I.11Классификация, ранжирование и сопоставление

Карточка модели hotchpotch/open-provence-reranker-large-v1 на Hugging Face совпадает с карточкой hotchpotch/open-provence-reranker-xsmall-v1, поэтому описание составлено по ней. OpenProvence reranker xsmall v1 — компактная двуязычная модель переранжирования и отбора предложений для подготовки контекста в системах поиска и RAG. Модель разработана hotchpotch и содержит 30 млн параметров; архитектура — OpenProvence для классификации последовательностей, веса представлены в формате safetensors. Модель принимает вопрос и текстовый контекст, оценивает релевантность предложений и удаляет фрагменты, не относящиеся к запросу. Она предназначена для ускорения поиска нужной информации и сокращения контекста перед передачей его генеративной модели. Поддерживаются английский и японский языки; согласно карточке, xsmall рассчитана на низкую задержку и может работать на CPU. В опубликованных оценках модель сокращала объём контекста, сохраняя ответы на контрольных примерах, но результаты зависят от языка, порога отсечения и набора данных. Модель опубликована под лицензией MIT.

Карточка модели hotchpotch/open-provence-reranker-v1 на Hugging Face совпадает с карточкой hotchpotch/open-provence-reranker-xsmall-v1, поэтому описание составлено по ней. OpenProvence reranker xsmall v1 — компактная двуязычная модель переранжирования и отбора предложений для подготовки контекста в системах поиска и RAG. Модель разработана hotchpotch и содержит 30 млн параметров; архитектура — OpenProvence для классификации последовательностей, веса представлены в формате safetensors. Модель принимает вопрос и текстовый контекст, оценивает релевантность предложений и удаляет фрагменты, не относящиеся к запросу. Она предназначена для ускорения поиска нужной информации и сокращения контекста перед передачей его генеративной модели. Поддерживаются английский и японский языки; согласно карточке, xsmall рассчитана на низкую задержку и может работать на CPU. В опубликованных оценках модель сокращала объём контекста, сохраняя ответы на контрольных примерах, но результаты зависят от языка, порога отсечения и набора данных. Модель опубликована под лицензией MIT.

OpenProvence reranker xsmall v1 — компактная двуязычная модель переранжирования и отбора предложений для подготовки контекста в системах поиска и RAG. Модель разработана hotchpotch и содержит 30 млн параметров; архитектура — OpenProvence для классификации последовательностей, веса представлены в формате safetensors. Модель принимает вопрос и текстовый контекст, оценивает релевантность предложений и удаляет фрагменты, не относящиеся к запросу. Она предназначена для ускорения поиска нужной информации и сокращения контекста перед передачей его генеративной модели. Поддерживаются английский и японский языки; согласно карточке, xsmall рассчитана на низкую задержку и может работать на CPU. В опубликованных оценках модель сокращала объём контекста, сохраняя ответы на контрольных примерах, но результаты зависят от языка, порога отсечения и набора данных. Модель опубликована под лицензией MIT.

passage-ranker.strawberry — модель ранжирования пассажей, разработанная Sinequa. Она оценивает релевантность пары «поисковый запрос — фрагмент текста», чтобы упорядочивать результаты поиска. Модель построена на XLM-RoBERTa и имеет около 110,2 млн параметров; README указывает базовую языковую модель mMiniLMv2-L6-H384-distilled-from-XLMR-Large и процедуру обучения MonoBERT. Модель обучалась и тестировалась на английском, китайском (упрощённом), нидерландском, французском, немецком, итальянском, японском, португальском и испанском языках. Контекст составляет 514 токенов; модель нечувствительна к регистру и диакритическим знакам. Она предназначена для многоязычного поиска и ранжирования результатов, включая применение в Sinequa версии 11.10.0 и выше. В README приведены результаты оценки на наборах BEIR и MIRACL. Модель распространяется в формате PyTorch. Для работы на GPU README указывает требование CUDA compute capability выше 7.5. Оценка релевантности обучена на MS MARCO Passage Ranking и переводах его данных для поддерживаемых языков, поэтому качество может различаться в зависимости от языка и предметной области. Лицензия в предоставленных данных не указана.

Sinequa разработала passage-ranker-v1-L-multilingual — модель ранжирования пассажей на основе BERT, которая оценивает релевантность пары «запрос — фрагмент текста» и помогает упорядочивать результаты поиска. В карточке указана архитектура BertForSequenceClassification, а метаданные сообщают о 151,7 млн параметров и контексте до 512 токенов; README приводит оценку в 124 млн параметров. Модель обучена по схеме MonoBERT на базе собственной многоязычной Sinequa BERT-Base. Модель предназначена для повторного ранжирования результатов поиска на английском, французском, немецком и испанском языках. Она нечувствительна к регистру и диакритическим знакам. В тестах BEIR средний NDCG@10 составил 0,471; в MIRACL приведены результаты для французского, немецкого и испанского языков. README указывает минимальную версию Sinequa 11.10.0 и требования к CUDA для GPU-инференса. Условия лицензии в доступных данных не приведены.

PolDense-1B — польская плотная embedding-модель для семантического поиска и извлечения релевантных текстов, разработанная как часть семейства PolDense. Она основана на энкодерах ettin-encoders с архитектурой ModernBERT и содержит 1 млрд параметров. Модель выдаёт векторные представления текстов и предназначена для польского поиска, retrieval и систем RAG. PolDense-1B обучали в три этапа: адаптировали английские энкодеры к польскому языку с помощью дистилляции знаний на параллельных польско-английских текстах, затем улучшали соответствие учителю на польских текстах и дообучали для retrieval на запросах и пассажах. В README сообщается о сравнении семейства на польском бенчмарке PIRB из 41 задачи; вариант 1B показал результаты выше сопоставлявшихся крупных моделей. Для retrieval к запросам добавляют префикс «[query]: », а для симметричного сравнения текстов — «[sts]: ». Модель принимает текст и выдаёт эмбеддинги; её контекст составляет 7 999 токенов. Репозиторий содержит веса в формате safetensors. Указана лицензия Gemma; применимые условия следует сверять с лицензией базовой модели и условиями распространения репозитория.

AISE-TUDelft/python-parameters-classifier — модель эмбеддингов на базе MPNet, опубликованная AISE-TUDelft. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CosineSimilarityLoss и подходит для построения семантического поиска и группировки текстов по смыслу. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. В репозитории указаны веса PyTorch и использование через Sentence-Transformers. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers на базе Qwen3-Embedding-0.6B, дообученная для получения плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. Архитектура включает Qwen3Model, пулинг по последнему токену и нормализацию векторов. Модель предназначена для поиска релевантных фрагментов по запросу, семантического поиска и retrieval-сценариев. В README приведены результаты проверки на двух наборах данных для информационного поиска; обучающая выборка описана как набор из 58 примеров с позитивными и негативными парами. Метаданные указывают контекст до 32768 токенов, тогда как README заявляет максимальную длину последовательности 1024 токена; для практического использования следует учитывать ограничение README. Поддерживается текстовый ввод, на выходе — векторы. Сведения о лицензии в предоставленных материалах отсутствуют.

Это плотная модель для поиска по тексту, дообученная Steve0927 на базе Qwen3-Embedding-0.6B в рамках эксперимента для соревнования XIR 1170. Она создаёт эмбеддинги запросов и документов, чтобы находить семантически близкие документы и строить поиск по траекториям. Чекпойнт обучен на 91 324 строках, связанных с траекториями и связями запрос–документ; README сообщает, что внешние запросы, ответы и документы, а также лидербордные запросы и скрытые результаты не использовались.

Карточка модели Steve0927/qwen3-embedding-0.6b-lrat-trajectory-graph-calibrated-v1 на Hugging Face совпадает с карточкой Steve0927/qwen3-embedding-0.6b-lrat-annwinner-extrap-a125-soup-a50-v1, поэтому описание составлено по ней. Это плотная модель для поиска по тексту, дообученная Steve0927 на базе Qwen3-Embedding-0.6B в рамках эксперимента для соревнования XIR 1170. Она создаёт эмбеддинги запросов и документов, чтобы находить семантически близкие документы и строить поиск по траекториям. Чекпойнт обучен на 91 324 строках, связанных с траекториями и связями запрос–документ; README сообщает, что внешние запросы, ответы и документы, а также лидербордные запросы и скрытые результаты не использовались.

IoannisKat1/Qwen3-Embedding-0.6B-matryoshka1 — модель Sentence Transformers, дообученная разработчиком на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерностью 1024 для семантического поиска и извлечения релевантных документов; сходство можно оценивать косинусной мерой. Архитектура включает трансформер Qwen3, pooling по последнему токену и нормализацию. Модель рассчитана на текст, имеет максимальную длину последовательности 32 768 токенов и ориентирована прежде всего на английский язык. Matryoshka-обучение позволяет сокращать размерность эмбеддингов; в карточке приведены результаты поиска для усечённых векторов размерностью от 64 до 768. Дообучение выполнено на 4 268 парах anchor-positive из датасета json. Модель распространяется по лицензии Apache-2.0.

Wheatley961/Raw_1_no_2_Test_3_new.model — модель Sentence-Transformers на базе XLM-RoBERTa, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения смысловой близости текстов и кластеризации. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает текст; контекст ограничен 514 токенами. Для работы README рекомендует библиотеку sentence-transformers; доступны веса в формате PyTorch. Модель обучалась с функцией потерь CosineSimilarityLoss. Карточка не сообщает явно базовую модель, лицензию, языки или результаты оценки качества, поэтому их нельзя надёжно определить по предоставленным данным.

LFM2.5-Embedding-350M — модель для построения векторных представлений текста, разработанная LiquidAI и экспортированная командой Software Mansion для запуска на устройствах через React Native ExecuTorch. Она предназначена прежде всего для семантического поиска и задач sentence similarity, включая сопоставление поисковых запросов с документами и passages непосредственно на устройстве. В основе модели — двунаправленный backbone LFM2.5-350M с гибридной архитектурой, сочетающей свёрточные слои и attention; размер скрытого представления составляет 1024. Модель формирует embedding размерностью 1024, применяет CLS pooling и L2-нормализацию, поэтому для сравнения векторов используется cosine similarity, эквивалентная скалярному произведению нормализованных embedding. Для лучшего качества retrieval рекомендуется использовать асимметричные префиксы «query: » для поисковых запросов и «document: » для индексируемых текстов. Языки и максимальная длина контекста в README не указаны. Репозиторий содержит готовые ExecuTorch-программы в форматах MLX int4 и XNNPack 8da4w, что позволяет выбирать между доступными backend и вариантами точности. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется. Вариант Core ML экспортирован, но не опубликован из-за проблем, описанных в отдельной заметке. Указана лицензия lfm1.0; подробные условия следует уточнять в файле лицензии upstream-модели.

Карточка модели Amirktk0312/resume-screener-bge-finetuned 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.

RetriBERT — модель извлечения признаков для поиска текстов, опубликованная пользователем yjernite на Hugging Face. Она использует архитектуру RetriBERT и предназначена для получения векторных представлений текста, которые можно применять в задачах поиска и сопоставления текстовых запросов с документами. Модель содержит 98,9 млн параметров и принимает последовательности длиной до 512 токенов. Карточка не описывает отдельно обучающие данные или конкретные языковые ограничения. В репозитории доступны веса PyTorch; для запуска показано использование Transformers с задачей feature-extraction. Лицензия в предоставленных данных не подтверждена.

MMLW-retrieval-roberta-large-v2 — польский текстовый энкодер семейства RoBERTa, предназначенный прежде всего для информационного поиска. Модель разработана для преобразования запросов и фрагментов текста в векторы размерностью 1024; также поддерживает семантическое сходство текстов. В README описано двухэтапное обучение: дистилляция знаний от stella_en_1.5B_v5 на польско-английских парах и последующая настройка с контрастивной функцией потерь на запросах с подобранными позитивными и негативными фрагментами. Модель содержит 533,7 млн параметров, использует архитектуру RoBERTa и имеет контекст длиной 514 токенов. Для поиска запросы следует помечать префиксом «[query]: », а для симметричного сравнения текстов — «[sts]: ». В README указан результат NDCG@10 60,71 на польском бенчмарке PIRB. Метаданные указывают лицензию Gemma; перед использованием следует проверить применимые условия этой лицензии.

ru-reranker-edge-150m — русскоязычный кросс-энкодер-реранкер на архитектуре ModernBERT с 149 млн параметров, разработанный sshalimov04 на базе deepvk/RuModernBERT-base. Модель принимает пару «запрос — документ» и выдаёт один логит релевантности; её используют для повторного ранжирования кандидатов, найденных поисковой системой. Контекст базовой модели достигает 8192 токенов, однако обучение и оценка проводились при длине 512 токенов. Модель дообучена методом листвайз-дистилляции: она училась воспроизводить оценки BAAI/bge-reranker-v2-m3 для групп запросов и документов. По результатам README, на выбранных русскоязычных тестах она достигает качества, близкого к модели-учителю, при меньшем размере. Доступны веса Safetensors и экспорт ONNX; лицензия — Apache-2.0. Модель предназначена для русскоязычного поиска и ранжирования документов, включая ответы на вопросы, научные тексты и нормативные документы. Для запросов с номерами статей и другими точными совпадениями BM25 может работать лучше; в таких случаях автор рекомендует сочетать нормированные оценки BM25 и реранкера. Другие языки не тестировались, а показатели скорости зависят от рантайма и оборудования.

Atla Selene-1-Mini — языковая модель Atla для оценки ответов и работы в роли LLM-as-a-judge. Она дообучена на основе Meta Llama 3.1 8B Instruct и содержит около 7,5 млрд параметров. Модель принимает текст и выдаёт текстовые оценки, классификации, сравнения ответов и качественные критические замечания с обоснованием. Модель предназначена для автоматической проверки качества ответов, в том числе оценки по заданной шкале, определения соответствия ответа запросу, попарного выбора лучшего ответа и выявления галлюцинаций в RAG-системах. В карточке заявлена оценка по 11 бенчмаркам и сильные результаты на RewardBench, EvalBiasBench и AutoJ. Поддерживает контекст до 131 072 токенов и ориентирована прежде всего на английский; также заявлена поддержка немецкого, французского, итальянского, португальского, испанского, хинди и тайского. Для ожидаемого поведения следует использовать шаблон диалога Llama 3. Лицензия — Apache 2.0.

KBLab, лаборатория данных Национальной библиотеки Швеции, разработала эту модель на базе BERT для получения плотных векторных представлений шведских и английских предложений и абзацев. Это sentence-transformers bi-encoder размером 151,9 млн параметров; он отображает текст в векторы размерности 768 и поддерживает входную последовательность до 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Шведская KB-BERT обучалась как student-модель с помощью дистилляции знаний от английской all-mpnet-base-v2. В README приведены результаты оценки на шведских наборах SweParaphrase и SweFAQ; версия v2.0 показала лучшие результаты на задаче поиска ответов в SweFAQ v2.0 среди перечисленных версий. Модель принимает текст и выдаёт векторы, пригодные для сравнения и поиска. Распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанным шведским бенчмаркам; качество на других языках и типах текстов может отличаться.

Sakil/sentence_similarity_semantic_search — дообученная модель на базе DistilBERT, созданная автором репозитория с использованием библиотеки sentence-transformers. Она предназначена для семантического поиска и оценки сходства предложений; также может применяться для подбора рекомендаций. При дообучении использовались заголовки и тексты новостей, а целевая оценка отражала их косинусное сходство. Модель принимает текст и формирует эмбеддинги для сравнения текстовых фрагментов; заявленная длина контекста — 512 токенов. Поддерживаемый язык по карточке — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README предлагает дообучать модель для конкретных сценариев.

Это модель на базе MPNet, опубликованная пользователем aammari в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768; число параметров — 136,7 млн, максимальная длина контекста — 514 токенов. Модель предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Векторные представления можно использовать для поиска похожих фраз и группировки текстов по смыслу. Модель обучалась с CosineSimilarityLoss; в README приведены сведения о тренировочном процессе, но не названы языки обучения или результаты оценки. Репозиторий содержит веса PyTorch и имеет признаки дообученной Sentence-Transformers модели на основе MPNet. Лицензия в предоставленных данных не указана.

SimLM-MSMARCO-Reranker — поисковая модель семейства SimLM, опубликованная intfloat для ранжирования пар «запрос — отрывок». Она использует архитектуру ELECTRA и обучена на задаче MS MARCO Passage Ranking; число параметров составляет 136,7 млн, а максимальная длина входа — 512 токенов. Модель оценивает релевантность отрывка запросу: более высокий балл означает более подходящий отрывок. Её можно использовать для повторного ранжирования результатов поиска, например, после первичного этапа dense retrieval. Обучение с listwise loss означает, что оценки не ограничены фиксированным диапазоном и предназначены для сравнения кандидатов. В карточке приведены результаты на MS MARCO и наборах TREC Deep Learning. Модель рассчитана на английский язык. Распространяется по лицензии MIT.

SLIM-INTENT — специализированная модель серии SLIM от llmware, дообученная для анализа намерений и вызова функции классификации. Она принимает текст и формирует структурированный результат в виде словаря Python с полем intent, например с меткой «complaint», пригодный для дальнейшей обработки в автоматизированных цепочках LLM. Модель построена на архитектуре Llama с плотной decoder-only языковой моделью и содержит 1 млрд параметров. Она рассчитана на текстовый ввод и текстовый структурированный вывод; в карточке показан англоязычный пример, но языковая поддержка отдельно не заявлена. Контекст — до 2048 токенов. Доступна в формате PyTorch, лицензия — Apache-2.0.

SPLADE-BERT-Medium — разреженный энкодер для поиска, созданный yosefw дообучением prajjwal1/bert-medium с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство между ними оценивается скалярным произведением. Архитектура включает BertForMaskedLM и слой SpladePooling с max-пулингом и ReLU. Модель рассчитана на английский язык, принимает последовательности длиной до 512 токенов и поддерживает поиск по смыслу и разреженное извлечение документов. Модель подходит для сопоставления запросов с релевантными документами и ранжирования результатов в поисковых системах. В README приведены метрики dot_accuracy@1/3/5 на оценочном наборе, однако сведения о названии и составе этого набора ограничены. Лицензия — MIT.

Statim Decide Multilingual Base — модель для типизированной классификации и принятия решений по тексту, разработанная для движка Statim. Это дообученная на нескольких наборах данных модель-энкодер mmBERT-base на основе convaiinnovations/laya-multilingual. Она отвечает на заданный вопрос о тексте одним из вариантов, оценкой или ответом «да/нет» и предназначена для маршрутизации обращений, определения намерений, модерации и других решений по коротким текстам и JSON. Модель не генерирует текст и рассчитана на один проход энкодера; доступны веса GGUF F32 и Q8_0, а также checkpoint в формате Laya. По заявленным измерениям, ответы можно получать на CPU и GPU без Python во время выполнения. Модель поддерживает несколько языков, включая русский, английский, арабский, немецкий, испанский, французский, хинди, итальянский, японский, польский, турецкий, китайский, индонезийский, португальский, нидерландский и персидский. В README приведены результаты на наборах для классификации намерений, типизированных решений и других задач; качество зависит от задачи и языка. Авторы отмечают слабые результаты на понимании прочитанного и семантическом сходстве и рекомендуют проверять уверенность модели, передавая ответы с низкой уверенностью на проверку человеку. Для решений с существенными последствиями для людей требуется человеческий контроль. Веса распространяются по лицензии PolyForm Noncommercial 1.0.0; часть обучающих данных имеет некоммерческие, ShareAlike или неизвестные условия лицензирования.

Stella en 1.5B v5 — англоязычная модель эмбеддингов от krytonguard, основанная на Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных фрагментов по запросу и оценки семантического сходства текстов; поддерживает Sentence Transformers и Transformers. Архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров. Для разных сценариев предусмотрены инструкции s2p для поиска по запросу и s2s для сравнения текстов. Модель обучена с использованием MRL и предоставляет векторы размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения; авторы считают 1024 измерения достаточными для большинства задач. Хотя метаданные указывают контекст до 131072 токенов, README рекомендует длину последовательности 512 токенов: модель обучалась на такой длине, а на специализированном поиске по длинным текстам показывает слабые результаты. Лицензия — MIT. Подробности обучения и использованные датасеты пока не опубликованы.

bijaygurung/stella_en_400M_v5 — англоязычная модель эмбеддингов на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных фрагментов по запросу, сравнения семантической близости предложений и извлечения векторных представлений текста; для задач поиска используются инструкции формата s2p, для сравнения предложений — s2s. Модель содержит 433,9 млн параметров, поддерживает контекст до 8192 токенов и выдаёт эмбеддинги размерностью 512, 768, 1024, 2048, 4096, 6144 или 8192. Разработчик рекомендует ограничивать входную последовательность 512 токенами: на специализированном поиске по длинным текстам качество может снижаться. Модель распространяется под лицензией MIT; сведения о тренировочных данных и методике обучения в карточке обещано опубликовать позднее.

facebook/tart-full-flan-t5-xl — модель ранжирования документов, разработанная исследователями Meta AI и представленная в проекте TART. Это кросс-энкодер на архитектуре T5, дообученный инструкциями на примерно 40 задачах информационного поиска и инициализированный из google/flan-t5-xl. Модель принимает запрос, текст документа и инструкцию на естественном языке, а затем оценивает релевантность документа запросу, чтобы упорядочить кандидатов после первичного поиска. Модель предназначена для улучшения поиска по коллекциям документов и применяется в сценариях retrieval-augmented generation, где нужно выбрать наиболее подходящие фрагменты для ответа. Авторы сообщают о результатах на BEIR, LOTTE и X²-Retrieval, превосходящих предыдущие методы на момент публикации работы. В метаданных указаны 385,2 млн параметров и контекст до 512 токенов; README приводит для TART-full размер 1,5 млрд параметров, поэтому сведения о размере расходятся. Доступен формат PyTorch. Для использования требуется специализированная реализация EncT5. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

multi-qa-MiniLM-L6-cos-v1 — модель эмбеддингов предложений и абзацев, разработанная в ходе Community week проекта Hugging Face по обучению моделей для семантического поиска. Она преобразует запросы, вопросы и текстовые фрагменты в нормализованные плотные векторы размерности 384 для поиска релевантных документов и сравнения смысловой близости. Модель основана на MiniLM-L6-H384-uncased с архитектурой BERT и содержит 25,9 млн параметров. Для получения эмбеддинга применяется mean pooling; обучение проводилось на 215 млн пар «вопрос — ответ» из разных источников с использованием контрастивной цели. Метаданные указывают библиотеку PyTorch, а карточка описывает применение через Sentence-Transformers или Transformers. Модель предназначена прежде всего для семантического поиска по текстам и вопросам. Контекст ограничен 512 токенами WordPiece, а при обучении использовались входы длиной до 250 токенов, поэтому качество на более длинных текстах может снижаться. Лицензия в предоставленных данных не указана.

Это точечная модель-переранжировщик пассажей на базе Qwen3-30B-A3B с архитектурой MoE, дообученная командой Utah NLP с помощью Tevatron 3.0. Она оценивает релевантность пары «запрос — пассаж» контрастивным методом и рассчитана на сортировку результатов поиска. Модель использует причинную языковую модель: оценка равна разности логитов ответов «yes» и «no» после специального текстового промпта с запросом и содержимым пассажа. Для корректных оценок промпт должен заканчиваться вопросом о релевантности, без добавления EOS-токена. Модель прошла полное дообучение на наборе RLHN-680K и опубликована в формате Safetensors для библиотеки Transformers. Базовая модель имеет 30 млрд параметров, из которых 3 млрд активны на токен; в метаданных репозитория указано 2,6 млрд параметров. Контекст составляет 32 768 токенов. Лицензия Apache-2.0. Численные метрики качества и перечень поддерживаемых языков в предоставленных источниках не описаны.