III.5Управление персоналом и организацией

son110904/gte-resume-match — дообученная модель Sentence Transformers на базе Alibaba-NLP/gte-multilingual-base, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768 для семантического сравнения и поиска. В архитектуре используются трансформерный энкодер, pooling по CLS-токену и нормализация векторов; близость текстов оценивается косинусным сходством. Модель принимает текст и подходит для сопоставления резюме с вакансиями, поиска похожих описаний и ранжирования текстов по семантической близости. README сообщает о дообучении на парных примерах с оценками сходства и приводит результаты проверки на наборе из 237 примеров: Spearman-корреляция косинусного сходства составляет 0,8549. В карточке Hugging Face указана базовая модель объёмом 305,3 млн параметров и контекстом до 8192 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; для практического использования следует учитывать ограничение Sentence Transformers в карточке модели. Модель обрабатывает текст и выдаёт векторные представления. Метаданные указывают библиотеку sentence-transformers и формат safetensors. Лицензия в предоставленных данных не указана.

alvperez разработал дообученную модель Sentence-Transformers на базе sentence-transformers/all-mpnet-base-v2 для сравнения коротких фраз с профессиональными навыками. Она кодирует текст в 768-мерные векторы, пригодные для оценки семантического сходства, кластеризации и поиска ближайших соседей. Модель предназначена для подбора кандидатов к вакансиям, сопоставления навыков и анализа пробелов в компетенциях. В README приведены результаты бенчмарка: корреляция Спирмена 0,845 и ROC AUC 0,988; максимальная длина контекста — 514 токенов, размер — 136,7 млн параметров. Веса доступны в формате safetensors. Обучение использовало таксономию ESCO и специально подобранные сложные отрицательные примеры; словарь преимущественно англоязычный. Узкопрофильный жаргон может кодироваться хуже, а авторы не вводили специальных ограничений для обеспечения справедливости результатов, поэтому HR-системы на основе модели требуют отдельного аудита. Лицензия — Apache-2.0.

IRyS-NER-Recruitment — дообученная на наборе резюме модель RoBERTa для разметки токенов в задачах извлечения именованных сущностей из резюме. Она может помогать автоматически находить и классифицировать сведения о кандидатах при разборе документов для подбора персонала. Модель построена на roberta-base, содержит 151,8 млн параметров, принимает текст и имеет контекст длиной 514 токенов. На оценочном наборе указаны F1 0,8122, точность 0,7828 и полнота 0,8439. Эти показатели относятся к описанной выборке и не гарантируют аналогичного качества на других типах резюме или форматах данных. Для обработки длинных документов может потребоваться разбивать текст на фрагменты. Модель распространяется по лицензии MIT.

JobBERT-v2 — модель Sentence Transformers от TechWolf, дообученная на базе sentence-transformers/all-mpnet-base-v2 для сопоставления названий должностей и оценки их семантического сходства. Она кодирует названия должностей и описания в плотные векторы размерностью 1024; сходство между ними можно оценивать косинусной мерой. Модель обучена на более чем 5,5 млн пар названий должностей и связанных с ними навыков или требований, имеет длину контекста 514 токенов по метаданным и достигает MAP 0,6457 на тесте TalentCLEF. Модель предназначена для поиска похожих должностей, стандартизации названий и сопоставления вакансий с профилями соискателей, а также для HR-аналитики и управления талантами. Лицензия — MIT. В README для модели указан максимум последовательности 64 токена, поэтому при длинных текстах должностей или описаниях важна обрезка входа; результат оценки TalentCLEF сам по себе не гарантирует качество на других данных и сценариях.

kasraahmadi/job-eval-modernbert — дообученная модель cross-encoder на базе ModernBERT для оценки соответствия резюме описанию вакансии. Она выдаёт четыре оценки от 1 до 5 по отдельным аспектам соответствия и для каждой подсвечивает абзац, который получил наибольший вес. Модель использует 156 млн параметров; при обучении настроены верхние два слоя трансформера, pooler и выходные головы, а основная часть энкодера заморожена. Модель предназначена для локального предварительного ранжирования кандидатов по вакансии и объяснения результатов как вспомогательного инструмента для рекрутера. README указывает, что обучение велось на английских парах резюме и вакансий с оценками, созданными LLM-судьёй; максимальная длина при обучении — 1024 токена, базовый энкодер рассчитан на контекст до 8k. Подсветка показывает, какие фрагменты учитывает модель, но не является причинным объяснением. Разработчик — Kasra Ahmadi; модель связана с сервисом job-eval.com и открытым CLI job-eval. Репозиторий содержит веса в формате safetensors, библиотека — PyTorch. Лицензия — Apache-2.0. Модель следует применять для сортировки и поддержки анализа человеком, а не для автоматического отказа кандидатам или принятия решений о найме.

zoraizbinsamee/resume-job-matching-sbert — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, предназначенный для сопоставления резюме и вакансий по смыслу. Разработчик дообучил модель на 4 457 парах текстов с оценками сходства; архитектура использует энкодер BERT, mean pooling и нормализацию векторов. Модель кодирует предложения и абзацы в плотные векторы размерности 384 для сравнения косинусной близости. Модель подходит для ранжирования вакансий по резюме, семантического поиска и сравнения текстов, а также для кластеризации и классификации текстов на основе эмбеддингов. README указывает максимальную длину последовательности 256 токенов, тогда как метаданные каталога сообщают нативный контекст 512 токенов; для сопоставления резюме и вакансий следует учитывать ограничение из карточки модели. По языку обучающих данных и базовой модели это англоязычная модель. Использование предполагает библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Resume NER BERT v2 — модель на основе BERT, разработанная yashpwr для извлечения структурированных сведений из резюме и CV. Она выполняет токенную классификацию и распознаёт 25 типов сущностей, включая имена, контакты, местоположение, работодателей, должности, навыки, стаж и сведения об образовании. В карточке заявлен F1 90,87% на наборе из 22 542 примеров; модель предназначена для автоматизации разбора резюме в системах подбора персонала, ATS и HR-аналитики. Модель содержит 135,5 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Она оптимизирована для англоязычных резюме, особенно в текстовом виде; для PDF текст нужно извлечь заранее. Длинные документы могут обрезаться, а качество на сложных и нестандартных резюме может снижаться. Модель дообучена на основе bert-base-cased; лицензия — Apache-2.0.

Aju360/ats-mpnet — дообученная модель Sentence Transformers на основе sentence-transformers/all-mpnet-base-v2, предназначенная для кодирования предложений и абзацев в плотные векторы и семантического поиска. Архитектура включает MPNet, усредняющий pooling и нормализацию; размерность эмбеддинга — 768. Модель принимает текст и поддерживает последовательности до 514 токенов по метаданным; в README указано ограничение 384 токена. Модель можно применять для поиска подходящих резюме и вакансий, сравнения текстов по смыслу и извлечения кандидатов по запросу. Для оценки сходства используется косинусная близость. В README приведены результаты на ats-val: Spearman 0,8635 и Pearson 0,8944; обучающий набор описан как содержащий 105 примеров. Лицензия в предоставленных данных не указана.

ahmedheakl/bert-resume-classification — модель классификации последовательностей на базе BERT, разработанная автором репозитория. Она предназначена для присвоения резюме категорий и подходит для автоматической сортировки резюме и первичной классификации кандидатов. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст длиной до 512 токенов. В карточке указан датасет ResumeAtlas и приведён пример применения модели к его данным. Доступна лицензия MIT.

lengocquangLAB/fine-tuned-jobtitle-embed — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует названия должностей и другие предложения или абзацы в плотные векторы размерностью 384; близость текстов оценивается косинусным сходством. Архитектура основана на BERT с усреднением токенных представлений. README указывает максимальную длину 128 токенов, а метаданные — контекст до 512 токенов. Модель обучена на 33 684 парах текстов с оценками сходства и особенно подходит для сопоставления названий должностей, поиска похожих формулировок, поиска по смыслу, кластеризации и классификации текстов. Базовая модель многоязычная, но языки конкретной обучающей выборки в карточке явно не перечислены; приведённые примеры названий должностей включают вьетнамский и английский. Для использования доступны веса в формате safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

HZeroxium дообучил Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для сопоставления резюме и вакансий. Модель кодирует предложения и абзацы в плотные векторы размерности 384; архитектура состоит из BERT и среднего пуллинга токенов, а сходство векторов оценивается косинусной мерой. Максимальная длина последовательности в README — 128 токенов, контекстный лимит в метаданных — 512 токенов. Модель подходит для семантического поиска вакансий по резюме и резюме по описанию вакансии, оценки соответствия пар текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучалась на бинарных, триплетных и similarity-данных, а также наборах перефразировок резюме и вакансий. Базовая модель многоязычная; приведённые примеры обучающих данных включают вьетнамский язык. Лицензия в предоставленных данных не указана.

oumaimansir/cv-matcher-finetuned — модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-MiniLM-L6-v2. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерностью 384; для сравнения используется косинусное сходство. По метаданным модель содержит 25,9 млн параметров, использует библиотеку sentence-transformers и принимает текст. README указывает максимальную длину последовательности 256 токенов, а метаданные — нативный контекст до 512 токенов. Модель предназначена для извлечения признаков и семантического поиска, в частности для сопоставления резюме и вакансий. Она обучалась на 500 примерах с CosineSimilarityLoss. Данных о языках и лицензии в предоставленных источниках нет; базовая модель описана как англоязычная, поэтому применимость к другим языкам не подтверждена.

helmis/e5-small-it-profiles — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, созданная для сопоставления текстовых описаний профилей специалистов и навыков. Она кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения подходит косинусное сходство. Архитектура состоит из BERT-трансформера, среднего пулинга токенов и нормализации векторов. Модель можно применять для семантического поиска и подбора похожих профилей, поиска перефразировок, кластеризации и классификации текста. Обучение на парах anchor/positive/negative с TripletLoss ориентировано на разделение релевантных и нерелевантных описаний. Контекст ограничен 512 токенами. Базовая модель многоязычная, а приведённые обучающие примеры включают английский и французский. Лицензия в предоставленных сведениях не указана.

Модель abd1987/esco-context-skill-extraction — дообученная TechWolf/ConTeXT-Skill-Extraction-base модель Sentence Transformers на архитектуре MPNet. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель обучалась на парах текстов, связанных с профессиональными навыками и действиями, и предназначена для поиска и сопоставления таких формулировок. Модель подходит для семантического поиска навыков, сравнения описаний и извлечения похожих формулировок, а также для кластеризации и классификации текстов с использованием векторов. Максимальная длина последовательности — 512 токенов; для корректной работы можно использовать библиотеку Sentence Transformers. Веса представлены в формате safetensors. Карточка не указывает лицензию и конкретный перечень поддерживаемых естественных языков. Качество может зависеть от соответствия входных формулировок обучающим данным о навыках и профессиях; тексты длиннее лимита контекста требуют усечения или разбиения.

fabskill/job_and_title_siamese_binary — дообученная модель Sentence Transformers на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная для сопоставления названий должностей с описаниями вакансий. Модель преобразует текст в плотные векторы размерности 384 и сравнивает их косинусным сходством; архитектура включает BERT и усреднение токенных представлений. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, а README задаёт максимальную длину последовательности 128 токенов. Модель подходит для поиска похожих вакансий и должностей, оценки семантического соответствия пары текстов, извлечения кандидатов для классификации и кластеризации. В README приведены результаты бинарной классификации на нескольких наборах данных, включая данные с названием должности, описанием и меткой; качество зависит от набора данных и выбранного порога сходства. Базовая модель многоязычная, однако отдельный набор примеров ориентирован на вакансии на английском языке. Лицензия в предоставленных сведениях не указана.

TechWolf JobBERT-v3 — многоязычная модель Sentence Transformers, разработанная TechWolf для сопоставления названий должностей и поиска сходства между ними. Она дообучена на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 на 21,1 млн пар названий должностей и связанных навыков и требований на английском, испанском, немецком и китайском языках. Модель использует архитектуру XLM-RoBERTa и преобразует текст о должностях и требованиях в плотные векторы размерностью 1024; сходство можно оценивать косинусной мерой. README указывает максимальную длину последовательности 64 токена, тогда как метаданные каталога задают контекст 514 токенов. Модель предназначена для межъязыкового сопоставления должностей, семантического поиска похожих вакансий и других задач подбора персонала. Лицензия — MIT.

NBK ATS Semantic Model v1 English — англоязычная модель Sentence Transformers, разработанная NBK и дообученная на базе jinaai/jina-embeddings-v2-small-en для подбора кандидатов в системах ATS. Она преобразует резюме и описания вакансий в эмбеддинги, чтобы оценивать их семантическое сходство и сопоставлять навыки и требования. Модель рассчитана на полные профессиональные документы, поддерживает контекст до 8 192 токенов и доступна в форматах Safetensors и ONNX для серверного и браузерного запуска. В карточке указано 32,4 млн параметров и лицензия Apache-2.0. Обучение проводилось на 5 099 парах резюме и вакансий, с нормализацией профессиональных навыков по таксономии ESCO. Разработчик приводит результаты проверки на 64 примерах из восьми профессиональных областей и рекомендует использовать оценки как поддержку скрининга, а не как единственное основание для найма. Модель оптимизирована только для английского языка и профессионального сопоставления; очень длинные документы могут превышать контекст, а данные рынка труда могут отражать культурные и демографические смещения.

joeportnoy/resume-match-ml — модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления текстов резюме. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает косинусным сходством. Модель предназначена для семантического поиска и оценки близости между резюме и описаниями вакансий, а также может применяться для поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT-энкодере с mean pooling; метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. В качестве обучающего набора указаны 4 316 пар предложений с оценками сходства. Англоязычная базовая модель и примеры данных указывают на основную ориентацию на английский язык. Лицензия в предоставленных данных не указана.

oksomu/resume-ner — дообученная модель DistilBERT для извлечения структурированных сведений из текста резюме. Разработчик позиционирует её как модель NER для классификации токенов; базовая модель — distilbert-base-cased. Она размечает имена, адреса электронной почты и телефоны, местоположения, компании, должности, даты, образование, навыки, сертификаты и языки. Предсказания представлены BIO-метками для отдельных токенов, а сопутствующая постобработка группирует найденные фрагменты в поля резюме. Модель предназначена для автоматизации разбора резюме в системах подбора персонала и извлечения данных из CV. Используются архитектура DistilBERT и контекст до 512 токенов; для длинных резюме описана секционная обработка фрагментами. Доступны веса safetensors и экспорты ONNX, включая квантованный вариант для развёртывания на CPU. В README приведены внутренние показатели F1, однако они не являются внешней оценкой качества. Модель рассчитана только на англоязычные резюме. Отсканированные документы требуют предварительного OCR, а извлечение текста из PDF с двумя колонками может нарушать структуру. Лицензия — Apache-2.0.

Модель minsolimbu/smart-job-search-model — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанный для семантического сопоставления резюме и вакансий. Она кодирует текст предложений и абзацев в плотные векторы размерностью 384 и использует косинусное сходство для оценки близости. Модель построена на архитектуре BERT с усредняющим pooling и нормализацией; в метаданных указано 25,9 млн параметров и контекст до 512 токенов, тогда как README сообщает максимальную длину последовательности 256 токенов. Модель подходит для поиска вакансий по резюме, ранжирования подходящих предложений и оценки семантического сходства текстов. В README приведена оценка Spearman 0,7778 на наборе resume-job-validation. Она принимает только текст и выдаёт векторы для последующего поиска или сравнения. Язык обучения и поддерживаемые языки явно не указаны; базовая модель ориентирована на английский язык. Лицензия в предоставленных данных не указана.

XuanTruong03 выпустил ai-recruitment-embedder-v2 — дообученную модель Sentence Transformers на базе keepitreal/vietnamese-sbert. Она использует RoBERTa и преобразует текстовые предложения и абзацы в плотные векторы размерности 768; для оценки близости подходит косинусное сходство. Максимальная длина последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска и сопоставления описаний в задачах подбора персонала: например, для сравнения навыков кандидатов с требованиями вакансий. В README приведена оценка Spearman 0,7256 на неназванном наборе данных из 5202 обучающих примеров; данные содержат профессиональные и отраслевые контексты. Это специализированная модель для вьетнамского языка. Условия использования следует сверить с лицензией репозитория Hugging Face.

Модель Anshika0509/distilbert-resume-job-matcher — классификатор пар текста на базе DistilBERT, дообученный на сопоставлении резюме кандидатов с описаниями вакансий. Она кодирует пару «резюме [SEP] описание вакансии» и относит её к одному из трёх классов: «не подходит», «возможное соответствие» или «хорошее соответствие». Модель предназначена для предварительной оценки релевантности профилей, самооценки кандидатов и поддержки рекрутеров при сортировке резюме. Архитектура — DistilBERT с шестью слоями, размерностью скрытого состояния 768 и 12 головами внимания, дополненный классификационной головой. Модель принимает текст и выдаёт метку класса соответствия; заявленная длина контекста — 512 токенов. Карточка описывает английскоязычные данные и обучение на синтетических профилях. Указанная лицензия — MIT. Оценка основана на семантическом сходстве и может учитывать синонимы и близкие навыки, однако результаты на синтетических данных не гарантируют качества на реальных резюме и вакансиях. Длинные входы обрезаются после 512 токенов. Модель следует использовать как вспомогательный инструмент, а не для автоматического принятия решений о найме.

Карточка модели GrishaKushnir/jobbert-onnx на Hugging Face совпадает с карточкой TechWolf/JobBERT-v3, поэтому описание составлено по ней. TechWolf JobBERT-v3 — многоязычная модель Sentence Transformers, разработанная TechWolf для сопоставления названий должностей и поиска сходства между ними. Она дообучена на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 на 21,1 млн пар названий должностей и связанных навыков и требований на английском, испанском, немецком и китайском языках. Модель использует архитектуру XLM-RoBERTa и преобразует текст о должностях и требованиях в плотные векторы размерностью 1024; сходство можно оценивать косинусной мерой. README указывает максимальную длину последовательности 64 токена, тогда как метаданные каталога задают контекст 514 токенов. Модель предназначена для межъязыкового сопоставления должностей, семантического поиска похожих вакансий и других задач подбора персонала. Лицензия — MIT.

jjzha/jobbert_skill_extraction — модель на базе BERT для извлечения навыков из текста с разметкой отдельных токенов. Она предназначена для обнаружения в тексте навыков, включая soft skills и прикладные навыки; карточка также упоминает отдельную модель для извлечения знаний. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт токенные метки. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

MawaredHR/MawaredHR_Deepseek — языковая модель Daemontatox, дообученная на базе unsloth/deepseek-r1-distill-qwen-7b-unsloth-bnb-4bit для рассуждений по вопросам управления персоналом. Она построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; модель принимает текст и генерирует текстовые ответы. Карточка указывает английский язык, а метаданные — контекст до 131 072 токенов. Модель предназначена для ответов на сложные запросы HR-специалистов и поддержки решений с учётом кадровых политик и нормативных требований. Она может формулировать логичные, структурированные ответы и учитывать контекст запроса. Лицензия — Apache-2.0.

dpravinv/modernbert-job-role-matcher — англоязычная модель Sentence Transformers, дообученная на базе nomic-ai/modernbert-embed-base для сопоставления названий должностей с описаниями ролей. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Архитектура включает ModernBERT, усреднение токенных представлений и нормализацию эмбеддингов. Модель рассчитана на семантическое сравнение текстов и поиск подходящих описаний должностей. Её также можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Максимальная длина последовательности — 8192 токена. В README приведён результат cosine_accuracy 0,98 на оценке с TripletEvaluator; размер обучающей выборки указан как 800 примеров. Модель выпущена под лицензией Apache-2.0. Оценка на небольшой выборке не гарантирует аналогичного качества на других данных и сценариях; заявленная поддержка языка — английский.

Модель разработана National Taiwan University и дообучена на основе BAAI/bge-small-zh-v1.5 методом Supervised SimCSE для сопоставления вакансий и кандидатов. Это компактная плотная BERT-модель с 27,6 млн параметров, предназначенная для оценки семантического сходства текстов на китайском языке; максимальная длина контекста — 512 токенов. Модель принимает текст и подходит для сравнения описаний вакансий с профилями и резюме кандидатов. Доступна в формате safetensors. Сведения о лицензии и конкретном наборе данных для дообучения в предоставленных материалах отсутствуют.

alimuhammad24/resume-jd-cross-encoder — англоязычный cross-encoder на базе RoBERTa, дообученный автором с помощью библиотеки Sentence Transformers. Он оценивает пары текстов и выдаёт один числовой балл, пригодный для ранжирования результатов семантического поиска и повторной сортировки кандидатов. Модель содержит 151,8 млн параметров и обрабатывает последовательности длиной до 514 токенов. Модель предназначена для сопоставления резюме с описаниями вакансий, семантического поиска и ранжирования текстовых пар. В README приведены результаты бинарной классификации: accuracy 0,6947 и F1 0,7569; они относятся к указанной в карточке оценке и не гарантируют качество на других данных. Модель принимает текст и возвращает оценку релевантности; для ранжирования обычно отдельно вычисляют балл для каждой пары запрос–документ. Для использования нужны библиотека Sentence Transformers и совместимый код. Лицензия в предоставленных сведениях не указана.

Om-Shandilya/resume-matcher-bert — англоязычная модель на архитектуре BERT семейства MiniLM, разработанная для семантического сопоставления резюме и вакансий. Это дообученная версия sentence-transformers/all-MiniLM-L6-v2 с 25,9 млн параметров; она принимает текст и формирует эмбеддинги для сравнения смысловой близости. Максимальная длина контекста — 512 токенов. Модель подходит соискателям для поиска наиболее релевантных вакансий по резюме, а рекрутерам — для ранжирования резюме по описанию вакансии. В репозитории также содержится готовый FAISS-индекс эмбеддингов описаний вакансий для быстрого поиска. Семантическое сравнение позволяет учитывать смысл текста, а не только совпадение ключевых слов. Модель опубликована под лицензией Apache-2.0. Она предназначена для англоязычных текстов; качество сопоставления за пределами этого языка и для документов, превышающих контекстное окно, не подтверждено.

bwbayu/sbert_model_jobcv — Sentence Transformer на базе DistilBERT, обученный сопоставлять резюме и описания вакансий. Модель преобразует текст в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура использует представление CLS-токена, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и ранжирования соответствия резюме вакансиям, а также для поиска похожих текстов, кластеризации и классификации. В README приведены обучающие и оценочные выборки из 24 962 и 6 241 пар резюме и вакансий; метаданные указывают обучение с CoSENTLoss. Для общего теста семантического сходства в README указана корреляция Spearman 0,8658. Модель принимает текст и возвращает векторные представления, поэтому сама по себе не формирует текстовые ответы и не выдает готовый вердикт о найме: для поиска или оценки пар требуется отдельный этап сравнения. Язык обучающих данных и лицензия в предоставленных источниках не указаны.