II.8Инженерия данных и аналитика

Qwen3-ASR-0.6B-Backpack-ASR — пакет Backpack с компактной многоязычной моделью распознавания речи Qwen3-ASR-0.6B, разработанной Qwen. Модель принимает аудио и преобразует речь в текст, включая определение языка. Подходит для транскрибации записей и интеграции в голосовые приложения; пакет рассчитан на использование в runtime Backpack и не заменяет выбранную пользователем чат-модель. В репозитории находятся неизменённые upstream-веса в формате safetensors и точности BF16; их размер — около 1,8 ГиБ, рекомендованный объём RAM — 5 ГБ. README сообщает об успешной проверке загрузки и детерминированного аудиовывода. Модель основана на Qwen/Qwen3-ASR-0.6B, веса не дообучались. Лицензия — Apache-2.0.

Qwen3-Reranker-4B-W4A16-G128 — GPTQ-квантизированная версия модели Qwen3-Reranker-4B, разработанной командой Qwen. Модель предназначена для переранжирования результатов поиска и других задач классификации текста, где требуется оценить релевантность текстовых пар или запросов и документов. Она может использоваться в системах семантического поиска, retrieval-augmented generation и других сценариях, в которых исходную выдачу нужно упорядочить по релевантности. Модель основана на архитектуре Qwen3-Reranker-4B и использует 4-битное квантование GPTQ с конфигурацией W4A16-G128. Для калибровки применялись наборы данных Ultrachat, THUIR/T2Ranking и m-a-p/COIG-CQIA. По данным карточки, квантование снижает заявленное потребление VRAM примерно с 17 430 до 11 000 МБ без FA2, однако автор оценивает возможное падение точности менее чем в 5%; окончательная оценка на момент публикации ещё проводилась. Языки, размер контекста и точный перечень поддерживаемых модальностей в карточке не указаны; по описанию модель является текстовой. Модель распространяется по лицензии Apache-2.0. Для запуска требуется установить соответствующие инструменты, включая compressed-tensors, optimum и один из пакетов auto-gptq или gptqmodel, после чего использовать официальный пример для Qwen3-Reranker. Ключевое преимущество — уменьшенное потребление видеопамяти при сохранении назначения исходной модели, а основное ограничение — потенциальная потеря качества после квантования и отсутствие подробных результатов независимой оценки.

Это англоязычный кросс-энкодер kwondw на базе microsoft/MiniLM-L12-H384-uncased, дообученный на MS MARCO с помощью библиотеки sentence-transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их релевантности; архитектура — BertForSequenceClassification с одним выходным значением, размер — около 40 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для повторного ранжирования результатов поиска и семантического поиска: её можно применять для переоценки кандидатов, найденных первичным поиском, по соответствию запросу. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также NanoBEIR; фактическое качество зависит от данных и сценария применения. Модель принимает и выдаёт текстовые данные с оценками релевантности. Лицензия в предоставленных данных не указана. Модель обучена на английском языке и рассчитана на текстовые входы длиной до 512 токенов; результаты для других языков и длинных последовательностей не подтверждены.

kazzand/ru-longformer-tiny-16384 — компактная русскоязычная модель Longformer на 29 млн параметров с архитектурой LongformerForMaskedLM. Она инициализирована весами cointegrated/rubert-tiny2, адаптирована для контекста до 16 386 токенов и дообучена на корпусе русских книг, новостей, Википедии и материалов Habr. Разработчик указывает, что модель также понимает английский благодаря исходной модели. Основная задача по метаданным — заполнение пропусков в тексте (fill-mask). Модель можно дообучать для прикладных задач; в README также описано получение текстовых эмбеддингов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Карточка модели m-toman/siglip2-so400m-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-512, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это визуальный энкодер, обученный на WebLI и предназначенный для сопоставления изображений с текстовыми описаниями. Модель поддерживает классификацию изображений по произвольным текстовым меткам без отдельного обучения и поиск изображений по тексту или текста по изображению; её также можно использовать как визуальную часть мультимодальных систем и в других задачах компьютерного зрения. Модель принимает изображения и текстовые описания, кодирует их для сравнения и выдаёт оценки соответствия. Архитектура SigLIP, вариант So400m; доступные веса представлены в формате safetensors и используются через Transformers. В README отмечены улучшенное семантическое понимание, локализация и плотные визуальные признаки. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

SigLIP Large — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Архитектура SigLIP использует sigmoid loss для обучения на парах изображение–текст; эта версия обрабатывает изображения с разрешением 256×256, а текст — последовательности длиной до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска соответствий между изображениями и текстом. Она может быть полезна для поиска изображений по запросу и сортировки изображений по описаниям. Обучение на англоязычных данных ограничивает основания ожидать сопоставимое качество для других языков. Модель распространяется по лицензии Apache 2.0.

SomeModelsMerge-7b — объединённая модель генерации текста на архитектуре Mistral, созданная Kukedlc с помощью LazyMergekit. Она объединяет десять моделей, включая M7-7b, NeuralSirKrishna-7b, Percival_01-7b-slerp, T3Q-Mistral-Orca-Math-DPO и UltraMerge-7B. Модель содержит 7,1 млрд параметров и имеет контекстное окно до 32 768 токенов. Модель предназначена для генерации текста и диалогов; карточка также указывает среди объединённых компонентов модель, ориентированную на математические задачи. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Squid — модель NexaAI для генерации ответов по длинному контексту в сценариях RAG, с упором на эффективный запуск на устройстве. Она дообучена на базе Qwen/Qwen2-7B-Instruct и использует двухдекодерную архитектуру: декодер на 0,5 млрд параметров преобразует информацию из большого контекста, а декодер на 7 млрд параметров понимает запрос и формирует ответ; проектор согласует представления контекстного энкодера и основного декодера. В метаданных указаны 7,1 млрд параметров и контекст до 131 072 токенов. В README описаны восстановительное обучение, продолжение текста по частичному сжатому контексту и инструкционное дообучение для ответов на запросы с учётом сжатого контекста. Это делает Squid подходящей для поиска и ответов по длинным документам с ограниченными ресурсами устройства. Модель работает с текстом и ориентирована на английский язык. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

SurvAIv Ettin 32M — дообученный англоязычный кросс-энкодер на базе cross-encoder/ettin-reranker-32m-v1, выпущенный SurvAIv. Модель содержит около 31,9 млн параметров и предназначена для повторного ранжирования результатов поиска и других наборов текстовых фрагментов по релевантности запросу. Она построена на ModernBERT и оформлена как полный модульный чекпойнт Sentence Transformers CrossEncoder с обученной скоринговой головой. Модель обучали методом LambdaLoss@10 на 2 098 группах запросов и 23 657 размеченных фрагментах. Для развёртывания в локальной RAG-системе автор использует экспорт ONNX с INT8-квантизацией и ограничением входной последовательности до 512 токенов; метаданные указывают нативный контекст длиной до 7 999 токенов. Выдаваемые оценки отражают релевантность для ранжирования, а не калиброванную вероятность правильности ответа. Модель подходит для улучшения порядка выдачи в поиске и RAG. Это компонент поиска, а не клинически проверенная система первой помощи. Лицензия модели — Apache-2.0; датасет обучения приватный, а цитаты в архивных примерах карточки имеют отдельные ограничения и не являются свободно распространяемыми обучающими данными.

SWE-agent-LM-32B GGUF — языковая модель для задач программной инженерии, разработанная в рамках проекта SWE-smith командой SWE-bench. Модель создана на базе Qwen/Qwen2.5-Coder-32B-Instruct и дообучена на 5 тысячах траекторий, сгенерированных SWE-agent и Claude 3.7 Sonnet. Представленная версия подготовлена в формате GGUF с использованием llama.cpp и совместима с фреймворком SWE-agent. Модель предназначена для работы программных агентов, решающих задачи разработки и исправления программного кода, включая сценарии, связанные с SWE-bench. Она ориентирована на генерацию текста и кода на английском языке. Известно, что модель содержит 32 миллиарда параметров; сведения о поддерживаемых модальностях, размере контекста и конкретном варианте квантования в README не указаны. Сильными сторонами являются специализация на программной инженерии, обучение на агентных траекториях и возможность локального запуска через совместимые инструменты. Ограничения включают отсутствие в предоставленных данных подробных результатов бенчмарков, характеристик производительности, требований к аппаратному обеспечению и описания поведения за пределами задач разработки ПО. Указана лицензия Apache-2.0.

tevatron-elastic-bert-retriever-starbucks — англоязычный текстовый ретривер на базе google-bert/bert-base-uncased, дообученный командой Utah NLP с помощью Tevatron-Elastic. Он кодирует запросы и документы в признаки для информационного поиска и поддерживает выбор рабочих точек по глубине и ширине сети в стиле 2D Matryoshka, чтобы настраивать компромисс между качеством и затратами на вычисления. Для запросов и фрагментов документов используются префиксы query: и passage:, максимальная длина входа — 512 токенов. На полной конфигурации авторы сообщают nDCG@10 0,448 на BEIR-15; модель опубликована как ресурс для воспроизводимости, а не как заявление о превосходстве над другими решениями. Распространяется по лицензии Apache-2.0.

pragmaticcs/Triumvirate-GGUF — это набор квантованных GGUF-файлов модели pragmaticcs/Triumvirate, созданной методом объединения нескольких моделей с использованием depth-modulated DARE-TIES. Модель предназначена прежде всего для агентного программирования, работы с терминалом и многошаговых сценариев в репозиториях: генерации точечных изменений кода, обработки сообщений об ошибках, вызова инструментов и поддержания состояния окружения без отклонения от задачи. В состав объединения входят KAT-Coder-V2.5-Dev, Ornith-1.5 и Qwen-AgentWorld. Модель имеет архитектуру Qwen 35B-A3B MoE примерно с 34,1 млрд параметров, из которых около 3,1 млрд активны на каждом токене. Она включает 40 декодерных слоёв, 256 маршрутизируемых экспертов с маршрутизацией Top-8 и одного общего эксперта. Используется гибридное внимание: 30 слоёв Gated DeltaNet с линейным вниманием и 10 слоёв полного self-attention. Размер скрытого представления — 2048, словарь содержит 248 320 токенов. Заявленные языки — английский и китайский; модель относится к задачам генерации текста и поддерживает сценарии кодинга и рассуждений. Доступны варианты квантования Q4_K_M, APEX-High-Quality, Q5_K_M, Q8_0 и BF16. Q4_K_M ориентирован на системы с ограниченной видеопамятью, Q5_K_M обозначен как рекомендуемый компромисс для качественных изменений кода, а BF16 требует около 69,4 ГБ. Сильными сторонами являются низкая частота синтаксических ошибок при вызове инструментов, строгий формат патчей, обработка терминального feedback и пригодность для автономных агентных циклов. Ограничения включают высокие требования к памяти и вычислительным ресурсам, особенно для менее сжатых вариантов; конкретные данные о контекстном окне и результаты независимых бенчмарков в представленном README не указаны. Модель распространяется по лицензии Apache 2.0.

Vela Halu — разработанная llm-semantic-router модель для проверки ответов на соответствие предоставленным свидетельствам: она выделяет в ответе фрагменты, не подтверждённые контекстом. Это дообученный энкодер ModernBERT с 306,9 млн параметров, предназначенный для разметки токенов; метки означают «подтверждено» и «галлюцинация», а позиции фрагментов задаются смещениями символов Unicode. Модель принимает ответ вместе с доказательствами, поддерживает до 8 192 токенов по README; метаданные указывают нативный контекст до 32 768 токенов. Использование предусмотрено через Transformers, веса доступны в формате safetensors. Модель подходит для проверки ответов RAG-систем и анализа галлюцинаций в текстах и коде. В опубликованной оценке на 10 698 примерах она показывает F1 по фрагментам 64,7 и F1 по ответам 87,5; результаты зависят от набора данных и протокола оценки. Проверка касается поддержки ответа заданными свидетельствами, а не истинности утверждений в реальном мире: отсутствие отмеченных фрагментов не гарантирует правильность ответа. Арифметические задачи и многошаговые выводы, которые не изложены явно в контексте, могут ошибочно отмечаться как галлюцинации. Лицензия — Apache-2.0.

Vela Omni Nano — мультимодальная модель семейства Vela от разработчика semantic-router, предназначенная для получения векторов признаков в общем пространстве текстов, изображений, речи и окружающих звуков. Её можно использовать для поиска между модальностями, маршрутизации запросов и кластеризации; в README также приведены результаты классификации текста и поиска соответствий между изображениями и текстом. Модель содержит около 163,8 млн параметров и формирует нормализованные эмбеддинги размерностью 384. По описанию, текстовые и графические вычисления сохранены относительно предыдущей малой модели, а аудиопредставление расширено замороженной ветвью CLAP для окружающих звуков; аудиоэмбеддинги обучались и оценивались отдельно. Репозиторий предоставляет веса в формате Safetensors и использует PyTorch. Лицензия — Apache-2.0. В опубликованных сравнениях модель показывает сильные результаты на англоязычных и аудиобенчмарках среди моделей сопоставимого размера. Многоязычное покрытие остаётся ограничением; также авторы отмечают ухудшение на задачах поиска речь–текст и кластеризации звуков транспорта относительно предыдущей версии. В README указано ограничение текста до 128 токенов для описанного протокола оценки; это не подтверждает максимальную длину входа при использовании модели.

timm/vit_pe_lang_gigantic_patch14_448.fb — вариант только с визуальным энкодером семейства Perception Encoder (PE), опубликованный Meta и преобразованный для библиотеки timm. Модель принимает изображения и выдаёт визуальные признаки; это чекпойнт PE-Lang-G14-448 с патчами 14×14 и разрешением 448 пикселей. PE Lang обучалась на визуально-языковом выравнивании и предназначена для использования в мультимодальных системах с языковым декодером, например Llama или Qwen. Энкодер особенно подходит для извлечения признаков, которые можно использовать в ответах на вопросы по изображениям и документам, OCR-сценариях, классификации и поиске по изображениям. В опубликованных Meta оценках PE-Lang-G14-448 показала сильные результаты на DocVQA, InfoQA и TextVQA при работе с замороженным энкодером и декодером Llama 3.1 8B. Этот репозиторий содержит только энкодер, а не готовую систему для диалога или генерации ответов; упомянутые результаты зависят от декодера и настройки системы. Лицензия — Apache 2.0.

Yehor/w2v-bert-uk-v2.1 — модель автоматического распознавания украинской речи, разработанная на основе facebook/w2v-bert-2.0 и дообученная на датасете Yehor/openstt-uk. Она принимает аудио и преобразует речь в текст; опубликована в формате safetensors и рассчитана на использование через библиотеку Transformers. Размер модели — 402,7 млн параметров. В карточке приведены метрики на тестовом наборе: WER 17,34% и CER 3,33%. Модель распространяется по лицензии Apache-2.0.

Модель Gabor Madarasz — система автоматического распознавания речи на венгерском языке, дообученная на базе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC с 1,3 млрд параметров и предназначена для преобразования венгерской речи в текст. Модель рассчитана на запись речи одного говорящего, например подкасты, аудиокниги и другие чёткие аудиозаписи. В карточке приведены результаты тестирования: WER 19,93% и CER 5,19% на тестовой части FLEURS для венгерского языка, а также WER 16% на 500 отложенных примерах Common Voice. Для уменьшения ошибок распознавания похожих по звучанию слов рекомендуется декодирование с языковой моделью, например KenLM через beam search. Лицензия — CC0-1.0.

elgeish/wav2vec2-large-xlsr-53-arabic — модель автоматического распознавания арабской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасетах Arabic Speech Corpus и Common Voice. Это плотная архитектура wav2vec2 с CTC-выходом и примерно 402,7 млн параметров; репозиторий содержит веса PyTorch и Flax. Модель принимает аудио с частотой дискретизации 16 кГц и предназначена для преобразования арабской речи в текст. Результаты модели представлены в транслитерации Buckwalter, где арабские буквы кодируются символами ASCII; для получения арабского письма требуется обратная транслитерация. В карточке указаны WER 23,39% на валидации Common Voice и тестовый результат 26,55%. Модель можно применять для расшифровки арабских записей и речи, однако точность зависит от данных и условий записи. Лицензия — Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-persian — модель распознавания персидской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice на персидском языке (фарси). Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; её можно запускать без отдельной языковой модели. Модель подходит для транскрибации персидской речи и оценки систем распознавания на тестовой части Common Voice. В карточке указан результат WER 32,20%; качество может отличаться на других наборах данных и условиях записи. Лицензия — Apache-2.0.

ubamba98/wav2vec2-xls-r-1b-ro — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-1b на румынской части набора Mozilla Common Voice 7.0. Она использует архитектуру wav2vec2 с выходной головой CTC и предназначена для преобразования румынской речи в текст. На оценочной выборке указаны WER 0,4770 и CER 0,0306. Модель принимает аудио и выдаёт текст; в репозитории указаны веса PyTorch. Лицензия — Apache-2.0.

YazanSalameh/Whisper-base-Arabic — дообученная модель OpenAI Whisper Base для автоматического распознавания арабской речи и преобразования аудио в текст. Она основана на архитектуре Whisper с 51,7 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель обучалась на арабских данных Common Voice 16.0, MGB-2 и Jordan-Audio. В карточке приведён результат на оценочной выборке: WER 34,7 и loss 0,44; для проверки использовались 600 примеров из трёх наборов данных. Оценка ограничена небольшим объёмом выборки, а автор предлагает подбирать способ интерпретации точности самостоятельно.

whisper-small-alif — дообученная на датасете audiofolder модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования аудио в текст; карточка сообщает о результате WER 0,0 на оценочном наборе, но не описывает его состав, поэтому этот показатель нельзя переносить на другие данные. Модель построена на архитектуре WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Базовая Whisper поддерживает несколько языков и перевод аудио на английский, однако карточка этой версии не уточняет языки и сценарии дообучения. Модель распространяется по лицензии Apache-2.0. Состав обучающих данных и ограничения применения в карточке подробно не раскрыты.

Whisper Small Fine-Tuned for Indian Speech — дообученная RakshithFury модель на базе openai/whisper-small для автоматического распознавания речи. Она предназначена для транскрибации индийской речи, в том числе на хинди и каннада, а также английской речи; в обучении использованы наборы Shrutilipi, IndicVoices-R и FLEURS English. Модель обучалась на последовательностной задаче транскрибации Whisper и рассчитана на работу с разборчивой речью, включая записи с некоторым фоновым шумом и быстрой речью. Обучающая выборка включала около 9 000 аудиофрагментов длительностью от 5 до 15 секунд. Качество может зависеть от языка, акцента, шума, скорости речи, предметной лексики и смешения языков; возможны ошибки, пропуски и галлюцинации, особенно в неразборчивом аудио. Карточка не приводит результаты оценки WER или CER. Лицензия в метаданных не указана.

LiteRT Community Whisper Tiny — модель для автоматического распознавания речи, основанная на openai/whisper-tiny. Она предназначена для преобразования аудиозаписей в текст в сценариях автоматического распознавания речи. Из доступных данных известно, что модель относится к классу automatic-speech-recognition и распространяется по лицензии Apache 2.0. Сведения об архитектуре, размере, поддерживаемых языках, модальностях, длине контекста, сильных сторонах и ограничениях в карточке модели не указаны.

Это компактная модель распознавания речи OpenAI Whisper Tiny, представленная в формате CTranslate2 с точностью float32. Репозиторий подготовлен ctranslate2-4you; для запуска автор рекомендует библиотеку whisper-s2t-reborn. Модель преобразует аудиозаписи в текст и подходит для транскрибации речи. Whisper Tiny относится к многоязычной версии Whisper; в метаданных указан английский язык. Конкретные сведения о размере и длине контекста отсутствуют. Формат CTranslate2 предназначен для инференса, а веса представлены с точностью float32. Модель основана на openai/whisper-tiny и распространяется по лицензии Apache-2.0. Компактный вариант Whisper удобен для задач распознавания речи, однако карточка не приводит оценок качества или отдельных ограничений для этой сборки.

jmshd/whisper-uz — дообученная Jamshid Ahmadov модель Whisper Base для автоматического распознавания речи на узбекском языке. Она принимает аудио и генерирует текстовую расшифровку; при дообучении использованы Common Voice 17.0 и датасет uzbekvoice. В README приведён результат на оценочном наборе: WER 14,0135 и loss 0,1652. Модель построена на архитектуре Whisper, содержит 51,7 млн параметров и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0.

ajan-embed-q — модель векторных представлений предложений, созданная Ranked Technologies Limited для проекта Ajanlar. Она предназначена прежде всего для семантического поиска и извлечения документов на турецком языке, в том числе для RAG-систем и ИИ-агентов, отвечающих по корпоративным документам. Модель принимает текст и выдаёт эмбеддинги; для поиска рекомендуется добавлять префиксы «query: » и «passage: » и нормализовать векторы. Это дообученная методом дистилляции модель на базе intfloat/multilingual-e5-base с архитектурой XLM-RoBERTa и примерно 305 млн параметров по метаданным. Студент обучен воспроизводить эмбеддинги учителя BAAI/bge-m3 на 500 тысячах турецких предложений; дополнительный Dense-слой проецирует размерность 768 в 1024. Контекст составляет 514 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. На тесте TurHistQuad модель показала NDCG@10 0,465, выше multilingual-e5-base и multilingual-e5-small; на общих задачах сопоставления предложений уступает семейству E5. Поэтому её сильная сторона — поиск на турецком, а не универсальное измерение семантического сходства. Оценка основана на ограниченном наборе турецких задач без доверительных интервалов; перед промышленным переобучением авторы рекомендуют фиксировать снимок корпуса и фильтровать персональные данные и дубликаты.

base_phase3 — модель распознавания речи на архитектуре wav2vec2, дообученная nguyenminhly на основе nguyenminhly/base_phase2. Она предназначена для преобразования аудиозаписей в текст. В метаданных указаны 113,3 млн параметров и формат PyTorch. В README приведены результаты оценки: WER 0,1305 и loss 0,2736; названы 44 000 шагов обучения и 49,44 эпохи. Язык распознавания и состав обучающих данных не описаны, поэтому область применения по языку или тематике определить нельзя. Модель распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование.

deepset разработала англоязычную модель для извлечения ответов на вопросы из текста. Это дообученная для extractive QA версия bert-base-uncased, обученная и оценённая на SQuAD 2.0. Модель выбирает ответный фрагмент из предоставленного контекста и подходит для систем поиска ответов по документам, в том числе построенных на Haystack. Модель использует архитектуру BERT с 136,7 млн параметров и принимает текст с контекстом длиной до 512 токенов. Она может отвечать на вопросы, для которых в контексте нет ответа, что соответствует постановке SQuAD 2.0. Выпускается в форматах PyTorch и safetensors. Лицензия — CC BY 4.0.

sentence-transformers/bert-large-nli-max-tokens — модель sentence-transformers, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024, предназначенные для поиска семантически близких текстов и кластеризации. Архитектура основана на BERT; модель содержит 433,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель можно использовать для семантического поиска, сравнения предложений и группировки текстов по смыслу. Доступны версии весов в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Репозиторий распространяется по лицензии Apache-2.0. В карточке авторы предупреждают, что модель устарела и выдаёт эмбеддинги низкого качества, поэтому для новых проектов рекомендуют выбрать более современные модели Sentence Transformers.