I.11Классификация, ранжирование и сопоставление

furiosa-ai/Qwen3-Embedding-0.6B — текстовая модель эмбеддингов семейства Qwen3, опубликованная FuriosaAI вместе с пакетом Furiosa Executable Bundle для запуска на ускорителе RNGD через Furiosa-LLM. Модель основана на Qwen/Qwen3-Embedding-0.6B и дообучена для получения плотных векторных представлений текста. Её размер — 507,6 млн параметров, архитектура — плотный трансформер Qwen3, контекст — до 32 768 токенов. Модель предназначена для семантического поиска, извлечения релевантных документов и сопоставления сходства текстов. Поддерживает многоязычные сценарии и Matryoshka Representation Learning: размерность эмбеддингов можно уменьшать с помощью параметра dimensions. Принимает текст и возвращает векторы. Репозиторий предоставляет веса в safetensors и запуск через Furiosa-LLM; также README указывает совместимость с Sentence Transformers, vLLM и Transformers. Квантизация не применяется: указана точность BF16. Лицензия — Apache 2.0.

OpenVINO/Qwen3-Embedding-0.6B-int8-ov — модель эмбеддингов, разработанная Qwen и преобразованная в формат OpenVINO IR. Она основана на Qwen3-Embedding-0.6B, а веса сжаты до INT8 с использованием NNCF в режиме INT8_ASYM. Модель предназначена для извлечения признаковых представлений текста и совместима с библиотеками Transformers и Optimum Intel. Модель подходит для семантического поиска, сопоставления запросов с документами, построения систем retrieval-augmented generation и других задач, где требуется сравнивать тексты по смыслу. Для запросов рекомендуется добавлять однопредложную инструкцию, описывающую задачу, тогда как для документов инструкции не требуются. В README приведён пример поиска релевантных фрагментов по веб-запросу. Указана максимальная длина входа 8192 токена. Формат OpenVINO IR и INT8-сжатие ориентированы на эффективный запуск, в том числе через Optimum Intel; требуется OpenVINO версии 2026.0.0 или выше и Optimum Intel 1.27.0 или выше. Языки, точный размер эмбеддингов и сведения о модальностях в карточке не указаны. Ограничения следует уточнять в исходной карточке Qwen3-Embedding-0.6B. Модель распространяется по лицензии Apache License 2.0.

zecafonso/Qwen3-Embedding-4B-384 — текстовая модель Sentence Transformer, дообученная на базе Qwen/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные векторы размерностью 2560 для семантического поиска, извлечения релевантных документов и сравнения текстов. В архитектуре Qwen3 используются извлечение скрытых состояний, pooling по последнему токену и нормализация; сходство можно оценивать косинусной мерой. Модель принимает текст, максимальная длина последовательности в README указана как 384 токена, тогда как метаданные указывают базовый контекст 40960 токенов; для этой дообученной версии следует ориентироваться на ограничение README. Языковая поддержка явно не перечислена, но базовая модель описана в каталоге как мультиязычная. README приводит результаты оценки на двух наборах для информационного поиска, однако это ограниченные выборки и они не гарантируют качество на других данных. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели ro0ger/Qwen3-Reranker-0.6B на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

paulalesius/Qwen3-Reranker-0.6B-GGUF — это GGUF-квантизированная версия модели Qwen3-Reranker-0.6B, разработанной командой Qwen и подготовленной для работы с llama.cpp. Модель предназначена для переранжирования текстовых документов по степени их релевантности запросу в сценариях поиска, retrieval-augmented generation и построения семантических поисковых систем. Она использует архитектуру Qwen3 и cross-encoder-подход с двухклассовой головой, выдающей оценку yes/no для релевантности пары «запрос — документ». README указывает поддержку многоязычных сценариев, но конкретный список языков и размер контекста не приведены. В репозитории доступны варианты NVFP4 размером около 399,5 MiB и Q6_K размером около 472 MiB. Оба файла содержат примерно 595,8 млн параметров и используют гибридное квантование: голова релевантности сохранена в BF16, нормализационные тензоры — в F32, а крупные линейные слои сжаты. Вариант NVFP4 также сохраняет таблицу эмбеддингов в Q8_0. Это уменьшает размер модели относительно BF16 примерно в 2,4–2,9 раза при близком качестве ранжирования; для Q6_K в заявленном тесте корреляция с BF16 была очень высокой, а совпадение решений по порогу 0,5 составило 60 из 60 случаев. Модель подходит для запуска через llama-server с параметром --reranking и endpoint /rerank. Ограничения связаны с тем, что результаты могут зависеть от устройства и используемых CPU/GPU-ядер: в README отмечены заметные различия ранжирования между CPU и GPU на отдельном тестовом наборе. Лицензия — Apache-2.0, как у исходной модели.

Qwen3-Reranker-4B — мультиязычная модель ранжирования текста из серии Qwen3 Embedding, разработанная командой Qwen. Она оценивает релевантность пар «запрос — документ» и помогает переставлять найденные результаты так, чтобы наиболее подходящие оказались выше. Модель основана на плотной авторегрессионной архитектуре Qwen3, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов по метаданным; карточка указывает длину контекста 32 тыс. токенов. Модель рассчитана на улучшение поиска по текстам и коду, включая мультиязычный и межъязыковой поиск. Она поддерживает более 100 языков и позволяет задавать инструкцию для конкретного сценария; в качестве инструкции по умолчанию используется настройка для поиска фрагментов, отвечающих на веб-запрос. Результат представляет собой оценку релевантности, а не готовый ответ пользователю. Для запуска доступны веса в формате safetensors и библиотека Transformers; лицензия — Apache-2.0. Качество зависит от подобранной инструкции и набора кандидатов для переранжирования.

i1j/reranker-ndcgloss2pp — дообученный на базе BAAI/bge-reranker-v2-m3 текстовый Cross Encoder, опубликованный автором репозитория i1j. Модель построена на архитектуре XLM-RoBERTa и использует библиотеку Sentence Transformers; её размер — 658,7 млн параметров, максимальная длина последовательности — 8192 токена. Модель принимает пары текстов и выдаёт оценку их релевантности. Её предназначение — переранжирование результатов поиска и семантический поиск, в том числе уточнение порядка найденных фрагментов относительно запроса. Модель поддерживает текстовую модальность; в карточке не указаны специальные ограничения по языкам. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не приведена.

RexBERT-large — разработанная Rahul Bajaj encoder-only модель семейства ModernBERT, обученная предсказывать скрытые токены и адаптированная к текстам электронной торговли. Она предназначена для поиска и извлечения товаров, классификации, понимания запросов и построения эмбеддингов; для этих сценариев её можно дообучать или использовать как основу для специализированных компонентов. Модель содержит около 394,7 млн параметров, принимает текст, поддерживает контекст до 7 999 токенов и рассчитана на английский язык. Обучение включало общее предобучение, расширение контекста и специализацию на более чем 350 млрд токенов электронной торговли. Модель подходит для поиска по названиям и описаниям товаров, извлечения бренда и характеристик, категоризации и ранжирования. Она не предназначена для генерации длинных текстов; решения о ценах, соблюдении требований и безопасности товаров требуют проверки человеком. Лицензия — Apache-2.0.

mrm8488/roberta-base-bne-finetuned-sqac-retriever — модель эмбеддингов на базе RoBERTa, опубликованная пользователем mrm8488. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства, кластеризации и построения систем поиска по вопросам и ответам. Модель содержит 151,8 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства настроено на получение полезных представлений для ранжирования релевантных текстов. Репозиторий содержит веса PyTorch; для использования предлагаются Sentence-Transformers или Transformers с подходящим pooling.

mlx-community/tasksource-ModernBERT-base-embed-bf16 — англоязычная encoder-only модель эмбеддингов на архитектуре ModernBERT, подготовленная сообществом mlx-community в формате MLX для использования с mlx-embeddings. Это преобразованная версия tasksource/ModernBERT-base-embed; исходная модель дообучена на основе answerdotai/ModernBERT-base и предназначена для извлечения признаков и оценки сходства предложений. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Её можно применять для семантического поиска, сопоставления запросов с документами, поиска ответов и ранжирования текстов по смысловой близости. Английский язык подтверждён карточкой модели; обучение включало наборы данных для поиска, сходства предложений и вывода на естественном языке. Модель распространяется в формате safetensors, а README указывает на применение через mlx-embeddings. Лицензия в предоставленных данных не указана.

vSR Embeddings v1 Text Large — мультиязычная плотная модель эмбеддингов от Xunzhuo, дообученная на базе Qwen/Qwen3-Embedding-4B и предназначенная для семантического поиска, сопоставления текстов, кластеризации и векторной маршрутизации запросов. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3 и доступна через Sentence Transformers. Контекст модели — до 40 960 токенов; для длинных документов README описывает разбиение на фрагменты по 320 токенов с перекрытием 64 токена и оценку по максимальному сходству запроса с фрагментами. Модель поддерживает мультиязычные тексты и Matryoshka-векторы размерностью 2560, 1024, 512, 256, 128 или 64, позволяя выбирать баланс между качеством поиска и стоимостью хранения и обработки. В README приведены результаты MTEB Multilingual v2: среднее 69,45 по задачам и 60,86 по типам задач; показатели производительности на одном MI300X являются ориентиром, а не гарантией для других конфигураций. Модель выдаёт векторы для поиска и сравнения, а не ранжирует пары текстов как cross-encoder и не является классификатором безопасности на уровне последовательности. Лицензия — Apache-2.0.

qquarkq/all-MiniLM-L6-v2-ru-domain_adapt — дообученная модель Sentence Transformers на основе sentence-transformers/all-MiniLM-L6-v2, предназначенная для создания векторных представлений русских предложений и абзацев. Это плотный энкодер архитектуры BERT с 25,9 млн параметров: он преобразует текст в нормализованные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Модель рассчитана на поиск и сопоставление текстов; в README приведены русскоязычные примеры обучающих данных из 20 000 триплетов. Модель принимает текст, поддерживает последовательности длиной до 512 токенов по метаданным; в README также указано ограничение 256 токенов. Её можно применять для семантического поиска, извлечения релевантных текстов и сравнения предложений. Лицензия в предоставленных данных не указана.

IR-Cocktail/bert-base-uncased-mean-v3-msmarco — модель Sentence-Transformers на архитектуре BERT, обученная на данных MS MARCO. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на сопоставление текстовых запросов и релевантных фрагментов. Модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Её можно применять для построения векторного поиска и группировки похожих текстов; для использования доступны Sentence-Transformers и Transformers. Карточка не сообщает лицензию и подробную оценку качества.

SANIAAFTAR/bge-base-en-v1.5-finetuned_ragds_v1 — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из XLM-RoBERTa и mean pooling; для оценки сходства в README указана косинусная мера. Метаданные указывают контекст до 514 токенов, тогда как README сообщает ограничение длины последовательности 128 токенов. Модель подходит для построения эмбеддингов и поиска по смыслу в многоязычных текстовых коллекциях, в том числе в системах поиска для RAG. В карточке приведены пары anchor-positive и обучение с MultipleNegativesRankingLoss. Весовая лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

BAAI/bge-en-icl — англоязычная модель эмбеддингов компании Beijing Academy of Artificial Intelligence (BAAI), представленная в проекте FlagEmbedding. Она преобразует текст в векторы для поиска и сопоставления предложений, а также поддерживает обучение в контексте: запрос можно дополнить несколькими примерами, чтобы адаптировать модель к новой задаче. Архитектура — плотная модель семейства Mistral на 7,1 млрд параметров с контекстом до 32 768 токенов. Модель предназначена для семантического поиска, ранжирования и задач retrieval-augmented generation. В карточке заявлены высокие результаты на бенчмарках BEIR, MTEB и AIR-Bench, включая поиск по длинным документам. Распространяется под лицензией Apache-2.0. Она рассчитана на английский язык; для эффективного кодирования может использовать доступные GPU, а ресурсоёмкость определяется её размером.

barisaydin/bge-large-en — англоязычная модель плотных текстовых эмбеддингов из семейства BGE (BAAI General Embedding), основанная на архитектуре BERT. Она преобразует тексты в векторы для поиска, сравнения и других задач на основе семантической близости. Модель содержит около 433,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в форматах PyTorch и Safetensors по лицензии MIT. Модель предназначена для семантического поиска и извлечения релевантных документов, а также может применяться для кластеризации и классификации текстов и использоваться с векторными базами данных. Для поиска по длинным документам в README рекомендуется добавлять к короткому запросу инструкцию для retrieval; документы и фрагменты текста обрабатывать без неё. README рекомендует перейти на BAAI/bge-large-en-v1.5: у исходной версии распределение оценок сходства менее удобно для интерпретации. Абсолютный порог сходства сам по себе не следует считать надёжным признаком релевантности; порог нужно подбирать на данных конкретной задачи. Модель рассчитана на английский язык.

Карточка модели ekorman-strive/bge-large-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

Карточка модели vectoriseai/bge-large-en-v1.5 на Hugging Face совпадает с карточкой vectoriseai/bge-small-en-v1.5, поэтому описание составлено по ней. vectoriseai/bge-small-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, опубликованная под именем vectoriseai; карточка описывает её через материалы проекта FlagEmbedding. Модель преобразует текст в плотные векторы для поиска, сравнения предложений, классификации и кластеризации, а также для поиска контекста в векторных базах данных и системах RAG. Модель основана на архитектуре BERT, содержит около 40 млн параметров и поддерживает контекст до 512 токенов. Для поиска по длинным документам README рекомендует при необходимости добавлять поисковую инструкцию к короткому запросу, но не к документам. Доступны веса PyTorch и ONNX; лицензия — MIT. Версия BGE v1.5 улучшает распределение оценок сходства и поиск без инструкции. Оценки сходства следует интерпретировать относительно: порог для отбора похожих текстов нужно подбирать на своих данных. Модель ориентирована на английский язык; качество для других языков не заявлено.

onnx-community/bge-m3-ONNX — ONNX-версия многоязычной модели BAAI/bge-m3, разработанной проектом FlagOpen и автоматически сконвертированной сообществом onnx-community. Модель предназначена для обработки текстов, построения эмбеддингов, семантического сходства и информационного поиска, включая сценарии RAG. Она поддерживает плотный поиск (dense retrieval), разреженный поиск (sparse retrieval) и многовекторный поиск (multi-vector retrieval), что позволяет применять гибридные стратегии, например совместно с BM25. Модель рассчитана более чем на 100 языков, поддерживает входы от коротких предложений до документов длиной до 8192 токенов и формирует векторы размерности 1024. ONNX-формат и интеграция с Transformers.js подходят для запуска в совместимых JavaScript-средах. Сильные стороны — многоязычность, единая поддержка нескольких режимов поиска и работа с длинным контекстом; для повышения точности README рекомендует использовать гибридный поиск и последующее переранжирование cross-encoder-моделью. Количество параметров, требования к ресурсам и детальные ограничения в README не указаны. Лицензия — MIT.

boboliu/bge-reranker-v2.5-gemma2-lightweight-gptq — это 4-битная GPTQ-квантизованная версия мультиязычного reranker BAAI/bge-reranker-v2.5-gemma2-lightweight, разработанного Beijing Academy of Artificial Intelligence (BAAI); вариант опубликован пользователем boboliu на Hugging Face. Модель предназначена для повторного ранжирования результатов информационного поиска: получает запрос и passage и вычисляет оценку их релевантности, поэтому подходит для retrieval-систем и RAG-сценариев. Она также может использоваться для проверки наличия ответа в тексте, определения смысловой эквивалентности запросов или выявления противоречий между высказываниями. Архитектура основана на Gemma 2 9B и поддерживает механизмы token compression и layerwise reduction, позволяющие выбирать используемые слои, коэффициент сжатия и слои сжатия для ускорения вывода и снижения вычислительных затрат. Исходная модель заявлена как multilingual и ориентирована, в частности, на английский и китайский языки; в опубликованных оценках также представлены другие языки, включая русский. Репозиторий содержит около 6,19 ГБ файлов и помечен как модель с 4-bit precision и GPTQ; размер и характеристики контекстного окна в карточке этой версии не указаны. Сильные стороны — мультиязычное ранжирование, возможность уменьшать вычисления настройкой слоёв и более низкие требования к памяти благодаря квантизации. Ограничения состоят в отсутствии подробной отдельной документации, описания обучения и лицензии для этой производной версии, а также в необходимости использовать custom code и проверять качество на собственных данных; квантизация может повлиять на точность. В карточке исходной модели указана лицензия gemma; для практического использования производной версии следует дополнительно проверить условия исходных компонентов и репозитория.

Это переранжировщик BGE Reranker v2 M3, преобразованный автором репозитория в формат GGUF F16 для запуска через llama.cpp. Модель принимает запрос и список текстовых кандидатов, оценивает их релевантность и возвращает кандидатов в упорядоченном виде; её можно подключить к поисковому конвейеру через сервер llama.cpp и endpoint /v1/rerank. Основа модели — BAAI/bge-reranker-v2-m3. По README, преобразование выполнено скриптом llama.cpp без других изменений; файл GGUF занимает около 1 ГБ. В карточке указаны японский и английский языки. Модель распространяется по лицензии MIT. Автор предупреждает, что при некорректном переносе классификационной головы GGUF может выдавать числовые оценки без ошибки, но эти оценки будут бессмысленными. Перед использованием следует проверить порядок результатов на примерах с заметно различающейся релевантностью. Для работы нужен llama.cpp с режимом --reranking; сервер переранжирования запускается отдельно от сервера эмбеддингов.

bge-reranker-v2-m3-GGUF — GGUF-квантизированная версия модели bge-reranker-v2-m3, разработанной BAAI. Модель предназначена для переранжирования результатов поиска: принимает запрос и документ или фрагмент текста и напрямую вычисляет оценку их релевантности, а не создаёт эмбеддинги. Это делает её подходящей для семантического поиска, retrieval-систем и сценариев, где требуется упорядочить найденные документы по соответствию запросу. Модель основана на bge-m3 и обладает мультиязычными возможностями; конкретный набор поддерживаемых языков и размер контекста в README не указаны. Оценку релевантности можно использовать напрямую или преобразовать в диапазон от 0 до 1 с помощью сигмоидальной функции. Ключевыми преимуществами заявлены компактность, простота развёртывания, высокая скорость инференса и поддержка мультиязычных сценариев. README не содержит сведений о точном размере модели, параметрах, формате квантования или измерениях качества, поэтому эти характеристики оценить нельзя. Распространяется по лицензии Apache-2.0. GGUF-квантизация выполнена на основе указанного релиза llama.cpp; для исходной модели приведена ссылка на BAAI/bge-reranker-v2-m3.

Карточка модели Long0409/bge-small-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

vectoriseai/bge-small-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, опубликованная под именем vectoriseai; карточка описывает её через материалы проекта FlagEmbedding. Модель преобразует текст в плотные векторы для поиска, сравнения предложений, классификации и кластеризации, а также для поиска контекста в векторных базах данных и системах RAG. Модель основана на архитектуре BERT, содержит около 40 млн параметров и поддерживает контекст до 512 токенов. Для поиска по длинным документам README рекомендует при необходимости добавлять поисковую инструкцию к короткому запросу, но не к документам. Доступны веса PyTorch и ONNX; лицензия — MIT. Версия BGE v1.5 улучшает распределение оценок сходства и поиск без инструкции. Оценки сходства следует интерпретировать относительно: порог для отбора похожих текстов нужно подбирать на своих данных. Модель ориентирована на английский язык; качество для других языков не заявлено.

aisquared/bolt-embedding-small — компактная модель эмбеддингов Sentence Transformer от AI Squared, дообученная на базе IBM Granite для корпоративного поиска и RAG. Она кодирует запросы, предложения и документы в плотные векторы размерностью 384, используя архитектуру ModernBERT с CLS pooling; близость векторов предназначена для оценки косинусным сходством. Для обработки длинных текстов заявлена длина последовательности до 4096 токенов. Модель подходит для семантического поиска по корпоративным документам и базам знаний, извлечения релевантных фрагментов для RAG, сопоставления запросов с документами, поиска дубликатов и оценки сходства. Её дообучали контрастивным обучением на 500 000 примерах RAG-подобных данных, включая пары запрос–документ и примеры семантического сходства. Доступна библиотекой Sentence Transformers; лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой модели.

Кросс-энкодер для французского языка, разработанный командой Leviatan Research Team на основе distilroberta-base. Модель объединяет два сценария: определяет, можно ли найти ответ на вопрос в заданном контексте, и оценивает смысловое сходство двух текстов. В Hugging Face модель отмечена как text-classification; она принимает пары текстов и выдаёт оценку или бинарную классификацию релевантности и сходства. Модель предназначена для поиска релевантных фрагментов в системе RAG, проверки соответствия контекста вопросу и сравнения предложений. В README приведены результаты на тестах команды и STS-B, включая корреляции и метрики бинарной классификации. Доступны веса в формате safetensors. Условия лицензии в предоставленных данных не описаны.

nthakur/dragon-roberta-query-encoder — порт модели facebook/dragon-roberta-query-encoder в формат Sentence-Transformers. Модель на архитектуре RoBERTa содержит 151,8 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Для получения представления применяется pooling поверх контекстных представлений токенов; доступен вариант использования через Sentence-Transformers и Hugging Face Transformers. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. В метаданных указан датасет MS MARCO, а максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Alibaba-NLP/E2Rank-0.6B — модель для получения текстовых эмбеддингов и ранжирования списков документов, разработанная Alibaba-NLP в рамках семейства E2Rank. Она расширяет одну embedding-модель для поиска и listwise-реранжирования: текст запроса и кандидаты документов формируют обогащённый запрос, а релевантность оценивается по косинусному сходству эмбеддингов. Модель основана на Qwen3-0.6B и дообучена на данных для ранжирования. Модель имеет плотную архитектуру Qwen3 из 28 слоёв, около 508 млн параметров, размерность эмбеддинга 1024 и контекст до 40 960 токенов. Она учитывает инструкции и поддерживает построение поискового конвейера с извлечением кандидатов и их последующим реранжированием; в README также заявлены результаты на BEIR, BRIGHT и MTEB. Для использования в режиме эмбеддингов требуется вручную добавлять специальный завершающий токен к каждому входному тексту. Модель принимает текст и выдаёт эмбеддинги, используемые для поиска и оценки релевантности. Лицензия — Apache-2.0. Скорость и качество зависят от размера списка кандидатов и аппаратных ресурсов; опубликованные сравнительные результаты сами по себе не гарантируют аналогичного качества на конкретном наборе данных.

Alibaba-NLP/E2Rank-8B — модель для текстовых эмбеддингов и ранжирования, разработанная Alibaba-NLP на базе Qwen3-8B. Это плотная архитектура Qwen3 с 7,6 млрд параметров, длиной контекста до 40 960 токенов и размерностью эмбеддингов 4096. Модель дообучена на данных для ранжирования и поддерживает настройку инструкций под задачу. E2Rank объединяет поиск по сходству эмбеддингов и списковое переранжирование: документы и запросы представляются векторами, а сходство оценивается по косинусной мере. Модель предназначена для семантического поиска, улучшения порядка результатов и построения поисковых систем с единым компонентом извлечения и переранжирования. В README заявлены высокие результаты на BEIR и конкурентные показатели на BRIGHT и MTEB; приведённые оценки относятся к экспериментам авторов. Модель принимает текст и выдаёт эмбеддинги для последующего вычисления сходства и ранжирования. В карточке не указаны языки обучения; приведённая таблица MTEB описывает английский бенчмарк и сама по себе не подтверждает поддержку только английского. Для использования эмбеддингов требуется вручную добавлять специальный завершающий токен к каждому входному тексту. Лицензия — Apache-2.0.

d0rj/e5-base-en-ru — компактная версия модели intfloat/multilingual-e5-base, созданная отсечением токенов словаря и предназначенная для работы с английским и русским языками. Это плотный энкодер XLM-RoBERTa с 159,6 млн параметров по метаданным Hugging Face; README указывает размерность эмбеддингов 1024 и сокращение размера модели примерно с 1061 до 505 МБ. Модель выдаёт векторные представления текста для поиска и оценки сходства предложений; для поиска автор рекомендует сравнивать векторы скалярным произведением. Модель подходит для семантического поиска, извлечения релевантных документов и сравнения русских и английских запросов с текстами. README показывает использование через Transformers и sentence-transformers. Лицензия — MIT. Оценка на SberQuAD упомянута, но значения метрик в README отсутствуют, поэтому по карточке нельзя судить о качестве относительно базовой модели. Контекстное окно составляет 514 токенов; словарь ограничен русскими и английскими токенами.