II.6Документация и сопровождение разработки

clinno/bge-large-zh-v1.6 — модель эмбеддингов предложений на базе BERT, опубликованная в формате sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; в метаданных указан контекст до 512 токенов и 424,3 млн параметров. Это производная модель семейства BGE, ориентированная на китайский язык по названию репозитория. Модель подходит для построения векторного поиска и группировки текстов по смыслу. Она выдаёт эмбеддинги, а не готовые ответы или метки классов; качество зависит от текстов и способа сравнения векторов. Репозиторий использует библиотеку sentence-transformers и формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

pqnet/bge-m3-gguf — конвертированная в формат GGUF версия модели BGE-M3 от BAAI, подготовленная для запуска через llama.cpp. Репозиторий содержит веса F16 без квантизации; исходная модель предназначена для многоязычного семантического, лексического и гибридного поиска по текстам и документам, а также получения эмбеддингов и вычисления сходства предложений. Лицензия — MIT. Модель подходит для построения векторного поиска, сравнения текстов и извлечения признаков в приложениях, использующих llama.cpp. Карточка репозитория указывает на конверсию весов из BAAI/bge-m3 и отсылает к исходной карточке за подробностями о возможностях модели.

CodeLlama 70B Python — большая языковая модель для генерации и работы с программным кодом, разработанная Code Llama. Данная версия представляет собой квантизированные файлы модели CodeLlama 70B Python в формате GGUF, подготовленные TheBloke на вычислительном оборудовании Massed Compute. Модель предназначена прежде всего для задач, связанных с программированием на Python, включая генерацию кода и локальный текстовый inference. Она основана на архитектуре Llama, имеет 70 миллиардов параметров и работает в режиме text-generation. В README указано, что язык модели — code; сведения о поддерживаемых естественных языках, модальностях и размере контекста не приведены. GGUF поддерживает различные уровни квантизации от 2 до 8 бит, что позволяет запускать модель с разным компромиссом между требованиями к памяти и качеством, используя llama.cpp и совместимые интерфейсы. Сильными сторонами являются специализация на программном коде, крупный размер модели и возможность CPU+GPU-инференса в локальных приложениях. Ограничениями выступают высокие требования к вычислительным ресурсам, зависящие от выбранного уровня квантизации, а также отсутствие в предоставленных данных подробных оценок качества и характеристик контекстного окна. Модель распространяется по лицензии Llama 2.

DeepSeek-R1-Strategy-Qwen-2.5-1.5b-Unstructured-To-Structured — языковая модель на архитектуре Qwen2, дообученная MasterControlAIML на базе Qwen/Qwen2.5-1.5B-Instruct с использованием TRL. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и преобразования неструктурированного текста в структурированный, например JSON. В карточке указано обучение на наборе bhaviktheslider/JSON-Unstructured-Structured; также модель можно применять для общих диалоговых ответов. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Карточка не приводит оценок качества и подробных результатов проверки; компактный размер модели может ограничивать сложные рассуждения и точность структурирования по сравнению с более крупными моделями.

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

hcy5561 выпустил англоязычную модель Sentence Transformer, дообученную на SNLI на базе google-bert/bert-base-uncased. Она преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их косинусным сходством; модель построена на BERT с усреднением токенных представлений и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. Её можно применять для поиска похожих предложений в корпусе или группировки англоязычных текстов по смыслу. Лицензия в предоставленных данных не указана.

nthakur/dragon-roberta-query-encoder — порт модели facebook/dragon-roberta-query-encoder в формат Sentence-Transformers. Модель на архитектуре RoBERTa содержит 151,8 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Для получения представления применяется pooling поверх контекстных представлений токенов; доступен вариант использования через Sentence-Transformers и Hugging Face Transformers. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. В метаданных указан датасет MS MARCO, а максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

GLiNER2.5 Multi — мультиязычная модель извлечения информации компании Fastino на архитектуре GLiNER2 boundary. Она построена на энкодере mDeBERTa-v3-base, содержит 287 млн параметров и предназначена для извлечения сущностей, классификации текста, разбора структурированных записей, выделения атрибутов фрагментов и извлечения отношений в рамках заданной схемы. Модель принимает текст и возвращает текстовые фрагменты, метки, записи и связи; заявлена поддержка нескольких языков. Контекстное окно указано как max_len=4096 токенов. Разреженный поиск пар начала и конца позволяет извлекать фрагменты разной длины в пределах одного окна. Модель объединяет несколько задач извлечения в одном вызове и поддерживает ограниченное декодирование для согласованных меток и графов сущностей и отношений. Для длинных документов предусмотрена обработка перекрывающимися фрагментами, но сущность или отношение сохраняются только если их границы или оба конца связи попадают в один фрагмент; обычный вызов extract обрезает текст по max_len. Лицензия Apache-2.0.

carles-undergrad-thesis/indoBERT-Knowledge-distillation-en-id-SBERT — модель Sentence-Transformers на архитектуре BERT, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения сходства текстов. Модель принимает текст и выдаёт эмбеддинги; в метаданных также указаны задачи извлечения признаков и сравнения сходства предложений. Максимальная длина контекста — 512 токенов, всего 194,6 млн параметров. Для использования через Transformers после получения контекстных представлений требуется подходящая операция pooling. Репозиторий содержит веса в формате safetensors. Название указывает на дистилляцию IndoBERT для английского и индонезийского языков и на применение SBERT, однако базовая модель и языковая область прямо не подтверждены приведёнными метаданными и README. Лицензия в предоставленных данных не указана.

Primitive AI представляет квантизированную версию IFM/K2-Horizon-MoVA-36B-A4B — разреженной MoE-модели для генерации текста, рассуждений и вызова инструментов. Модель предназначена для серверного инференса и сценариев, где важны качество рассуждений, tool calling и размещение на одной видеокарте. Поддержка интегрирована в ветку main проекта vLLM; опубликованный вариант рассчитан на использование с Transformers, compressed-tensors и vLLM. Модель имеет 45 разреженных слоёв и общий размер 36B параметров при активных примерно 4B параметров на токен. В данной сборке 15 экспертных слоёв используют NVFP4, а остальные 30 — FP8 с блочными масштабами [128,128]. Размер файлов составляет 44,48 ГБ, что примерно на 8% меньше официальной FP8-версии и в 1,7 раза меньше BF16-варианта. Заявлена работа с контекстом до 32 768 токенов; на одной 96-ГБ видеокарте модель запускается без tensor parallelism. Сведения о поддерживаемых языках в README не указаны. Сильными сторонами являются сохранение уровня знаний, сопоставимого с BF16 и официальной FP8-версией, а также более высокая точность вызова инструментов по сравнению с альтернативной сборкой на чистом NVFP4. Модель требует GPU с архитектурой NVIDIA Blackwell и не тестировалась для Ampere, поскольку использует FP8-тензорные ядра. Для запуска нужен nightly или сборка vLLM из main с поддержкой K2-Horizon; стабильная версия 0.28.0 эту поддержку не содержит. Настройка уровня рассуждений выполняется на уровне сервера. Модель распространяется по лицензии Apache-2.0.

Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Laguna S 2.1-FP8 — языковая модель компании Poolside, предназначенная прежде всего для агентного программирования, работы с инструментами и выполнения длительных многоэтапных задач на локальной машине. Это обновлённый FP8-чекпойнт базовой модели poolside/Laguna-S-2.1; он поддерживает текстовый ввод и вывод, а также встроенный режим рассуждений с чередованием размышлений и вызовов инструментов. Модель построена по архитектуре Mixture-of-Experts и содержит 117,6 млрд параметров, из которых 8,5 млрд активируются на каждом токене. В ней 48 слоёв, 256 экспертов и один общий эксперт; 36 слоёв используют Sliding Window Attention с окном 512 токенов, а 12 — глобальное внимание. Применяются покомпонентное управление вниманием, пер-head gating, FP8-квантование KV-кэша и контекст до 1 048 576 токенов. Эти решения снижают требования к памяти и ускоряют инференс, однако при очень длинном контексте возможно ухудшение качества. FP8-веса занимают примерно 121 ГБ, поэтому для локального запуска требуется мощное оборудование; доступны варианты использования через vLLM, SGLang, Transformers, TRT-LLM, Ollama и llama.cpp с указанными ограничениями по форматам. Сильными сторонами модели являются специализация на программировании и инструментальных сценариях, поддержка длительного контекста, эффективное число активных параметров и возможность локального развёртывания. README не содержит сведений о поддерживаемых естественных языках. Модель распространяется по лицензии OpenMDW-1.1, разрешающей свободное использование и модификацию модели и связанных материалов в коммерческих и некоммерческих целях.

Luxical-One — компактная модель встраивания текста от DatologyAI, полученная дистилляцией Snowflake/snowflake-arctic-embed-m-v2.0. Она создаёт векторы для симметричного сравнения сходства полных документов на английском языке и для задач классификации. Модель рассчитана на высокопроизводительное получение эмбеддингов без GPU-ускорения; доступна интеграция для инференса через Hugging Face. В репозитории указаны веса в формате safetensors. Лицензия — Apache-2.0.

Карточка модели jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_50_Epochs на Hugging Face совпадает с карточкой jfarray/Model_bert-base-multilingual-uncased_50_Epochs, поэтому описание составлено по ней. Модель jfarray/Model_bert-base-multilingual-uncased_50_Epochs — модель на архитектуре BERT, разработанная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для семантического поиска и кластеризации. Модель также подходит для сравнения семантической близости текстов и получения текстовых эмбеддингов. Модель имеет 194,6 млн параметров и принимает последовательности длиной до 512 токенов. В карточке указано обучение с CosineSimilarityLoss; файлы представлены в формате PyTorch. Многоязычность следует из базового семейства multilingual BERT, но конкретный перечень поддерживаемых языков в доступных данных не приведён.

sangmini/msmarco-cotmae-MiniLM-L12_en-ko-ja — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторные представления размерности 1536. Её можно применять для семантического поиска и кластеризации текстов. Модель построена на архитектуре BERT и содержит 124,3 млн параметров; максимальная длина контекста составляет 512 токенов. В карточке указано обучение с функцией потерь MSELoss. Репозиторий содержит веса в формате PyTorch. Лицензия в доступных данных не указана. Оценка на конкретных наборах или ограничения качества в карточке не описаны.

sieu-n/msmarco-distilbert-cos-v5_en-ko-ja_v1.2.4 — модель Sentence-Transformers на базе BERT с 124,3 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, кластеризации и семантического поиска. Модель принимает текст и выдаёт эмбеддинги; контекст ограничен 512 токенами. Название указывает на обучение для английского, корейского и японского языков с использованием MS MARCO, однако сведения о точной методике и результатах обучения в карточке ограничены. Модель опубликована в формате PyTorch и подходит для построения поиска по смыслу и группировки текстов. Лицензия в предоставленных данных не указана.

unsloth/OpenReasoning-Nemotron-32B-GGUF — GGUF-версия большой языковой модели OpenReasoning-Nemotron-32B, разработанной NVIDIA и подготовленной Unsloth. Модель является производной от Qwen2.5-32B-Instruct и дообучена для рассуждений при решении математических, программных и научных задач. Она предназначена для генерации текста, включая ответы, решения и исходный код, а также может использоваться в исследовательских и коммерческих сценариях. Модель имеет 32 млрд параметров и работает с текстовыми данными на английском языке. В README не указаны точная архитектура в терминах компонентов, размер контекстного окна и конкретный вариант GGUF-квантизации. Заявлена оценка сгенерированных последовательностей длиной до 64K выходных токенов. Для повышения качества можно применять режим GenSelect с несколькими параллельными генерациями и выбором лучшего решения; этот подход особенно ориентирован на математические и программные задачи. К сильным сторонам относятся специализация на сложном рассуждении, математике, коде и науке, а также высокие результаты на приведённых бенчмарках, включая GPQA, MMLU-PRO, LiveCodeBench, SciCode и AIME. Ограничения включают высокие требования к ресурсам, свойственные модели такого размера, неопределённость характеристик конкретной квантизованной сборки и отсутствие заявлений о мультимодальности: в доступных данных указана только текстовая генерация. Модель распространяется по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0); дополнительно упомянута лицензия Apache 2.0 базовой модели Qwen2.5-32B-Instruct.

OpenThinkerAgent-32B-SFT-3.16K — плотная языковая модель семейства Qwen3 с 29,7 млрд параметров, разработанная в рамках проекта OpenThoughts-Agent. Она дообучена полным обновлением параметров на 3 160 примерах OpenThoughts-Agent-SFT-3.16K, содержащих задачи и многошаговые траектории работы агента. Модель предназначена для диалоговой генерации текста и кода, выполнения задач разработки ПО и работы в терминале в агентном сценарии. В тестировании на Terminus-2 она показала более высокие результаты, чем исходная Qwen3-32B, на SWE-Bench-Verified-100, OpenThoughts-TBLite и Terminal-Bench 2.0. Контекстное окно составляет до 40 960 токенов. Модель принимает и генерирует текст; README описывает её применение в задачах с кодом и агентными траекториями. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она обучена на сравнительно небольшом наборе из 3 160 примеров, поэтому результаты тестирования не гарантируют аналогичного качества на произвольных задачах; README приводит результаты только для указанного набора бенчмарков.

Esper 4 — дообученная Valiant Labs модель на базе Qwen3.6-27B, предназначенная для агентного программирования, проектирования архитектуры, DevOps и MLOps. Она подходит для работы в агентных фреймворках и как самостоятельный чат- и кодовый ассистент. Модель имеет плотную архитектуру семейства Qwen3.5, около 22,3 млрд параметров и контекстное окно 262 144 токена. Метаданные указывают поддержку задач генерации текста и обработки изображений с выдачей текста; в README основной акцент сделан на кодировании и инженерных задачах. Для дообучения использованы наборы сложных примеров по программированию, DevOps и архитектуре, созданные с помощью DeepSeek-V4-Pro. Карточка отмечает английский язык. Esper 4 ориентирована на сложные агентные запросы, разработку и эксплуатацию AI-систем; автор также заявляет возможность локального запуска и быструю серверную генерацию. Лицензия — Apache-2.0. README не приводит независимых оценок качества, поэтому заявленные улучшения не следует считать подтверждёнными сравнительным тестированием.

Qwen3.6-27B-MTP-pi-tune-GGUF — производная модель от Qwen3.6-27B, разработанная bytkim. Это 27-миллиардная dense-модель, дообученная методом 4-bit QLoRA SFT для агентного программирования без отдельного этапа рассуждений. Модель упакована в формат GGUF, совместимый с llama.cpp, и ориентирована на локальный запуск. Модель предназначена для coding-agent сценариев, включая генерацию и редактирование кода, DevOps-задачи, работу с инструментами, function calling и взаимодействие с терминалом. Режим no-thinking рассчитан на прямые ответы, вызовы инструментов и структурированный вывод с меньшей задержкой. Multi-Token Prediction поддерживает speculative decoding, потенциально ускоряя генерацию длинного кода, рассуждений и подготовку вызовов инструментов. В описании также заявлена мультимодальная совместимость с изображениями и текстом, нативный контекст 256k токенов и максимальный контекст до 1M токенов. Сильными сторонами являются ориентация на локальные агентные циклы, интеграция с экосистемой llama.cpp, низколатентный прямой режим и поддержка MTP-декодирования. Ограничение модели — отсутствие специально обученного длинного внутреннего рассуждения: для задач, требующих сложного reasoning, автор рекомендует отдельную reasoning-версию. Эффективность MTP зависит от поддержки со стороны используемого runtime, а приведённая оценка на Terminal-Bench 2.0 составляет pass@1 28,09, поэтому её не следует считать универсальным показателем качества. Модель распространяется по лицензии Apache 2.0.

Qwen3-Coder-Next-Base — базовая языковая модель для кодирующих агентов и локальной разработки, опубликованная Unsloth. Это причинная модель семейства Qwen3-Next с гибридным вниманием и разреженной архитектурой MoE; карточка Unsloth указывает 80 млрд параметров всего и 3 млрд активируемых, тогда как метаданные Hugging Face указывают 2,3 млрд параметров. Нативная длина контекста — 262 144 токена. Модель предназначена для генерации кода, адаптации шаблонов и каркасов проектов, вызова инструментов, а также обнаружения и исправления ошибок; её можно использовать как основу для дальнейшего дообучения агентных систем. README заявляет поддержку более 370 языков, но не уточняет, какие именно из них являются естественными, а какие — языками программирования. Модель текстовая и рассчитана на режим без рассуждений в формате thinking. Модель поставляется в формате safetensors и распространяется по лицензии Apache-2.0. README описывает её как базовую модель этапа предобучения; сведения о конкретных ограничениях качества или оценки на бенчмарках в предоставленных данных отсутствуют.

Карточка модели npario/Qwen3-Embedding-0.6B-8bit на Hugging Face совпадает с карточкой mlx-community/Qwen3-Embedding-0.6B-8bit, поэтому описание составлено по ней. Qwen3-Embedding-0.6B-8bit — 8-битная версия модели для создания текстовых эмбеддингов, подготовленная mlx-community в формате MLX из Qwen/Qwen3-Embedding-0.6B. Это плотная модель семейства Qwen3 примерно с 508 млн параметров, предназначенная для извлечения признаков текста и семантического поиска. Она подходит для построения векторных представлений запросов и документов, поиска похожих текстов и систем RAG. Модель поддерживает контекст до 32 768 токенов и распространяется по лицензии Apache-2.0. Карточка указывает на преобразование в MLX, а метаданные связывают репозиторий с базовой моделью Qwen/Qwen3-Embedding-0.6B. Хотя каталог также помечает архитектуру тегом text-generation, основное пользовательское назначение — получение эмбеддингов, что соответствует pipeline_tag feature-extraction. В README не приведены дополнительные сведения о качестве или ограничениях; применимость зависит от языка и предметной области входных текстов.

Модель ritrieve_zh_v1 разработана командой richinfoai и предназначена для получения плотных векторных представлений текстов и сравнения их смысловой близости. Это модель семейства BERT на базе Sentence Transformers, обученная методом дистилляции от lier007/xiaobu-embedding-v2, dunzhang/stella-large-zh-v3-1792d и BAAI/bge-multilingual-gemma2. После второго этапа обучения размерность эмбеддингов составляет 1792. Модель обучалась на BAAI/Infinity-Instruct и opencsg/chinese-fineweb-edu; авторы сообщают о результатах на MTEB для китайского языка. Она принимает текст и выдаёт векторы, подходит для поиска по смыслу, сопоставления предложений и построения семантического поиска. Максимальная длина контекста — 512 токенов. Лицензия — MIT.

rurupang/roberta-base-finetuned-sts — модель классификации последовательностей на архитектуре RoBERTa, дообученная на базе klue/roberta-base для задачи семантического сходства текстов (STS). Веса содержат около 137,8 млн параметров, модель работает в формате PyTorch и принимает контекст до 514 токенов. Модель предназначена для оценки сходства между текстами. В README приведён результат на наборе оценки KLUE: Pearsonr 0,9560 и loss 0,1999. Эти показатели относятся к указанной оценочной выборке и сами по себе не гарантируют аналогичное качество на других данных. Лицензия в предоставленных материалах не указана.

sobamchan/roberta-large-mrl-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на датасете all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью до 1024 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для оценки близости можно использовать косинусное сходство; обучение с MatryoshkaLoss поддерживает укороченные представления размерностью 768, 512, 256, 128 и 64. Модель принимает последовательности длиной до 512 токенов и построена на RoBERTa с усреднением токенных представлений. В README приведены результаты на STS: Spearman cosine 0,8229 на sts-dev и 0,7977 на sts-test. Это англоязычная модель для текстовых эмбеддингов, поэтому её пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.

TensorVizion/roBERTa-nanobeir — англоязычная модель на архитектуре RoBERTa-base, дообученная автором на наборе NanoBEIR с помощью контрастивного обучения. Это компактный энкодер для поиска релевантных фрагментов: он кодирует запросы и тексты в векторы для семантического поиска, извлечения кандидатов и использования в RAG. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов; она ориентирована на быстрый запуск на ноутбуках, CPU и небольших GPU. Модель также подходит для кластеризации текстов, поиска дубликатов и оценки сходства. Она не генерирует текст и предназначена для английского языка. Ограничения включают короткий контекст RoBERTa, слабую работу с узкими предметными областями и возможную зависимость оценок сходства от совпадения ключевых слов; автор также отмечает возможные смещения в данных. Лицензия в предоставленных данных не указана.

sergeyzh/rubert-mini-sts — компактная русскоязычная модель для семантического сравнения предложений, разработанная на основе cointegrated/rubert-tiny2. Это BERT-энкодер с 32,8 млн параметров и эмбеддингами размерности 312; в README указано, что число слоёв увеличено с 3 до 7. Модель принимает текст и выдаёт векторные представления предложений для оценки их сходства. Модель предназначена для semantic text similarity, выявления перефразировок, вывода о связи между текстами, анализа тональности и выявления токсичности. По результатам бенчмарка encodechka она уступает более крупным multilingual-e5-large и LaBSE-ru-sts по STS, но README приводит для неё более высокую скорость на CPU. Указанная длина контекста — 2048 токенов. Модель выпущена под лицензией MIT.

ruRoPEBert-e5-base-512 — модель-энкодер от команды Tochka AI на архитектуре RoPEBert, дообученная на датасете CulturaX с использованием cloning method. Она предназначена прежде всего для получения векторных представлений русскоязычных текстов, сравнения их семантической близости и построения классификаторов. В модели 166,5 млн параметров; для агрегирования токенов предусмотрен встроенный mean-pooling, также доступен first-token pooling. Модель обучена на контекстах до 512 токенов, а RoPE scaling позволяет расширить окно контекста с соответствующей настройкой. В бенчмарке encodechka модель показывает качество, сопоставимое с multilingual-e5-base, и более высокий итоговый S+W score по приведённым результатам. Репозиторий содержит веса safetensors и пользовательский код архитектуры; для загрузки через Transformers требуется включить trust_remote_code. Лицензия в предоставленных данных не указана.

Santp98/SBERT-pairs-bert-base-spanish-wwm-cased — модель Sentence-Transformers на архитектуре BERT, разработанная Santp98. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и кластеризации. Модель обучена с функцией потерь Multiple Negatives Ranking Loss и косинусным сходством; в репозитории указаны 137,1 млн параметров и контекст до 512 токенов. Название и базовая архитектура указывают на ориентацию на испанский язык. Модель подходит для семантического поиска по текстовым коллекциям, группировки похожих фраз и оценки сходства предложений. Она принимает текст и выдаёт векторы, а не готовые ответы; для получения релевантности или кластеров нужны дополнительные этапы обработки. Репозиторий содержит веса в формате safetensors. Условия лицензии в предоставленных данных не указаны.

sentence-transformers/sentence-t5-base — модель Sentence Transformers для кодирования предложений и абзацев в плотные векторы размерностью 768. Она построена на энкодере T5-base и предназначена прежде всего для оценки сходства между предложениями; для семантического поиска в README отмечено более низкое качество. Модель создана преобразованием TensorFlow-модели st5-base-1 в PyTorch. Используются только веса энкодера T5-base; размер модели — 123,8 млн параметров, контекст — до 512 токенов. Доступны форматы PyTorch и Safetensors, веса сохранены в FP16. Карточка ссылается на публикацию Sentence-T5: Scalable sentence encoders from pre-trained text-to-text models. Модель принимает текст и выдаёт векторные представления, пригодные для сравнения семантической близости. Метаданные указывают английский язык. Лицензия — Apache-2.0.