II.8Инженерия данных и аналитика

Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, опубликованная RedHatAI на базе Qwen/Qwen3-8B-Base. Это плотная архитектура Qwen3 с 7,6 млрд параметров; модель предназначена для получения векторных представлений текста и задач ранжирования и поиска. Метаданные указывают контекст до 40 960 токенов, а README описывает поддержку последовательностей до 32 тысяч токенов и векторы размерностью от 32 до 4096. Модель понимает пользовательские инструкции для настройки представлений под конкретную задачу. Модель подходит для семантического поиска по текстам и коду, многоязычного и межъязыкового поиска, классификации и кластеризации текстов, сопоставления параллельных текстов и оценки сходства. В README заявлена поддержка более 100 языков и приведены высокие результаты на бенчмарках MTEB; эти показатели относятся к оценкам разработчика и зависят от сценария применения. Для многоязычных сценариев README рекомендует формулировать инструкции на английском. Модель выпущена в формате safetensors и распространяется по лицензии Apache-2.0. Для загрузки через Transformers требуется версия 4.51.0 или новее, поскольку в более ранних версиях может возникать ошибка распознавания архитектуры Qwen3.

Qwen-7B-Chat — диалоговая языковая модель семейства Qwen, разработанная Alibaba Cloud на основе предварительно обученной Qwen-7B с применением методов выравнивания. Это плотная Transformer-модель с архитектурой QWenLMHeadModel; в карточке указано 11,4 млрд параметров и контекст до 8192 токенов. Она предназначена для многоходового общения, ответов на вопросы, работы с кодом, математическими задачами и вызова внешних инструментов. Модель обучена на китайских, английских и других данных; токенизатор на основе tiktoken использует словарь примерно из 150 тысяч токенов, оптимизированный для китайского, английского и кода. README сообщает результаты оценок на C-Eval, MMLU, GSM8K и HumanEval, но они не гарантируют качество в конкретном применении. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Qwopus3.6-27B-Fusion-GGUF — экспериментальная модель от KyleHessling1, созданная объединением Qwopus3.6-27B-v2 с уклоном на рассуждения и Qwopus3.6-27B-Coder с уклоном на программирование. Обе родительские модели происходят от Qwen/Qwen3.6-27B. Модель предназначена для текстовой генерации, многошагового рассуждения и автономной разработки программного обеспечения, особенно для сценариев, где агент самостоятельно планирует, пишет код, запускает его и исправляет ошибки. Модель содержит 27 млрд параметров и 64 слоя, использует гибридную архитектуру qwen35 с линейным вниманием и периодическими слоями полного внимания. Нативный контекст составляет 262 144 токена; корректная работа проверена на контексте до 60 000 токенов. По умолчанию включён режим reasoning. Доступна версия GGUF с квантизацией Q4_K_M размером около 16,5 ГБ, рассчитанная на запуск через llama.cpp на одной видеокарте с 24–32 ГБ памяти. Поддерживается ввод изображений при использовании совместимого проектора Qwopus3.6-27B-Fusion-mmproj-Q8_0.gguf. В README указан английский язык. Сильные стороны модели — сочетание устойчивого рассуждения и генерации кода, хорошие результаты на HumanEval, MBPP и GSM8K, стабильное завершение генерации и способность работать как автономный агент программирования. Ограничения связаны с экспериментальным статусом и отсутствием полного строгого оценивания; результаты зависят от квантизации и режима работы. Лицензия указана как other с названием qwen и ссылкой на лицензию Qwen.

Anannta разработала R1-Coder-DARE-7B — объединённую методом TIES языковую модель для генерации кода и диалогового взаимодействия. В объединении использованы DeepSeek-R1-Distill-Qwen-7B как базовая модель и Qwen2.5-Coder-7B-Instruct; архитектура — плотная Qwen2, размер — 7,1 млрд параметров. Модель работает с текстом, поддерживает контекст до 131 072 токенов и доступна в форматах Safetensors и GGUF F16. Модель предназначена для генерации и анализа кода в инструкционном и чат-сценариях. Метаданные указывают задачу text-generation и возможность чата. Лицензия в предоставленных данных не указана.

clu-ling/roberta-finetuned-stsbenchmark — модель на архитектуре RoBERTa, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024 для поиска семантически близких фрагментов, кластеризации и сравнения текстов. Модель поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска и группировки текстов по смыслу. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers нужно применить подходящую операцию pooling к контекстным представлениям токенов. В README упомянуто обучение с CosineSimilarityLoss. Язык данных обучения и лицензия в предоставленных сведениях не приведены. Качество зависит от соответствия языка и тематики входных текстов данным обучения; результаты сходства следует проверять на целевом наборе.

ruBert-style-base — русскоязычная модель Sentence Transformers, разработанная на основе ai-forever/ruBert-base и дообученная для получения векторных представлений предложений и абзацев. Энкодер BERT формирует плотные эмбеддинги размерности 768; для объединения токенов используется усреднение, а сходство векторов измеряется косинусной функцией. Модель предназначена для семантического сравнения текстов, поиска похожих фрагментов и кластеризации. Её также можно применять для поиска перефразировок и классификации текста с использованием эмбеддингов. Максимальная длина последовательности — 512 токенов. В карточке приведена cosine accuracy 0,9507 на оценке TripletEvaluator, но состав набора данных не раскрыт, поэтому результат не следует считать гарантией качества на других данных. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

asaakyan/ruRoPEBert-e5-base-512-allRU-authorship — модель Sentence Transformers, дообученная на базе Tochka-AI/ruRoPEBert-e5-base-512 для сопоставления русскоязычных текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического сходства, поиска, выявления перефразировок, кластеризации и классификации текстов. В основе — RoPEBert с усреднением токенных представлений; сходство векторов оценивается косинусной мерой. Максимальная длина входа — 512 токенов. Модель подходит для ранжирования документов по смысловой близости к запросу, группировки похожих текстов и выявления сходных формулировок. В карточке указаны 2 465 773 обучающих примера с парами предложений и метками, а также контрастивное обучение. Репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Seed-Coder-8B-Instruct — инструкционно настроенная языковая модель для кода, размещённая Unsloth на Hugging Face и основанная на ByteDance-Seed/Seed-Coder-8B-Instruct. Это плотная причинная модель архитектуры Llama с 7,6 млрд параметров, предназначенная для генерации, объяснения и редактирования кода по запросам на естественном языке. Карточка описывает предварительное и последующее обучение на открытых и синтетических данных; контекст составляет 32 768 токенов. Модель подходит для помощи при программировании, рассуждений о коде и задач программной инженерии. В README заявлены сравнительные результаты среди открытых моделей сопоставимого размера на тестах кода. Репозиторий использует формат safetensors и библиотеку Transformers; указана лицензия MIT.

deepset/sentence_bert — загрузка предварительно обученной модели bert-base-nli-stsb-mean-tokens из репозитория Sentence Transformers. Это модель семейства BERT с 136,7 млн параметров и контекстом до 512 токенов, доступная в форматах PyTorch и Flax. Она предназначена для получения векторных представлений предложений, в частности для семантического сопоставления текстов и поиска похожих фраз. Лицензия — Apache 2.0.

Это дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, опубликованная пользователем richie-ghost. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству, семантического поиска и других задач работы со сходством текстов. Архитектура состоит из MPNet, среднего pooling по токенам и нормализации; модель содержит 136,7 млн параметров и рассчитана на последовательности до 514 токенов по метаданным Hugging Face. README указывает максимальную длину 384 токена, поэтому практический предел может зависеть от используемой конфигурации. Модель подходит для поиска похожих фрагментов, выявления перефразировок, кластеризации и получения признаков для классификации текста. В README описано дообучение на 48 393 парах предложений с MultipleNegativesRankingLoss. Языки обучения или поддерживаемые языки не подтверждены предоставленными данными. Лицензия в метаданных и README не указана.

Signal-3.8-27B-NVFP4-Blackwell-DFlash2-Ultra-V1.0 — квантованная NVFP4-версия модели Signal-3.8-27B от agentionai, созданной на базе Qwen3.8-27B от Qwen. Это GGUF-сборка для запуска через llama.cpp CUDA на одной видеокарте RTX 5090 с 32 ГБ памяти и поддержкой спекулятивного декодирования DFlash2. Модель предназначена для рассуждений, программирования, агентских задач, структурированной генерации и диалогов; заявлена также поддержка изображений через отдельный vision-проектор. Основная модель занимает около 16,9 ГБ, включает NVFP4-квантованный корпус, высокоточные Q8_0-головы и MTP-голову. Доступен контекст до 262 144 токенов, а языковая поддержка обозначена как multilingual, без уточнения конкретного набора языков. Минимально изменённая тонкая настройка отличается от базовой модели только lm_head.weight, что позволяет использовать согласованный DFlash2-драфтер без изменения результатов декодирования. На заявленном оборудовании сборка показывает высокую точность в тестах GSM8K, хорошие результаты в кодовых агентских задачах и ускорение декодирования благодаря speculative decoding. Сильные стороны модели — эффективность на задачах рассуждения и программирования, большой контекст, совместимость с одной RTX 5090 и ускоренное декодирование. Ограничение — повышенная многословность в открытом диалоге по сравнению с альтернативной сборкой GAIN; для длинных генераций не рекомендуется жадное декодирование, а для сложных задач требуется не менее 4096 токенов вывода. Для обработки изображений необходим отдельный проектор mmproj-BF16, при этом повторное использование кэша промпта отключается. Распространяется по лицензии Apache-2.0.

Модель hi-di-hi-base — англоязычный Sentence Transformer, дообученный автором carsondial на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и нормализует их; сходство текстов оценивается косинусной близостью. Модель построена на BERT, использует CLS-пулинг и поддерживает последовательности до 512 токенов. Модель предназначена для семантического поиска, сопоставления текстов, поиска перефразировок, кластеризации и извлечения признаков, в том числе для поиска по базе знаний. README сообщает о дообучении на 45 тысячах пар anchor-positive из набора json; приведены оценки поиска при разных размерностях эмбеддингов. Доступна по лицензии Apache-2.0.

MaziyarPanahi/speechless-code-mistral-7b-v2.0-Mistral-7B-Instruct-v0.1 — слитая модель на архитектуре Mistral для генерации текста в ответ на инструкции и диалоговые запросы, включая задачи программирования. Она объединяет Mistral-7B-Instruct-v0.1 и uukuguy/speechless-code-mistral-7b-v2.0 методом SLERP; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Модель рассчитана прежде всего на английский язык и код. Модель может помогать писать и объяснять код, отвечать на вопросы и следовать текстовым инструкциям. В репозитории доступны веса Safetensors. Лицензия — Apache-2.0.

Step-3.5-Flash-REAP-149B-A11B — сжатая методом REAP версия языковой модели Step-3.5-Flash, созданная авторами проекта REAP. Это причинная разреженная MoE-модель для диалогов и генерации текста. Она предназначена для программирования, математических рассуждений, вызова инструментов и агентных сценариев. По README, в модели 149 млрд параметров, из которых на каждом токене активируются около 11 млрд; она содержит 45 слоёв и 216 экспертов, из которых выбираются 8 на токен. Контекст составляет 262 144 токена. Карточка заявляет сокращение объёма памяти на 25% и близкую к исходной модели производительность; для запуска указана совместимость с vLLM. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Лицензия в README обозначена как Apache 2.0, тогда как метаданные Hugging Face содержат значение «other», поэтому условия распространения следует сверить с файлами лицензии репозитория. README описывает однократное прореживание экспертов без последующего дообучения, поэтому производная классифицирована как сжатие, а не fine-tuning.

ksg-dfci/TrialSpace-0526 — модель Sentence Transformer на базе архитектуры Qwen3, обученная на наборах mnri_dataset и contrastive_dataset. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерностью 1024, пригодные для поиска и сравнения по косинусному сходству. В метаданных указано 507,6 млн параметров и контекст до 32 768 токенов; карточка модели заявляет максимальную длину последовательности 2500 токенов. Модель предназначена для извлечения признаков и семантического поиска по тексту. Её можно применять для векторизации документов и запросов, поиска релевантных фрагментов и оценки сходства предложений. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Yi-1.5-34B — базовая языковая модель компании 01.AI, построенная на плотной архитектуре семейства Llama. В репозитории представлена версия примерно на 33,9 млрд параметров в формате Safetensors; метаданные указывают контекст 4096 токенов. Модель создана на основе Yi: семейство Yi-1.5 прошло дополнительное предобучение на высококачественном корпусе объёмом 500 млрд токенов и дообучение на 3 млн разнообразных примеров. Модель предназначена для генерации текста, понимания инструкций, рассуждений, чтения и ответов на вопросы, а также задач по математике и программированию. Разработчик отмечает улучшения относительно Yi в программировании, математике, рассуждениях и следовании инструкциям. В README перечислены также варианты Yi-1.5 с контекстом 16K и 32K, но метаданные этого репозитория указывают 4096 токенов. Модель распространяется по лицензии Apache-2.0. Это базовая версия, а не одна из перечисленных в README чат-версий; заявленные сильные стороны и результаты бенчмарков относятся к семейству, а не гарантируют качество на конкретных задачах. В карточке нет сведений о специальных ограничениях применения.

Yi-Coder-9B-Chat-GGUF — GGUF-квантизированная версия чат-модели Yi-Coder-9B-Chat, разработанной 01-AI. Квантизация выполнена bartowski на базе llama.cpp release b3658. Модель предназначена прежде всего для диалога по вопросам программирования, генерации и объяснения кода, а также работы с большими кодовыми базами. Она настроена для общения, а не для автодополнения кода. Модель содержит около 9 миллиардов параметров и поддерживает контекст до 128 тысяч токенов. Она обучалась на данных, связанных с 52 языками и форматами программирования, включая Python, JavaScript, C++, C#, Java, Go, Rust, SQL, TypeScript, HTML, CSS, PHP, Ruby, Swift, Kotlin, R, Bash, PowerShell, Dockerfile и другие. В README указаны результаты 23% на LiveCodeBench; также отмечается, что модель стала первой моделью с менее чем 10 миллиардами параметров, преодолевшей отметку 20% на этом тесте. Для использования рекомендуется шаблон ChatML. Модель распространяется по лицензии Apache-2.0.

AlchemistCoder-DS-6.7B-GGUF — квантованная в формате GGUF версия модели AlchemistCoder DS 6.7B, разработанной InternLM и основанной на DeepSeek-Coder-Base. Квантование выполнено bartowski с использованием llama.cpp. Модель предназначена прежде всего для генерации, понимания, анализа и ревью программного кода, а также других задач, связанных с разработкой программного обеспечения. Модель содержит 6,7 млрд параметров и работает с текстовыми входными и выходными данными. Она дообучалась на 200 млн токенов гармонизированных данных шести типов, включавших развитие инструкций, фильтрацию данных и задачи проверки кода. Для работы в LM Studio рекомендуется пресет Alpaca с шаблоном запроса «### Instruction» и «### Response». Согласно README, модель показывает высокие результаты на шести бенчмарках программирования, превосходит открытые модели сопоставимого размера и может конкурировать с более крупными моделями; также отмечены улучшения на MMLU, BBH и GSM8K. При этом конкретные поддерживаемые языки программирования, размер контекстного окна и характеристики отдельных вариантов квантования не указаны, а результаты зависят от выбранного варианта GGUF и условий запуска. Модель распространяется по лицензии Apache-2.0.

ronanki/all-MiniLM-L12-v2-2022-11-07 — модель Sentence-Transformers на архитектуре BERT с примерно 40 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Модель работает с текстом и имеет контекстное окно до 512 токенов. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. Её можно использовать для поиска похожих текстов и группировки предложений или документов; для эксплуатации требуется библиотека sentence-transformers. В репозитории указаны веса PyTorch. Лицензия в предоставленных данных не указана.

Карточка модели sox90/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Abdul-I опубликовал модель sentence-transformers на базе BERT, которая преобразует предложения и абзацы в плотные векторы размерностью 384. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. При обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством. В репозитории указаны веса в формате safetensors. Языковая специализация и лицензия в предоставленных данных не описаны.

LeoChiuu/all-MiniLM-L6-v2-negations — дообученный разработчиком модели энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Архитектура Sentence Transformer включает BertModel, усреднение токенных представлений и нормализацию; модель содержит 25,9 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384. README описывает дообучение на 77 376 парах предложений с CosineSimilarityLoss, включая примеры, где смысл меняется из-за отрицания. Модель предназначена для сравнения семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации. Метаданные указывают максимум контекста 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; для практического использования следует учитывать лимит Sentence Transformers из карточки. Для сопоставления текстов используется косинусное сходство. В карточке нет отдельного указания лицензии или дополнительных ограничений. Базовая модель описана как англоязычный энкодер; поддержка других языков не подтверждена.

KhaledReda/all-MiniLM-L6-v46-pair_score — англоязычная модель Sentence Transformers, дообученная на sentence-transformers/all-MiniLM-L6-v2 для сопоставления пар текстов. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и позволяет сравнивать косинусное сходство. Архитектура включает энкодер BERT и усреднение токенных представлений; метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразировок и кластеризации. Её обучали с CoSENTLoss на парах текстов со score из KhaledReda/pairs_with_scores_v39; README также указывает возможное применение для классификации текста. Она рассчитана на английский язык. Лицензия — Apache-2.0.

gart-labor/all-mpnet-base-v2-eclass — модель Sentence Transformers на базе MPNet, дообученная разработчиком на датасете eclass. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст до 514 токенов; в карточке указан английский язык. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Humair/all-mpnet-base-v2-finetuned-v2 — модель Sentence Transformers на архитектуре MPNet, разработанная Humair. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и принимает текст; контекст составляет до 514 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Для работы можно использовать библиотеку Sentence Transformers либо Transformers с соответствующей операцией pooling. Язык модели в карточке не указан. Лицензия не приводится в доступных данных.

Apodex-1.1-mini MLX — MLX-конверсия модели Apodex-1.1-mini от Apodex AI, предназначенная для исследовательских задач, работы с данными, файлами, кодом и инструментами. Это текстовая модель для генерации текста, оптимизированная для запуска на устройствах Apple silicon с библиотекой mlx-lm. Заявлены поддерживаемые языки — английский и китайский. Модель построена на архитектуре Qwen3.5 MoE и содержит 35,95 млрд параметров. Релиз использует аффинное 4-битное квантование с размером группы 64; веса маршрутизатора MoE и общих экспертов сохранены в 8-битном формате. Размер MLX-весов составляет 19,5 ГБ, поэтому для работы требуется дополнительная unified memory под выполнение модели и KV-кэш, особенно при длинном контексте. В этой версии отсутствуют обработка изображений и native MTP. Модель распространяется по лицензии Apache-2.0.

Auralis-Coder — специализированная авторегрессионная языковая модель для программирования и тем, связанных с искусственным интеллектом. Она разработана CodeDevX и дообучена на базе Qwen/Qwen2.5-1.5B; модель содержит 1,5 млрд параметров и использует архитектуру Qwen2 с плотной сетью трансформеров. Для генерации и понимания текста применяются токенизатор семейства Qwen2.5 и контекст до 131 072 токенов. Модель предназначена для генерации и объяснения кода, помощи в отладке, разбора алгоритмов и структур данных, а также ответов по машинному обучению, нейронным сетям и другим техническим темам. В README заявлены примеры языков программирования, включая Python, C/C++, Java, JavaScript, TypeScript, Rust, Go и SQL; это не означает поддержку соответствующих естественных языков. Основной язык естественного текста в метаданных — английский. Модель рассчитана на технические запросы; автор указывает, что вопросы вне программирования и ИИ не входят в её основную область применения. Качество ответов и кода следует проверять, а доступность длинного контекста не гарантирует одинаковую точность на всей его длине. Лицензия — MIT.

AX Qwen3 Embedding 0.6B MLX 8-bit — текстовая модель эмбеддингов от AutomatosX для Apple Silicon, основанная на Qwen/Qwen3-Embedding-0.6B. Это 8-битная версия с форматом MLX Safetensors, 28 слоями трансформера и векторами размерности 1 024; настроенная длина контекста — 32 768 токенов. Тензоры и токенизатор совпадают с mlx-community/Qwen3-Embedding-0.6B-8bit, а выпуск AutomatosX добавляет манифест и сведения о происхождении модели. Модель преобразует текст в нормализованные векторы для семантического поиска, сравнения предложений и задач извлечения признаков. Пригодна для создания эмбеддингов документов и поисковых запросов; для запросов на извлечение информации при необходимости можно добавлять инструкцию на английском языке, а документы обычно подавать без префикса. В карточке описана проверка подачи запросов к API эмбеддингов на macOS arm64 с AX Engine. Модель рассчитана на запуск на компьютерах Apple с Apple Silicon и распространяется по лицензии Apache-2.0. Это эмбеддинговый выпуск, а не универсальная модель генерации текста; качество поиска зависит от выбранной инструкции и прикладного процесса.

Модель marumarukun/BAAI-bge-large-en-v1.5_fine_tuned_fold3_20241115_191836 — дообученная англоязычная модель Sentence Transformers на архитектуре BERT. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство текстов можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В метаданных указаны 433,9 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

bert-base-1024-biencoder-6M-pairs — двуэнкодерная модель на базе BERT от MosaicML, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Она подходит для семантического поиска, кластеризации текстов и поиска документов или фрагментов по смыслу. Модель обучалась на парах текстов; в метаданных перечислены обучающие наборы, включая MS MARCO, Natural Questions, SNLI и MultiNLI. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Карточка указывает английский язык. Лицензия в предоставленных данных не указана.