II.8Инженерия данных и аналитика

Misted v2 7B — языковая модель на архитектуре Mistral, созданная автором репозитория hflog слиянием нескольких моделей Mistral и misted-7b методом SLERP. Модель предназначена для генерации текста, написания кода, выполнения инструкций, решения загадок и диалогового общения. Модель содержит 7,1 млрд параметров, работает с контекстом до 32 768 токенов и распространяется в формате safetensors для Transformers. В метаданных указаны английский и испанский языки. Модель доступна по лицензии Apache 2.0.

Yi-1.5-9B — базовая языковая модель семейства Yi, разработанная 01.AI. Это плотная авторегрессионная модель архитектуры Llama с 8,6 млрд параметров, предназначенная для генерации текста и продолжения запросов. Yi-1.5 получена непрерывным предварительным обучением модели Yi на высококачественном корпусе объёмом 500 млрд токенов; в линейке также есть отдельные версии Chat, но данный репозиторий содержит базовую модель. Модель подходит для языкового понимания, чтения с пониманием, рассуждений, математики и программирования. В карточке семейства указаны контексты 4K, 16K и 32K; для этой модели в метаданных указан native context 4096 токенов. Веса доступны в формате Safetensors. Лицензия — Apache-2.0.

Карточка модели avsolatorio/30-000-10-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240218212805-best на Hugging Face совпадает с карточкой yosuaw/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers на базе MiniLM, разработанная в рамках проекта Hugging Face Community Week. Она кодирует предложения и короткие абзацы в плотные векторы размерности 384, отражающие семантическое содержание. Модель обучена контрастивным дообучением предварительно обученной nreimers/MiniLM-L6-H384-uncased на наборе более чем из миллиарда пар предложений. Модель предназначена для семантического поиска, извлечения информации, сравнения сходства предложений и кластеризации текстов. Архитектура — BERT-подобный MiniLM с 25,9 млн параметров; максимальная длина контекста — 512 токенов, а по умолчанию входы длиннее 256 WordPiece-токенов обрезаются. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0.

Alaya-7B-Chat — разговорная языковая модель компании DataCanvas, построенная на архитектуре MPT. Модель обучали на более чем 1,5 трлн токенов многоязычных данных; версия Chat прошла supervised fine-tuning на более чем 500 тыс. примеров инструкций и диалогов. В карточке указаны китайский и английский языки, формат весов PyTorch и лицензия Apache 2.0, допускающая коммерческое использование. Модель предназначена для многоходового общения, ответов на вопросы, написания кода, извлечения информации, понимания прочитанного и творческого письма. Дополнительная настройка охватывает китайско- и англоязычные логические рассуждения, ролевые сценарии, самоописание и отказ на часть запросов с предвзятым содержанием. Разработчик предупреждает, что модель может выдавать ошибочные или непредвиденные ответы, а настройка на отказ не устраняет токсичные выходы полностью. Для практического применения следует проверять ответы; при использовании модели рекомендуется указывать DataCanvas как источник.

Модель all_datasets_v4_MiniLM-L6 разработана в рамках Community Week Hugging Face проектом по обучению моделей эмбеддингов предложений на больших наборах данных. Это дообученная контрастивным обучением версия MiniLM-L6-H384-uncased с архитектурой BERT и примерно 25,9 млн параметров. Для кодирования текста она выдаёт векторное представление, отражающее семантику предложения; длина контекста по метаданным — до 512 токенов. Модель предназначена для поиска информации по смыслу, кластеризации текстов и оценки сходства предложений. При обучении использовалось более миллиарда пар предложений из нескольких наборов данных. В README длина последовательности во время обучения ограничена 128 токенами. Репозиторий содержит веса PyTorch; модель можно применять через SentenceTransformers. Сведения о лицензии в предоставленных данных отсутствуют.

Aurora-Code-1 — языковая модель для программирования, разработанная канадской компанией Perciqa на базе Qwen3.6-35B-A3B. Это дообученная методом LoRA SFT модель архитектуры Transformer с механизмом Mixture-of-Experts: в README указано 35 млрд параметров всего и 3 млрд активируемых на токен; метаданные каталога указывают 2,9 млрд параметров. Модель предназначена для генерации и анализа кода, отладки, ревью и многошаговой работы агентных систем с кодовыми базами. Обучение проводилось на 2 700 инструкционных примерах для задач программирования. README заявляет поддержку более 40 языков программирования и перечисляет Python, TypeScript, Go и Rust. Модель принимает текстовые запросы и выдаёт текст, включая код. Контекстное окно — 262 144 токена. Её можно развернуть на собственной инфраструктуре; указана совместимость с Transformers, vLLM и Ollama. Лицензия — Apache-2.0. Независимые оценки на LiveCodeBench, SWE-bench Verified, HumanEval+ и MBPP+ на момент карточки ещё не опубликованы, поэтому качество на этих тестах не подтверждено. Для запуска README ориентирует примерно на 60–65 ГБ VRAM, например одну карту A100/H100 на 80 ГБ или две карты по 48 ГБ; также упоминается CPU offload.

Bagel 8B v1.0 — диалоговая языковая модель, созданная jondurbin дообучением Meta Llama 3 8B на наборе инструкций Bagel. Она использует плотную архитектуру Llama и формат запросов Llama 3 Instruct; размер модели — 7,5 млрд параметров, длина контекста — 8192 токена. Модель предназначена для генерации ответов в чате и выполнения разнообразных инструкций: ответы на вопросы, рассуждения, математика, программирование, суммаризация, творческое письмо и ролевой диалог. В обучающие данные также входили примеры вызова функций и работы с контекстом. В карточке приведено сравнение с Mistral 7B v0.2 по MT-Bench, где Bagel 8B v1.0 получила среднюю оценку 7,296875; это результат, заявленный автором, а не гарантия качества для конкретной задачи. Модель принимает текст и генерирует текст. В карточке перечислены многоязычные данные, включая Belebele, но основной язык отдельно не заявлен. Репозиторий содержит веса Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

Это англоязычная модель Sentence Transformers, дообученная автором gabrielegabellone на основе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерностью 768; для сравнения используется косинусное сходство. Архитектура состоит из BERT и среднего пулинга токенов. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для поиска семантически близких текстов и сравнения предложений. Её также можно применять для поиска перефразировок, кластеризации и подготовки признаков для классификации текста. Обучение описано как TripletLoss на 50 881 примере из набора с тройками предложений; примеры в карточке англоязычные. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели jiaqi-22/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

Карточка модели Watson112/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

BidirLM-1B-Embedding — мультиязычная модель эмбеддингов из семейства BidirLM, разработанного авторами карточки. Это плотный двунаправленный энкодер BidirLMModel на 1 млрд параметров, полученный дообучением BidirLM/BidirLM-1B-Base. Модель использует mean pooling и выдаёт векторы размерности 1152; поддерживает контекст до 32 768 токенов, хотя в оценке MTEB для этой версии использовалось 512 токенов. Модель предназначена для построения текстовых эмбеддингов и поиска по смыслу: её можно применять для семантического поиска, оценки сходства предложений, кластеризации, поиска межъязыковых соответствий и ранжирования. Также её архитектура поддерживает дальнейшее дообучение для классификации последовательностей и токенов, извлечения сущностей и задач NLI. В карточке заявлена мультиязычная поддержка более чем 140 языков; контрастивное обучение охватывало 87 языков. Для загрузки требуется trust_remote_code=True и совместимая версия Transformers; это следует учитывать при интеграции. Модель распространяется по лицензии Apache-2.0.

Это модель Sentence Transformers, дообученная разработчиком BjarneNPO на базе FacebookAI/xlm-roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между текстами оценивается косинусной мерой. Архитектура состоит из XLM-RoBERTa с усреднением токенных представлений, число параметров — 305,2 млн, максимальная длина последовательности — 512 токенов (514 токенов нативного контекста по метаданным). Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В карточке приведены обучающие пары «запрос — ответ» объёмом 72 349 примеров и примеры на немецком языке, однако языковая поддержка явно не перечислена. Лицензия в предоставленных данных не указана.

AronowLab разработала sentence-transformers-модель bond-embed-v1-fp16 для получения плотных векторных представлений предложений и абзацев. Модель основана на BERT с 50,3 млн параметров; среднее объединение токенных представлений формирует эмбеддинг размерности 384. Максимальная длина входа — 1024 токена, для сравнения используется косинусное сходство. Модель обучена на 1 441 905 парах текстов с функцией CachedMultipleNegativesRankingLoss. Её можно применять для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В карточке приведена оценка на owl_ontology_eval: cosine_accuracy@1 — 0,6303, @3 — 0,8148, @5 — 0,8775. Языки обучения и область применения в карточке не обозначены, поэтому нельзя считать показатели универсальными для других корпусов. Доступна в формате safetensors; сведения о лицензии не предоставлены.

Mungert/cogito-v1-preview-llama-8B-GGUF — квантизированная GGUF-версия предварительной модели Cogito v1-preview, разработанной Deep Cogito. Однако представленная карточка описывает вариант на 70B параметров с базовой моделью Meta Llama 3.1 70B, поэтому соответствие заявленному идентификатору 8B не подтверждено. Модель предназначена для генерации текста по тексту и работает как instruction-tuned LLM. Cogito — гибридная reasoning-модель: она может отвечать напрямую в стандартном режиме или выполнять саморефлексию в режиме расширенного рассуждения. Модель оптимизирована для программирования, задач STEM, следования инструкциям, общей полезности и tool calling. Заявлена поддержка более 30 языков и контекстного окна до 128k токенов. Расширенное рассуждение включается специальной системной инструкцией или параметром enable_thinking в chat template. Поддерживаются одиночные, параллельные и комбинированные вызовы инструментов. К сильным сторонам относятся гибридный режим работы, заявленные улучшения многоязычности, программирования и вызова инструментов, а также обучение методом Iterated Distillation and Amplification. Ограничения карточки — отсутствие подробных числовых результатов тестов в текстовом виде и несоответствие между идентификатором 8B и описанием 70B. Модель распространяется по лицензии llama3.1; в карточке указано, что семейство выпущено под открытой лицензией с возможностью коммерческого использования.

yunyu/cross-encoder-stsb-deberta-v3-large — модель, опубликованная пользователем yunyu на Hugging Face. Это cross-encoder на архитектуре DeBERTa-v3-large, дообученный для оценки семантического сходства пар текстов на основе задачи STS-B. Модель принимает пару текстов и возвращает оценку их смысловой близости, поэтому подходит для классификации и ранжирования текстовых пар. Модель содержит около 533,8 млн параметров и поддерживает контекст длиной до 512 токенов. В метаданных Hugging Face она обозначена как text-classification; используются Transformers и PyTorch. Основной сценарий — переранжирование результатов поиска, сопоставление пользовательского запроса с документами или описаниями, а также фильтрация и оценка семантического сходства в RAG-конвейерах. Как cross-encoder модель обрабатывает две последовательности совместно и обычно требует отдельного вычисления для каждой пары, что ограничивает производительность при массовом сравнении большого числа кандидатов. Контекст ограничен 512 токенами. Сведения о лицензии в доступных источниках не установлены.

DeepSeek-V3.2 — языковая модель, разработанная DeepSeek AI и представленная как дообученная версия DeepSeek-V3.2-Exp-Base. Модель ориентирована на эффективное рассуждение, работу с агентными сценариями и взаимодействие с инструментами, включая режим «thinking with tools». Она распространяется через Transformers и использует обновлённый формат чата с поддержкой вызова инструментов и рассуждений. Ключевой особенностью модели является механизм DeepSeek Sparse Attention (DSA), предназначенный для снижения вычислительной сложности при сохранении качества, особенно в задачах с длинным контекстом. Для обучения применялись масштабируемое reinforcement learning и pipeline синтеза данных для агентных задач. README заявляет высокие результаты в математических и программных соревнованиях, однако точные размер модели, длина контекста, поддерживаемые языки и набор модальностей не указаны. Для интеграции требуется учитывать, что релиз не содержит Jinja-шаблон chat template: разработчикам предлагается использовать скрипты из каталога encoding для кодирования сообщений в OpenAI-совместимом формате и разбора ответов. Указанная функция разбора рассчитана на корректно сформированные строки и не исправляет ошибки формата. Модель распространяется по лицензии MIT.

DeepSeek-V4-Flash-0731 — официальная версия модели DeepSeek-V4-Flash, разработанная DeepSeek AI. Она предназначена прежде всего для агентных сценариев, включая работу с инструментами, автоматизацию, разработку программного обеспечения, задачи Code Agent и full-stack разработку. По данным README, модель превосходит DeepSeek-V4-Pro (Preview) на приведённых тестах и сопоставима с сильнейшими проприетарными моделями по ряду агентных и программных задач. Модель имеет ту же структуру, что и DeepSeek-V4-Flash-DSpark, с подключённым модулем speculative decoding. Количество параметров, число активируемых параметров, поддерживаемые языки, модальности и размер контекста в README не указаны. Для работы используется библиотека Transformers, а запуск поддерживается через vLLM и SGLang. Предусмотрены уровни reasoning_effort low, high и max, регулирующие объём рассуждений перед ответом. К сильным сторонам относятся улучшенные агентные возможности, высокая результативность в задачах программирования, автоматизации и работы с инструментами, а также поддержка ускоренного speculative decoding через DSpark. Ограничения включают отсутствие Jinja-шаблона чата: для кодирования сообщений и разбора ответов требуется использовать предоставленные Python-скрипты из папки encoding. Для развёртывания необходима специализированная конфигурация инференса и совместимое оборудование; в README приведён пример запуска на узле с 4 GPU GB300. Модель распространяется по лицензии MIT.

Devstral-Small-2-24B-Instruct-2512-GGUF — квантизированная в формат GGUF версия модели Devstral-Small-2-24B-Instruct-2512 от Mistral, подготовленная ByteShape с использованием ShapeLearn. Метод ShapeLearn подбирает тип данных для каждого тензора, чтобы сохранять высокое качество при малой разрядности. Модель предназначена для генерации текста и задач, связанных с программированием, включая function calling, а также поддерживает мультимодальные сценарии с обработкой изображений. Доступны варианты с эффективной разрядностью от 2,34 до 4,04 бит на вес и размером от 6,9 до 11,9 ГБ. Качество оценивалось на BFCL-V3, LiveCodeBench V6, HumanEval, GSM8K-V, Math500, GSM8K и MMLU; в README также указана оценка vision-возможностей. Модели оптимизированы для GPU NVIDIA RTX 40-й и 50-й серий при использовании llama.cpp и могут запускаться через Ollama. Для работы с изображениями в llama.cpp необходимы файл модели и соответствующий мультимодальный projector-файл; размер контекста в приведённом примере составляет 8192 токена. Основные преимущества — широкий выбор компромиссов между качеством, скоростью и потреблением памяти, а также поддержка низкобитной квантизации и мультимодального использования. Ограничения включают возможное снижение качества на наиболее компактных вариантах и необходимость совместимого окружения для запуска; конкретные языки, полная архитектура и точные характеристики контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

Модель lenamisods/doctor_ai_stsb_xlm_r_multilingual_trained — многоязычная модель Sentence-Transformers на архитектуре XLM-RoBERTa, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, кластеризации и семантического поиска. Модель содержит 305,2 млн параметров, принимает текст длиной до 514 токенов и распространяется в формате safetensors; лицензия — Apache-2.0. Модель подходит для поиска текстов по смыслу и группировки семантически близких фраз. В README не указаны конкретные языки обучения или оценки качества, поэтому состав поддерживаемых языков нельзя уточнить по доступным данным. Для использования в Transformers поверх контекстных представлений требуется подходящая операция pooling.

Dolphin 2.6 Mistral 7B DPO — языковая модель, созданная Eric Hartford при спонсорской поддержке Convai и дообученная на базе Mistral-7B. Это плотная авторегрессионная модель с 7,1 млрд параметров, рассчитанная на генерацию текста; она принимает запросы в формате ChatML. Контекст модели составляет до 32 768 токенов по метаданным, тогда как README указывает для базовой модели 16 тысяч токенов. Модель предназначена для диалога и особенно для задач программирования. DPO-настройка на предпочтениях повысила её склонность следовать инструкциям. Модель поддерживает английский язык; репозиторий содержит веса в формате safetensors. Лицензия Apache-2.0 допускает коммерческое использование. Автор описывает модель как uncensored и предупреждает, что она может выполнять вредоносные запросы. Перед использованием в сервисе следует самостоятельно настроить меры безопасности и фильтрацию. README не приводит законченных примеров вывода или результатов оценки, поэтому качество для конкретных задач стоит проверять отдельно.

Dolphin 2.8 Mistral 7B v0.2 — разговорная модель с открытыми весами, разработанная Эриком Хартфордом и Cognitive Computations. Она дообучена на базе Mistral-7B-v0.2 и предназначена для выполнения инструкций, диалогов и задач программирования. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; полновесное дообучение проводилось с длиной последовательности 16 000 токенов. В карточке перечислены обучающие наборы для инструкций, диалогов и кода. Модель ориентирована на генерацию ответов в чате, помощь с кодом и выполнение текстовых инструкций на английском языке. Авторы характеризуют её как uncensored и предупреждают о высокой готовности выполнять запросы, в том числе неэтичные; перед предоставлением модели пользователям рекомендуется добавить собственный слой контроля. Модель распространяется по лицензии Apache 2.0, включая коммерческое использование.

E5-small-unsupervised — англоязычная модель эмбеддингов текста семейства E5, разработанная авторами работы Text Embeddings by Weakly-Supervised Contrastive Pre-training. Это версия E5-small без контролируемого дообучения; архитектура основана на BERT и содержит 12 слоёв, размер эмбеддинга — 384, число параметров — около 40 млн. Модель преобразует текстовые запросы и документы в векторы для поиска и сопоставления предложений. Она подходит для семантического сходства, поиска фрагментов в системах вопросно-ответного поиска, поиска перефразирований, кластеризации и использования эмбеддингов как признаков классификации. Для корректной работы следует добавлять префиксы «query: » и «passage: » в соответствии со сценарием; для симметричного сходства используется «query: » для обоих текстов. Модель принимает только английский текст, а последовательности длиннее 512 токенов обрезаются. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — MIT.

EmbeddingGemma-300m Haystack Contrastive Better Thin — дообученная на контрастивной задаче модель Sentence Transformers на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы на английском языке в плотные эмбеддинги размерности 768 для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства и перефразирования, кластеризации и классификации текста. Модель содержит 302,8 млн параметров, принимает текст длиной до 2048 токенов и распространяется в формате safetensors. В README описано обучение на 1200 парах текстов с метками и приведён результат cosine F1 0,961 на оценке бинарной классификации. Лицензия — Apache-2.0.

F2LLM-v2-4B — многоязычная модель эмбеддингов от CodeFuse AI, основанная на плотной архитектуре Qwen3. Она предназначена для преобразования текста в векторные представления, которые можно использовать для поиска, ранжирования, оценки сходства, кластеризации и поиска параллельных текстов. Модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель обучена на отобранном наборе из 60 миллионов общедоступных примеров; семейство F2LLM-v2 ориентировано более чем на 200 языков, в том числе языки с ограниченными обучающими ресурсами. Поддерживаются инструкции для запросов, а обучение Matryoshka Representation Learning позволяет уменьшать размерность эмбеддингов с сохранением полезных свойств представления. Репозиторий предоставляет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Практическое качество зависит от языка, формулировки инструкции и выбранной размерности эмбеддингов; README не приводит отдельных численных результатов именно для версии 4B.

Это порт модели контекстного энкодера Dense Passage Retrieval (DPR) в формате Sentence Transformers, предназначенный для кодирования предложений и абзацев в плотные векторы размерности 768. Архитектура основана на BERT; модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Полученные эмбеддинги подходят для семантического поиска, кластеризации и сравнения текстов. Модель можно использовать через Sentence Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса в форматах PyTorch и Safetensors, а также варианты ONNX и OpenVINO. Лицензия — Apache-2.0.

Falcon3-1B-Instruct — компактная инструктивная языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Она дообучена на базе tiiuae/Falcon3-1B-Base и предназначена для диалогов и генерации текста по инструкциям. Модель имеет плотную архитектуру Transformer с причинным декодером и 1,4 млрд параметров. В ней 18 блоков декодера, Grouped Query Attention, SwiGLU и RMSNorm; контекстное окно — до 8192 токенов. Модель принимает и генерирует текст на английском, французском, испанском и португальском языках. Модель обучалась на данных для STEM, диалогов, программирования, безопасности и вызова функций. В карточке заявлены сильные результаты в рассуждениях, понимании языка, следовании инструкциям, математике и задачах с кодом. Лицензия — TII Falcon-LLM License 2.0; перед использованием следует учитывать её условия.

Это модель Sentence Transformer, созданная Sahith Kumar и дообученная на базе microsoft/mpnet-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по семантической близости, семантического поиска, поиска перефразировок, классификации и кластеризации. Для сравнения используется косинусное сходство; архитектура включает MPNet и усреднение токенных представлений. Максимальная длина входа — 512 токенов по README и 514 контекстных токенов по метаданным. Модель имеет 136,7 млн параметров и распространяется в формате safetensors. В README описано дообучение на 800 примерах с anchor, positive и negative и приведена оценка cosine accuracy 1.0 на двух наборах TripletEvaluator; результаты относятся только к указанным тестам и не гарантируют качество на других данных. Поддерживаемые языки и лицензия в предоставленных источниках не указаны. Для использования требуются Sentence Transformers или совместимая инфраструктура эмбеддингов.

ppuva1/finetuned-bge-base-en — англоязычная Sentence Transformer-модель, дообученная автором на основе BAAI/bge-base-en. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для семантического сравнения текстов и поиска, поиска перефразировок, кластеризации и классификации. В карточке указана оценка cosine accuracy 0,8462 на обучающем наборе и 0,3939 на оценочном наборе TripletEvaluator; эти результаты относятся к указанным наборам и не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

kasraarabi/finetuned-caption-embedding — дообученная модель Sentence Transformer на базе sentence-transformers/paraphrase-mpnet-base-v2. Разработчик дообучил MPNet на 10 000 пар предложений с функцией потерь MultipleNegativesRankingLoss; модель преобразует предложения и абзацы в плотные векторы размерности 768. Для сравнения векторов используется косинусное сходство. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического сравнения текстов, поиска близких по смыслу фраз и абзацев, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Примеры обучающих данных описывают сцены и объекты, поэтому модель может быть полезна для сопоставления текстовых описаний изображений. Модель принимает текст и выдаёт эмбеддинги; сама по себе она не генерирует ответы и не определяет категории без дополнительного классификатора. В карточке не указаны лицензия и подтверждённый набор поддерживаемых языков. Для использования указана библиотека Sentence Transformers; веса представлены в формате Safetensors.

kimquynh/finetuned_sbert_8 — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, разработанная автором репозитория. Она преобразует предложения и абзацы на естественном языке в плотные текстовые векторы размерности 768 и подходит для поиска по смыслу и сравнения текстов по косинусному сходству. Архитектура включает MPNet, усредняющий pooling и нормализацию; размер модели — 136,7 млн параметров. В README указан предел последовательности 384 токена, а метаданные сообщают о native context в 514 токенов. Модель обучена на 6 241 парах текстов со значениями сходства; в README приведены результаты проверки на задачах семантического сходства и бинарной классификации. Она принимает текст и выдаёт эмбеддинги, которые можно использовать для извлечения релевантных документов, ранжирования кандидатов и кластеризации. Языки обучающих данных и основного применения не установлены по предоставленным сведениям. Лицензия в доступных данных не указана.