I.11Классификация, ранжирование и сопоставление

Карточка модели JaehyeokLee/preliminary_clustering_infonce_checkpoint_epoch_1_step_160 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_clustering_infonce_checkpoint_epoch_1_step_220 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_efficient_batching_random_gist_checkpoint_epoch_1_step_70 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_gist_checkpoint_epoch_1_step_100 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_infonce_checkpoint_epoch_1_step_140 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_infonce_checkpoint_epoch_1_step_40 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_random_gist_checkpoint_epoch_1_step_50 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

cross-encoder/qnli-distilroberta-base — англоязычный кросс-энкодер на архитектуре RoBERTa, разработанный и обученный с помощью SentenceTransformers. Модель дообучена на distilbert/distilroberta-base для оценки пары «вопрос — абзац»: она определяет, может ли абзац ответить на вопрос. Обучающие данные основаны на наборе GLUE QNLI, преобразованном из SQuAD в задачу вывода по тексту. Модель содержит 95,2 млн параметров, принимает текстовые пары и выдаёт оценку релевантности, пригодную для ранжирования абзацев по соответствию вопросу. Поддерживает английский язык и контекст длиной до 514 токенов. Доступны веса в форматах PyTorch, safetensors, ONNX, OpenVINO и Flax; лицензия — Apache-2.0. Подходит для поиска ответов в документах и ранжирования кандидатов при вопросно-ответном поиске. Оценка обучена на QNLI и не гарантирует фактическую правильность ответа; результаты за пределами английского языка и заданного контекста не подтверждены.

hanhainebula/qwen3-4b-ft-msmarco — плотная модель семейства Qwen3, дообученная авторами на один эпохе на английской обучающей выборке MSMARCO с помощью FlagEmbedding. Она создана как часть ресурсов ReasonEmbed для получения текстовых эмбеддингов и поиска документов, требующего рассуждений. Репозиторий содержит веса Safetensors; размер модели — около 3,7 млрд параметров, контекст — до 40 960 токенов. Модель подходит для построения векторного поиска по документам и ранжирования текстов по смысловой релевантности, в том числе для запросов со сложным рассуждением. Обучение ориентировано на английские данные. Лицензия Apache-2.0. В README отмечено изменение токенизатора для автоматического добавления EOS-токена.

Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций компактной мультиязычной embedding-модели Qwen3-Embedding-0.6B, разработанной Qwen. Квантизации подготовлены PeterAM4 с использованием llama.cpp и importance matrix, оптимизированной преимущественно для финансовых и технических текстов. Модель предназначена для построения RAG-систем, семантического поиска, извлечения документов и других задач сравнения предложений и текстов. Базовая модель содержит около 596 млн параметров, поддерживает контекст до 32 768 токенов, использует pooling по последнему токену и формирует embeddings размерностью 1024. Заявлена поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, португальского, русского и арабского языков. Доступны варианты от 8-битных до 1-битных, что позволяет запускать модель на периферийных устройствах, ноутбуках и серверах с ограниченными ресурсами. Сильными сторонами являются небольшой размер, низкие требования к памяти и задержке, а также калибровка квантования на финансовых вопросах и ответах, документах SEC 10-K, финансовых данных, математических задачах и общем тексте. В README рекомендован вариант Q3_K_M-imat размером около 331 МБ; его показатель PPL близок к BF16-базовой версии на указанном тестовом корпусе. При этом агрессивное квантование снижает качество: особенно заметная деградация наблюдается у вариантов ниже примерно 3 BPW, а результаты приведённых тестов не гарантируют аналогичную точность в конкретной задаче поиска. Модель распространяется по лицензии Apache 2.0.

Steve0927/qwen3-embedding-0.6b-lrat-full-v1 — дообученная модель для извлечения текстовых эмбеддингов и поиска релевантных документов. Она основана на Qwen3-Embedding-0.6B и настроена для задачи XIR competition 1170 на официальных обучающих парах LRAT с использованием обучающего процесса LRAT/FlagEmbedding. Модель имеет плотную архитектуру Qwen3, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для построения поисковых систем и извлечения релевантных текстов по запросам. В ходе дообучения использовались запросы и фрагменты документов длиной до 512 токенов; карточка не уточняет, ограничивает ли это длину на этапе применения. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

Это преобразованный в формат MLX BF16 чекпойнт Qwen3-Embedding-0.6B, опубликованный TiGa-RCE на Hugging Face. Он предназначен для создания текстовых эмбеддингов и семантического поиска; рассчитан на запуск на Apple Silicon через MLX или oMLX. Модель содержит около 507,6 млн параметров и поддерживает контекст до 32 768 токенов. В локальном тесте извлечения информации чекпойнт верно ранжировал 24 из 24 пар запросов и документов, совпав по векторам с семейным эталоном BF16 при указанной схеме пулинга и нормализации. Это ограниченная инженерная проверка, а не результат MTEB и не гарантия качества на других данных. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-Embedding-0.6B-mxfp8 — текстовая модель эмбеддингов семейства Qwen3, опубликованная mlx-community. README сообщает, что она преобразована в формат MLX из Qwen/Qwen3-Embedding-0.6B с помощью mlx-embeddings 0.0.3. Метаданные указывают 507,6 млн параметров, контекст до 32 768 токенов и лицензию Apache-2.0. Модель предназначена для получения векторных представлений текста, поиска семантически близких фрагментов и сравнения предложений. В каталоге для неё также отмечены генерация текста и сходство предложений, однако карточка описывает её именно как модель эмбеддингов. Доступные материалы не раскрывают языковую специализацию и сравнительные показатели качества.

TakalaWang/qwen3-embedding-4B-code-search — модель Sentence Transformer, дообученная на базе Qwen/Qwen3-Embedding-4B для поиска и сравнения текстов, включая запросы на естественном языке и фрагменты кода. Она преобразует предложения и абзацы в плотные векторы размерностью 2560; для сравнения векторов используется косинусное сходство. Архитектура включает трансформер Qwen3, пуллинг последнего токена и нормализацию выходных векторов. Модель обучалась с ContrastiveLoss на 800 парах текстов, в том числе примерах, связывающих описания задач с кодом. Её можно применять для семантического поиска кода, поиска похожих фрагментов, подбора парафразов, кластеризации и классификации текстов. Максимальная длина последовательности — 40960 токенов. Указана лицензия базовой модели в использованных данных не была, поэтому условия лицензирования определить нельзя.

rank1-0.5b — модель-реранкер на основе Qwen2.5-0.5B, разработанная JHU CLSP для поиска информации. Она принимает запрос и документ, генерирует цепочку рассуждений, затем выносит бинарное решение о релевантности и оценивает уверенность по логитам токенов true и false. Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для переоценки результатов поиска, особенно когда релевантность зависит от анализа нескольких аспектов запроса и документа. Её можно применять для ранжирования найденных документов и оценки пар «запрос—документ»; README сообщает о результатах на задачах поиска, требующих сложных рассуждений, но конкретные показатели здесь не приведены. Модель дообучена на Qwen/Qwen2.5-0.5B и наборе данных jhu-clsp/rank1-training-data. Лицензия — MIT.

RankingGPT-bloom-560m — модель ранжирования текстов на основе языковой модели семейства BLOOM, опубликованная авторами проекта RankingGPT. Репозиторий содержит плотную авторегрессионную архитектуру BloomForCausalLM с примерно 659,6 млн параметров в формате PyTorch; модель предназначена для оценки и упорядочивания текстовых кандидатов по релевантности, включая сценарии внутри и вне домена обучения. Модель подходит для поиска и ранжирования документов или ответов по запросу, например в поисковых системах и конвейерах извлечения информации. В карточке приведены сравнительные результаты на DL19, DL20 и BEIR, однако для этой конкретной версии отдельные показатели не выделены в доступном тексте. Поддерживаемый язык по карточке — английский. Лицензия MIT.

ReasonEmbed — текстовая модель эмбеддингов, разработанная авторами проекта ReasonEmbed и дообученная на базе Qwen/Qwen3-8B с функцией потерь RI-InfoNCE на синтетических данных. Она предназначена для извлечения документов по запросам, требующим многошагового рассуждения, и для семантического поиска; особенно ориентирована на сценарии retrieval в RAG-системах. На бенчмарке BRIGHT модель показала nDCG@10 38,1 для исходных запросов. Модель имеет плотную архитектуру Qwen3, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и формирует векторные представления для поиска и сравнения сходства. Доступны веса в формате safetensors; лицензия — Apache-2.0. Основание README указывает Qwen/Qwen3-8B, а метаданные связывают модель с hanhainebula/qwen3-8b-ft-msmarco как с базовой дообученной моделью.

Ionio-ai/retail_embedding_classifier_v1 — дообученная на BAAI модель Sentence Transformers на основе BAAI/bge-base-en. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Название указывает на розничную тематику, а пример обучающих данных содержит описания товаров; обучение проводилось на 174 064 парах текстов с оценками сходства, однако README не уточняет состав всего набора данных или результаты оценки качества. Архитектура включает BERT-трансформер, пулинг CLS-токена и нормализацию эмбеддингов. Максимальная длина входа — 512 токенов; модель содержит 136,7 млн параметров и распространяется в формате safetensors. Базовая модель BAAI/bge-base-en англоязычная, поэтому основным языком применения следует считать английский. Лицензия в предоставленных данных не указана.

sergeyzh/rubert-base-retriever — модель эмбеддингов на архитектуре BERT для текстового поиска. Автор указывает, что она создана дистилляцией эмбеддингов русских и английских текстов BAAI/bge-m3 в BERTA; метаданные также связывают её с дообучением sergeyzh/BERTA. Модель содержит 155,5 млн параметров, выдаёт векторы размерности 768 и принимает последовательности длиной до 512 токенов. Для использования через Sentence Transformers специальные префиксы не требуются. Модель предназначена для получения эмбеддингов запросов и документов, семантического поиска и сравнения предложений на русском и английском языках. В README приведены оценки на наборах поиска и ранжирования; результаты показывают применимость модели к поиску, но не гарантируют качество для каждого корпуса или сценария. Лицензия — MIT.

SDRM-Qwen3-30B-A3B-mask70 — попарная генеративная reward-модель и LLM-судья, дообученная на базе Qwen/Qwen3-30B-A3B-Instruct-2507 методом самодистилляции с маскированием выбранных позиций токенов. Она принимает контекст задачи и два ответа-кандидата, определяет подходящие критерии оценки, сравнивает ответы по этим критериям и выносит вердикт A или B. Модель предназначена для попарного ранжирования ответов и оценки качества диалоговых систем. Архитектура — Qwen3 MoE; в репозитории указано 2,6 млрд параметров, формат весов — safetensors, библиотека — Transformers. Поддерживает английский язык и контекст до 262 144 токенов. Лицензия — Apache-2.0. Для корректной работы требуется подавать контекст и ответы в ожидаемых тегах и соблюдать формат диалога.

Atla Selene 1 — языковая модель-судья, разработанная Atla для оценки ответов и поведения систем на основе заданных критериев. Она дообучена от Llama-3.3-70B-Instruct с использованием SFT и DPO и содержит около 69,5 млрд параметров. Модель предназначена для выставления оценок, классификации ответов и попарного сравнения вариантов; она также формирует структурированные результаты и качественные критические замечания с обоснованием. Selene 1 подходит для автоматизации оценивания в тестах LLM, проверки соответствия ответа запросу, анализа предпочтений и поиска галлюцинаций в RAG-системах. Критерии и шкалы оценки можно настраивать, а ответы можно проверять как с эталонным материалом, так и без него. Модель работает с текстом, поддерживает диалоговый режим и интерфейс вызова инструментов, использует архитектуру Llama и контекст до 131 072 токенов. В README заявлена преимущественная ориентация на английский язык и поддержка немецкого, французского, итальянского, португальского, хинди, испанского и тайского; метаданные также указывают английский, немецкий, французский, итальянский, португальский и испанский. Для работы рекомендуется применять шаблон диалога Llama 3, иначе поведение может быть непредсказуемым. Модель опубликована по лицензии Llama 3.3.

Serafim 335m Portuguese PT Sentence Encoder tuned for Information Retrieval — модель семейства Serafim PT*, представленная Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos в работе 2024 года. Это плотный sentence-transformers энкодер на архитектуре BERT с 433,2 млн параметров; он преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024. Для получения векторов используется mean pooling контекстных представлений. Максимальная длина контекста по метаданным — 512 токенов. Модель предназначена для семантического поиска и задач информационного поиска; векторы также подходят для кластеризации текстов. Она рассчитана на португальский язык и доступна под лицензией MIT. В README параметры обучения указывают на настройку энкодера для IR, но базовая модель явно не названа.

Skywork-Critic-Llama3.1-70B — модель-судья от команды SkyworkAI Alignment Team для попарного сравнения ответов и оценки их качества или соответствия критериям. Она построена на плотной архитектуре Llama и дообучена на базе meta-llama/Meta-Llama-3.1-70B-Instruct; содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает текстовые инструкции и ответы, формирует текстовые оценки и обоснования; в примере из карточки анализирует полезность, релевантность, точность, глубину, творческий подход и безопасность. Карточка сообщает о высоких результатах на RewardBench по состоянию на сентябрь 2024 года. Модель предназначена для отбора предпочтительных ответов, оценки пар ответов, подготовки данных для обучения и генерации оценок с пояснениями. Метаданные указывают поддержку чата и интерфейса вызова инструментов. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке модели. Разработчики просят не развёртывать её в интернет-сервисах без проверки безопасности; оценки могут быть ошибочными, а модель — введена в заблуждение.

Это преобразованный чекпойнт текстового энкодера T5Gemma 2, опубликованный jadanovitch на основе google/t5gemma-2-1b-1b для запуска в vLLM. Веса энкодера перенесены без изменений в формат Gemma3ForCausalLM; модель содержит 26 слоёв, размер скрытого состояния 1152 и около 1 млрд параметров. Используются веса и активации BF16, двунаправленное внимание и контекст до 32 768 токенов. Модель предназначена для получения текстовых представлений, поиска, ранжирования и экспериментов с текстовыми энкодерами. Хотя её можно загрузить через интерфейс генерации vLLM, она не обучалась как самостоятельная авторегрессионная языковая модель и не предназначена для обычного продолжения текста. Применяются условия лицензии Gemma.

Это точечный переранжировщик от Utah NLP на базе Qwen3-8B, обученный с помощью Tevatron 3.0 и контрастивной функции потерь на данных RLHN-680K. Модель оценивает релевантность пары «запрос — документ» как разность логитов ответов «yes» и «no» после промпта с вопросом о релевантности. Для оценки используется шаблон с запросом, заголовком и текстом документа. Модель основана на плотной авторегрессионной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. LoRA-адаптер объединён с базовыми весами. Предназначена для ранжирования найденных фрагментов и улучшения выдачи информационного поиска. Распространяется по лицензии Apache-2.0.

TomoroAI/tomoro-colqwen3-embed-4b — мультимодальная модель встраиваний Tomoro AI для поиска визуальных документов по текстовым запросам. Она дообучена на основе Qwen/Qwen3-VL-4B-Instruct и объединяет текстовое представление с обработкой изображений; архитектура ColQwen3 использует многовекторные эмбеддинги и позднее взаимодействие MaxSim для ранжирования релевантности. Модель кодирует текстовые запросы и страницы документов в виде изображений, включая страницы PDF, а также короткие видео. В README заявлена поддержка до 1 280 визуальных токенов на страницу и до 5 120 на видео; проекция имеет размерность 320. Авторы сообщают о конкурентных результатах на ViDoRe V1–V3, в том числе на мультиязычных наборах. Лицензия — Apache-2.0.

topk-embed-v1-small — мультимодальная модель извлечения TopK размером 2 млрд параметров, предназначенная для поиска по текстовым документам и изображениям страниц, включая сканы, отчёты и презентации. Она использует позднее взаимодействие: формирует несколько векторов для токенов текста или фрагментов изображения, а затем оценивает релевантность запросов и документов с помощью суммирования MaxSim. Разработчик — TopK, согласно названию и README. Модель рассчитана на retrieval-сценарии с текстовыми запросами и документами на разных языках. В README приведены оценки на восьми наборах ViDoRe v3, включая поиск по изображениям страниц и соответствующему тексту Markdown, а также нативные и межъязыковые запросы. Полная ширина векторов составляет 2048 измерений; доступны префиксные размерности Matryoshka от 64 до 2048. В метаданных указана дообученная база Qwen/Qwen3.5-2B, библиотека Sentence Transformers, формат safetensors и лицензия Apache-2.0. Для запуска README требует CUDA GPU с поддержкой bfloat16 (Ampere или новее).

ksg-dfci/TrialSpace-0526 — модель Sentence Transformer на базе архитектуры Qwen3, обученная на наборах mnri_dataset и contrastive_dataset. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерностью 1024, пригодные для поиска и сравнения по косинусному сходству. В метаданных указано 507,6 млн параметров и контекст до 32 768 токенов; карточка модели заявляет максимальную длину последовательности 2500 токенов. Модель предназначена для извлечения признаков и семантического поиска по тексту. Её можно применять для векторизации документов и запросов, поиска релевантных фрагментов и оценки сходства предложений. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

UEmbed-4B — мультимодальная модель эмбеддингов от Alibaba-NLP на архитектуре Qwen3.5 с примерно 4 млрд параметров. Она принимает текст, изображения, видео и их сочетания, а за один проход формирует плотные векторы и разреженные SPLADE-представления для поиска и сопоставления содержимого. Модель предназначена для семантического и мультимодального поиска, включая поиск по визуальным документам. Плотные векторы подходят для поиска по смыслу, а разреженные активации связаны с терминами словаря и могут использоваться в индексах обратных списков. Модель доступна в формате safetensors и работает через Transformers. Модель обучена на публичных наборах данных для текстового и мультимодального поиска. Лицензия — CC BY 4.0. В README не приведены сведения о длине контекста или результаты, специфичные именно для версии 4B.

thuannc/vi-distilled-msmarco-MiniLM-L12-cos-v5 — вьетнамская модель эмбеддингов предложений на базе Sentence-Transformers, созданная дистилляцией модели msmarco-MiniLM-L12-cos-v5 на англо-вьетнамских параллельных данных. Она преобразует предложения и абзацы в плотные векторы размерности 384 и подходит для семантического поиска и поиска ответов на вопросы. В README приведены результаты оценки: Recall@10 85 и MRR@10 58; для paraphrase-multilingual-MiniLM указаны 75 и 49 соответственно. Модель основана на архитектуре BERT, содержит 124,3 млн параметров и рассчитана на контекст до 512 токенов. Для обучения использовались PhoMT, MKQA, MLQA и XQuAD, а в качестве учителя — msmarco-MiniLM-L12-cos-v5. В метаданных указан формат PyTorch и лицензия MIT. README описывает применение через Sentence-Transformers или Transformers с подходящим pooling; опубликованные результаты и сценарии связаны с поиском, а иных ограничений карточка не уточняет.