрд параметров и представлена в INT8-квантизированном формате с использованием bitsandbytes. По данным README, объём памяти составляет примерно 4 ГБ против около 8 ГБ для версии BF16. Заявлена поддержка длинного контекста: в большинстве разделов указано до 32 768 токенов, а в разделе характеристик — до 40 960 токенов. Поэтому точное ограничение контекста следует проверять в конфигурации модели. Embedding-пространство высокой размерности рассчитано на работу с длинными документами и специализированными данными в юридической, финансовой, медицинской и программной областях. К сильным сторонам относятся уменьшенное потребление памяти, широкая языковая поддержка, ориентация на прикладные retrieval-задачи и возможность обработки длинного контекста. К ограничениям относятся отсутствие гарантии ускорения инференса после INT8-квантизации: на некоторых аппаратных платформах модель может работать немного медленнее BF16-версии. В приведённых результатах Octen-Embedding-4B получила средний показатель 0,7834 на RTEB, включая 0,7747 на Public и 0,7942 на Private. Модель распространяется по лицензии Apache-2.0.

shadowlilac/omniembed-merged — Sentence Transformer на архитектуре Gemma 4, предназначенный для получения плотных 1536-мерных векторных представлений текста. Модель сравнивает предложения и абзацы по косинусному сходству и подходит для семантического поиска, оценки текстового сходства, поиска перефразирований, классификации и кластеризации. Для работы используется библиотека sentence-transformers; веса доступны в формате safetensors. README также заявляет поддержку изображений, аудио, видео и сообщений, однако описание модели и метаданные подтверждают только текстовые эмбеддинги. Модель опубликована shadowlilac; сведений о лицензии и базовой модели в доступных данных нет.

swardiantara/one-cdk0-m0.5-e5-b128-L6 — модель Sentence-Transformers на базе BERT, разработанная пользователем swardiantara. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 25,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Модель подходит для построения эмбеддингов и поиска семантически близких фрагментов; README не приводит результаты оценки качества. Лицензия в предоставленных данных не указана.

Это производная MLX-версия модели Ornith 1.5 35B-A3B, разработанной ornith-ai и адаптированной пользователем Shiftedx. Модель предназначена для генерации текста и работы с изображениями в сценариях image-text-to-text, включая решение задач программирования, вызов функций и инструментов, структурированный вывод, OCR и визуальный анализ. Модель использует гибридную конфигурацию: 4-битное аффинное квантование экспертного блока, 8-битные attention, routing, embeddings, LM head и поздние проекции, а также 60 рекуррентных тензоров в BF16. В составе сохранены 333 нативных BF16-тензора vision и 785 BF16-тензоров MTP. Рекомендуемая среда запуска — MTPLX 2.9.1, MLX 0.32.1 и MLX-LM 0.31.3; рекомендованная глубина speculative decoding — D3. Поддержка vision требует совместимого MLX-VLM или MTPLX runtime. Языки и размер контекстного окна в README не указаны. По результатам локальной квалификации на M4 Max с 64 ГБ unified memory модель показала успешное выполнение 8 из 8 исполняемых Python-задач, 6 из 6 тестов native function calling и parallel tool planning, 4 из 4 визуальных семантических проверок, а также успешные OCR со строгой схемой и проверки сохранности vision- и MTP-тензоров. Utility pass rate составил 83,3%. Abliteration полностью устранила отказы на тестовом наборе, но может снижать предсказуемость безопасного поведения; README отдельно предупреждает, что она не гарантирует корректность или безопасность вывода. Скорость 112,1 токена в секунду измерена на конкретном M4 Max и не является универсальным показателем. Модель распространяется по лицензии MIT, унаследованной от родительской модели. Следует проверять сгенерированный код и вызовы инструментов перед выполнением; без заданной схемы ответа модель может оборачивать JSON в Markdown.

Qwen2.5-Coder-3B-Instruct-GPTQ-Int4 — инструкционная причинно-следственная языковая модель для работы с программным кодом из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа, рассуждений и исправления кода, а также может использоваться в чат-сценариях и как основа для code agents. Модель сохраняет общие способности Qwen2.5, включая работу с математическими и другими текстовыми задачами. В README явно указан английский язык. Модель содержит 3,09 млрд параметров, из которых 2,77 млрд не относятся к embedding-слою, и включает 36 слоёв. Архитектура построена на transformers с RoPE, SwiGLU, RMSNorm, bias в Attention QKV и связанными word embeddings; используется GQA с 16 головами для Q и 2 для KV. Контекст составляет до 32 768 токенов. Это GPTQ-квантизированная 4-битная версия instruction-tuned модели Qwen2.5-Coder-3B-Instruct, рассчитанная на более эффективное использование памяти. Сильные стороны модели — специализация на программировании, генерации и исправлении кода, поддержка длинного контекста и сниженные требования к памяти благодаря 4-битной квантизации. README не приводит конкретных результатов тестов, требований к GPU, данных о качестве на отдельных языках программирования или ограничений, связанных с квантизацией. Модель распространяется по лицензии qwen-research; точные условия следует уточнять в указанном LICENSE.

mlx-community/Qwen2.5-Coder-7B-bf16 — версия модели Qwen2.5-Coder-7B, преобразованная сообществом mlx-community в формат MLX с помощью mlx-lm 0.18.1. Это плотная авторегрессионная модель семейства Qwen2, рассчитанная на генерацию текста и кода; объём модели — 7,1 млрд параметров, максимальный контекст — 32 768 токенов. Карточка указывает поддержку диалогового режима и интерфейса вызова инструментов, а среди языковых тегов — английский. Модель подходит для генерации и продолжения кода, помощи в программировании и диалоговых сценариев с текстовым вводом. Репозиторий содержит веса safetensors; README описывает преобразование в MLX и использование через mlx-lm. Лицензия — Apache 2.0. Метаданные связывают модель с Qwen/Qwen2.5-7B как с базовой моделью, однако README указывает исходную Qwen/Qwen2.5-Coder-7B; это означает, что репозиторий представляет преобразованную версию кодовой модели, а классификацию происхождения и базовую модель следует трактовать с учётом этих различающихся сведений.

P4tchFake/Qwen3.5-9B-Gemini-3.1-Pro-Reasoning-Distill — текстовая генеративная модель, дообученная на базе Qwen3.5-9B с использованием supervised fine-tuning, LoRA и дистилляции рассуждений из Gemini 3.1, Gemini 3.0 Pro и Qwen3.5-27B. Модель ориентирована на структурированное аналитическое поведение и более организованный Chain-of-Thought. В README указаны английский, китайский и корейский языки; архитектура описана как Dense, размер базовой модели — 9B параметров, однако размер контекста не указан. Модель предназначена для сложных многошаговых задач, требующих декомпозиции, планирования, абстрагирования, отслеживания ограничений и анализа компромиссов. Заявлены широкие области применения, включая математику и логику, программирование и системный анализ, безопасность и adversarial reasoning, физику, инженерию, право, философию, медицину, финансы, химию и прикладные социальные системы. Среди сильных сторон отмечаются структурированное рассуждение, более плотные и последовательные аналитические ответы, междисциплинарный охват и компактный размер. Из-за дистилляции и специализированного дообучения поведение модели может отличаться от исходной Qwen3.5-9B: возможны изменения в обобщающей способности и частичное забывание отдельных сведений предварительного обучения. Поэтому модель рекомендуется оценивать на собственных задачах перед применением в продуктивных сценариях. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-mixed-NVFP4-FP8 — это квантованная версия Qwen3.8-Flash-Next, подготовленная командой Primitive AI. Модель предназначена для мультимодальных сценариев image-text-to-text, генерации текста, рассуждений и вызова инструментов. Она поддерживает работу через Transformers и vLLM, включая tool calling с thinking, parser qwen3_coder и speculative decoding MTP. Модель имеет размер около 183,7 ГБ и использует смешанную точность NVFP4, FP8 и BF16 в формате compressed-tensors. Полноразмерные и линейные attention-проекции переведены в FP8, что сокращает нагрузку на память и ускоряет декодирование. Заявлена работа на одной GPU Blackwell с 96 ГБ видеопамяти и примерно 100 ГБ оперативной памяти; измерения проводились при контексте 32 768 токенов и до 36 последовательностей. Нативный контекст базовой модели указан как 262 144 токена, а для более длинного контекста предлагается RoPE-масштабирование YaRN. По данным карточки, модель сохраняет сопоставимое с обычной NVFP4-сборкой качество при показателях 92,2 для knowledge, 84,8 для call и 56,7 для abstain, а также достигает 84,4 токена в секунду в однопоточном режиме и 526 токенов в секунду при concurrency 32. Основное ограничение — необходимость использовать переменную VLLM_GDN_DECODE_KERNEL=triton: стандартное CUDA-ядро может зависать при высокой конкуренции. Для запуска также требуются специальные параметры vLLM, значительный объём RAM и совместимое оборудование Blackwell. Модель распространяется по лицензии Qwen Community 1.0.

Qwen3-Coder-Next — открытая языковая модель с открытыми весами, разработанная командой Qwen. Данная GGUF-версия предназначена для локального запуска, прежде всего в качестве основы для coding agents и разработки в IDE или CLI-средах. Модель ориентирована на генерацию и анализ кода, длительное рассуждение, работу с инструментами, выполнение сложных многошаговых задач и восстановление после ошибок выполнения. Это causal language model, прошедшая этапы предварительного обучения и постобучения. Общий размер составляет 80 млрд параметров, из которых при генерации активируется около 3 млрд; без учёта embedding — 79 млрд. Архитектура использует Mixture of Experts с 512 экспертами и 10 активируемыми экспертами, а также гибридные блоки Gated DeltaNet и Gated Attention; модель содержит 48 слоёв. Нативная длина контекста — 262 144 токена. Поддерживается только режим без скрытого рассуждения: модель не формирует блоки <think></think>. README не указывает поддерживаемые языки. К сильным сторонам относятся высокая эффективность по числу активируемых параметров, большой контекст, развитые возможности tool calling и пригодность для интеграции с различными средами разработки, включая Claude Code, Qwen Code, Qoder, Kilo, Trae и Cline. Ограничения включают специализированную ориентацию на программирование, работу только в non-thinking mode и необходимость значительных вычислительных ресурсов для размещения полной модели, несмотря на малое число активируемых параметров. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-Coder-Next-GGUF — GGUF-квантизированные версии открытой языковой модели Qwen3-Coder-Next, разработанные Unsloth на базе модели Qwen. Это каузальная текстовая модель, предназначенная прежде всего для программирования, локальной разработки и работы в кодинговых агентах, включая сценарии с CLI и IDE, длительным рассуждением, использованием инструментов и восстановлением после ошибок выполнения. Модель имеет 80 млрд параметров всего, из которых активируются 3 млрд; 79 млрд параметров приходятся на неэмбеддинговую часть. Архитектура сочетает Mixture of Experts с 512 экспертами и гибридные механизмы Gated DeltaNet и Gated Attention. Нативная длина контекста составляет 262 144 токена. Модель поддерживает только режим без пошагового рассуждения и не генерирует блоки <think></think>. README описывает её как текстовую модель, но не указывает полный перечень поддерживаемых языков. Сильными сторонами являются высокая эффективность при небольшом числе активных параметров, поддержка сложных агентных сценариев, работы с инструментами и длинным контекстом. Для запуска 4-битных вариантов рекомендуется более 45 ГБ объединённой памяти RAM/VRAM, а для 2-битных XL-квантов и выше — более 30 ГБ. Для GGUF требуется совместимое локальное ПО, например llama.cpp или приложения на его основе; точные свойства зависят от выбранного варианта квантования. Модель распространяется по лицензии Apache-2.0.

ExceedZhang/Qwen3-Embedding-4B-0815-merged — дообученная модель Sentence Transformers, созданная на базе unsloth/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 2560, нормализованные для сравнения косинусного сходства. Модель предназначена для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру Qwen3ForCausalLM с извлечением признаков, пулингом последнего токена и нормализацией. README указывает максимальную длину последовательности 512 токенов; метаданные сообщают о нативном контексте базовой модели до 40960 токенов, однако режим Sentence Transformers описан с ограничением 512 токенов. Обучение проводилось на 73 671 паре anchor-positive из набора данных json с MultipleNegativesRankingLoss. Примеры данных содержат китайский и английский текст, но конкретный перечень поддерживаемых языков не заявлен. Модель выдаёт эмбеддинги, а не готовые текстовые ответы; каталог также отмечает поддержку генерации текста и сходства предложений. Для использования нужны библиотека Sentence Transformers или совместимая система извлечения эмбеддингов. Лицензия в предоставленных данных не указана.

Wheatley961 опубликовал модель Sentence-Transformers на архитектуре 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 сравнения предложений. Модель использует PyTorch; в карточке указан контекст до 514 токенов. Модель подходит для построения семантического поиска, группировки похожих документов и вычисления сходства между фрагментами текста. В README описано обучение с CosineSimilarityLoss. Метаданные указывают задачи извлечения признаков и сравнения предложений; конкретные поддерживаемые естественные языки не перечислены. Лицензия в предоставленных данных не указана.

Модель Sentence-Transformers на архитектуре XLM-RoBERTa преобразует предложения и абзацы в плотные векторы размерностью 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов; для получения эмбеддингов модель использует PyTorch и совместима с Sentence-Transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. Архитектура XLM-RoBERTa предполагает многоязычную обработку текста, однако README и метаданные не уточняют поддерживаемые языки этой конкретной модели. Лицензия в предоставленных данных не указана.

Diiiann/ru_oss — модель Sentence-Transformers на архитектуре BERT для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу; в README указано обучение с MultipleNegativesRankingLoss и косинусной мерой сходства. Модель содержит около 498,1 млн параметров, принимает текст и использует контекст длиной до 512 токенов. Веса доступны в форматах PyTorch и Safetensors. Метаданные указывают библиотеку Sentence-Transformers и поддержку эмбеддингов. В карточке не указаны лицензия, языки обучения и явные ограничения качества, поэтому применимость к конкретному языку или предметной области следует проверять отдельно.

Модель usc-isi/sbert-roberta-large-anli-mnli-snli разработана командой USC Information Sciences Institute. Это Sentence-Transformers-модель на базе RoBERTa-large, дообученная на наборах ANLI, MNLI и SNLI для получения плотных векторов предложений и абзацев размерностью 768. Она подходит для семантического поиска, сравнения смысловой близости, кластеризации и группировки текстов. Модель принимает текст на английском языке и формирует векторные представления. В метаданных указан контекст до 514 токенов, а размер модели составляет 151,8 млн параметров. Для Transformers требуется применять mean pooling к контекстным представлениям токенов; Sentence-Transformers предоставляет более простой способ использования. Лицензия в предоставленных данных не указана.

Это Sentence Transformer на базе MPNet, дообученный сопоставлять предложения и абзацы по смыслу. Модель разработана для построения плотных векторов размерности 768; сходство между ними можно оценивать косинусной мерой. В репозитории используются архитектура MPNetModel, усреднение токенных представлений и нормализация векторов; размер модели — 136,7 млн параметров. Модель подходит для семантического поиска, поиска перефразировок, кластеризации, классификации текста и оценки семантического сходства. Обучающий набор содержит 307 331 пару текстов; примеры связывают фактические сообщения с целями устойчивого развития ООН, в том числе с ЦУР 4 об образовании. README указывает максимальную длину последовательности 384 токена, тогда как метаданные каталога указывают контекст 514 токенов; практический лимит из карточки модели — 384 токена. Языки обучения и поддерживаемые языки явно не перечислены. Лицензия в предоставленных данных не указана.

ys7yoo/sentence-bert-klue-sts — модель Sentence-Transformers на базе BERT, разработанная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и подходит для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Она обучалась с использованием CosineSimilarityLoss. Для работы можно применять библиотеку sentence-transformers либо Hugging Face Transformers с подходящей операцией pooling. Модель опубликована в формате PyTorch. В карточке не указаны лицензия и языки обучения, поэтому их нельзя надёжно определить. Качество семантического сопоставления и поддержка конкретных языков зависят от данных обучения; перед использованием для целевого языка стоит проверить качество на собственных примерах.

embedingHF/Sentence_Transformer — модель эмбеддингов предложений на базе BERT, разработанная в рамках Community week Hugging Face для проекта по обучению моделей sentence embeddings на миллиарде пар. Она дообучена контрастивным методом на объединении крупного набора текстовых пар; в README названа исходной предобученной моделью nreimers/MiniLM-L6-H384-uncased. Модель преобразует предложения и короткие абзацы в плотные векторы размерности 384 для семантического поиска, сравнения предложений и кластеризации. Модель принимает текст и возвращает векторное представление. README указывает усечение входа длиннее 256 word pieces; при обучении длина последовательности ограничивалась 128 токенами. Метаданные указывают 25,9 млн параметров, контекст 512 токенов, английский язык и библиотеку Sentence Transformers. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели mah18/sent_similarity 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.

Это модель Sentence Transformers на основе MPNet, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с функцией потерь CosineSimilarityLoss; в README также приведён пример использования через библиотеку sentence-transformers. Веса опубликованы в формате PyTorch, размер модели — 136,7 млн параметров, максимальная длина контекста — 514 токенов. README не называет базовую модель, обучающие данные, поддерживаемые языки или лицензию.

Speechless Code Mistral Orca 7B v1.0 — языковая модель на архитектуре Mistral с 7,1 млрд параметров, опубликованная uukuguy. Это дообучение Open-Orca/Mistral-7B-OpenOrca на наборе из 201 981 примера: данные охватывают программирование, рассуждения и планирование, включая примеры Python и SQL. Модель предназначена для генерации кода и диалоговых ответов на текстовые инструкции; заявленная длина контекста — 32 768 токенов. В карточке приведён результат 47,561 на HumanEval Python, а также оценки ARC, HellaSwag и MMLU. Они описывают результаты автора и не гарантируют качество на других задачах. Модель распространяется с лицензией Llama 2; перед применением следует соблюдать её условия.

maiyad/sustain-sbert — модель на базе BERT, созданная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель обучалась с функцией потерь DenoisingAutoEncoderLoss. Её можно использовать через библиотеку Sentence-Transformers либо через Transformers с подходящей операцией pooling для получения векторов из контекстных представлений токенов. Лицензия в предоставленных данных не указана.