II.6Документация и сопровождение разработки

Карточка модели avsolatorio/MixEmbed-base-20240110153733-latest 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.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240123004625-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.

North Mini Code 1.0 — открытая по весам исследовательская модель, разработанная Cohere и Cohere Labs. Она предназначена для генерации кода, агентной разработки программного обеспечения и выполнения задач через терминал, включая работу с инструментами и решение сложных задач программирования. Модель принимает только текст и генерирует текст. Это decoder-only Transformer со sparse Mixture-of-Experts: всего 30 млрд параметров, из которых 3 млрд активируются для каждого токена. Архитектура использует 128 экспертов, 8 из них выбираются на токен, активацию SwiGLU, а также чередование sliding-window attention с RoPE и глобального attention без позиционных embedding в соотношении 3:1. Перед sparse-слоями используется один dense-слой. Модель дообучалась в два этапа с помощью supervised fine-tuning и reinforcement learning with verifiable rewards, ориентированных на агентное программирование. Контекст составляет до 256K токенов, максимальная длина вывода — до 64K токенов. Сильные стороны модели — специализация на коде, агентных сценариях разработки и терминальных задачах, большой контекст и сравнительно небольшое число активных параметров на токен. Ограничения включают текстовую модальность и исследовательский статус; README не приводит конкретные результаты бенчмарков и не описывает поддерживаемые естественные языки. FP8-чекпойнт предназначен для запуска с vLLM и несовместим с Transformers из-за используемого алгоритма квантования; для Transformers рекомендуется BF16-версия. Модель распространяется по лицензии Apache 2.0.

Ornith-1.5-397B — крупная языковая модель от команды Ornith AI, представленная как флагман семейства Ornith-1.5. Модель развивает Ornith-1.0, созданную на базе Qwen3.5 и Gemma4 с дополнительным продолжением предобучения, промежуточным обучением и постобучением. В Ornith-1.5 применяется цикл самоулучшения с совместной оптимизацией генерации задач, построения scaffolding и последовательностей решений с использованием reinforcement learning. Модель предназначена прежде всего для сложных задач программирования и работы с инструментами, включая разработку, исправление ошибок и выполнение задач в терминале. Ornith-1.5-397B имеет архитектуру mixture-of-experts с 397 миллиардами параметров. В карточке указано текстовое поколение, однако сведения о поддерживаемых языках, длине контекста и других модальностях не приведены. Согласно заявленным результатам, модель набрала 86,1 на Terminal-Bench 2.1 с Terminus-2, 85,2 с Claude Code, 86 на SWE-bench Verified и 56 на DeepSWE. Это указывает на сильные стороны в агентном программировании и решении инженерных задач; при этом приведённые показатели зависят от конкретных инструментов и протоколов оценки и не гарантируют аналогичные результаты в других сценариях. Модель распространяется по лицензии MIT.

Ovis-VL-Embedding-2B — компактная модель эмбеддингов для текста и визуальных данных, разработанная командой ATH-MaaS на основе Qwen3.5-2B. Она кодирует текст, изображения, визуальные документы, видео и смешанные мультимодальные последовательности в общее пространство векторов для поиска и сопоставления. Модель принимает текст и визуальные данные, но не поддерживает аудио. Это биэнкодер на архитектуре Qwen3.5 с 24 языковыми слоями и размером скрытого состояния 2048. Для поиска используются нормализованные L2 эмбеддинги последнего непустого токена; отдельная проекционная голова не добавлена. Запросы и кандидаты кодируются независимо, а результаты ранжируются по косинусному сходству. Модель предназначена для мультимодального поиска, RAG, поиска по изображениям, документам и видео, рекомендаций и поиска ближайших соседей; генерацию текста или изображений она не выполняет. В описанных тестах модель сильна в поиске по изображениям и визуальным документам, но результаты зависят от задачи и качества инструкций и предобработки. Для видео отдельные сценарии уступают специализированным моделям. Веса опубликованы под лицензией Apache-2.0.

karsar разработал эту модель на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, дообучив её для венгерских предложений и абзацев. Это Sentence Transformer на архитектуре BERT с 124,3 млн параметров; он преобразует текст в плотные векторы размерности 384, а сходство между ними можно оценивать косинусной мерой. Модель предназначена для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. Она обучалась на наборе данных json из 1 207 229 примеров и рассчитана прежде всего на венгерский язык. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги; её векторы можно использовать в системах поиска и группировки текстов. В README приведены результаты оценки сходства на triplet-наборах, но для конкретного приложения качество следует проверять на собственных данных. Лицензия — Apache-2.0.

heydariAI/persian-embeddings — дообученная Mohammad Hassan Heydari модель XLM-RoBERTa для построения контекстных векторных представлений предложений и абзацев. Она основана на FacebookAI/xlm-roberta-base и адаптирована на крупном корпусе персидских текстов для более точного учёта особенностей персидского языка. Модель предназначена для семантического поиска, кластеризации текстов и оценки контекстного сходства. Входом служит текст на персидском или английском языке, выходом — представления токенов, которые следует агрегировать подходящей операцией pooling для получения эмбеддинга предложения или абзаца. Архитектура — плотная XLM-RoBERTa; размер указан как 658,7 млн параметров, длина контекста — 514 токенов. Модель распространяется по лицензии Apache-2.0. Качество может быть ниже на языках, отличных от персидского и английского, а для получения эмбеддингов целых фрагментов текста требуется корректно настроить pooling.

Карточка модели infgrad/Prism-Qwen3.5-Reranker-9B на Hugging Face совпадает с карточкой infgrad/Prism-Qwen3.5-Reranker-4B, поэтому описание составлено по ней. Prism-Qwen3.5-Reranker-4B — модель-реранкер от infgrad на основе архитектуры Qwen3.5, дообученная для поиска и RAG-сценариев. Она оценивает релевантность пары «запрос — документ» и может дополнительно выдать краткий вклад документа в ответ на запрос и самостоятельный фрагмент с релевантными свидетельствами. Для нерелевантных документов возвращает отрицательный результат без этих пояснений. Модель предназначена для переупорядочивания результатов поиска, в том числе в агентных системах, и обработки запросов в форме ключевых слов. Веса содержат 3,4 млрд параметров; архитектура плотная, контекстное окно по метаданным — 262 144 токена. Однако обучение ограничивало примеры 10 тысячами токенов, поэтому на более длинных входах качество может снижаться. Основные языки — английский и китайский; другие языки также поддерживаются, но обучающих данных для них меньше. Модель распространяется под лицензией MIT.

Esper 3.1 — дообученная Valiant Labs модель на базе Qwen3.6-35B-A3B, предназначенная для рассуждений о программировании, архитектуре систем и DevOps. Она ориентирована на помощь разработчикам и инженерам: решение сложных задач по коду, проектирование инфраструктуры, настройку CI/CD и работу с MLOps и AI-системами. Модель построена на архитектуре Qwen MoE; в метаданных указано 2,9 млрд параметров и контекст до 262 144 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка также указывает поддержку анализа изображений наряду с генерацией текста. Модель рассчитана прежде всего на английский язык. Модель распространяется по лицензии Apache-2.0. Карточка позиционирует её как специалиста по коду, архитектуре и DevOps, но не приводит независимых оценок качества; её ответы и сгенерированные конфигурации следует проверять перед применением.

sergeyzh/rubert-tiny-sts — компактный русскоязычный BERT-энкодер, дообученный на основе cointegrated/rubert-tiny2 для оценки семантического сходства предложений и получения эмбеддингов. Модель содержит 29 млн параметров, поддерживает контекст до 2048 токенов и формирует эмбеддинги размерностью 312. Её можно использовать через Sentence Transformers; модель ориентирована на быстрые вычисления, в том числе на CPU. Помимо поиска похожих предложений, автор указывает задачи идентификации перефразирований, вывода по естественному языку, анализа тональности и выявления токсичности. Лицензия — MIT. Результаты и скорость зависят от данных и оборудования; приведённые в README бенчмарки не содержат отдельной строки с оценками этой модели.

sergeyzh/rubert-tiny-turbo — компактная русскоязычная модель на архитектуре BERT, разработанная как дообученная версия cointegrated/rubert-tiny2 для быстрого получения эмбеддингов предложений. В README для неё указаны 29 млн параметров, размер эмбеддинга 312 и контекст до 2048 токенов; модель распространяется в формате safetensors и рассчитана на использование с Sentence Transformers. Модель предназначена для вычисления векторных представлений русских предложений и оценки их семантического сходства. Эмбеддинги можно применять для поиска похожих текстов, кластеризации и как признаки для классификации. В карточке приведены результаты ruMTEB и encodechka; показатели различаются по задачам, а README отмечает быстродействие, сопоставимое с базовой моделью. Лицензия — MIT. Это компактный русскоязычный энкодер, поэтому его область применения — текст на русском языке; в данных не заявлены генерация текста или мультимодальные возможности. Метрики бенчмарков не гарантируют качество на конкретном наборе данных, а для критически важных задач результат следует проверять отдельно.

ai-forever/sbert_large_mt_nlu_ru — русскоязычная модель семейства BERT large от команды SberDevices для получения векторных представлений предложений. Она предназначена для задач, где нужно представить текст числовым вектором, например для поиска семантически похожих фраз и сравнения предложений. Для лучшего качества авторы рекомендуют усреднять представления токенов. Модель содержит 525,7 млн параметров, принимает текст и имеет контекст до 512 токенов. В карточке указана оценка на Russian SuperGLUE, но конкретные результаты не приведены. Модель опубликована под лицензией MIT.

Kaze-droid/SENAN-Raw — модель эмбеддингов предложений на базе XLM-RoBERTa, опубликованная пользователем Kaze-droid. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 305,2 млн параметров, принимает текст и использует контекст до 514 токенов. Модель обучалась с Triplet Loss и косинусной метрикой расстояния. В README приведён способ использования через Sentence-Transformers или Transformers с соответствующей операцией pooling. Данные не уточняют языковое покрытие модели и лицензию, поэтому их нельзя надёжно указать.

Etelis/Sentiment140_fewshot — модель на базе MPNet в формате PyTorch, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. В карточке указано обучение с CosineSimilarityLoss; модель предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Она содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель можно использовать с библиотекой Sentence-Transformers или через Transformers с подходящей операцией pooling. Она выдаёт текстовые эмбеддинги, которые подходят для поиска похожих предложений и группировки текстов по смыслу. Название указывает на Sentiment140 и few-shot, однако README не уточняет языки, конкретную схему обучения или результаты оценки. Лицензия в предоставленных данных не указана.

Это GGUF-квантизированная версия модели Snowflake/snowflake-arctic-embed-l, разработанной компанией Snowflake. Квантизацию выполнил mradermacher; доступны варианты с разными типами и уровнями квантизации, преимущественно размером около 0,2–0,4 ГБ. Модель предназначена для получения векторных представлений текстов, извлечения признаков и оценки семантического сходства предложений. Она может использоваться в задачах семантического поиска, кластеризации, сопоставления текстов и других сценариях, где требуется сравнивать смысловые представления документов или запросов. В метаданных указана поддержка английского языка и совместимость с экосистемой Transformers, а также с задачами sentence-transformers и MTEB. Ключевые архитектурные характеристики исходной модели, включая точное число параметров, размерность эмбеддингов и длину контекста, в README не указаны. Основное преимущество набора — компактные GGUF-файлы и возможность выбрать баланс между размером, скоростью и качеством. Ограничение связано с потерями качества при низких уровнях квантизации: README отмечает, что некоторые варианты имеют низкое качество, поэтому для практического использования рекомендуются более качественные варианты вроде i1-Q4_K_M или i1-Q6_K. Модель распространяется по лицензии Apache-2.0.

starcoder2-15b-instruct-v0.1-GGUF — это квантизированная в формате GGUF версия StarCoder2-15B-Instruct, разработанной командой BigCode и опубликованной в вариантах квантования пользователем bartowski. Модель предназначена для генерации кода и работы в формате инструкций, включая написание, исправление и анализ программ, предсказание результатов выполнения и решение задач программирования. Модель основана на bigcode/starcoder2-15b и содержит около 15 млрд параметров. Доступны варианты квантования Q8_0, Q6_K, Q5_K, Q4_K, IQ4, Q3_K и IQ3 объёмом примерно от 7 до 17 ГБ, что позволяет выбирать между качеством и требованиями к памяти. README не указывает поддерживаемые языки программирования и размер контекста. Модель использует специальный формат инструкций и не поддерживает системный промпт. Сильными сторонами являются специализация на задачах программирования и несколько вариантов квантования для локального запуска с разным балансом качества и потребления памяти. В бенчмарках указаны результаты HumanEval pass@1 72,6%, MBPP 75,2% и другие показатели LiveCodeBench и DS-1000, однако фактическое качество зависит от выбранного уровня квантования и сценария использования. Модель предназначена для текстовой генерации и не заявлена как мультимодальная. Лицензия — BigCode OpenRAIL-M.

Карточка модели Etelis/TSE_fewshot на Hugging Face совпадает с карточкой Etelis/Sentiment140_fewshot, поэтому описание составлено по ней. Etelis/Sentiment140_fewshot — модель на базе MPNet в формате PyTorch, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. В карточке указано обучение с CosineSimilarityLoss; модель предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Она содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель можно использовать с библиотекой Sentence-Transformers или через Transformers с подходящей операцией pooling. Она выдаёт текстовые эмбеддинги, которые подходят для поиска похожих предложений и группировки текстов по смыслу. Название указывает на Sentiment140 и few-shot, однако README не уточняет языки, конкретную схему обучения или результаты оценки. Лицензия в предоставленных данных не указана.

UTC-DeBERTa-small — универсальный классификатор токенов от Knowledgator на базе DeBERTaV3-small. Модель дообучена на нескольких задачах разметки токенов и задачах, которые можно представить в таком виде; карточка описывает её как prompt-tuned. В репозитории указаны архитектура DeBERTa-v2, 155 млн параметров и контекст до 512 токенов. Модель предназначена для извлечения сущностей и другой информации из текста. Она поддерживает zero-shot распознавание именованных сущностей и может применяться к ответам на вопросы, извлечению отношений, разрешению кореференции, очистке и суммаризации текста. В бенчмарке CrossNER приведены результаты на нескольких предметных категориях, включая ИИ, литературу, музыку, политику и науку. Модель принимает английский текст и выдаёт разметку токенов. Для запуска рекомендуется Transformers pipeline `ner`. Доступна по лицензии Apache-2.0; результаты могут зависеть от формулировки запроса и типа текста.

airnicco8/xlm-roberta-en-it-de — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная для построения многоязычных эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Модель содержит 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. Основные языки модели — английский, немецкий и итальянский. Эмбеддинги можно использовать для поиска семантически близких текстов и сравнения предложений; модель также можно дообучать для задач NLI и классификации текста. Это студенческая модель XLM-RoBERTa, обученная для получения многоязычных эмбеддингов. В репозитории указан формат PyTorch; сведения о лицензии отсутствуют.

Xoron-Dev-MultiMoe — мультимодальная модель семейства Xoron, опубликованная командой Xoron-Dev и представленная в репозитории Backup-bdg. В метаданных указаны архитектура MoE, 256,5 млн параметров, библиотека Transformers и контекст до 131 072 токенов. README заявляет обработку текста, изображений, видео и аудио, а также генерацию изображений, видео и речи. Для изображений описаны SigLIP-2 и сжатие TiTok, для видео — VidTok с обработкой до 32 кадров, для аудио — обработка сырого PCM и голосовой синтез. Модель позиционируется для мультимодального диалога, понимания визуального и аудиовизуального содержимого, работы с речью, генерации медиа и агентных сценариев с использованием инструментов. Среди заявленных характеристик — разреженная смесь экспертов и контекстное окно 128K. README также заявляет клонирование голоса по короткому образцу, но не приводит независимых оценок качества; описанные возможности и показатели следует считать заявлениями автора. Лицензия репозитория — MIT. В метаданных основной задачей указана генерация текста, тогда как авторский pipeline-тег — any-to-any; для каталога основной задачей выбрана any-to-any, поскольку карточка описывает модель для мультимодального ввода и вывода.

Yinka — модель для получения текстовых эмбеддингов, дообученная разработчиками Classical на открытой модели stella-v3.5-mrl с использованием многозадачной гибридной функции потерь, описанной в piccolo2. Она принимает текст и преобразует его в векторы для задач семантического поиска и сравнения текстов. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и поддерживает контекст до 512 токенов. Полный размер вектора — 1792 измерения; README указывает на возможность использовать векторы меньшей размерности, отбирая первые n измерений перед нормализацией. Для применения не требуются специальные префиксы. В таблице README приведены результаты на наборах задач классификации, кластеризации, сопоставления пар, ранжирования, поиска и семантического сходства; отдельного описания обучающих данных нет. Модель предназначена для извлечения признаков из текста. Доступные сведения не подтверждают конкретный набор поддерживаемых языков, поэтому языки не перечисляются. Лицензия в предоставленных данных не указана.

Armaggheddon разработал три варианта YOLOv11 — nano, small и medium — и дообучил их на DocLayNet для анализа структуры документов. Модели обнаруживают и классифицируют 11 типов элементов страницы: текстовые блоки, заголовки, таблицы, изображения, подписи, списки, формулы, колонтитулы и сноски. Модель предназначена для обработки изображений документов в конвейерах понимания документов и извлечения информации. Вариант nano ориентирован на скорость, small предлагает немного большую точность, а medium — максимальную точность среди описанных вариантов при более высоких вычислительных затратах. Обучение проводилось при разрешении 1280×1280; снижение до 640×640 ухудшало обнаружение мелких элементов. Это дообучение Ultralytics/YOLO11, распространяемое в формате PyTorch под лицензией MIT. README рекомендует nano для производственного применения.

Zhinao-ChineseModernBert-Embedding — семантическая embedding-модель Qihoo 360 на архитектуре ModernBert, реализованная как Sentence Transformer. Она построена на собственной базовой модели Zhinao-ChineseModernBert и прошла двухэтапное обучение для получения векторных представлений: контрастивное обучение на китайских и английских поисковых и переводных данных, затем многозадачная настройка на CMTEB и MTEB. Модель имеет 227 млн параметров, выдаёт нормализованные векторы размерности 768, использует Qwen2Tokenizer и поддерживает контекст до 8192 токенов по метаданным; карточка модели указывает максимальную длину последовательности 512 токенов. Модель предназначена прежде всего для поиска по смыслу, расчёта сходства текстов, кластеризации и классификации, а также для векторных баз и извлечения контекста в RAG-системах. Она ориентирована на китайский язык и китайско-английские тексты; архитектура и обучение нацелены на эффективный инференс при ограничениях памяти. README заявляет высокие результаты на китайских и многоязычных бенчмарках, но эти сравнения приведены авторами модели. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование. Ограничения: максимальная длина входной последовательности embedding-модели составляет 512 токенов, поэтому длинные тексты следует разбивать на фрагменты или обрезать; для чисто английских специализированных текстов авторы рекомендуют англоязычные модели. Для задач, отличающихся от стандартных, может потребоваться подобрать подходящий prompt.

onnx-community/bert-small-pii-detection-ONNX — ONNX-версия модели gravitee-io/bert-small-pii-detection, разработанная сообществом onnx-community и автоматически конвертированная для использования с Transformers.js. Модель дообучена на базе prajjwal1/bert-small для задачи классификации токенов и обнаружения персональных и конфиденциальных данных в англоязычных текстах. Модель предназначена для выявления и последующего маскирования PII в журналах службы поддержки, тестовых и разработческих средах, API-трассировках, статьях, а также для подсказок в режиме реального времени при заполнении форм. Она распознаёт возраст, координаты, номера кредитных карт, даты и время, адреса электронной почты, финансовые данные, IBAN, IMEI, IP- и MAC-адреса, местоположения, организации, пароли, имена людей, телефоны, должности, URL и ряд американских идентификаторов. Ключевые преимущества — небольшой размер исходной BERT-модели, поддержка ONNX и удобное применение через Transformers.js, что подходит для сценариев с ограниченными ресурсами. По приведённой оценке micro F1 составляет 0,8460, macro F1 — 0,9178. Модель ориентирована преимущественно на английский язык, поэтому на других языках качество может снижаться; из-за возможного расхождения доменов необходима проверка на собственных данных. Распространяется по лицензии Apache-2.0.

swardiantara/bert-tiny-sst5-k10-fixed-cosine — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует текстовые предложения и абзацы в плотные векторы размерностью 128 для поиска и сравнения по косинусному сходству. Архитектура состоит из BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров. Модель предназначена для извлечения текстовых признаков, семантического поиска и оценки сходства предложений. В README описан обучающий набор из 351 754 пар текстов с метками сходства; примеры относятся к англоязычным рецензиям на фильмы. Метаданные указывают контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов. Модель принимает только текст и выдаёт векторы; она не предназначена для генерации ответов. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами. Лицензия в предоставленных данных не указана.

unsloth/bge-small-en-v1.5-GGUF — это GGUF-версия модели bge-small-en-v1.5, предназначенной для получения векторных представлений англоязычных текстов. Она относится к классу sentence-transformers и задачам feature extraction и sentence similarity, поэтому подходит для семантического поиска, сопоставления похожих предложений, классификации, кластеризации и reranking. Разработчик базовой модели в предоставленных данных не указан; модель опубликована в репозитории unsloth. Модель ориентирована на английский язык. Точные сведения об архитектуре, количестве параметров, размерности эмбеддингов, максимальной длине контекста и поддерживаемых модальностях в README не приведены. Формат GGUF предполагает использование конвертированной версии модели, однако конкретный вариант квантования также не указан. В README приведены результаты на бенчмарке MTEB: модель демонстрирует применимость к классификации, поиску, кластеризации, reranking и оценке семантического сходства; например, accuracy на AmazonPolarity составляет 92,75%, а cosine similarity Spearman на BIOSSES — 83,75%. Эти показатели характеризуют тестовые наборы и не гарантируют аналогичное качество на других данных. Сведения о лицензии и условиях использования отсутствуют.

Qdrant подготовила ONNX-порт модели BAAI/bge-small-en-v1.5 с квантизованными весами. Это компактная BERT-модель примерно на 40 млн параметров для получения текстовых представлений и поиска похожих предложений; в карточке также указаны задачи классификации текста и поиска сходства. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения предложений и классификации текста в системах, использующих ONNX или FastEmbed. Указанная лицензия — MIT. Поскольку модель основана на англоязычной bge-small-en-v1.5, её основное применение — англоязычные тексты.

Kenneth Enevoldsen разработал dfm-sentence-encoder-medium — модель на базе XLM-RoBERTa, которая преобразует предложения и абзацы в плотные векторы размерностью 768. Модель содержит 151,7 млн параметров и рассчитана на контекст длиной до 514 токенов. Векторы подходят для поиска семантически близких текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; для работы доступны Sentence-Transformers и Hugging Face Transformers с необходимой операцией pooling. Лицензия — MIT. Модель создаёт текстовые эмбеддинги, а не готовые ответы. README не уточняет, на каких языках она обучалась, поэтому языковую поддержку нельзя определить по имеющимся данным.

omarelsayeed/e5_base_tsdae — модель эмбеддингов предложений и абзацев на базе XLM-RoBERTa, представленная в формате PyTorch. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения сходства предложений. В метаданных указано 305,2 млн параметров и контекст длиной до 514 токенов. Модель обучена с использованием LoggingDenoisingAutoEncoderLoss и предназначена для получения текстовых представлений, которые можно использовать в поисковых и аналитических системах. Карточка не сообщает поддерживаемые языки и лицензию, поэтому их нельзя уточнить по имеющимся данным.

E5-large-v2-t2t — нидерландская адаптация модели intfloat/e5-large-v2, созданная методом transtokenizer на основе токенизатора BERTje. Веса модели основаны на BERT; размер составляет около 433,4 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для преобразования нидерландских запросов и документов в текстовые эмбеддинги, чтобы находить семантически близкие тексты и сравнивать предложения. Модель можно применять для семантического поиска, ранжирования passage и оценки сходства текстов на нидерландском языке. В README приведены результаты оценки на нидерландском бенчмарке MTEB-NL. Модель принимает текст и выдаёт векторные представления; она опубликована в формате safetensors по лицензии MIT. Карточка не описывает ограничения качества или области применения.