I.11Классификация, ранжирование и сопоставление

jamescalam/mpnet-nli-sts — модель на базе MPNet, разработанная James Calam для получения эмбеддингов предложений и абзацев. Она отображает текст в плотное векторное пространство размерности 768 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. Модель дообучена на наборе STSb, используя jamescalam/mpnet-snli-negatives как исходную модель; в карточке сообщается о корреляции Пирсона около 0,9 по косинусному сходству на тестовой части STSb. Модель содержит 136,7 млн параметров, принимает английский текст, а её контекст ограничен 514 токенами. Распространяется в формате PyTorch по лицензии MIT.

flax-sentence-embeddings/mpnet_stackexchange_v1 — модель SentenceTransformers на основе MPNet-base, разработанная в рамках Community Week Hugging Face для проекта по обучению моделей эмбеддингов предложений. Её дообучили сиамским методом с контрастивной целью на парах вопросов и ответов StackExchange, а также на данных MS MARCO, NQ и других наборов вопросов и ответов. В репозитории указана архитектура MPNet, размер около 136,7 млн параметров и контекст до 514 токенов. Модель кодирует текст в векторы, отражающие его смысл. Она предназначена для семантического поиска и поиска ответов по вопросам; эмбеддинги также можно применять для оценки сходства предложений и кластеризации. Обучение ограничивало длину последовательности 128 токенами, поэтому качество на более длинных текстах может снижаться. Формат весов — PyTorch; лицензия в предоставленных данных не указана.

sentence-transformers/msmarco-distilbert-base-v2 — модель Sentence-Transformers, обученная командой Sentence Transformers на базе DistilBERT. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства, кластеризации и других задач с текстовыми эмбеддингами. Модель принимает текст, использует архитектуру DistilBERT и рассчитана на контекст до 512 токенов. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0.

sentence-transformers/msmarco-distilbert-base-v4 — модель Sentence-Transformers на базе DistilBERT, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Контекст модели ограничен 512 токенами; доступны реализации в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для поиска релевантных фрагментов, группировки похожих текстов и вычисления семантического сходства. Для применения через Transformers требуется корректно агрегировать контекстные представления токенов с помощью подходящей операции pooling. Данные карточки не уточняют поддерживаемые естественные языки и ограничения качества.

sentence-transformers/msmarco-roberta-base-v3 — модель sentence-transformers на архитектуре RoBERTa, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения предложений и кластеризации. Модель содержит 151,8 млн параметров, принимает текстовые входы и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Модель подходит для поиска текстов по смыслу и группировки семантически близких фрагментов. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия Apache-2.0 допускает использование на её условиях.

Xenova/ms-marco-TinyBERT-L-2-v2 — это версия модели cross-encoder/ms-marco-TinyBERT-L-2-v2 с весами в формате ONNX, подготовленная репозиторием Xenova для работы в Transformers.js. Модель относится к классу sequence classification и оценивает релевантность пары текстов, например поискового запроса и найденного документа. Модель предназначена прежде всего для задач информационного поиска, ранжирования результатов и семантического сопоставления текстов, включая работу непосредственно в JavaScript-приложениях и веб-среде. В основе используется компактная архитектура TinyBERT с двумя слоями; доступны квантованные и неквантованные ONNX-варианты. В README приведён пример на английском языке, однако полный набор поддерживаемых языков и размер контекста не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в исходном репозитории базовой модели и связанных материалах. Компактность и совместимость с Transformers.js упрощают развёртывание, но ограничения TinyBERT могут отражаться на точности по сравнению с более крупными моделями.

AIDA-UPM — модель sentence-transformers на базе XLM-RoBERTa, обученная сопоставлять предложения и абзацы в общем плотном пространстве эмбеддингов размерности 768. Её можно применять для семантического поиска, кластеризации и оценки смыслового сходства текстов. Модель содержит 305,2 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для поиска близких по смыслу фрагментов в многоязычных корпусах и группировки текстов по тематике. Обучение с CosineSimilarityLoss указывает на настройку для работы с оценкой сходства. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, разработанная trmteb и дообученная на базе intfloat/multilingual-e5-base на слабоконтролируемом контрастивном наборе турецких текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию. Сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сопоставления текстов, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текстов. Контекст ограничен 512 токенами по README (в метаданных указано 514). Обучающий набор содержит около 60 млн пар «запрос — релевантный текст» на турецком языке; базовая модель многоязычная, однако карточка не уточняет языковой охват этой версии. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать в системах поиска и анализа. Модель поставляется в формате safetensors и использует библиотеку sentence-transformers. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

Это модель Sentence Transformers семейства XLM-RoBERTa, разработанная RZTK на основе yklymchuk-rztk/multilingual-e5-base-matryoshka2d-cached-mnr-multiple-datasets-large-1 и дообученная на наборах core_uk и core_ru. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размером 768 и поддерживает сравнение сходства по скалярному произведению. Модель подходит для семантического поиска, поиска похожих формулировок, кластеризации и классификации текста, в том числе для русскоязычных и украиноязычных данных. Архитектура включает XLMRobertaModel, усредняющий токены pooling-слой и нормализацию. Максимальная длина последовательности — 512 токенов; библиотека — Sentence Transformers. В README приведены результаты поиска на русских и украинских тестовых наборах, включая варианты с опечатками и транслитерацией. Лицензия в предоставленных данных не указана.

Это дообученная Turbo-AI модель Sentence Transformer для получения плотных векторных представлений предложений и абзацев. Она основана на XLM-RoBERTa, содержит 125,9 млн параметров и формирует эмбеддинги размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности в README составляет 1022 токена, а метаданные указывают нативный контекст в 1024 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. README описывает обучение на примерах anchor, positive и negative с CachedMultipleNegativesRankingLoss. Семейство E5 мультиязычное, однако конкретные поддерживаемые языки в предоставленных данных не перечислены. Модель выдаёт векторы, а не готовые ответы на естественном языке. Лицензия в предоставленных данных не указана.

mjwong/multilingual-e5-large-xnli — многоязычная модель классификации текста, дообученная на XNLI на основе intfloat/multilingual-e5-large. Её можно использовать в zero-shot-классификации: передать текст и произвольные метки классов, после чего модель оценит соответствие текста каждой метке. Для случаев, когда к тексту подходят несколько меток, поддерживается независимая оценка каждого класса. Модель построена на архитектуре XLM-RoBERTa-large и содержит около 658,7 млн параметров. Контекст — до 514 токенов. В README приведены результаты оценки на XNLI для 15 языков, а также тесты на MultiNLI и ANLI. Модель распространяется по лицензии MIT.

mjwong/multilingual-e5-large-xnli-anli — многоязычная модель классификации текста, созданная дообучением intfloat/multilingual-e5-large на наборах XNLI и ANLI. Она основана на архитектуре XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для классификации без заранее заданного набора классов: можно передать текст и собственные варианты меток, а также применять её для задач вывода по текстовым парам. Поддерживаются 15 языков: английский, арабский, болгарский, немецкий, греческий, испанский, французский, хинди, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский. В README приведены результаты оценки на XNLI, MultiNLI и ANLI. Модель доступна в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Качество зависит от выбранных формулировок меток и языка; результаты на тестах ANLI и XNLI различаются между языками и наборами.

Карточка модели linhha2705/multilingual-e5-nutrition на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

agentlans/multilingual-e5-small-aligned — дообученная модель Sentence Transformers на основе intfloat/multilingual-e5-small, разработанная для сопоставления предложений и абзацев в общем векторном пространстве. Архитектура основана на BERT: модель усредняет токенные представления, нормализует результат и выдаёт плотные эмбеддинги размерности 384. Максимальная длина последовательности — 512 токенов; для сравнения используется косинусное сходство. Модель подходит для семантического поиска, сравнения смысловой близости текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучалась на парах предложений из набора agentlans/en-translations с функцией потерь MultipleNegativesRankingLoss, что указывает на межъязыковое выравнивание переводов. Карточка не перечисляет поддерживаемые языки, поэтому конкретные языковые коды не приводятся. Лицензия в предоставленных данных не указана.

Модель austinpatrickm/multilingual-e5-small-finetuned — дообученный автором модели Sentence Transformer на базе intfloat/multilingual-e5-small. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией и преобразует предложения и абзацы в плотные эмбеддинги размерности 384. Максимальная длина входа — 512 токенов; близость векторов можно оценивать косинусным сходством. Модель предназначена для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. В README приведены результаты оценки поиска информации и обучающий набор из 29 840 пар текстов. Многоязычность наследуется от базовой multilingual-e5-small; конкретные языки в карточке не перечислены. Лицензия в предоставленных данных не указана.

Это дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-small, разработанная автором репозитория srikarvar. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 384 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT-трансформер, усреднение токеновых представлений и нормализацию; сходство векторов оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для многоязычных сценариев работы с текстами. В README приведены результаты бинарной классификации пар предложений: точность 0,93 и F1 0,9238 на указанных наборах pair-class-dev и pair-class-test. Веса опубликованы в формате safetensors; лицензия в доступных данных не приведена.

Mollel разработал эту модель Sentence Transformer на основе Geotrend/bert-base-sw-cased, дообучив её на наборе пар и триплетов предложений на суахили и английском языках. Модель использует BERT с усреднением токенных представлений и формирует плотные векторы размерностью 768; для сравнения текстов применяется косинусное сходство. Максимальная длина последовательности — 512 токенов. Модель предназначена для поиска семантически близких предложений и абзацев, оценки сходства текстов, поиска перефразирований, кластеризации и извлечения признаков для классификации. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы размером 512, 256, 128 или 64 измерения с приведёнными в карточке результатами оценки сходства. Это текстовая модель без генерации ответов; показатели качества зависят от данных и сценария применения. Лицензия в предоставленных данных не указана.

flax-sentence-embeddings/multi-qa_v1-MiniLM-L6-mean_cos — модель SentenceTransformers для преобразования предложений и вопросов в векторные представления. Её разработали участники Hugging Face Community Week в рамках проекта по обучению моделей эмбеддингов; за основу взяли nreimers/MiniLM-L6-H384-uncased и дообучили на парах «вопрос — ответ» с помощью сиамской сети и контрастивного обучения. Вектор предложения формируется усреднением скрытых состояний BERT-подобной архитектуры MiniLM с 25,9 млн параметров. Модель предназначена для семантического поиска, сравнения сходства вопросов и ответов, кластеризации текстов и других сценариев, где нужно сопоставлять предложения по смыслу. Она принимает текст и выдаёт эмбеддинги; модель обучалась на данных Stack Exchange, MSMARCO, Natural Questions и TriviaQA. Контекст ограничен 512 токенами, а при обучении длина последовательности ограничивалась 128 токенами. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

multi-QA_v1-mpnet-asymmetric-Q — модель для создания векторных представлений вопросов, разработанная flax-sentence-embeddings в рамках проекта Hugging Face Community Week «Train the Best Sentence Embedding Model Ever with 1B Training Pairs». Это MPNet с 136,7 млн параметров, дообученный контрастивным методом на парах вопросов и ответов из Stack Exchange, MSMARCO, NQ и других наборов данных. Модель принимает текст и выдаёт вектор размерности смысла предложения; длина контекста — до 514 токенов по метаданным. Модель предназначена для кодирования вопросов в системе семантического поиска и сопоставления с векторами ответов, полученными парной моделью multi-QA_v1-mpnet-asymmetric-A. Векторы также подходят для поиска по смыслу, кластеризации и оценки сходства предложений. Для поиска вопросов и ответов рекомендуется использовать пару Q/A-моделей. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Yunika/muril-base-sentence-transformer — модель на базе BERT, представленная как Sentence Transformers для получения плотных векторных представлений предложений и абзацев размерностью 768. Её обучили с TripletLoss на датасете embedding-data/QQP_triplets; модель подходит для семантического поиска, сравнения сходства текстов и кластеризации. Репозиторий содержит веса в формате safetensors, использовать модель можно через библиотеку sentence-transformers или Transformers с подходящей операцией pooling. Модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 512 токенов, всего в модели около 264,8 млн параметров. Лицензия в предоставленных данных не указана.

mxbai-embed-large-v1-gguf — модель для построения векторных представлений предложений и текстов, разработанная MixedBread AI и преобразованная в формат GGUF пользователем ChristianAzinn. В основе лежит модель mxbai-embed-large-v1 архитектуры BERT, обученная с использованием функции потерь AnglE на большом высококачественном наборе данных. Модель ориентирована на англоязычные тексты и предназначена для семантического поиска, сравнения текстов, кластеризации, извлечения признаков и других задач, где используются sentence embeddings. Модель поддерживает контекст до 512 токенов и поставляется в вариантах GGUF с квантованием от 2 до 8 бит, а также в FP16 и FP32. Файлы совместимы с llama.cpp и LM Studio при указанных в README версиях. Квантование позволяет снизить требования к памяти, однако варианты с малым числом бит могут существенно ухудшать качество; наиболее сбалансированными авторами названы Q4_K_M, Q5_K_S, Q5_K_M и Q8_0. Размер исходной модели и точное число параметров в README не указаны. Модель сильна в задачах семантического представления текста и заявлена как обеспечивающая высокие результаты на бенчмарках уровня BERT-large. Ограничения включают поддержку только английского языка, ограничение контекста 512 токенами и возможную потерю качества при агрессивном квантовании. Модель распространяется по лицензии Apache-2.0.

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.

good-ai-club/NBB — модель Sentence-Transformers на архитектуре BERT, разработчик которой указан в идентификаторе репозитория как good-ai-club. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для построения текстового поиска по смыслу, ранжирования или группировки похожих фрагментов. В README указан обучающий лосс CosineSimilarityLoss. Сведения о лицензии и конкретном языке обучения не приведены; качество зависит от соответствия входных данных обучающим данным модели.

Nemotron-3-Embed-1B GGUF — это модель для создания текстовых эмбеддингов, основанная на Nemotron-3-Embed-1B-BF16 от NVIDIA и преобразованная в формат GGUF для использования с llama.cpp. Она предназначена для семантического поиска, построения retrieval-систем, сопоставления текстов, кластеризации и других задач, где требуется сравнивать смысловое сходство текстовых фрагментов. Модель использует архитектуру mistral3 (Ministral3): 16 слоёв, скрытое представление размером 2048, 24 Q-heads и 8 KV-heads. Заявлен контекст до 262 тысяч токенов с поддержкой YaRN. Для получения эмбеддингов применяются mean pooling и L2-нормализация. Доступны варианты BF16 размером около 2,2 ГБ и Q8_0 размером около 1,2 ГБ. Поддерживаемые языки и другие модальности в README не указаны. Сильной стороной модели является совместимость с llama.cpp и возможность локального запуска в формате GGUF, включая экономичный вариант Q8_0. Для полного совпадения исходных векторов с реализацией Hugging Face необходимо отключить автоматическое добавление BOS-токена; при стандартной настройке качество поиска, согласно README, не меняется, хотя сами векторы немного отличаются. Лицензия — openmdw-1.1.

Stern5497/nir-24-xlm-roberta-base — модель Sentence Transformer, созданная разработчиком Stern5497 дообучением FacebookAI/xlm-roberta-base. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для сравнения по косинусному сходству. Модель построена на XLM-RoBERTa с усреднением токенных представлений; максимальная длина последовательности — 514 токенов по метаданным Hugging Face. Модель предназначена для семантического сходства текстов и семантического поиска. Векторы также можно использовать для поиска перефразировок, кластеризации и классификации текста. В README указан обучающий набор из 164 848 примеров; метаданные называют базовую модель многоязычной, однако конкретные поддерживаемые языки этой версии не перечислены. Модель распространяется в формате Safetensors и рассчитана на использование с библиотекой Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

nli-roberta-base-v2 — модель Sentence Transformers, обученная командой sentence-transformers на базе архитектуры RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по смыслу, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Модель подходит для поиска похожих фрагментов текста, группировки документов и построения семантических представлений в системах поиска. Для её использования доступны форматы PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Лицензия — Apache-2.0.

mlx-community/nomicai-modernbert-embed-base-4bit — англоязычная модель эмбеддингов на базе ModernBERT, опубликованная mlx-community. Репозиторий содержит версию для MLX, преобразованную из nomic-ai/modernbert-embed-base; модель предназначена для получения векторных представлений текста и оценки сходства предложений. Она основана на архитектуре ModernBERT, имеет 149 млн параметров и контекст до 8192 токенов. README предлагает использовать её через библиотеку mlx-embeddings. Модель подходит для семантического поиска, сопоставления предложений и построения систем поиска по текстам. Указана лицензия Apache-2.0. README подтверждает преобразование в формат MLX, тогда как метаданные связывают модель с answerdotai/ModernBERT-base и nomic-ai/modernbert-embed-unsupervised через merge и finetune; точная последовательность происхождения в источниках не согласована.

Карточка модели indigoskyai/nomic-embed-text-v1.5 на Hugging Face совпадает с карточкой nomic-ai/nomic-embed-text-v1.5, поэтому описание составлено по ней. nomic-embed-text-v1.5 — текстовая модель эмбеддингов компании Nomic AI на архитектуре NomicBert, содержащая 136,7 млн параметров. Она преобразует тексты в векторы для семантического поиска, индексации документов для RAG, кластеризации, поиска дубликатов и подготовки признаков для классификации. Для выбора режима перед текстом требуется указать инструкционный префикс, например search_document или search_query. Модель использует Matryoshka Representation Learning: размерность вектора можно уменьшать, снижая потери качества; в карточке приведены результаты для размерностей 768 и 512. README сообщает о последовательностях до 8192 токенов, тогда как метаданные указывают базовый размер контекста 2048 токенов. Доступны форматы safetensors и ONNX, лицензия Apache-2.0. Для совместных мультимодальных эмбеддингов README указывает на отдельную модель nomic-embed-vision-v1.5; сама эта модель кодирует текст.

NV-Embed-v1 — англоязычная модель эмбеддингов от NVIDIA на базе decoder-only LLM Mistral-7B-v0.1. Она преобразует запросы и тексты в векторы размерностью 4096 для поиска и других задач сравнения и анализа текста. Модель использует pooling с latent attention и двухэтапную настройку инструкциями. В README сообщается о результатах на бенчмарке MTEB по 56 задачам, включая поиск, ранжирование, классификацию, кластеризацию и семантическое сходство; также указаны результаты AIR-Bench QA для английского языка и Long-Doc. Для доступа к репозиторию требуется аутентификация Hugging Face. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для получения эмбеддингов и поддерживает задачи извлечения признаков и сравнения предложений; в каталоге файлов указан формат safetensors.

Карточка модели Sieddi/Octen-Embedding-8B на Hugging Face совпадает с карточкой Octen/Octen-Embedding-8B, поэтому описание составлено по ней. Octen-Embedding-8B — текстовая модель эмбеддингов, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-8B. Она предназначена для семантического поиска и извлечения документов, сравнения текстов, кластеризации и создания векторных представлений для последующей классификации или ответов на вопросы. Модель построена на архитектуре Qwen3, содержит 7,6 млрд параметров, формирует эмбеддинги размерностью 4096 и поддерживает контекст до 40 960 токенов. Модель заявлена как мультиязычная, с поддержкой более 100 языков, включая английский и китайский; также заявлены межъязыковой поиск и поиск по коду. В README указаны специализации для юридических, финансовых, медицинских и программных материалов, а также первое место в RTEB по состоянию на 12 января 2026 года. Для документов без префикса README рекомендует добавлять в начало «- » из-за известной проблемы в upstream-модели. Качество может различаться по языкам и областям, документы длиннее контекста требуют усечения; генерация текста не является назначением модели. Лицензия — Apache 2.0.