Chonky是一款能够智能地将文本分割成有意义的语义块的Transformer模型，适用于RAG系统。

Set-Encoder是一种专为高效且具有置换不变性的段落重排序设计的跨编码器架构，特别适用于新颖性感知重排序任务。

这是一个文本排序模型，用于对文本进行相关性排序。

rank1是一款基于Qwen2.5-0.5B训练的信息检索重排序模型，通过生成推理链提升相关性判断准确性。

Set-Encoder是一种专为高效且具有置换不变性的段落重排设计的交叉编码器架构。

这是一个基于mDeBERTa-v3-base的法语交叉编码器模型，专门用于段落重排序任务，在mMARCO-fr数据集上表现出色。

一个基于transformers库的句子嵌入模型，用于生成句子的向量表示，支持文本排序任务。

这是一个基于sentence-transformers的句子嵌入模型，可将文本映射到768维向量空间，适用于语义搜索和聚类任务。

基于RankNet损失函数训练的波兰语文本排序模型，适用于信息检索任务

GTE-Large是一个基于ONNX移植的文本嵌入模型，适用于文本分类和相似性搜索任务。

MMLW（我必须得到更好的消息）是波兰语的神经文本编码器，针对信息检索任务进行了优化，能够将查询和段落转换为768维向量。

GTE Tiny 是一个小型通用文本嵌入模型，适用于多种自然语言处理任务。

这是一个基于ELECTRA架构的法语交叉编码器模型，专门用于语义搜索中的段落重排序任务。

DRAGON+ 是一个基于BERT架构的密集检索模型，采用非对称双编码器架构，适用于文本检索任务。

这是一个基于sentence-transformers的模型，能够将句子和段落映射到768维的密集向量空间，适用于句子相似度计算、语义搜索等任务。

这是一个基于sentence-transformers的模型，能够将句子和段落映射到768维的密集向量空间，适用于句子相似度计算、语义搜索等任务。

这是一个基于sentence-transformers的句子嵌入模型，能够将文本转换为768维的向量表示，适用于句子相似度计算和语义搜索等任务。

这是一个基于sentence-transformers的模型，能够将句子和段落映射到768维的密集向量空间，适用于聚类或语义搜索等任务。

这是一个基于sentence-transformers的模型，能够将句子和段落映射到768维密集向量空间，适用于句子相似度计算、语义搜索等任务。

基于DistilBert TAS-B模型的句子嵌入模型，针对语义搜索任务优化，可将文本映射到768维向量空间

这是一个基于sentence-transformers的模型，能够将句子和段落映射到768维的密集向量空间，适用于句子相似度计算、语义搜索等任务。

这是一个基于sentence-transformers的句子嵌入模型，可将文本映射到768维向量空间，适用于语义搜索和文本相似度计算等任务。

这是一个基于sentence-transformers的模型，能够将句子和段落映射到768维的密集向量空间，适用于句子相似度计算和语义搜索等任务。

基于MS Marco段落排序任务训练的英德跨语言交叉编码器模型，适用于信息检索场景的段落重排序。

这是一个适用于英德双语段落重排序任务的跨语言交叉编码器模型，基于MS Marco段落排序任务训练而成。

基于BERT架构的DPR问题编码器模型，用于密集段落检索任务

这是一个基于DistilBERT的句子嵌入模型，能够将文本转换为768维的向量表示，适用于句子相似度计算和语义搜索任务。

基于Contriever预训练模型的微调版本，专为密集信息检索任务优化，采用对比学习方法训练

该模型是基于谷歌mT5-base在TyDi QA数据集上微调的多语言问答模型，支持101种语言的问答任务。

这是一个基于sentence-transformers的句子嵌入模型，能够将文本转换为768维的向量表示，适用于语义搜索和文本相似度计算等任务。