II.6Документация и сопровождение разработки

yunyu/cross-encoder-stsb-deberta-v3-large — модель, опубликованная пользователем yunyu на Hugging Face. Это cross-encoder на архитектуре DeBERTa-v3-large, дообученный для оценки семантического сходства пар текстов на основе задачи STS-B. Модель принимает пару текстов и возвращает оценку их смысловой близости, поэтому подходит для классификации и ранжирования текстовых пар. Модель содержит около 533,8 млн параметров и поддерживает контекст длиной до 512 токенов. В метаданных Hugging Face она обозначена как text-classification; используются Transformers и PyTorch. Основной сценарий — переранжирование результатов поиска, сопоставление пользовательского запроса с документами или описаниями, а также фильтрация и оценка семантического сходства в RAG-конвейерах. Как cross-encoder модель обрабатывает две последовательности совместно и обычно требует отдельного вычисления для каждой пары, что ограничивает производительность при массовом сравнении большого числа кандидатов. Контекст ограничен 512 токенами. Сведения о лицензии в доступных источниках не установлены.

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

TeichAI/Gemma-4-31B-Fable-5-Agent-Distill — дообученная на трассах Claude Code и пользовательских диалогах модель Gemma 4 на 31 млрд параметров. Она предназначена для работы в агентных оболочках, включая Claude Code и pi, и помогает генерировать и отлаживать код, планировать архитектуру программ, выполнять многошаговые исследования и решать аналитические задачи. Модель поддерживает диалоговый формат, интерфейс вызова инструментов и анализ изображений; в метаданных указан английский язык. Для запуска README рекомендует актуальную версию Transformers. Разработчик сообщает, что способность к рассуждению оставлена без изменений и что модель оптимизирована дистилляцией трасс Claude Code. Бенчмарки пока не опубликованы, поэтому заявленные возможности не сопровождаются количественной оценкой. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

Watwat100/gpu1 — модель семейства MPNet на базе Sentence Transformers, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; размер модели составляет 136,7 млн параметров, а контекст — до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Она предназначена для получения текстовых эмбеддингов и сравнения семантической близости предложений и абзацев. Сведения о поддерживаемых языках и лицензии в предоставленных источниках отсутствуют.

ahmedHamdi/IR-es-en-gemma — дообученная модель Sentence Transformers на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Архитектура включает Gemma3TextModel и усредняющий токены слой пулинга; число параметров — 302,8 млн. Максимальная длина последовательности в README составляет 256 токенов, а метаданные каталога указывают нативный контекст 2048 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, классификации и кластеризации текстов. README описывает дообучение на 2340 парах предложений с функцией потерь MultipleNegativesRankingLoss. Вход — текст, выход — эмбеддинги; данные не подтверждают конкретные поддерживаемые естественные языки. Репозиторий содержит веса в формате safetensors. Лицензия не приведена в предоставленных данных.

MDDDDR/klue-roberta-base-klue-sts-mt-30000 — модель Sentence Transformers на архитектуре RoBERTa, содержащая 137,8 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на формирование эмбеддингов, пригодных для сравнения предложений. Модель принимает текст и выдаёт векторы; её можно использовать для семантического поиска, группировки текстов и вычисления сходства предложений. Контекст составляет до 514 токенов. В карточке не приведены сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

gomyk/minilm-student-L6_uniform_distilled — компактный многоязычный кодировщик предложений, созданный автором на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Модель использует архитектуру MiniLM с сокращением числа слоёв с 12 до 6 и уменьшенным словарём; в README указана размерность скрытого представления 384, а метаданные указывают 28,9 млн параметров и контекст до 512 токенов. Для дистилляции применялись потери MSE и косинусного сходства на данных задач классификации, кластеризации и семантического сходства. Модель предназначена для получения векторных представлений предложений, оценки их семантического сходства, кластеризации и классификации текстов. Она поддерживает 18 языков, включая русский и английский. В опубликованных результатах MTEB указаны средние показатели 56,93% в целом и 71,48% для STS; результаты зависят от языка и задачи. Модель выпущена под лицензией Apache-2.0.

avsolatorio/MixEmbed-base-20240110184818-best — компактная модель эмбеддингов предложений на архитектуре BERT, представленная в формате safetensors и предназначенная для Sentence-Transformers и Hugging Face Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и кластеризации; также подходит для вычисления сходства между текстами. В README указано, что модель дистиллирована из bge-small-en-v1.5, содержит четверть числа параметров без учёта эмбеддингов по сравнению с этой базой и показывает качество, сопоставимое с all-MiniLM-L6-v2 при вдвое меньшем числе параметров. Модель содержит 18,8 млн параметров и принимает контекст до 512 токенов. README описывает её как англоязычную модель, созданную на основе bge-small-en-v1.5. Лицензия в предоставленных данных не указана.

MixEmbedBert-base-20240115163419-latest — компактная модель эмбеддингов на базе BERT для представления предложений и абзацев в виде плотных векторов размерности 384. Карточка описывает её как дистилляцию bge-small-en-v1.5; число параметров составляет 18,8 млн, контекст — до 512 токенов. Модель предназначена для семантического поиска, кластеризации и сравнения текстов. Она выдаёт текстовые эмбеддинги и поддерживает задачи извлечения признаков и оценки сходства предложений. В README заявлено, что модель содержит в четыре раза меньше неэмбеддинговых параметров, чем bge-small-en-v1.5, и имеет примерно вдвое меньше параметров, чем all-MiniLM-L6-v2, при сопоставимом качестве. Указанные семейство и учебная база ориентированы на английский язык. Для использования доступны варианты Sentence-Transformers и Transformers; при работе через Transformers необходимо применить подходящий pooling к контекстным представлениям токенов. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя.

MMLW-e5-large — польский текстовый энкодер, разработанный авторами семейства MMLW. Модель основана на мультиязычном чекпойнте E5 и обучена методом дистилляции знаний на корпусе из 60 миллионов польско-английских пар текстов; учителями служили английские модели FlagEmbeddings (BGE). Архитектура — XLM-RoBERTa, размер — 658,7 млн параметров, выход — векторы эмбеддингов размерностью 1024. Контекст составляет до 514 токенов. Модель предназначена для семантического поиска и сопоставления текстов, кластеризации и извлечения информации, а также может служить основой для дальнейшего дообучения. Для кодирования запросов требуется префикс «query: », а для документов — «passage: ». В карточке приведены результаты на польских бенчмарках MTEB и PIRB. Доступна по лицензии Apache-2.0.

CocoRoF/ModernBERT-SimCSE-multitask_v03-retry — дообученная на основе CocoRoF/mobert_retry_SimCSE_test модель Sentence Transformer, разработанная CocoRoF. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для сравнения семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура — ModernBERT; модель содержит 183,8 млн параметров и принимает текстовые последовательности длиной до 8192 токенов по метаданным. README указывает максимальную длину 2048 токенов, поэтому фактический предел может зависеть от конфигурации используемого пайплайна. Для оценки сходства применяется косинусная мера; в README приведены результаты на sts_dev: 0,789 по Spearman и 0,7886 по Pearson. Примеры обучающих и оценочных данных — корейские предложения, но поддержка других языков явно не заявлена. Модель сохраняет веса в формате safetensors и может применяться через библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

lizchu414/mpnet-base-all-nli-triplet — модель Sentence Transformers на базе MPNet, дообученная на наборе all-nli. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 768, нормализованные для сравнения косинусным сходством. Модель содержит 136,7 млн параметров и рассчитана на последовательности до 514 токенов по метаданным; в README указана максимальная длина 384 токена. Её применяют для семантического поиска, оценки сходства и поиска перефразировок, кластеризации текстов и извлечения признаков для классификации. README приводит результаты оценки на all-nli с точностью cosine около 0,925. Лицензия в предоставленных данных не указана.

Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров, разработанная командой Ornith AI. Она относится к семейству Ornith-1.5 и распространяется в формате MLX для задач генерации текста. Модель создана с применением подхода непрерывного самоулучшения: она совместно оптимизирует генерацию учебных задач, построение scaffolds и rollouts решений с использованием reinforcement learning, вместо опоры только на фиксированный набор вручную подготовленных задач. Модель предназначена для программирования, работы с терминалом, решения инженерных задач и других сценариев генерации текста. По заявленным результатам она показывает сильные показатели в Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro и SWE-bench Multilingual; например, результаты составляют 46,2 и 47 баллов в двух конфигурациях Terminal-Bench 2.1, 70,6 в SWE-bench Verified и 47,5 в SWE-bench Pro. Разработчик позиционирует её как наиболее лёгкую модель семейства, рассчитанную на эффективное развёртывание на одной GPU. Ключевые ограничения связаны с неполнотой доступной карточки: в README не указаны размер контекста, точный набор поддерживаемых языков, дополнительные модальности, конкретная базовая архитектура и лицензия. Для мобильных устройств упомянут отдельный квантизованный вариант Ornith-1.5-9B-Mobile, однако описываемая модель предназначена прежде всего для развёртывания на одной GPU.

Это модель Sentence Transformers на базе RoBERTa, дообученная автором репозитория dfsandovalp01 на модели somosnlp-hackathon-2022/paraphrase-spanish-distilroberta. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для сравнения семантической близости, поиска похожих текстов, выявления перефразирований, кластеризации и классификации. В README указана максимальная длина последовательности 256 токенов и сравнение по косинусному сходству; метаданные указывают контекст модели до 514 токенов. Модель предназначена для работы с испанскими и английскими текстами, как и её базовая модель. Её можно применять для семантического поиска по коллекциям, группировки похожих предложений и подготовки признаков для классификаторов. В репозитории указаны 44 147 обучающих примеров и функция потерь SoftmaxLoss. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

ptbr-similarity-e5-small — модель эмбеддингов предложений, дообученная автором jmbrito на базе intfloat/multilingual-e5-small с использованием набора ASSIN2. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Модель построена на архитектуре BERT и использует библиотеку Sentence Transformers; максимальная длина контекста составляет 512 токенов. Модель ориентирована прежде всего на португальский язык, а также поддерживает английский. На тестовой части ASSIN2 автор получил корреляцию Спирмена и Пирсона 0,79934. Доступна по лицензии MIT. Оценка проводилась на ASSIN2, поэтому результаты на других языках и типах текстов могут отличаться; контекст ограничен 512 токенами.

Wheatley961/Raw_3_no_0_Test_2_new.model — модель sentence-transformers на архитектуре XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска по смыслу и кластеризации. Обучение использовало CosineSimilarityLoss. Модель содержит 305,2 млн параметров, работает с текстом и поддерживает контекст длиной до 514 токенов. Карточка не уточняет обучающие языки и условия лицензии. Метаданные указывают формат PyTorch.

KasuleTrevor/Roberta-base-lug-QQ — модель Sentence Transformers, дообученная Trevor Kasule на FacebookAI/xlm-roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель предназначена для оценки семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa с mean pooling; максимальная длина последовательности — 512 токенов, размер базовой модели — 305,2 млн параметров. Обучение проводилось на 7 106 парах предложений с MultipleNegativesRankingLoss. Многоязычная основа XLM-RoBERTa позволяет обрабатывать тексты на нескольких языках, однако README не уточняет, на каких языках модель обучалась и проверялась специально. Для применения модель выдаёт эмбеддинги, а не готовые ответы; для поиска или сравнения их нужно использовать в последующем пайплайне. Лицензия в предоставленных данных не указана.

YIlIl/roberta_base_pm_m3_voc_hf — модель Sentence Transformer на базе RoBERTa, представленная в библиотеке Sentence Transformers. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство текстов оценивается косинусной мерой. Архитектура включает RoBERTa с усреднением токенных представлений и нормализацией; размер модели — 151,7 млн параметров, максимальная длина последовательности — 514 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение — получение эмбеддингов для сравнения предложений. В README не названы разработчик, языки обучения или лицензия, поэтому их нельзя уточнить по доступным сведениям.

sergeyzh/rubert-tiny-sts-v2 — компактная модель на архитектуре BERT, разработанная Sergey Zh. Это дообученный энкодер для создания эмбеддингов русских и английских предложений, оценки семантического сходства, поиска перефразировок, дедупликации текстов и задач логического вывода NLI. Модель также подходит как основа для дообучения под пользовательские задачи классификации и кластеризации. Модель получена дистилляцией эмбеддингов Qwen/Qwen3-Embedding-4B в rubert-tiny-turbo. Она содержит около 29 млн параметров, формирует векторы размерности 312 и поддерживает контекст до 2048 токенов по метаданным; в README указана длина 512. Префиксы для входных текстов не требуются. Репозиторий содержит веса в формате safetensors. Модель ориентирована на быстрый и компактный поиск семантически близких текстов на русском и английском языках. Указанные в карточке метрики сравнивают другие модели, поэтому по ним нельзя определить качество rubert-tiny-sts-v2. Лицензия — MIT.

SakThai Multilingual Embedding — модель семейства SakThai, созданная на основе Multilingual-MiniLM-L12-H384 и дообученная для получения векторных представлений предложений. Она строит 384-мерные эмбеддинги, в которых тексты близкого смысла располагаются рядом, в том числе если они написаны на разных языках. Модель предназначена для многоязычного семантического поиска, извлечения контекста для RAG, сравнения предложений, кластеризации и поиска дубликатов. Заявлена поддержка более 50 языков; архитектура BERT имеет 12 слоёв, размер модели по метаданным — 124,3 млн параметров, контекст — до 512 токенов. Использовать её можно через sentence-transformers локально или развернуть на TEI endpoint. Лицензия — MIT. В карточке подтверждены локальная загрузка и кодирование на CPU, но приведённые проверки являются лишь smoke-тестами. Формальные оценки MTEB и STS для этой дообученной модели пока не опубликованы, а показатели базовой модели не следует считать результатами SakThai. Серверless API Hugging Face, согласно README, модель не поддерживает; длинные документы требуют разбиения на фрагменты, а качество может снижаться для малоресурсных языков и отдельных языковых пар.

Thabet/sb_sentence_transformer — модель на базе XLM-RoBERTa, опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для построения семантического поиска и группировки текстов; в Transformers для получения векторов требуется применить корректную операцию pooling к контекстным представлениям токенов. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

all_datasets_v4_mpnet-base — англоязычная модель эмбеддингов предложений, разработанная командой проекта Hugging Face Community Week. Это дообученная на базе mpnet-base модель MPNet с 136,7 млн параметров, обученная контрастивным методом на более чем миллиарде пар предложений из нескольких датасетов. Репозиторий содержит веса PyTorch; в карточке также описано обучение с использованием JAX и Flax. Модель кодирует текстовое предложение в вектор, отражающий его семантику. Полученные эмбеддинги подходят для поиска информации, кластеризации и сравнения сходства предложений; контекст модели составляет до 514 токенов. Карточка приводит английский как язык модели. Модель предназначена для создания эмбеддингов, а не для генерации ответов. Качество зависит от соответствия входных текстов обучающим данным и от длины последовательности: при обучении её ограничивали 128 токенами. Лицензия в предоставленных данных не указана.

Nhat1904/best-32-shot-model — модель Sentence Transformers на архитектуре MPNet, обученная для получения плотных 768-мерных векторов предложений и абзацев. В карточке указано обучение с CosineSimilarityLoss; размер модели — 136,7 млн параметров, максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации. Её можно использовать через библиотеку Sentence-Transformers или Transformers с соответствующей операцией pooling. В репозитории указаны веса PyTorch. В карточке не названы языки обучения и лицензия, поэтому их условия и языковую специализацию по имеющимся данным определить нельзя.

RedHatAI/bge-large-en-v1.5-quant — квантованная версия модели эмбеддингов BGE-Large-en-v1.5 от BAAI, подготовленная Red Hat AI. Модель основана на архитектуре BERT и распространяется в формате ONNX с квантованием INT8; для запуска README рекомендует DeepSparseSentenceTransformers, а ускорение inference обеспечивается DeepSparse. Модель преобразует английский текст в векторные представления для семантического поиска, сопоставления текстов и построения retrieval-систем. Контекст ограничен 512 токенами. По README, ускорение на 10-ядерном ноутбуке достигает 4,8 раза, а на 16-ядерном AWS-инстансе — 3,5 раза; эти показатели относятся к указанным конфигурациям. Модель выпущена под лицензией MIT. Квантование INT8 и формат ONNX ориентированы на более эффективный inference; поддерживаемый язык — английский.

peter2000/bmz_topics — модель эмбеддингов предложений на архитектуре XLM-RoBERTa, опубликованная автором peter2000. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. В репозитории указаны PyTorch и использование через Sentence-Transformers либо Transformers с подходящей операцией pooling; объём модели — около 305,2 млн параметров, контекст — 514 токенов. Модель обучалась с BatchHardTripletLoss. Карточка не уточняет целевые языки, обучающие данные и лицензию, поэтому пригодность для конкретного языка или домена следует проверять на собственных данных.

perceptiveshawty/compositional-bert-large-uncased — англоязычная модель на архитектуре BERT Large без учёта регистра, разработанная пользователем или организацией perceptiveshawty для оценки семантического сходства предложений. Модель предназначена для сравнения текстов, поиска похожих предложений и построения систем семантического сопоставления. Модель содержит около 433,9 млн параметров, работает через библиотеку Transformers и поддерживает контекст до 512 токенов. В качестве источников обучения указаны datasets-for-compcse и datasets-for-simcse. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

tubyneto/crowdedflowertunedbert — модель Sentence-Transformers на архитектуре MPNet, обученная преобразовывать предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Обучение проводилось с ContrastiveLoss на основе косинусного расстояния. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 514 токенов. Доступна в формате PyTorch. README не указывает языки обучающих данных или лицензию, поэтому область языкового применения и условия использования по имеющимся сведениям определить нельзя.

DeCLUTR-base — модель для получения универсальных векторных представлений предложений, разработанная авторами работы «DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations». Она предназначена для сравнения смысловой близости текстов и других задач, где нужны эмбеддинги предложений. Модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Она принимает текст и выдаёт векторные представления; в README показано использование SentenceTransformers для кодирования предложений и вычисления косинусной близости. Модель рассчитана на английский язык, её контекст составляет 514 токенов. Лицензия — Apache-2.0.

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

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