I.11Классификация, ранжирование и сопоставление

MMLW-retrieval-e5-small — польскоязычный плотный текстовый энкодер семейства BERT, разработанный для поиска информации. Он преобразует запросы и фрагменты текста в векторы размерности 384 и рассчитан на сопоставление их релевантности. Для запросов требуется префикс «query: », для документов — «passage: ». Модель содержит 124,3 млн параметров и поддерживает контекст длиной до 512 токенов. Модель инициализирована мультиязычным чекпойнтом E5, дистиллирована на 60 млн польско-английских пар текстов с использованием английских FlagEmbeddings (BGE) как учителей, а затем дообучена с contrastive loss на польском разделении MS MARCO. На польском бенчмарке поиска информации PIRB указано значение NDCG@10 52,34. Модель подходит для семантического поиска и retrieval-систем по польским текстам. Она распространяется по лицензии Apache-2.0. Требует корректных префиксов; контекст ограничен 512 токенами, а заявленные результаты относятся к польскому бенчмарку.

Y-J-Ju/ModernBERT-base-ColBERT — англоязычная модель поиска и ранжирования документов, созданная с помощью PyLate дообучением answerdotai/ModernBERT-base. Она кодирует запросы и документы в последовательности плотных 128-мерных векторов и сопоставляет их оператором MaxSim; в README указана архитектура ColBERT с ModernBERT и линейным слоем проекции с 768 до 128 измерений. Модель рассчитана на документы длиной до 180 токенов и запросы до 32 токенов; контекст базовой архитектуры — 8192 токена. Её можно применять для семантического поиска по коллекции документов и для повторного ранжирования кандидатов, полученных на первом этапе поиска. Обучение описано как дистилляция на данных для поиска; метаданные указывают датасет lightonai/ms-marco-en-bge и 808 728 примеров. В README приведены результаты nDCG@10 на нескольких наборах оценки, но они не гарантируют аналогичного качества на других данных. Модель использует библиотеку PyLate и опубликована в формате safetensors; лицензия в предоставленных сведениях не указана.

Multilingual IPTC Media Topic Classifier — классификатор новостных текстов, разработанный авторами исследования Kuzman и Ljubešić. Модель основана на XLM-RoBERTa large и дообучена для отнесения новостей к 17 верхнеуровневым категориям схемы IPTC Media Topic NewsCodes. Модель предназначена для автоматической тематической разметки новостных корпусов. Её обучали на 15 000 новостных текстах на хорватском, словенском, каталанском и греческом языках; в README указано, что её можно применять к новостям на языках, поддерживаемых XLM-RoBERTa. В тестировании на четырёх языках модель показала macro-F1 0,746 и accuracy 0,734. Для надёжных результатов рекомендуется использовать документы длиной не менее 75 слов. Это плотная модель классификации последовательностей с 658,7 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса safetensors. Лицензия — CC BY-SA 4.0.

IoannisKat1 подготовил дообученную модель Sentence Transformers на базе nomic-ai/nomic-embed-text-v2-moe. Она преобразует предложения и абзацы в нормализованные плотные текстовые векторы размерностью 768 и предназначена для поиска по смыслу и извлечения релевантных документов с использованием косинусного сходства. Модель построена на архитектуре NomicBertModel с mean pooling и нормализацией выходных векторов. Карточка указывает максимум 512 токенов на последовательность, а метаданные — контекст 2048 токенов; фактические показатели поиска приведены для векторов размерностью от 64 до 768. Модель обучена на 4268 парах anchor-positive из датасета json. README сообщает язык en, хотя среди примеров обучающих данных есть греческий текст. Лицензия — Apache-2.0. Качество зависит от языка и предметной области: карточка описывает обучение на небольшом наборе пар и приводит оценки поиска на конкретном тестовом наборе, поэтому перед применением в других сценариях результаты следует проверить.

passage-ranker-v1-L-en — англоязычная модель ранжирования пассажей, разработанная Sinequa. Она оценивает релевантность пары «поисковый запрос — фрагмент текста», чтобы упорядочивать результаты поиска. Модель построена на базе English BERT-Base и обучена по процедуре MonoBERT; она нечувствительна к регистру и диакритическим знакам. В README указано 109 млн параметров, тогда как метаданные Hugging Face приводят 136,7 млн. Максимальная длина контекста — 512 токенов. На BEIR по 14 англоязычным наборам данных средний NDCG@10 составляет 0,466. README приводит время вывода и требования к видеопамяти для нескольких режимов FP16 и FP32, а также минимальную версию Sinequa 11.10.0 и требования к CUDA. Модель подходит для переупорядочивания результатов поиска и оценки релевантности документов по запросу. Она обучена и проверена на английском языке, поэтому её применение для других языков не подтверждено. Лицензия в предоставленных материалах не указана.

Perception Encoder Spatial G/14 448 — визуальный энкодер Meta из семейства Perception Encoder. Модель извлекает детализированные пространственные признаки изображений для задач классификации, поиска и плотного предсказания, включая обнаружение объектов и сегментацию. Вариант G/14 работает с разрешением 448 пикселей; в карточке приведены результаты на ADE20K, LVIS и COCO. Модель основана на контрастивном vision-language предобучении PE Core и дообучена с самодистилляцией от промежуточных слоёв учителя и уточнением признаков с помощью масок SAM 2.1. Её особенность — пространственно детализированные признаки с семантическими соответствиями между частями объектов. Принимает изображения и выдаёт признаки; лицензия — Apache 2.0. В README заявлена поддержка понимания изображений и видео для семейства PE, но для этого чекпойнта видео-вход отдельно не подтверждён.

sdadas/polish-reranker-base-mse — польская модель переранжирования текстов, разработанная командой sdadas. Она оценивает релевантность пар «запрос — документ» и предназначена для сортировки результатов поиска, в том числе в системах информационного поиска и ответов на вопросы. Модель обучена методом дистилляции с функцией потерь MSE: польская RoBERTa перенимает оценки мультиязычной модели-учителя unicamp-dl/mt5-13b-mmarco-100k. Для обучения использовали 1,4 млн запросов и 10 млн документов, включая польские данные MS MARCO, переведённый на польский ELI5 и коллекцию медицинских вопросов и ответов. Модель основана на RoBERTa и имеет около 151,6 млн параметров; работает с текстом, использует Sentence-Transformers и поддерживает контекст до 514 токенов. На польском бенчмарке информационного поиска PIRB показатель NDCG@10 в категории переранжировщиков составил 57,50. Модель выпущена под лицензией Apache-2.0. Результаты и данные обучения ориентированы на польский язык; качество на других языках в карточке не подтверждено.

polish-reranker-base-ranknet — модель ранжирования польских текстов, разработанная для поиска и информационного извлечения. Она основана на польской RoBERTa и обучена с функцией потерь RankNet на парах запросов и документов: выборка включала около 1,4 млн запросов и 10 млн документов. В качестве учителя использовалась multilingual-модель unicamp-dl/mt5-13b-mmarco-100k, а RoBERTa выступала компактной моделью-учеником. Модель оценивает релевантность документов запросу и упорядочивает их, поэтому её можно применять для повторного ранжирования результатов, полученных на этапе первичного поиска. Обучающие данные включали польскую часть MS MARCO, переведённый на польский ELI5 и коллекцию польских медицинских вопросов и ответов. В бенчмарке Polish Information Retrieval Benchmark модель показала NDCG@10 60,32 в категории rerankers. Архитектура — RobertaForSequenceClassification, размер — 151,6 млн параметров, длина контекста — 514 токенов. Лицензия Apache-2.0.

zecafonso/Qwen3-Embedding-0.6B-512 — текстовая Sentence Transformer модель, дообученная на базе Qwen/Qwen3-Embedding-0.6B и опубликованная под именем пользователя zecafonso. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и поиска релевантных фрагментов. Архитектура включает Qwen3Model, pooling по последнему токену и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на retrieval-сценарии, включая поиск passages по запросу. В README приведены результаты оценки на двух наборах urban-ir-gold, но эти результаты относятся к указанным наборам и не гарантируют аналогичное качество в других предметных областях. Модель принимает текст и выдаёт эмбеддинги; максимальная длина последовательности в README — 512 токенов. Метаданные указывают контекст модели 32 768 токенов, однако README описывает ограничение этой конкретной конфигурации в 512 токенов. Модель реализована на Sentence Transformers и сохранена в safetensors. Лицензия в предоставленных данных не указана.

PeterAM4/Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций модели Qwen3-Embedding-0.6B, разработанной Qwen и квантизированной PeterAM4 с помощью llama.cpp. Модель предназначена для построения эмбеддингов и подходит для RAG-систем, семантического поиска, извлечения документов и задач финансового NLP. Доступны варианты квантизации от 8-битных до 1-битных, включая версии с калибровкой importance matrix, ориентированной на финансовые и технические тексты. Базовая модель содержит 595 776 512 параметров, поддерживает контекст до 32 768 токенов, использует pooling по последнему токену и формирует эмбеддинги размерности 1024. Заявлена мультиязычная поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, португальского, русского и арабского языков. Компактный размер квантизированных файлов позволяет запускать модель на периферийных устройствах, ноутбуках и серверах с ограниченными ресурсами. К сильным сторонам относятся низкое потребление памяти, потенциально малая задержка и сохранение качества при умеренной квантизации; по приведённому тестированию рекомендован вариант Q3_K_M-imat размером 331 МБ. Качество существенно зависит от выбранного формата: при чрезмерно агрессивной квантизации показатели perplexity заметно ухудшаются, а результаты тестов получены на ограниченном корпусе финансовых, математических и общих текстов и не гарантируют качество для всех задач. Модель распространяется по лицензии Apache 2.0.

tomaarsen/Qwen3-VL-Embedding-2B-vdr — модель Sentence Transformers, разработанная tomaarsen на основе Qwen/Qwen3-VL-Embedding-2B и дообученная для визуального поиска по документам. Она сопоставляет текстовые запросы со скриншотами страниц PDF, кодируя их в плотные векторы для поиска наиболее релевантных документов. Модель принимает текст, изображения и видео; обучена на 10 000 примерах англоязычного набора llamaindex-vdr-en-train-preprocessed, созданного на основе датасета Visual Document Retrieval Goes Multilingual. Контекст — до 262 144 токенов. По умолчанию выдаёт векторы размерности 1024; размерность можно настроить от 64 до 2048. Для сходства используется косинусная мера. В описанной автором оценке модель показала NDCG@10 0,947 на наборе из 300 запросов и 1500 скриншотов документов и превзошла исходную модель на этой задаче. Настройка Matryoshka позволяет уменьшать размер вектора с небольшим снижением качества в рамках приведённой оценки. Модель распространяется по лицензии Apache-2.0.

Tirth2109 разработал qwen-indic-v1 — дообученную с помощью LoRA модель Qwen3-Embedding-8B для создания текстовых эмбеддингов на индийских языках. Модель использует pooling по последнему токену и L2-нормализацию векторов; размер — 7,6 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для получения эмбеддингов, семантического поиска и сравнения сходства предложений. README сообщает о 22 индийских языках в расписании обучения, а метаданные карточки перечисляют хинди, бенгальский, тамильский и урду. Обучение проводилось на обучающих частях данных с очисткой от пересечений с тестовыми наборами MTEB. Модель распространяется в формате safetensors по лицензии Apache-2.0. Известные ограничения: подробности качества по отдельным языкам и результаты оценивания в карточке не приведены.

RankZephyr 7B V1 Full — языковая модель для переупорядочивания списка документов по релевантности запросу. Разработана Castorini на основе Zephyr-7B-β и дополнительно дообучена на списковых данных ранжирования RankGPT-4; в метаданных базовой моделью указана mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает запрос и документы и возвращает их идентификаторы в порядке релевантности. Она предназначена для listwise-реранжирования в связке с RankLLM и показала высокие результаты на наборах DL19–DL22, TREC-COVID и TREC-News. Основной язык обучения и применения — английский; перенос результатов на многоязычные данные не гарантирован. Модель распространяется по лицензии MIT. Это специализированный реранкер, а не универсальная чат-модель; базовая Zephyr-модель может выдавать проблематичный контент, поскольку не проходила описанный в её карточке этап выравнивания по предпочтениям для безопасности.

ibm-research/re2g-reranker-nq — модель ранжирования запросов и фрагментов текста, разработанная IBM для улучшения результатов поиска в системах с генерацией с дополнением извлечёнными данными (RAG). Она оценивает пары «вопрос — фрагмент» и помогает выбрать наиболее релевантные passages после первичного поиска. Реранкер также может упорядочивать объединённые результаты BM25 и нейронного поиска, даже если исходные оценки этих методов несопоставимы. Модель основана на BERT и имеет около 136,7 млн параметров; родительская модель — BERT-base, обученная на MSMARCO. Контекст составляет до 512 токенов. Карточка указывает английский язык. Модель предназначена для ранжирования текстовых фрагментов, а не для генерации ответов. Распространяется по лицензии Apache 2.0.

ReasonEmbed — текстовая модель эмбеддингов, разработанная Hanhainebula для поиска документов по запросам, требующим многошагового рассуждения. Она дообучена на базе Qwen3-4B с функцией потерь RI-InfoNCE и синтетическими данными. Репозиторий содержит плотную архитектуру Qwen3 с 3,7 млрд параметров; модель принимает текст и выдаёт эмбеддинги. Контекстное окно составляет 40 960 токенов. Модель предназначена для извлечения и сопоставления документов в задачах reasoning-intensive retrieval. В README приведён результат nDCG@10 37,1 на бенчмарке BRIGHT с исходными запросами. Доступна по лицензии Apache-2.0. Карточка также связывает её с базовой моделью hanhainebula/qwen3-4b-ft-msmarco.

ReasonIR-8B — модель для извлечения текстовых представлений, разработанная командой ReasonIR на основе Meta Llama 3.1 8B. Её специально дообучили для поиска документов по запросам, требующим сложных рассуждений. Архитектура использует двунаправленное кодирование; размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель кодирует запросы и документы в векторы, сходство которых можно оценивать скалярным произведением. Она предназначена для поиска в системах RAG и показала высокие результаты на BRIGHT; согласно карточке, её применение в RAG также улучшает результаты на MMLU и GPQA. Указан английский язык. Для работы используются Transformers и Sentence Transformers с поддержкой пользовательского кода модели. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. При работе через Sentence Transformers возможны небольшие расхождения значений с плавающей точкой, обычно не влияющие на результаты.

RepLLaMA-7B-Passage-MRL — модель семейства LLaMA, разработанная Xueguang Ma, Liang Wang, Nan Yang, Furu Wei и Jimmy Lin для многоэтапного текстового поиска. Это дообученная с помощью LoRA модель на базе LLaMA-2-7B, обученная один проход на обучающей части набора MS MARCO Passage Ranking. Модель кодирует запросы и текстовые фрагменты в эмбеддинги для вычисления сходства и ранжирования документов. Благодаря Matryoshka Representation Learning размерность эмбеддингов можно выбирать гибко вплоть до 4096. Число параметров — 6,6 млрд, контекст — до 4096 токенов; вход и результат представлены текстом и векторами соответственно. Репозиторий содержит веса в формате safetensors. Лицензия указана как Llama 2 Community License. Модель подходит для поиска по текстовым коллекциям и многоэтапного извлечения релевантных фрагментов; обучение на MS MARCO Passage Ranking специализирует её на поиске пассажей, поэтому качество на других языках и доменах отдельно не подтверждено.

rerank-indonesia — это лёгкая модель-переранжировщик для индонезийского языка, созданная в рамках проекта flashIndorank. Она основана на XLM-RoBERTa Cross-Encoder с 124,3 млн параметров и дообучена методом дистилляции Margin-MSE на парах запрос–фрагмент из TyDi QA и MIRACL-id. В качестве учителя использовалась BAAI/bge-reranker-v2-m3, а базой служит cross-encoder/mmarco-mMiniLMv2-L12-H384-v1. Модель оценивает релевантность каждого фрагмента запросу и переупорядочивает кандидатов, например, после первичного поиска BM25. Карточка приводит результаты на MIRACL-id: качество близко к более крупной модели-учителю; также описан запуск в формате int8 ONNX на CPU, локально и офлайн. Модель принимает текстовые пары и выдаёт оценки релевантности, пригодные для ранжирования. Поддерживается индонезийский язык, контекст — до 514 токенов. Результаты оценки относятся к индонезийскому поиску, и README отмечает, что обобщение на другие области требует дополнительной проверки. Репозиторий распространяется по лицензии Apache-2.0.

SA-Retrieval-Embeddings-0.2B — модель эмбеддингов на базе SentenceTransformer, разработанная Omartificial-Intelligence-Space для семантического поиска и ранжирования фрагментов документов на саудовском арабском. Это дообученная версия SA-STS-Embeddings-0.2B с архитектурой BERT; она формирует плотные векторы размерности 768 и принимает текстовые последовательности длиной до 512 токенов. Модель обучалась на примерах поиска соответствующего фрагмента по краткому описанию, с трудными отрицательными примерами и функциями потерь MultipleNegativesRankingLoss и TripletLoss. Модель предназначена для поиска по базе знаний, извлечения семантических фрагментов и использования в RAG-системах, включая тексты на саудовском диалекте и современном стандартном арабском. В README заявлены около 88% точности Top-1 и Recall@5 99,2% на тестовом наборе из 1 515 примеров; эти показатели относятся к описанному авторами бенчмарку. Лицензия — Apache-2.0.

SauerkrautLM-Multi-ColBERT-33m — компактная модель позднего взаимодействия для поиска и сопоставления текстов, разработанная VAGOsolutions. Она использует архитектуру ColBERT на базе BERT с 33–34,7 млн параметров и обучалась на 8,2 млрд токенов с дистилляцией знаний от моделей-реранкеров. Для оценки релевантности применяется MaxSim, а выходные представления имеют размерность 128. Модель рассчитана на запросы до 256 токенов и документы до 8192 токенов. Модель предназначена для многоязычного поиска, семантического сопоставления запросов и документов и построения поисковых систем, в том числе с ограниченными вычислительными ресурсами. В первую очередь она поддерживает немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки; обучение включало многоязычный этап и дополнительный этап на английских данных. Лицензия — Apache 2.0.

SigLIP 2 Large — визуальная модель Google на архитектуре SigLIP, обученная для сопоставления изображений и текста. Версия Large с патчами 16×16 и входным разрешением 512 пикселей расширяет исходную схему предобучения SigLIP методами для улучшения семантического понимания, локализации и получения плотных признаков. Модель использует библиотеку Transformers и распространяется в формате Safetensors. Модель предназначена для классификации изображений по произвольным текстовым меткам без отдельного обучения, поиска изображений по текстовому запросу и использования в качестве визуального энкодера для VLM и других задач компьютерного зрения. Она предобучена на наборе WebLI. Карточка не сообщает об ограничениях качества для конкретных типов изображений. Лицензия — Apache 2.0.

Skywork-Critic-Llama-3.1-8B — языковая модель-критик, разработанная командой SkyworkAI Alignment Team для попарного сравнения ответов и оценки их относительного качества или уместности. Модель построена на архитектуре Llama 3.1, содержит 7,5 млрд параметров и дообучена на базе meta-llama/Meta-Llama-3.1-8B-Instruct. Она принимает текст и генерирует текстовую оценку; заявленная длина контекста — 131 072 токена. Модель предназначена для улучшения данных, оценки ответов и построения моделей вознаграждения. В README приведены результаты RewardBench за сентябрь 2024 года: версия 8B заняла первое место среди генеративных моделей менее чем с 10 млрд параметров; эти результаты относятся к указанному бенчмарку и дате. Метаданные указывают поддержку чата и интерфейса вызова инструментов. В карточке указана лицензия other, поэтому условия использования следует сверить с файлами и условиями репозитория. Разработчики просят проводить проверку безопасности перед развертыванием в интернет-сервисах и предупреждают о возможных непредсказуемых рисках, включая ошибки при вводе модели в заблуждение или ненадлежащем использовании.

sparse-encoder-testing/splade-bert-tiny-nq-onnx — компактная англоязычная модель разреженных текстовых представлений семейства SPLADE на архитектуре BERT, опубликованная пользователем или организацией sparse-encoder-testing. Модель реализована для библиотеки Sentence Transformers, доступна в формате ONNX и содержит около 4,4 млн параметров; максимальная длина входа составляет 512 токенов. Обучение выполнено с использованием SpladeLoss на наборе sentence-transformers/natural-questions размером около 99 000 примеров. Модель преобразует запросы и документы в разреженные векторные представления, пригодные для семантического поиска, информационного поиска и построения retrieval-компонента RAG-систем. Она ориентирована на английский язык и может применяться для сопоставления пользовательских вопросов с релевантными фрагментами документов. Формат ONNX удобен для быстрого или кроссплатформенного инференса при наличии совместимого runtime. Модель не генерирует ответы и не предназначена для обычной классификации или генерации текста; её результаты требуют последующего поиска и ранжирования. Качество может снижаться на русском и других языках, на текстах, существенно отличающихся от материалов Natural Questions, а также при превышении контекста в 512 токенов. Модель распространяется по лицензии Apache-2.0.

SSF-MiniLM Finetuned v2 — англоязычная модель Sentence Transformers, разработанная imocha-ai-org для сопоставления предложений из описаний вакансий со стандартизированными навыками Singapore SkillsFuture Framework (SSF). Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 и использует плотный двунаправленный BERT-энкодер с усреднённым пулингом и нормализацией. Векторы имеют размерность 384; в README указана максимальная длина последовательности 256 токенов, а метаданные задают нативное контекстное окно в 512 токенов. Модель содержит 25,9 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для извлечения и разметки навыков, семантического поиска и ранжирования соответствий между текстом и названиями навыков, в том числе в HR-системах, анализе кадров и рекомендациях обучения. В README приведены результаты на отложенной выборке для сопоставления навыков: AUC 0,995 и максимальная точность 97,1%; это результаты указанного автора тестирования. Модель не генерирует текст и рассчитана на короткие англоязычные предложения. Качество сопоставления лучше всего ожидается для навыков из 2 196 категорий SSF. Для других таксономий навыков и новых или редких терминов точность может снижаться; длинные описания вакансий рекомендуется предварительно разбивать на предложения. Обучающие примеры синтетические, а многоязычная поддержка не заявлена.

cnmoro/static-nomic-eng-ptbr-tiny — компактная статическая модель эмбеддингов, созданная автором репозитория с помощью Tokenlearn на основе nomic-embed-text-v2-moe. Она преобразует текстовые passages в векторы размерностью 50 и предназначена для семантического поиска и извлечения документов на английском и португальском языках. Модель обучалась примерно на 20 млн фрагментов текста, включая англоязычный корпус MS MARCO и набор португалоязычных триплетов. Модель использует архитектуру Model2Vec StaticModel и распространяется в формате safetensors; лицензия — Apache-2.0. Она подходит для сценариев, где важны компактные эмбеддинги для поиска и сопоставления текстов. Карточка называет её более минималистичной версией cnmoro/static-nomic-eng-ptbr, но не приводит сравнительных результатов качества.

SkillScout Large — плотный bi-encoder, дообученный для TalentCLEF 2026 Task B на основе jjzha/esco-xlm-roberta-large. Он кодирует название профессии в эмбеддинг размерности 1024 и позволяет находить семантически близкие навыки в таксономии ESCO с помощью косинусного сходства. Модель предназначена для первого этапа двухэтапного поиска «профессия — навыки»: быстрого извлечения кандидатов, например с помощью FAISS; для повышения качества ранжирования её можно дополнить cross-encoder-реранкером. Модель использует XLM-RoBERTa-large со mean pooling, содержит 658,7 млн параметров и принимает текст. Контекст модели — 514 токенов, однако карточка рекомендует ограничивать вход 64 токенами; длинные описания вакансий следует сокращать до названия должности. Модель обучена на английских метках ESCO и оптимизирована для этой таксономии; результаты на O*NET и пользовательских таксономиях могут отличаться. Bi-encoder сам по себе ненадёжно различает основные и контекстные навыки, поэтому для градуированного ранжирования полезен реранкер. Лицензия — Apache-2.0.

tevatron-elastic-modernbert-reranker-depth — дообученный реранкер на базе answerdotai/ModernBERT-base, созданный с помощью Tevatron-Elastic. Один чекпойнт поддерживает несколько рабочих точек по глубине: можно выполнять ранний выход на разных слоях, выбирая баланс между стоимостью обработки и качеством ранжирования. Модель предназначена для повторного ранжирования найденных документов по релевантности запросу; обучение проводилось на rlhn/rlhn-680K с префиксами query: и passage:. В отчёте для полной конфигурации указано значение BEIR-15 nDCG@10 0,466. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает текст. Метаданные указывают контекст до 8192 токенов, а README описывает обучение с максимальной длиной 512 токенов. Для загрузки и выбора рабочей точки требуется фреймворк Tevatron-Elastic; веса опубликованы в формате safetensors. Чекпойнт представлен как ресурс для воспроизводимости исследования, а не как заявление о превосходстве над другими моделями. Лицензия — Apache-2.0.

Vietnamese_Embedding — модель эмбеддингов на базе Sentence Transformers, разработанная для улучшения поиска по текстам на вьетнамском языке. Она дообучена на BAAI/bge-m3 примерно на 300 тысячах триплетов из запросов, релевантных и нерелевантных документов; в README также упоминается отдельная Phase 2, обученная на 1,1 млн триплетов. Архитектура — XLM-RoBERTa, размер — 658,7 млн параметров, вектор представления имеет 1024 измерения. Модель принимает текст и выдаёт эмбеддинги; для сравнения используется скалярное произведение. README указывает максимальную длину последовательности 2048 токенов, а метаданные — контекст 8194 токена. Модель предназначена для семантического поиска и извлечения документов по вьетнамским запросам. В приведённой оценке на наборе Legal Zalo 2021 публичная версия показывает Accuracy@1 0,7274 и MRR@10 0,8181; авторы отмечают, что вариант Phase 2 уступает в юридическом домене, но обучен на большем объёме данных и рассчитан также на другие области. Лицензия — Apache 2.0.

Это модель timm от авторов семейства SigLIP 2: визуальный энкодер ViT с патчами 16×16, вариант с разрешением 512, обученный на наборе WebLI. Она соответствует зрительной башне мультимодальной модели SigLIP 2 и предназначена для извлечения признаков изображений, например для их последующего сравнения или использования в системах поиска. Модель принимает изображения и выдаёт визуальные признаки. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает только image encoder, поэтому поддержка текстового ввода или генерации текста не заявлена.

Модель vit_base_patch32_clip_384.laion2b_ft_in12k_in1k — визуальный трансформер ViT для классификации изображений и извлечения признаков. Она разработана в экосистеме timm: предварительно обучена с OpenCLIP на парах изображение–текст из LAION-2B, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 88,3 млн параметров и принимает изображения размером 384 × 384 пикселя. Её можно применять для классификации объектов на изображениях и получения визуальных эмбеддингов для поиска или последующей обработки. Репозиторий предоставляет веса PyTorch и SafeTensors; лицензия — Apache-2.0.