II.8Инженерия данных и аналитика

deepseek-ai/deepseek-coder-33b-instruct — языковая модель для программирования, разработанная DeepSeek. Это плотная авторегрессионная модель семейства Llama с 33,1 млрд параметров, дообученная на 2 млрд токенов инструкций на основе deepseek-ai/deepseek-coder-33b-base. Модель принимает текст и генерирует текст; она рассчитана на диалоговые запросы о коде и задачи генерации кода. Модель подходит для написания и дополнения кода, заполнения пропусков в файлах, объяснения программ и ответов на вопросы по программированию. Семейство DeepSeek Coder обучалось на 2 трлн токенов, в том числе на проектном коде и текстах на английском и китайском языках; контекст модели составляет 16 384 токена. В README заявлены высокие результаты семейства на бенчмарках HumanEval, MultiPL-E, MBPP, DS-1000 и APPS, но конкретные результаты этой instruct-версии не приведены. Модель распространяется по лицензии, обозначенной в метаданных как «other»; конкретные условия следует сверить с карточкой репозитория. Ее назначение ограничено программированием, а качество ответов и корректность сгенерированного кода требуют проверки.

Deepseek Coder 6.7B Instruct — языковая модель для генерации и обработки программного кода, разработанная DeepSeek и представленная в GGUF-квантизованном формате компанией Second State Inc. Модель основана на deepseek-ai/deepseek-coder-6.7b-instruct и предназначена для работы с инструкциями, ответами на вопросы и задачами программирования в локальных приложениях и сервисах, включая LlamaEdge. Модель содержит 6,7 млрд параметров; в README указана архитектура DeepSeek и контекстное окно 4096 токенов. Поддерживаются различные варианты квантизации от 2 до 8 бит, размером примерно от 2,53 до 7,16 ГБ. Варианты Q4_K_M, Q5_K_M и Q5_K_S обозначены как рекомендуемые благодаря балансу размера и качества. README не содержит точного перечня поддерживаемых языков программирования или естественных языков и не описывает мультимодальные возможности, поэтому модель следует рассматривать как текстовую. Сильными сторонами являются адаптация к инструкциям, ориентация на код и возможность запуска в средах с ограниченными ресурсами за счёт квантизации. Ограничения включают контекст 4096 токенов и неизбежную потерю качества у наиболее компактных вариантов, особенно Q2_K и некоторых Q3/Q4-конфигураций. Для запуска через LlamaEdge требуется версия 0.2.8 или новее и соответствующий prompt template. Лицензия указана как deepseek с обозначением other; дополнительные условия должны быть проверены в файле LICENSE.

DeepSeek-OCR 2 — модель компьютерного зрения и обработки текста из изображений семейства DeepSeek, представленная в репозитории deepseek-community. Она предназначена для распознавания текста и преобразования документов в Markdown; режим grounding позволяет связывать извлечённый текст с координатами областей изображения через специальные теги. Модель использует архитектуру DeepseekOcr2ForConditionalGeneration и принимает изображения с текстовой инструкцией, выдавая текст. Поддерживается динамическое разрешение: базовый режим обрабатывает изображения с несколькими фрагментами 768×768 и дополнительным изображением 1024×1024. В карточке указана многоязычная поддержка, но конкретные языки не перечислены. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README также указывает на ускоренный инференс через vLLM и обработку PDF, однако детали этих сценариев находятся во внешней инструкции.

mlx-community/DeepSeek-R1-Distill-Qwen-7B — языковая модель на архитектуре Qwen2, преобразованная сообществом mlx-community из deepseek-ai/DeepSeek-R1-Distill-Qwen-7B в формат MLX с помощью mlx-lm 0.21.1. В основе лежит дистиллированная модель DeepSeek R1 Distill Qwen 7B с 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста, в том числе для многошаговых рассуждений, решения математических задач и программирования. Она поддерживает контекст до 131 072 токенов. В метаданных указаны чат-возможности и интерфейс вызова инструментов. Репозиторий содержит преобразованную версию для MLX; README описывает использование через mlx-lm. Это преобразование формата, а не отдельное дообучение или квантизация. Сведений о лицензии и ограничениях применения в предоставленных данных нет.

DeepSeek-V2-Lite-XiaAi — объединённая модель для генерации текста, созданная автором карточки с помощью mergekit и метода TIES. В качестве основы использована DeepSeek-V2-Lite; в объединение также включена DeepSeek-Coder-V2-Lite-Instruct. Модель построена на архитектуре DeepSeek V2 и предназначена для диалогового взаимодействия и генерации текста. В карточке указаны 2,5 млрд параметров и контекстное окно до 163 840 токенов. Модель распространяется в формате safetensors и отмечена как поддерживающая чат. Лицензия в предоставленных данных не указана.

KennethEnevoldsen/dfm-sentence-encoder-large-exp1 — модель на базе BERT, упакованная для работы с Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 453,9 млн параметров и принимает последовательности длиной до 512 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель предназначена для получения текстовых эмбеддингов; README не приводит результаты бенчмарков или конкретные поддерживаемые языки. Доступна в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

KennethEnevoldsen/dfm-sentence-encoder-medium-v1 — модель Sentence Transformers на архитектуре XLM-RoBERTa, содержащая 151,7 млн параметров. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения смыслового сходства, семантического поиска и кластеризации. Контекст модели составляет до 514 токенов. Модель предназначена для получения текстовых эмбеддингов, которые можно использовать в поисковых системах, группировке текстов и других задачах сравнения предложений. При обучении применялась функция MultipleNegativesRankingLoss с косинусным сходством. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

yoshinori-sano представляет модель эмбеддингов предложений на базе DistilRoBERTa, предназначенную для сравнения смысловой близости текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, которые подходят для семантического поиска и кластеризации. Модель содержит 95,2 млн параметров, работает с текстом и имеет контекст до 514 токенов. При обучении использована Matryoshka Loss с задачей Multiple Negatives Ranking Loss; модель обучалась представлять тексты в нескольких размерностях: 768, 512, 256, 128 и 64. Для работы доступны Sentence-Transformers и Transformers; веса хранятся в формате safetensors. В метаданных не указаны лицензия и поддерживаемые естественные языки.

aloobun/d-mxbai-L8-embed — англоязычная модель Sentence Transformers, созданная автором репозитория на основе mixedbread-ai/mxbai-embed-large-v1 методом дистилляции: в эксперименте оставлено 8 слоёв исходной модели. Она преобразует предложения в плотные эмбеддинги размерности 1024 и предназначена для сравнения смысла текстов, семантического поиска и извлечения признаков. Архитектура использует BERT и CLS-пулинг; максимальная длина входа — 512 токенов. Модель обучалась на 1 195 425 примерах с MSELoss и распространяется в формате Safetensors по лицензии Apache-2.0. В README приведены значения Spearman cosine 0,8873 на sts-dev и 0,8724 на sts-test. Автор сообщает, что модель обрабатывает около 45 примеров в секунду против примерно 30 у базовой модели, при небольшом снижении точности. Эти результаты относятся к указанным оценкам и условиям эксперимента; язык карточки и примеры указывают на английское применение.

DolphinCoder StarCoder2 15B — языковая модель для генерации кода и диалоговой помощи в программировании, разработанная на базе StarCoder2-15B. Она дообучена методом qLoRA в течение трёх эпох на наборах данных для программирования и инструкционного диалога; в карточке указана архитектура StarCoder2 с 21,7 млрд параметров и контекстом 16 384 токена. Модель использует формат запросов ChatML и рассчитана прежде всего на англоязычные сценарии. Модель подходит для генерации и дополнения кода, ответов на вопросы по программированию и выполнения инструкций разработчика. Автор описывает её как uncensored и предупреждает о высокой готовности выполнять запросы, включая небезопасные; при предоставлении доступа через сервис рекомендуется добавить собственный слой фильтрации. Лицензия — BigCode OpenRAIL-M.

sobamchan/e5-base-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на базе intfloat/e5-base на датасете all-nli. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией и преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина входа — 512 токенов. Векторы предназначены для сравнения по косинусному сходству и поддерживают семантический поиск, поиск перефразировок, кластеризацию и классификацию текста. В README приведён результат на sts-dev: Spearman по косинусному сходству — 0,8695. Модель рассчитана на английский язык, обучена с использованием all-nli и MatryoshkaLoss с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

Карточка модели vectoriseai/e5-large на Hugging Face совпадает с карточкой intfloat/e5-large, поэтому описание составлено по ней. E5-large — англоязычная модель текстовых эмбеддингов, разработанная авторами проекта E5 и обученная методом слабоконтролируемого контрастивного предобучения. Она построена на архитектуре BERT, содержит 24 слоя и 433,9 млн параметров; размер эмбеддинга — 1024. Модель принимает текст и выдаёт векторные представления для сравнения смысловой близости и поиска. Модель подходит для семантического поиска, извлечения фрагментов по запросу, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач используется «query: » перед обоими текстами. Максимальная длина входа — 512 токенов. Модель работает только с английскими текстами. Тексты длиннее лимита обрезаются, а для более высокой точности авторы рекомендуют перейти на e5-large-v2. Лицензия — MIT.

embeddinggemma-300m-GGUF — это GGUF-версия мультиязычной модели эмбеддингов Google EmbeddingGemma 300M, разработанной Google и преобразованной сообществом cstr без дополнительного обучения, дообучения или изменения архитектуры. Модель предназначена для семантического поиска, retrieval, сравнения текстов по смыслу и других задач feature extraction; поддерживает интеграцию с CrispEmbed и Ollama-совместимыми средами. Модель основана на трансформере Gemma 3 с 300 млн параметров и двунаправленным вниманием. Она использует mean pooling, плотную проекцию 768→3072→768 и L2-нормализацию, формируя эмбеддинги размерности 768. Поддерживается более 100 языков, максимальная длина контекста составляет 2048 токенов. Доступны варианты в форматах F32, Q8_0, Q5_K и Q4_K; F32 обеспечивает наибольшую точность, а квантованные версии требуют меньше памяти. Q8_0 и Q5_K рекомендуются при повышенных требованиях к близости результатов к исходной модели, тогда как Q4_K может давать небольшое снижение качества. Сильные стороны модели — компактный размер, мультиязычность, возможность локального запуска и широкий выбор квантований. Ограничения включают зависимость качества от уровня квантования и необходимость учитывать совместимость с GGUF- и Ollama-совместимыми runtime; модель предназначена для получения эмбеддингов, а не для генерации текста. Распространяется на условиях лицензии Gemma, без предоставления прав сверх условий лицензии исходной модели.

Debbie89889/esci-biencoder — текстовая модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Энкодер BERT преобразует предложения и абзацы в плотные векторы размерности 384, усредняет токенные представления и нормализует результат. Для сравнения векторов указана косинусная близость; модель предназначена для семантического поиска и извлечения релевантных текстов. Модель обучалась на 148 465 примерах с MultipleNegativesRankingLoss. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекстное окно 512 токенов. Она принимает текст и выдаёт векторы; метаданные также отмечают поддержку извлечения признаков и сравнения предложений. Лицензия в предоставленных данных не указана.

F2LLM-v2-8B-Preview — мультиязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-8B на корпусе из 27 миллионов примеров. Версия Preview обучена без инструкций и предназначена как основа для задач получения эмбеддингов и дальнейшей тонкой настройки. Модель имеет плотную архитектуру Qwen3, около 7,6 млрд параметров и принимает текст; метаданные указывают контекст до 40 960 токенов. Модель подходит для кодирования текстов в векторные представления в многоязычных сценариях. README заявляет поддержку более 100 естественных и программных языков, а метаданные карточки перечисляют языки, включая английский, русский, китайский, арабский, японский и другие. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Это предварительная версия без инструкционного обучения, поэтому её поведение в диалоговых задачах и качество на конкретных наборах данных могут требовать проверки.

Sangeetha/fineTunedCategory — дообученная модель на базе MPNet, разработанная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Для обучения применялась функция потерь CosineSimilarityLoss. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. Её нативный контекст составляет 514 токенов. Доступны веса в формате PyTorch; лицензия не указана в предоставленных данных.

h3lmi/fine_tuned_minilm12 — модель для получения плотных векторных представлений предложений и абзацев. Она основана на архитектуре BERT и содержит около 40 млн параметров; модель выдаёт эмбеддинги размерностью 384. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Для работы доступны PyTorch и библиотеки Sentence-Transformers или Transformers; при использовании Transformers требуется корректно выполнить pooling контекстных представлений токенов. Карточка не сообщает о специализации на конкретном языке или предметной области. Лицензия в предоставленных данных не указана.

Это дообученная модель Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная автором репозитория tikanosa. Она преобразует предложения и абзацы на входе в плотные векторы размерности 384 и предназначена для поиска и сравнения текстов по семантическому сходству. Модель использует архитектуру BERT с усредняющим pooling и косинусную функцию сходства. В README указан максимальный размер последовательности 128 токенов, тогда как метаданные каталога задают нативный контекст в 512 токенов. Для практической работы следует учитывать ограничение README в 128 токенов. Модель принимает текст и возвращает векторы; обучалась на 4 656 примерах с CosineSimilarityLoss. Данные подтверждают многоязычную основу, но не перечисляют конкретные поддерживаемые языки. Лицензия в предоставленных данных не указана.

Fireball-12B-v1.0 — дообученная EpistemeAI языковая модель для генерации текста, ответов на инструкции и помощи с программированием. Она основана на Fireball-12B и использует плотную архитектуру Mistral с 12,1 млрд параметров; обучение включало SFT на наборах данных для кода и инструкций, а затем ORPO-донастройку на предпочтениях. Модель предназначена для диалоговых сценариев, генерации кода и общих текстовых задач. README заявляет многоязычные и кодовые обучающие данные; в метаданных указан английский язык. Карточка указывает контекст 128k токенов, тогда как метаданные каталога приводят native context 1 024 000 токенов. Модель выпущена под лицензией Apache 2.0. Разработчик отмечает отсутствие встроенных механизмов модерации у базовой модели и рекомендует использовать отдельную защиту от небезопасных запросов. Результаты бенчмарков в карточке не приведены.

bchan007/fnctech — модель Sentence-Transformers на архитектуре MPNet, разработанная и опубликованная пользователем bchan007. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров, использует формат PyTorch и рассчитана на входной контекст до 514 токенов. Модель подходит для поиска похожих предложений и документов, группировки текстов по смыслу и построения систем поиска по эмбеддингам. Она принимает текст и выдаёт векторы; метаданные также указывают поддержку извлечения признаков и вычисления сходства предложений. Языки, для которых она предназначена, не установлены по доступным сведениям. Лицензия в предоставленных данных не указана.

Jainam/freeflow-biencoder — модель Sentence Transformers на базе RoBERTa, разработчик которой указан в идентификаторе репозитория как Jainam. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством; модель также подходит для сравнения смысловой близости текстов. Модель содержит 151,8 млн параметров и принимает текст, выдавая векторные представления. Её можно использовать через Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия и конкретные поддерживаемые естественные языки в предоставленных данных не указаны.

FRIDA-GGUF — GGUF-версия модели FRIDA, разработанная командой SaluteDevices AI for B2C RnD Team; версию в формате GGUF создал Pavel Rykov. Исходная модель FRIDA разработана на основе encoder-части FRED-T5 и представляет собой дообученную модель для получения текстовых embedding-векторов. Она предварительно обучалась на русско-английском наборе данных и затем дообучалась для повышения качества на целевых задачах. Модель предназначена для семантического поиска и извлечения релевантных документов, определения перефразирования, дедупликации, категоризации текстов, анализа тональности, группировки по темам и задач textual entailment. Для разных сценариев рекомендуется использовать специальные префиксы, включая search_query, search_document, paraphrase, categorize, categorize_sentiment, categorize_topic и categorize_entailment; для агрегации токенов рекомендуется CLS pooling. Модель поддерживает русский и английский языки, однако качество английской обработки в README не оценено. Максимальная длина входа ограничена 512 токенами. Сильной стороной модели является специализация на русскоязычных задачах текстовых embedding-векторов и наличие отдельных режимов для различных типов семантического сопоставления. При необходимости модель можно дополнительно дообучить на качественных русских и английских датасетах. Размер модели, размерность embedding-векторов и точные результаты бенчмарков в README не указаны. Модель распространяется по лицензии MIT.

futuredatascience/from-classifier-v0 — модель Sentence Transformers на архитектуре MPNet, разработанная Futuredatascience. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для вычисления семантического сходства, кластеризации и семантического поиска. Модель содержит 136,7 млн параметров, принимает текст и возвращает векторные представления; максимальная длина контекста — 514 токенов. Для обучения использовалась функция потерь CosineSimilarityLoss. Модель опубликована в формате PyTorch; метаданные не содержат сведений о лицензии или языковой специализации.

Карточка модели ludx/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2 на Hugging Face совпадает с карточкой yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2, поэтому описание составлено по ней. Gemma4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2 — дообученная модель yuxinlu1 на базе Google Gemma 4 12B Instruct для генерации кода и выполнения многошаговых технических задач с использованием инструментов. Это плотная архитектура Gemma 4 Unified, опубликованная в формате safetensors с весами bf16; README ориентирует эту версию прежде всего на разработчиков, которые хотят запускать модель в Transformers, создавать квантизованные варианты или продолжать дообучение. Модель предназначена для написания и отладки кода, работы с командами и инструментами, а также циклов «диагностика — исправление — проверка». В README приведён результат около 55% на локальном тесте tau2-bench telecom из 20 задач против примерно 15% у базовой модели при одинаковой конфигурации. Это сравнение ограничено описанным автором тестовым стендом и не сопоставимо напрямую с опубликованными результатами бенчмарка. Автор также сообщает о небольшом снижении результата на MMLU-Pro относительно базы. Модель поддерживает диалог и использует встроенный протокол вызова инструментов Gemma 4; README также описывает режим рассуждения перед ответом. Лицензия — Apache-2.0. Карточка не приводит сведений о размере контекстного окна или языках обучения, поэтому они здесь не уточняются.

GLM-4.7-REAP-218B-A32B — сжатая разреженная языковая модель семейства GLM-4.7 от Cerebras. Она получена методом REAP, который удаляет из смеси экспертов менее значимые компоненты; после прунинга дообучение не проводилось. Модель содержит 218 млрд параметров, из которых 32 млрд активируются на токен, и поддерживает контекст до 202 752 токенов. Модель предназначена для генерации кода и текста, агентных рабочих процессов, понимания репозиториев и вызова функций. В карточке заявлено, что она сохраняет близкое к исходной GLM-4.7 качество при уменьшении объёма памяти примерно на 40%; для версии BF16 приведены характеристики, но результаты оценки не указаны. Модель можно развернуть с актуальным vLLM. Лицензия — MIT. README рекомендует вариант BF16 для последующей низкобитной квантизации.

Watwat100/gpu1 — модель семейства MPNet на базе Sentence Transformers, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; размер модели составляет 136,7 млн параметров, а контекст — до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Она предназначена для получения текстовых эмбеддингов и сравнения семантической близости предложений и абзацев. Сведения о поддерживаемых языках и лицензии в предоставленных источниках отсутствуют.

GRIN-MoE — языковая модель Microsoft на архитектуре decoder-only Transformer с разреженной смесью экспертов (MoE). В конфигурации указаны 16 экспертов по 3,8 млрд параметров, из которых при генерации активны два; README сообщает 6,6 млрд активных параметров, а метаданные — 4 млрд общих параметров. Модель использует словарь токенизатора из 32 064 токенов и контекст до 4096 токенов. Принимает текст, лучше всего работает с запросами в формате чата и предназначена для генерации текста. Модель ориентирована на универсальные диалоговые системы, программирование, математику и рассуждения, в том числе в сценариях с ограничениями по памяти, вычислениям или задержке. GRIN применяет SparseMixer-v2 для оценки градиента маршрутизации экспертов; в карточке также описано обучение без параллелизма экспертов и отбрасывания токенов. Карточка характеризует обучение как преимущественно англоязычное и отмечает, что на других языках качество будет ниже. Как и другие языковые модели, она может выдавать ненадёжные, предвзятые или оскорбительные ответы и требует оценки для конкретных сценариев. Модель выпущена Microsoft по лицензии MIT; карточка допускает коммерческое и исследовательское применение.

gte-Qwen1.5-7B-instruct — многоязычная модель эмбеддингов из семейства gte, разработанная Alibaba-NLP на основе языковой модели Qwen1.5-7B. Она преобразует текст в векторы размерности 4096 для поиска семантически похожих предложений и других задач, основанных на сходстве текстов. Модель использует двунаправленное внимание и настройку инструкциями для запросов; обучалась на многоязычном корпусе из разных областей с сочетанием слабой и контролируемой разметки. Модель содержит 7 млрд параметров и принимает до 32 тыс. токенов. Подходит для семантического поиска, ранжирования кандидатов по смысловой близости и построения систем поиска по текстовым коллекциям. Для запуска README указывает Transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее. Распространяется по лицензии Apache-2.0.

ArthurZ/Ilama-3.2-1B — модель для извлечения признаков из текста, опубликованная на Hugging Face и предназначенная для использования с библиотекой Transformers. Модель имеет около 1,2 млрд параметров и поддерживает контекст длиной до 131 072 токенов. Основной сценарий применения — преобразование текстовых последовательностей в векторные представления для последующего семантического поиска, кластеризации, сравнения текстов, классификации и построения систем RAG. В метаданных модель также отмечена как совместимая с text-embeddings-inference и использующая формат Safetensors. В README отсутствуют сведения о разработчике, лицензии, языках, архитектурных деталях, обучающих данных, результатах оценки и конкретных ограничениях качества. Поэтому пригодность модели для определённых языков и прикладных областей следует проверять самостоятельно перед использованием.

KnutJaegersberg/infoxlm-large-sentence-embeddings — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 1024. Она основана на XLM-RoBERTa и предназначена для поиска семантически близких текстов, кластеризации и семантического поиска. В обучении использовалась функция TripletLoss с евклидовой метрикой расстояния. Модель содержит 658,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. В карточке указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не приведена.