II.8Инженерия данных и аналитика

Модель kwondw/distilbert-base-uncased-msmarco-margin-mse-mnrl-502939 — англоязычная Sentence Transformer, дообученная автором на 502 939 примерах для поиска по смыслу. В основе лежит distilbert/distilbert-base-uncased; архитектура включает DistilBERT и mean pooling. Модель преобразует предложения и абзацы в плотные векторы размерности 768, а сходство оценивает скалярным произведением. Она предназначена для векторного поиска и извлечения релевантных документов по запросу, а также сравнения семантической близости текстов. В README приведены оценки на наборах NanoBEIR и задачах поиска, включая MS MARCO, Quora Retrieval и HotpotQA. Метаданные указывают контекст до 512 токенов; карточка модели задаёт максимум в 300 токенов. Лицензия — Apache-2.0.

Enteli-49B — текстовая генеративная модель, разработанная командой EnteliMind. В карточке заявлены возможности понимания и генерации текста, рассуждений, программирования и математических задач; также описана адаптация под отраслевые сценарии. Эти заявления о качестве и сравнении с GPT-3.5 не подтверждены приведёнными данными бенчмарков. Метаданные указывают архитектуру MixtralForCausalLM семейства Mixtral с разреженной смесью экспертов (MoE), 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для диалогового использования и выдаёт текст; карточка описывает удобство интеграции через Hugging Face Transformers. README не сообщает поддерживаемые естественные языки или лицензию, поэтому их нельзя уточнить. Модель распространяется в формате safetensors. В карточке заявлены эксперименты с нормализацией EMADNorm, однако подробностей для оценки их влияния на качество не приведено.

Fin-Retriever-base — модель Sentence Transformer на архитектуре BERT, представленная valuesimplex-ai-lab. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов. В архитектуре используются BERT, усреднение токенных представлений и нормализация векторов; сходство можно оценивать по косинусной мере. Модель рассчитана на последовательности до 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Название указывает на финансовую тематику, однако README не описывает специализированные финансовые данные или сценарии обучения. Репозиторий содержит веса PyTorch и использует библиотеку sentence-transformers. Условия лицензирования в предоставленных данных не указаны.

Frony Embed Arctic V2.5 (0.6B) — модель эмбеддингов текста от FronyAI, дообученная на базе Snowflake/snowflake-arctic-embed-l-v2.0. Это двунаправленный энкодер XLM-RoBERTa с плотным одно-векторным представлением и mean pooling; в метаданных указано 658,7 млн параметров. Модель ориентирована прежде всего на корейский язык и поддерживает поиск между корейскими и английскими текстами. Модель предназначена для семантического поиска и извлечения релевантных фрагментов, в том числе в RAG-системах, сопоставления FAQ и поиска по корейским документам в Markdown. Для запросов и документов предусмотрены специальные токены, добавляемые через настроенные prompts Sentence Transformers. Контекстная длина базовой модели — до 8194 токенов, однако обучение и оценка проводились на меньших последовательностях, а качество заявлено только до 512 токенов. Модель распространяется под лицензией Apache-2.0. При использовании следует учитывать ограничение на длину фрагментов и необходимость специальных токенов запроса и документа: без них качество поиска заметно снижается.

ChristianAzinn/gte-large-gguf — это квантизированная GGUF-версия модели gte-large, разработанной Alibaba DAMO Academy и опубликованной thenlper. Репозиторий подготовил ChristianAzinn; исходная модель построена преимущественно на архитектуре BERT и распространяется как модель для создания текстовых эмбеддингов. Модель предназначена для информационного поиска, оценки семантического сходства текстов, reranking и других задач, где требуется сопоставление текстовых представлений. Она обучалась на крупном корпусе релевантных пар текстов из различных предметных областей. Указан английский язык, максимальная длина контекста — 512 токенов. GGUF-файлы поддерживаются llama.cpp и LM Studio; доступны варианты квантизации от 2 до 8 бит, а также FP16 и FP32. Квантизация уменьшает размер и требования к памяти, но низкобитные варианты могут заметно снижать качество; README рекомендует сбалансированные варианты Q4_K_M, Q5_K_S, Q5_K_M и Q8_0. Модель не предназначена для генерации текста: её основная функция — получение эмбеддингов для последующего сравнения или поиска. Варианты с высокой степенью квантизации удобны для локального запуска на ограниченных ресурсах, однако требуют оценки влияния потери точности на конкретную задачу. Исходная модель и материалы репозитория распространяются по лицензии MIT.

jinaai/jina-embedding-l-en-v1 — англоязычная модель эмбеддингов, разработанная Jina AI на архитектуре T5 Encoder. Она обучена на наборе Linnaeus-Clean, содержащем 380 миллионов пар предложений, включая пары запросов и документов; исходный набор Linnaeus-Full насчитывал 1,6 миллиарда пар. Модель содержит 385,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги для поиска и сравнения текстов. Модель предназначена для семантического поиска, сопоставления запросов с документами и оценки сходства предложений. В README приведено сравнение с моделями Sentence Transformers и OpenAI на наборах STS, Quora и SciFact. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель ориентирована на английский язык, поэтому качество для других языков не подтверждено.

jina-reranker-m0 — мультиязычная мультимодальная модель ранжирования от Jina AI. Она оценивает релевантность документов запросу и сортирует их по полученным оценкам. Модель построена на архитектуре vision-language модели Qwen2-VL-2B-Instruct, дообучена с помощью LoRA и использует дополнительную MLP-голову для выдачи оценок релевантности. В метаданных указаны 1,5 млрд параметров и контекст до 32 768 токенов; README сообщает о поддержке документов длиной до 10 тыс. токенов и изображений вплоть до разрешения 4K. Модель предназначена для поиска по визуально насыщенным документам: страницам с текстом, таблицами, графиками, инфографикой и сложной вёрсткой. Она также ранжирует текстовые документы, включая длинные тексты и результаты поиска по коду. README заявляет поддержку более 29 языков и перенос на новые предметные области без специальной донастройки. Вход включает текстовые запросы и текстовые или визуальные документы, выход — оценки и упорядоченный список документов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Размер параметров в README и метаданных различается: в README приведено 2,4 млрд, а в метаданных — 1,5 млрд.

jina-reranker-v1-tiny-en — модель переранжирования текстов, разработанная Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Компактная модель содержит около 32,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Модель оценивает релевантность пар «запрос — документ» и помогает переставлять результаты поиска так, чтобы наиболее подходящие документы оказались выше. Её можно применять для поиска по коллекциям документов и отбора контекста для RAG-систем. Модель обучена методом дистилляции: более крупная модель выступала учителем, а tiny-версия рассчитана на быстрый вывод с некоторой уступкой в качестве ранжирования. Модель предназначена для англоязычных текстов. В репозитории доступны форматы PyTorch, Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0. Результаты бенчмарков в карточке показывают конкурентное качество, однако сама карточка отмечает, что tiny-версия ориентирована на скорость и уступает более крупной модели по точности.

Это мультиязычный кросс-энкодер для ранжирования текстовых пар, созданный на базе jinaai/jina-reranker-v2-base-multilingual и дообученный с помощью Sentence Transformers. Модель принимает запрос и текст документа и выдаёт оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. Архитектура — XLM-RoBERTa для классификации последовательностей; в репозитории представлены веса safetensors. Модель содержит 305,2 млн параметров и обрабатывает до 1026 токенов контекста. При оценке на наборе данных Berria указаны значения MAP 0,6179, MRR@10 0,7386 и nDCG@10 0,7582. В примере обучающих данных есть баскские запросы и документы, но карточка не задаёт полный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

Goekdeniz-Guelmez/Josiefied-Qwen2.5-14B-Instruct-abliterated-v4-gguf — текстовая инструкционная языковая модель, разработанная и профинансированная Gökdeniz Gülmez. Она основана на Qwen/Qwen2.5-14B-Instruct, дополнительно дообучена на пользовательском наборе данных и модифицирована для снижения склонности к отказам. Модель предназначена для диалогов, ответов на вопросы, программирования и выполнения широкого круга пользовательских задач. Модель относится к архитектуре qwen2 и имеет размер 14 млрд параметров. Указаны английский и немецкий языки, а также другие языки без уточнения. Репозиторий содержит GGUF-вариант, включая файл с квантованием Q4_K_M; в примере конфигурации Ollama задан контекст до 32 768 токенов. Это текстовая модель без заявленной поддержки изображений, аудио или других модальностей. К сильным сторонам относятся инструкционная настройка, поддержка диалогового шаблона, интеграция с Ollama и OpenWebUI, а также ориентация на менее ограниченные ответы. При этом README не содержит результатов тестирования, точных сведений о качестве, аппаратных требованиях или подробной оценки безопасности. Разработчик предупреждает об использовании на собственный риск; поведение модели может быть менее безопасным и предсказуемым из-за удаления отказов. Лицензия указана как Apache 2.0.

Kurage — японская модель для сценариев RAG, разработанная Lightblue. Она основана на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; модель принимает текст и рассчитана на генерацию ответов в диалоговом формате. Контекстное окно составляет 32 768 токенов, лицензия — Apache-2.0. Модель находит подходящие фрагменты среди нескольких контекстов и формирует ответ, либо обрабатывает контексты по одному для параллельного поиска. Она также умеет расширять краткие ответы, отвечать на японском по текстам на других языках и генерировать пары вопросов и ответов по исходному тексту для подготовки индекса. Обучающие данные включали фрагменты документов MADLAD-400, синтетические вопросы и ответы, а также отрицательные примеры, отобранные с помощью BAAI/bge-m3. Модель предназначена прежде всего для японских RAG-систем. В режиме обработки одного фрагмента она иногда ошибочно заявляет, что не может ответить на вопрос, хотя нужный ответ содержится в контексте. Качество межъязыкового поиска и ответа зависит от вопроса и языка источника.

Theros/L3-ColdBrew-R1-test1 — языковая модель на архитектуре Llama, созданная разработчиком Theros слиянием весов через mergekit методом DARE TIES. В слиянии использованы Theros/L3-ColdBrew-Daybreak и deepseek-ai/DeepSeek-R1-Distill-Llama-8B; итоговая модель содержит 7,5 млрд параметров и работает с контекстом до 8192 токенов. Модель предназначена для диалоговой генерации текста и может применяться для ответов на вопросы, математических задач, программирования и многошаговых рассуждений — эти возможности описаны для базовой модели DeepSeek-R1-Distill-Llama-8B. Метаданные указывают на поддержку чата, но README не приводит собственных примеров или оценок качества слияния. Репозиторий содержит веса Safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

Wei-Jie/labor-roberta-chinese — модель Sentence-Transformers на базе архитектуры BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. Её можно применять для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель обучалась с ContrastiveLoss и косинусной метрикой расстояния. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 512 токенов. В метаданных указано 424,3 млн параметров и формат PyTorch. Название модели указывает на китайский язык, однако README не уточняет языковое покрытие и результаты оценки.

Laguna-XS 2.1 JANG2L CRACK — текстовая модель для генерации кода и агентных сценариев, выпущенная dealignai на основе poolside/Laguna-XS-2.1. По карточке модели, это MoE-модель с 33 млрд параметров и примерно 3 млрд активных параметров; в метаданных размер указан как 2,6 млрд параметров. Версия JANG2L использует смешанную низкоразрядную квантизацию MLX для Apple Silicon, а CRACK удаляет поведение отказа на уровне весов. Репозиторий содержит веса safetensors, модель рассчитана на запуск через MLX, прежде всего с vMLX. Модель предназначена для агентного программирования, рассуждений и вызова инструментов; поддерживает текстовый ввод и генерацию текста, а также контекст до 262 144 токенов. Карточка заявляет сохранение возможностей кодирования, рассуждений и вызова инструментов после преобразований и приводит результаты MMLU и HarmBench, полученные в vMLX. Английский указан среди языков модели. Для генерации рекомендуется явно задавать temperature=1.0, top_p=1.0 и top_k=20: среды инференса могут игнорировать настройки в файлах конфигурации, что, по карточке, ухудшает качество вывода. Модель настроена следовать инструкциям без отказа, включая потенциально опасные запросы. Лицензия обозначена как other; подробные условия в предоставленных данных не раскрыты.

LateOn — англоязычная модель поиска LightOn из семейства ColBERT, построенная на ModernBERT и обученная с помощью PyLate. Это supervised-вариант, дообученный контрастивным методом с трудными негативными примерами; модель содержит 149 млн параметров и формирует многовекторные представления текста для поиска документов и сопоставления запросов с текстами. Для документов предусмотрена длина до 300 токенов, для запросов — до 32 токенов; размерность выходных представлений — 128, сходство вычисляется функцией MaxSim. В метаданных указано контекстное окно 8192 токена. Модель предназначена для семантического поиска и извлечения релевантных документов. По заявлению разработчика, LateOn показала средний результат 57,22 NDCG@10 на 15 наборах BEIR и 60,36 на очищенной от пересечений версии из 12 наборов. Модель использует открытые данные обучения; README отмечает, что дистилляцию и асимметричные подсказки не применяли. Лицензия — Apache 2.0.

KoarAI разработала LFM2.5-350M-Thinking-0003 как дообученную компактную гибридную языковую модель на основе LiquidAI/LFM2.5-350M. Модель с архитектурой LFM2 и примерно 443,4 млн параметров предназначена для генерации текста и диалогов с пошаговыми рассуждениями: она формирует внутренние шаги решения, а затем выдаёт итоговый ответ. Модель дообучена на примерах математических и алгоритмических рассуждений, программирования, русскоязычных диалогов, многошаговых ответов и вопросов из STEM, бизнеса и права. Заявлены контекст до 128 000 токенов и поддержка английского и русского языков. Модель рассчитана на компактное развертывание и сценарии, где нужны ответы с инструкциями, рассуждениями или вызовом инструментов; качество рассуждений и кодогенерации на малой модели может быть ограничено. Репозиторий содержит веса в формате safetensors. Указана лицензия Apache-2.0. Для локального запуска через llama.cpp и совместимые приложения автор отдельно указывает квантованные версии GGUF в другом репозитории.

Lite-Whisper large-v3-turbo-acc — сжатая версия мультиязычной модели распознавания речи OpenAI Whisper, разработанная авторами LiteASR. Модель предназначена для преобразования аудио в текст и доступна для запуска через библиотеку Hugging Face Transformers. В карточке приведено сравнение на наборах ESB: вариант acc показывает средний WER 10,1 при размере энкодера 429 млн параметров и декодера 907 млн; у Whisper large-v3 указаны тот же WER и энкодер 635 млн. По метаданным модель содержит 905,2 млн параметров и основана на openai/whisper-large-v3-turbo. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0.

RDson/Llama-3-Peach-Instruct-4x8B-MoE — экспериментальная языковая модель RDson, созданная с помощью Mergekit путём объединения четырёх моделей семейства Llama 3 в архитектуру MoE. Она предназначена для диалоговой генерации текста и может применяться для ответов на вопросы, следования инструкциям и решения задач с рассуждением. В README приведены результаты GSM8K для варианта Q4_K_M; в репозитории указаны веса safetensors, а GGUF-версия доступна отдельно. Модель имеет около 7,5 млрд параметров и контекстное окно 8192 токена. В состав объединения вошли Meta-Llama-3-8B-Instruct, SFR-Iterative-DPO-LLaMA-3-8B-R, Hermes-2-Theta-Llama-3-8B и Llama-3-8B-Instruct-Coder. README называет её экспериментальной; сведения о лицензии в предоставленных данных отсутствуют.

LLM2Vec-Meta-Llama-3-8B-Instruct-mntp — текстовый энкодер на основе decoder-only LLM Meta Llama 3 Instruct с 8 млрд параметров, разработанный исследовательской группой McGill-NLP. Модель создана по методике LLM2Vec, которая преобразует авторегрессионные языковые модели в двунаправленные энкодеры: включает двунаправленное внимание и обучение с маскированием следующего токена (MNTP). Репозиторий проекта и описание метода опубликованы McGill-NLP. Модель предназначена для получения векторных представлений текстов и их семантического сравнения. Основные сценарии включают поиск и извлечение релевантных документов, reranking, классификацию, кластеризацию, оценку семантического сходства и задачи text embedding. Запросы можно кодировать с инструкциями, а для документов инструкции не требуются; сходство представлений можно вычислять, например, по косинусной близости. В README явно указан английский язык. В примере используется усредняющее pooling и максимальная длина 512 токенов. Сильной стороной модели является адаптация мощной инструкционной LLM к задачам универсального текстового кодирования без перехода на отдельную encoder-архитектуру; методика также допускает дальнейшее fine-tuning. Ограничения связаны с указанной языковой специализацией на английском, зависимостью от custom code и PEFT-компонентов при загрузке, а также с вычислительными требованиями модели размером 8B. README не приводит подробных результатов бенчмарков или полного описания поддерживаемого контекста. Лицензия модели — MIT.

M31Genesis — экспериментальная исследовательская модель для агентного программирования, представленная в проекте eshanized/M31Genesis. Это decoder-only causal language model на собственной архитектуре M31, предназначенная для генерации и продолжения текста, прежде всего в задачах разработки программного обеспечения, написания и редактирования кода, отладки, анализа репозиториев, repository-aware reasoning и исследований взаимодействия агентов с инструментами. Модель относится к классу примерно 425M параметров и использует словарь ByteLevel BPE на 65 536 токенов. Архитектура включает 24 слоя, размер скрытого состояния 1024, 16 attention heads и 8 KV heads, RMSNorm, RoPE и связанные входные и выходные эмбеддинги. В карточке указана поддержка английского языка и текстовая модальность; максимальный размер контекста не указан. Сильными сторонами являются специализация на программировании и сценариях агентного использования, однако модель имеет экспериментальный статус, поэтому её качество и надёжность следует оценивать перед применением в production. Лицензия — MIT.

MedIT-Mesh-3B-Instruct — дообученная инструктивная языковая модель, разработанная MedIT Solutions на базе microsoft/Phi-3.5-mini-instruct. Она содержит 3,7 млрд параметров и предназначена для диалогов и генерации текста, в том числе в сценариях с ограниченными ресурсами и требованиями к низкой задержке. По данным карточки, дополнительное постобучение улучшило многоязычные и многоходовые диалоги, а также рассуждения в задачах программирования, математики и логики. Модель использует плотную архитектуру Phi-3 и принимает текст, формируя текстовые ответы; заявленная длина контекста — 4096 токенов. Карточка указывает английский язык, а описание заявляет многоязычное применение без перечисления дополнительных языков. Модель распространяется по лицензии MIT. Перед применением в конкретной задаче следует оценить точность, безопасность и справедливость ответов.

ajaysdhillon14/minbert-sts-nli-meanpool — кодировщик предложений на основе bert-base-uncased, дообученный в два этапа для оценки семантического сходства. Сначала модель обучалась на задаче распознавания текстового следования на парах SNLI и MultiNLI, затем дообучалась на STS. Архитектура — BERT, около 99,1 млн параметров; модель хранит только кодировщик, без отдельной головы классификации. Для каждого предложения модель строит вектор с помощью masked mean pooling скрытых состояний, включая позиции [CLS] и [SEP]. Сходство двух предложений вычисляется как косинусная близость векторов, линейно преобразованная из диапазона [-1, 1] в оценку [0, 5]. На dev-наборе STS-B для трёх запусков указаны значения Pearson 0,7432–0,7436 и Spearman 0,7411–0,7460. Модель предназначена для английских текстов. Лицензия — Apache-2.0.

OsaurusAI выпустила MiniMax-M2.7-Small-JANGTQ — разреженную языковую модель MoE для генерации текста и диалогов, подготовленную на основе MiniMaxAI/MiniMax-M2. В README указаны около 138 млрд параметров всего и около 10 млрд активных на токен; на каждом слое сохранено 154 из 256 маршрутизируемых экспертов, а для токена выбираются 8. Модель рассчитана на запуск на компьютерах Apple Silicon через MLX и нативную среду JANGTQ для Swift. При подготовке удалено 40% маршрутизируемых экспертов методом REAP, а веса квантованы: эксперты — до 2 бит с кодовыми книгами Lloyd-Max и преобразованием Hadamard, блоки внимания, плотные MLP, эмбеддинги и выходная голова — до 8 бит, нормализации и маршрутизатор — до 16 бит. В карточке заявлен контекст 196 608 токенов; языковые метки — английский и китайский. Приведённая оценка HumanEval+ показывает 81,10% pass@1 и 90,24% pass@5, но README также сообщает о сбоях границ токенов и нехватке бюджета генерации в части примеров. Для загрузки полного набора весов требуется файл jangtq_runtime.safetensors: без него Swift-загрузчик не декодирует упакованные веса. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

MisCalmity-v0.1-model_stock — языковая модель на архитектуре Mistral, созданная слиянием нескольких моделей с помощью LazyMergekit: Mistral-7B-v0.1, Calme-7B-Instruct-v0.9 и The-Trinity-Coder-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и может применяться для диалоговых ответов и генерации кода благодаря включению инструкционной модели и модели для программирования в слияние. В карточке не приведены результаты оценки качества или сведения о лицензии, поэтому пригодность для конкретных сценариев и условия использования следует проверять по исходным моделям и репозиторию.

Mistral-22B-v0.2 — экспериментальная плотная языковая модель на 22 млрд параметров, созданная Nicolas Mejia-Petit. По описанию автора, это преобразование MoE-модели в плотную: знания экспертов объединены в одну модель. Она дообучалась на многоходовых диалогах, в том числе на примерах программирования, математических задач, ответов в JSON и действий агента. Автор отмечает улучшения в связности ответов, следовании запросам и программировании по сравнению с предыдущей версией, однако приводит лишь результаты собственных предварительных проверок. Модель предназначена для генерации текста в диалоговом формате Guanaco. В README указана длина обучения 32 тыс. токенов, а метаданные каталога указывают контекст до 65 536 токенов. Для применения рекомендуется использовать шаблон Guanaco. Модель заявлена как намеренно слабо ограниченная по отказам, поэтому может выдавать нежелательный контент. Автор называет её экспериментальной и незавершённой. Лицензия — Apache-2.0.

hatemestinbejaia/mmarco-Arabic-mMiniLML-bi-encoder-KD-v1 — дообученная авторами модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные векторы размерности 384; сходство векторов можно сравнивать косинусной мерой. Модель предназначена прежде всего для семантического поиска и сравнения арабоязычных текстов, а также для поиска перефразировок, кластеризации и классификации текста. Модель обучена на наборе из 5 млн примеров с запросами, положительными и отрицательными текстами. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные каталога указывают контекст до 512 токенов. Для оценки ранжирования приведены MAP 0,5677, MRR@10 0,5692 и NDCG@10 0,6359; результаты зависят от данных и сценария применения. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

gongysh2004/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers на базе MPNet, обученная разработчиком репозитория на триплетах набора AllNLI для сопоставления предложений. Она кодирует предложения и абзацы в плотные векторы размерности 768; близость оценивается косинусным сходством. Модель содержит 136,7 млн параметров, использует mean pooling и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведены результаты TripletEvaluator на AllNLI: точность косинусного сходства 0,9124 на dev и 0,9239 на test. Для задач вне английского языка и предметных областей качество не установлено. Лицензия — Apache-2.0.

tomaarsen/mpnet-base-gooaq — текстовая Sentence Transformer модель, разработанная на базе microsoft/mpnet-base и дообученная на наборе вопросов и ответов GooAQ. Она преобразует предложения и абзацы в плотные векторы размерности 768; близость текстов можно оценивать косинусным сходством. Модель содержит около 136,7 млн параметров, использует архитектуру MPNet с усреднением токеновых представлений и принимает последовательности длиной до 512 токенов. Модель предназначена прежде всего для семантического поиска и сопоставления вопросов с ответами на английском языке. Её также можно применять для оценки семантического сходства, поиска перефразировок, кластеризации и классификации текста. В карточке приведены результаты поиска на GooAQ dev: точность cosine_accuracy@1 — 0,7198, @3 — 0,884 и @5 — 0,9305. Модель выдаёт векторы, а не готовые ответы или метки классов; для поиска требуется сравнение векторов, например по косинусному сходству. Обучение ориентировано на англоязычные пары вопросов и ответов, поэтому качество для других языков не подтверждено. Лицензия — Apache-2.0.

Карточка модели Gnartiel/multi-sbert на Hugging Face совпадает с карточкой model-embeddings/multi-qa-mpnet-base-dot-v1, поэтому описание составлено по ней. multi-qa-mpnet-base-dot-v1 — модель встраиваний предложений и абзацев на базе MPNet, разработанная в рамках проекта Hugging Face «Train the Best Sentence Embedding Model Ever with 1B Training Pairs». Она кодирует запросы и текстовые фрагменты в плотные векторы размерностью 768 для семантического поиска и подбора релевантных документов. Модель дообучена на примерно 215 млн пар «вопрос—ответ» из разных источников; использует CLS-пулинг и сходство по скалярному произведению, а выходные векторы не нормализуются. В метаданных указано 136,7 млн параметров и контекст до 514 токенов. Модель подходит для поиска ответов и документов по смыслу, даже если запрос и найденный текст не совпадают дословно. README предупреждает, что при длине свыше 512 word pieces текст обрезается, а обучение проводилось преимущественно на фрагментах до 250 word pieces, поэтому качество на более длинных текстах может снижаться. В карточке указана лицензия Apache-2.0.

Карточка модели dititce/mxbai-rerank-large-v2-seq на Hugging Face совпадает с карточкой michaelfeil/mxbai-rerank-large-v2-seq, поэтому описание составлено по ней. michaelfeil/mxbai-rerank-large-v2-seq — вариант семейства Mixedbread mxbai-rerank-large-v2, представленный как классификатор последовательностей на архитектуре Qwen2. Модель предназначена для ранжирования пар «запрос—документ»: она оценивает релевантность кандидатов и помогает выбирать подходящие фрагменты для поисковой выдачи и RAG. В карточке указаны поддержка кода и длинного контекста; метаданные указывают 1,5 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на многоязычный поиск; разработчики заявляют поддержку более 100 языков и особенно сильные результаты на английском и китайском. В README приведены результаты тестов BEIR, мультиязычного и китайского поиска, поиска по коду, а также задержка на A100, но эти показатели зависят от условий измерения. Для использования через классификационный интерфейс требуется специальный шаблон промпта. Лицензия репозитория — Apache-2.0.