II.6Документация и сопровождение разработки

GLiClass Modern Base v3.0 — компактная модель классификации последовательностей от Knowledgator, созданная на основе архитектуры GLiClass. Она предназначена для классификации текста по заданным меткам в zero-shot-режиме, включая тематическую классификацию и анализ тональности; также её можно использовать для ранжирования документов в RAG-системах. По карточке, модель содержит около 151 млн параметров и занимает 606 МБ. Для дообучения на логических задачах применялись LoRA-адаптеры, чтобы сохранить прежние знания модели. GLiClass выполняет классификацию за один проход и рассчитана на более эффективное использование вычислений по сравнению с cross-encoder. В опубликованных тестах эта версия показала средний результат 0,5571 и скорость 54,46 примера в секунду на GPU A6000 при размере пакета 1; результаты зависят от набора данных и числа меток. Карточка не сообщает поддерживаемые естественные языки или длину контекста. Модель опубликована под лицензией Apache-2.0.

GLiClass Modern Large v3.0 — модель Knowledgator для классификации последовательностей текста с нулевым обучением на пользовательских метках. Она использует архитектуру GLiClass и выполняет классификацию за один проход, что, по данным авторов, делает её вычислительно эффективной по сравнению с cross-encoder. Модель предназначена для тематической классификации, анализа тональности и ранжирования текстов в RAG-сценариях. Модель содержит около 399 млн параметров, занимает примерно 1,6 ГБ и распространяется в формате Safetensors. Для версии v3.0 использовали LoRA-адаптеры с рангом 768 и дообучение на логических задачах; в README также приведены результаты тестирования в zero-shot режиме на наборах классификации. Лицензия — Apache-2.0. В README не указаны поддерживаемые естественные языки и максимальная длина контекста. Качество зависит от формулировки меток и предметной области; приведённые результаты относятся к отдельным бенчмаркам и не гарантируют такую же точность на других данных.

GLM-5.1-FP8 — языковая модель для генерации текста, разработанная командой zai-org (Z.ai). Это флагманская модель следующего поколения, ориентированная прежде всего на агентную разработку программного обеспечения и выполнение сложных инженерных задач с использованием инструментов. Модель предназначена для написания и модификации кода, генерации репозиториев, работы в терминале, поиска информации и длительных многошаговых сессий. По данным README, GLM-5.1 лучше справляется с неоднозначными задачами, умеет декомпозировать проблему, проводить эксперименты, анализировать результаты, выявлять блокеры и пересматривать стратегию в ходе сотен итераций и тысяч вызовов инструментов. Среди заявленных результатов — 58,4% на SWE-Bench Pro, 42,7% на NL2Repo, 63,5% на Terminal-Bench 2.0 и лидирующие показатели на CyberGym и BrowseComp. Модель доступна в FP8-квантизованном варианте и интегрируется с Transformers. В карточке указаны английский и китайский языки, однако сведения о точной архитектуре, числе параметров, размере контекста, поддерживаемых модальностях и системных требованиях отсутствуют. Основные сильные стороны — программирование, агентное взаимодействие с инструментами, длительное планирование и итеративная оптимизация. Ограничения связаны с отсутствием подробных технических характеристик и тем, что приведённые результаты зависят от конкретных бенчмарков, конфигураций и способов использования инструментов. Лицензия — MIT.

Granite-Embedding-97M-Multilingual-R2-GGUF — это мультиязычная модель для создания векторных представлений текста, опубликованная пользователем mykor и основанная на модели ibm-granite/granite-embedding-97m-multilingual-r2, разработанной IBM Granite. Модель распространяется в формате GGUF и предназначена для задач feature extraction, семантического поиска, сравнения предложений и других сценариев, где требуется оценивать смысловую близость текстов. Модель поддерживает широкий набор языков, включая русский, английский, китайский, японский, корейский, арабский и многие другие. В README указано, что доступен файл granite-embedding-97M-multilingual-r2-BF16.gguf в формате BF16; размер базовой модели составляет 97 млн параметров. Для запуска приведён пример с llama.cpp через llama-cpp-python в режиме генерации эмбеддингов. README не содержит сведений о максимальной длине контекста, размерности векторов или подробностях архитектуры. В качестве сильной стороны заявлена близкая совместимость эмбеддингов с исходной моделью Sentence Transformers: в приведённом примере косинусное сходство результатов двух реализаций составляет 0,9999579. Ограничения и результаты независимых бенчмарков в README не описаны. Модель распространяется по лицензии Apache-2.0.

Bruno/intent-classification-pt-setfit-model — модель эмбеддингов предложений на базе BERT, опубликованная пользователем Bruno на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов; модель распространяется в формате PyTorch и поддерживает получение эмбеддингов. Модель обучалась с функцией потерь CosineSimilarityLoss. Несмотря на название репозитория, в карточке не описан отдельный классификационный интерфейс: основное применение — векторное представление текста для сравнения и поиска. Язык обучающих данных, лицензия и дополнительные ограничения в предоставленных источниках не указаны.

Карточка модели Laevo/LFM2.5-Encoder-230M на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-Encoder-230M, поэтому описание составлено по ней. LFM2.5-Encoder-230M — разработанный Liquid AI компактный многоязычный двунаправленный энкодер на архитектуре LFM2 с 221,2 млн параметров. Это masked language model с головой заполнения масок, предназначенная прежде всего для дообучения под прикладные задачи обработки текста. Гибридная архитектура чередует блоки коротких gated-свёрток и grouped-query attention; модель доступна в формате safetensors и работает через Transformers с удалённым кодом модели. Энкодер подходит как основа для классификации текста и токенов, извлечения сущностей, поиска и ранжирования, оценки семантического сходства, определения тональности и естественно-языкового вывода. Заявлена поддержка 15 языков, включая русский. README указывает контекст до 8 192 токенов и возможность эффективного запуска на устройстве и в браузере через WebGPU; значение длины контекста в метаданных каталога составляет 128 000 токенов, поэтому фактический рабочий предел следует сверять с используемой конфигурацией модели. Модель ориентирована на низкие требования к памяти и задержке; авторы сообщают о хорошей производительности на длинных последовательностях и приводят сравнения с другими энкодерами. Для перечисленных прикладных задач обычно требуется дообучение: исходная модель не является готовым специализированным классификатором или поисковым ранжировщиком. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

Llama-Karmx-Indic-Embedding-bge-m3 — модель эмбеддингов, разработанная Karmx на основе BAAI/bge-m3 и дообученная для поиска по текстам на десяти языках Индии. Она создаёт нормализованные плотные векторы размерностью 1024 для семантического поиска и систем RAG; в Sentence Transformers её можно использовать как замену bge-m3. Модель принимает текст и выдаёт векторные представления. Для неё доступны форматы safetensors и ONNX, включая вариант int8; заявлена совместимость с Sentence Transformers и ONNX Runtime. По результатам README, модель показала более высокие значения nDCG@10, чем исходная bge-m3, на наборах IndicQARetrieval и Belebele для всех десяти указанных языков. Обучение включало дистилляцию ранжирования от BAAI/bge-reranker-v2-m3 и полное дообучение bge-m3 на данных Indic-Rag-Suite и MIRACL. Лицензия — MIT. Модель предназначена для семантического поиска и извлечения релевантных фрагментов в RAG. Она поддерживает хинди, бенгальский, тамильский, телугу, маратхи, гуджарати, каннада, малаялам, пенджаби и одия. Контекст архитектуры — до 8194 токенов, однако в README указан предел 512 токенов для настройки по умолчанию и оценки.

BAAI/LLARA-document — текстовая модель семейства LLaMA, опубликованная BAAI. Проект LLaRA описывает два подхода: EBAE (автоэнкодирование на основе эмбеддингов) и EBAR (авторегрессия на основе эмбеддингов); эта версия предназначена для задач с документами и представления текста в виде эмбеддингов. Архитектура — плотная LlamaForCausalLM с 6,6 млрд параметров и контекстом до 4096 токенов. Модель подходит для извлечения признаков текста и вычисления сходства предложений, например для семантического поиска по документам и сопоставления текстовых запросов с фрагментами. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

me5s-student-me5s_compressed_v3_distilled — компактный многоязычный энкодер предложений, созданный сжатием и дистилляцией модели intfloat/multilingual-e5-small. Модель построена на архитектуре BERT с 4 слоями, размерностью скрытого состояния 384 и словарём из 15 424 токенов; её объём сокращён примерно в 9 раз. Максимальная длина входа — 512 токенов. Модель предназначена для получения векторных представлений предложений и сравнения их семантической близости. Она подходит для поиска похожих текстов, группировки предложений и классификации на основе эмбеддингов. По результатам MTEB, средняя оценка составляет 54,46%, а для задач семантического сходства — 70,1%; эти показатели относятся к указанным в карточке наборам и не гарантируют качество на других данных. Поддерживаются 16 языков: корейский, английский, японский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, арабский, хинди, тайский, вьетнамский, индонезийский и польский. Для использования указана библиотека Sentence Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240122212744-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

MMLW-e5-small — компактный текстовый энкодер для польского языка, разработанный авторами семейства MMLW. Модель построена на архитектуре BERT и преобразует текст в векторы размерности 384 для семантического поиска и других задач сопоставления текстов. Она была инициализирована мультиязычным чекпойнтом E5 и дистиллирована с помощью мультиязычного метода на 60 миллионах польско-английских пар текстов; учителями служили английские модели FlagEmbeddings (BGE).

hunkim/model1 — модель на базе RoBERTa, опубликованная в формате PyTorch и предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Параметры модели включают 137,8 млн, максимальная длина контекста — 512 токенов. Векторы можно использовать для поиска предложений по смыслу, кластеризации и сравнения текстов по семантическому сходству. Модель также поддерживает извлечение признаков; для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. README рекомендует библиотеку Sentence-Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых языках. Условия лицензии в предоставленных данных не указаны.

Это модель Sentence Transformer mik3ml/multilingual-e5-large-ita, дообученная разработчиком на базе intfloat/multilingual-e5-large для представления итальянских текстов в виде плотных векторов. Архитектура основана на XLM-RoBERTa-large с усреднением токенных представлений и нормализацией; модель содержит 658,7 млн параметров, формирует эмбеддинги размерностью 1024 и обрабатывает последовательности длиной до 514 токенов по метаданным (в карточке указано ограничение 512 токенов). Для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и сопоставления предложений и абзацев, поиска перефразирований, кластеризации и классификации текстов. В README приведены оценки информационного поиска для разных размерностей эмбеддингов. В первую очередь модель ориентирована на итальянский язык; основанием для этого служат языковой тег и указание языка в карточке. Лицензия — Apache-2.0. Она выдаёт векторы, а не готовые текстовые ответы; качество зависит от соответствия входных текстов обучающим данным.

lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

Карточка модели Pablongo/my-awesome-setfit-model на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

Stern5497/nir-test-xlm-roberta-base — модель на архитектуре XLM-RoBERTa, разработанная пользователем Stern5497 и представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Обучение с MultipleNegativesRankingLoss и косинусным сходством направлено на получение эмбеддингов, пригодных для сопоставления предложений. Модель содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Метаданные указывают поддержку извлечения признаков и сходства предложений; XLM-RoBERTa рассчитана на многоязычные тексты, однако конкретные языки для этого чекпойнта не перечислены. Веса доступны в формате safetensors. Лицензия в предоставленных данных не указана.

NLLB-LLM2Vec — мультиязычная модель для получения векторных представлений текста, разработанная как расширение LLM2Vec с помощью самосупервизируемой дистилляции. Она использует энкодер NLLB-600M и основана на LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse; при обучении подгонялись проекция и LoRA-адаптеры, а целевые представления получали из исходной LLM2Vec. Репозиторий распространяет вариант, который ещё не дообучали на прикладных задачах. Модель предназначена для мультиязычных задач понимания естественного языка, включая поиск по смыслу и извлечение информации; её можно дообучать для классификации последовательностей и токенов. Для неруководимого поиска авторы допускают применение без дообучения, а для других задач рекомендуют обучение на размеченных данных. При работе необходимо передавать правильный код языка NLLB в параметре src_lang. Поддерживается более 200 языков. Модель доступна под лицензией MIT.

OpenAI o3 Pro — модель семейства o, обученная с подкреплением рассуждать перед ответом и решать сложные задачи. По сравнению с o3 она использует больше вычислений на этапе рассуждения, чтобы давать более последовательные ответы. Модель предназначена для сложных запросов, где полезны многоэтапное рассуждение и тщательная проработка ответа. Данных о размере, модальностях, поддерживаемых языках, длине контекста и лицензии в предоставленной карточке нет.

Mungert/OpenReasoning-Nemotron-32B-GGUF — GGUF-версия большой языковой модели OpenReasoning-Nemotron-32B, производной от Qwen/Qwen2.5-32B-Instruct. Исходная модель разработана NVIDIA и дообучена для рассуждений, генерации решений по математике, программированию и научным задачам. Указан английский язык, текстовая модальность и сценарий text-generation. Модель создана с использованием llama.cpp; конкретный формат квантования зависит от файла GGUF. В README также описан подход с повышением точности отдельных важных слоёв при квантовании, что может улучшать качество на низких разрядностях, но увеличивает размер файла. Модель рассчитана на исследовательское и коммерческое/некоммерческое использование. Для сложных задач поддерживается генерация до 64K выходных токенов по данным исходной карточки. Сильные стороны — специализация на математическом, кодовом и научном рассуждении, а также возможность многократных параллельных генераций с последующим выбором решения через GenSelect. Ограничения включают высокие требования к вычислительным ресурсам для 32B-модели, возможную зависимость качества и размера от выбранного уровня квантования, а также отсутствие в предоставленных данных точного размера контекстного окна и подробностей об аппаратных требованиях. Лицензия модели — Creative Commons Attribution 4.0 International (CC-BY-4.0); для базовой модели дополнительно указана Apache 2.0.

jwieting/paraphrastic_test — модель на архитектуре BERT, представленная в формате PyTorch и предназначенная для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерностью 1024, которые можно применять для кластеризации и семантического поиска. Модель также подходит для сравнения сходства предложений и извлечения признаков; для работы доступны Sentence-Transformers и Hugging Face Transformers с подходящей операцией pooling. Размер модели составляет 214,8 млн параметров, максимальная длина контекста — 512 токенов. README не приводит сведения о разработчике, языковой специализации или лицензии, поэтому условия использования по лицензии определить нельзя.

primitive-ai/Qwen3.8-Flash-Next-NVFP4 — квантизированная сборка базовой модели Qwen/Qwen3.8-Flash-Next, подготовленная Primitive AI. Модель предназначена для генерации текста и обработки запросов с изображениями в формате image-text-to-text, а также поддерживает рассуждения, структурированные вызовы инструментов и speculative decoding через MTP. Объём исходной модели составляет около 180 млрд параметров; сборка использует NVFP4 для экспертных компонентов и BF16 для части весов, занимая около 186 ГБ на диске. Главное преимущество — запуск крупной модели на одной 96 ГБ GPU Blackwell благодаря выгрузке 51-миллиардной n-gram-таблицы в оперативную память хоста; требуется примерно 100 ГБ свободной RAM. Заявлены скорость до 74,4 токена/с в однопоточном режиме и до 483,8 токена/с при 32 параллельных запросах. Модель сохраняет поддержку MTP, имеет проверенные парсеры рассуждений и tool calling в vLLM, а также показывает высокие результаты на приведённых наборах знаний и вызова инструментов. Ограничения связаны с жёсткими требованиями к оборудованию, объёму RAM и настройкам vLLM. Для запуска рекомендуется опубликованный образ vllm/vllm-openai:qwen38-flash-next и специальные параметры offload; без них сервер может зависать или не пройти инициализацию. Данные о поддерживаемых языках и точной архитектуре в README не приведены. Распространение осуществляется по лицензии Qwen Community 1.0.

arthurcollet/Qwen3-Embedding-4B-mlx-nvfp4 — текстовая модель для создания эмбеддингов, преобразующая текст в векторы для сравнения смысла и поиска по сходству. Репозиторий содержит конверсию модели Qwen/Qwen3-Embedding-4B в формат MLX; в метаданных указана связь с Qwen/Qwen3-4B-Base и дообучение этой базовой модели. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров, нативный контекст — 40 960 токенов. Модель предназначена для получения текстовых представлений, поиска семантически близких фрагментов и оценки сходства предложений. Метаданные указывают возможности embeddings и задачи feature-extraction, text-generation и sentence-similarity. Для использования через MLX в README предлагается пакет mlx-embeddings. Лицензия — Apache-2.0. README описывает конверсию из Qwen/Qwen3-Embedding-4B в MLX, тогда как метаданные указывают базовую модель Qwen/Qwen3-4B-Base и дообучение; точное соотношение этих этапов из доступных данных установить нельзя. Поддерживаемые языки и ограничения качества отдельно не описаны.

Qwen3-Embedding-4B-mxfp8 — текстовая модель для получения эмбеддингов, опубликованная mlx-community и преобразованная в формат MLX из Qwen/Qwen3-Embedding-4B с помощью mlx-embeddings 0.0.3. Она предназначена для семантического поиска, сравнения предложений и извлечения признаков из текста; эмбеддинги можно использовать, например, в поисковых системах и системах подбора релевантных документов. Модель основана на плотной архитектуре Qwen3, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. Для запуска в экосистеме MLX README указывает библиотеку mlx-embeddings.

Wheatley961/Raw_3_Test_1_new.model — модель Sentence-Transformers на базе XLM-RoBERTa, разработчик — Wheatley961. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, семантического поиска и кластеризации. Модель имеет 305,2 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. В обучении использовалась CosineSimilarityLoss. Модель подходит для поиска похожих фрагментов текста и группировки предложений по смыслу. Карточка не приводит сведения о поддерживаемых языках и лицензии, поэтому языковой охват и условия использования определить по имеющимся данным нельзя.

sergeyzh/rubert-tiny-lite — компактная модель на архитектуре BERT, разработанная sergeyzh для получения векторных представлений русскоязычных текстов и сравнения предложений. Она создана последовательной дистилляцией sergeyzh/rubert-tiny-turbo и BAAI/bge-m3 и содержит 23,1 млн параметров. Размер эмбеддинга — 256, максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, кластеризации и классификации текста на CPU и GPU. По данным автора, она работает быстрее rubert-tiny-turbo примерно в 1,4 раза на CPU и в 1,2 раза на GPU при сопоставимом качестве. Результаты в README показывают её качество на бенчмарках encodechka и ruMTEB; для некоторых задач она уступает более крупным многоязычным моделям. Модель рассчитана на русский язык и выдаёт эмбеддинги текста. Репозиторий содержит веса в формате safetensors; для запуска автор приводит пример с SentenceTransformer. Лицензия — MIT.

Muennighoff/SBERT-base-nli-stsb-v2 — модель семейства Sentence-BERT на архитектуре BERT, представленная в контексте работы TSDAE о самообучении эмбеддингов предложений с помощью последовательного денойзинг-автоэнкодера. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости, в том числе в поиске и ранжировании по смыслу. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README не уточняет, была ли эта конкретная версия дообучена по TSDAE или каковы её языки.

ys7yoo/sentence-roberta-large-klue-nli-sts-all — модель на базе RoBERTa large, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска по смыслу и кластеризации. При обучении использовалась функция потерь CosineSimilarityLoss; модель содержит 435,4 млн параметров и рассчитана на контекст до 514 токенов. Модель подходит для построения семантического поиска, группировки похожих текстов и других задач сравнения предложений по смыслу. Для использования доступны PyTorch и библиотека Sentence Transformers; при работе через Transformers требуется применить подходящую операцию pooling к контекстным эмбеддингам. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя. Указание KLUE в названии не подтверждает само по себе, какие языки модель поддерживает.

Gflorent/setfit_emotion — модель представлений предложений на базе MPNet, опубликованная автором florentgbelidji. Она преобразует предложения и абзацы в плотные векторы размерности 768; в README указано обучение с BatchHardTripletLoss. Модель предназначена для поиска семантически близких текстов и кластеризации, а также может использоваться как основа для сравнения предложений. Модель содержит 136,7 млн параметров, работает с текстом и имеет контекстное окно 514 токенов. Для применения README рекомендует библиотеку Sentence-Transformers. В метаданных указаны форматы PyTorch и задачи sentence-similarity и feature-extraction. Лицензия не указана в предоставленных данных.

Карточка модели fadhilarkn/setfit-model на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

Watwat100/smol8 — модель на базе Sentence Transformers, разработанная пользователем Hugging Face Watwat100. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Архитектура основана на MPNet, число параметров — 136,7 млн, формат весов — PyTorch; максимальный контекст составляет 514 токенов. Модель подходит для построения семантического поиска по коллекциям текстов, группировки похожих документов и получения эмбеддингов для последующей обработки. В README указано обучение с функцией потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.