IV.1Ритейл, электронная коммерция и fashion-tech

Модель Data-Lab/multilingual-e5-large-instruct-embedder-tg — дообученный разработчиком Data-Lab Sentence Transformer на базе intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для семантического сравнения текстов. Архитектура включает XLM-RoBERTa, mean pooling и нормализацию; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель ориентирована на поиск похожих товаров по описаниям и другим текстовым запросам. Её можно применять для семантического поиска, поиска перефразировок, кластеризации, классификации текста и оценки сходства. В README приведён пример обучения на русскоязычных описаниях товаров; исходная multilingual E5 рассчитана на многоязычные тексты. В отчёте для набора Triplet указана точность cosine_accuracy 0,9285, но эти результаты не гарантируют такое же качество на других данных. Модель принимает текст и выдаёт векторные представления. Лицензия в предоставленных данных не указана.

mohsayed/para_tr_enar_1 — дообученная модель Sentence Transformers на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная автором репозитория mohsayed. Она преобразует предложения и абзацы в плотные 384-мерные векторы; близость текстов можно оценивать косинусным сходством. Модель предназначена для семантического поиска и сравнения предложений, поиска перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токеновых представлений. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные сообщают нативный контекст 512 токенов. Обучение описано на парах предложений размером 17 702 примера с MultipleNegativesRankingLoss; примеры и оценки включают соответствия между английскими и арабскими названиями товаров. Это указывает на специализацию дообучения на сопоставлении таких текстов, хотя README также заявляет более широкие сценарии применения. Практические сценарии включают поиск похожих товарных наименований, сопоставление вариантов написания и семантический поиск по коротким текстам. Для длинных входов следует учитывать предел последовательности, указанный в README. Лицензия в предоставленных данных не указана.

Adaptive Classifier — адаптивный классификатор категорий товаров на основе answerdotai/ModernBERT-base. Он присваивает тексту один из четырёх классов: книги, одежда, электроника или товары для дома и сада. Модель использует эмбеддинги размерности 768 и механизм непрерывного обучения с добавлением новых классов. Карточка сообщает о 20 примерах обучения — по пять на каждый класс. Для добавления класса требуется не менее трёх примеров; поддерживается до 150 примеров на класс, а прототипы обновляются каждые десять примеров. Модель распространяется в формате safetensors под лицензией Apache-2.0.

faysal725/product-review-sentiment-classifier — классификатор тональности отзывов о товарах, разработанный на основе SetFit и paraphrase-mpnet-base-v2. Он относит текст отзыва к одному из двух классов: положительный или отрицательный, и выдаёт калиброванную оценку уверенности. Модель предназначена для анализа отзывов покупателей, мониторинга обратной связи и группировки мнений по тональности. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст на английском языке. По README, её обучали методом SetFit на 256 примерах с контрастивным обучением; калибровку оценок выполняли методом Platt scaling. На сбалансированной подвыборке Amazon Reviews Binary заявлены accuracy 91,2%, F1 0,913 и Brier score 0,079. Контекстное окно — 514 токенов. Лицензия модели — MIT.

DeepShopper Reward V1 — это дообученная на базе Qwen3-4B модель Flavian V., предназначенная для оценки комплектов одежды. Она принимает текст с описанием потребности и составом комплекта, а затем выдаёт скалярную оценку: более высокий балл означает, что комплект предпочтительнее. Модель обучена сравнивать подходящие и испорченные варианты комплектов методом Bradley–Terry на 93 тысячах пар; проверки на отложенных данных показали высокую точность ранжирования. Модель подходит для ранжирования комплектов в рекомендациях одежды и отбора вариантов с учётом потребности пользователя. Под «хорошим» комплектом понимается сходство с наблюдаемыми или проданными комплектами, поэтому оценка служит приближённым сигналом покупательской привлекательности, а не прямым прогнозом продаж. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3 для классификации последовательностей и имеет контекст до 262 144 токенов. Распространяется по лицензии Apache-2.0.

Карточка модели Runware/Qwen-Image-Edit-2509 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2509, поэтому описание составлено по ней. Qwen-Image-Edit-2509 — модель редактирования изображений от команды Qwen, выпущенная как сентябрьское обновление Qwen-Image-Edit. Она принимает текстовые инструкции и от одной до трёх входных картинок; поддерживает сочетания изображений людей, товаров и сцен, а также условия ControlNet, включая карты глубины, контуров и ключевых точек. Модель предназначена для редактирования изображений с сохранением важных деталей исходника. Она улучшает сохранение личности человека при смене позы и художественного стиля, помогает сохранять идентичность товара при создании постеров, а также позволяет менять текст на изображении, его шрифт, цвет и материал. Среди сценариев применения — создание мемов и постеров, восстановление старых фотографий и комбинирование нескольких изображений. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. Оптимальные результаты для многокартинного ввода заявлены для одного–трёх изображений; численные характеристики размера модели и длины контекста в предоставленных данных отсутствуют.

SearchMap Preview — модель эмбеддингов VPLabs для семантического поиска по товарам и отелям. Это дообученная версия Stella Embed 400M v5 с плотной архитектурой и 433,9 млн параметров. Она кодирует поисковые запросы и описания товаров в векторы, чтобы находить семантически релевантные позиции, в том числе по разговорным запросам и нескольким атрибутам одновременно. Модель предназначена для поиска и рекомендаций в интернет-магазинах, поиска жилья и отелей, векторизации каталогов и сопоставления семантически близких текстов. README заявляет настраиваемую размерность эмбеддингов от 512 до 8192, а метаданные указывают контекст до 8192 токенов. В карточке упоминаются хорошие результаты на задачах семантического сходства, поиска по юридическим и новостным текстам; обучение проводилось на более чем 100 000 товаров из 32 категорий. Поддерживается английский язык; оценка SemRel24STS охватывает 14 языков, но это само по себе не подтверждает полноценную поддержку каждого из них. Модель распространяется по лицензии MIT и может использоваться локально через PyTorch и Sentence Transformers. Среди ограничений карточка отмечает, что модель может недостаточно учитывать вес отдельных терминов, хуже справляться со сленгом и разговорными выражениями; региональные варианты языка могут требовать дообучения.

sayeed99/segformer-b2-fashion — модель семантической сегментации изображений на основе SegFormer B2, дообученная на наборе данных sayeed99/fashion_segmentation. Она размечает пиксели изображения категориями одежды, аксессуаров и деталей: например, футболками, брюками, обувью, сумками, рукавами, карманами, молниями и декоративными элементами. Модель подходит для анализа модных изображений, выделения предметов одежды и их частей, а также подготовки разметки для каталогов и визуальных приложений в сфере моды. Модель принимает изображение и выдаёт карту семантических классов с 47 метками, включая «Everything Else». В карточке указан формат PyTorch и веса Safetensors. Она создана дообучением nvidia/mit-b2; лицензия в метаданных обозначена как other, поэтому условия использования следует проверять в репозитории модели и связанных материалах. В карточке не приведены сведения о языковой поддержке или числовой оценке качества.

SegFormer-B2-Human — модель семантической сегментации изображений на базе архитектуры SegFormer, дообученная автором репозитория sayeed99 на наборе sayeed99/human_parsing_fashion_dataset. Она предназначена для разметки людей и одежды на изображениях: модель выделяет фон, предметы гардероба, аксессуары и части тела, включая лицо, волосы, руки и ноги. В набор классов входят, например, рубашки, брюки, платья, обувь, сумки, очки и детали одежды. Модель использует SegformerForSemanticSegmentation и распространяется в форматах PyTorch и Safetensors для Transformers. README указывает базовую модель nvidia/mit-b2. Метаданные указывают лицензию other; конкретные условия этой лицензии в доступных сведениях не раскрыты.

1038lab/segformer_fashion — модель компьютерного зрения, разработанная 1038lab и размещённая на Hugging Face. Это вариант архитектуры SegFormer, предназначенный для семантической сегментации изображений одежды и элементов fashion-сцен.

t0-beta — открытая модель прогнозирования временных рядов от The Forecasting Company, вторая публичная версия семейства t0. Это трансформер с декодерной архитектурой и патчевым представлением, примерно на 256 млн параметров. Модель строит вероятностные прогнозы на несколько шагов вперёд и нативно учитывает несколько целевых рядов и ковариат. Модель предназначена для одно- и многомерного прогнозирования с историческими и известными будущими ковариатами: например, календарными признаками, праздниками, плановыми событиями, акциями и прогнозом погоды. Она выдаёт 21 квантильный уровень; промежуточные уровни интерполируются, а за пределами обученного диапазона экстраполируются. Весами можно пользоваться через PyTorch или MLX на Apple Silicon. Это beta-версия для исследований, экспериментов и прикладной оценки прогнозирования; прогнозы являются вероятностными оценками, а не гарантиями. Для корректной нормализации входов необходимы tfc-t0 версии 0.5.0 или новее либо tfc-t0-mlx версии 0.1.0 или новее: более ранние версии могут незаметно ухудшить прогноз. Лицензия — Apache-2.0.

Trendyol-LLM-Asure-12B — мультимодальная инструктивная модель компании Trendyol на 12 млрд параметров, дообученная на базе Google Gemma 3 12B. Она принимает текстовые запросы и изображения с текстом, поддерживает диалог и предназначена прежде всего для операционных задач электронной коммерции на турецком и английском языках. Модель выполняет суммаризацию и перефразирование, отвечает на текстовые и визуальные вопросы, извлекает структурированные данные, классифицирует текст и генерирует ответы с заданными ограничениями, в том числе для оценки релевантности. Модель оптимизирована для следования инструкциям и более краткой генерации, что, по заявлению разработчика, помогает сократить расход токенов и повысить эффективность инференса. Её общие энциклопедические знания ограничены, поэтому она лучше подходит для бизнес-задач, чем для широких справочных запросов. Возможны фактические ошибки, неверное понимание сленга и предвзятые или вредоносные ответы; результаты требуют проверки. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — Gemma.

BlueAvenir/vaillant_product_depth_model — модель на базе XLM-RoBERTa, опубликованная в формате PyTorch как Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Контекст модели составляет 514 токенов; в метаданных указано 305,2 млн параметров. Модель подходит для поиска похожих описаний товаров и группировки текстов по смыслу. Карточка указывает обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

Модель aalonso-developer/vit-base-patch16-224-in21k-clothing-classifier — дообученная модель классификации изображений на основе Google ViT Base Patch16 224 In21k. Архитектура Vision Transformer содержит около 113,2 млн параметров; модель принимает изображения и относит их к категориям одежды. Репозиторий содержит веса в формате TensorFlow. В README приведены результаты на оценочной выборке: точность обучения 96,86%, точность валидации 79,06%, а точность с учётом трёх наиболее вероятных классов на валидации — 94,37%. Датасет и перечень классов не описаны, поэтому область применения за пределами классификации одежды не установлена. Лицензия — Apache-2.0.

onnx-community/BEN2-ONNX — модель для удаления фона и сегментации изображений, опубликованная сообществом onnx-community и основанная на PramaLLC/BEN2. Она предназначена для выделения объекта или переднего плана на изображении и формирования маски, которую можно использовать для удаления фона, подготовки изображений для дизайна, каталогов товаров и других задач компьютерного зрения. Модель работает с изображениями и интегрируется с JavaScript-библиотекой Transformers.js, включая выполнение через pipeline с задачей background-removal. README не содержит сведений об архитектуре, числе параметров, размере модели, поддерживаемых языках, максимальном разрешении или других технических характеристиках. Пример использования показывает обработку изображения по URL и сохранение результата в виде PNG-маски, а также экспорт в Canvas или Blob. Сильной стороной модели является возможность применять удаление фона в JavaScript-приложениях через Transformers.js. Ограничения производительности, точности на разных типах изображений и требования к аппаратным ресурсам в README не указаны. Модель распространяется по лицензии MIT.

BEN2-transformersjs — совместимая с Transformers.js копия ONNX-модели BEN2-ONNX, предназначенная для удаления фона на изображениях в браузере. Репозиторий содержит конфигурации и веса ONNX в формате FP16; модель решает задачу сегментации изображений. Модель можно использовать в веб-приложениях для отделения объекта переднего плана от фона. Репозиторий указывает лицензию Apache-2.0. README отсылает к исходной карточке за сведениями о назначении и ограничениях, поэтому дополнительные характеристики качества и использования здесь не заявлены.

BiRefNet_HR-matting — модель сегментации изображений из семейства BiRefNet, представленная в официальном репозитории реализации работы «Bilateral Reference for High-Resolution Dichotomous Image Segmentation». Она предназначена для высокодетального выделения объектов и создания масок прозрачности при обработке изображений. Модель обучалась на изображениях разрешением 2048×2048; в карточке приведены результаты оценки на наборах TE-AM-2k и TE-P3M-500-NP. Она подходит для удаления фона, выделения объекта и получения маттинговой маски с сохранением деталей на изображениях высокого разрешения. Репозиторий содержит веса в формате safetensors и использует библиотеку BiRefNet. Лицензия — MIT. Результаты в карточке сообщаются для режима FP16; качество на других данных и при иных настройках может отличаться.

Cat2Real-DINOv3-384 — модель для получения векторных представлений изображений товаров, созданная дообучением DINOv3 ViT-L/16 компанией или автором zhanganyi88. Она отображает реальные фотографии товаров и каталожные изображения packshot в общее пространство эмбеддингов, чтобы находить визуально похожие изображения. Модель предназначена для поиска товаров по изображению и сопоставления пользовательских фотографий с изображениями из каталога. Это визуальная модель на архитектуре DINOv3 ViT с 402,7 млн параметров; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель извлекает признаки изображений и формирует эмбеддинги для поиска по сходству. Карточка описывает сценарий сопоставления реальных фотографий с packshot-изображениями, но не приводит оценки качества, перечень поддерживаемых категорий товаров или сведения о допустимых размерах входного изображения.

CAT-Tryoff-Flux — модель для виртуального снятия одежды, разработанная автором Black Magic An. Она извлекает и реконструирует вид одежды спереди по изображению человека в этой одежде; для работы используются изображение человека, маска человека и изображение предмета одежды, а seed задаёт случайность результата. Модель основана на FLUX.1-Fill-dev и использует подход CATVTON-FLUX. Её можно применять в сценариях виртуальной примерки и подготовки изображений одежды. В качестве обучающих данных указан датасет VITON-HD. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой Diffusers. Лицензия — CC BY-NC 2.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Карточка не приводит количественных оценок качества и подробностей об ограничениях применимости.

Карточка модели falloutxvats/chronos-2 на Hugging Face совпадает с карточкой amazon/chronos-2, поэтому описание составлено по ней. Chronos-2 — модель временных рядов, разработанная Amazon для прогнозирования без дообучения под конкретный набор данных. Это encoder-only архитектура семейства T5 с 99,1 млн параметров по метаданным; README указывает размер около 120 млн параметров. Модель обрабатывает одномерные и многомерные ряды, а также ковариаты, и строит многократные прогнозы с квантильными оценками неопределённости. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям, в том числе с учётом связанных рядов и дополнительных признаков. README сообщает о групповой механике внимания для обучения в контексте, результатах на fev-bench, GIFT-Eval и Chronos Benchmark II, а также об инференсе на CPU и GPU. Для запуска доступны инструменты экосистемы Chronos и варианты развертывания через Amazon SageMaker и AutoGluon-Cloud. Модель распространяется по лицензии Apache-2.0. Качество прогнозов зависит от данных и сценария применения; README не приводит подробных ограничений по поддерживаемой частоте рядов или допустимой длине входа.

Карточка модели roydekel/chronos-2-kairo на Hugging Face совпадает с карточкой amazon/chronos-2, поэтому описание составлено по ней. Chronos-2 — модель временных рядов, разработанная Amazon для прогнозирования без дообучения под конкретный набор данных. Это encoder-only архитектура семейства T5 с 99,1 млн параметров по метаданным; README указывает размер около 120 млн параметров. Модель обрабатывает одномерные и многомерные ряды, а также ковариаты, и строит многократные прогнозы с квантильными оценками неопределённости. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям, в том числе с учётом связанных рядов и дополнительных признаков. README сообщает о групповой механике внимания для обучения в контексте, результатах на fev-bench, GIFT-Eval и Chronos Benchmark II, а также об инференсе на CPU и GPU. Для запуска доступны инструменты экосистемы Chronos и варианты развертывания через Amazon SageMaker и AutoGluon-Cloud. Модель распространяется по лицензии Apache-2.0. Качество прогнозов зависит от данных и сценария применения; README не приводит подробных ограничений по поддерживаемой частоте рядов или допустимой длине входа.

Chronos-Bolt Base — предварительно обученная модель прогнозирования временных рядов от Amazon. Она построена на архитектуре T5 encoder-decoder, содержит 99,1 млн параметров и принимает исторические значения ряда, разбивая их на патчи. Модель напрямую строит многокроковый вероятностный прогноз в виде квантилей; длина контекста — до 512 наблюдений. Модель предназначена для zero-shot прогнозирования без дообучения на целевых рядах. Её можно применять для прогнозирования спроса, нагрузки и других числовых показателей; README также указывает поддержку ковариат при развертывании через SageMaker. По заявлению разработчиков, Chronos-Bolt быстрее и экономнее по памяти исходных Chronos сопоставимого размера и показывает высокое качество на наборе из 27 датасетов. Модель распространяется в формате safetensors под лицензией Apache-2.0.

Карточка модели CollectionStudio/chronos-bolt-base на Hugging Face совпадает с карточкой amazon/chronos-bolt-base, поэтому описание составлено по ней. Chronos-Bolt Base — предварительно обученная модель прогнозирования временных рядов от Amazon. Она построена на архитектуре T5 encoder-decoder, содержит 99,1 млн параметров и принимает исторические значения ряда, разбивая их на патчи. Модель напрямую строит многокроковый вероятностный прогноз в виде квантилей; длина контекста — до 512 наблюдений. Модель предназначена для zero-shot прогнозирования без дообучения на целевых рядах. Её можно применять для прогнозирования спроса, нагрузки и других числовых показателей; README также указывает поддержку ковариат при развертывании через SageMaker. По заявлению разработчиков, Chronos-Bolt быстрее и экономнее по памяти исходных Chronos сопоставимого размера и показывает высокое качество на наборе из 27 датасетов. Модель распространяется в формате safetensors под лицензией Apache-2.0.

Chronos-Bolt Mini — предварительно обученная модель прогнозирования временных рядов от Amazon. Она построена на архитектуре T5 encoder-decoder и предназначена для прогнозирования без дополнительного обучения на конкретном наборе данных. Исторические наблюдения группируются в патчи и кодируются, после чего модель напрямую формирует вероятностные прогнозы-квантили для нескольких будущих шагов. Модель поддерживает контекст до 512 токенов; в карточке Hugging Face указаны 8,3 млн параметров, тогда как README приводит для этой версии размер 21 млн параметров. Модель подходит для пакетного и производственного прогнозирования временных рядов. По данным README, семейство обучалось почти на 100 млрд наблюдений и заметно быстрее и экономнее по памяти, чем исходные Chronos; в описанном сравнении Chronos-Bolt также показала более точное прогнозирование. Возможна работа с ковариатами через SageMaker JumpStart и AutoGluon. Модель опубликована под лицензией Apache 2.0. Прогнозы могут быть менее надёжными для рядов, существенно отличающихся от данных обучения; для повышения качества README рекомендует рассмотреть дообучение и ансамблирование с помощью AutoGluon.

Chronos-Bolt Mini — предварительно обученная модель прогнозирования временных рядов из семейства Chronos-Bolt, представленная AutoGluon. Она предназначена для zero-shot прогнозов и может применяться через AutoGluon или развёртываться как endpoint в Amazon SageMaker. Модель поддерживает прогнозирование с ковариатами. Архитектура основана на T5 encoder-decoder: исторические наблюдения группируются в патчи и кодируются, после чего декодер напрямую строит квантили для нескольких будущих шагов. В README для Mini указано 21 млн параметров; метаданные репозитория указывают 8,3 млн параметров, поэтому размерные сведения расходятся. Контекст составляет до 512 наблюдений. Семейство обучено на почти 100 млрд наблюдений временных рядов. В сравнении с Chronos того же размера README заявляет до 250-кратного ускорения и в 20 раз меньший расход памяти. Модель подходит для прогнозирования временных рядов без дообучения, в том числе с ковариатами. README сообщает о результатах сравнений на 27 наборах данных, но это не гарантирует качество на конкретных данных. Лицензия репозитория — Apache-2.0.

Chronos-Bolt-Tiny — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она построена на архитектуре T5 encoder-decoder и предназначена для прогнозирования без дообучения на новых рядах. Исторические наблюдения группируются в патчи и кодируются; декодер напрямую строит многократные прогнозы будущих значений в виде квантилей. В README для этой версии указано 9 млн параметров, а метаданные репозитория указывают 3,7 млн; контекст составляет до 512 наблюдений. Модель обучалась на почти 100 млрд наблюдений временных рядов. Модель подходит для прогнозирования спроса, показателей бизнеса, сенсорных измерений и других временных рядов, в том числе на CPU или GPU через SageMaker JumpStart. По данным README, семейство Chronos-Bolt быстрее и экономнее по памяти, чем исходные Chronos, и демонстрирует высокую точность на нескольких наборах данных; конкретные результаты могут зависеть от данных и сценария. Для производственного применения README рекомендует AutoGluon, который позволяет дообучать модель, учитывать ковариаты и объединять прогнозы с другими моделями. Лицензия репозитория — Apache-2.0.

Chronos-T5 Small — предварительно обученная модель для прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует историю числового ряда в токены посредством масштабирования и квантования, а затем autoregressive модель на архитектуре T5 генерирует возможные продолжения. Выборка нескольких будущих траекторий позволяет получать вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Семейство обучалось на открытых рядах и синтетических данных, созданных с помощью гауссовских процессов. В репозитории указано 46 млн параметров для варианта Small, тогда как метаданные этой модели указывают 24,1 млн параметров; контекст — 512 токенов. Лицензия — Apache 2.0.

Модель yangheng/deberta-v3-base-end2end-absa разработана на основе microsoft/deberta-v3-base и дообучена для сквозного анализа тональности по аспектам. Она совместно выделяет в тексте аспекты и определяет тональность каждого аспекта одной головой классификации токенов, используя метки в формате IOB с категориями Positive, Negative и Neutral. Результаты включают символьные границы найденных фрагментов исходного текста. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. Карточка указывает поддержку английского и китайского языков. Модель подходит для анализа отзывов и других текстов, где нужно связать оценку с конкретным аспектом продукта или услуги. Распространяется по лицензии MIT. Длинные входы обрезаются до предельной длины последовательности. Схема тональности ограничена положительной, отрицательной и нейтральной категориями; для дополнительных категорий модель нужно переобучить.

Luong23/e5-finetune-embedding-v2 — это дообученная модель Sentence Transformers на основе intfloat/multilingual-e5-base, разработанная автором репозитория Luong23. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска и извлечения релевантных текстов; близость векторов можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, усредняющий pooling и нормализацию. В обучении использовались пары anchor-positive и MultipleNegativesRankingLoss; примеры датасета относятся к вьетнамским товарным запросам и описаниям. Метаданные указывают 305,2 млн параметров и контекстное окно до 514 токенов; карточка Sentence Transformers задаёт максимальную длину последовательности 256 токенов. Модель принимает текст и выдаёт эмбеддинги. Базовая модель многоязычная, но карточка не перечисляет языки, на которых дообученная версия проверена. Лицензия в предоставленных данных не указана.

Это компактная статическая модель эмбеддингов для семантического поиска товаров в каталогах интернет-магазинов. Её разработал albertobarnabo как дистилляцию дообученной модели ecommerce-product-search-embeddings с помощью model2vec; представления имеют размерность 256. Модель рассчитана на работу на CPU без GPU и без прохода трансформера, поэтому подходит для устройств с ограниченными ресурсами и высоконагруженного кодирования запросов и названий товаров. Модель сопоставляет короткий поисковый запрос с товарами по смыслу и предназначена для сценариев вроде поиска с автодополнением, поиска в каталогах Shopify и WooCommerce и пакетного построения эмбеддингов. В карточке приведены результаты оценки на тестовой выборке ESCI и указано, что скорость достигается ценой снижения качества относительно родительской модели и общего трансформера. Статические эмбеддинги не учитывают порядок слов, поэтому хуже работают с запросами, где важны порядок или отрицание. Модель распространяется по лицензии Apache-2.0.