IV.5Образование и развитие навыков

Magenta RealTime 2 — открытая модель генерации музыки от Google DeepMind для непрерывного создания и управления музыкальным аудио в реальном времени на устройстве. Она поддерживает управление текстовыми запросами, аудиопримерами и MIDI и рассчитана на потоковую работу с низкой задержкой. Система включает аудиокодек SpectroStream, модель MusicCoCa для совместного представления аудио и текста и авторегрессионный decoder-only Transformer, который генерирует аудиотокены с покадровым управлением. В карточке описаны конфигурации на 2,4 млрд и 230 млн параметров; кодек работает со стереозвуком 48 кГц. Модель подходит для интерактивного музицирования, живых выступлений, игровых саундтреков и музыкальных экспериментов. Модель ориентирована прежде всего на инструментальную музыку; при отдельных запросах возможны вокальные звуки без разборчивых слов. В карточке отмечены ограничения охвата жанров и несловесных вокализаций. Код распространяется по Apache 2.0, веса — по CC BY 4.0; условия использования запрещают создавать материалы, нарушающие права других лиц, включая авторские права.

Meditron-70B-v1.0 — медицинская языковая модель команды EPFL LLM Team, созданная на основе Llama-2-70B методом продолжения предобучения на медицинском корпусе и общих текстах RedPajama-v1. Это авторегрессионный трансформер с 70 млрд параметров, который принимает текст и генерирует текст; контекст составляет 4 тыс. токенов. Модель рассчитана главным образом на английский язык. Модель предназначена для исследований и оценки медицинских языковых моделей, включая ответы на медицинские экзаменационные вопросы, поддержку дифференциальной диагностики и ответы на общие вопросы о здоровье. В README сообщается о результатах выше Llama-2-70B и ряда других моделей на нескольких медицинских задачах рассуждения, однако модель не адаптирована для безопасных клинических рекомендаций и может давать неточные или устаревшие ответы; срез знаний — август 2023 года. Веса распространяются по лицензии Llama 2 Community License Agreement, а код — по Apache 2.0. Разработчики не рекомендуют применять модель в производственной среде или для решений, влияющих на пациентов, без тщательной адаптации и проверки, включая оценку в реальных условиях.

MindChat-Qwen-1_8B — китайская модель для психологических диалогов, разработанная командой проекта MindChat под руководством доцента Сюэ Дуна из Восточно-Китайского университета науки и технологий. Это плотная языковая модель семейства Qwen с 2,3 млрд параметров и контекстом 8192 токена; репозиторий содержит веса Safetensors. Модель обучена на очищенных многоходовых диалогах о работе, семье, учёбе, повседневной жизни, общении и безопасности. Модель предназначена для поддерживающих бесед, обсуждения эмоциональных переживаний и повседневных психологических трудностей. Её можно применять для диалоговой поддержки в темах учёбы, работы, семьи и отношений. Карточка также описывает психологическую оценку и диагностику как цели проекта MindChat в целом, но не подтверждает специальные возможности этой версии на уровне 1,8B. README распространяет модель по GPL-3.0: для академического использования требуется соблюдать условия лицензии и цитировать репозиторий; коммерческое использование предлагается согласовать с авторами. Разработчики предупреждают, что ответы могут быть ошибочными или вредными и модель не заменяет профессиональную психологическую помощь или терапию.

OceanGPT-o — мультимодальная модель для задач океанологии, разработанная командой OceanGPT и дообученная на основе Qwen2.5-VL-7B-Instruct на англоязычных и китайскоязычных данных об океане. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для диалога и генерации ответов по океанологии, в том числе с опорой на изображения. README указывает на ограниченную поддержку некоторых типов сонарных и океанологических изображений; базовая модель также поддерживает визуальный ввод. Для использования доступна лицензия MIT. Авторы предупреждают о галлюцинациях, зависимости ответов от формулировки запроса и нестабильности результатов при повторных попытках. Возможности визуального анализа ограничены отдельными типами изображений, а функции симулированного воплощённого интеллекта ограничены и требуют недоступных инструкций симулятора.

OctoMed-4B — мультимодальная медицинская модель для визуальных вопросов и клинического рассуждения, разработанная командой OctoMed на базе Qwen3-VL-4B-Instruct. Модель дообучена методом supervised fine-tuning на медицинском наборе данных с более чем 8 млн трасс рассуждений и 6,8 млрд токенов ответов; в карточке заявлено получение этих трасс из DeepSeek-R1 и GPT-4o. Архитектура — плотная Qwen3-VL с 4 млрд параметров; модель принимает текст и изображения и отвечает текстом. Основной сценарий — ответы на медицинские вопросы по изображению в формате multiple-choice VQA. Авторы сообщают о сильных результатах на медицинских бенчмарках вне обучающего распределения. Модель может формировать внутренние трассы рассуждений разной длины, но другие задачи, помимо VQA с выбором ответа, широко не проверялись. Лицензия — Apache-2.0.

OctoMed-7B — мультимодальная медицинская модель рассуждений, созданная командой OctoMed на основе Qwen2.5-VL-7B-Instruct с помощью курирования данных и supervised fine-tuning. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами; её нативный контекст составляет 128 000 токенов. Модель предназначена прежде всего для медицинских задач визуальных вопросов и ответов с выбором из нескольких вариантов, включая анализ изображений и клинические вопросы. Для обучения подготовили более 8 млн трасс рассуждений общим объёмом 6,8 млрд токенов, используя данные, полученные с помощью DeepSeek-R1 и GPT-4o. Карточка сообщает о сильных результатах на медицинских тестах вне обучающего распределения; доступны запуск через Transformers и vLLM. Модель чувствительна к системному промпту, поэтому авторы рекомендуют стандартный промпт. Она дообучена преимущественно для VQA с выбором ответа; другие задачи следования инструкциям широко не проверялись. Лицензия — Apache-2.0.

ORANSight Llama-8B Instruct — разговорная языковая модель, разработанная NextG Lab при Университете штата Северная Каролина. Это дообученная версия Meta-Llama-3.1-8B-Instruct-bnb-4bit с архитектурой LlamaForCausalLM и 7,5 млрд параметров; модель опубликована в формате Safetensors и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалога и генерации ответов в роли помощника по O-RAN: например, для объяснения интерфейсов и понятий O-RAN. README показывает использование через Transformers и system prompt с ролью эксперта O-RAN. Поддерживается англоязычное взаимодействие; метаданные также отмечают интерфейс вызова инструментов. Модель распространяется по лицензии Llama 3.1. Подробная статья с результатами экспериментов в карточке обозначена как готовящаяся к публикации, поэтому приведённые сведения не устанавливают её качество в профильных задачах.

Parakeet RNN-T 0.6B SAPC1 + SAPC2 + synthetic speech — англоязычная модель автоматического распознавания речи для дикции при дизартрии. Разработчик дообучил extraordinarylab/parakeet-unified-en-0.6b на очищенных от дублей записях SAP Challenge 1 и 2, дополнив их синтетической речью. Это плотная модель архитектуры Parakeet RNN-T с классом ParakeetForRNNT; репозиторий содержит веса Safetensors для Transformers. Модель предназначена для исследований и оценки распознавания речи людей с дизартрией, в том числе в сценариях SAP Challenge, а также может служить начальной точкой для адаптации под говорящего или предметную область. В README приведены результаты жадного декодирования на отложенной выборке SAPC2: WER 11,32% и CER 7,16%. Встроенный generate() использует жадное декодирование; для адаптера оценки применялся отдельный RNN-T beam search с размером луча 2. Качество зависит от говорящего, причины и тяжести дизартрии, условий записи и типа высказывания. Данные SAP могут не представлять всех людей с дизартрией, а синтетическая речь может сохранять артефакты и смещения записей и системы синтеза. Модель может пропускать, заменять или галлюцинировать слова, поэтому не подходит как единственное основание для клинических, юридических, критически важных или связанных с доступом решений. Лицензия — CC BY 4.0.

Philidor 51M — небольшая авторская языковая модель, обученная с нуля для предсказания шахматных ходов по последовательности ходов в нотации UCI. Она не использует представление доски или явно заданные правила: декодерный Transformer предсказывает следующий ход на основе партий людей. В свободной генерации 97,86% предложенных ходов легальны; на отложенной выборке совпадение с ходом человека составляет 51,42% для top-1 и 88,72% для top-5. Модель имеет архитектуру LlamaForCausalLM: 16 слоёв, ширина 512, 8 голов внимания, 52,4 млн параметров и контекст до 256 ходов. Обучена на англоязычных и франкоязычных данных карточки модели, включая около 804 млн ходов из публичных архивов Lichess за июль 2026 года. Для исключения нелегальных ходов README рекомендует маскировать невозможные ходы с помощью приложенного словаря UCI. Лицензия — MIT. Модель не умеет продолжать партию из произвольной позиции FEN, играет без поиска и уступает более сильным шахматным движкам; без маскирования около 2% предлагаемых ходов нелегальны. В эндшпилях её качество ниже, чем в дебютной части партии.

tarn59/pixel_art_style_lora_z_image_turbo — LoRA-адаптер для генерации изображений в стиле пиксель-арт на базе модели Tongyi-MAI/Z-Image-Turbo. Адаптер предназначен для сценариев text-to-image, где требуется стилизовать результат под пиксельную графику; в карточке модели приведены примеры интеграции с Diffusers и несколько демонстрационных изображений. Для активации стиля рекомендуется использовать триггерную фразу «Pixel art style.» в текстовом запросе. Архитектура адаптера, его размер, поддерживаемые языки, точное число параметров и максимальная длина контекста не указаны. Модель ориентирована на генерацию изображений, однако характеристики базовой модели и требования к аппаратному обеспечению в карточке не раскрыты. Основное преимущество адаптера — специализированная стилизация под пиксель-арт при использовании совместимой базовой модели Z-Image-Turbo. Ограничения связаны с зависимостью от этой базовой модели и отсутствием подробных сведений о качестве, диапазоне поддерживаемых сцен и рекомендуемых параметрах генерации. Модель распространяется по лицензии Apache-2.0.

Elfrino/PsyMedDestroyer — текстовая модель генерации на архитектуре Llama, созданная путём слияния предварительно обученных языковых моделей seb-c/Psydestroyer-20B и Undi95/PsyMedRP-v1-20B. Слияние выполнено методом SLERP с помощью mergekit. Модель содержит 19,8 млрд параметров и имеет контекстное окно 4096 токенов. Модель предназначена для генерации текста и, судя по названиям исходных моделей, может применяться в психологических и медицинских ролевых сценариях. Это ориентир по тематике, а не подтверждение пригодности для профессиональной медицинской или психологической помощи. Данных о лицензии и поддерживаемых языках в предоставленной карточке нет.

LLMSafety/Qwen2.5-Math-7B-4bit — модель из экосистемы Hugging Face Transformers с 4-битным представлением и заявленным размером 7B, однако README не подтверждает её архитектуру, разработчика, базовую модель или назначение. По идентификатору можно предположить связь с Qwen2.5 и математическими задачами, но эти сведения не описаны в карточке и не должны считаться подтверждёнными. В README отсутствуют данные о поддерживаемых языках и модальностях, размере контекста, сценариях использования, результатах оценки, обучающих данных, ограничениях, рисках, способах запуска и лицензии. Поэтому надёжно охарактеризовать сильные стороны модели, область применения и условия использования невозможно.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на основе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 3, предназначен для генерации текста в диалоговом формате; название и этап обучения указывают на эксперимент с онлайн-рубриками для медицинской тематики. Модель принимает текст и выдаёт текст, а её контекстное окно составляет до 262 144 токенов. Модель распространяется в формате BF16 для инференса; в репозитории также сохранены файлы исходного veRL-чекпойнта с параметрами модели. README ограничивает использование исследовательскими целями. Лицензия Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт шага 19 создан в рамках запуска RaR-Medicine OnlineRubrics-Every и предназначен для генерации текста в диалоговом формате; модель можно применять для экспериментальной оценки ответов по медицинским рубрикам. Контекст модели — до 262 144 токенов. Модель работает с текстом и предназначена для диалоговых сценариев. В репозитории есть веса BF16 для инференса и оригинальные файлы чекпойнта veRL. Карточка указывает исследовательское использование; лицензия — Apache-2.0.

SeongryongJung/qwen3-8b-material-sdpo-ema005 — контрольная точка Qwen3-8B, дообученная методом SDPO на наборе данных material. Репозиторий содержит последнюю контрольную точку обучения, global_step_100, преобразованную в формат Transformers; это плотная авторегрессионная языковая модель с 7,6 млрд параметров и контекстом до 40 960 токенов. Модель предназначена для генерации текста и оценки сценариев из области материалов. В README приведён лучший результат валидации mean@16 — 73,34% на шаге 70; загруженная последняя контрольная точка показала 71,68%, поэтому лучший показатель не следует считать результатом опубликованных весов. Модель принимает текст и выдаёт текст. Карточка не уточняет языковой состав набора material. Лицензия — Apache-2.0.

SejongKRX/RevThink-Sejong-Qwen-Instruct-v1 — дообученная SejongKRX модель семейства Qwen2 для генерации текста и диалогов. Она создана на базе unsloth/qwen2.5-7b-instruct-bnb-4bit с использованием Unsloth и библиотеки TRL; размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для текстовых запросов и ответов в разговорном формате. В метаданных указан датасет RevThink-financial-mmlu-ko, что указывает на финансовые вопросы на корейском языке как область обучения, однако карточка не описывает конкретные результаты или гарантированные финансовые возможности модели. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Основные ограничения: описание не приводит оценок качества, подробностей обучения или проверок ответов; финансовые выводы модели требуют независимой проверки.

SanskritGPT-Itihasa — авторская модель Dhruvil8, обученная с нуля на текстах «Махабхараты» и «Рамаяны». Это декодерный трансформер архитектуры GPT-2 примерно с 42 млн параметров; он генерирует санскритские стихи письмом деванагари и позволяет задавать стилистический регистр одной из двух эпических поэм. Модель предназначена для вычислительной лингвистики, цифровых гуманитарных исследований, учебных демонстраций и создания черновых стихов с последующей проверкой специалистом. Обучение на корпусе классического санскрита помогает воспроизводить эпическую лексику, метр Ануштубх и некоторые закономерности сандхи. Контекст ограничен 512 токенами. Модель имитирует статистические особенности текстов, но не понимает их смысл; возможны ошибки сандхи и воспроизведение отдельных фрагментов обучающего корпуса. Сгенерированный текст не является подлинным писанием и не подходит для религиозного использования, авторитетного толкования или научного перевода. Лицензия — MIT.

EmanHassan26/sd-class-butterflies-32 — диффузионная модель, созданная в рамках учебного курса по diffusion-моделям. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса, используя DDPMPipeline из библиотеки Diffusers. Модель распространяется в форматах Diffusers и Safetensors по лицензии MIT. Карточка не сообщает размер модели, разрешение изображений и языковую поддержку; текстовый ввод не требуется.

Microscopic model V1 — модель генерации изображений, созданная Fictiverse дообучением Stable Diffusion 1.5 на микроскопических изображениях. Она предназначена для создания изображений по текстовым запросам в микроскопической тематике; в запросах рекомендуется использовать слово «Microscopic». Модель работает через StableDiffusionPipeline библиотеки Diffusers и распространяется в формате Diffusers с весами PyTorch и SafeTensors. Модель подходит для генерации изображений микроскопических объектов и существ, а также для визуальных экспериментов с такой стилистикой. Лицензия — OpenRAIL. Длина контекста и список поддерживаемых языков не заявлены; примеры и рекомендации в карточке приведены на английском.

The Dark Night — модель генерации изображений по тексту, созданная Yntec и основанная на Luma 0.98. Это объединение Cryptids LoRA и SXZ DigitalUnitsCreationKit с последующими слияниями Elldreth’s Retro Mix и AgarthaChadStyle: они улучшают связность изображений и проработку глаз. Модель рассчитана на создание персонажей, животных, фэнтезийных сцен, игровых ассетов, иконок и стилизованных иллюстраций; автор отмечает, что исходную версию было трудно задавать промптами. Для пейзажей и предметов автор рекомендует вариант Beta, который уступает основной версии в изображении персонажей и животных. Модель использует архитектуру Stable Diffusion 1.5 и распространяется в формате Diffusers с весами Safetensors. В README приведены примеры промптов для портретов, милых персонажей и животных, а также игровых фэнтезийных ландшафтов. Репозиторий предоставляет производную модель, а не отдельную базовую архитектуру. Лицензия — CreativeML OpenRAIL-M.

Migga/ViT-BERT-Chess-V2 — дообученная модель на базе архитектуры VisionEncoderDecoder, которая принимает изображение и генерирует текст. По названию она связана с шахматами, однако README не описывает её конкретное назначение, обучающие данные или сценарии применения; метаданные подтверждают только задачу image-text-to-text и поддержку зрения. В README приведено значение функции потерь 3,7128 на оценочном наборе. Модель опубликована в формате PyTorch. Базовая модель и лицензия в предоставленных сведениях не обозначены. Без описания данных и результатов нельзя оценить качество распознавания или генерации текста и установить, какие именно шахматные задачи она решает.

Модель classla/Wav2Vec2BertPrimaryStressAudioFrameClassifier разработана Петером Рупником, Николой Любешичем и Иваном Порупски. Это аудиоклассификатор кадров на базе Wav2Vec2-BERT с 402,7 млн параметров, дообученный на обучающей части ParlaStress-HR. Он размечает положение основного ударения в словах с шагом 20 мс и предназначен для анализа ударения в речи. Модель рассчитана на хорватский, сербский и словенский языки, включая чакавский вариант хорватского. В описанных тестах точность составила 99,1% для хорватского, 99,3% для сербского и 88,9% для чакавского. Авторы сообщают о проверке на четырёх наборах данных и рекомендуют прямое использование для анализа положения основного ударения. Лицензия — Creative Commons Attribution-ShareAlike 4.0 (CC BY-SA 4.0).

Модель Wang Qimeng и Zhu Zilong для классификации изображений листьев томата по 10 категориям болезней и поражений. Это полноразмерное дообучение Swin Transformer Tiny на базе microsoft/swin-tiny-patch4-window7-224; архитектура Swin содержит около 33 млн параметров по метаданным. Модель принимает изображение и выдаёт класс заболевания. Для обучения использован набор PlantVillage Tomato Disease Dataset. Авторы сообщают о точности 97,4% на независимой тестовой выборке из 15 011 изображений; точность для ранней пятнистости составила 94,3%, а для вируса мозаики томата — 100%. Эти результаты относятся к лабораторным изображениям PlantVillage. На фотографиях из поля, при сложном фоне, естественном освещении или съёмке телефоном точность может снизиться; перед внедрением рекомендуется дообучение на полевых данных. Модель распространяется по лицензии MIT.

Это модель компьютерного зрения miquic/app-odonto-diagnostico-yolov8s, созданная в учебном проекте app-odonto для обнаружения стоматологических находок на панорамных рентгенограммах. Модель основана на YOLOv8s от Ultralytics и дообучена на весах, предварительно обученных на COCO; размер входного изображения при обучении — 1280 пикселей. Она выделяет четыре класса: ретинированные зубы, кариес, периапикальные поражения и глубокий кариес. Для обучения использован поднабор quadrant-enumeration-disease набора DENTEX. На тесте из 106 изображений модель показала общий mAP50 0,540; результаты заметно различаются по классам. Модель предназначена для экспериментов и помощи в анализе снимков, но клинически не валидирована и не должна использоваться для принятия медицинских решений. Для периапикальных поражений отмечен низкий recall; часть срабатываний на кариес может быть неопределимой по одному рентгеновскому снимку. Лицензия — CC BY-NC-SA 4.0.

AX-3.1-Light v0.21 Medical+Numerical 600 — экспериментальная корейскоязычная модель для диалогов и генерации текста, созданная разработчиком репозитория на базе skt/A.X-3.1-Light. Модель размером 6,8 млрд параметров дообучена методом LoRA SFT на смешанном наборе из 5 801 записи, затем веса адаптера объединены с базовой моделью. Репозиторий содержит самостоятельные веса BF16 в формате safetensors; для запуска доступны Transformers и vLLM. Модель предназначена для контролируемой оценки и экспериментов с ответами на медицинские вопросы и задачами числового машинного чтения на корейском языке. Она использует архитектуру Llama с плотной причинной языковой моделью, поддерживает диалоговый режим и имеет контекст до 32 768 токенов. В обучающую смесь вошли выборки из корейских наборов AI Hub по медицинским знаниям и числовым вычислениям; README сообщает об отсутствии публичных бенчмарковых вопросов и ответов в обучении. Модель может ошибаться или выдавать небезопасные ответы, поэтому её результаты в медицинских и числовых задачах требуют проверки и не заменяют профессиональную консультацию. Лицензия — Apache-2.0.

Bestie Gen Z — компактная чат-модель на базе Qwen2.5-1.5B-Instruct с LoRA-адаптером, который придаёт ответам неформальный стиль общения в духе англоязычного поколения Z, сохраняя возможности базовой модели. Разработчик представил её как локальную модель для запуска через llama.cpp; в репозитории есть слитная версия GGUF, базовая модель в Q4_K_M и отдельный адаптер LoRA. Модель предназначена для повседневных вопросов, объяснений, помощи в учёбе и непринуждённого общения. Она рассчитана на английский язык и отражает сленг и манеру речи, актуальные на момент подготовки модели в 2026 году. LoRA обучена на небольшом наборе примерно из 165 примеров, поэтому могут повторяться фирменные фразы или появляться посторонние токены. При размере 1,5 млрд параметров модель может галлюцинировать или чрезмерно упрощать ответы; она не предназначена для формального письма и не проходила дополнительную настройку безопасности сверх базовой модели. Лицензия — Apache-2.0.

BiMediX-Eng — англоязычная версия медицинской диалоговой модели BiMediX, разработанной исследователями Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI). Она предназначена для медицинских взаимодействий на английском и арабском языках: отвечает на закрытые вопросы, ведёт диалог и решает задания с выбором ответа. Модель основана на Mixtral-8x7B-Instruct-v0.1 и использует архитектуру Mixtral с экспертами (MoE); в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Для обучения использован набор медицинских диалогов BiMed1.3M-English. Модель принимает текст и генерирует текст; карточка сообщает о результатах на медицинских бенчмарках, но не приводит полную таблицу результатов. Модель может галлюцинировать, проявлять токсичность и воспроизводить стереотипы. Её рекомендуют использовать только в исследовательских целях, поэтому ответы не следует считать медицинским диагнозом или профессиональной рекомендацией. Лицензия — CC BY-NC-SA 4.0.

Claudius 400M Base — базовая языковая модель, разработанная fbandov и обученная с нуля только на латинских текстах. Это плотная авторегрессионная модель семейства Llama с 342 млн параметров, контекстом 2 048 токенов и весами в формате safetensors; для работы используется библиотека Transformers. Обучение охватило около 6,8 млрд токенов из классической, средневековой и неолатинской литературы, преимущественно схоластических и церковных текстов. Модель предназначена для продолжения латинского текста, генерации прозы и стихов, а также для дальнейшего предобучения или дообучения. Она не обучалась выполнять инструкции или вести диалог; автор рекомендует для большинства сценариев генерации использовать дообученную версию fbandov/claudius-latin-400m. Модель может писать грамматически связную латынь, но ненадёжно отвечает на фактические вопросы и способна выдумывать сведения. Стиль модели тяготеет к средневековой латыни; она может воспроизводить заголовки глав и номера разделов, а генерируемый текст выводится заглавными буквами. Греческий язык в обучающие данные не входил. Лицензия весов — CC BY-SA 4.0.

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.

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.