II.6Документация и сопровождение разработки

LazarusNLP разработала all-indo-e5-small-v4 — модель Sentence-Transformers на архитектуре BERT с 124,3 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CachedMultipleNegativesRankingLoss на наборах данных для семантического сходства, поиска и вопросов и ответов. Контекст ограничен 512 токенами. Репозиторий содержит веса в форматах Safetensors и ONNX; лицензия в предоставленных данных не указана.

danfeg/ARBERT_Finetuned-AR-1500 — модель на базе BERT, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Для применения используется библиотека sentence-transformers; при работе через Transformers требуется отдельно выполнить подходящую операцию pooling для контекстных представлений токенов. Модель содержит 190 млн параметров и принимает последовательности длиной до 512 токенов. В README указано обучение с CosineSimilarityLoss; название модели и карточка указывают на дообучение ARBERT для арабского языка. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Armenian-Text-Embeddings-2-base — модель Metric-AI для преобразования армянских текстов в плотные векторные эмбеддинги. Она дообучена на базе intfloat/multilingual-e5-base и построена на архитектуре XLM-RoBERTa; содержит 305,2 млн параметров, выдаёт векторы размерности 768 и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска на армянском языке, извлечения документов для RAG, сравнения сходства текстов, кластеризации и классификации. В карточке также заявлена обработка транслитерированных запросов и межъязыковое понимание; метаданные указывают на обучающий набор Reddit на армянском языке. Лицензия — MIT. Качество может снижаться на специализированной терминологии и культурных контекстах; карточка также отмечает возможные смещения, унаследованные от данных Reddit, и ограничения, связанные с качеством переводов.

BengaliSBERT-STS — модель L3Cube-Pune для оценки семантической близости предложений на бенгальском языке. Она создана на основе l3cube-pune/bengali-sentence-bert-nli и дообучена на наборе данных STS; относится к семейству BERT и использует архитектуру BertModel с плотными представлениями. Число параметров — около 264,8 млн, максимальная длина контекста — 512 токенов. Модель предназначена для получения векторных представлений предложений и сравнения их смысловой близости, например, при поиске похожих фраз или группировке текстов. Поддерживает бенгальский язык; доступна в формате PyTorch и распространяется по лицензии CC BY 4.0. Для использования требуется корректно агрегировать контекстуальные представления токенов с помощью pooling; конкретные ограничения качества в карточке не описаны.

Модель ruanchaves/bert-base-portuguese-cased-assin2-similarity — дообученная версия BERTimbau base, разработанная на основе neuralmind/bert-base-portuguese-cased. Она предназначена для оценки семантического сходства двух текстов на португальском языке с помощью классификационной головы BertForSequenceClassification и обучалась на наборе ASSIN 2. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт результат классификации. Её можно применять для сравнения перефразировок, поиска похожих предложений и оценки сходства текстовых пар на португальском языке. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

wilsonmarciliojr/bertimbau-embed-nli — дообученная модель Sentence Transformers на основе neuralmind/bert-base-portuguese-cased, разработанная автором репозитория. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 768 для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также может применяться для кластеризации и классификации текста. В основе лежит BERT-архитектура BertModel с усреднением токенных представлений; максимальная длина входа — 512 токенов. В README приведены результаты оценки сходства на STS: Spearman 0,8034 на sts-dev и 0,7498 на sts-test. Модель рассчитана на текст на бразильском португальском; других языков карточка не подтверждает. Лицензия в предоставленных данных не указана.

Cohere Transcribe 03-2026 — открытая модель автоматического распознавания речи, разработанная Cohere и Cohere Labs. Данная версия распространяется в формате .oasr для нативного запуска в среде OpenASR без Python во время инференса, с поддержкой CPU и GPU. Модель предназначена для преобразования аудио в текст и подходит для транскрибации записей, речи и других аудиоданных. Она поддерживает 14 языков, включая английский, основные европейские языки, арабский, китайский, японский, корейский и вьетнамский. Архитектура представляет собой Conformer-энкодер для обработки акустических признаков и облегчённый Transformer-декодер; размер модели составляет около 2 млрд параметров. К сильным сторонам относятся специализированная архитектура для распознавания речи, локальный запуск, поддержка CPU и GPU, а также варианты квантования, уменьшающие требования к памяти. Доступны сборки fp16, q8_0 и q4_k размером примерно от 1,51 до 4,14 ГБ; q8_0 рекомендуется как вариант с близким к fp16 качеством и меньшим размером, а q4_k — для более ограниченных по памяти систем. Абсолютная точность распознавания и ограничения по длине контекста в README не указаны. Модель и упаковки распространяются по лицензии Apache-2.0.

OmarAlsaabi/e5-base-mlqa-finetuned-arabic-for-rag — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для сценариев поиска по арабским вопросам и документам MLQA. Она преобразует предложения и абзацы в плотные векторы размерности 768, подходящие для семантического поиска, ранжирования по сходству и кластеризации. Модель содержит около 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для поиска релевантных фрагментов в RAG-системах и сопоставления арабоязычных запросов с текстами. В README указано обучение с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий использует формат safetensors; лицензия в предоставленных данных не указана.

Systran/faster-whisper-tiny — конверсия модели openai/whisper-tiny в формат CTranslate2, подготовленная Systran для запуска через CTranslate2 и проекты на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания речи и представлена в виде весов FP16; при загрузке тип вычислений можно изменить параметром compute_type. Модель принимает аудио и преобразует речь в текст. Whisper поддерживает распознавание и транскрибирование многоязычной речи; метаданные перечисляют языки, включая английский, китайский, немецкий, русский, французский, японский, испанский и другие. Репозиторий содержит именно конвертированные веса и ссылается на карточку исходного Whisper tiny за подробностями о модели. Лицензия репозитория — MIT. Компактный вариант tiny подходит для сценариев, где важны скорость и умеренные вычислительные ресурсы; по сравнению с более крупными моделями качество распознавания может быть ниже, особенно на сложной или шумной речи.

Tachibana-Agent — дообученная на наборе Tachibana 4 модель sequelbox на базе Google Gemma 4 12B Instruct. Это агентная модель для программирования: она предназначена для решения практических задач разработки и инженерного анализа, включая исправление ошибок, автоматизацию и работу с кодом в разных языках программирования. В метаданных указаны плотная архитектура Gemma4Unified, формат safetensors и библиотека Transformers; карточка рекомендует использовать формат запросов Gemma 4 Instruct. Модель ориентирована на разработку серверных и клиентских приложений, системное и распределённое программирование, базы данных, оптимизацию производительности, безопасность, компиляторы и создание инструментов. README называет её экспериментальной reasoning-моделью. Лицензия — Apache-2.0. Подробности о контекстном окне и поддержке мультимодального ввода в карточке не описаны.

aloobun разработал эту Sentence Transformer на основе aloobun/d-mxbai-L8-embed, дообучив её для работы с несколькими индийскими языками. Модель на базе BERT преобразует предложения и абзацы в плотные векторы размерностью 1024; сходство между текстами можно оценивать по косинусному сходству. В README указана максимальная длина последовательности 128 токенов, а в метаданных — 512 токенов; это расхождение требует проверки при настройке обработки длинных текстов. Модель предназначена для поиска по смыслу и сопоставления текстов на английском и бенгальском, гуджаратском, хинди, каннада, малаялам, маратхи, тамильском и телугу. Её можно применять для поиска семантически близких предложений, оценки сходства, поиска перефразирований, кластеризации и классификации текстов. Репозиторий распространяется по лицензии Apache-2.0. В README приведены результаты оценки для языковых пар с английским; показатели сходства заметно различаются между языками и в некоторых случаях низкие или отрицательные. Поэтому качество следует проверять на данных и сценариях конкретного применения; модель не генерирует текст, а возвращает векторы для последующей обработки.

LENS-d8000 — модель эмбеддингов на основе большой языковой модели, представленная в проекте LENS. Она формирует лексиконные представления текста: каждая из 8000 размерностей связана с кластером семантически близких токенов. Модель предназначена для извлечения признаков из текста и получения векторных представлений, которые можно использовать для поиска и сравнения текстов по смыслу. Модель имеет плотную архитектуру семейства Mistral и содержит 7,1 млрд параметров. Максимальный контекст составляет 32 768 токенов. Веса опубликованы в формате safetensors под лицензией Apache-2.0. В README приведено название технического отчёта о методе LENS, но сведения о поддерживаемых языках и результатах оценки не описаны.

unsloth/LFM2-700M-GGUF — GGUF-версия гибридной языковой модели LFM2-700M, разработанной Liquid AI и подготовленной для распространения Unsloth. Модель предназначена для локального и периферийного развертывания на CPU, GPU и NPU, включая смартфоны, ноутбуки и транспортные системы. Она подходит для агентских сценариев, извлечения данных, RAG, творческого письма и многораундовых диалогов. Модель содержит 742 489 344 параметра, 16 слоёв, включая 10 слоёв свёртки и 6 attention-слоёв, и поддерживает контекст до 32 768 токенов. Архитектура использует гибридный подход Liquid AI с мультипликативными gating-механизмами и короткими свёртками. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Это текстовая модель без заявленной поддержки дополнительных модальностей. К сильным сторонам относятся высокая скорость обучения и инференса, эффективность по памяти и производительности, а также удобство запуска на устройствах с ограниченными ресурсами. Из-за небольшого размера модель рекомендуется дообучать под узкие прикладные задачи. Она не рекомендуется для задач, требующих глубоких знаний или программирования. Репозиторий включает исправления chat template; для llama.cpp рекомендуется использовать параметр --jinja. Указана лицензия LFM Open License v1.0.

lid-neural-25.1 — модель для автоматического определения языка текста, разработанная olaverse и дообученная на базе XLM-RoBERTa. Она классифицирует текст по 25 языкам и рассчитана на документы, статьи и фрагменты текста; для коротких запросов и сообщений автор предлагает checkpoint lid-neural-25.2. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей. В README указаны 125 млн параметров и максимальная длина входа 128 токенов, а метаданные Hugging Face — 305,2 млн параметров и контекст 514 токенов; эти сведения расходятся. Для версии .1 заявлена точность 99,9% на отложенной выборке из 2 498 примеров. Обучение требует GPU, запуск инференса возможен на CPU, но медленнее, чем у компактной fastText-модели. Модель поддерживает африкаанс, амхарский, немецкий, английский, французский, хауса, хинди, игбо, индонезийский, итальянский, японский, корейский, нидерландский, польский, португальский, русский, шона, сомали, испанский, суахили, турецкий, вьетнамский, коса, йоруба и зулу. На коротком тексте зулу и коса часто путаются; обучение на человеческих сообщениях и тексте со смешанными языками не проверялось. Лицензия модели — Apache-2.0.

maux-gte-persian-v3-fp16 — модель эмбеддингов предложений на базе Alibaba-NLP/gte-multilingual-base, дообученная для персидского языка и опубликованная в формате fp16. Она преобразует предложения и абзацы в векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации; сходство оценивается косинусной мерой. Модель построена как энкодер Sentence Transformers с пулингом CLS-токена и нормализацией, поддерживает последовательности до 8192 токенов и принимает текст, выдавая векторные представления. Дообучение выполнено на 80 000 персидских пар предложений с функцией потерь MultipleNegativesRankingLoss. Половинная точность fp16 предназначена для более эффективного инференса, особенно на современных GPU. По данным карточки, модель показывает высокие результаты в задачах семантического сходства, поиска и кластеризации на персидском языке. Для загрузки требуются файлы пользовательского кода из репозитория. Лицензия в предоставленных данных не указана.

tanbinh2210 выпустил модель Sentence Transformers, дообученную на базе tanbinh2210/mlm_finetuned_phobert. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Архитектура включает трансформер RoBERTa с усреднением токеновых представлений; модель содержит 162,4 млн параметров и обрабатывает последовательности длиной до 258 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Она обучалась на выборках query, pos и neg из JSON-датасета, размер которого указан как 357 018 примеров. Базовая модель основана на PhoBERT, поэтому модель ориентирована прежде всего на вьетнамский язык. Распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

MyAwesomeModel — модель из репозитория ASD12ZXCQE/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. В метаданных Hugging Face она отнесена к архитектуре BERT и поддерживает библиотеку Transformers на PyTorch; основная задача обозначена pipeline-тегом feature-extraction.

gmunkhtur/paraphrase-mongolian-minilm-mn_v2 — это дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная для сопоставления предложений на монгольском языке. Архитектура BERT формирует плотные векторы размерности 384; сходство оценивается косинусной мерой. В метаданных указано 124,3 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель подходит для семантического поиска и сравнения сходства текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Она обучена на парах предложений с оценками сходства из CSV-датасета размером 77 201 пример; в README приведены высокие показатели корреляции на указанных наборах dev-t и test-t. Для практической работы с длинными текстами следует учитывать ограничение длины последовательности в 128 токенов из карточки модели. Лицензия в предоставленных данных не указана.

cl-nagoya/ruri-pt-base — японская модель Sentence Transformers, разработанная CL-Nagoya и дообученная на основе tohoku-nlp/bert-base-japanese-v3. Она преобразует предложения в векторы размерности 768 для сравнения семантической близости, поиска и ранжирования текстов. Модель использует архитектуру BERT, принимает последовательности длиной до 512 токенов и рассчитана на японский язык. В README приведены результаты оценки на JMTEB, включая поиск, семантическое сходство, классификацию и кластеризацию. Лицензия — Apache 2.0.

OpenASR/sensevoice-small — компактная модель автоматического распознавания речи, созданная командой FunAudioLLM компании Alibaba и перепакованная проектом OpenASR в формат .oasr для нативного выполнения. Модель предназначена для преобразования речи в текст, включая полностью локальную и офлайн-транскрипцию на CPU и GPU без Python во время инференса. SenseVoice Small использует быструю неавторегрессионную архитектуру и обучена более чем на 400 000 часах аудио. Она автоматически определяет язык и ориентирована на мандаринский китайский, кантонский, английский, японский и корейский языки. В исходной модели также заявлены распознавание эмоций и аудиособытий, однако в пакетах OpenASR сейчас доступна только обычная транскрипция речи. Для модели предлагаются варианты fp16 размером около 470 МБ, q8_0 — 252 МБ и q4_k — 136 МБ; квантованные версии подходят для устройств с ограниченной памятью. По данным разработчиков, инференс значительно быстрее Whisper-Large, а модель особенно сильна в китайской и кантонской речи, однако приведённые показатели точности относятся к исходной модели и отдельным открытым бенчмаркам. Пакеты распространяются по лицензии FunASR Model License v1.1, унаследованной от исходной модели. Лицензия разрешает коммерческое использование при сохранении требуемой атрибуции и уведомлений об авторских правах.

nickprock/sentence-bert-base-italian-xxl-uncased-sts-matryoshka — модель Sentence Transformers на базе BERT, разработанная nickprock. Она преобразует предложения и абзацы на итальянском языке в плотные векторы размерностью 768 для поиска семантически похожих текстов, кластеризации и других задач сопоставления предложений. Обучение использовало MatryoshkaLoss с CoSENTLoss и целевыми размерностями 768, 512, 256, 128 и 64, что позволяет использовать эмбеддинги разных размеров. Модель содержит 137,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Репозиторий предоставляет веса в формате safetensors; для применения предусмотрена библиотека sentence-transformers. Лицензия — MIT. Она предназначена для итальянских текстов; результаты для других языков README не заявляет.

LazarusNLP/simcse-indobert-base — модель векторных представлений предложений на базе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости. Модель содержит 151,6 млн параметров и принимает текст длиной до 512 токенов. Модель обучена с использованием Sentence-Transformers и функции потерь MultipleNegativesRankingLoss с косинусным сходством. Её можно применять для семантического поиска, кластеризации и вычисления сходства предложений на индонезийском языке. Доступны веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

tranhuudan-fullstack-ai-engineer/stage1 — дообученная на vinai/phobert-base-v2 модель Sentence Transformers на базе RoBERTa. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для вычисления семантического сходства, семантического поиска, поиска перефразирований, классификации текстов и кластеризации. В README указана косинусная мера сходства; метаданные отмечают sentence-similarity как основную задачу и feature-extraction как поддерживаемую. Модель ориентирована на вьетнамский язык и использует среднее объединение токенных представлений. README указывает максимальную длину последовательности 512 токенов, а метаданные каталога — native context 258 токенов; для практического использования следует учитывать более короткое ограничение контекста каталога. При оценке на sts-dev достигнута Spearman-корреляция 0,5148 по косинусному сходству. Веса представлены в формате safetensors; лицензия в предоставленных данных не указана.

StaRSE — компактная модель статических эмбеддингов русских предложений, представленная как StaticEmbedding для Sentence-Transformers. Она предназначена для быстрого вычисления векторных представлений на CPU, когда высокопроизводительная обработка важнее использования полного Transformer-энкодера. Модель подходит для оценки семантического сходства, кластеризации, извлечения признаков для классификации и построения начальных представлений для поиска. В README указаны 61,51 млн логических параметров: матрица размером 120 138 × 512 хранится в виде бинарных знаковых битов и вектора норм FP32. Для набора MTEB(rus, v1.1) приведён средний основной балл 51,16 по 23 задачам. Модель ориентирована на русский язык и использует Sentence-Transformers; формат файлов репозитория — safetensors. Модель опубликована под лицензией Apache-2.0. В README приведены результаты классификации, кластеризации и многометочной классификации; показатели для других сценариев в доступном фрагменте не раскрыты.

cl-nagoya/sup-simcse-ja-large — японская модель эмбеддингов предложений, разработанная на основе cl-tohoku/bert-large-japanese-v2. Она дообучена методом Supervised SimCSE на датасете JSNLI и использует архитектуру BERT с вектором CLS и стратегией pooling CLS; дополнительный MLP-слой применялся только при обучении. Модель содержит 436,2 млн параметров и рассчитана на последовательности длиной до 512 токенов по метаданным; в обучении использовалась максимальная длина 64 токена. Модель предназначена для получения векторных представлений японских предложений и оценки их смыслового сходства, например для поиска похожих фраз или построения семантического поиска. Для работы указана библиотека Sentence-Transformers; веса представлены в формате PyTorch. Лицензия — CC BY-SA 4.0.

Cloyne/sup-SimCSE-VietNamese-phobert-base — модель Sentence Transformers, дообученная на базе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base. Она использует архитектуру RoBERTa и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства по косинусной близости. Модель рассчитана прежде всего на вьетнамский язык; длина контекста составляет до 258 токенов по метаданным. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README указано обучение на 120 210 парах «запрос — позитивный пример» из CSV-датасета. Модель принимает текст и выдаёт векторы; сама по себе она не генерирует ответы. Лицензия в предоставленных данных не указана.

farhana1996/unsupervised-simcse-bangla-sbert — Sentence Transformer, дообученный на базе shihab17/bangla-sentence-transformer. Модель использует XLM-RoBERTa с усреднением токенных представлений и преобразует предложения и абзацы в плотные векторы размерности 768; сходство между ними рассчитывается косинусной мерой. Максимальная длина последовательности — 512 токенов (в метаданных указано 514 токенов). Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Карточка описывает обучение на датасете из 1 млн пар предложений с функцией потерь MultipleNegativesRankingLoss. Базовая модель рассчитана на бенгальский и английский языки; специализация этой версии — бенгальские предложения. Размер модели — 305,2 млн параметров. Для использования нужны текстовые входы; результатом являются векторы, подходящие для поиска и сравнения по сходству. Лицензия в предоставленных источниках не указана.

cl-nagoya разработала японскую модель эмбеддингов предложений на архитектуре BERT, дообученную методом Unsupervised SimCSE на Wiki40B. Модель предназначена для получения векторных представлений японских текстов и оценки сходства предложений; её можно использовать через Sentence-Transformers или Transformers с CLS-пулингом. Дополнительный MLP-слой применялся только во время обучения. Модель содержит 138,4 млн параметров, принимает текст с контекстом до 512 токенов. В обучении использовались последовательности длиной до 64 токенов. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0.

Модель tuandung2812/vietnamese-embedder-2611 — дообученный Sentence Transformer на базе bkai-foundation-models/vietnamese-bi-encoder, разработанный автором репозитория tuandung2812. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для оценки семантического сходства с косинусной метрикой, поиска, кластеризации и других задач сравнения текста. Архитектура основана на RoBERTa с усреднением токенных представлений; максимальная длина последовательности составляет 258 токенов по метаданным. Модель предназначена для вьетнамского языка. Доступны файлы ONNX и safetensors. Условия лицензии в предоставленных данных не приведены.

Web-SSL DINO ViT-3B Heavy Filtered 2B — визуальная модель семейства DINOv2, разработанная авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT с 3,9 млрд параметров по метаданным, обученный методом самообучения на тщательно отфильтрованных веб-изображениях без языковой супервизии. Модель принимает изображения размером 224×224 пикселя и предназначена для извлечения визуальных признаков. В обучающую выборку Heavy2B преимущественно отбирались изображения с диаграммами, таблицами и документами с читаемым текстом; README сообщает, что такие изображения составляют 1,3% исходного набора MetaCLIP. Фокус на этих материалах улучшает возможности OCR и понимания диаграмм, при этом модель рассчитана и на общие задачи компьютерного зрения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства на некоммерческих условиях.