II.8Инженерия данных и аналитика

mlx-community/Qwen3-VL-Embedding-2B-mxfp4 — мультимодальная модель для получения эмбеддингов текста и изображений. Репозиторий mlx-community содержит конверсию модели Qwen/Qwen3-VL-Embedding-2B в формат MLX; в метаданных базовой моделью указана Qwen/Qwen3-VL-2B-Instruct, на которой основана производная модель. Архитектура относится к семейству Qwen3-VL, размер — 2 млрд параметров. README рекомендует библиотеку mlx-embeddings для использования. Модель предназначена для извлечения векторных представлений, которые можно применять для поиска и сопоставления текстов и изображений. Метаданные классифицируют её как feature-extraction и указывают поддержку мультимодальных эмбеддингов. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о длине контекста, поддерживаемых языках, точности или оценках качества; назначение MLX-конверсии подразумевает применение в экосистеме MLX.

mlx-community/Qwen3-VL-Embedding-2B-mxfp8 — преобразованная в формат MLX модель эмбеддингов на основе Qwen3-VL-Embedding-2B. Она предназначена для получения векторных представлений мультимодальных данных и их использования в поиске и сравнении по смыслу. В README указана конвертация исходной модели Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm; метаданные также связывают репозиторий с Qwen/Qwen3-VL-2B-Instruct и указывают архитектуру Qwen3-VL с 2B-параметрической базовой моделью.

rsl-ai/qwen_finetune_16bit — текстовая Sentence Transformer-модель, дообученная с помощью Unsloth на техническом датасете electroglyph/technical. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и подходит для поиска по смыслу и извлечения релевантных документов. Сходство векторов можно оценивать косинусной мерой. Модель основана на unsloth/Qwen3-Embedding-0.6B; в карточке указана архитектура Qwen3 и около 507,6 млн параметров. README сообщает максимальную длину последовательности 512 токенов, тогда как метаданные указывают контекст 32 768 токенов. Для описанного сценария обучения использовались пары технических текстов на английском языке и MultipleNegativesRankingLoss. Модель принимает текст и выдаёт векторы; файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана. Модель ориентирована на английские технические тексты, поэтому её качество для других языков и областей не подтверждено. Предел последовательности в README расходится с контекстом из метаданных; перед применением следует учитывать фактические ограничения используемой конфигурации.

Qwevolution-V0-27B — опубликованная groxaxo объединённая версия мультимодальной модели Qwen3.5-27B-Writer-V2. К весам базовой модели ConicCat/Qwen3.5-27B-Writer-V2 применён обученный адаптер LoRA для задач программирования, первоначально обученный на другой модели той же линейки. Слияние выполнено в формате bfloat16; результат опубликован в safetensors и предназначен для Transformers. Модель принимает текст и изображения и выдаёт текст; заявленная задача в Hugging Face — image-text-to-text. Адаптер затрагивал языковую часть, а его веса для 111 модулей визуальной части были нулевыми, поэтому визуальная часть осталась такой же, как у базовой модели. Карточка описывает выпуск как предназначенный для оценки, экспериментов и совместимого локального или облачного инференса. Лицензия — Apache-2.0. Ответы модели могут быть неточными; поведение и качество следует проверять для конкретного сценария. Для запуска нужна среда, совместимая с архитектурой, форматом и мультимодальностью модели; требования к оборудованию зависят от параметров запуска и доступной памяти.

ReasonFlux-F1 — дообученная Gen-Verse языковая модель для генерации текста с акцентом на пошаговые рассуждения. Она создана на базе DeepSeek-R1-Distill-Qwen-32B с использованием траекторий рассуждений, дополненных шаблонами; архитектура — плотная Qwen2, размер — 32 млрд параметров, контекст — до 131 072 токенов. В карточке заявлены результаты на математических и научных тестах, включая MATH500, AIME и GPQA-Diamond. Модель рассчитана на диалоговое решение задач, особенно по математике и программированию; метаданные также отмечают интерфейс вызова инструментов. Поддерживает генерацию текста через Transformers и распространяется в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и её базовой модели.

msingiai/sauti-asr — модель распознавания речи на суахили, разработанная Msingi AI в рамках конвейера Sauti ASR и дообученная на базе microsoft/paza-whisper-large-v3-turbo. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,3 млн параметров; она принимает аудио и преобразует его в текст. В карточке указано, что это текущий предварительный кандидат Track A для оценки в исследованиях и продуктах. На тесте из 500 образцов кенийской речи на суахили получены WER 13,72% и CER 3,88%.

Карточка модели mitra-mir/setfit-model-Miscellaneous-Misinformation на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Convoy на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Media-Traditional-Social на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Veritone/siglip2-base-patch16-224 — модель семейства SigLIP 2, разработанная Veritone на основе архитектуры SiglipModel. Это визуально-текстовая модель для классификации изображений по заданным текстовым меткам без отдельного обучения, поиска изображений по тексту и использования в качестве визуального энкодера для мультимодальных моделей. Модель принимает изображение и текстовые описания кандидатов, сопоставляет их и выдаёт оценки соответствия; размер изображения — 224 × 224 пикселя, размер патча — 16 пикселей. Предобучена на наборе WebLI. SigLIP 2 объединяет улучшения предобучения для семантического понимания изображений, локализации объектов и получения плотных визуальных признаков. Репозиторий содержит веса в формате safetensors, использовать модель можно через Transformers. Лицензия — Apache 2.0. В карточке указано назначение для zero-shot классификации, поиска изображений по тексту и применения как визуального энкодера.

Smaug-Agentic — дообученная Abacus.AI модель на основе мультимодальной Kimi K3 от Moonshot AI, предназначенная для агентной работы и рассуждений, прежде всего в задачах программирования. Это плотная с точки зрения представления модели архитектура Kimi K3 с Mixture-of-Experts на 2,8 трлн параметров; обучение изменило поведение, сохранив архитектуру, токенизатор и визуальный энкодер MoonViT-V2 базовой модели. Контекст составляет 1 млн токенов, доступны ввод текста и изображений и генерация текста. Модель дообучена на отфильтрованных многоходовых траекториях программирования с использованием инструментов. По оценкам разработчика, она улучшает показатели базовой модели на ряде тестов рассуждений и агентного программирования; измерения проводились в указанных разработчиком условиях и не являются независимым сравнением. Модель рассчитана на интеграцию с агентными фреймворками, совместимыми с контрактом OpenAI chat completions. Для повторной отправки истории некоторые OpenAI-совместимые серверы требуют удаления нестандартных полей. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория.

SpeechBrain-ECAPA-VoxLingua107-21M-MLX — экспорт модели SpeechBrain `lang-id-voxlingua107-ecapa`, подготовленный для нативного запуска через MLX на Apple Silicon. Это модель на архитектуре ECAPA-TDNN с классификатором на 107 меток разговорных языков; содержит 21,25 млн параметров, веса в формате Safetensors с точностью FLOAT16. На вход принимает аудиофрагмент речи и ранжирует языковые метки по вероятности. Модель предназначена для автоматического определения языка устной речи, например, в аудиозаписях и голосовых приложениях. Экспорт включает нормализацию по среднему значению на уровне предложения и воспроизводимый log-mel фронтенд; README сообщает о совпадении выходов экспорта с реализацией SpeechBrain при валидации. Модель опубликована под лицензией Apache-2.0. Это классификатор с закрытым набором классов, а не детектор неизвестного языка. Указанная для исходной модели ошибка 6,7% получена на небольшом наборе разработки из 33 языков и не является полной оценкой по всем 107 классам. Качество следует проверять на целевых языках, акцентах, устройствах записи, уровнях шума и коротких репликах.

sentence-transformers/stsb-bert-base — модель Sentence-Transformers, разработанная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Архитектура основана на BERT; модель содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и сравнения их семантической близости. Доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Карточка предупреждает, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендует выбрать более современные модели. Лицензия — Apache-2.0.

NVIDIA Conformer-Transducer Large (en-US) — модель распознавания речи, разработанная NVIDIA и предназначенная для работы в инструментарии NeMo. Она преобразует монофоническую английскую речь в текст в нижнем регистре; входной формат — аудио WAV с частотой 16 кГц. Модель построена на архитектуре Conformer-Transducer, использует авторегрессионное декодирование и обучена с функцией потерь Transducer. Размер — около 120 млн параметров. Для обучения использован составной набор англоязычных речевых данных, включая LibriSpeech, Fisher, Switchboard, VoxPopuli, Common Voice и People’s Speech. В README приведены результаты WER для нескольких тестовых наборов. Модель подходит для транскрибации аудиозаписей и может использоваться как предварительно обученный чекпойнт для дообучения на других данных. Её ограничения включают возможное ухудшение качества на технической лексике, непривычной разговорной речи и речи с акцентом. Лицензия — CC BY 4.0.

Jebadiah/Tess-coder-ruby-p4 — объединённая модель для генерации текста и кода, созданная с помощью mergekit. В качестве базовой использована Jebadiah/Tess-Qwen-ruby-p3, в слияние также включена rombodawg/Llama-3-8B-Instruct-Coder; применён метод DARE linear. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговой генерации и помощи с программированием, включая создание и дополнение кода. Она доступна в формате safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

Tesseract LSTM OCR — GGUF — это набор моделей распознавания текста по отдельным строкам, созданный на основе языковых данных проекта tesseract-ocr/tessdata и преобразованный в формат GGUF для CrispEmbed. Репозиторий содержит варианты для английского, немецкого, французского, испанского, итальянского, португальского, нидерландского, русского, арабского, упрощённого китайского, японского и корейского языков. Модель предназначена для OCR отдельных текстовых строк: изображение строки следует нормализовать и обрезать перед распознаванием. Для полно页ного OCR её можно объединять с детектором текста, например DBNet. Runtime выполняет нормализацию высоты и жадное CTC-декодирование, однако расстановку пробелов между словами и порядок чтения на странице должна обеспечивать внешняя OCR-система. В граф GGUF не входят языковые модели Tesseract DAWG. Для каждого языка доступны варианты F32, F16, Q8_0 и Q4_K: F32 служит эталоном, F16 предназначен для высокоточного развёртывания, Q8_0 рекомендован как компактный вариант, а Q4_K обеспечивает минимальный размер и требует проверки на целевом корпусе. Квантизуются только рекуррентные матрицы, тогда как выходные веса и смещения сохраняются в исходной точности, что помогает сохранить стабильность CTC-решений. Это конвертация и/или квантизация без дополнительного обучения, дообучения или изменения архитектуры и словаря. Лицензия Apache-2.0; при распространении производных необходимо сохранять атрибуцию upstream и исходную контрольную сумму.

MonkeeZhang/text2vec — модель для вычисления сходства между предложениями. По карточке она создана на основе модели, в которой MacBERT заменён на LERT, при сохранении остальных условий обучения. Архитектура — плотная модель BERT с 424,3 млн параметров; она принимает текст и рассчитана на контекст до 512 токенов. Модель подходит для сравнения текстовых фрагментов по смыслу. В карточке указан китайский язык и лицензия Apache-2.0. README не содержит подробностей об обучении или оценке качества.

Tiel-Coder-35B-A3B-MLX-oQ4e — мультимодальная vision-language модель для программирования, разработанная peculiar-ragdoll на базе Ornith-1.5-35B-A3B. Модель предназначена прежде всего для агентного программирования: исправления проблем в существующих кодовых базах, объяснения кода, многошаговых диалогов и анализа изображений, включая скриншоты. Заявлены поддерживаемые языки English и Chinese. Модель использует архитектуру Mixture-of-Experts с конфигурацией 35B-A3B и поставляется в формате MLX для Apple Silicon. Это динамически смешанное 4-битное квантование oQ4e с применением imatrix; размер сборки заявлен примерно 21 ГБ. Vision-компоненты включены в тот же каталог, отдельный projector-файл не требуется. В чекпойнт встроен Sharp chat template. Контекстное окно и точное число активных параметров не указаны. Сильными сторонами модели считаются агентное программирование, скорость работы и поддержание качества в длинных многоходовых диалогах. По приведённым результатам она показала 12 успешных решений из 25 задач SWE-bench-Live и высокий результат в Claw-Eval, однако эти числа измерены на сборке GGUF с другим квантованием и не являются прямыми измерениями данного MLX-файла. Ограничением является заметно более слабое качество в задачах на общие знания и экзаменационное рассуждение; авторы также отмечают, что модель хуже задаёт уточняющие вопросы, чем базовая Ornith-1.5. Модель распространяется по лицензии MIT. Для запуска рекомендуется использовать mlx-vlm или oMLX; загрузка через mlx-lm не подходит для этого vision-language чекпойнта. Модель не содержит обученной multi-token-prediction head.

Triumvirate — объединённая модель pragmaticcs, предназначенная для агентного программирования, работы с терминалом и многошаговых задач в репозиториях. Она построена на архитектуре Qwen3.5 MoE: в README указано около 34,1 млрд параметров и 3,1 млрд активных параметров на токен, а метаданные каталога сообщают 2,9 млрд параметров; заявленная длина контекста — 262 144 токена. Модель принимает текстовые запросы и выдаёт текст, включая код и вызовы инструментов. При слиянии KAT-Coder-V2.5-Dev служит базовой опорой для генерации кода и локальных правок, Ornith-1.5 добавляет алгоритмическое рассуждение, а Qwen-AgentWorld — отслеживание состояния среды и восстановление после ошибок инструментов. README описывает метод DARE-TIES с модуляцией вкладов по слоям. Модель ориентирована на агентные оболочки: она должна формировать точные изменения кода, разбирать сообщения об ошибках терминала и сохранять ход многошаговой работы. В метаданных указаны английский и китайский языки; подтверждения поддержки русского нет. Лицензия — Apache-2.0.

ddobokki/unsup-simcse-klue-roberta-small — модель на архитектуре RoBERTa, разработанная для получения векторных представлений корейских предложений и оценки их семантической близости. Её можно использовать через библиотеку Sentence-Transformers для сравнения предложений, поиска семантически похожих текстов и построения векторного поиска. Модель содержит 81,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Репозиторий содержит веса PyTorch и safetensors. Карточка не сообщает отдельную лицензию; ограничения качества и условия коммерческого использования по доступным данным определить нельзя.

anton-l/wav2vec2-large-xlsr-53-russian — модель распознавания русской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной частях Common Voice. Она принимает аудио и преобразует речь в текст; для входного сигнала требуется частота дискретизации 16 кГц. Архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 402,7 млн параметров. Доступны веса в форматах PyTorch и Flax. Модель подходит для транскрибации русской речи и оценки систем распознавания на тестовых данных Common Voice. В README приведён результат тестирования 17,39 %, но метрика не названа. Модель распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-Indonesian — модель распознавания речи, созданная Cahya и дообученная на базе facebook/wav2vec2-large-xlsr-53 на индонезийской части Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание индонезийской речи; входное аудио должно иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Доступны веса PyTorch и Flax. В карточке приведён результат оценки 25,86% на тестовых данных Common Voice, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

vumichien/wav2vec2-large-xlsr-japanese — модель распознавания японской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice и корпуса JSUT лаборатории Saruwatari Токийского университета. Это акустическая модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 405,4 млн параметров; принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст на японском языке. Модель предназначена для автоматической расшифровки японской речи. В карточке приведены результаты на японской тестовой выборке Common Voice: WER 30,84% и CER 17,85%. Лицензия — Apache-2.0.

Finnish-NLP разработала эту модель как дообученную на финских данных версию OpenAI Whisper Large V3 для распознавания финской речи. Модель семейства Whisper содержит около 905,2 млн параметров и принимает аудио, выдавая распознанный текст; она доступна в формате Safetensors и рассчитана на использование с Transformers. Модель предназначена для транскрибирования финской речи. В карточке приведены результаты на тестовых наборах Common Voice 11 и Google Fleurs: после 32 000 шагов дообучения WER составил 8,23 на Common Voice 11 и 8,21 на Fleurs. Используется лицензия Apache 2.0.

bofenghuang/whisper-large-v2-french — дообученная версия Whisper large-v2 для распознавания французской речи. Модель разработана bofenghuang на основе openai/whisper-large-v2 и обучена на составном наборе из более чем 2200 часов аудио, включавшем Common Voice 11.0, Multilingual LibriSpeech, VoxPopuli, Fleurs, Multilingual TEDx, MediaSpeech и African Accented French. В метаданных указаны архитектура WhisperForConditionalGeneration, 905,2 млн параметров и библиотека Transformers. Модель преобразует французскую речь в текст и подходит для транскрибации записей и аудио из разных источников, в том числе речи с африканскими акцентами. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. Модель не предсказывает регистр букв и пунктуацию; приведённые в карточке показатели WER относятся к отфильтрованным и предобработанным тестовым наборам и не описывают все условия использования. Распространяется по лицензии Apache-2.0.

Whisper Small — модель OpenAI для автоматического распознавания речи, преобразованная в формат OpenVINO IR. Веса сжаты до INT8 с помощью NNCF; модель содержит около 153,1 млн параметров и предназначена для запуска через OpenVINO, Optimum Intel, OpenVINO GenAI или OpenVINO Model Server. Модель решает задачу преобразования англоязычной аудиозаписи в текст и подходит для транскрибации записей, голосовых сообщений и аудиопотоков. Поддерживается интеграция с CPU и совместимыми ускорителями OpenVINO, а также использование через OpenAI-совместимый API при развертывании в OpenVINO Model Server. Ключевые характеристики включают архитектуру Whisper Small, представление OpenVINO IR и асимметричное сжатие весов INT8 с размером группы 128. К преимуществам относятся уменьшенный размер весов и возможность эффективного инференса в экосистеме OpenVINO. Модель ориентирована на английский язык; ограничения исходной модели описаны в оригинальной карточке Whisper Small. Распространяется по лицензии Apache-2.0.

Zen Ingress 1-3B SFT Merged — это плотная причинно-следственная языковая модель ZenithLLM с 3,1 млрд параметров, созданная на основе Qwen/Qwen2.5-3B-Instruct. Это версия первого этапа supervised fine-tuning с объединёнными весами; модель распространяется в формате Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для математических рассуждений, пошагового аналитического решения задач и следования структурированным инструкциям в диалогах. Она может применяться для генерации ответов и структурированного текста; в метаданных также указана поддержка интерфейса вызова инструментов. В карточке указан английский язык. Модель доступна по лицензии Apache-2.0. Это промежуточная SFT-версия: для предпочтительно выровненной финальной версии автор указывает отдельную модель Zen Ingress 1-3B DPO Merged.

AceReason-Nemotron-7B — языковая модель NVIDIA для рассуждений в математике и программировании. Это плотная модель семейства Qwen2 с 7,1 млрд параметров, построенная на базе DeepSeek-R1-Distilled-Qwen-7B и обученная с помощью обучения с подкреплением. Она предназначена для решения математических задач, генерации и анализа кода в диалоговом формате; заявленная длина контекста — 131 072 токена. В README приведены результаты на AIME 2024 и 2025, а также на LiveCodeBench. Для математических запросов разработчики рекомендуют просить пошаговое рассуждение и заключать ответ в \boxed{}, для задач по коду приводятся отдельные инструкции. В карточке указана лицензия other; конкретные условия использования следует проверять в файлах репозитория. Модель ориентирована на английский язык.

Это квантованная в формате GGUF версия модели bge-reranker-v2-gemma, созданная Richard Erkhov на основе оригинальной модели BAAI. Модель предназначена для переранжирования результатов поиска: она принимает запрос и текстовый фрагмент, оценивает их релевантность и возвращает оценку сходства. Такой подход подходит для улучшения качества семантического поиска, retrieval-систем и других сценариев, где нужно выбрать наиболее подходящие документы из набора кандидатов. В README указано, что модель мультиязычная и относится к задачам text-ranking. Доступны варианты с квантованием Q2_K, Q3, Q4, Q5, Q6, Q8 и IQ3/IQ4 с размером файлов примерно от 1,08 до 2,49 ГБ. Квантование уменьшает требования к хранению и вычислениям, однако конкретное влияние на точность зависит от выбранного варианта. Архитектура базовой модели, число параметров, максимальная длина контекста и точный перечень поддерживаемых языков в предоставленных данных не указаны. Оригинальная модель распространяется по лицензии Apache-2.0. Для производственного использования следует учитывать ограничения GGUF-реализации и проверять совместимость выбранного файла с используемым программным обеспечением.

indiejoseph/bert-cantonese-sts — модель на базе BERT, опубликованная пользователем indiejoseph. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости текстов, семантического поиска и кластеризации. Модель можно использовать через Sentence-Transformers или Transformers с соответствующей операцией pooling для получения вектора из контекстных представлений токенов. Модель содержит 130,6 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Название указывает на ориентацию на кантонский язык; в метаданных коды языков не приведены. Доступен формат PyTorch. Лицензия в предоставленных данных не указана.