III.5Управление персоналом и организацией

aronjose2005/resume-strength-model — дообученная модель DistilBERT для классификации текста. Она предназначена для оценки силы резюме по тексту, что следует из названия модели; в карточке не описаны классы и правила оценки. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В README приведены метрики на оценочном наборе: accuracy, precision, recall и F1 равны 0,95; состав и происхождение набора данных не раскрыты. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает подробные сценарии применения и ограничения оценки, поэтому результаты следует интерпретировать с учётом неизвестных данных обучения и классов.

avsolatorio/GIST-Embedding-v0_en-tr_all-jobs — англоязычная модель эмбеддингов предложений на базе Sentence Transformers, дообученная на 380 890 парах вакансий на английском и турецком языках. Она использует архитектуру BERT с 136,7 млн параметров, преобразует текст в нормализованные векторы размерностью 768 и сравнивает их по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов о вакансиях, поиска перефразировок, кластеризации и извлечения признаков для классификации. В README приведена оценка на наборах en-tr-jobs-validation и en-tr-jobs-test, но эти результаты относятся к указанным наборам данных. Лицензия — MIT.

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.

skill-classifier-base-v2 — компактная модель бинарной классификации предложений, разработанная Loyola Data Mining. Она определяет, содержит ли отдельное предложение формулировку навыка, который может требоваться для работы; результатом служит метка класса и оценка уверенности. Модель использует архитектуру BERT для классификации последовательностей, насчитывает 32,4 млн параметров и принимает текст длиной до 512 токенов. В карточке указан английский язык, веса опубликованы в формате safetensors. Модель предназначена для анализа описаний вакансий и выделения предложений о требуемых навыках. В оценке на loyoladatamining/usajobs_validation указаны accuracy 0,9748 и F1 0,9749; предыдущая версия показала 0,8335 и 0,8437 соответственно. Это бинарный классификатор, обученный для предложений о навыках, поэтому его метки не дают подробной классификации самих навыков, а качество на других жанрах и языках в карточке не подтверждено. Лицензия — MIT. Базовая модель в README названа prajjwal1/bert-small, а метаданные каталога указывают дообучение loyoladatamining/skill-classifier-base.

CRE-0.5 — модель эмбеддингов CareerInternational для подбора персонала, созданная на базе BAAI/bge-large-zh-v1.5 и дообученная для сопоставления резюме и описаний вакансий. Она кодирует текст в плотные векторы и ориентирована на семантический поиск и оценку сходства между вакансиями и резюме, включая сопоставление навыков и должностных уровней. В модели используется BERT-архитектура; README описывает CNN-компонент для выделения локальных признаков и дополнительный обучаемый проекционный слой. Размер — 424,3 млн параметров, максимальный контекст — 512 токенов. Для представления предложения используется CLS-токен. Карточка также указывает применение в retrieval, RAG и агентных сценариях. Модель рассчитана на китайскоязычные тексты. В README приведены результаты профильного бенчмарка и сравнение с базовой моделью, однако отдельный пример показывает, что CRE-0.5 уступает BGE по указанным оценкам сходства; результаты не гарантируют качество на других данных. Лицензия в предоставленных данных не указана.

g-tertho/cv-matcher-confit — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, созданная для сопоставления резюме и вакансий по смыслу. Она кодирует текст в плотные векторы размерностью 384 и сравнивает их с помощью косинусного сходства; модель можно использовать для поиска подходящих вакансий по резюме или кандидатов по описанию вакансии. Архитектура включает BERT, усредняющий pooling и обучалась на 3 098 парах anchor-positive с MultipleNegativesRankingLoss. Модель принимает текст, поддерживает последовательности до 512 токенов и выдаёт векторы для семантического поиска и сравнения предложений. Базовая модель англоязычная, поэтому назначение и поддержка русского языка не подтверждены. Лицензия в предоставленных данных не указана.

sanaullah7964/decentralized-ner-parsing-2026 — модель на базе DistilBERT-base-uncased, дообученная для токенной классификации и извлечения названий навыков из неструктурированного текста резюме и описаний вакансий. Она предназначена для систем подбора персонала и извлечения компетенций, включая запуск в браузере на CPU через ONNX Runtime Web. Модель работает с английским текстом; в метаданных указано контекстное окно 512 токенов, а README описывает обучение на окнах по 128 токенов с перекрытием 32 токена. Модель размечает токены тегами B-SKILL, I-SKILL и O. Она дообучена на датасете Mehyaar/Annotated_NER_PDF_Resumes; файлы доступны в форматах ONNX и safetensors, а README сообщает о квантованной ONNX-версии INT8. Лицензия — Apache-2.0. Заявленные метрики показывают высокий охват навыков, но точность извлечения ограничена: общий macro F1 составляет 0,5033, а F1 для B-SKILL и I-SKILL — 0,4110 и 0,2705 соответственно. Описанная в README фильтрация персональных данных относится к подготовке входных данных; карточка не подтверждает, что модель сама удаляет PII или обеспечивает беспристрастность при найме.

Bangla Resume Summarizer — BanglaT5 — это модель для абстрактивного суммирования разделов резюме на бенгальском языке, разработанная в рамках дипломного проекта Onneshon в Bangladesh University of Professionals. Она дообучена на базе csebuetnlp/banglat5 и использует архитектуру T5 encoder-decoder с 123,8 млн параметров. Модель принимает текст одного раздела резюме — цели, опыта работы, образования или навыков — и формирует связное резюме на бенгальском языке длиной примерно 2–3 предложения. В README рекомендовано подавать 2–6 предложений за раз, разделяя их знаком ।. Модель лицензирована по MIT. Обучение проводилось на небольшом наборе из 317 пар суммирования; набор Onneshon включает 100 резюме более чем из 20 профессий. Для необычных профессий результат может быть слишком общим, работа с другими типами документов не проверялась. Входы длиннее 512 токенов будут обрезаны.

Resumator v2 — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2 для сопоставления резюме кандидатов с описаниями вакансий. Она кодирует оба текста в векторы, которые можно сравнивать по косинусному сходству и использовать для ранжирования кандидатов. Модель содержит 136,7 млн параметров; полная размерность эмбеддингов — 768, рекомендуемая — 384. Благодаря обучению Matryoshka Representation Learning векторы можно сокращать до 256 или 128 измерений с небольшим снижением качества. Контекст ограничен 514 токенами. Модель предназначена для подбора вакансий по резюме, ранжирования кандидатов и поиска релевантных соответствий в рекрутинговых системах. В карточке сообщается об оценке на 500 парах резюме и вакансий и о заметном улучшении ранжирования относительно базовой модели; эти результаты получены на конкретном наборе данных и не гарантируют такое же качество на других рынках и выборках. Обучающие данные охватывают технический найм, поэтому модель может хуже работать с нетехническими должностями. Она рассчитана на английский язык и рынок труда США; в карточке также отмечены возможные смещения в оценках, использованных при подготовке обучающих данных. Репозиторий распространяется по лицензии Apache-2.0.

saattrupdan/job-listing-relevance-model — дообученная модель XLM-RoBERTa Base для классификации текстов. Репозиторий содержит 305,2 млн параметров; модель принимает текст и выдаёт метки классификации. По названию предназначена для оценки релевантности объявлений о работе, однако README не описывает её метки и точный сценарий применения. Модель основана на FacebookAI/xlm-roberta-base, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. Опубликована под лицензией MIT.

Llama-3-ChocoLlama-8B-base — базовая языковая модель семейства ChocoLlama, разработанная Matthieu Meeus и Anthony Rathé и адаптированная для нидерландского языка. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена; она дообучена LoRA на 17 млрд нидерландских токенов. Модель предназначена для генерации и понимания нидерландского текста, а также как основа для последующей адаптации под конкретные задачи. Модель может служить основой для генерации и анализа нидерландских текстов о вакансиях, корпоративной отчётности и законодательстве. Это базовая, а не инструкционная модель: она не рассчитана на надёжный диалог и требует дообучения либо применения инструкционной версии для чат-сценариев. Карточка предупреждает о вероятном ухудшении работы с языками кроме нидерландского, включая английский, и об отсутствии специальной дополнительной фильтрации обучающих данных на предвзятый или вредоносный контент. Репозиторий содержит веса PyTorch; лицензия — Llama 3 Community License.

MawaredHR Assistant — дообученная Daemontatox языковая модель для поддержки по вопросам управления персоналом. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует плотную архитектуру Qwen2 с 7,1 млрд параметров; модель рассчитана на генерацию текста и диалоговое взаимодействие. Заявленная длина контекста — 131 072 токена, основной язык — английский. Модель предназначена для ответов на вопросы сотрудников и автоматизации повторяющихся HR-запросов: отпусков, льгот и разъяснения внутренних политик. В карточке указаны обучение с помощью Unsloth и TRL и лицензия Apache-2.0. Качество ответов зависит от полноты и актуальности предоставленных кадровых правил; заявленные возможности карточки не подтверждают подключение к конкретным HR-системам или актуальным документам.

Bangla Resume Summarizer — mT5 — это модель для краткого пересказа на бенгальском языке отдельных разделов резюме: цели, опыта работы, образования и навыков. Её разработали в рамках исследовательского проекта Onneshon в Bangladesh University of Professionals и дообучили на базе csebuetnlp/mT5_multilingual_XLSum. Модель построена на архитектуре MT5ForConditionalGeneration с кодировщиком и декодировщиком и содержит 291,2 млн параметров. На вход подают текст одного раздела резюме, а модель формирует связное резюме из двух-трёх предложений на бенгальском языке. Для генерации требуется добавить специальный языковой токен бенгальского языка; без него вывод может быть на другом языке. Модель ориентирована на резюме, а качество для других типов бенгальских документов не проверялось. Обучающая выборка невелика, поэтому для необычных профессий возможны обобщённые формулировки; входы длиннее 512 токенов обрезаются. Лицензия — MIT.

czw/gpt2-base-chinese-finetuned-job-resume — языковая модель семейства GPT-2, созданная дообучением ckiplab/gpt2-base-chinese на неизвестном наборе данных. Она предназначена для генерации текста по заданному контексту; название указывает на специализацию на резюме и вакансиях, но README не раскрывает конкретные сценарии обучения или применения. Модель использует архитектуру GPT2LMHeadModel, работает с текстом и имеет контекст длиной до 1024 токенов. В карточке приведён результат оценки: loss 2.2658. Репозиторий содержит веса PyTorch, лицензия — GPL-3.0. Состав и качество обучающих данных, языковые возможности и ограничения в README не раскрыты.

JobBERTa — англоязычная модель на базе RoBERTa, разработанная авторами работы NNOSE: Nearest Neighbor Occupational Skill Extraction. Её непрерывно предобучили из чекпойнта roberta-base на примерно 3,2 млн предложений из объявлений о вакансиях; модель содержит 151,8 млн параметров и поддерживает контекст длиной до 514 токенов. Модель предназначена для заполнения пропусков в тексте и может использоваться для анализа формулировок вакансий, в том числе как часть извлечения профессиональных навыков. Доступны веса в форматах PyTorch, ONNX и safetensors. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя.

Employee Micro-SLM — компактная авторская причинная языковая модель на 15,3 млн параметров, разработанная для чтения документов и суммирования сведений о сотрудниках. Она принимает произвольные данные в формате JSON, XML или обычного текста в контексте запроса и предназначена для извлечения фактов и подготовки кратких сводок на их основе. Модель построена с нуля как декодерный Transformer: 6 слоёв, скрытый размер 384, 6 голов внимания, блок SwiGLU и нормализация RMSNorm. Используются RoPE и байтовый BPE-токенизатор со словарём из 2 960 элементов и обработкой любых символов Unicode. Максимальная длина последовательности — 512 токенов; доступны веса PyTorch и заявлена поддержка инференса на CPU и GPU. В карточке заявлены ответы, строго основанные на переданном документе, однако эта гарантия не подтверждена независимыми данными. Небольшой контекст ограничивает размер обрабатываемых документов, а основное назначение модели — сценарии с данными о сотрудниках на английском языке. Лицензия — MIT.

JobBERT — англоязычная модель семейства BERT, разработанная авторами работы SkillSpan: Hard and Soft Skill Extraction from Job Postings. Это модель с 135,5 млн параметров, полученная продолжением предобучения bert-base-cased на примерно 3,2 млн предложений из объявлений о работе. Она предназначена для языкового моделирования по маске: предсказывает пропущенный токен в тексте, в том числе в контексте вакансий и навыков. Модель принимает текст и выдаёт текстовые предсказания; длина контекста составляет 512 токенов. Чекпойнт доступен в форматах PyTorch, Safetensors и ONNX. Лицензия в предоставленных данных не указана. Модель специализирована на текстах вакансий, поэтому её применение к другим жанрам текста может давать менее подходящие предсказания; задача извлечения навыков описана в связанной научной работе, но указанная задача модели в метаданных — fill-mask.

FRSsum — компактная языковая модель на архитектуре LLaMA, разработанная для разбора запросов об учёте посещаемости и кадровых вопросах и формирования ответов с опорой на предоставленный контекст. Модель содержит 10,5 млн параметров, распространяется в формате safetensors и рассчитана на контекст до 512 токенов. В карточке указаны английский язык и лицензия MIT. Модель предназначена для лёгких сценариев HR-ассистента и работы с запросами об attendance. Заявленные в карточке validation loss 0,0662 и perplexity 1,07 приведены без описания набора данных или методики оценки, поэтому сами по себе не подтверждают качество в прикладной среде. Малый размер и короткий контекст ограничивают сложные многошаговые запросы и обработку объёмных документов.

srijavuppala22/distilbert-jd-classifier — модель классификации текста, дообученная автором на базе distilbert/distilbert-base-uncased. Она относит полное описание вакансии к одной из четырёх инженерных специализаций: ai_ml, devops_sre, hardware_embedded или fullstack_swe. Предназначена, в частности, для автоматического выбора подходящего варианта резюме под вакансию. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов с оценками. Максимальная длина контекста — 512 токенов; README рекомендует передавать полный текст вакансии. На небольшом отложенном наборе из 40 примеров автор сообщает macro-F1 в диапазоне 0,85–0,90. Классификатор обучен на общедоступных вакансиях и ограничен четырьмя классами: вакансии других направлений всё равно будут отнесены к ближайшему из них. Качество снижается на коротких описаниях, необычных формулировках и гибридных ролях. Лицензия — MIT.

Это классификатор соответствия резюме вакансии на базе DistilBERT, разработанный для учебного проекта Northeastern IE 7500 по прикладной обработке естественного языка. Модель принимает резюме первым текстом, описание вакансии — вторым, и относит пару к одному из трёх классов: «не подходит», «возможно подходит» или «хорошо подходит». Она дообучена на наборе данных cnamuangtoun/resume-job-description-fit и предназначена для оценки соответствия пары текстов, например в демонстрационном Resume Job Fit Matcher. Архитектура — DistilBertForSequenceClassification; максимальный контекст составляет 512 токенов. Модель рассчитана на английский язык и распространяется под лицензией Apache-2.0. На отложенной тестовой выборке того же набора данных указаны accuracy 0,5020 и macro F1 0,4315; TF-IDF-базовый метод сравнялся с ней или превзошёл её по macro F1.

nakamoto-yama/t5-resume-generation — модель семейства T5, дообученная разработчиком на 10 000 парах описаний вакансий и резюме. Она принимает текст описания вакансии и генерирует структурированное представление резюме в формате JSON, чтобы помочь соискателю адаптировать резюме под требования конкретной позиции и автоматизировать его подготовку. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает до 512 токенов контекста. Она рассчитана на английский язык. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Качество результата зависит от полноты и ясности описания вакансии, а сгенерированное резюме требует проверки человеком. Модель может упускать отраслевые нюансы; кроме того, для фигурных скобок в выводе используются токены RB> и LB>, а не символы { и }.

Voice AI Interview — дообученная на структурированных парах вопросов и ответов для пробных собеседований причинная языковая модель на базе DistilGPT2. Её разработал rajatverma777 для проекта Voice AI Interview, где модель генерирует ответы интервьюера. Архитектура — GPT-2, класс GPT2LMHeadModel; модель принимает текст и генерирует текст, поддерживает английский язык, контекст составляет 1024 токена. Модель предназначена для генерации реплик и вопросов в симуляторах собеседований, в том числе в голосовом помощнике для пробных интервью. Карточка описывает дообучение на собственном структурированном наборе данных интервью, но не приводит оценок качества или деталей охвата профессий и типов интервью. Лицензия — Apache 2.0.

Модель harry767701/AI_1611_llama3.2_3B_Instruct_AI_Interview — дообученная harry767701 версия Llama 3.2 3B Instruct. Она предназначена для генерации текста в диалоговом формате; название репозитория указывает на сценарий подготовки к собеседованиям, но карточка не описывает его конкретные возможности. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Для обучения использовались Unsloth и библиотека TRL.

SES Industry Email Classifier — модель классификации деловых писем японской SES-индустрии, разработанная Наоки Хосокавой (Apple Seed LLC) на основе BERT. Она распределяет письма по трём классам: предложения проектов или вакансий (案件), представления специалистов (要員) и прочая деловая переписка (その他), помогая автоматизировать маршрутизацию и обработку почты. Модель предназначена для японского языка и использует архитектуру BERT для классификации последовательностей; содержит 138,4 млн параметров и принимает до 512 токенов. В карточке указаны accuracy 99,51% и weighted F1 0,99 на тестовой выборке. Модель подходит для предварительной сортировки большого потока писем SES и направления неоднозначных результатов на дополнительную проверку. Она специализирована на письмах этой отрасли и может хуже работать на других типах почты. Для класса «прочее» указана полнота 60% на малой выборке; длинные входы обрезаются до 512 токенов. Лицензия — Apache-2.0.

ResumeBot — модель на базе Google FLAN-T5 Base, дообученная Vittal Pujari для ответов на вопросы о его резюме. Она рассчитана на использование вместе с поисковым компонентом, который подаёт релевантные сведения из резюме в запросе. Модель принимает текст с контекстом из резюме и вопросом и генерирует текстовый ответ. Архитектура — T5ForConditionalGeneration, размер — 123,8 млн параметров, контекст — до 512 токенов. Поддерживаемая задача по метаданным — question-answering; обучение выполнено на парах вопросов и ответов о резюме. Лицензия — Apache-2.0. Модель предназначена для ответов только на основе предоставленной информации из резюме и не является универсальным чат-ботом. Качество ответов зависит от полноты и релевантности контекста, полученного от ретривера; README описывает её как академический проект.

adarsh-08 разработал дообученную модель Qwen2.5-0.5B-Instruct для ответов на вопросы сотрудников о кадровых правилах вымышленной компании NovaTech Solutions. Это причинная языковая модель с архитектурой Qwen2, примерно 493,7 млн параметров и контекстом до 32 768 токенов. Модель обучена методом QLoRA на синтетических парах вопросов и ответов, а адаптер LoRA объединён с базовыми весами для самостоятельного использования. Модель рассчитана на англоязычные вопросы о видах отпусков, страховании и льготах, программах благополучия, оценке эффективности, командировках и расходах, использовании устройств и адаптации новых сотрудников. Она подходит для демонстрации или прототипа внутреннего FAQ-чатбота; README сообщает о хороших качественных ответах на близкие к обучающим примеры вопросы. Лицензия — Apache-2.0. Обучающие данные синтетические и описывают вымышленную компанию, поэтому ответы не являются проверенными правилами реального работодателя или юридической консультацией. Из-за небольшого размера модели и ограниченного набора примерно из 512 примеров она может ошибаться на числах, незнакомых формулировках и темах вне обучающего набора; факты следует сверять с официальными документами.

ProofKit Qwen 0.5B — distilled — это компактная генеративная языковая модель на архитектуре Qwen2, разработанная для приложения ProofKit. Модель основана на Qwen/Qwen2.5-0.5B-Instruct и обучена методом дистилляции: ответы модели-учителя gpt-oss-20b использовались для дообучения студента на примерах ProofKit; LoRA-адаптер затем объединён с весами. Это версия Transformers в формате safetensors, содержащая около 494 млн параметров и поддерживающая контекст до 32 768 токенов. Модель предназначена для создания реалистичных, явно вымышленных рабочих заданий и материалов для портфолио соискателей: профильных испытаний, пошаговых инструкций, обзоров готовности и пакетов для рекрутера. Для надёжной работы ей нужен точный формат запросов ProofKit; свободные или перефразированные запросы могут ухудшить результат. Модель узкоспециализирована и ограничена ёмкостью 0,5 млрд параметров, поэтому не предназначена для общего диалога. Карточка сообщает о лицензии Apache 2.0.

ResumeBot — небольшая модель Karthik H D для ответов на вопросы по одному резюме. Она создана дообучением google/flan-t5-base и генерирует текст на основе фактов о резюме, переданных в запросе. Модель относится к архитектуре T5, содержит 123,8 млн параметров и имеет контекст длиной до 512 токенов. Модель предназначена для демонстрационного чат-бота, который отвечает на вопросы о резюме кандидата на английском языке. Полная система дополняет её TF-IDF-поиском двух подходящих фактов, однако сам чекпойнт не хранит резюме целиком и отвечает только по сведениям, переданным в запросе. Модель распространяется по лицензии Apache-2.0. Набор обучения содержит лишь 26 фактов об одном резюме, поэтому необычные формулировки могут привести к выбору неверного факта и неточному или неполному ответу. Модель не предназначена для общих вопросов или принятия решений о найме и отборе кандидатов.

Это языковая модель thrishala/mental_health_chatbot на архитектуре Llama, дообученная на базе NousResearch/Llama-2-7b-chat-hf методом QLoRA. Она содержит около 6,6 млрд параметров, принимает текст и предназначена для диалоговой поддержки людей по вопросам психического здоровья, включая тревогу, стресс, отношения и личностный рост. Контекст модели составляет до 4096 токенов. Модель может генерировать эмпатичные и персонализированные ответы в чат-ботах и приложениях поддержки. Она не предназначена для медицинской диагностики или кризисного вмешательства и не заменяет профессиональную помощь; возможны ошибки в понимании контекста и смещения, связанные с обучающими данными. Сведения о разработчике и лицензии в доступных материалах отсутствуют.

Misbahuddin/job-title-normalizer-e5-base — дообученный на задаче сопоставления предложений текстовый энкодер на базе intfloat/multilingual-e5-base от разработчика Misbahuddin. Модель нормализует неоднозначные и многоязычные названия должностей: кодирует входное название как запрос, а затем ищет ближайшую каноническую профессию в фиксированном корпусе из 4 055 позиций таксономий ESCO и O*NET. Модель построена на XLM-RoBERTa, содержит 305,2 млн параметров и формирует эмбеддинги размерности 768; обучение с MatryoshkaLoss также рассчитано на усечённые размерности 512, 256, 128 и 64. Контекст — 514 токенов, но модель настроена на короткие названия должностей длиной до 64 токенов. Проверены английский, французский и немецкий языки, включая поиск соответствий с французского и немецкого на английские названия. Для правильной работы нужны префиксы «query:» для входных названий и «passage:» для канонических меток. Модель подходит для нормализации должностей в резюме, вакансиях и HR-системах, а также для семантического и межъязыкового поиска профессий. По данным README, на тесте с профессиями, не встречавшимися при обучении, она превосходит базовую multilingual-e5-base и BM25 по метрикам retrieval. Лицензия — MIT. Названия ролей сами по себе не позволяют делать выводы о кандидатах: модель не предназначена для решений о найме, отборе или оплате труда.