II.6Документация и сопровождение разработки

Модель check2207/CS221_vietnamese_embedding — дообученный Sentence Transformer на базе AITeamVN/Vietnamese_Embedding, разработанный для получения плотных векторных представлений предложений и абзацев. Архитектура использует XLM-RoBERTa с пулингом CLS и нормализацией; размер эмбеддинга — 1024 измерения. Модель принимает текст и сопоставляет его с другими текстами по косинусному сходству, в том числе для поиска и извлечения релевантных документов. В карточке заявлена поддержка текстовой модальности и максимальная длина последовательности 256 токенов. Модель обучалась на 3257 примерах с anchor, positive и negative парами и подходит для семантического поиска по вьетнамским текстам; базовая модель описана как эмбеддер для вьетнамского языка на основе BGE-M3. Лицензия в предоставленных данных не указана.

deepvk/deberta-v1-base — предварительно обученный двунаправленный энкодер DeBERTa, разработанный deepvk для русского языка. Модель обучена на задаче masked language modeling на корпусе примерно из 400 ГБ очищенных и дедуплицированных текстов: Википедии, книг, комментариев, новостей, субтитров и других источников. В обучающих данных преобладает русский язык, также присутствует небольшая доля других языков. Модель содержит 12 слоёв энкодера, 12 голов внимания и размерность представлений 768; всего около 151,8 млн параметров. Она принимает текст и извлекает контекстные векторные представления для последующего дообучения или использования в NLP-задачах. Это только энкодер без предварительно обученной задачи-специфичной головы, поэтому для классификации и других прикладных задач обычно требуется добавить и обучить соответствующую голову. Максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки на русскоязычном наборе Russian SuperGLUE. Модель распространяется под лицензией Apache 2.0.

deepvk/deberta-v1-distill — русскоязычная предварительно обученная модель от deepvk на основе DeBERTa. Это двунаправленный энкодер без готовой предобученной выходной головы, обученный предсказывать замаскированные токены и сжатый методом дистилляции из более крупной модели. В модели 6 слоёв, 12 голов внимания и размер представления 768; она содержит 95,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и дальнейшей адаптации под задачи классификации, разметки и анализа русского языка. Обучающие данные включают около 400 ГБ отфильтрованных и дедуплицированных текстов из Википедии, книг, соцсетей, новостных сайтов и других источников. Основной язык — русский, также присутствует небольшая доля других языков; метаданные карточки отмечают русский и английский. Распространяется по лицензии Apache 2.0.

Erlangshen-SimCSE-110M-Chinese — китайская модель эмбеддингов предложений из семейства Erlangshen, разработанного командой Fengshenbang (IDEA-CCNL). Она основана на BERT-base и обучена контрастивному обучению SimCSE: использованы неразмеченные данные и китайские пары из набора NLI. Модель формирует вектор предложения непосредственно из представления [CLS], поэтому может оценивать семантическое сходство без дополнительной настройки под конкретную задачу. Модель предназначена для сравнения китайских предложений и получения их векторных представлений, например для поиска семантически близких фраз или ранжирования кандидатов по сходству. Архитектура — BERT, размер по метаданным 129,5 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Florence-2-base-ft — модель компьютерного зрения и понимания изображений от Microsoft, представленная в реализации для библиотеки Transformers. Это дообученная версия Florence-2-base с архитектурой последовательность-в-последовательность и примерно 0,23 млрд параметров. Модель использует текстовые запросы, чтобы переключаться между задачами: описанием изображения, обнаружением объектов, выделением областей, привязкой фраз к объектам и распознаванием текста на изображении. Модель подходит для автоматического описания и анализа изображений, извлечения текста и координат объектов, а также для ответов на визуальные вопросы. В README перечислены оценки на задачах captioning, object detection и визуального вопросно-ответного анализа; модель обучалась на FLD-5B с аннотациями для изображений. Карточка не сообщает поддерживаемые языки текста, поэтому языковую специализацию определить нельзя. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Как и другие модели компьютерного зрения, результаты могут содержать ошибки в описании сцен, распознавании текста и локализации объектов; приведённые в карточке оценки не гарантируют качество на конкретных данных.

deepset/gbert-large-sts — немецкоязычная модель deepset для оценки семантического сходства пар текстов. Она основана на GBERT-large и дообучена на обучающей и валидационной частях немецкого STS-бенчмарка, полученного машинным переводом. Архитектура — BERT для классификации последовательностей, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для сравнения немецких фраз и предложений: например, для поиска похожих формулировок, сопоставления запросов и группировки семантически близких текстов. В карточке указана оценка на тестовой части немецкого STS-бенчмарка, но численные результаты не приведены. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT.

Harrier-Arabic-Matryoshka-0.6B — модель эмбеддингов предложений на базе microsoft/harrier-oss-v1-0.6b, дообученная Omartificial-Intelligence-Space для семантического сходства арабских текстов. Она преобразует предложения и фрагменты текста в векторы для поиска, сравнения, кластеризации и удаления дубликатов; также поддерживает межъязыковой поиск на языках базовой модели. Модель построена на архитектуре Qwen3, содержит около 508 млн параметров и выдаёт эмбеддинги размерностью 1024. Благодаря Matryoshka Representation Learning векторы можно сокращать до 768, 512, 256, 128 или 64 измерений с небольшими потерями качества, что помогает уменьшить индекс и ускорить поиск. Контекстное окно — 32 768 токенов. Модель рассчитана прежде всего на арабский язык и использует библиотеку sentence-transformers. В карточке нет сведений о лицензии и количественных результатах оценки качества, поэтому условия распространения и сравнительную эффективность по ней определить нельзя.

Abiray/harrier-oss-v1-27b-GGUF — это GGUF-квантизированные версии модели эмбеддингов microsoft/harrier-oss-v1-27b, разработанные для генерации текстовых представлений и семантических векторов. Модель предназначена для задач семантического поиска, сопоставления текстов, кластеризации, классификации и других сценариев, где требуется преобразование текста в embedding-векторы. Запуск ориентирован на стандартное потребительское оборудование и CPU с использованием совместимых инструментов, включая llama.cpp. Модель содержит 27 миллиардов параметров. Доступны варианты квантизации с разрядностью 4, 5, 6 и 8 бит: Q4_K_M, Q5_K_M, Q6_K и Q8_0. Восьмибитная версия обеспечивает наиболее высокое качество и близка к FP16, а четырёхбитная имеет наименьший размер — около 16,6 ГБ — и рассчитана на запуск на системах с 24–32 ГБ оперативной памяти. С README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура, набор обучающих данных, численные показатели качества или лицензия. Сильными сторонами являются возможность локального запуска крупной embedding-модели на CPU и выбор между несколькими вариантами размера и качества. К ограничениям относятся значительные требования к памяти, особенно для старших вариантов квантизации, а также потенциальное снижение качества в более компактных версиях. Условия лицензирования в предоставленных данных не указаны.

rahmanfadhil/indobert-finetuned-indonli — модель эмбеддингов предложений на базе IndoBERT от indobenchmark, дообученная автором на наборе IndoNLI с функцией потерь MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и кластеризации индонезийских текстов. Архитектура — BERT, число параметров — 151,6 млн, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

Indonesia Islamic Sentence-BERT — модель Sentence Transformers, дообученная автором ramadita на firqaaa/indo-sentence-bert-large. Она преобразует предложения и абзацы на индонезийском языке в плотные векторы размерностью 2048 для поиска по смыслу, сравнения сходства предложений, поиска перефразировок, классификации и кластеризации текста. Архитектура основана на BERT с пуллингом CLS- и средних токеновых представлений; максимальная длина входа — 512 токенов. Для сравнения векторов рекомендуется косинусное сходство. Модель рассчитана на индонезийский язык и опубликована в форматах safetensors и ONNX. В README приведены результаты TripletEvaluator на dev и test наборах, однако метрики зависят от этих данных. Лицензия — Apache-2.0.

indoSBERT-large — модель семейства BERT, опубликованная пользователем denaya в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев на индонезийском языке. Модель основана на sentence-transformers и дообучена по схеме сиамской сети, вдохновлённой SBERT, с использованием набора STS 2012–2016, переведённого на индонезийский язык. Размер эмбеддинга — 256 измерений, контекст — до 512 токенов. Полученные векторы подходят для семантического поиска, сравнения смысловой близости предложений и кластеризации текстов. Доступны веса PyTorch; модель принимает текст и выдаёт векторы. Лицензия в предоставленных сведениях не описана.

oshizo/japanese-e5-mistral-7b_slerp — объединённая модель эмбеддингов, созданная oshizo слиянием intfloat/e5-mistral-7b-instruct и stabilityai/japanese-stablelm-base-gamma-7b методом SLERP. Она предназначена для получения качественных представлений предложений и сравнения их семантического сходства, в частности для работы с японским текстом. Архитектура — плотная Mistral с 7,1 млрд параметров; максимальная длина контекста по метаданным — 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Модель подходит для поиска по смыслу, ранжирования и сопоставления японских предложений или текстовых фрагментов через их эмбеддинги. В README автор указывает, что при слиянии использовал больше японской базовой модели в слоях ближе к входу, чтобы сохранить понимание японского языка, и больше E5 в слоях ближе к выходу для получения эмбеддингов. Для примеров использования README направляет к карточке E5-Mistral-7B-Instruct и оценочному ноутбуку JapaneseEmbeddingEval.

jina-embeddings-v5-omni-nano-text-matching — мультимодальная модель эмбеддингов от Jina AI, настроенная на сопоставление текста. Она принимает текст, изображения, видео и аудио и преобразует их в общий векторный простор, согласованный с текстовой моделью jinaai/jina-embeddings-v5-text-nano-text-matching. Модель содержит около 0,95 млрд параметров и выдаёт эмбеддинги размерностью 768; поддерживаемая задача — text-matching. Модель предназначена для поиска и сопоставления, когда документы индексируются текстом, а запрос может поступать в виде изображения, видео или аудио. Видео представлено кадрами: звуковая дорожка автоматически не учитывается, её нужно передавать отдельно. Для текстовых документов требуется префикс «Document: ». Доступны веса в формате safetensors, библиотека Transformers и интеграция с Sentence Transformers и vLLM. Это дообученный вариант jinaai/jina-embeddings-v5-omni-nano с настройкой на сопоставление текста. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; перед применением следует проверить её условия.

bongsoo/kpf-cross-encoder-v1 — корейская модель-переранжировщик на базе BERT, дообученная автором на jinmang2/kpfbert как cross-encoder с использованием класса CrossEncoder из SentenceTransformers. Она оценивает семантическое сходство пары текстов и подходит для сопоставления предложений и ранжирования кандидатов по релевантности. В README приведены результаты на корейских наборах KorSTS и KLUE-STS, а также на STS-B и STS-B Multi-MT; для KLUE-STS указана оценка 0,9133. Модель содержит 141,2 млн параметров, использует архитектуру BertForSequenceClassification и принимает до 512 токенов контекста. Карточка показывает поддержку корейского языка; результаты также приведены для английского тестового набора STS-B Multi-MT. Веса доступны в формате PyTorch по лицензии Apache-2.0. Модель выдаёт оценку сходства для пары текстов, а не универсальные текстовые ответы.

xmanii/maux-gte-persian — модель Sentence Transformers, дообученная на базе Alibaba-NLP/gte-multilingual-base для работы с персидским языком (фарси). Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов. Архитектура включает трансформерный энкодер, пулинг по CLS-токену и нормализацию; сходство оценивается косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации персидских текстов. Она обучена на 2000 парах персидских предложений, переведённых с английского с помощью GPT-4, поэтому качество может зависеть от охвата и особенностей этого набора данных. Опубликована в формате safetensors; условия лицензии в предоставленных данных не описаны.

hatemestinbejaia/mmarco-Arabic-AraDPR-bi-encoder-NoKD-v1 — арабоязычная модель Sentence Transformers на базе BERT, дообученная на наборе RARAELECTRAandRARABERTusedDATASET. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и ранжирования текстов; близость оценивается косинусным сходством. Модель подходит для поиска релевантных фрагментов в системах вопросов и ответов, поиска перефразировок и кластеризации текстов. Максимальная длина входа — 512 токенов. В архитектуре используется усреднение токенных представлений BERT. В README приведены результаты оценки ранжирования: MAP 0,5211 и MRR@10 0,5216. Модель ориентирована на арабский язык; метаданные указывают 205,1 млн параметров и формат safetensors. Лицензия в предоставленных сведениях не указана.

MultiLinguSwahili-bge-small-en-v1.5-nli-matryoshka — компактная модель Sentence Transformer, разработанная Sartify LLC на базе BAAI/bge-small-en-v1.5 и дообученная на наборе Mollel/swahili-n_li-triplet-swh-eng. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и сравнения текстов. Архитектура включает BERT, пулинг по токену CLS и нормализацию; модель содержит 40 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена сопоставлять тексты на суахили и английском, в том числе находить близкие по смыслу пары и различать отрицательные примеры. Её можно использовать для многоязычного семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. README приводит результаты оценки сходства предложений на нескольких вариантах тестового набора. Лицензия в предоставленных данных не указана. Качество на других языках, вне описанных сценариев и на текстах длиннее 512 токенов не установлено; как и у других моделей эмбеддингов, результаты зависят от данных и способа применения в поисковой или классификационной системе.

norsbert3-base-matryoshka — модель Sentence Transformers, дообученная MagnusSa на базе ltg/norbert3-base на наборах utdanning_pair_qa, ltg/norquad и NbAiLab/mnli-norwegian. Она кодирует предложения и абзацы в плотные векторы размерности 768, используя скрытое состояние токена CLS и косинусное сходство; Matryoshka-обучение позволяет получать эмбеддинги меньшей размерности. Максимальная длина входа — 512 токенов. Модель предназначена прежде всего для норвежского языка и подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В карточке приведены результаты оценки поиска для размерностей векторов 768, 512, 256, 128 и 64. Модель принимает текст и выдаёт эмбеддинги; базовый трансформер — NorbertModel, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Показатели качества относятся к указанным в карточке оценкам поиска и могут не отражать качество на других данных и задачах.

KhoaUIT/Phobert-UIT-R2GQA — модель Sentence Transformer на архитектуре RoBERTa, обученная на датасете R2GQA. Она преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их косинусным сходством; модель подходит для оценки семантической близости, семантического поиска, поиска перефразировок, классификации и кластеризации текста. В Sentence Transformers используется усреднение токенных представлений, максимальная длина последовательности составляет 256 токенов, а контекст модели — 258 токенов. Модель ориентирована на вьетнамский язык и вопросы и ответы по датасету R2GQA. Её можно применять для поиска релевантных фрагментов и группировки похожих текстов. В README не приведены результаты оценки качества или условия лицензии, поэтому их нельзя уточнить по доступным сведениям.

PLaMo-Embedding-1B — модель векторных представлений японского текста, разработанная Preferred Networks, Inc. Она преобразует тексты в эмбеддинги размерностью 2048 и предназначена для поиска информации, сравнения сходства предложений, классификации и кластеризации; особенно сильные результаты показала в задачах поиска на японском бенчмарке JMTEB. Модель имеет плотную архитектуру PlamoBiModel и содержит 1,1 млрд параметров. Максимальная длина контекста составляет 4096 токенов, а для сравнения текстов используется косинусное сходство. README сообщает, что при кодировании длинные тексты обрезаются; для запросов эффективный предел немного меньше из-за добавляемого префикса. Модель рассчитана на японский язык и распространяется по лицензии Apache 2.0, допускающей коммерческое использование.

PolDense-400M — польская модель эмбеддингов от OPI-PIB, предназначенная для плотного поиска и семантического сопоставления текстов. Она построена на энкодере ettin-encoders с архитектурой ModernBERT и содержит около 394,7 млн параметров. Модель формирует векторные представления текстов и рассчитана прежде всего на польскоязычные сценарии поиска, извлечения сведений и RAG; контекст — до 7 999 токенов. Модель обучали в три этапа: адаптация англоязычных энкодеров к польскому языку с помощью дистилляции, дополнительная дистилляция на польских текстах и контрастивная настройка для задач поиска. В README заявлено, что на бенчмарке PIRB из 41 задачи поиска модель показывает результаты на уровне крупных многоязычных моделей. Для поиска запрос следует предварять префиксом «[query]: », а для симметричного сравнения текстов — «[sts]: ». Модель подходит для построения поисковых систем и RAG по польским документам, а также для оценки семантической близости польских текстов. Репозиторий содержит веса safetensors; лицензия указана как Gemma. README описывает также обучение на польско-английских парах и дистилляцию от многоязычного учителя, но позиционирует семейство как ориентированное на польский язык.

PPLX Embed v1 0.6B ONNX INT8 — артефакт серверного инференса эмбеддингов, используемый Deposium в deposium-turbov3. Модель с двунаправленной архитектурой PPLXQwen3Model содержит около 507,9 млн параметров и распространяется в формате ONNX с INT8-квантизированными весами. Модель принимает текст и выдаёт векторное представление размерностью 1024; серверный сценарий использует первые 256 измерений благодаря усечению Matryoshka. Она рассчитана на контекст до 32 768 токенов и подходит для получения текстовых эмбеддингов в серверных приложениях, например для поиска и сопоставления текстов. Лицензия — MIT. Репозиторий содержит ONNX-модель с внешним файлом данных и файлы конфигурации и токенизатора. Это серверный артефакт, поэтому он отличается от однофайловой браузерной версии для Transformers.js; совместимость с другими рантаймами и качество на конкретных задачах в карточке не описаны.

LifetimeMistake/Qwen3-VL-Embedding-2B-AWQ-4bit — квантизированный вариант мультимодальной модели эмбеддингов Qwen3-VL-Embedding-2B, разработанной командой Qwen. Модель преобразует векторы представления текстов, изображений, скриншотов, видео и смешанных текстово-визуальных запросов и предназначена для семантического поиска, retrieval-задач и построения мультимодальных систем поиска и сопоставления. Модель имеет размер 2B параметров в базовой версии, поддерживает более 30 языков, контекст до 32 тысяч токенов и размерность эмбеддингов до 2048 с возможностью использовать меньшие размерности. Применена 4-битная AWQ-квантизация весов текстовых Linear-слоёв с форматом compressed-tensors и размером группы 128; визуальные модули и lm_head оставлены без квантизации. Предусмотрено развёртывание через vLLM с backend compressed-tensors. Для мультиязычных retrieval-задач рекомендуются инструкции на английском языке. По сравнению с исходной FP16-моделью вариант AWQ показал небольшое снижение nDCG@10 и Recall@10, но рост MRR@10; в описанном тестировании он лучше сохранил качество мультимодального поиска, чем альтернативный NVFP4-вариант. При этом заметного ускорения работы относительно FP16 не получено, а квантизация выполнялась по текстовой части с использованием преимущественно текстовых калибровочных данных, что может ограничивать переносимость результатов на отдельные визуальные сценарии. Модель распространяется по лицензии Apache-2.0.

Hyper-AI/Qwen3-VL-Embedding-8B-fp8 — мультимодальная модель для построения эмбеддингов, представленная как FP8-квантизированная версия 8-миллиардной модели семейства Qwen3-VL. В метаданных указана базовая модель Qwen/Qwen3-VL-8B-Instruct, а описание связывает модель с серией Qwen3-VL-Embedding, разработанной для мультимодального поиска и сопоставления информации. Инструментарий lightvl, упомянутый в README, предназначен для квантизации моделей и интеграции с vLLM; автор репозитория явно не назван. Модель принимает текст, изображения, скриншоты, видео и произвольные комбинации этих модальностей. Она предназначена для семантического поиска, кросс-модального retrieval, кластеризации, сопоставления текста с изображениями или видео и построения первого этапа двухступенчатых поисковых систем совместно с reranker-моделью. Заявлена поддержка более 30 языков, контекст до 32K токенов и размерность эмбеддингов до 4096 с настраиваемым выходным размером от 64 до 4096. Также заявлена поддержка инструкций для адаптации к конкретным задачам и MRL. Ключевое преимущество этой версии — снижение потребления памяти примерно с 16 до 8,8 ГБ и заявленное ускорение около 30% по сравнению с исходной версией; предусмотрен запуск через vLLM. README также сообщает о cosine similarity до 0,99 для изображений, однако не приводит подробностей методики измерения. Ограничения включают зависимость качества и производительности от FP8-квантизации, аппаратной поддержки и выбранных настроек инференса; подробные требования к оборудованию и результаты бенчмарков в приведённых данных отсутствуют. Лицензия — Apache-2.0.

RuBERT-base-cased — русскоязычная версия двунаправленного трансформера BERT, разработанная DeepPavlov. Модель имеет 12 слоёв, скрытый размер 768, 12 голов внимания и около 205 млн параметров по метаданным. Она принимает текст и извлекает контекстные векторные представления токенов; контекст ограничен 512 токенами. Модель обучалась на русскоязычных текстах Википедии и новостях. При создании использовалась мультиязычная версия BERT-base в качестве начальной точки, а словарь субтокенов был построен для русского языка. Чекпойнт включает головы MLM и NSP и подходит как основа для дальнейшей адаптации к задачам обработки русского языка. Лицензия в предоставленных данных не указана. Прикладные ограничения, помимо длины контекста, в карточке не описаны.

Sambert — модель эмбеддингов на основе BERT, представленная как sentence-transformers-модель для иврита. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 211,6 млн параметров, использует архитектуру BertModel и поддерживает контекст длиной до 512 токенов. Обучение проходило в два этапа: сначала на примерно двух миллионах абзацев с MultipleNegativesRankingLoss, затем на примерно 70 тысячах абзацев с CosineSimilarityLoss. Модель подходит для поиска и группировки текстов на иврите по смыслу. Лицензия в предоставленных данных не указана.

sat-9l-sm — модель семейства Segment any Text, разработанная для библиотеки wtpsplit. Она предназначена для сегментации текста на предложения и решает эту задачу как классификацию токенов: размечает границы предложений, в том числе в текстах без надёжной пунктуации. Модель использует архитектуру XLM для классификации токенов, содержит 276,9 млн параметров и рассчитана на последовательности длиной до 514 токенов. Карточка заявляет качество уровня state of the art и указывает, что модель имеет 9 слоёв Transformer. Поддерживаются многие языки, включая арабский, английский, русский, китайский и японский; лицензия — MIT.

akhooli/sbert_ar_nli_500k_ubc_norm — модель Sentence Transformers, созданная дообучением UBC-NLP/ARBERTv2 на 500 тысячах арабских NLI-триплетов. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения текстов используется косинусное сходство. Архитектура основана на BERT с усреднением токенных представлений, принимает последовательности длиной до 512 токенов и предназначена для арабского языка. Модель подходит для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Качество может снижаться на текстах других языков и на последовательностях длиннее 512 токенов.

hiiamsid/sentence_similarity_hindi — модель Sentence-Transformers на архитектуре BERT, разработанная для работы с предложениями и абзацами на хинди. Она преобразует текст в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, семантического поиска и кластеризации текстов. Модель содержит 498,1 млн параметров и поддерживает контекст до 512 токенов. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling для контекстных представлений токенов. Модель обучена с функцией CosineSimilarityLoss и основана на setu4993/LaBSE. Репозиторий содержит веса PyTorch; сведения о лицензии в доступных данных отсутствуют.

Это Sentence Transformer на базе BERT-Large, дообученный для сопоставления предложений на наборе данных score. Модель преобразует предложения и абзацы в плотные векторы размерности 1024; близость оценивается косинусным сходством. Архитектура включает BERT с регистрозависимой токенизацией и усреднением токенных представлений. Модель содержит 433,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена прежде всего для оценки семантического сходства португалоязычных текстов. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. README приводит результаты оценки сходства на ASSIN2, однако отдельные метрики не вполне согласованы между секциями, поэтому их следует сверять с конкретной конфигурацией оценки. Базовая модель — neuralmind/bert-large-portuguese-cased; лицензия в предоставленных данных не указана.