III.5Управление персоналом и организацией

SSF-MiniLM Finetuned v2 — англоязычная модель Sentence Transformers, разработанная imocha-ai-org для сопоставления предложений из описаний вакансий со стандартизированными навыками Singapore SkillsFuture Framework (SSF). Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 и использует плотный двунаправленный BERT-энкодер с усреднённым пулингом и нормализацией. Векторы имеют размерность 384; в README указана максимальная длина последовательности 256 токенов, а метаданные задают нативное контекстное окно в 512 токенов. Модель содержит 25,9 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для извлечения и разметки навыков, семантического поиска и ранжирования соответствий между текстом и названиями навыков, в том числе в HR-системах, анализе кадров и рекомендациях обучения. В README приведены результаты на отложенной выборке для сопоставления навыков: AUC 0,995 и максимальная точность 97,1%; это результаты указанного автора тестирования. Модель не генерирует текст и рассчитана на короткие англоязычные предложения. Качество сопоставления лучше всего ожидается для навыков из 2 196 категорий SSF. Для других таксономий навыков и новых или редких терминов точность может снижаться; длинные описания вакансий рекомендуется предварительно разбивать на предложения. Обучающие примеры синтетические, а многоязычная поддержка не заявлена.

Fatin757/biencoder-v2 — англоязычная модель Sentence Transformers, дообученная автором на базе nomic-ai/modernbert-embed-base для сопоставления текстов о должностях. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает ModernBERT, усреднение токеновых представлений и нормализацию. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска и сравнения текстовых описаний, в том числе для поиска сходных должностей; базовое семейство также поддерживает поиск перефразирований, классификацию и кластеризацию. В README приведён результат cosine accuracy 1.0 на TripletEvaluator, но он не описывает условия и состав оценки, поэтому не гарантирует такое качество на других данных. Лицензия — Apache-2.0.

AROY76/Embedding-gemma-300M-skills — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m для преобразования предложений и абзацев в плотные векторы размерности 768. Обучение проводилось на 4 992 примерах CSV с парами и тройками текстов; использовалась функция потерь MultipleNegativesRankingLoss. Сходство векторов оценивается косинусной мерой, максимальная длина входа — 2 048 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Примеры обучающих данных охватывают описания навыков и профессий, поэтому модель может быть полезна для сопоставления профилей, требований и категорий навыков. Она принимает текст и выдаёт эмбеддинги; заявлены библиотека Sentence Transformers и формат весов safetensors. Ограничение контекста составляет 2 048 токенов, а специализация на небольшом наборе примеров о навыках может ограничивать качество на других темах. Лицензия в предоставленных данных не указана.

jjzha/escoxlmr_skill_extraction — модель семейства XLM-RoBERTa для извлечения навыков из текста с помощью классификации токенов. README описывает её как демо для выявления знаний, жёстких навыков, а также мягких и прикладных навыков. Модель содержит около 658,7 млн параметров, использует архитектуру XLMRobertaForTokenClassification и принимает текст с контекстом до 514 токенов. Модель подходит для автоматического выделения упоминаний навыков в текстах, например в резюме и описаниях вакансий. В карточке указана лицензия Apache-2.0. README не сообщает о качестве извлечения или поддерживаемых языках.

Модель kaliani/flair-ner-skill предназначена для распознавания сущностей в англоязычном тексте: она выделяет названия навыков и сведения о количестве лет опыта. По README, модель построена на Flair embeddings и архитектуре LSTM-CRF; метаданные указывают семейство BERT и класс BertForTokenClassification, поэтому сведения об архитектуре в источниках расходятся. В карточке приведён результат F1 84,3 на Ontonotes. Модель принимает текст и возвращает метки для токенов; размер — 25,9 млн параметров, контекст — 512 токенов. Лицензия в предоставленных данных не указана.

algiraldohe/lm-ner-linkedin-skills-recognition — модель DistilBERT, дообученная algiraldohe для распознавания навыков в тексте профилей и вакансий LinkedIn. Она выполняет токенную классификацию: размечает фрагменты текста, соответствующие навыкам. Контекст модели составляет до 512 токенов. В README приведены результаты на наборе оценки: precision 0,9119, recall 0,9312, F1 0,9214 и accuracy 0,9912. Модель можно применять для извлечения навыков из профилей LinkedIn и анализа требований в описаниях вакансий. Данные обучения и подробные ограничения в карточке не описаны. Формат весов — PyTorch; лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformers, дообученная anass1209 на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления резюме и вакансий. Она использует энкодер BERT с 25,9 млн параметров, mean pooling и нормализацией, преобразуя предложения и абзацы в плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают библиотеку sentence-transformers и контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска и сравнения текстов, отбора релевантных вакансий для резюме, поиска похожих резюме, кластеризации и извлечения признаков для классификации. В README приведена оценка Spearman cosine 0,6213 на задачах семантического сходства. Она предназначена для работы с текстом и не является генеративной моделью. Поддерживаемые языки и лицензия в предоставленных данных не указаны.

itoktobenotok/sbert-finetuned-jobs — модель Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, дообученная на 2 800 парах предложений с оценками сходства. Архитектура BERT с усреднением токенных представлений преобразует текст в плотные векторы размерности 384; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического сравнения текстов и поиска предложений или абзацев по смыслу. Её можно применять для поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов; README также приводит оценку бинарной классификации с cosine accuracy 0,84. Многоязычность унаследована от базовой модели, однако языки и качество отдельно для этой донастройки в карточке не уточнены. Лицензия в предоставленных данных не указана.

XuanTruong03/ai-recruitment-embedder — модель Sentence Transformer, дообученная разработчиком на базе bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с усредняющим pooling и преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов по косинусному сходству. Размер модели — 162,4 млн параметров, максимальная длина последовательности — 258 токенов по метаданным. Модель предназначена для поиска и сопоставления текстов в сфере подбора персонала: например, для поиска подходящих вакансий или кандидатов по описаниям. README демонстрирует вьетнамские тексты и набор из 1 031 пар предложений; базовая модель также ориентирована на вьетнамский язык. При применении следует учитывать ограничение длины входа и проверять качество на собственных данных. Сведения о лицензии в доступных материалах отсутствуют.

Ameer05/distilbart-cnn-12-6-finetuned-resume-summarizer — модель семейства BART с 252,8 млн параметров, дообученная разработчиком Ameer05 для суммаризации резюме. Она принимает текст и генерирует его краткое изложение; заявленное окно контекста — 1024 токена. В карточке приведены результаты оценки: ROUGE-1 52,58, ROUGE-2 34,39, ROUGE-L 41,85 и ROUGE-Lsum 51,00. Модель подходит для создания кратких версий резюме и извлечения основного содержания из текста резюме. Данные обучения и подробности применения не описаны. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют.

shawhin/distilroberta-ai-job-embeddings — модель Sentence Transformer, дообученная автором на наборе ai-job-embedding-finetuning для поиска вакансий по смыслу запроса. Она основана на sentence-transformers/all-distilroberta-v1 и преобразует предложения и абзацы в плотные эмбеддинги размерности 768; архитектура включает RoBERTa, усреднение токенных представлений и нормализацию. Максимальная длина входа — 512 токенов, сходство между векторами можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сопоставления запросов с описаниями вакансий, а также может применяться для поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты TripletEvaluator: cosine accuracy 0,9901 на валидационной и 1,0 на тестовой выборке; эти значения относятся к указанным наборам данных. Модель работает с текстом и выдаёт векторы, библиотека — Sentence Transformers. README и метаданные не называют лицензию, поэтому условия использования по лицензии здесь уточнить нельзя.

duongttr/job-candidiate-matching-sentbert — модель Sentence-Transformers на базе BERT, разработчик обучил её для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерности 384 и подходит для поиска семантически близких текстов, кластеризации и ранжирования вариантов кандидатов по сходству с описанием вакансии. Обучение проводилось с функцией ContrastiveLoss и косинусной метрикой расстояния. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В карточке не указаны поддерживаемые естественные языки и лицензия, поэтому нельзя определить языковой охват и условия использования. Для практических сценариев подбора персонала качество сопоставления зависит от языка и данных вакансий и резюме; приведённый README не содержит результатов оценки.

mdbr-leaf-mt-resume-grader — созданная turtlecap компактная модель эмбеддингов на базе BAAI/bge-small-en-v1.5, дообученная для оценки семантического соответствия резюме и описания вакансии. Модель использует архитектуру BERT и библиотеку Sentence Transformers; метаданные указывают 40 млн параметров и окно контекста 512 токенов. README описывает рабочий вариант с 384-мерными нормализованными векторами и окном 256 токенов; сходство оценивается косинусной мерой. Репозиторий содержит веса safetensors и экспорты ONNX, включая квантованный вариант для локального браузерного запуска. Модель предназначена для ранжирования вакансий по резюме в функции Semantic AI расширения NUWorks Co-op Grader. В README приведены результаты на отложенных наборах, в том числе проверка на резюме, не использованных при обучении; при этом данные о вакансиях в проверке обобщения резюме взяты из уже имеющегося пула NUWorks. Модель рассчитана на английский язык. Лицензия в предоставленных сведениях не описана.

kowshiktg/recruiter-engine-minilm — англоязычная модель Sentence Transformer на основе sentence-transformers/all-MiniLM-L6-v2, дообученная на примерах из домена найма, связанных с данными кандидатов. Разработчик указан как kowshiktg; в README также упоминаются Redrob AI и конкурс Redrob как источник данных и авторского зачёта. Модель кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, сравнения сходства, поиска перефразировок, классификации и кластеризации. Архитектура включает энкодер BERT, усредняющий pooling и нормализацию; в метаданных указано 25,9 млн параметров. Для использования описаны библиотека Sentence Transformers и текстовый ввод. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст 512 токенов. Обучающие данные содержат 8 500 примеров пар предложений с оценками сходства. Это делает модель подходящей для сопоставления текстов кандидатов и требований к вакансиям, однако карточка не приводит метрик качества или подробностей о составе и лицензии обучающих данных. Лицензия самой модели в предоставленных сведениях не указана.

Tanpo Hiring — компактная языковая модель для задач найма, созданная d4rkninja как часть семейства Tanpo. Она дообучена методом LoRA на базе LiquidAI/LFM2.5-1.2B-Instruct, после чего адаптер объединён с базовыми весами; репозиторий содержит веса Transformers в формате Safetensors. Модель рассчитана на локальное и недорогое развёртывание и поддерживает контекст до 128 000 токенов по метаданным. Модель помогает готовить описания вакансий, карты оценки кандидатов, скрипты первичного отбора, планы интервью, материалы для разбора собеседований, предложения о найме и письма с отказом. Внутренняя автоматизированная оценка на примерно 20 заданиях по найму показала улучшение относительно базовой модели, но авторы отмечают небольшой размер выборки и направленный характер результата. Модель специализирована на рабочих процессах найма; вне этой области качество может снижаться. Её масштаб ограничивает объём знаний и сложность рассуждений, а требования конкретной юрисдикции могут быть учтены неверно. Результаты скрининга, оценки и предложения требуют человеческой проверки. Лицензия указана как other; конкретные условия следует сверить на странице модели.

tudorizer/distilroberta-ai-job-embeddings — англоязычная модель Sentence Transformer, разработанная Tudorizer путём дообучения sentence-transformers/all-distilroberta-v1 на датасете ai-job-embedding-finetuning. Она преобразует запросы, описания вакансий и другие тексты в плотные векторы размерности 768 для семантического поиска и сравнения. Архитектура состоит из трансформера RoBERTa, среднего pooling по токенам и нормализации; сходство оценивается косинусной мерой. Размер модели — 95,2 млн параметров, максимальная длина последовательности — 512 токенов. Модель подходит для поиска подходящих вакансий по запросу, ранжирования описаний вакансий по смысловой близости, поиска парафразов и группировки текстов о работе. README приводит результаты TripletEvaluator: cosine accuracy 0,9902 на валидационной и 1,0 на тестовой выборке; выборка обучения содержит 816 примеров. Эти результаты относятся к указанным наборам данных и сами по себе не гарантируют качество на других вакансиях и запросах. Лицензия в предоставленных данных не указана.

MohammedDhiyaEddine/job-skill-sentence-transformer-tsdae — модель SentenceTransformer на базе RoBERTa, дообученная на описаниях вакансий и навыков методом Transformer-based and Sequential Denoising AutoEncoder (TSDAE). Этот метод предназначен для обучения представлений текста в условиях нехватки размеченных данных. Модель подходит для получения векторных представлений текстов о навыках и вакансиях, которые можно использовать для поиска и сопоставления похожих описаний. Она содержит 151,8 млн параметров, принимает текстовые входные данные и рассчитана на контекст до 514 токенов. В карточке указан английский язык; лицензия — Apache-2.0. Описание не сообщает результатов оценки качества и конкретных ограничений применимости, поэтому пригодность эмбеддингов для отдельного набора вакансий или навыков следует проверять на целевых данных.

Qwen3-4B STAR QLoRA v2 Merged — языковая модель на базе Qwen3-4B, дообученная для анализа ответов на поведенческих собеседованиях по структуре STAR (Situation, Task, Action, Result). Модель разработана автором репозитория by0101; адаптер LoRA объединён с базовой моделью, поэтому веса можно загружать напрямую через Transformers без PEFT. Модель принимает текст ответа кандидата и генерирует текстовый анализ. Её можно применять для разбора примеров по компонентам STAR и подготовки к интервью. Архитектура — плотная причинная языковая модель Qwen3ForCausalLM примерно на 3,7 млрд параметров; заявленная длина контекста — 40 960 токенов. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Nashhz/SBERT_KFOLD_User_Portfolio_to_Job_Descriptions — дообученный разработчиком модели энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель сопоставляет предложения и абзацы плотным векторным представлениям размерности 384; архитектура включает BERT, mean pooling и нормализацию, а сходство оценивается косинусной мерой. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; в README для конфигурации модели указана максимальная длина последовательности 256 токенов. Модель предназначена для оценки семантического сходства между портфолио пользователя и описаниями вакансий, а также для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Обучение проводилось на 16 682 парах текстов с оценками сходства. Базовая модель англоязычная; отдельная поддержка других языков не подтверждена. В README не указана лицензия, поэтому условия использования по карточке установить нельзя.

XuanTruong03/ai-recruitment-embedder-v3 — модель Sentence Transformers на базе RoBERTa, дообученная командой XuanTruong03 на keepitreal/vietnamese-sbert для сопоставления предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и предназначена для семантического поиска, извлечения и сравнения текстов; близость векторов можно оценивать косинусным сходством. В карточке показан пример данных по подбору персонала, поэтому модель подходит для поиска и ранжирования сходных описаний вакансий и профилей кандидатов в рекрутинговых системах. Модель ориентирована на вьетнамский язык. Максимальная длина последовательности — 256 токенов по README; метаданные каталога указывают контекст 258 токенов. По внутренней оценке на InDomain_Val достигнута корреляция Спирмена 0,5652 для косинусного сходства. Лицензия в предоставленных данных не указана.

SkillScout Large — плотный bi-encoder, дообученный для TalentCLEF 2026 Task B на основе jjzha/esco-xlm-roberta-large. Он кодирует название профессии в эмбеддинг размерности 1024 и позволяет находить семантически близкие навыки в таксономии ESCO с помощью косинусного сходства. Модель предназначена для первого этапа двухэтапного поиска «профессия — навыки»: быстрого извлечения кандидатов, например с помощью FAISS; для повышения качества ранжирования её можно дополнить cross-encoder-реранкером. Модель использует XLM-RoBERTa-large со mean pooling, содержит 658,7 млн параметров и принимает текст. Контекст модели — 514 токенов, однако карточка рекомендует ограничивать вход 64 токенами; длинные описания вакансий следует сокращать до названия должности. Модель обучена на английских метках ESCO и оптимизирована для этой таксономии; результаты на O*NET и пользовательских таксономиях могут отличаться. Bi-encoder сам по себе ненадёжно различает основные и контекстные навыки, поэтому для градуированного ранжирования полезен реранкер. Лицензия — Apache-2.0.

Fe2x/distilroberta-ai-job-embeddings — англоязычная Sentence Transformer модель, дообученная Fe2x на наборе ai-job-embedding-finetuning для сопоставления запросов о работе с описаниями вакансий. Она основана на sentence-transformers/all-distilroberta-v1 и использует архитектуру RoBERTa с усреднением токенных представлений и нормализацией. Модель преобразует текст в плотные эмбеддинги размерности 768; сходство между ними можно оценивать косинусной метрикой. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и ранжирования вакансий по запросу, поиска близких текстов и выявления соответствий между запросами и описаниями. В README приведены результаты TripletEvaluator на наборах ai-job-validation и ai-job-test; они относятся к указанным оценочным выборкам и сами по себе не гарантируют качество на других данных. Репозиторий распространяется в формате safetensors, лицензия в предоставленных сведениях не указана.

AmberJin4526/distilroberta-ai-jobembeddings — модель эмбеддингов предложений на базе Sentence Transformers, дообученная Amber Jin на наборе ai-job-embedding-finetuning от sentence-transformers/all-distilroberta-v1. Она преобразует запросы и описания вакансий в плотные векторы размерности 768, которые сравниваются с помощью косинусного сходства. Модель предназначена прежде всего для семантического поиска и сопоставления запросов соискателей с описаниями вакансий, а также для поиска похожих текстов, кластеризации и классификации. Архитектура включает энкодер RobertaModel с усреднением токенов и нормализацией выходного вектора. README сообщает длину последовательности до 512 токенов; метаданные указывают контекст 514 токенов. Модель обрабатывает текст и рассчитана на англоязычные запросы и описания вакансий. Карточка приводит высокие результаты на собственных наборах проверки, однако это не гарантирует качество на других данных. Лицензия в предоставленных сведениях не указана.

jjzha/escoxlmr_knowledge_extraction — модель для извлечения знаний из текста с помощью разметки токенов. В карточке она представлена как демонстрация, использующая модели для извлечения hard skills; также упомянута отдельная модель для извлечения soft и прикладных навыков. Модель построена на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров. Она принимает текст, размечает его токены и рассчитана на контекст до 514 токенов. Модель подходит для выделения профессиональных знаний и жёстких навыков из текстов, например из описаний вакансий или резюме. Доступна в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не описывает состав обучающих данных и качество на конкретных наборах, поэтому точность извлечения для отдельных типов документов не установлена.

Модель dlepighe1/resume-jd-matcher-mpnet — дообученная версия sentence-transformers/all-mpnet-base-v2 от автора репозитория dlepighe1. Она кодирует резюме и описания вакансий в векторы и предназначена для оценки их семантического соответствия по шкале от 0 до 1. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст длиной до 514 токенов. Обучение проводилось на подобранных парах резюме и вакансий с комбинированной функцией потерь CoSENT и CosineSimilarity; оценка дополнительно калибруется методом Platt scaling. На тесте из 106 пар, не пересекавшихся с обучающими данными, автор сообщает корреляцию Спирмена 0,8163 и MAE 0,127. Модель может помогать сортировать вакансии по соответствию резюме или находить подходящих кандидатов для вакансии. Метки соответствия синтетические и отражают заданную авторами рубрику, а не реальные решения рекрутеров или результаты найма. Тестовая выборка небольшая, а модель не проверялась для автоматизированного принятия решений о найме. Лицензия — Apache-2.0.

Карточка модели maawawork/SBERT_KFOLD_Job_Descriptions_to_Skills на Hugging Face совпадает с карточкой Nashhz/SBERT_KFOLD_Job_Descriptions_to_Skills, поэтому описание составлено по ней. Nashhz/SBERT_KFOLD_Job_Descriptions_to_Skills — это дообученный на базе sentence-transformers/all-MiniLM-L6-v2 энкодер Sentence Transformers для сопоставления описаний вакансий с навыками. Он преобразует предложения и абзацы в плотные векторы размерности 384; архитектура включает BERT, усреднение токенов и нормализацию. Метаданные указывают 25,9 млн параметров, библиотеку sentence-transformers и максимальный контекст 512 токенов; в карточке модели указана длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе для подбора навыков к описаниям вакансий, поиска похожих формулировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство. Обучающий набор содержит 8 117 пар предложений с оценками сходства. Модель принимает текст и выдаёт эмбеддинги, а не готовый перечень навыков; для получения навыков потребуется отдельная процедура поиска или сопоставления. Англоязычная база указывает на преимущественную поддержку английского, а карточка не подтверждает качество на других языках. Лицензия в предоставленных данных не указана.

Mubin дообучил модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2 на примерах запросов и описаний вакансий. Она кодирует предложения и абзацы в плотные векторы размерностью 384 и сравнивает их по косинусному сходству. Модель предназначена прежде всего для семантического сопоставления запросов с вакансиями, а также для семантического поиска и ранжирования текстов по близости смысла. Архитектура основана на BERT: токеновые представления объединяются усреднением, затем векторы нормализуются. Метаданные указывают контекст до 512 токенов; карточка модели указывает максимальную длину последовательности 256 токенов. Обучение проводилось на наборе из 812 примеров с запросами и положительными и отрицательными описаниями вакансий. В README приведены результаты cosine accuracy 0,9703 на валидации и 0,9804 на тестовой выборке, однако они относятся к указанному набору данных и сами по себе не гарантируют качество на других текстах. Модель работает с текстом и возвращает эмбеддинги; в первую очередь она ориентирована на англоязычные запросы и описания вакансий, как и базовая модель. Доступный формат весов — safetensors. Лицензия в предоставленных данных не указана.

Marianodo/BatchAllTripletLoss-job-title — модель на базе MPNet, опубликованная в формате PyTorch и обученная с функцией потерь BatchAllTripletLoss. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель подходит для построения поиска по названиям должностей и сопоставления похожих формулировок. Контекст модели составляет 514 токенов, число параметров — 136,7 млн. Модель принимает текст и выдаёт эмбеддинги; для работы README рекомендует библиотеку Sentence-Transformers. Язык обучающих данных и лицензия в доступных сведениях не указаны, поэтому языковую поддержку и условия распространения определить нельзя.

opantama/distilroberta-ai-job-embeddings — англоязычная модель Sentence Transformer, дообученная разработчиком opantama на наборе ai-job-embedding-finetuning для представления запросов и описаний вакансий в общем векторном пространстве. Она использует архитектуру RoBERTa на базе sentence-transformers/all-distilroberta-v1, содержит 95,2 млн параметров и формирует нормализованные эмбеддинги размерности 768; сходство текстов можно оценивать косинусным сходством. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска вакансий по запросу, сравнения текстов, поиска перефразировок и кластеризации. В README приведена оценка cosine accuracy 1.0 на 101 примере валидации и 101 примере теста, однако эти результаты относятся только к указанным небольшим наборам данных. Модель принимает текст и выдаёт векторы; в карточке указаны веса safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

avsolatorio/GIST-Embedding-v0_en-tr_jobs — англоязычная Sentence Transformer-модель, дообученная на 4 786 парах вакансий en-tr от avsolatorio на базе avsolatorio/GIST-Embedding-v0. Архитектура BERT преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности — 512 токенов. Модель предназначена для поиска вакансий по смыслу, оценки сходства между текстами вакансий и запросами, поиска перефразировок, кластеризации и классификации текстов. В README приведены значения cosine accuracy 1.0 на validation и test наборах en-tr-jobs; это результаты на небольших наборах оценки, а не гарантия качества на других данных. Лицензия — MIT.