Find your ideal AI model.

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

**Note:** Check out my new, updated models: German_Semantic_V3 and V3b! This is a sentence-transformers model: It maps sentences & paragraphs to a 1024 dimensional dense vector space and can be used for tasks like clustering or semantic search. Special thanks to deepset for providing the model gBERT-large and also to Philip May for the Translation of the dataset and chats about the topic.

This is a sentence-transformers model finetuned with wandb-ai from sentence-transformers/all-MiniLM-L6-v2. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. For this case, it uses for column standardization.

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

FRIDA is a full-scale finetuned general text embedding model inspired by denoising architecture based on T5. The model is based on the encoder part of FRED-T5 model and continues research of text embedding models (ruMTEB, ru-en-RoSBERTa). It has been pre-trained on a Russian-English dataset and fine-tuned for improved performance on the target task. For more model details please refer to our article (RU). The model's results are presented on the MTEB and rusBEIR leaderboards. The model can be used as is with prefixes. It is recommended to use CLS pooling. The choice of prefix and pooling depends on the task.

The ru-en-RoSBERTa is a general text embedding model for Russian. The model is based on ruRoBERTa and fine-tuned with ~4M pairs of supervised, synthetic and unsupervised data in Russian and English. Tokenizer supports some English tokens from RoBERTa tokenizer. The model can be used as is with prefixes. It is recommended to use CLS pooling. The choice of prefix and pooling depends on the task. We use the following basic rules to choose a prefix: - `"search_query: "` and `"search_document: "` prefixes are for answer or relevant paragraph retrieval - `"classification: "` prefix is for symmetric paraphrasing related tasks (STS, NLI, Bitext Mining) - `"clustering: "` prefix is for any tasks that rely on thematic features (topic classification, title-body retrieval)

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

+ SberDevices Team. + Aleksandr Abramov: HF profile, Github, Kaggle Competitions Master; + Denis Antykhov: Github; + Ibragim Badertdinov: Github

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search. Without sentence-transformers, you can use the model like this: First, you pass your input through the transformer model, then you have to apply the right pooling-operation on-top of the contextualized word embeddings. For an automated evaluation of this model, see the *Sentence Embeddings Benchmark*: https://seb.sbert.net

Для получения более подробной информации о технических деталях, пожалуйста, обратитесь к нашей статье. Для достижения более точных результатов при работе с эмбеддингами, особенно в задачах поиска и извлечения информации (retrieval), рекомендуется добавлять инструкцию на естественном языке перед текстовым запросом (query). Это помогает модели лучше понять контекст и цель запроса, что положительно сказывается на качестве результатов. Важно отметить, что инструкцию нужно добавлять только перед запросом, а не перед документом. Для **симметричных задач**, таких как классификация (classification) или семантическое сравнение текстов (semantic text similarity), инструкцию необходимо добавлять перед каждым запросом. Это связано с тем, что такие задачи требуют одинакового контекста для всех входных данных, чтобы модель могла корректно сравнивать или классифицировать их.

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

Следующая итерация серии Giga-Embeddings. Модель текстовых эмбеддингов на основе архитектуры Qwen3, адаптированная под **двунаправленное (encoder-style) внимание** и обученная с контрастивной функцией потерь (InfoNCE). Модель строит плотные эмбеддинги предложений/абзацев для задач поиска (retrieval), семантического сравнения, классификации и кластеризации, показывая высокое качество на русском и английском языках. Модель обучалась с **mean pooling + L2-нормализацией**. Использование CLS/last-token пулинга даст неверные результаты. Если вы используете `transformers` напрямую, необходимо самостоятельно усреднить (mean-pool) по не-паддинговым токенам и затем применить L2-нормализацию (см. пример ниже). В примерах для `sentence-transformers` и vLLM это делается автоматически. Сравнивайте эмбеддинги через косинусную близость (скалярное произведение нормированных векторов). Модель обучалась в **инструктивном стиле**: для retrieval и других асимметричных задач необходимо добавлять инструкцию к **запросу** (query), а документы кодируются как есть, без инструкции. Формат:

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow

基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。

Basic profile indexed · More details to follow