II.8Инженерия данных и аналитика

dataera2013/midterm-ft-2 — дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-l, разработанная для сравнения и поиска текстов по смыслу. Она преобразует предложения и абзацы в плотные векторы размерности 1024; близость оценивается косинусным сходством. Архитектура включает BERT-трансформер, объединение представлений по токену CLS и нормализацию векторов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов. Максимальная длина входа — 512 токенов. В README приведены результаты оценки поиска по информации, включая точность cosine_accuracy@1 0,7519 и cosine_accuracy@5 0,8372. В карточке указана лицензия не приведена, поэтому условия использования по доступным данным определить нельзя. Набор для дообучения содержит 238 пар текстов, поэтому результаты могут зависеть от соответствия пользовательских данных этому ограниченному набору.

antarge/minilm-finetuned — дообученная модель на базе sentence-transformers/all-MiniLM-L6-v2, предназначенная для получения векторных представлений предложений и оценки их семантического сходства. Она использует плотную архитектуру BERT и распространяется в формате PyTorch; для работы требуется библиотека Transformers или Sentence Transformers. Модель обучена на наборе sentence-transformers/all-nli и ориентирована на англоязычные тексты. Лицензия — MIT, допускающая коммерческое использование при соблюдении её условий. Модель подходит для поиска предложений по смыслу, сравнения формулировок и кластеризации текстов. Размер указан в метаданных как 252 млн параметров, однако README не поясняет его расчёт для этой модели; поэтому практические свойства размера базовой модели отдельно не выводятся. Карточка не сообщает длину контекста и ограничения качества.

valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

MiniMax-M2.7-REAP-172B-A10B-NVFP4-GB10 — производная модель семейства MiniMax-M2.7, подготовленная Saricles для запуска на NVIDIA DGX Spark с GB10 и других GPU Blackwell с поддержкой NVFP4. Это причинная языковая MoE-модель MiniMaxM2ForCausalLM: после удаления 25% экспертов в базовой версии REAP и последующей посттренировочной квантизации NVFP4 в ней сохранено 192 из 256 экспертов исходной модели. Размер файлов составляет 98,9 ГБ; модель рассчитана на контекст до 196 608 токенов. Модель предназначена для диалогов и агентных сценариев, включая использование инструментов, генерацию кода, математику и задачи разработки ПО. Настройка квантования ориентирована на оборудование GB10 и уменьшает требования к памяти; README указывает, что модель помещается в единую память DGX Spark объёмом 128 ГБ. Производительность и качество этой версии на GB10 пока не подтверждены опубликованными бенчмарками. В README также отмечена ошибка подготовки данных к калибровке: SWE-smith-trajectories не попал ни в отбор экспертов, ни в калибровку квантования. Лицензия указана как other; конкретные условия следует проверять в карточке модели.

tanbinh2210/mlm_trained_phobert — модель Sentence Transformers на архитектуре RoBERTa, разработанная пользователем tanbinh2210. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости; сходство измеряется косинусом. Модель предназначена для семантического поиска, поиска перефразирований, кластеризации и классификации текста. Модель принимает текстовые последовательности длиной до 258 токенов по метаданным Hugging Face; в README указано ограничение 256 токенов. Размер модели — 162,4 млн параметров. В архитектуре используется усреднение токенных представлений RoBERTa. В карточке не указаны поддерживаемые естественные языки и лицензия.

Карточка модели adamezzaim/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

Карточка модели Oussama1209/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

YeonwooSung выпустил дообученную на answerdotai/ModernBERT-large модель Sentence Transformer для получения плотных векторных представлений предложений и абзацев. Она предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Архитектура состоит из энкодера ModernBERT-large с усреднением токенных представлений; размер вектора — 1024, сходство измеряется косинусной метрикой. Модель содержит 394,7 млн параметров; метаданные указывают контекст до 8192 токенов, тогда как конфигурация Sentence Transformers в README ограничивает длину последовательности 512 токенами. Обучающий набор включает 499 184 примера. Карточка демонстрирует англоязычные данные, поэтому основное применение — для английского текста. Лицензия — MIT.

ModernBERT-small-v2 — компактная модель Sentence Transformers для получения плотных векторов предложений и оценки их семантического сходства. В карточке Hugging Face указаны архитектура ModernBERT и 37 млн параметров; разработчик описывает её как 12-слойный энкодер с размерностью эмбеддингов 384. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать по косинусному сходству. Модель предназначена для семантического поиска, ранжирования и извлечения релевантных документов, в том числе в корпусах с вопросами и академическими текстами. По README, её инициализировали проекцией PCA знаний answerdotai/ModernBERT-base, затем обучали на задаче masked language modeling и дистиллировали подражанием эмбеддингам Alibaba-NLP/gte-modernbert-base с MSE loss. Максимальная длина последовательности составляет 1024 токена; заявлены англоязычные поисковые и энциклопедические данные. Узкая размерность вектора и сравнительно небольшой размер модели рассчитаны на быстрое кодирование и компактные поисковые индексы. Модель подходит для применения в поисковых системах и retrieval-сценариях; в README приведены результаты оценивания на NanoMSMARCO, NanoHotpotQA и NanoBEIR. Результаты зависят от данных и конфигурации поиска. Лицензия в предоставленных сведениях не указана.

Карточка модели coderancer/movie-recommender-model 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.

Это англоязычная модель Sentence Transformer, разработанная tomaarsen и дообученная на базе microsoft/mpnet-base на парах из набора gooaq-hard-negatives. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости и поиска текстов; сходство обычно оценивают косинусной мерой. Архитектура объединяет MPNet и усредняющий пулинг токенов, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов, а также для оценки сходства вопросов и ответов. Она лицензирована по Apache-2.0. Качество зависит от предметной области и корпуса: приведённые в карточке результаты на наборах Nano BEIR и отдельных задачах различаются, поэтому для целевого применения нужна отдельная оценка.

sieu-n/msmarco-distilbert-cos-v5_en-ko-ja_10epoch — модель Sentence-Transformers на архитектуре XLM-RoBERTa для получения плотных векторов предложений и абзацев размерности 768. Она предназначена для поиска семантически близких текстов и кластеризации; в README указано обучение с MSELoss. Метаданные указывают 305,2 млн параметров, контекст до 514 токенов и формат PyTorch. По названию репозитория модель ориентирована на английский, корейский и японский языки. Модель подходит для построения семантического поиска и сравнения текстов через эмбеддинги. README не приводит количественных результатов оценки, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

Карточка модели Sangyup/multilingual-e5-local-copy на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large-instruct, поэтому описание составлено по ней. Multilingual-E5-large-instruct — текстовая модель эмбеддингов из семейства E5, представленная авторами технического отчёта Multilingual E5 Text Embeddings. Она основана на XLM-RoBERTa-large и использует архитектуру XLM-RoBERTa с 24 слоями; размер эмбеддинга — 1024, всего 658,7 млн параметров. Модель принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Репозиторий содержит веса в форматах Safetensors и ONNX. Модель предназначена для семантического поиска, сопоставления запросов с документами и оценки сходства текстов на многих языках. Для запроса необходимо добавлять одно предложение-инструкцию, описывающее задачу; документам инструкция не нужна. Модель обучалась на смеси многоязычных наборов данных и поддерживает 100 языков XLM-RoBERTa, включая русский. Длина контекста ограничена 512 токенами: более длинный текст обрезается. На низкоресурсных языках качество может быть ниже. Абсолютные значения косинусного сходства не следует трактовать как уверенность — для задач поиска важнее относительный порядок оценок. Лицензия — MIT.

feng-x/my-embedding-gemma — модель Sentence Transformer, дообученная автором на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства; максимальная длина входа — 2048 токенов. Модель предназначена для семантического поиска и сопоставления текстов, а также может применяться для поиска перефразировок, классификации и кластеризации. Для дообучения указаны три примера с парами похожих и непохожих фраз и функция MultipleNegativesRankingLoss. Такой малый набор данных ограничивает основания для оценки качества и обобщения модели. В карточке не указана лицензия, поэтому условия использования следует проверять у автора и базовой модели. Модель принимает текст и выдаёт эмбеддинги.

megabytes/Nanbeige4.1-3B-heretic — англо-китайская диалоговая языковая модель на базе Nanbeige/Nanbeige4.1-3B. Разработчик описывает исходную модель как компактную модель для рассуждений, программирования и агентных задач; эта версия создана с помощью Heretic v1.2.0 и abliteration для снижения частоты отказов. Она содержит 3,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 262 144 токенов. Модель предназначена для генерации диалоговых ответов, решения многошаговых задач, написания кода и сценариев с поиском и вызовом инструментов. README приводит для этой версии частоту отказов 8 из 100 и KL-дивергенцию 0,0003 относительно исходной модели; в карточке также отмечено, что существует улучшенная версия от Heretic Organization. Модель может выдавать предвзятый или иной нежелательный контент. Лицензия — Apache-2.0.

Nemotron ColEmbed V2 — мультимодальная модель позднего взаимодействия для поиска по визуальным документам, разработанная NVIDIA. Она дообучена на базе Qwen3-VL-8B-Instruct и объединяет несколько дообученных контрольных точек. Модель принимает текстовые запросы и изображения страниц документов, а выдаёт ColBERT-подобные многовекторные представления для поиска и ранжирования документов по запросу. Модель предназначена для мультимодальных RAG-систем, поиска по страницам с текстом, таблицами, графиками и инфографикой, а также для кросс-модального поиска. Архитектура — трансформер с визуальным энкодером SigLIP2-SO-400M, модулем объединения визуальных и языковых признаков и языковой частью; размер — около 8,8 млрд параметров. Для каждого входного токена формируется вектор размерности 4096. В README указана проверенная длина контекста до 10 240 токенов; модель поддерживает многоязычный поиск. В карточке сообщается о первом месте на ViDoRe V3 на момент публикации и улучшении семантического соответствия благодаря многоязычным синтетическим данным. Для запуска требуются Transformers версии 4.57.2 или новее и Flash Attention; модель ориентирована на GPU NVIDIA. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с соблюдением её условий.

Карточка модели AarthShah/Nex-N2-mini на Hugging Face совпадает с карточкой nex-agi/Nex-N2-mini, поэтому описание составлено по ней. Nex-N2-mini — открытая агентная языковая модель компании Nex-AGI, дообученная на базе Qwen3.5-35B-A3B-Base. Она предназначена для разработки программного обеспечения, вызова инструментов, выполнения задач в терминале и исследований с поиском, включая длительные рабочие процессы с обратной связью от среды. Модель объединяет планирование, реализацию, проверку и отладку; заявлены адаптивная глубина рассуждений и согласованный подход к разным агентным задачам. Модель доступна в формате safetensors, работает с библиотекой Transformers и поддерживает диалог. В README описана поддержка function calling и явных трасс рассуждений; для локального развёртывания Nex-AGI рекомендует собственную сборку sglang. Для Nex-N2-mini приведён пример запуска на сервере с двумя H100. Лицензия — Apache-2.0. README заявляет результаты на агентных и программных бенчмарках, но часть таблицы опущена, а подробные показатели Nex-N2-mini в доступном тексте ограничены. Модель ориентирована на сложные агентные сценарии, поэтому её практическая эффективность зависит от окружения, инструментов и вычислительных ресурсов.

NVIDIA Nemotron 3.5 Lightning 30B A3B BF16 — большая языковая модель NVIDIA для диалогов, рассуждений и генерации текста. Это эталонные веса в формате BF16, предназначенные прежде всего для дообучения, адаптации к предметной области, исследований и подготовки производных вариантов для развёртывания. Архитектура сочетает слои Mamba-2, Mixture-of-Experts и Attention; в модели 30 млрд параметров, из которых активно используются около 3 млрд, а также предусмотрены слои Multi-Token Prediction. В метаданных указано 1,9 млрд параметров и контекст 262 144 токена; README сообщает о поддержке контекста до 1 млн токенов. Модель подходит для создания чат-ботов и агентных систем, генерации и анализа кода, решения задач на рассуждение, работы с длинными текстами и использования интерфейса вызова инструментов. Основной язык — английский; также заявлена поддержка испанского, французского, немецкого, итальянского и японского. README описывает модель как пригодную для коммерческого использования, но метаданные указывают лицензию «other», поэтому конкретные условия следует сверить с лицензией репозитория. Для оптимизированного инференса автор рекомендует отдельный NVFP4-выпуск.

Open-Instruct SNI 7B — языковая модель на архитектуре LLaMA, дообученная исследователями Allen Institute for AI на наборе Super-Natural Instructions. Она предназначена для генерации ответов на инструкции и выполнения разнообразных текстовых задач, включая вопросы и ответы, рассуждения, задачи по математике и генерацию кода. Модель содержит 6,6 млрд параметров, использует формат PyTorch и имеет контекст длиной 2048 токенов. Модель обучалась в рамках исследования состояния instruction tuning на открытых ресурсах; в README приведены результаты на MMLU, GSM, BBH, TyDiQA, Codex-Eval и AlpacaFarm. Для качественной генерации следует соблюдать указанный в карточке формат запросов с переводами строк. Репозиторий содержит diff весов: для использования нужна доступная базовая модель LLaMA в формате Hugging Face. Условия использования определяются лицензией AI model и исходной лицензией LLaMA.

Ops-Colqwen3-4B — мультимодальная модель встраиваний в стиле ColPali, разработанная командой Alibaba Cloud OpenSearch-AI на основе Qwen3-VL-4B-Instruct и дообученная для поиска по визуальным документам. Она кодирует текстовые запросы и страницы документов, включая изображения и PDF, в согласованное пространство многовекторных представлений для семантического поиска и ранжирования по сходству с использованием MaxSim. Модель содержит 4 млрд параметров, поддерживает контекст до 32 000 токенов, до 1 280 визуальных токенов на страницу и более 30 языков. Размерность векторов настраивается до 2 560; короткие префиксы размерностью 128 или 320 подходят для сценариев с ограничениями по памяти и задержке. В README сообщаются высокие результаты на бенчмарках Vidore v1–v3, однако они не гарантируют аналогичное качество на других данных. Модель предназначена для мультиязычного поиска по PDF и другим визуальным документам, например, в системах поиска по документам и RAG. Лицензия — Apache-2.0. Для работы README приводит зависимости Pillow, Transformers версии 4.57.0 или новее, qwen-vl-utils и PyTorch 2.8.0.

Карточка модели damfle/ornith-1.5-35b-a3b-custom на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-35B-A3B, поэтому описание составлено по ней. Ornith-1.5-35B-A3B — разработанная Ornith AI диалоговая модель семейства Ornith-1.5 с архитектурой Qwen3.5 MoE. В модели около 35 млрд параметров, из которых примерно 3 млрд активируются на каждом токене. Она создана для генерации текста, агентного программирования и выполнения задач с помощью инструментов; README сообщает о результатах на бенчмарках кодирования и агентных задач. Модель принимает текст и выдаёт текст, включая структурированные вызовы инструментов. Поддерживает контекст до 262 144 токенов; README описывает расширение окна примерно до миллиона токенов с помощью YaRN, с возможным небольшим ухудшением качества на обычной длине контекста. Для запуска в bf16 требуется около 70 ГБ памяти модели; в примере обслуживания используются две GPU по 80 ГБ. Репозиторий распространяется по лицензии MIT.

Orythos-9B — мультимодальная модель на 9 млрд параметров, созданная CloudGoat слиянием моделей Qwythos-9B-Claude-Mythos-5-1M и Ornith-1.5-9B методом DARE-TIES на базе Qwen3.5-9B. Она предназначена для диалога, анализа изображений, программирования и агентных сценариев, включая взаимодействие с инструментами. В карточке приведён результат HumanEval pass@1 89%; это заявленный авторами результат на бенчмарке. Модель использует архитектуру Qwen3.5 для генерации текста с обработкой изображений. Репозиторий содержит веса Safetensors и варианты GGUF, включая BF16 и Q4_K_M. Для практического использования доступны диалоговые и визуальные возможности, а также интерфейс вызова инструментов. Модель подойдёт для помощи в программировании и задач, где нужны рассуждения, анализ изображений или агентное взаимодействие. README не описывает языковой охват и длину контекста. Условия лицензии в предоставленных данных не указаны.

Ovis-Omni-Embedding-3B — мультимодальная модель эмбеддингов с 3 млрд параметров от ATH-MaaS, созданная на основе Qwen2.5-Omni-3B. Она кодирует текст, изображения, визуальные документы, видео, аудио и их сочетания в общее векторное пространство для поиска и сравнения. Модель использует общий бэкбон Thinker и родные текстовый токенизатор, визуальный и аудиоэнкодеры; вектор извлекается из скрытого состояния последнего непустого токена. Для запуска предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для семантического и межмодального поиска, индексации и извлечения данных для мультимодальных RAG-систем, рекомендаций, поиска по видео и аудио, визуальным документам, интерфейсам и памяти агента. Это bi-encoder: запросы и кандидаты кодируются независимо, а ранжирование обычно выполняется по косинусному сходству нормализованных векторов. Генерировать текст или речь модель не предназначена. В бенчмарке MMEB-v3, включающем 190 наборов данных, модель набрала 58,46 балла и показала сильные результаты в агрегатах по группам модальностей. Качество зависит от подходящей инструкции для запроса и корректной предобработки; результаты бенчмарка не гарантируют качество на новых доменах. Лицензия — Apache-2.0.

Panacea v2.1 — модель Sentence Transformer, дообученная автором nanalysenko на ai-forever/ruRoberta-large. Она преобразует предложения и абзацы в плотные векторы размерности 1024, которые можно сравнивать по косинусному сходству. Архитектура включает RoBERTa с усреднением токенных представлений; максимальная длина входа — 514 токенов. Модель предназначена для измерения семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Обучение описано на 6 500 парах предложений с использованием MultipleNegativesRankingLoss; приведённые примеры относятся к лабораторным анализам и аллергенам. Модель принимает текст и выдаёт векторы, а не готовые ответы или метки. Базовая модель — русскоязычная ruRoberta-large. Указана лицензия исходной модели? В доступных данных лицензия не приведена.

Карточка модели Openintelligent123/phi-4 на Hugging Face совпадает с карточкой microsoft/phi-4, поэтому описание составлено по ней. Phi-4 — языковая модель Microsoft Research с плотной архитектурой декодерного Transformer и 14,1 млрд параметров. Она принимает текстовые запросы, лучше всего в формате чата, и генерирует текст; длина контекста составляет 16 тысяч токенов. Модель доступна в формате Safetensors и распространяется по лицензии MIT. Модель предназначена для англоязычных сценариев общего назначения, особенно для рассуждений, логики, математики, программирования и следования инструкциям в условиях ограничений по памяти, вычислениям или задержке. При обучении использовались отфильтрованные общедоступные материалы, учебные и синтетические данные, академические книги, наборы вопросов и ответов, а также данные для настройки диалогов. Модель прошла supervised fine-tuning и direct preference optimization; около 8% обучающих данных были многоязычными. Phi-4 может служить компонентом генеративных ИИ-приложений и компактной альтернативой более крупным моделям для ряда задач рассуждения. Это статическая модель со срезом знаний по июнь 2024 года; ответы могут быть неточными, а качество и безопасность следует оценивать для конкретного применения, особенно в высокорисковых сценариях. Карточка указывает на основной фокус на английском языке.

Карточка модели JaehyeokLee/preliminary_5m_checkpoint_epoch_1_step_80 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_5m_checkpoint_epoch_1_step_800 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_gist_checkpoint_epoch_1_step_130 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_infonce_checkpoint_epoch_1_step_150 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_infonce_checkpoint_epoch_1_step_40 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.