II.8Инженерия данных и аналитика

E5-base-4k — модель для получения векторных представлений текстов, представленная в работе LongEmbed: Extending Embedding Models for Long Context Retrieval. Авторы — Dawei Zhu, Liang Wang, Nan Yang, Yifan Song, Wenhao Wu, Furu Wei и Sujian Li. Модель предназначена для поиска и сопоставления запросов с длинными текстовыми фрагментами, в том числе в задачах retrieval. Это плотная модель семейства BERT с 12 слоями и размерностью эмбеддинга 768. Она содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 4096 токенов. Репозиторий содержит веса PyTorch; карточка указывает английский язык. Модель можно применять для поиска по коллекциям документов и семантического сравнения текстов. В README приведены примеры кодирования запросов и пассажей из MS MARCO, а оценку предлагают воспроизводить на наборах BEIR и MTEB. Лицензия — MIT. Карточка не сообщает о других языках или ограничениях качества; практические результаты следует оценивать на данных целевого поиска.

upskyy/e5-base-korean — многоязычная модель Sentence Transformer, разработанная upskyy на основе intfloat/multilingual-e5-base и дообученная на korsts и kornli. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и других задач, где требуется сопоставлять смысл текстов. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; для сходства используется косинусная мера. Модель содержит 305,2 млн параметров, максимальная длина последовательности — 514 токенов по метаданным. Поддерживает корейский и другие языки, перечисленные в метаданных. Лицензия — MIT.

johnnas12/e5-galaxy-finetuned — англоязычная модель Sentence Transformer, дообученная на базе intfloat/e5-base-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Архитектура включает BERT-трансформер, усреднение токенных представлений и нормализацию; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства текстов и поиска перефразировок. Её также можно применять для кластеризации и классификации текстов на основе эмбеддингов. В обучающем наборе указано 68 840 пар запросов и passages; примеры ориентированы на поиск технической документации. Лицензия в предоставленных данных не указана.

juanmcristobal/e5-large-v2-mitre — дообученная модель Sentence Transformer на базе intfloat/e5-large-v2 для получения плотных текстовых эмбеддингов. Архитектура включает BERT, mean pooling и нормализацию; модель содержит 433,9 млн параметров, выдаёт векторы размерности 1024 и рассчитана на последовательности длиной до 32 токенов по README. Метаданные указывают максимальный контекст 512 токенов, поэтому фактический предел для этой версии в источниках расходится. Модель обучена на 2 268 288 парах предложений с MultipleNegativesRankingLoss. Она предназначена для семантического поиска и сравнения предложений, поиска перефразировок, кластеризации и использования эмбеддингов в классификации текста; близость векторов оценивается косинусным сходством. Примеры обучающих пар посвящены киберугрозам и защите, но данных недостаточно, чтобы считать модель специализированной только для этой области. Карточка не сообщает лицензию; базовая модель — англоязычная, а язык дообучения явно не указан.

ThanhLe0125/e5-math-ebd — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости с помощью косинусного сходства. Архитектура использует XLM-RoBERTa, усреднение токенных представлений и нормализацию; в метаданных указано 305,2 млн параметров и контекст до 514 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Название репозитория указывает на математическую тематику, но README не уточняет специальную область применения или обучающие данные. Лицензия в предоставленных данных не указана.

E5-small-v2-t2t-nl — нидерландская версия модели для получения плотных текстовых эмбеддингов, дообученная на базе clips/e5-small-v2-t2t. Её можно использовать для сравнения семантической близости запросов и текстов, поиска по смыслу и задач ранжирования. Модель построена на архитектуре BERT и содержит 39,9 млн параметров; максимальная длина контекста — 512 токенов. Она работает с текстом и предназначена прежде всего для нидерландского языка. В карточке приведён пример кодирования запросов и фрагментов MS MARCO и указана оценка на бенчмарке MTEB-NL. Модель распространяется по лицензии MIT.

IoannisKat1 выпустил дообученную модель Sentence Transformers на базе google/embeddinggemma-300m для поиска и сопоставления текстов. Модель кодирует предложения и абзацы в плотные векторы размерностью 768; для оценки сходства используется косинусная мера. Контекст — до 2048 токенов, входная модальность — текст. В README указано обучение на 4268 парах текстов и приведены результаты оценки поиска при усечении векторов до 768, 512, 256, 128 и 64 измерений. Карточка указывает английский язык, однако примеры обучающих данных на греческом, поэтому фактическую языковую поддержку следует проверять на целевых данных. Лицензия — Apache-2.0.

Ettin Encoder 1B — англоязычная модель-энкодер семейства ModernBERT от исследовательской группы JHU CLSP, часть набора Ettin для сопоставления энкодерных и декодерных архитектур. Модель содержит 1 млрд параметров, построена на плотной архитектуре ModernBERT и обучена с маскированием токенов; она предназначена для извлечения признаков и получения текстовых представлений, а также поддерживает заполнение пропусков в тексте. Модель подходит для классификации текстов, поиска и извлечения представлений, включая поиск по коду и работу с длинным контекстом. В описании набора Ettin сообщается о сильных результатах энкодеров на GLUE, англоязычном поиске MTEB и CodeSearchNet. Контекст модели составляет около 8 тысяч токенов. Обучение Ettin использует открытые данные и единый рецепт для сравнения архитектур; лицензия модели — MIT.

Fabliq-8B-Agent — компактная агентная языковая модель LLM-OS-Models для работы с терминалом и задач программирования. Это дообученная и объединённая модель семейства Liquid AI LFM2.5 с MoE-архитектурой Lfm2MoeForCausalLM: в карточке указано 1,6 млрд параметров, а README описывает базовую конфигурацию как примерно 8 млрд параметров всего и около 1 млрд активных на токен. Модель принимает текст, использует контекст до 128 000 токенов и обучена на английских многоходовых траекториях взаимодействия с инструментами. Модель предназначена для сценария «прочитать — рассуждать — выполнить действие — проверить результат»: она может выдавать текстовые ответы и вызовы инструментов в формате Liquid, например Bash, Read, Edit, Write, Glob и Grep. Обучение проведено на 4 047 терминальных сессиях из набора Fable-5-traces, поверх модели ToolBench; README указывает три эпохи дополнительного обучения. Для выполнения действий требуется внешняя среда, которая разбирает и исполняет вызовы инструментов. Доступна по лицензии Apache-2.0.

Это Sentence Transformer на архитектуре MPNet, созданный Sahith Kumar дообучением microsoft/mpnet-base на наборе из 800 примеров с тройками anchor, positive и negative. Модель преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их с помощью косинусного сходства; максимальная длина входа составляет 512 токенов (метаданные указывают 514 токенов). В репозитории веса представлены в формате safetensors, для работы используется библиотека Sentence Transformers. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. README сообщает о точности cosine_accuracy 0,98 на двух тестовых наборах, однако описание не уточняет состав и размер этих наборов. Обучающие примеры связаны с научными текстами о тактильных датчиках, поэтому качество на иных темах и языках может отличаться; сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели FuseAI/FuseO1-DeepSeekR1-QwQ-SkyT1-Flash-32B-Preview на Hugging Face совпадает с карточкой FuseAI/FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview, поэтому описание составлено по ней. FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview — экспериментальная объединённая языковая модель команды FuseAI. Она создана с помощью слияния трёх моделей для рассуждений: DeepSeek-R1-Distill-Qwen-32B, Qwen/QwQ-32B-Preview и NovaSky-AI/Sky-T1-32B-Preview. Модель основана на плотной архитектуре Qwen2 с 32 млрд параметров и предназначена для генерации текста и диалогов с пошаговыми рассуждениями. Основные сценарии — решение математических задач, рассуждения о программном коде и научные вопросы. В README для версии указаны результаты AIME24: 74,0 Pass@1 и 86,7 Cons@32 при описанной авторами схеме оценки. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов. Языки в карточке явно не перечислены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это предварительная версия, а опубликованные сравнительные показатели относятся к конкретным настройкам и методике оценки; они не гарантируют аналогичных результатов в других задачах или конфигурациях.

AEON-7 выпустил BF16-версию Gemma-4-12B-it с удалёнными отказами и заявленным сохранением возможностей исходной модели. Это плотная мультимодальная модель семейства Gemma 4 с 12 млрд параметров, предназначенная для диалога и следования инструкциям; основная задача в метаданных — генерация текста. В README также указаны сценарии работы с кодом, математическими задачами и рассуждениями. Базовая модель поддерживает работу с изображениями, видео и аудио, однако карточка этой версии описывает прежде всего текстовую генерацию. В README модель позиционируется как точный BF16-вариант семейства K4 для дообучения или запуска на оборудовании без Blackwell. Для загрузки через мультимодальный путь vLLM требуется processor_config.json из карточки базовой модели. Приведённые авторами показатели производительности относятся к DGX Spark и оптимизированному контейнеру AEON vLLM; они не характеризуют другие конфигурации. Модель распространяется по лицензии Gemma Google.

HauhauCS/Gemma4-26B-A4B-QAT-Uncensored-HauhauCS-Balanced-MTP — мультимодальная версия Gemma 4, разработанная HauhauCS на основе Gemma 4 26B-A4B-it от Google DeepMind. Модель предназначена для агентного программирования, рассуждений, творческого письма, ролевого общения, диалогов и задач, где важны следование инструкциям и надежность. Вариант позиционируется как uncensored и оптимизирован для минимизации отказов при сохранении исходных возможностей базовой модели. Модель использует MoE-архитектуру размером 26B параметров: из 128 экспертов для каждого токена активны 8. Поддерживается контекст до 256K токенов, английский язык и обработка изображений через отдельный vision mmproj-компонент. Распространяется в формате GGUF с 4-битной квантизацией Q4_K_M; основной файл занимает около 16,8 ГБ, vision-компонент — 1,2 ГБ. В комплект входит MTP-драфтер для speculative decoding, который в тестах автора ускорял генерацию примерно на 35% без заявленного изменения качества. К сильным сторонам относятся большой контекст, поддержка изображений, высокая эффективность MoE и ориентация на программирование, рассуждения и творческие задачи. Работа MTP и заявленное ускорение проверялись автором в llama.cpp; модель совместима с llama.cpp, LM Studio, Jan, koboldcpp и другими GGUF-рантаймами. Ограничения включают зависимость vision-возможностей от отдельного mmproj-файла, возможные сбои Gemma 4 в LM Studio при multi-GPU tensor-split, а также то, что отсутствие отказов не гарантируется для всех пограничных запросов. Лицензия указана как Gemma. Для запуска рекомендуется использовать параметры temperature 0.6, top_k 64, top_p 0.9, min_p 0.05 и repeat_penalty 1.1.

asaakyan/gutenberg_authorship — модель Sentence Transformers, дообученная автором на базе FacebookAI/roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по смыслу с помощью косинусного сходства. Архитектура включает RoBERTa с усреднением токеновых представлений; максимальная длина последовательности — 512 токенов. Модель можно применять для поиска семантически близких текстов, обнаружения перефразировок, кластеризации и классификации текстов. В README приведены результаты бинарной классификации на наборах litemb-dev и litemb-test; обучающие и оценочные данные описаны как CSV с тройками anchor, positive и negative. Метаданные указывают англоязычную базовую RoBERTa, но отдельный перечень поддерживаемых языков для этой модели не заявлен. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана. Её контекст ограничен 512 токенами, а приведённая оценка качества относится к указанной задаче бинарной классификации и не гарантирует качество на других доменах.

Ginckl/HashBlitz-1-7B-Max — языковая модель для генерации текста и кода, разработанная Ginckl на базе unsloth/Qwen2.5-Coder-7B-Instruct. По описанию, модель создана как оптимизированная версия с 7 миллиардами параметров и ориентирована на локальное развёртывание, разработчиков и сценарии «vibe coding». Она предназначена для программирования, решения сложных задач разработки, повседневного диалога и аналитических сценариев, включая работу с актуальной информацией, если такая информация предоставляется через внешние инструменты или контекст. Заявлено, что при создании авторы синтезировали особенности нескольких передовых моделей: Claude Opus 5 — для программирования и логического рассуждения, Groq 4.5 — для характера и настройки безопасности, GPT-5.4 — для естественного диалога, а Gemini 3.1 Pro (Extended Thinking) — для анализа сложных реальных задач. Эти утверждения приведены в README разработчика и не сопровождаются подробностями о методике обучения или результатами независимой оценки. Модель поддерживает текстовую генерацию, заявленные языки — английский, испанский и французский. Архитектура основана на семействе Qwen 2.5 Coder; сведения о размере контекста, дополнительных модальностях, точных параметрах дообучения и ограничениях производительности не указаны. Лицензия — Apache-2.0, что допускает широкое использование на условиях этой лицензии.

INF-Retriever-v1-1.5B — компактная плотная модель для поиска по текстам, разработанная INF TECH на основе Alibaba-NLP/gte-Qwen2-1.5B-instruct и дообученная для задач извлечения информации. Она кодирует запросы и документы в эмбеддинги размерностью 1536, чтобы находить семантически близкие материалы в системах поиска и retrieval-augmented generation (RAG). Модель содержит 1,5 млрд параметров; архитектура основана на Qwen2. README указывает максимальный входной размер 32 768 токенов, тогда как метаданные каталога приводят нативный контекст 131 072 токена. Модель прежде всего настроена на поиск на английском и китайском языках и предназначена для разнородных коллекций и тематических областей. В README сообщается о результатах на AIR-Bench, включая высокий рейтинг среди моделей менее 7 млрд параметров; заявленные результаты отражают конкретный бенчмарк и не гарантируют качество на любой коллекции. Также указана работоспособность на других языках, но дообучение проводилось на английских и китайских данных, поэтому качество для остальных языков может отличаться. Лицензия — Apache-2.0.

jina-embeddings-v2-base-en-GGUF — англоязычная модель для создания векторных представлений текста. Оригинальная модель разработана jinaai, а GGUF-версии подготовлены Second State Inc. Модель предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство текстовых данных. Модель работает в режиме embedding, поддерживает контекст до 8192 токенов и формирует эмбеддинги размерностью 768. Распространяется в формате GGUF с вариантами квантования от Q2_K до Q8_0, а также в формате f16. Квантированные версии занимают примерно от 61,7 до 146 МБ, тогда как f16-версия — 274 МБ. Для запуска в README указан LlamaEdge версии v0.14.17. Основное преимущество модели — возможность локального запуска и выбор между компактностью и качеством через разные уровни квантования; версии Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые. При этом сильное квантование может приводить к существенной потере качества, особенно у вариантов Q2_K и Q3. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

German Semantic V3 BMF — англоязычная модель Sentence Transformer, дообученная akot на базе jinaai/jina-embeddings-v2-base-de. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и использует косинусное сходство для сравнения текстов. В архитектуре — BERT-трансформер, усредняющий токенные представления с последующей нормализацией; в README указана максимальная длина последовательности 1024 токена, а метаданные задают контекст до 8192 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Обучение выполнено на 4 957 примерах с MatryoshkaLoss и MultipleNegativesRankingLoss; заявлена поддержка английского языка. Репозиторий содержит веса Safetensors, модель насчитывает 160,1 млн параметров и распространяется по лицензии Apache-2.0. Представленные в карточке значения точности поиска очень низкие, поэтому качество следует проверить на целевых данных; длина последовательности в README отличается от контекста в метаданных.

LEALLA-base — компактная многоязычная модель эмбеддингов предложений семейства BERT, созданная как часть коллекции LEALLA и дистиллированная из LaBSE. Версия перенесена из v1 модели на TensorFlow Hub; PyTorch-версия, согласно карточке, выдаёт эквивалентные эмбеддинги. Модель предназначена для преобразования предложений в векторы, сравнения их семантической близости и поиска соответствующих текстов на разных языках. Она поддерживает 109 языков и подходит, например, для многоязычного поиска по парам текстов. Размер составляет 110,4 млн параметров, максимальная длина контекста — 512 токенов. Для некоторых языков, в частности японского, при сравнении эмбеддингов могут потребоваться более высокие допуски. Подробности обучения, оценки и метрик приведены в исходной научной статье. Лицензия — Apache-2.0.

RLHFlow/LLaMA3-iterative-DPO-final — неофициальная диалоговая модель семейства LLaMA 3, разработанная авторами исследования «RLHF Workflow: From Reward Modeling to Online RLHF» (TMLR, 2024). Это плотная авторегрессионная модель на 7,5 млрд параметров с контекстом 8192 токена, представленная в формате safetensors и предназначенная для генерации текста в режиме чата. Модель обучена для следования инструкциям с помощью итеративного онлайн RLHF на основе DPO. Она подходит для диалоговых ответов, общих вопросов, рассуждений и задач по программированию; авторы приводят результаты на Alpaca-Eval-V2, MT-Bench, Chat-Arena-Hard и академических тестах. В README указано, что чекпойнт предназначен для демонстрации метода и исследовательского использования. README предупреждает, что модель может выдавать оскорбительный или неэтичный контент, особенно при состязательных запросах. Указанная лицензия — llama3; README также отмечает нерешённые лицензионные вопросы при выпуске модели, поэтому условия распространения и использования следует сверять с применимыми условиями LLaMA 3.

LLM2Vec-Mistral-7B-Instruct-v2-mntp-unsup-simcse — модель для получения текстовых эмбеддингов на основе Mistral-7B-Instruct-v2, представленная организацией или исследовательской группой McGill-NLP. В репозитории указано, что модель распространяется с использованием PEFT и предназначена для преобразования текста в векторные представления, пригодные для сравнения семантической близости. Модель ориентирована на семантический поиск и информационный retrieval, reranking, классификацию, кластеризацию, оценку текстовой семантической близости и извлечение признаков. В README заявлен английский язык и приведены результаты на наборах MTEB, включая задачи классификации, поиска, кластеризации, reranking и STS. Архитектура основана на модели класса Mistral с 7 млрд параметров; сведения о поддерживаемых модальностях, размере контекста и точных процедурах инференса не указаны. Сильная сторона — универсальность эмбеддингов для широкого спектра задач обработки текста; ограничения, включая качество на других языках и зависимость результатов от конкретного домена, требуют дополнительной проверки. Лицензия — MIT.

Карточка модели 404devnotfound/LongCat-2.0 на Hugging Face совпадает с карточкой bh890/LongCat-2.0, поэтому описание составлено по ней. LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками проекта LongCat. Это модель архитектуры MoE с классом LongcatCausalLM; в метаданных репозитория указано 42,1 млрд параметров, тогда как README описывает полную версию с 1,6 трлн параметров и примерно 48 млрд активируемых на токен. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Модель предназначена для диалоговой генерации текста, программирования, понимания кода и репозиториев, выполнения задач агентами и работы с инструментальными сценариями. README сообщает об обучении на данных с контекстом до 1 млн токенов и об архитектурном механизме LongCat Sparse Attention для длинных последовательностей; метаданные указывают нативный контекст 262 144 токена. В карточке также заявлены чат и интерфейс вызова инструментов. README особо выделяет задачи с длинным горизонтом, редактирование кода на уровне репозитория и автоматизацию действий; развёртывание описано для GPU и NPU. Модель не оценивалась всесторонне для всех возможных прикладных сценариев. Условия лицензии — MIT.

Maba-v1-600M — причинная языковая модель семейства Maba, представленная AndrewThompson1233. Несмотря на название, модель содержит 752 млн параметров, из них 498 млн не относятся к эмбеддингам; она обучена примерно на 150 млрд токенов. Архитектура состоит из 24 слоёв: 18 слоёв линейной рекуррентной Gated DeltaNet-2 и 6 слоёв Grouped-Query Attention. Такая гибридная схема рассчитана на линейное масштабирование по длине контекста и сокращение памяти KV-кэша по сравнению с обычными трансформерами. Модель предназначена для генерации текста и диалогов, а также для задач с кодом, математикой и рассуждениями. В README приведены результаты тестирования на MMLU, GSM8K и ARC-Challenge; для этой версии двухпроходный режим инференса отключён из-за ошибки в параметре обучающего скрипта, поэтому указанные оценки относятся к обычному однопроходному инференсу. Метаданные указывают многоязычную поддержку, включая английский, русский, китайский и ряд европейских языков. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Memorisea-4b-v1 — компактная плотная языковая модель на архитектуре Qwen3, разработанная на основе Qwen/Qwen3-4B-Instruct-2507 посредством дообучения. Она предназначена для диалоговых агентных сценариев: вызова функций и инструментов, формирования структурированных JSON-ответов, генерации кода и защитного исправления уязвимостей. По карточке модели, в бенчмарках она показала 93,3% синтаксической корректности AST и 100% соблюдения заданных ограничений; результат BFCL составил 46,7%, поэтому качество вызова функций зависит от задачи и не гарантирует безошибочную работу. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и ориентирована на английский язык. Распространяется по лицензии Apache-2.0.

Meta Llama 3 8B — авторегрессионная языковая модель Meta с оптимизированной архитектурой Transformer и Grouped-Query Attention. Эта версия принимает текст и генерирует текст, в том числе код. Семейство Llama 3 включает предварительно обученные и дообученные для инструкций модели; карточка этой модели описывает базовый предварительно обученный чекпойнт, пригодный для адаптации к различным задачам генерации текста. Модель предназначена для коммерческого и исследовательского применения на английском языке. Её можно использовать как основу для генерации текста и кода, а после адаптации — для диалоговых сценариев. Выпущена в апреле 2024 года и распространяется по пользовательской коммерческой лицензии Meta Llama 3. Карточка не приводит для этого репозитория конкретную длину контекста; сама модель статична и обучена на офлайн-данных. Для развёртывания приложений разработчикам следует самостоятельно подбирать меры безопасности под свой сценарий.

MiroThinker-1.7 — агентная языковая модель miromind-ai, созданная на основе Qwen3-235B-A22B-Thinking-2507 методом дообучения. Она предназначена для глубокого исследования, многошагового анализа и ответов на сложные вопросы с использованием инструментов; в поддерживаемом агентном сценарии может выполнять до 300 вызовов инструментов за задачу. Модель использует архитектуру Qwen3 MoE, содержит 18,2 млрд параметров и принимает контекст до 262 144 токенов. README сообщает о сильных результатах в задачах исследования, включая BrowseComp, BrowseComp-ZH, GAIA-Val-165 и HLE-Text. Для полноценного использования рекомендован агентный фреймворк с поддержкой инструментов и режимом рассуждений; сама модель в каталоге размечена как генерация текста. В метаданных указан английский язык. Модель распространяется под лицензией Apache-2.0.

mal-sh/mith-embed-v2-train — модель Sentence Transformers на базе арабоязычной aubmindlab/bert-base-arabertv2, дообученная для получения плотных векторных представлений предложений и абзацев. Она предназначена для поиска семантически близких текстов, оценки сходства, поиска перефразировок, кластеризации и классификации текстов; особенно полезна для задач с арабскими вопросами и ответами. Модель выдаёт векторы размерности 768, для сравнения текстов использует косинусное сходство и принимает последовательности длиной до 512 токенов. В README перечислены арабский, китайский, немецкий, английский, французский, итальянский, польский, русский, испанский и турецкий языки; обучающие данные включают наборы арабских QA, NLI и межъязыкового сходства предложений. Архитектура состоит из BERT-трансформера и mean pooling. Репозиторий содержит веса в формате safetensors, размер модели — 162,4 млн параметров. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Карточка модели cristiano-sartori/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой KingName1/sentence_transformer, поэтому описание составлено по ней. KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

Карточка модели cam-1000/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой KingName1/sentence_transformer, поэтому описание составлено по ней. KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

joe32140/ModernBERT-base-msmarco — англоязычная модель Sentence Transformers, дообученная автором на базе answerdotai/ModernBERT-base на наборе msmarco-co-condenser-margin-mse-sym-mnrl-mean-v1. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения сходства текстов и других задач, где нужно находить близкие по смыслу фрагменты. Модель использует encoder-архитектуру ModernBERT с усреднением токенных представлений; максимальная длина входа — 8192 токена, сходство векторов обычно оценивается косинусной мерой. Модель также может применяться для поиска перефразировок, кластеризации и классификации текста. Доступны веса safetensors и формат ONNX. В README приведён результат cosine_accuracy 0,984 на TripletEvaluator для набора msmarco-co-condenser-dev. Это значение относится к указанной оценке и само по себе не гарантирует аналогичное качество на других задачах и доменах. Лицензия в предоставленных данных не указана.