I.11Классификация, ранжирование и сопоставление

Модель jb2k/bert-base-multilingual-cased-language-detection — классификатор для определения языка текста, созданный дообучением bert-base-multilingual-cased на наборе common language. Она предсказывает один из 45 языков, включая русский, английский, китайский, арабский и другие. Модель построена на архитектуре BERT с классификационной головой, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для автоматической маршрутизации текстов по языку, предварительной обработки многоязычных данных и определения языка пользовательских сообщений. В README указана точность 97,8% на тестовом разделении common language dataset. Опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

HooshvareLab/bert-fa-base-uncased-clf-persiannews — модель классификации персидских текстов на основе ParsBERT v2.0. Разработчики восстановили словарь и дообучили ParsBERT v1.1 на новых персидских корпусах, затем настроили модель для классификации новостей Persian News по восьми категориям, включая экономику, международные события, политику, науку и технологии, культуру и искусство, спорт, медицину и социальные темы. Модель использует архитектуру BERT для классификации последовательностей, содержит около 190 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для разметки персидских новостных статей и близких по стилю текстов; в README для набора Persian News приведён результат F1 97,44. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0. Показатели качества приведены для конкретного набора данных Persian News; качество на других жанрах, источниках и схемах классов может отличаться.

Англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-base-en-v1.5 для построения эмбеддингов текстов, связанных с товарами Shopify. Архитектура основана на BERT с CLS-пулингом и нормализацией; модель содержит 136,7 млн параметров и преобразует предложения и абзацы в векторы размерности 768. Максимальная длина последовательности — 512 токенов, сходство можно оценивать косинусной мерой. Модель подходит для семантического поиска и сравнения текстов о товарах, поиска перефразировок, кластеризации и классификации текстов. В описанной оценке на наборе bge-shopify-eval достигнута точность cosine_accuracy 0,9012; обучающий набор состоял из 729 примеров и использовал TripletLoss. Эта оценка относится к указанному набору и не гарантирует аналогичного качества на других данных. Лицензия в предоставленных сведениях не указана.

clarin-knext/bge-reranker-v2-m3-citeverifier — дообученная модель CLARIN-KNекст на основе BAAI/bge-reranker-v2-m3 для проверки соответствия пары текстов. Она принимает посылку и гипотезу, оценивает их совместимость и позволяет по порогу сходства получить бинарное решение; такой сценарий подходит для проверки, подтверждается ли утверждение заданным текстом. Модель построена на XLM-RoBERTa, содержит около 658,7 млн параметров, работает с текстом и имеет контекст до 8194 токенов. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не описана.

onnx-community/bge-small-en-v1.5-ONNX — модель для создания векторных представлений текста (эмбеддингов), разработанная сообществом onnx-community на основе BAAI/bge-small-en-v1.5. Она распространяется с весами в формате ONNX и предназначена для использования в JavaScript-библиотеке Transformers.js, включая браузерные и другие web-ориентированные сценарии. Модель поддерживает задачу извлечения признаков текста и формирует эмбеддинги размерностью 384. В примерах используется pooling по CLS-токену и нормализация векторов. Модель подходит для семантического поиска и retrieval-сценариев: тексты документов и поисковые запросы преобразуются в эмбеддинги, после чего сравниваются, например, по косинусной близости. Для запросов рекомендуется добавлять инструкцию «Represent this sentence for searching relevant passages:». README не указывает архитектуру, максимальную длину контекста, перечень поддерживаемых языков, размер модели или точные ограничения качества. К сильным сторонам относятся компактный формат ONNX, совместимость с Transformers.js и возможность выполнять вычисление эмбеддингов в JavaScript-среде. Ограничения включают отсутствие в README сведений о лицензии, языковой поддержке и характеристиках производительности; по базовому идентификатору и приведённым примерам модель ориентирована на англоязычные тексты. Условия лицензирования в предоставленных данных не указаны.

yjoonjang/colbert-ko-en-v2 — двуязычный поисковый энкодер на основе ColBERT, разработанный для поиска документов на корейском и английском языках. Модель дообучена на skt/A.X-Encoder-base, использует архитектуру ModernBERT и содержит 148,7 млн параметров. Она формирует 128-мерный вектор для каждого токена, а затем сопоставляет запрос и документ методом MaxSim, сохраняя детальные сигналы совпадения между терминами вместо сведения всего текста к одному вектору. Модель предназначена для поиска по коллекциям документов, отбора top-k результатов и переранжирования кандидатов. Она не требует инструкционных префиксов; запрос может расширяться до 64 токенов, длина документа — до 8192 токенов по README, а нативный контекст в метаданных указан как 16384 токена. В тестах MTEB(kor, v2) README сообщает среднее значение nDCG@10 0,8063 по девяти задачам поиска. Модель принимает текст запросов и документов и выдаёт токенные векторы и оценки релевантности. Репозиторий распространяется в формате safetensors через библиотеку PyLate по лицензии Apache-2.0. Как и другие модели поиска, качество зависит от соответствия корпуса и запросов языкам и типам данных, на которых модель оценивалась.

Это веса только визуального энкодера CLIP на базе ConvNeXt Large с MLP-головой, опубликованные в библиотеке timm. Модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения изображений. В названии указаны обучение на LAION-2B и режим аугментации AugReg. Репозиторий содержит веса PyTorch в формате safetensors и использует Apache License 2.0. Карточка не сообщает размер модели, контекст или языки; языковые возможности текстового энкодера отсутствуют, поскольку опубликован только энкодер изображений.

facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

Карточка модели Tony-00316/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

capemox/ettin-encoder-17m-pretrain-50m — компактный энкодер для поиска по смыслу и извлечения эмбеддингов, разработанный на основе jhu-clsp/ettin-encoder-17m. Это чекпойнт первого этапа обучения ModernBERT с 16,8 млн параметров: его контрастивно предобучили на сбалансированной выборке из 50 млн пар запрос–документ с использованием MultipleNegativesRankingLoss. Модель предназначена для векторного поиска без дополнительного обучения и как стартовая точка для последующей настройки на специализированных данных. В тестах без дообучения модель показала NDCG@10 0,4482 на ArguAna и 0,2548 на FiQA2018; агрегированный результат на NanoBEIR составил 0,5074. Модель принимает текст и выдаёт эмбеддинги; карточка ориентирована на английский язык, а контекст составляет 7 999 токенов. Для установки и использования заявлена библиотека sentence-transformers. Лицензия — Apache-2.0. Это чекпойнт только предобучения: он не проходил supervised fine-tuning на данных для поиска, поэтому качество может уступать специализированным моделям после такой настройки. Приведённые результаты относятся к конкретным тестам и не гарантируют качество на других корпусах.

EttinX-nli-s — англоязычный cross-encoder для определения логической связи между парой текстов: противоречие, нейтральное отношение или следование. Модель разработал dleemiller на основе энкодера jhu-clsp/ettin-encoder-68m семейства ModernBERT; она дообучена на наборе all-nli-distill с логитами учителя dleemiller/ModernCE-large-nli. Использует архитектуру классификации последовательностей и содержит 68,1 млн параметров. Модель подходит для проверки гипотез по тексту, оценки семантического соответствия пары предложений и анализа ответов LLM. Автор приводит результаты micro-F1 0,8798 на MNLI mismatched и 0,8967 на SNLI. Заявлена обработка последовательностей до 8192 токенов, что полезно для оценки длинных ответов; метаданные указывают контекст 7999 токенов. Компактный размер делает модель подходящей для инференса на CPU. Лицензия MIT.

EVA-Giant Patch14 336 CLIP — модель классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи EVA-CLIP и доступная в библиотеке timm. Визуальная башня CLIP предварительно обучена на LAION-400M и дообучена на ImageNet-1k. Модель содержит около 1,013 млрд параметров и рассчитана на изображения размером 336 × 336 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k, а также для извлечения эмбеддингов изображений. README описывает обучение с использованием визуальных и текстовых башен CLIP, предварительного обучения MIM, прореживания патчей FLIP и оптимизаций, ускоряющих обучение. В репозитории timm веса сохранены в float32; исходные веса доступны в float16 или bfloat16. Лицензия — MIT. Модель ориентирована на изображения и сама по себе не предназначена для диалога или генерации текста; сведения об ограничениях точности и поведении на данных вне ImageNet-1k в карточке не приведены.

GME-Qwen2-VL-2B — мультимодальная модель эмбеддингов, разработанная Tongyi Lab компании Alibaba Group на основе Qwen2-VL-2B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторы размерностью 1536 для поиска и сопоставления между текстами и изображениями. Модель поддерживает динамическое разрешение изображений и контекст до 32 768 токенов. Модель предназначена для текстового и мультимодального поиска, включая поиск изображений по тексту, похожих изображений и документов по содержимому скриншотов. Её можно применять в мультимодальных RAG-системах, например для поиска по научным статьям. В карточке сообщаются результаты оценки на английском и китайском наборах MTEB, однако обучение велось только на английских данных, поэтому качество мультиязычных мультимодальных эмбеддингов не гарантируется. Модель обрабатывает по одному изображению за раз; число визуальных токенов ограничено 1024. Данные карточки указывают лицензию Apache-2.0, а правила распространения GME дополнительно требуют заметно указывать «Built with GME» для продуктов с моделью и добавлять префикс «GME» к названиям моделей, созданных с использованием её выходов.

IoannisKat1 разработал эту модель Sentence Transformers, дообучив Alibaba-NLP/gte-multilingual-base на 4 268 парах текстов. Модель кодирует предложения и абзацы в нормализованные плотные векторы размерности 768 для поиска и сравнения по косинусному сходству. Архитектура включает Transformer-энкодер, CLS-пулинг и нормализацию; максимальная длина входа — 8 192 токена. Модель предназначена для семантического поиска и извлечения релевантных фрагментов по запросу. Matryoshka-обучение позволяет усекать векторы до 512, 256, 128 или 64 измерений, с некоторым снижением качества поиска. Карточка указывает английский язык, однако примеры обучающих пар на греческом, поэтому поддержка других языков неясна. Лицензия — Apache-2.0.

TiGa-RCE/gte-Qwen2-1.5B-instruct-MLX-BF16 — модель эмбеддингов на базе Alibaba-NLP/gte-Qwen2-1.5B-instruct, преобразованная в формат MLX с точностью BF16. Она предназначена для получения векторных представлений текстов и семантического поиска на устройствах Apple Silicon с MLX или oMLX. Модель содержит 1,5 млрд параметров, построена на архитектуре Qwen2 и поддерживает контекст до 131072 токенов. Лицензия — Apache-2.0. В локальном тесте извлечения информации модель получила 24 успешных ответа из 24 пар запросов и документов, с MRR 1,0. Это ограниченная инженерная проверка на фиксированном наборе, а не оценка общего качества. Контрольный чекпойнт предназначен для MLX/oMLX на Apple Silicon; результаты для CUDA и PyTorch к нему не относятся.

hyper3-clip-v1 — разработанная hyper³labs гиперболическая vision-language-модель для визуального поиска. Она сопоставляет изображения и текст в общем пространстве эмбеддингов, чтобы находить изображения по широким категориям и уточнять поиск конкретными описаниями, а также учитывать сочетания объектов, атрибутов и отношений между ними. README приводит результаты сравнений на SugarCrepe и наборах Amazon Berkeley Objects, DeepFashion In-Shop и COCO: модель показывает более высокую точность или mAP, чем указанные в таблицах CLIP-базовые сравнения. Для загрузки весов требуется заполнить форму доступа; указаны библиотека Transformers и формат safetensors. Лицензия в метаданных — OpenMDW-1.0. Размер модели, языки и длина контекста не приводятся.

hotchpotch/japanese-bge-reranker-v2-m3-v1 — японский реранкер из серии моделей CrossEncoder, разработанной hotchpotch и обученной на японских данных. Он оценивает релевантность пары «запрос — документ» и упорядочивает найденные материалы, помогая улучшить результаты поиска и подбора контекста для RAG-систем. Модель построена на архитектуре XLM-RoBERTa и содержит около 658,7 млн параметров; поддерживает контекст до 8194 токенов. Для инференса указана библиотека Sentence Transformers, веса доступны в формате safetensors. Модель предназначена прежде всего для повторного ранжирования результатов поиска на японском языке. В README приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD, однако числовые результаты для этой конкретной версии среди доступных фрагментов не показаны. Репозиторий распространяется по лицензии MIT.

hotchpotch разработала японский reranker серии CrossEncoder. Модель оценивает пары «запрос — документ» совместно и присваивает им оценки релевантности, чтобы сортировать результаты поиска и уточнять ранжирование кандидатов. В README приведены результаты оценки на японских наборах данных, включая JQaRA, JaCWIR, MIRACL и JSQuAD. Модель построена на архитектуре BERT с классификационной головой и обучена для японского языка. Она принимает текст, выдаёт оценки релевантности и имеет контекст длиной до 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — MIT.

hotchpotch разработала японский ранжировщик CrossEncoder для переоценки релевантности пар текста, например запросов и найденных документов. Модель построена на XLM-RoBERTa и имеет 6 слоёв со скрытым размером 384; в метаданных указано 110,2 млн параметров и контекст до 514 токенов. Она распространяется в формате safetensors и работает с библиотекой Sentence Transformers. Модель предназначена для повторного ранжирования результатов поиска и оценки соответствия текста запросу на японском языке. В README приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD, а среди обучающих данных каталог указывает JQaRA, JGLUE, MIRACL, Mr.TyDi и mMARCO. Лицензия — MIT. Показатели качества относятся к указанным наборам оценки и сами по себе не гарантируют результат на других данных.

Jellyfish-8B — языковая модель с 7,5 млрд параметров на архитектуре Llama, разработанная Хаочэнем Чжаном, Юяном Дуном, Чуанем Сяо и Масафуми Оямадой при поддержке NEC Corporation и Университета Осаки. Модель дообучена с помощью LoRA на базе Meta-Llama-3-8B-Instruct на части набора Jellyfish-Instruct и предназначена для работы с табличными данными на английском языке. Модель применяют для выявления ошибочных значений и заполнения пропусков в данных, сопоставления схем и сущностей, определения типов столбцов и извлечения атрибутов товаров. Она принимает текстовые запросы и генерирует текстовые ответы; контекст составляет 8192 токена. В карточке приведены результаты на наборах данных для этих задач, включая сравнение с другими моделями. Лицензия CC BY-NC-4.0 разрешает использование на некоммерческих условиях. Оценки в карточке относятся к конкретным наборам данных и настройкам промптов, поэтому сами по себе не гарантируют аналогичного качества на других данных.

Keural Mid — визуальный энкодер MKD Co., Ltd., обученный с нуля для извлечения признаков изображений. Модель содержит 183,6 млн параметров, принимает RGB-изображения размером 384×384 и поддерживает размеры, кратные 16. Она выдаёт глобальный вектор изображения размерности 768 и последовательность из 512 адаптивно выделяемых токенов размерности 768 с уровнями «глобальный», «область» и «деталь». В основе — адаптивное распределение бюджета токенов, иерархическая токенизация понятий и непрерывное позиционное кодирование 2D-RoPE. Модель предназначена для поиска изображений и текста по сходству, кластеризации, извлечения признаков и использования в качестве замороженного визуального энкодера для downstream-моделей. Её также можно применять в исследованиях адаптивной токенизации и позиционного кодирования при переменном разрешении. Она обучена на парах изображение–текст из интернета и выровнена с англоязычным текстом; в README приведены результаты ImageNet и Flickr30K, а также оценка вклада энкодера в двуязычную визуально-языковую модель. На ImageNet её точность zero-shot ниже, чем у упомянутых в README CLIP ViT-B/16 и SigLIP ViT-B/16; авторы связывают это с ограниченным бюджетом обучения. Размещение дискретных токенов не полностью стабилизировалось к последнему чекпойнту. Модель не включает фильтрацию контента и наследует охват и смещения обучающих данных. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

aditeyabaral/langcache-colbert-v1 — англоязычная модель PyLate, дообученная на парах предложений LangCache для семантического кэширования и поиска. Она основана на ColBERTv2 от colbert-ir и использует архитектуру BERT с линейным слоем, который проецирует представления размерности 768 в последовательности 128-мерных плотных векторов. Для оценки сходства применяется оператор MaxSim; модель рассчитана на запросы и документы длиной до 128 токенов, при этом максимальный контекст по метаданным составляет 512 токенов. Модель подходит для поиска релевантных документов по запросу и для повторного ранжирования результатов первичного поиска. Для индексирования коллекций в README предлагается использовать PyLate и FastPLAID. В карточке приведена точность 0,9847 на тесте ColBERTTriplet; это значение относится к указанной оценке и не гарантирует таких же результатов на других данных. Модель содержит 136,7 млн параметров, распространяется в формате Safetensors под лицензией Apache-2.0. Она предназначена для английского языка; её результаты зависят от домена и качества индекса, а тексты длиннее предусмотренной длины требуют обработки с усечением или разбиением.

Карточка модели Sing0402/legal-embed-gte-distilled на Hugging Face совпадает с карточкой Alibaba-NLP/gte-modernbert-base, поэтому описание составлено по ней. gte-modernbert-base — англоязычная модель для построения текстовых эмбеддингов, разработанная Tongyi Lab компании Alibaba. Она основана на encoder-only архитектуре ModernBERT и содержит 149 млн параметров; вектор представления имеет размерность 768, максимальная длина входа — 8192 токена. Модель предназначена для семантического поиска, извлечения документов, сравнения предложений и подбора текстов по смыслу, в том числе как компонент систем RAG. В карточке приведены результаты оценок MTEB, BEIR, LoCo и COIR; они показывают эффективность на задачах поиска, включая поиск по длинным документам и коду. Доступны веса в форматах PyTorch, Safetensors и ONNX; для интеграции описано использование Transformers, Sentence Transformers и Text Embeddings Inference. Модель распространяется по лицензии Apache-2.0. Она рассчитана прежде всего на английский язык, поэтому качество для других языков не подтверждено карточкой.

Карточка модели Sing0402/legal-embed-gte-inbatch на Hugging Face совпадает с карточкой Alibaba-NLP/gte-modernbert-base, поэтому описание составлено по ней. gte-modernbert-base — англоязычная модель для построения текстовых эмбеддингов, разработанная Tongyi Lab компании Alibaba. Она основана на encoder-only архитектуре ModernBERT и содержит 149 млн параметров; вектор представления имеет размерность 768, максимальная длина входа — 8192 токена. Модель предназначена для семантического поиска, извлечения документов, сравнения предложений и подбора текстов по смыслу, в том числе как компонент систем RAG. В карточке приведены результаты оценок MTEB, BEIR, LoCo и COIR; они показывают эффективность на задачах поиска, включая поиск по длинным документам и коду. Доступны веса в форматах PyTorch, Safetensors и ONNX; для интеграции описано использование Transformers, Sentence Transformers и Text Embeddings Inference. Модель распространяется по лицензии Apache-2.0. Она рассчитана прежде всего на английский язык, поэтому качество для других языков не подтверждено карточкой.

LFM2.5-ColBERT-350M-int4 — 4-битная квантованная версия многоязычной двунаправленной модели ColBERT от Liquid AI, подготовленная в формате MLX для Apple Silicon. Модель формирует 128-мерные векторы для каждого токена, а документы и запросы сопоставляет методом позднего взаимодействия MaxSim; для кодирования нужны маркеры [Q] и [D]. В метаданных указано 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для многоязычного поиска документов и ранжирования результатов. README приводит замеры на ограниченной выборке англоязычного NanoBEIR: квантованная версия сохранила в среднем 99,4% NDCG@10 относительно fp16 на использованных наборах. Для корректного получения векторов нужен специализированный загрузчик из репозитория: обычные причинные загрузчики LFM2 дают неверные эмбеддинги. Репозиторий создан на основе LiquidAI/LFM2.5-ColBERT-350M и лицензирован как other; конкретные условия следует сверять с карточкой базовой модели и файлами лицензии.

LFM2.5-Embedding-350M — мультиязычная модель Liquid AI для семантического поиска и извлечения документов. Это плотный двунаправленный bi-encoder семейства LFM2: запрос и документ кодируются в отдельные векторы размерности 1024. Модель содержит около 444,6 млн параметров по метаданным и построена на базе LiquidAI/LFM2.5-350M-Base с двунаправленными изменениями; для запуска предназначена библиотека sentence-transformers. Модель рассчитана на retrieval в RAG-системах, кросс-языковой поиск, поиск по базам знаний и локальную семантическую индексацию. В README указана поддержка английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского языков. Для запросов и документов используются разные префиксы query: и document:, которые sentence-transformers применяет через prompt_name. Максимальная длина последовательности в конфигурации — 512 токенов; метаданные указывают native context 128000 токенов, но заявленный сценарий модели ограничен коротким контекстом. Модель выдаёт векторные представления, пригодные для ранжирования документов по косинусному сходству или нормализованному скалярному произведению. README приводит результаты мультиязычной оценки NanoBEIR и характеризует модель как быструю и компактную для плотного поиска. Лицензия обозначена в метаданных как other, поэтому конкретные условия следует сверить с карточкой модели. Русский язык среди заявленных языков не указан.

LFM2-ColBERT-350M — многоязычный поисковый ретривер с поздним взаимодействием ColBERT от Liquid AI. Модель использует плотную архитектуру LFM2 с 17 слоями: 10 свёрточными, 6 attention-слоями и одним плотным слоем. В карточке указано 353,3 млн параметров, а в метаданных — 443,4 млн; это расхождение не позволяет однозначно определить размер. Репозиторий содержит веса в формате safetensors и рассчитан на использование с PyLate. Модель кодирует запросы и документы в многовекторные представления размерности 128 и сопоставляет их функцией MaxSim. Она предназначена для многоязычного и межъязыкового поиска, извлечения документов и ранжирования результатов, в том числе в RAG-системах. README рекомендует длину документа до 512 токенов и запроса до 32 токенов; модель особенно подходит для поиска, когда запрос и документ написаны на разных языках. Заявлены английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Применения включают поиск товаров, локальный семантический поиск и корпоративных помощников по внутренним документам. README сообщает о результатах на NanoBEIR, но таблицы метрик в предоставленном тексте отсутствуют. Лицензия в метаданных обозначена как other, без уточнения условий.

LRAT Qwen3-Embedding-0.6B Clean-v1 — плотная модель для создания текстовых эмбеддингов и поиска релевантных фрагментов по веб-запросу. Чекпойнт подготовлен для соревнования XIR/LRAT и дообучен на официальном наборе Yuqi-Zhou/LRAT-Train на базе Qwen/Qwen3-Embedding-0.6B. Это полная модель с архитектурой Qwen3 и примерно 508 млн параметров, а не LoRA-адаптер. Модель кодирует запросы и пассажи в векторы размерности 1024; сходство вычисляется по косинусной мере после L2-нормализации. Для запросов требуется заданная в карточке инструкция, пассажи кодируются без неё. При обучении использовалась максимальная длина 512 токенов для запросов и пассажей; базовая модель поддерживает контекст до 32 768 токенов. Веса сохранены в FP32, возможна загрузка в BF16. Чекпойнт обучен на 96 503 парах данных LRAT в течение двух эпох с контрастивной функцией потерь. Карточка не приводит результатов на лидерборде, поэтому качество в соревновании не подтверждено. Модель распространяется по лицензии Apache-2.0.

mMiniLMv2-L6-H384 — повторная публикация Microsoft Multilingual MiniLM v2 пользователем hotchpotch для более удобного использования через библиотеку Transformers. Это плотная модель семейства XLM-RoBERTa с 110,2 млн параметров, предназначенная для извлечения признаков из текста. Максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса в формате safetensors. Модель можно использовать как основу для получения текстовых представлений в мультиязычных сценариях. README указывает на предварительно обученную Multilingual MiniLM v2; языки отдельно не перечислены. Модель распространяется по лицензии MIT. Авторы просят указывать авторство оригинальной модели.

MMLW-retrieval-e5-base — польскоязычный текстовый энкодер для информационного поиска, разработанный авторами проекта MMLW. Модель основана на XLM-RoBERTa и содержит 305,2 млн параметров; она преобразует запросы и фрагменты документов в векторы размерностью 768 для сравнения их релевантности. Максимальная длина контекста — 514 токенов. Модель сначала обучали методом дистилляции на 60 млн польско-английских пар текстов, используя англоязычные FlagEmbeddings (BGE) как учителя, затем дообучили с контрастивной функцией потерь на польской обучающей части MS MARCO. Для кодирования запросов нужен префикс «query: », а для фрагментов документов — «passage: ». На польском бенчмарке PIRB модель показала NDCG@10 56,09. Подходит для семантического поиска и построения систем извлечения информации. Распространяется по лицензии Apache-2.0.