I.11Классификация, ранжирование и сопоставление

Карточка модели nleeson/multilingual-e5-small на Hugging Face совпадает с карточкой intfloat/multilingual-e5-small, поэтому описание составлено по ней. Multilingual-E5-small — модель текстовых эмбеддингов, разработанная авторами технического отчёта Multilingual E5. Это компактная 12-слойная модель архитектуры BERT с 124,3 млн параметров и размерностью эмбеддингов 384; она инициализирована из microsoft/Multilingual-MiniLM-L12-H384 и дополнительно обучена на смеси многоязычных наборов данных. Модель преобразует тексты в векторы для поиска и сравнения по смыслу, включая межъязыковой поиск, поиск фрагментов для систем вопросов и ответов, семантическое сходство, подбор перефразировок и кластеризацию. Для разных типов текста следует использовать префиксы «query: » и «passage: » согласно сценарию; без них качество может снизиться. Поддерживаются 100 языков, однако качество для языков с малым количеством ресурсов может быть ниже. Контекст ограничен 512 токенами, длинные тексты обрезаются. В репозитории доступны форматы PyTorch, SafeTensors, ONNX и OpenVINO. Лицензия — MIT.

Модель agentlans/multilingual-e5-small-aligned-v2 — мультиязычная модель эмбеддингов на базе Sentence Transformers, разработанная как дообучение agentlans/multilingual-e5-small-aligned. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического сравнения и поиска; близость векторов оценивается косинусным сходством. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией выходного вектора. Максимальная длина последовательности — 512 токенов. Дообучение проводилось на парах предложений из Tatoeba, включая примеры на разных языках; модель выравнивает представления переводов, чтобы их векторы были близки. Подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. Репозиторий распространяется по лицензии MIT.

Avditvs/multilingual-e5-small-distill-base-0.1 — экспериментальная дистиллированная модель текстовых эмбеддингов на архитектуре BERT, созданная автором карточки на основе intfloat/multilingual-e5-small с учителем intfloat/multilingual-e5-base. Модель обучалась сопоставлять косинусное сходство пар предложений с оценками учителя; при обучении применялось Matryoshka Representation Learning. По карточке, она содержит 12 слоёв и имеет размерность эмбеддингов 384; в метаданных указано 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для многоязычного семантического поиска, ранжирования текстов по сходству, поиска парафраз и кластеризации. Для асимметричного поиска следует добавлять префиксы «query: » и «passage: », а для симметричных задач и получения признаков — «query: »; без префиксов качество может снижаться. В карточке описана поддержка 100 языков, но малоресурсные языки могут работать хуже. Длинные тексты обрезаются до 512 токенов. Лицензия — MIT.

multi-qa_v1-mpnet-mean_cos — модель SentenceTransformers для получения векторных представлений предложений и текстов. Её разработали участники Hugging Face Community Week в проекте по обучению моделей эмбеддингов; в основе лежит microsoft/mpnet-base, дообученная в сиамской схеме с контрастивной целью. Размер модели — 136,7 млн параметров, архитектура — MPNet, формат весов — PyTorch, контекст — до 514 токенов. Модель предназначена для семантического поиска, сравнения сходства вопросов и ответов, кластеризации и других сценариев, где нужно сопоставлять тексты по смыслу. Она кодирует входной текст в вектор, используя mean pooling скрытых состояний. Обучение проводилось на парах вопросов и ответов Stack Exchange, а также данных MSMARCO, NQ и TriviaQA, что делает модель ориентированной на поиск ответов по запросам. Модель принимает текст и выдаёт эмбеддинги; README не указывает отдельную языковую специализацию. Это энкодер для извлечения признаков, а не генеративная модель ответов. Лицензия в предоставленных метаданных и README не указана.

Карточка модели mitanshu-reckonsys/mxbai-embed-large-v1 на Hugging Face совпадает с карточкой mixedbread-ai/mxbai-embed-large-v1, поэтому описание составлено по ней. mxbai-embed-large-v1 — модель Mixedbread AI для построения векторных представлений предложений и текстов. Это плотная BERT-модель на 433,9 млн параметров с контекстом до 512 токенов; она принимает текст и выдаёт эмбеддинги для поиска и сопоставления текстов. Карточка указывает английский язык и библиотеку sentence-transformers. Модель предназначена для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Для поисковых запросов README рекомендует добавлять префикс «Represent this sentence for searching relevant passages:». Поддерживаются Matryoshka Representation Learning и бинарная квантизация, позволяющие уменьшать размер эмбеддингов и затраты на их хранение. В заявленной авторами оценке на MTEB модель показывает сильные результаты среди моделей размера BERT-large. Модель распространяется по лицензии Apache-2.0. Ограничения включают окно контекста в 512 токенов и необходимость использовать рекомендованный префикс для запросов в сценариях поиска; авторы также отмечают наличие ограничений, которые планировали исправить в версии v2, не уточняя их в этой карточке.

mxbai-rerank-large-v2, также называемая ProRank-1.5B, — крупная модель-реранкер семейства mxbai от Mixedbread. Она предназначена для повторной оценки релевантности найденных документов или фрагментов относительно запроса и их сортировки, в том числе в конвейерах поиска и RAG. Модель основана на плотной архитектуре Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов; опубликованные веса представлены в формате safetensors. Разработчик заявляет поддержку более 100 языков, особо отмечая английский и китайский, а также поиск по коду и длинному контексту. В README приведены результаты на BEIR, мультиязычных и китайских тестах и поиске по коду; задержка в таблице измерена на A100. Лицензия — Apache-2.0. Модель ориентирована на ранжирование кандидатов, поэтому её основной результат — оценки релевантности, а не развернутые ответы пользователю.

Mungert/mxbai-rerank-large-v2-GGUF — это набор GGUF-вариантов модели mxbai-rerank-large-v2 для ранжирования текстов. Модель предназначена для задач text-ranking, включая переранжирование результатов поиска и выбор наиболее релевантных документов или фрагментов для заданного запроса. Разработчик в README не указан. Доступны версии с форматами BF16 и F16, а также квантованные варианты Q8_0, Q6_K, Q4_K и другие, рассчитанные на различный баланс между точностью, скоростью и потреблением памяти. Квантованные файлы подходят для CPU и устройств с ограниченным объёмом VRAM, тогда как BF16 и F16 ориентированы на оборудование с соответствующей аппаратной поддержкой. Точный размер модели, архитектура, максимальная длина контекста и поддерживаемые модальности не указаны. В README заявлена поддержка английского, китайского, немецкого, японского, корейского, испанского, французского, арабского, бенгальского, русского, индонезийского, суахили, телугу и тайского языков. Основные ограничения связаны с компромиссом квантования: низкобитные варианты требуют меньше памяти, но могут уступать полноразмерным версиям по точности. Модель распространяется по лицензии Apache-2.0.

Карточка модели dititce/mxbai-rerank-large-v2-seq на Hugging Face совпадает с карточкой michaelfeil/mxbai-rerank-large-v2-seq, поэтому описание составлено по ней. michaelfeil/mxbai-rerank-large-v2-seq — вариант семейства Mixedbread mxbai-rerank-large-v2, представленный как классификатор последовательностей на архитектуре Qwen2. Модель предназначена для ранжирования пар «запрос—документ»: она оценивает релевантность кандидатов и помогает выбирать подходящие фрагменты для поисковой выдачи и RAG. В карточке указаны поддержка кода и длинного контекста; метаданные указывают 1,5 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на многоязычный поиск; разработчики заявляют поддержку более 100 языков и особенно сильные результаты на английском и китайском. В README приведены результаты тестов BEIR, мультиязычного и китайского поиска, поиска по коду, а также задержка на A100, но эти показатели зависят от условий измерения. Для использования через классификационный интерфейс требуется специальный шаблон промпта. Лицензия репозитория — Apache-2.0.

gavinqiangli/my-awesome-bi-encoder — дообученная модель Sentence Transformers на базе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство; архитектура включает BERT и mean pooling. Метаданные указывают контекст до 512 токенов, тогда как в README максимальная длина последовательности указана как 128 токенов. Модель обучена на 103 663 примерах с MultipleNegativesRankingLoss. В README приведены результаты оценки бинарной классификации сходства, включая точность cosine_accuracy 0,7644 и F1 0,6959. Базовая модель англоязычная, а обучающие примеры также написаны на английском. Репозиторий содержит веса в формате safetensors. Условия лицензирования в предоставленных данных не описаны.

Карточка модели leoikaichen/MyOwn_Qwen3-Embedding-0.8B на Hugging Face совпадает с карточкой unsloth/Qwen3-Embedding-0.6B, поэтому описание составлено по ней. Qwen3-Embedding-0.6B — текстовая модель эмбеддингов семейства Qwen3, представленная в репозитории Unsloth и основанная на Qwen/Qwen3-0.6B-Base. Это плотная архитектура с 507,6 млн параметров и контекстом до 32 768 токенов. Модель преобразует текст в векторы размерностью от 32 до 1024 и позволяет задавать инструкцию для конкретной задачи. Модель предназначена для семантического поиска и извлечения текстов, сравнения предложений, классификации и кластеризации текста, поиска по коду и межъязыкового сопоставления. Она поддерживает более 100 языков, включая языки программирования, и рассчитана на многоязычные и межъязыковые сценарии. Лицензия — Apache-2.0. Карточка описывает всю серию Qwen3 Embedding, поэтому приведённые в ней лидерские результаты относятся к модели 8B, а не подтверждают такие же результаты для версии 0.6B. Для работы с Transformers требуется версия 4.51.0 или новее: более ранние версии могут выдавать ошибку распознавания архитектуры Qwen3.

Minnow-Em1-0.6B — компактная многоязычная модель эмбеддингов от KiteFish AI, дообученная на базе Qwen/Qwen3-0.6B. Это плотный трансформер с примерно 507,9 млн параметров, преобразованный в двунаправленный энкодер: каждый токен учитывает контекст с обеих сторон. Модель принимает текст и формирует векторные представления для поиска, сравнения и группировки текстов; поддерживает контекст до 40 960 токенов и инструкции, задающие тип задачи для запроса. Модель предназначена для семантического поиска и извлечения документов, оценки сходства текстов, классификации, кластеризации, ранжирования и поиска параллельных фрагментов на разных языках. Для корректной работы при загрузке необходимо включить двунаправленное внимание: в сохранённых весах это изменение не зафиксировано, и стандартная причинная маска заметно ухудшает эмбеддинги. Авторы готовят оценку на MMTEB/MTEB; опубликованных итоговых результатов пока нет. В обучении использовались обучающие части ряда публичных бенчмарков, поэтому результаты на соответствующих задачах следует считать внутридоменными; версия v1 смещена в сторону англоязычного поиска вопросов и ответов, а низкоресурсные и межъязыковые задачи могут выполняться слабее. Лицензия — Apache 2.0.

Nano-Em1-0.6B-v2.1 — модель текстовых эмбеддингов от KiteFish AI на базе Qwen3-0.6B. Она предназначена для поиска и сопоставления текстов, классификации, кластеризации и ранжирования по релевантности; для задач можно задавать инструкцию-префикс. Модель использует двунаправленное внимание вместо стандартной причинной маски, усреднение токенных представлений и выдаёт векторы размерности 1024. В README указана максимальная длина последовательности 512 токенов; метаданные указывают родной контекст базовой модели в 40960 токенов. Модель работает с текстом и ориентирована прежде всего на английский язык. Для загрузки требуется включить trust_remote_code=True из-за собственной реализации архитектуры. По оценке автора, модель не проверялась на задачах для других языков. Распространяется по лицензии Apache-2.0.

codersan/newfa_e5small_7 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, разработанная автором репозитория codersan. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерностью 384 для сравнения семантической близости, семантического поиска, поиска перефразирований, классификации и кластеризации текста. Архитектура включает трансформер BERT, усреднение токенных представлений и нормализацию векторов; сходство можно оценивать косинусной мерой. Модель обучена на парах anchor-positive с помощью MultipleNegativesRankingLoss. Максимальная длина последовательности — 512 токенов. Базовая модель многоязычная, а примеры обучающих данных включают персидский и английский языки. Для работы с моделью используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

nli-distilroberta-base-v2 — модель sentence-transformers, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 на основе архитектуры RoBERTa; число параметров — 95,2 млн, максимальный контекст — 514 токенов. Модель предназначена для получения эмбеддингов и сравнения смысловой близости текстов, а также подходит для семантического поиска и кластеризации. Её можно использовать в поисковых системах для ранжирования текстов по смысловому сходству, группировки похожих документов и анализа близости предложений. Модель доступна в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Лицензия — Apache-2.0. Языковая специализация в карточке не обозначена.

nomic-embed-text-v1.5 — текстовая модель эмбеддингов, разработанная Nomic AI на архитектуре NomicBert. Она преобразует тексты в векторы для семантического поиска, формирования RAG-индексов, кластеризации, удаления семантических дублей и подготовки признаков для классификации. Для разных сценариев перед текстом требуется указывать соответствующий префикс задачи, например search_document или search_query. Модель поддерживает контекст до 8192 токенов и создаёт векторы размерностью 768; благодаря Matryoshka Representation Learning размерность можно уменьшать с небольшим снижением качества. README описывает именно текстовую модель: отдельная nomic-embed-vision-v1.5 выровнена с её пространством эмбеддингов, но это не означает, что данный репозиторий принимает изображения. Модель распространяется по лицензии Apache-2.0.

sentence-transformers/paraphrase-MiniLM-L3-v2 — модель sentence-transformers для преобразования предложений и абзацев в плотные векторы размерностью 384. Она основана на архитектуре BERT и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель обучена командой sentence-transformers; в карточке указаны 18,8 млн параметров и библиотека sentence-transformers. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать или использовать для группировки похожих фрагментов. Контекст составляет до 512 токенов. Доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0.

sentence-transformers/paraphrase-mpnet-base-v2 — модель для преобразования предложений и абзацев в плотные векторы размерности 768. Она обучена командой Sentence Transformers на архитектуре MPNet и подходит для семантического поиска, кластеризации и сравнения сходства текстов. Модель принимает текст и выдаёт эмбеддинги; для использования через Transformers поверх контекстных представлений токенов требуется корректная операция pooling. Число параметров — 136,7 млн, длина контекста — 514 токенов. Доступны варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. В карточке не заявлена специализация на конкретном языке.

valurank/paraphrase-mpnet-base-v2-offensive — модель Sentence-Transformers на базе MPNet для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, которые можно применять для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. В README указано обучение с CosineSimilarityLoss; метаданные также подтверждают поддержку извлечения признаков и сходства предложений. Контекст модели составляет 514 токенов. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

Карточка модели KOLKAHORKOV/paraphrase-multilingual-MiniLM-L12-v2 на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

Карточка модели May112233567/paraphrase-multilingual-MiniLM-L12-v2 на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

Карточка модели nonamehdj/paraphrase-multilingual-MiniLM-L12-v2 на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

Карточка модели qianxiaoliuying/paraphrase-multilingual-MiniLM-L12-v2 на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

Карточка модели test-alexpouliquen/paraphrase-multilingual-MiniLM-L12-v2 на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

Карточка модели wbs111424/paraphrase-multilingual-MiniLM-L12-v2 на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

PEARL-base — модель векторных представлений фраз и строк, разработанная Lihu Chen, Gaël Varoquaux и Fabian M. Suchanek. Это дообученная версия E5-base, созданная для сравнения строк по смыслу и поиска совпадений, в том числе при различиях в написании. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст и преобразует фразы в эмбеддинги; заявленная длина контекста — 512 токенов. PEARL учитывает тип фразы и морфологические признаки, что помогает при нечетком сопоставлении, поиске сущностей и кластеризации. README приводит результаты бенчмарков для этих сценариев и примеры расчета сходства между строками. Модель ориентирована на английский язык. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0. Она предназначена для построения эмбеддингов и сама по себе не генерирует текст.

CocoRoF/POLAR-Qwen3-0.6b-linq-gist — модель Sentence Transformer, дообученная на Qwen/Qwen3-Embedding-0.6B на наборе massive_triplet_v3 из 500 тысяч примеров. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 1024; архитектура включает Qwen3, объединение по последнему токену и нормализацию векторов. Для сравнения текстов используется косинусное сходство, максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. README не сообщает результаты сравнительных тестов или перечень поддерживаемых языков, поэтому качество для конкретного языка и сценария следует проверять на своих данных. Формат весов — safetensors; модель выпущена под лицензией, указанной в метаданных Hugging Face.

Карточка модели infgrad/puff-large-v1 на Hugging Face совпадает с карточкой infgrad/puff-base-v1, поэтому описание составлено по ней. infgrad выпустил модель на базе XLM-RoBERTa для поиска и семантического сопоставления текстов. Она формирует векторные представления предложений и поддерживает несколько выходных размерностей: 256, 768, 1024, 1563, 1792, 2048 и 4096. Модель рассчитана на поиск как внутри одного языка, так и между китайским и английским; автор отмечает, что английские представления слабее китайских. Контекстная длина составляет 514 токенов. Модель распространяется под лицензией MIT.

QRRanker — модель для переранжирования результатов поиска, разработанная на основе Qwen3-4B-Instruct-2507. Она оценивает релевантность фрагментов текста запросу с помощью выбранных attention-голов Query-focused Retrieval и выдаёт непрерывные оценки, учитывая весь список кандидатов целиком. Это позволяет ранжировать результаты без разметки в виде оценок по шкале Лайкерта. Модель предназначена для уточнения порядка найденных документов, особенно при поиске по длинным материалам, повествованиям и диалогам. Вариант QRRanker сохраняет первые 25 из 36 слоёв базовой модели; выбранные QR-головы находятся в слоях 17–24. Для длинного контекста можно использовать контекстные сводки как дополнительную информацию. Модель плотная, содержит 3,7 млрд параметров, поддерживает контекст до 262 144 токенов и принимает текст, выдавая оценки релевантности. В карточке указаны английский и китайский языки. Лицензия — Apache-2.0.

Querit-Reranker — мультиязычная модель ранжирования текстов, разработанная командой Querit. Она предназначена для оценки релевантности и переупорядочивания текстовых результатов, например при поиске и подготовке контекста для RAG-систем. Модель создана на основе собственной базовой MoE-модели Querit и дополнительно обучена для задач ранжирования на открытых и проприетарных данных. В карточке указана архитектура из 24 слоёв и 16 голов внимания, контекст до 128 тысяч токенов. Метаданные каталога указывают семейство DeepSeek V3, плотную архитектуру и 459,1 млн параметров; карточка README приводит для модели другой показатель общего числа параметров — 4,92 млрд с активными 0,43 млрд. Поддерживаются китайский, английский, испанский, французский, немецкий, русский, корейский и японский языки. Модель принимает текст и выдаёт оценки ранжирования. Распространяется по лицензии Apache-2.0.

deepset/quora_dedup_bert_base — модель эмбеддингов предложений от deepset, основанная на BERT. Она получена продолжением обучения bert-base-nli-stsb-mean-tokens на наборе вопросов Quora для выявления дубликатов. Модель преобразует текст в векторные представления, пригодные для сравнения семантической близости вопросов. Модель предназначена для поиска похожих вопросов и обнаружения перефразировок в системах поиска, дедупликации и ранжирования. В карточке приведены метрики корреляции сходства на этапах обучения; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит варианты PyTorch, Flax и safetensors. Лицензия — Apache-2.0.