II.6Документация и сопровождение разработки

leerobert/my-awesome-setfit-model — модель Sentence-Transformers на базе MPNet, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. В карточке указано обучение с CosineSimilarityLoss; модель рассчитана на применение через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в доступных данных не указана.

Англоязычная модель эмбеддингов на базе ModernBERT, подготовленная mlx-community для запуска в формате MLX. Репозиторий описывает конвертацию модели nomic-ai/modernbert-embed-base; метаданные связывают её с answerdotai/ModernBERT-base и nomic-ai/modernbert-embed-unsupervised. Модель содержит 149 млн параметров и рассчитана на входной контекст до 8192 токенов. Она предназначена для получения векторных представлений текста, вычисления сходства предложений и семантического поиска. Её можно использовать для поиска похожих фрагментов, группировки текстов и построения retrieval-компонентов. Указанная лицензия — Apache-2.0. README подтверждает конвертацию в MLX, но не уточняет, каким способом получена 6-битная точность.

Модель flax-sentence-embeddings/all_datasets_v3_roberta-large разработана участниками Community Week Hugging Face в рамках проекта по обучению моделей эмбеддингов предложений на больших наборах данных. Это дообученная с контрастивной целью версия roberta-large с архитектурой RoBERTa и 454,1 млн параметров. Она кодирует входное предложение в вектор, отражающий его семантическое содержание, и рассчитана на извлечение признаков и сравнение предложений. В README описано обучение на более чем миллиарде пар предложений из объединённых датасетов; указаны длина последовательности обучения 128 токенов и использование SentenceTransformers. Метаданные указывают родной контекст в 514 токенов. Модель подходит для семантического поиска, группировки текстов и оценки сходства предложений. В карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

BAAI/bge-large-zh-noinstruct — плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в векторы для семантического поиска, извлечения релевантных документов, кластеризации и классификации; эмбеддинги также можно использовать в векторных базах данных для систем с генерацией с дополнением по поиску. Архитектура модели основана на BERT, содержит 424,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. Карточка указывает китайский язык и формат PyTorch. Модель предназначена для получения векторов текста и сравнения их относительной близости. README предупреждает, что у этой версии распределение оценок сходства менее удобно: высокий абсолютный балл сам по себе не означает, что тексты похожи. Для новых проектов авторы рекомендуют BAAI/bge-large-zh-v1.5, который улучшает распределение сходства и поиск без инструкций. Модель распространяется по лицензии MIT. Для пороговой фильтрации сходства порог следует подбирать на собственных данных; для поиска по коротким запросам и длинным документам инструкция для запроса может улучшить результат.

Amanda/bge_portuguese_v4 — модель Sentence Transformer на архитектуре XLM-RoBERTa, обученная для преобразования предложений и абзацев в плотные эмбеддинги размерности 1024. В карточке не указано, кто именно обучил модель. Она использует CLS-пулинг и нормализацию векторов, а сходство текстов можно оценивать косинусным сходством; максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Sentence Transformers. По названию модель ориентирована на португальский язык. Лицензия в доступных данных не указана.

embed-andegpt-H384 — модель Sentence Transformer, созданная дообучением nreimers/MiniLM-L6-H384-uncased авторами enpaiva. Она преобразует предложения и абзацы на испанском языке в плотные векторы размерностью 384 для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В основе — шестислойная архитектура BERT/MiniLM с усреднением токенных представлений; максимальная длина входа — 512 токенов. Модель распространяется по лицензии Apache-2.0. В README приведены результаты TripletEvaluator на наборах andegpt-dev и andegpt-test, однако они не заменяют оценку на данных конкретного применения.

aufklarer/EmbeddingGemma-300M-MLX-8bit — конверсия Google EmbeddingGemma 300M для запуска на устройствах Apple с Apple Silicon через библиотеку MLX. Модель предназначена для получения 768-мерных эмбеддингов предложений и поиска по текстовым расшифровкам; в карточке указана архитектура плотного энкодера Gemma 3 с двунаправленной обработкой, mean pooling, плотной головой и L2-нормализацией. Размер модели — 302,8 млн параметров, точность — 8 бит с группой 64; контекст составляет 512 токенов по README, тогда как метаданные указывают нативный контекст 2048 токенов. Модель принимает текстовые запросы и документы, размеченные специальными префиксами для поиска, и выдаёт нормализованные эмбеддинги. README сообщает о высокой близости результатов к исходной версии в float32 на тестовых расшифровках. Языковые сведения в карточке описывают базовую модель как многоязычную, но конкретный набор языков не приведён. Репозиторий указывает лицензию Gemma; применяются её условия использования.

GLiClass Multilang Mini — мультиязычная модель классификации текста из семейства GLiClass, опубликованная Knowledgator. Она предназначена для классификации с пользовательскими метками без дообучения, а также для few-shot сценариев с примерами и описаниями меток. Модель содержит около 288 млн параметров и использует архитектуру GLiClass с механизмом CrossAttn Scorer. Модель подходит для тематической и тональной классификации, определения намерений, проверки следования правилам и безопасности ответов LLM, обнаружения галлюцинаций, NLI и оценки релевантности пары запрос–текст. Она обучена для 20 языков и поддерживает межъязыковые сочетания текста и меток. В README приведены результаты zero-shot оценок и высокая пропускная способность на GPU, но фактическое качество зависит от языка, набора меток и задачи; для NLI рекомендуется подавать одну гипотезу за раз. Веса представлены в формате safetensors, для использования предлагается библиотека gliclass. Лицензия — Apache-2.0.

MiniMind-Embedding-Dense — плотная модель текстовых эмбеддингов на основе MiniMind-3, разработанная в проекте minimind-embedding. Это причинный Transformer-декодер с 63,9 млн параметров и размером скрытого слоя 768; вектор текста формируется по последнему токену EOS. Обучение использует контрастивную функцию InfoNCE с маскированием вероятных ложных негативов и Matryoshka Representation Learning, поэтому эмбеддинг можно сокращать до 64, 128, 256 или 512 измерений для более быстрого поиска. Максимальная длина контекста — 32 768 токенов. Модель предназначена для получения векторов текста, поиска семантически близких предложений и извлечения релевантных документов по запросу. В карточке показаны оценки на китайских наборах ATEC, BQ и LCQMC; заявленная область применения — прежде всего китайские тексты, также указана поддержка английского. Карточка отмечает, что качество ограничивают небольшой словарь в 6400 токенов и сравнительно малый объём первого этапа обучения. Модель дообучена на jingyaogong/minimind-3 и распространяется по лицензии Apache-2.0.

BAAI/bge-large-zh — модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная Beijing Academy of Artificial Intelligence. Она преобразует китайский текст в плотные векторы для семантического поиска, извлечения релевантных документов, кластеризации и классификации, в том числе как компонент систем RAG и векторных баз данных. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Для коротких поисковых запросов к длинным документам авторы рекомендуют добавлять инструкцию для запроса; сами документы в ней не нуждаются. Модель поддерживает китайский язык и выдаёт векторные представления текста. README рекомендует перейти на BAAI/bge-large-zh-v1.5: в версии v1.5 улучшено распределение оценок сходства и качество поиска. У старой версии оценки сходства несхожих предложений могут быть выше 0,5, поэтому абсолютные значения нельзя трактовать как универсальный порог; важнее относительный порядок результатов, а порог следует подбирать на своих данных. Лицензия — MIT.

seansitter/bge-m3-safetensors — конвертированная версия многоязычной модели эмбеддингов BAAI/bge-m3, подготовленная для плотного извлечения признаков и инференса через transformers backend в vLLM. Модель основана на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров; заявленный контекст — 8194 токена. Репозиторий предоставляет веса в формате safetensors с именами параметров, совместимыми с указанным способом загрузки в vLLM; веса битово эквивалентны исходным, переобучения не было. Модель подходит для создания текстовых эмбеддингов, семантического поиска и вычисления сходства предложений на разных языках. В этой версии оставлены компоненты для плотных эмбеддингов, а вспомогательные головы для ColBERT и разреженного поиска исключены. Лицензия — MIT. Для запуска по описанному в карточке сценарию требуется vLLM с transformers backend и режимом pooling.

Darwin-28B-Opus — языковая модель для рассуждений, созданная командой Darwin путем эволюционного слияния Qwen/Qwen3.6-27B и модели rico03/Qwen3.6-27B-Claude-Opus-Reasoning-Distilled. Она сохраняет плотную архитектуру Qwen3.6 с гибридным линейным и полным вниманием и наследует стиль рассуждений, полученный дистилляцией поведения Claude Opus. Модель содержит 27,6 млрд параметров, представлена в формате BF16 и рассчитана на генерацию текста в режиме диалога и многошаговые рассуждения. Модель предназначена для решения сложных научных и математических задач, генерации и отладки кода, а также ответов на вопросы, требующие последовательного анализа. В README приведен результат 88,89% на GPQA Diamond при трехэтапной адаптивной оценке; он зависит от описанного протокола сэмплирования и уточнения ответов. Основной язык — английский; также заявлена поддержка корейского, китайского и японского языков. Полный вывод требует около 55 ГБ видеопамяти. Лицензия — Apache 2.0.

DeepSeek-R1 — большая языковая модель первого поколения моделей рассуждения, разработанная DeepSeek. Модель обучалась с использованием комбинации supervised fine-tuning и крупномасштабного reinforcement learning: перед этапами RL применялись данные cold start, а общий конвейер включал два этапа RL и два этапа SFT. Исследовательская версия DeepSeek-R1-Zero также представлена авторами и обучалась с помощью RL без предварительного SFT. Модель предназначена для сложных задач рассуждения, включая математику, программирование и другие интеллектуальные задачи, требующие многошагового анализа. По заявлению разработчиков, её результаты сопоставимы с OpenAI-o1 в задачах математики, кода и рассуждения. К сильным сторонам относятся способности к самопроверке, рефлексии и построению длинных цепочек рассуждений. При этом README не содержит точных сведений о размере модели, архитектуре, длине контекста, поддерживаемых языках и мультимодальных возможностях. У модели есть ограничения, связанные с особенностями reasoning-моделей: у предварительной версии DeepSeek-R1-Zero отмечались бесконечные повторения, низкая читаемость и смешение языков; для DeepSeek-R1 эти проблемы должны уменьшаться благодаря дополнительным данным и этапам обучения. Модель распространяется по лицензии MIT. README также сообщает о выпуске производных дистиллированных моделей, но они не являются самой моделью DeepSeek-R1.

DeepSeek-V4-Flash-0731 — официальная версия модели DeepSeek-V4-Flash, разработанная DeepSeek AI и опубликованная в формате Unsloth. Она предназначена прежде всего для агентных сценариев, включая работу с терминалом и инструментами, автоматизацию, разработку программного обеспечения, генерацию кода, задачи full-stack и кибербезопасности. По данным README, модель превосходит предварительную версию DeepSeek-V4-Flash и DeepSeek-V4-Pro на ряде агентных и программных бенчмарков, оставаясь конкурентоспособной с ведущими проприетарными моделями. Модель имеет ту же структуру, что и DeepSeek-V4-Flash-DSpark, включая подключённый модуль speculative decoding. Точное число параметров, активный размер, поддерживаемые языки, модальности и размер контекста в README не указаны. Для взаимодействия используется совместимый с OpenAI формат сообщений; Jinja-шаблон чата не предоставляется, вместо него доступны отдельные скрипты кодирования и разбора ответов. Параметр reasoning_effort поддерживает уровни low, high и max. К сильным сторонам относятся улучшенные агентные возможности, результаты на задачах программирования и интеграция со speculative decoding через vLLM. Ограничениями являются необходимость использовать специальное кодирование сообщений и отсутствие в представленных данных подробных сведений об архитектуре, языках и требованиях к ресурсам. Указанная лицензия — MIT.

mrm8488 разработал англоязычную модель Sentence Transformer на основе distilbert/distilroberta-base, дообучив её на наборе sentence-transformers/all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает RoBERTa и усреднение токенных представлений. Модель содержит 95,2 млн параметров и обрабатывает последовательности длиной до 514 токенов по метаданным Hugging Face. Модель предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразирований, кластеризации и подготовки векторов для классификации текста. Обучение с MatryoshkaLoss позволяет использовать укороченные представления; в README приведены результаты оценки сходства для размерностей от 16 до 768. Модель ориентирована на английский язык и выдаёт векторы, а не готовые текстовые ответы. Лицензия в предоставленных данных не указана.

Omartificial-Intelligence-Space разработала mmbert-base-arabic-nli — арабоязычную модель Sentence Transformer для получения эмбеддингов предложений и абзацев. Это дообученная версия jhu-clsp/mmBERT-base с архитектурой ModernBERT; модель содержит 306,9 млн параметров и выдаёт векторы размерности 768. Модель предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации арабских текстов, в том числе для поиска по документам в RAG-системах. Она принимает текстовые последовательности длиной до 8192 токенов; для сравнения векторов в карточке указана косинусная мера сходства. На STS-бенчмарках приведён результат Spearman 0,8311. Модель распространяется в формате safetensors и использует библиотеку Sentence Transformers. Лицензия Apache-2.0 разрешает коммерческое и иное использование на её условиях.

Карточка модели kanixwang/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.

Карточка модели maustin10/my-awesome-setfit-model4 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.

Ratanak/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B, разработанная в сообществе Ratanak и ориентированная на сценарии, где требуется минимальное количество отказов и защитных рассуждений. Модель предназначена для генерации текста и кода, исследовательских задач в области AI safety и red teaming, а также агентных сценариев, включая автоматизацию программирования и тестирование безопасности. Модель имеет архитектуру Qwen3, размер 27 млрд параметров и доступна в форматах GGUF, Safetensors и MLX. Поддерживает режимы с рассуждением и без него; рекомендуемый режим — без рассуждения. В README не указаны точный размер контекста и перечень поддерживаемых языков. Для генерации рекомендуются температура 0, repetition penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев допустимы температура 0,1–0,3 и более короткие ответы. К сильным сторонам относятся сохранение большей части возможностей исходной модели, генерация рабочего кода и сниженное количество жёстких отказов и формальных защитных отступлений. По приведённым данным, показатель MMLU версии V3 составляет 82,3%, что на 2,1 процентного пункта ниже базовой модели. Ограничения включают возможное зацикливание без repetition penalty, снижение качества при высокой температуре и потенциальные риски использования модели для вредоносных или небезопасных запросов. Указана лицензия Apache-2.0.

Susu Sentence Encoder v1 — модель Sentence Transformers от 2ADT-Consulting, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы на естественном языке в плотные векторы размерностью 384 и предназначена для поиска подходящих документов и сравнения смыслового сходства с помощью косинусной близости. Архитектура состоит из BERT-энкодера и слоя усредняющего пулинга; модель принимает только текст. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога указывают контекст 512 токенов. Модель подходит для семантического поиска, извлечения документов по запросу и построения представлений текста для сравнения или кластеризации. Обучение проводилось на 225 516 парах anchor-positive с функцией MultipleNegativesRankingLoss. Базовая модель многоязычная; примеры обучающих пар показывают английский, французский и язык сусу, но полный перечень поддерживаемых языков в источниках не приведён. Лицензия — CC BY-NC 4.0, поэтому использование ограничено её условиями, включая запрет на коммерческое применение.

Многоязычная модель Sentence Transformers на базе FacebookAI/xlm-roberta-base, дообученная на парах предложений en–es. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, поиска и группировки текстов. Для сопоставления векторов используется косинусное сходство; архитектура включает XLM-RoBERTa с усреднением токенных представлений. Максимальная длина последовательности в карточке — 128 токенов. Модель поддерживает английский и испанский, а также широкий набор других языков, включая русский. В README приведены результаты оценки на задачах сходства и перевода между английским и испанским; это не генеративная модель и сама по себе не переводит текст. Размер базовой архитектуры — 305,2 млн параметров, формат весов — safetensors. Лицензия в предоставленных данных не указана.

Nhat1904/4-shot-twitter — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Она обучалась с функцией потерь CosineSimilarityLoss и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

SIRIS-Lab/affilgood-dense-retriever — модель Sentence Transformer, разработанная SIRIS-Lab для получения плотных векторных представлений предложений и абзацев. Она основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией выходного вектора; размерность эмбеддингов — 1024. Обучение проводилось с MultipleNegativesRankingLoss на 47 610 примерах, а близость текстов оценивается косинусным сходством. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. В примерах обучения встречаются названия организаций и сущностей с контекстом вроде местоположения и родительской организации; на наборе entity_linking_eval указана корреляция Спирмена 0,6826 для косинусного сходства. Метаданные указывают на контекст до 514 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов для описанной конфигурации Sentence Transformers. Модель принимает текст и возвращает векторы признаков. Карточка не сообщает поддерживаемые языки, лицензию или известные ограничения качества за пределами приведённой оценки; проверьте лицензию и пригодность для конкретных данных перед использованием.

emersoftware/beto-mlm-bcn-mnrl-msmarco-es-v2 — модель Sentence-Transformers на архитектуре BERT с 137,1 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; в карточке также заявлена поддержка извлечения признаков и сходства предложений. Максимальный контекст — 512 токенов. Модель рассчитана на работу с испанскими текстами, о чём говорит её идентификатор, связанный с BETO и MS MARCO на испанском языке. Для использования подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

E5-base-v2-t2t — адаптированная для нидерландского языка модель эмбеддингов на основе intfloat/e5-base-v2. Разработчики создали её с помощью transtokenizer: токенизатор взят из BERTje, а эмбеддинги токенов целевого языка инициализированы взвешенным усреднением семантически близких эмбеддингов исходной модели. Модель содержит 136,3 млн параметров, использует архитектуру BERT и библиотеку sentence-transformers; максимальная длина контекста — 512 токенов. Модель предназначена для получения векторных представлений нидерландских текстов и их семантического сравнения. Её можно применять для поиска документов по смыслу, сопоставления запросов и фрагментов текста, ранжирования passage-кандидатов и задач классификации или кластеризации текста. В README приведены результаты оценки на нидерландском бенчмарке MTEB-NL, но численные результаты для этой версии модели не указаны. Лицензия — MIT. Карточка описывает адаптацию токенизатора и эмбеддингов для нидерландского языка; она не заявляет о генерации связных ответов, поэтому тег text-generation в метаданных не следует трактовать как подтверждённую генеративную функцию.

nreimers/MiniLM-L3-H384-uncased — компактная текстовая модель семейства MiniLM, созданная Нильсом Реймерсом на основе microsoft/MiniLM-L12-H384-uncased. Это версия с тремя слоями: в ней сохранены слои 3, 7 и 11 исходной 12-слойной модели. Модель имеет архитектуру BERT и содержит 18,8 млн параметров. Модель предназначена для извлечения признаковых представлений текста, которые можно использовать в прикладных системах поиска и анализа текста. Она принимает текст, выдаёт векторные представления и рассчитана на контекст до 512 токенов. Веса доступны в формате PyTorch; лицензия — MIT.

Mollel разработал эту модель Sentence Transformer на основе Geotrend/bert-base-sw-cased, дообучив её на наборе пар и триплетов предложений на суахили и английском языках. Модель использует BERT с усреднением токенных представлений и формирует плотные векторы размерностью 768; для сравнения текстов применяется косинусное сходство. Максимальная длина последовательности — 512 токенов. Модель предназначена для поиска семантически близких предложений и абзацев, оценки сходства текстов, поиска перефразирований, кластеризации и извлечения признаков для классификации. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы размером 512, 256, 128 или 64 измерения с приведёнными в карточке результатами оценки сходства. Это текстовая модель без генерации ответов; показатели качества зависят от данных и сценария применения. Лицензия в предоставленных данных не указана.

PolDense-150M — польская модель эмбеддингов от OPI-PIB для плотного поиска и извлечения релевантных текстов. Она построена на архитектуре ModernBERT и содержит около 149 млн параметров; модель принимает текст и формирует векторные представления для поиска, RAG и семантического сравнения. Максимальная длина контекста — 7 999 токенов. Для поиска перед запросом требуется префикс «[query]: », а для симметричного сравнения текстов — «[sts]: ». Модель обучали в три этапа: переносили знания с англоязычных энкодеров ettin и учителей BGE-Multilingual-Gemma2 и BGE-Reranker-v2.5-Gemma2-Lightweight, затем дообучали для польского поиска. По заявлению авторов, на бенчмарке PIRB модель показывает результаты, близкие к Qwen3-Embedding-8B. Репозиторий использует формат safetensors; лицензия — Gemma.

Это квантованная до INT8 и преобразованная в ONNX версия Qwen3-Embedding-0.6B, подготовленная janni-t для запуска через Text Embeddings Inference (TEI) с ускорением на CPU. Модель имеет около 507,6 млн параметров, использует архитектуру Qwen3 и контекст до 32 768 токенов; README указывает на mean pooling для получения текстовых эмбеддингов. Модель предназначена для построения эмбеддингов и оценки сходства текстов в многоязычных приложениях, включая поиск, семантическое сопоставление и сценарии с высокой нагрузкой на CPU или периферийных устройствах. В README заявлены размер около 0,56 ГБ и ускорение CPU-инференса в 2–4 раза относительно float32 при потере точности 1–3%; это оценочные характеристики автора карточки. Поддерживаются языки, перечисленные в метаданных, включая русский, английский и китайский. Лицензия — Apache-2.0. Для работы требуется совместимый runtime ONNX и TEI; квантование может немного снизить точность относительно исходной модели.

Torekhan/sentence_similarity_model — модель Sentence Transformers, дообученная автором Torekhan на Snowflake/snowflake-arctic-embed-m для работы с казахскими текстами. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и подходит для сравнения смысловой близости, семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Архитектура включает BERT-трансформер, pooling по CLS-токену и нормализацию векторов; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Обучение проводилось на датасете KazakhTextDuplicates из 25 922 примеров с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.