II.6Документация и сопровождение разработки

Nomic-embed-text-v1.5-Embedding-GGUF — модель для создания текстовых эмбеддингов и оценки семантического сходства, основанная на nomic-ai/nomic-embed-text-v1.5. Квантизацию в формате GGUF выполнила Second State Inc.; исходную модель разработала nomic-ai. Модель предназначена для семантического поиска, сопоставления текстов и других задач, где требуется преобразование текста в векторное представление. Указан английский язык. Модель поддерживает запуск через LlamaEdge и имеет контекстное окно размером 768 токенов. Доступны варианты GGUF с квантизацией от 2 до 8 бит и вариант f16, размером примерно от 60,9 до 274 МБ. Вариант Q4_K_M обозначен как рекомендуемый для сбалансированного качества и размера, а Q5_K_M и Q5_K_S — как варианты с очень небольшой потерей качества. Более сильная квантизация уменьшает размер, но может заметно ухудшать качество эмбеддингов. Модель компактна и подходит для локального развёртывания, однако README не содержит подробностей об архитектуре, размерности эмбеддингов, точных показателях качества и аппаратных требованиях. Модель распространяется по лицензии Apache-2.0.

Ogma Base — компактная англоязычная модель для создания текстовых эмбеддингов, разработанная авторами семейства Ogma. Это плотная модель с 13,3 млн параметров и контекстом до 1024 токенов; она поддерживает симметричное кодирование и Matryoshka-размерности 256, 128, 64 и 32. В README указана средняя оценка 57,02 на 66 англоязычных задачах MTEB. Модель предназначена для семантического поиска, извлечения документов в RAG, векторного поиска, кластеризации, классификации, оценки сходства предложений и памяти агентных систем. Небольшой размер позволяет развертывать её локально и использовать на CPU. Она не генерирует текст и рассчитана на английский язык; для задач парного ранжирования в README отмечено отставание от MiniLM-L6-v2. Доступны форматы ONNX и safetensors. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; для него требуется отдельная лицензия или переобучение на подходящей модели-учителе.

AnkitAI/Parable-Qwen3-8B-Claude-Fable-5-GGUF — локальная текстовая модель, дообученная на базе Qwen3-8B разработчиком AnkitAI. Она создана для генерации текста, программирования, терминальных задач, рассуждений, планирования и использования инструментов в агентских сценариях. Обучение выполнено методом QLoRA на трассировках реальных сессий Claude Fable 5 и решениях терминальных задач, а не на синтетических вопросах и ответах. Заявлен английский язык. Модель имеет 8 млрд параметров и распространяется в формате GGUF для llama.cpp, Ollama и LM Studio. Доступны квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0; рекомендуемая Q4_K_M занимает около 4,8 ГБ и рассчитана примерно на 6 ГБ RAM или VRAM. Базовый контекст Qwen3 в 128K токенов сохраняется, хотя дообучение выполнялось на последовательностях длиной 1 024 токена, поэтому специализированное поведение наиболее выражено в начале длинных сессий. Ответы открываются блоком рассуждений <think>, который рекомендуется удалять перед показом пользователю. Сильные стороны модели — агентское планирование, tool use, программирование, отладка и работа с терминалом. В заявленной проверке 23 из 34 задач были полностью решены корректно, а 30 — полностью или частично. Ограничения включают слабые результаты на генерации конфигураций и состояниях shell; команды, код и конфигурационные файлы необходимо проверять. Модель распространяется по лицензии Apache-2.0.

Phind-CodeLlama-34B-v2-Codefuse-CodeLlama-34B-dare-ties — объединённая языковая модель на архитектуре Llama, созданная с помощью LazyMergekit из Phind/Phind-CodeLlama-34B-v2 и codefuse-ai/CodeFuse-CodeLlama-34B. Модель содержит 33,5 млрд параметров, использует формат safetensors и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации кода и решения задач программирования по текстовым запросам. Она принимает текст и выдаёт текст, включая код; в каталоге для неё подтверждена задача text-generation. README описывает объединение методом dare_ties с параметрами density 0,5, весами 0,6 и 0,4 и типом bfloat16. В карточке не указаны лицензия и конкретные ограничения качества или применения, поэтому условия лицензирования и специальные ограничения по этим источникам определить нельзя.

Это GGUF-версия модели Qwen2.5-Coder-32B-Instruct, подготовленная TensorBlock на основе mlx-community/Qwen2.5-Coder-32B-Instruct-bf16. Репозиторий содержит файлы в формате GGUF с разными вариантами квантования; они совместимы с llama.cpp начиная с указанного в карточке коммита. Размер исходной модели — 32 млрд параметров. Модель предназначена для генерации кода в диалоговом формате, а также для анализа и исправления кода. В README приведён шаблон сообщений system/user/assistant. Для некоторых вариантов квантования указана заметная потеря качества; автор не рекомендует Q2_K для большинства сценариев, а Q3_K_S и Q3_K_M характеризуются как варианты с высокой потерей качества. Лицензия — Apache-2.0.

unsloth/Qwen2.5-Coder-3B — дообученная Unsloth версия базовой модели Qwen/Qwen2.5-Coder-3B, предназначенная для генерации кода и работы с ним. Это плотная причинно-языковая модель семейства Qwen2 с 3,1 млрд параметров; она использует библиотеку Transformers и распространяется в формате Safetensors. Контекст составляет до 32 768 токенов. Модель подходит для генерации кода по текстовому запросу, анализа и исправления кода, а также для задач заполнения фрагментов кода. Семейство Qwen2.5-Coder обучалось на коде и тексто-кодовых данных и сохраняет общие способности Qwen2.5, включая математику. Карточка репозитория содержит противоречивые сведения о размере и варианте: описание модели относится к 3B, а README также содержит общий текст и характеристики версии 0.5B; поэтому характеристики конкретно этой версии опираются на метаданные. Поддерживаемый язык в метаданных карточки — английский. Лицензия Apache-2.0 разрешает использование на её условиях. Базовые языковые модели не предназначены для диалогового применения без дополнительного постобучения; качество конкретной версии зависит от задачи и не гарантируется приведёнными в README общими заявлениями семейства.

duyntnet/Qwen2.5-Coder-7B-imatrix-GGUF — репозиторий с imatrix-квантизациями базовой языковой модели Qwen2.5-Coder-7B, разработанной командой Qwen. Модель предназначена прежде всего для генерации, анализа и исправления программного кода, задач code reasoning, text-code grounding, заполнения пропусков в коде и создания основы для code agents. Базовая модель не рекомендуется для обычного диалогового использования без дополнительного дообучения или постобработки. Это каузальная текстовая модель на архитектуре Transformers с RoPE, SwiGLU, RMSNorm и bias в QKV-проекциях внимания. Она содержит 7,61 млрд параметров, 28 слоёв и использует Grouped-Query Attention: 28 голов для Q и 4 для KV. Заявлена поддержка контекста до 131 072 токенов, при этом для обработки входов длиннее 32 768 токенов требуется настройка YaRN. Модель обучалась на 5,5 трлн токенов, включая исходный код, текстово-кодовые данные и синтетические данные; также сохраняет возможности в математике и общих задачах. В README явно указан только английский язык. Репозиторий поддерживает использование через llama.cpp, KoboldCPP, text-generation-webui и Ollama. Лицензия обозначена как other, без дополнительных условий в представленном README, поэтому точные права и ограничения использования требуют проверки исходной лицензии Qwen2.5-Coder.

Qwen3.8-27B-OBLITERATED — дообученная версия Qwen3.8-27B, опубликованная Jaredhollins. Модель предназначена для диалогов и генерации текста, включая ответы на запросы, которые базовая модель может отклонять или сопровождать предупреждениями. По карточке, версия V3 устраняет жёсткие отказы и уклончивые ответы, сохраняя близкую к исходной производительность; в приведённом тесте MMLU она набрала 82,3% против 84,5% у базовой модели. В основе лежит плотная архитектура семейства Qwen3.5 с 27 млрд параметров. Репозиторий содержит варианты GGUF от BF16 до нескольких уровней квантования, а также файлы safetensors и MLX. Для GGUF автор рекомендует использовать встроенный шаблон чата; также указаны настройки генерации, помогающие уменьшить повторения и циклы. Лицензия — Apache-2.0. Модель ориентирована на ответы без отказов и подходит для диалоговых, кодовых и агентных сценариев. Указанные автором результаты на ограниченных наборах задач включают 20 из 20 проверок генерации кода, а также успешные примеры рефакторинга, извлечения данных по JSON-схеме и циклов ReAct. Это самооценка автора карточки; приведённые результаты не гарантируют качество на других запросах. В README также отмечено снижение MMLU относительно базовой модели, особенно в STEM, и склонность к повторениям без рекомендуемых настроек.

Qwen3.8-Flash-Next REAP-288 (MLX, 4-bit) — оптимизированная сборка базовой модели Qwen/Qwen3.8-Flash-Next, опубликованная пользователем sh0wie. Модель предназначена прежде всего для локального запуска на компьютерах Mac с 128 ГБ памяти и агентских сценариев в стиле Claude Code, включая генерацию и рефакторинг кода. Сборка использует библиотеку mlx-vlm и лицензию qwen-community-license-1.0. Это MoE-модель класса 180B параметров: около 125B приходится на основную модель и 51B — на таблицу n-gram-эмбеддингов. Архитектура включает 48 слоёв, чередующих Gated DeltaNet и разреженное внимание Qwen; в каждом MoE-слое используются 288 из 512 экспертов с маршрутизацией top-10. Весы мультимодальной vision tower сохранены, поэтому заявлена поддержка изображений, однако оценивалось только качество работы с текстом. Контекст и полный набор поддерживаемых языков в README не указаны. По сравнению с базовой 512-экспертной 4-битной сборкой размер на диске снижен с 98 до 68 ГБ, а результат HumanEval pass@1 составляет 91,5% против 93,9%. На Mac модель занимает около 68 ГБ оперативной памяти, либо около 39 ГБ при потоковой загрузке n-gram-таблицы с NVMe. Скорость декодирования зависит от среды и составляет примерно 28 токенов/с в стандартном mlx-vlm и 37–65 токенов/с в pmlx. Поддерживается speculative decoding с MTP, но его преимущество зависит от оборудования; на M4 прирост может отсутствовать. Ограничения включают снижение качества относительно полной сборки, недостаточно проверенную мультимодальность и высокие требования к памяти.license_name: qwen-community-license-1.0

Это версия Qwen3-Coder-30B-A3B-Instruct, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple с библиотекой mlx-lm. Модель использует архитектуру Qwen3 MoE; метаданные указывают 2,4 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации кода и диалоговых сценариев программирования, включая работу с длинными запросами. Она принимает текст и выдаёт текст. README сообщает о конвертации исходной модели в MLX с помощью mlx-lm 0.26.2. Репозиторий распространяется по лицензии Apache-2.0.

Это модель Sentence-Transformers на базе MPNet, разработанная автором shrinivasbjoshi. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Модель содержит 136,7 млн параметров и принимает текст; для работы с ней используется библиотека sentence-transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно применять для семантического поиска по коллекциям текстов, группировки похожих высказываний и построения систем сравнения предложений. Окно контекста составляет 514 токенов. В README не указаны языки обучения или отдельная специализированная область применения; лицензия в предоставленных данных отсутствует.

sobamchan/roberta-base-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на наборе all-nli на основе FacebookAI/roberta-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Архитектура состоит из трансформера RoBERTa с усреднением токенных представлений; для сравнения векторов используется косинусное сходство. Максимальная длина входной последовательности — 512 токенов (514 токенов в метаданных). Модель обучалась с MatryoshkaLoss и MultipleNegativesRankingLoss на англоязычных данных all-nli. Модель подходит для получения векторных представлений текста и задач поиска или группировки похожих фраз. Она рассчитана на английский язык; качество для других языков не подтверждено. Лицензия в предоставленных данных не указана.

sobamchan/roberta-large-mrl-1024-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и других задач, где нужно сопоставлять смысл текстовых фрагментов. Модель использует архитектуру RoBERTa с усреднением токенных представлений при пулинге. Обучение с MatryoshkaLoss позволяет использовать усечённые представления размерностью 768, 512, 256, 128 или 64. Максимальная длина последовательности — 512 токенов; параметры модели составляют около 454,1 млн. Карточка сообщает оценку Spearman 0,8789 на sts-dev. Модель может применяться для поиска похожих предложений, поиска перефразирований, кластеризации текстов и подготовки признаков для классификации. Она рассчитана на английский язык, а качество на других языках не подтверждено. Лицензия в предоставленных данных не указана.

ighina/roberta_topseg_mean_wikidisease — модель на основе RoBERTa, опубликованная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Веса содержат около 151,8 млн параметров, модель принимает текст и выдаёт эмбеддинги; максимальный контекст составляет 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Для работы доступны Sentence-Transformers и Transformers, причём при использовании Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов. Репозиторий содержит веса PyTorch. Лицензия и целевые языки в предоставленных данных не обозначены.

sergeyzh/rubert-mini-uncased — компактная BERT-модель автора sergeyzh для получения эмбеддингов предложений на русском и английском языках. Она создана дистилляцией эмбеддингов ai-forever/FRIDA: модель имеет 7 слоёв, размер эмбеддинга 384 и контекст до 512 токенов. Веса доступны в формате safetensors, лицензия — MIT. Модель предназначена для оценки семантического сходства предложений, поиска и сравнения текстов, а также задач классификации и кластеризации на основе эмбеддингов. README указывает поддержку префиксов FRIDA, включая search_query: и search_document:, и приводит результаты по STS, идентификации перефразирований, выводу по тексту, анализу тональности и выявлению токсичности. Модель uncased: регистр букв не влияет на токенизацию. В приведённых сравнениях она уступает FRIDA по ряду метрик; максимальная длина контекста ограничена 512 токенами.

khanhpd2/sbert_phobert_large_cosine_sim — модель Sentence-Transformers на базе RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска по смыслу и кластеризации текстов. Для получения векторов можно использовать библиотеку sentence-transformers или Transformers с соответствующей операцией pooling. Модель обучалась с функцией потерь CosineSimilarityLoss. Контекст составляет 258 токенов. Название модели и базовое семейство PhoBERT указывают на ориентацию на вьетнамский язык; языковая поддержка не перечислена в метаданных. Модель выдаёт векторные представления текста, а не готовые ответы. Лицензия в предоставленных данных не указана.

Модель frozi/setfit-ethos-multilabel-example — модель Sentence-Transformers на архитектуре MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. В карточке указано обучение с CosineSimilarityLoss; репозиторий содержит веса PyTorch. Для работы доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Лицензия и целевые языки в предоставленных данных не описаны.

SFR-Embedding-2_R — модель эмбеддингов текста, разработанная Salesforce Research. Она предназначена для получения векторных представлений текста и задач сравнения предложений, включая поиск и оценку семантической близости. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана поддержка английского языка и формата safetensors; модель доступна для использования через Transformers и Sentence Transformers. Разработчики представляют её в поддержку академической статьи и рекомендуют перед применением оценивать точность, безопасность и справедливость для конкретного сценария, особенно в задачах с высокими последствиями. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Muennighoff/SGPT-1.3B-mean-nli — модель преобразования предложений в эмбеддинги на основе GPT-Neo, представленная в виде sentence-transformers. Она обучалась с MultipleNegativesRankingLoss на косинусном сходстве, что позволяет использовать её для поиска семантически близких предложений и сравнения текстов. Модель содержит 1,5 млрд параметров и принимает последовательности длиной до 2048 токенов. Модель предназначена для получения векторных представлений предложений, семантического поиска и задач сопоставления текста. README отсылает за инструкциями по применению и результатами оценки к коду проекта и статье; лицензия в доступных данных не указана.

cross-encoder/stsb-distilroberta-base — модель Cross-Encoder на базе distilbert/distilroberta-base, дообученная с помощью SentenceTransformers на наборе STS Benchmark. Она оценивает семантическое сходство пары предложений числом от 0 до 1 и предназначена для ранжирования текстов по близости смысла, например при поиске похожих фраз или переранжировании результатов поиска. Модель содержит 95,2 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает пары текстов с контекстом до 514 токенов. Модель ориентирована на английский язык. Для вычислений доступны форматы PyTorch, Safetensors, ONNX, OpenVINO и Flax. Лицензия — Apache-2.0. Поскольку это Cross-Encoder, для оценки каждой пары текстов требуется отдельный запуск модели; оценки сходства предназначены для сравнения в рамках задачи и не следует трактовать как универсальные вероятности.

Swarm Scout 12B — мультимодальная модель для программирования и агентных технических задач, созданная LiamVisionary на основе объединения Gemma 4 12B Instruct и производной модели с настройкой для агентных сценариев. Модель рассчитана на помощь с написанием и отладкой кода, работой в терминале, использованием инструментов и многошаговым рассуждением. Поддерживает диалог и обработку изображений; вариант на Hugging Face распространяется в формате safetensors и использует архитектуру Gemma4UnifiedForConditionalGeneration. Для работы требуется свежая версия библиотеки Transformers с поддержкой Gemma 4 unified. Модель ориентирована прежде всего на англоязычные сценарии. Для распознавания изображений есть подтверждённый пример анализа чека; поддержку аудио и видео унаследованная конфигурация описывает, однако качество этих режимов для данного выпуска отдельно не проверяли. Низкий уровень отказов является намеренной особенностью, поэтому для практического развёртывания нужны прикладные ограничения и защита от злоупотреблений; общие знания следует перепроверять. Модель распространяется по лицензии Apache 2.0 без гарантии качества.

Swift 1.5 Qwen3.8-Flash-Next — модель UkisAI, дообученная на базе Qwen/Qwen3.8-Flash-Next для более эффективного рассуждения и агентной работы. Карточка указывает на поддержку диалога и изображений; модель классифицирована в Hugging Face как image-text-to-text. В обучении применялись методы постобучения, включая RL и OPD, с целью сократить избыточные цепочки рассуждений и сохранить точность. Модель предназначена для программирования, терминальных задач, разработки ПО и многошаговой агентной работы. В тестах авторов на GPQA-Diamond при режиме xhigh она использовала на 63,4% меньше медианных токенов рассуждения, уступая базовой модели 0,20 процентного пункта; результаты зависят от уровня рассуждения и бенчмарка. Контекст при описанном режиме обслуживания — 262 144 токена; расширение до миллиона токенов требует настройки YaRN. BF16-версия занимает около 360 ГБ и рассчитана на многопроцессорный GPU-узел; доступны также варианты в других форматах и квантизациях. Веса представлены в safetensors, библиотека — Transformers; README также описывает запуск через vLLM, SGLang и llama.cpp-совместимые среды для GGUF-варианта. Лицензия указана как other, а API UkisAI предлагается бесплатно для исследовательских целей; точные условия лицензии следует проверять в репозитории.

BlueAvenir/Testiter4 — модель на базе XLM-RoBERTa, созданная с помощью Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства, кластеризации и семантического поиска. Обучение использовало CosineSimilarityLoss. Модель содержит 305,2 млн параметров и принимает текст; длина контекста — 514 токенов. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

ZurichNLP выпустила эту модель как дообученную версию xlm-roberta-base для получения векторных представлений предложений методом unsupervised SimCSE. Используется архитектура XLM-RoBERTa с 305,2 млн параметров; представление предложения формируется усреднением последних скрытых состояний, что совместимо с Sentence-BERT. Модель принимает текст и выдаёт векторы признаков; максимальная длина контекста — 514 токенов. Модель подходит для построения мультиязычных эмбеддингов предложений, семантического поиска, сравнения сходства текстов и группировки похожих фраз. В README описано обучение на миллионе предложений из английской Википедии, а метаданные указывают поддержку многих языков. Лицензия — MIT. Указанное обучение на английских данных может ограничивать качество для отдельных языков и задач; качество следует проверять на целевом наборе текстов.

Etelis/YELP_fewshot — модель семейства MPNet, опубликованная пользователем Etelis в формате PyTorch и оформленная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Обучение использовало CosineSimilarityLoss. Модель содержит 136,7 млн параметров и рассчитана на входные последовательности длиной до 514 токенов. Её можно применять с библиотекой Sentence Transformers либо через Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

Youtu-Embedding — универсальная модель текстовых эмбеддингов, разработанная Tencent Youtu Lab. Она предназначена для поиска и сопоставления текстов, семантической оценки сходства, кластеризации, ранжирования и классификации. Модель имеет плотную архитектуру UTU и около 2,4 млрд параметров; README указывает размерность эмбеддингов 2048 и длину последовательности до 8K токенов, тогда как метаданные каталога указывают контекст до 131 072 токенов. Модель обучена по совместной дискриминативной схеме с разными функциями потерь для задач и динамической выборкой задач. README сообщает о результате 77,58 на китайском бенчмарке CMTEB по состоянию на сентябрь 2025 года. Карточка ориентирует на китайский язык и описывает интеграцию с Transformers, Sentence Transformers, LangChain и LlamaIndex для поисковых и RAG-систем. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Карточка модели mxc2002/adv-nlp-homework1_xm29 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.

Карточка модели jm123989/adv-nlp-hw1-jmala3 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

swardiantara/bert-tiny-snli-k3-adaptive-euclidean — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 128 для поиска и сравнения текстов; сходство оценивается косинусной мерой. Архитектура состоит из BERT с двумя слоями и mean pooling. Модель содержит 4,4 млн параметров, принимает текст длиной до 512 токенов по метаданным; в README для Sentence Transformers указана максимальная длина последовательности 128 токенов. Модель подходит для семантического поиска, извлечения релевантных текстов и сравнения предложений. Обучение проводилось на 3 845 587 примерах с парными текстами и оценками сходства. Компактный размер облегчает использование при ограниченных вычислительных ресурсах. README и метаданные не содержат сведений о лицензии, поэтому условия распространения следует проверить на странице репозитория.

RedHatAI/bge-base-en-v1.5-quant — квантизированная версия модели эмбеддингов bge-base-en-v1.5 от Red Hat AI. Она предназначена для получения векторных представлений английского текста и ускоренного инференса через DeepSparseSentenceTransformers; README сообщает об ускорении задержки до 4,5 раза на 10-ядерном ноутбуке и 16-ядерном экземпляре AWS. Модель основана на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате ONNX с квантизацией INT8. Модель подходит для поиска по смыслу, кластеризации и других сценариев, использующих текстовые эмбеддинги. Лицензия — MIT. Карточка не сообщает об ограничениях точности после квантизации или о результатах на конкретных наборах оценки.