II.6Документация и сопровождение разработки

jina-embeddings-v5-omni-small-text-matching — мультимодальная модель эмбеддингов Jina AI, вариант семейства jina-embeddings-v5-omni-small, настроенный на сопоставление. Она принимает текст, изображения, видео и аудио и отображает их в общее векторное пространство, согласованное с текстовой моделью jinaai/jina-embeddings-v5-text-small-text-matching. Модель содержит около 1,56 млрд параметров и формирует эмбеддинги размерностью 1024; для текста при индексировании используется префикс «Document: ». Видео представляется кадрами, звуковая дорожка автоматически не обрабатывается. Модель подходит для мультимодального поиска и сравнения: можно индексировать документы и выполнять запросы изображениями, видео или аудио без повторной индексации. Поддерживается усечение эмбеддингов с повторной L2-нормализацией. Для экономии памяти можно загружать только нужные модальные компоненты; доступны интеграции с Transformers, sentence-transformers и vLLM. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

snunlp/KR-SBERT-Medium-klueNLI-klueSTS — корейская модель SentenceTransformer от SNUNLP на основе BERT, дообученная на данных klue/klue. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для оценки семантической близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство; средний pooling формирует представление из токенов. Модель принимает текст на корейском языке, имеет контекст до 512 токенов и около 128,6 млн параметров. Карточка приводит результат Spearman 0,8546 по cosine на sts-dev. Модель подходит для поиска похожих корейских фраз и построения эмбеддингов, но сама по себе не генерирует ответы; указанные задачи классификации требуют отдельной классификационной головы или последующей обработки векторов. Весовые файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Модель ivanlau/language-detection-fine-tuned-on-xlm-roberta-base — классификатор текста на основе XLM-RoBERTa, дообученный на наборе данных common_language для определения языка. Она принимает текст и выдаёт метку класса, соответствующую распознанному языку. В README указана точность 0,9738 на оценочном наборе данных; число параметров составляет 305,2 млн, контекст — до 514 токенов. Модель подходит для автоматической разметки языка коротких текстов и маршрутизации запросов в многоязычных системах. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Точность на оценочном наборе не гарантирует такого же результата на текстах других типов и длины.

NeuML/language-id — модель NeuML для определения языка по тексту. Это экспорт модели FastText Language Identification в формат staticvectors; инференс выполняется в Python с NumPy, а распознавание опирается на символьные n-граммы, что обеспечивает эффективную работу. Модель предназначена для автоматической классификации коротких или длинных текстовых фрагментов по языку. Её можно использовать для предварительной маршрутизации текста в многоязычных конвейерах обработки данных. Карточка указывает многоязычную поддержку, но не перечисляет отдельные языки. Модель распространяется по лицензии CC BY-SA 3.0.

Lite-Whisper large-v3-acc — сжатая версия мультиязычной модели распознавания речи Whisper large-v3 от OpenAI, разработанная с использованием LiteASR. Она предназначена для преобразования речи в текст. В оценке на наборах данных ESB модель показала средний WER 10,1 — такой же, как у Whisper large-v3; размер энкодера составляет 429 млн параметров против 635 млн у исходной модели, а декодера — 907 млн. Модель построена на архитектуре LiteWhisperForConditionalGeneration и содержит 905,2 млн параметров. Она принимает аудио и выдаёт текст; базовая модель поддерживает многоязычную транскрибацию и перевод аудио в текст. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

mmBERTscandi-base-embedding — модель Sentence Transformer, разработанная Emillykkejensen и дообученная на датасете скандинавских текстовых эмбеддингов DDSC/nordic-embedding-training-data. В основе лежит jonasaise/scandmmBERT-base-scandinavian — ModernBERT с 306,9 млн параметров. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов на датском, норвежском и шведском языках. Её можно применять для поиска близких по смыслу фрагментов, выявления перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки на датских и скандинавских наборах для информационного поиска. Модель распространяется под лицензией Apache-2.0. Качество поиска зависит от соответствия данных и запросов языкам и тематике обучения; в README нет результатов для других языков.

mMiniLMv2-L6-H384 — повторная публикация Microsoft Multilingual MiniLM v2 пользователем hotchpotch для более удобного использования через библиотеку Transformers. Это плотная модель семейства XLM-RoBERTa с 110,2 млн параметров, предназначенная для извлечения признаков из текста. Максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса в формате safetensors. Модель можно использовать как основу для получения текстовых представлений в мультиязычных сценариях. README указывает на предварительно обученную Multilingual MiniLM v2; языки отдельно не перечислены. Модель распространяется по лицензии MIT. Авторы просят указывать авторство оригинальной модели.

MyAwesomeModel — модель, размещённая пользователем liuf12123456 и доступная через библиотеку Transformers. Согласно метаданным Hugging Face, она относится к архитектурному семейству BERT, использует PyTorch и предназначена для извлечения признаков из текста, то есть преобразования текстовых входов в векторные представления для последующего анализа.

Nex-N2.5-mini-Uncensored-GGUF — это набор GGUF-квантизаций модели Nex-N2.5-mini, опубликованный OrcaRouter на основе модели Nex-AGI. Версия является abliterated-сборкой с существенно удалённым механизмом отказов и предназначена прежде всего для исследований интерпретируемости, безопасности ИИ, изучения механизмов отказа, red teaming, оценки устойчивости и контролируемых экспериментов. Модель представляет собой мультимодальную agentic Mixture-of-Experts-систему на архитектуре Qwen3.5-MoE: 35 млрд параметров, около 3,5 млрд активных на токен, 256 маршрутизируемых экспертов с выбором top-8 и одним общим экспертом. Используется гибридное соотношение 3:1 между gated delta-net linear attention и full attention, встроенная vision-башня Qwen3-VL и контекст до 262 тысяч токенов. Поддерживаются английский и китайский языки, работа с текстом и изображениями, а также сценарии computer use и function calling. Файлы рассчитаны на запуск в llama.cpp на CPU, CUDA, Metal и ROCm; доступны квантизации от 2 до 8 бит с importance matrix, а для vision требуется отдельный файл mmproj. К сильным сторонам относятся большой контекст, мультимодальность, MoE-архитектура с низким числом активных параметров и широкий выбор квантизаций, включая рекомендуемую 4-битную IQ4_XS. Ограничения включают заметное падение качества на наиболее агрессивных квантизациях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35moe и отсутствие MTP-головы, поэтому speculative decoding через MTP недоступен. Из-за удаления защитных механизмов модель может выполнять вредоносные, незаконные и опасные запросы и не имеет значимых встроенных ограничений безопасности; её не следует использовать в production или напрямую предоставлять конечным пользователям без собственных систем модерации и защиты от злоупотреблений. Лицензия — Apache 2.0, унаследованная от базовой модели.

OpenLID — модель классификации текста для автоматического определения языка, разработанная Laurie Burchell, Alexandra Birch, Nikolay Bogoychev и Kenneth Heafield. Она построена на fastText и охватывает 201 язык; модель обучена на наборе OpenLID и оценивалась на бенчмарке FLORES-200. Модель предназначена для определения языка короткого текста и предварительной фильтрации или маршрутизации многоязычных данных в NLP-конвейерах. Лицензия — GPL-3.0. Ограничения связаны с охватом только 201 языка, неравномерным качеством распознавания и оценкой на предложениях из Википедии, которая может не отражать результаты на данных из других областей. Часть обучающих данных не проверялась носителями языка; ошибки могут затрагивать диалекты, письменности и малые языки.

mlx-community/parakeet-ctc-1.1b — версия модели NVIDIA Parakeet CTC 1.1B, подготовленная сообществом mlx-community для запуска через MLX. Это модель распознавания речи на архитектуре семейства FastConformer/Conformer с CTC-декодированием: она принимает аудио и преобразует речь в текст. В карточке указаны поддержка MLX и формат весов safetensors; для использования предлагаются библиотеки parakeet-mlx и mlx-audio. Модель предназначена для автоматической транскрипции речи. Она распространяется по лицензии CC BY 4.0. README отсылает к исходной карточке NVIDIA за подробностями, поэтому конкретные сведения о языках, длине аудио и ограничениях качества здесь не подтверждены.

thang1943/phobert-base-v2-mnr-loss — Sentence Transformers на основе PhoBERT-base-v2, дообученная автором на наборе dataset_full_fixed из 43 803 примеров с MultipleNegativesRankingLoss. Модель кодирует предложения и абзацы во векторы размерности 768 и предназначена для поиска семантически близких текстов, оценки сходства и извлечения релевантных фрагментов. Также её можно применять для поиска перефразирований, кластеризации и классификации текста. Архитектура — RoBERTa-энкодер с усреднением токенных представлений; сходство в README рассчитывается косинусной мерой. Максимальная длина последовательности указана как 256 токенов в README и 258 контекстных токенов в метаданных. Базовая PhoBERT ориентирована на вьетнамский язык, а обучающие примеры README также написаны по-вьетнамски. Веса представлены в формате safetensors; модель содержит 162,4 млн параметров и использует библиотеку sentence-transformers. В README приведены метрики поиска на dim_768: cosine_accuracy@1 — 0,6382, @3 — 0,7703 и @5 — 0,8187. Эти значения относятся к описанной оценке и не гарантируют такое же качество на других данных. Лицензия в предоставленных сведениях не указана.

dealignai/Qwen3.8-Flash-Next-CRACK-JANG_4M — это экспериментальная CRACK-abliterated сборка модели JANGQ-AI/Qwen3.8-Flash-Next-JANG_4M, подготовленная для запуска на Apple Silicon через MLX и vMLX. Модель относится к предварительной линейке qwen4_exp и предназначена для мультимодальных сценариев, включая работу с текстом, изображениями и видео, рассуждения, агентное взаимодействие и использование инструментов. Архитектура описана как смесь экспертов примерно на 176 млрд параметров с 512 экспертами и около 6 млрд активных параметров. Используется гибрид Gated DeltaNet и Qwen Sparse Attention, hashed n-gram embedding и встроенная multi-token-prediction head. Доступны режимы рассуждения off, low и xhigh; заявлена поддержка английского и китайского языков. Сборка использует смешанную точность JANG_4M и занимает около 96 ГБ на диске, при этом требует примерно 70 ГБ активной оперативной памяти; около 26 ГБ таблицы n-грамм хранится на диске и подгружается по требованию. К сильным сторонам относятся сохранённые мультимодальные возможности, рассуждение, работа с инструментами и отсутствие встроенного отказного поведения. По приведённому тесту MMLU результат CRACK составляет 85,92% против 86,89% у базовой версии, то есть наблюдается небольшое снижение качества, а по отдельным предметам падение заметнее. Модель является исследовательским артефактом, требует значительных ресурсов и рассчитана прежде всего на совместимый runtime vMLX. Лицензия указана как qwen-community-1.0; условия следует уточнять в файле LICENSE.

VnimanieAI/Qwen3.8-Flash-Next-W4A16 — это 4-битная INT4-квантизация модели Qwen3.8-Flash-Next, разработанная VnimanieAI на базе модели Qwen. Чекпойнт предназначен для запуска через Transformers и vLLM на потребительских GPU NVIDIA Ampere, прежде всего на конфигурациях из 4–8 RTX 3090, где исходная FP8-версия не поддерживается. По карточке модели он относится к сценарию image-text-to-text, однако подробное описание поддерживаемых языков и фактических модальностей в README отсутствует. Основные веса квантизированы методом RTN в формате compressed-tensors: W4A16, symmetric, group-128. Квантизация охватывает маршрутизируемые MoE-эксперты и attention-проекции, тогда как чувствительные компоненты, включая shared expert, MTP-модуль, PLE n-gram tables, роутер, индексатор QSA, линейное внимание, эмбеддинги и vision encoder, сохранены в BF16. Модель имеет 125 млрд параметров в базовом представлении; размер на диске уменьшен примерно с 335 до 168 ГБ, а около 102 ГБ таблиц PLE размещаются в оперативной памяти хоста. Поддерживается контекст до 262 тысяч токенов на 8 GPU либо до 96 тысяч на 4 GPU. Сильные стороны модели — возможность запуска крупной Flash-Next-модели на Ampere, сохранение качества, сопоставимого с базовой версией на заявленном наборе тестов, и сохранённая BF16-голова MTP для speculative decoding, которая, по данным авторов, ускоряет однопоточный декодинг на 57%. Ограничения включают высокие требования к видеопамяти и оперативной памяти, обязательное использование expert parallelism и специальной конфигурации vLLM; запуск с torch.compile на Ampere может зависать. Для инференса требуется не менее 110 ГБ свободной RAM и особые параметры Docker. Модель распространяется по лицензии qwen-community-1.0.

masahiroid/ruri-v3-reranker-310m-mlx — неофициальная конверсия японского реранкера Ruri, разработанного проектом Ruri при Nagoya University / cl-nagoya. Модель основана на ModernBERT и предназначена для оценки релевантности пар текстов и сортировки кандидатов в поиске и RAG. Конверсия позволяет запускать её нативно на Apple Silicon через пакет mlx-embeddings. Модель содержит 314,6 млн параметров, использует точность bfloat16 без квантизации и поддерживает контекст до 8192 токенов. Карточка указывает японский и английский языки. Репозиторий распространяется по лицензии Apache-2.0; это неофициальная версия сообщества, а не выпуск команды cl-nagoya.

Sentence-ModernBERT-JP-0.5B-PT — модель для получения векторных представлений японских предложений, разработанная на основе iamtatsuki05/ModernBERT-JP-0.5B-PT-stage2. Авторы дообучили базовую ModernBERT методом контрастивного обучения со слабой разметкой на датасете cl-nagoya/ruri-dataset-v2-pt; модель содержит около 677,5 млн параметров и выдаёт эмбеддинги размерности 1280 с усреднением токенов. Модель предназначена для поиска по смыслу, сравнения предложений и извлечения релевантных текстов. Она принимает текстовые последовательности длиной до 8192 токенов, использует токенизатор SentencePiece с размером словаря 102 400 и позиционное кодирование RoPE; для сравнения векторов рекомендуется косинусное сходство. Поддерживаемый язык — японский. Модель распространяется в формате safetensors и доступна по лицензии MIT.

lxyuan разработал SpanMarker на основе bert-base-multilingual-cased, дообучив модель на наборе Babelscape/multinerd. Это модель для распознавания именованных сущностей: она выделяет в тексте упоминания людей, организаций и мест, а также другие типы сущностей из разметки MultiNERD. Модель поддерживает десять языков: немецкий, английский, испанский, французский, итальянский, нидерландский, польский, португальский, русский и китайский. В опубликованной карточке приведены результаты оценки: общий F1 — 92,61; для английского — 95,20. Модель использует регистрозависимый вариант BERT, поэтому качество может снижаться, если регистр букв в исходном тексте часто нарушен. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий указания авторства и распространения производных материалов.

sentence-transformers-testing/stsb-bert-tiny-onnx — модель семейства Sentence-Transformers, разработанная сообществом Sentence-Transformers и представленная на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 128, предназначенные для сравнения семантической близости, семантического поиска и кластеризации. В README также указана возможность использования через библиотеки Sentence-Transformers и Hugging Face Transformers. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов без приведения текста к нижнему регистру. Вектор предложения формируется mean pooling с учетом attention mask. Модель одномодальная и работает с текстом; поддерживаемые языки в README не указаны. Обучение проводилось с CosineSimilarityLoss, оптимизатором AdamW и десятью эпохами, однако сведения о датасете, качестве и результатах оценки отсутствуют. Сильной стороной модели является компактное 128-мерное представление, удобное для поиска и кластеризации, а также интеграция с распространенными инструментами экосистемы Transformers. Ограничения включают отсутствие данных о языковой специализации, фактической точности и составе обучающей выборки. Лицензия в README не указана.

nreimers/TinyBERT_L-6_H-768_v2 — версия General_TinyBERT_v2 с 6 слоями и размерностью скрытого представления 768, перенесённая в библиотеку Hugging Face Transformers. Модель построена на архитектуре BERT и предназначена для извлечения контекстных векторных представлений текста, которые можно использовать в последующих NLP-задачах. В репозитории доступны веса PyTorch и Flax. Модель содержит 80,1 млн параметров и принимает последовательности длиной до 512 токенов. Лицензия в предоставленных данных не указана.

Twitter4SSE — модель для вычисления семантического сходства текстов, разработанная авторами исследования об использовании Twitter для создания корпусов слабосвязанных пар предложений. Она преобразует текст в плотные эмбеддинги размерностью 768 и обучена на данных Twitter с функцией потерь Multiple Negatives Ranking Loss (MNRL). Модель основана на BERTweet и обучена с помощью Sentence-Transformers. Архитектура — RoBERTa; размер составляет 162,4 млн параметров, максимальный контекст — 130 токенов. Модель предназначена для сравнения предложений и поиска семантически близких текстов; метаданные указывают английский язык. Лицензия — Apache 2.0.

ukr-models/uk-punctcase — модель на базе XLM-RoBERTa-Uk, дообученная на украинских текстах для восстановления пунктуации и регистра букв. Она выполняет разметку токенов, чтобы восстанавливать знаки препинания и правильное написание заглавных и строчных букв в тексте. Модель содержит 137,3 млн параметров, использует архитектуру XLM-RoBERTa и рассчитана на контекст до 514 токенов. Форматы весов — PyTorch и safetensors. Лицензия MIT.

OpenVINO/whisper-medium-fp16-ov — модель автоматического распознавания речи, разработанная OpenAI и преобразованная в формат OpenVINO IR с весами в формате FP16. Она предназначена для транскрибации аудиозаписей в текст и поддерживает работу через Optimum Intel, OpenVINO GenAI и OpenVINO Model Server, включая интеграцию с OpenAI-совместимым клиентом. Модель основана на whisper-medium; в README не указаны её точный размер и архитектурные параметры. Заявлена поддержка широкого набора языков, включая английский, китайский, немецкий, испанский, русский, французский, японский и многие другие. Конкретный размер контекста и дополнительные модальности не указаны. Ключевая особенность версии — совместимость с OpenVINO версии 2025.2.0 и выше и Optimum Intel версии 1.23.0 и выше, что позволяет запускать инференс на поддерживаемых CPU и GPU. Сильными сторонами являются широкая языковая поддержка, оптимизированное представление OpenVINO IR и возможность развертывания локально или через серверную инфраструктуру. Ограничения и особенности качества следует уточнять в исходной карточке whisper-medium, на которую ссылается README. Модель распространяется по лицензии Apache-2.0.

Whisper-Medium-MLA — мультиязычная модель распознавания речи, созданная на основе OpenAI Whisper Medium. Разработчик преобразовал декодерное self-attention из MHA в MLA и дообучил модель для восстановления качества на 11 языках корпуса Whispered. В модели 455,8 млн параметров; она принимает аудио и выдаёт текст. По данным карточки, преобразование сокращает KV-кэш декодера на 62,5%, особенно полезно при длинной генерации и одновременной обработке нескольких потоков. Модель предназначена для транскрибации речи, в том числе записей с потребительских микрофонов и речи с фоновым шумом. В README приведены оценки на CommonVoice-17 и FLEURS для английского, немецкого, испанского, французского, русского, турецкого, валлийского, арабского, грузинского, тайского и китайского языков. Качество зависит от языка: для грузинского автор отмечает очень высокий WER и ограничение ёмкости модели. Для загрузки требуются transformers версии 4.46.x и trust_remote_code=True из-за пользовательских модулей MLA; модель не поддерживается whisper.cpp, faster-whisper и CTranslate2. Сжатие касается KV-кэша декодерного self-attention, а не памяти энкодера и cross-attention, поэтому выигрыш в общей памяти при одном потоке может быть небольшим. Лицензия — Apache-2.0.

dominguesm/xlm-roberta-base-lora-language-detection — мультиязычная модель для автоматического определения языка текста. Она разработана на базе xlm-roberta-base и дообучена методом PEFT-LoRA с классификационной головой для задач классификации последовательностей. Модель поддерживает 20 языков: арабский, болгарский, немецкий, современный греческий, английский, испанский, французский, хинди, итальянский, японский, нидерландский, польский, португальский, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский. Дообучение проводилось на датасете papluca/language-identification: 70 тысяч обучающих, 10 тысяч валидационных и 10 тысяч тестовых примеров. На тестовой выборке заявлены accuracy и F1 на уровне 99,43–99,4%. Сильной стороной является высокая точность при поддержке нескольких языков и сниженные вычислительные и требования к хранению затраты благодаря LoRA, которая изменяет лишь небольшое число дополнительных параметров. Ограничение модели — классификация только указанных 20 языков; качество на текстах, отличающихся от распределения исходного датасета, в README отдельно не оценено. Лицензия — CC BY 4.0.

Zabanshenas RoBERTa Base Mix — трансформерная модель для определения языка письменного текста, опубликованная m3hrdadfi. Она классифицирует текст, выбирая наиболее вероятный язык; в карточке приведены оценки для документов, предложений и фрагментов длиной 3–5 токенов. Модель основана на RoBERTa, содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Для классификации использован набор WiLI-2018; карточка сообщает о поддержке множества языков. Модель подходит для автоматической маршрутизации и предварительной разметки текстов по языку, в том числе на уровне абзаца или короткого фрагмента. Метаданные указывают форматы PyTorch и TensorFlow и лицензию Apache-2.0. Приведённые в карточке метрики различаются в зависимости от длины входа, поэтому качество на коротких фрагментах может быть ниже, чем на абзацах.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130211808-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.

cassador/2bs32lr2 — модель Sentence Transformers на базе индонезийской BERT-модели indobenchmark/indobert-base-p2, дообученная на afaji/indonli. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости с помощью косинусного сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений; максимальная длина входной последовательности — 512 токенов. Основной язык — индонезийский. В README приведены оценки сходства на sts-dev и sts-test, но они различаются, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

bongsoo/albert-small-kor-cross-encoder-v1 — модель Альберта, дообученная автором карточки как cross-encoder на данных STS и NLI. Она оценивает пары текстов, выдавая оценку семантического сходства или связности; использовать её можно, например, для ранжирования кандидатов по близости к запросу. Модель содержит 79,7 млн параметров, работает с текстом и поддерживает последовательности длиной до 512 токенов. В README приведены результаты оценки на корейских наборах KorSTS и KLUE-STS, а также на STS-B и STS-B Multi-MT; пример использования показывает получение оценок для пар предложений. Модель доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README указывает обучение на корейских STS и NLI данных и отдельно отмечает, что дистилляция не проводилась.

m3hrdadfi/albert-zwnj-wnli-mean-tokens — модель на базе ALBERT, опубликованная пользователем m3hrdadfi. Она предназначена для извлечения векторных представлений предложений и оценки их сходства; её можно подключить через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих предложений, семантического поиска и построения эмбеддингов для текстовых приложений. В названии указаны ZWNJ и WNLI, однако README не уточняет языковую поддержку, обучение и специальные ограничения. Лицензия в предоставленных сведениях не указана.

jaimevera1107/all-MiniLM-L6-v2-similarity-es — испаноязычная модель Sentence Transformers, дообученная на датасете Similarity Sentences Spanish для получения векторных представлений предложений и абзацев. Она основана на архитектуре BERT, содержит 25,9 млн параметров и формирует плотные векторы размерностью 768; заявленная длина контекста — 512 токенов. Модель подходит для семантического поиска, сравнения сходства предложений и кластеризации испаноязычных текстов. В README приведены результаты оценки Spearman Correlation 80,1% и R² 70,67% для строки «Roberta Fine tuned», поэтому эти числа нельзя уверенно приписать именно данной модели. Для работы доступны веса PyTorch и библиотека Sentence Transformers. Модель распространяется по лицензии MIT. Её обучение и заявленные языковые возможности ориентированы на испанский; результаты на других языках не подтверждены.