I.11Классификация, ранжирование и сопоставление

Модель timm/vit_giantopt_patch16_siglip_256.v2_webli — визуальный энкодер семейства SigLIP 2 на архитектуре ViT-Giant с патчами 16×16, обученный на наборе WebLI. Это только визуальная часть модели: она преобразует изображения в признаки и предназначена для извлечения визуальных представлений, а не для генерации текста или изображений. Репозиторий использует библиотеку timm и предоставляет веса в форматах PyTorch и Safetensors. Энкодер можно применять как компонент систем поиска по изображениям, сопоставления изображений с текстовыми представлениями и других задач, которым нужны визуальные признаки. В карточке указана лицензия Apache-2.0. Число параметров и размер контекста в доступных сведениях не приводятся.

Это веса визуального энкодера ViT-Huge/14 из семейства DFN CLIP, опубликованные timm. Модель предназначена для извлечения признаковых представлений изображений, которые можно использовать для поиска по изображениям, сравнения визуального сходства и построения мультимодальных систем. Это только энкодер изображений, а не полная модель CLIP с текстовым энкодером.

Это визуальный энкодер ViT-Huge с патчами 14×14 из модели DFN CLIP, опубликованный библиотекой timm. Репозиторий содержит только веса энкодера изображений; модель предназначена для извлечения признаковых представлений изображений и может использоваться в системах поиска по изображениям или сопоставления визуальных признаков. Модель принимает изображения и выдаёт векторы признаков. В карточке указаны форматы PyTorch и safetensors, а лицензия обозначена как other. Текстовый энкодер CLIP в репозитории не заявлен, поэтому для полноценного сопоставления изображений с текстом он может потребоваться отдельно.

Perception Encoder Core B/16 — разработанная Meta модель визуального энкодера, представленная в репозитории в виде remapped-варианта весов только для обработки изображений в библиотеке timm. Это базовая модель семейства Perception Encoder, обученная на изображениях с контрастивным предобучением и дополнительно настроенная на данных, созданных синтетическим видеодвижком. Архитектура включает vision-трансформер с патчами 16×16, 12 слоями и шириной 768; размер изображения — 224 пикселя. Визуальная башня имеет около 90 млн параметров, а для глобального представления используется блок attention pooling и class token. Модель предназначена для извлечения визуальных признаков, которые можно использовать в классификации изображений, поиске и сопоставлении изображений, а также как представления для последующих задач компьютерного зрения. В карточке семейства также приведены результаты для классификации и поиска по видео, но этот репозиторий содержит только энкодер изображений. Веса опубликованы в форматах PyTorch и safetensors; лицензия — Apache-2.0.

vit_so400m_patch14_siglip_378.v2_webli — модель из библиотеки timm, представляющая собой только визуальный энкодер архитектуры ViT в составе SigLIP 2. Она преобразует изображение в признаки и предназначена для извлечения визуальных представлений, в том числе для последующего сопоставления изображений и текста в системах на основе совместимых энкодеров. Модель обучена на датасете WebLI; карточка указывает публикации о SigLIP 2 и sigmoid loss для предварительного обучения языково-визуальных моделей. В метаданных указаны задача image-feature-extraction, библиотека timm и форматы PyTorch и safetensors. Название модели указывает на вариант SO400M с патчами 14 и входным разрешением 378 пикселей. Это визуальная часть SigLIP 2, поэтому сама модель принимает изображения и выдаёт признаки, а не текстовые ответы. Лицензия — Apache-2.0.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130184711-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

arinze/address-match-abp-v2 — модель на основе BERT, созданная для сопоставления адресов. Она кодирует предложения и абзацы в плотные векторы размерностью 64, пригодные для поиска семантически похожих адресов, кластеризации и ранжирования кандидатов по сходству. Модель можно использовать через библиотеку Sentence-Transformers; она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит 25,9 млн параметров и принимает текст с контекстным окном до 512 токенов. В репозитории указаны веса PyTorch. Язык обучающих данных и лицензия в доступных сведениях не приведены, поэтому область применимости по языкам и условия использования определить нельзя.

arinze/address-match-abp-v3 — модель Sentence Transformers на базе архитектуры BERT, разработанная автором репозитория arinze. Она преобразует предложения и абзацы в плотные векторы размерностью 32 для сопоставления адресов, семантического поиска и кластеризации. Модель содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель обучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для поиска похожих адресов, ранжирования соответствий и группировки записей по смысловой близости. Репозиторий содержит веса PyTorch; условия лицензии в предоставленных данных не описаны.

Apertus v1.5 Swiss multilingual retrieval embeddings — текстовая двунаправленная модель эмбеддингов для семантического поиска и межъязыкового извлечения информации. Её разработал автор andreasmartin на базе andreasmartin/apertus-v1.5-8b-text; модель распространяется как самостоятельный Sentence Transformers чекпойнт. Веса обучались с LoRA, затем адаптер был объединён с моделью. Размер по README — 4,904 млрд параметров; метаданные указывают 6,7 млрд. Поддерживаются немецкий, английский, французский, итальянский, романшский и алеманнский (швейцарский немецкий). Модель предназначена для поиска совпадающих по смыслу текстов на одном или разных языках, в том числе для швейцарских материалов. Обучение включало Wikipedia и наборы VotingBooklets-v1 и SwissGov-RSD, с использованием MultipleNegativesRankingLoss и MatryoshkaLoss. Внутренняя оценка на отложенных данных показывает сильные результаты для моноязычного поиска; для кросс-языкового поиска Recall@10 высок, но Accuracy@1 заметно ниже. Эти диагностические результаты не являются внешними бенчмарками, а разметка из Wikipedia использует пары «заголовок—абзац» как приближение поисковых примеров. Для уверенных сравнений качества нужны внешние оценки на целевых данных. Модель принимает текст и выдаёт векторные представления для поиска и сравнения сходства. Лицензия — Apache-2.0.

KristupasC/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, разработанная на основе BAAI/bge-base-en-v1.5 и дообученная на 6 300 примерах финансовых текстов и вопросов. Она предназначена для поиска финансовых фрагментов по запросу и сравнения смысла предложений и абзацев; также подходит для поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с пуллингом CLS-токена и нормализацией эмбеддингов. Она кодирует текст в плотные векторы размерностью 768, сравниваемые по косинусному сходству; благодаря Matryoshka-обучению доступны укороченные векторы размерностью 512, 256, 128 и 64. Максимальная длина последовательности — 512 токенов. Модель принимает и выдаёт текстовые представления в виде эмбеддингов, поддерживает английский язык и распространяется по лицензии Apache-2.0.

andreaschari/bge-m3-ZH_MMARCO_NATIVE — дообученная модель семейства BGE-M3 на китайской части набора MMARCO/v2. Это Sentence Transformer на архитектуре XLM-RoBERTa с 658,7 млн параметров, предназначенный для получения текстовых эмбеддингов и сравнения предложений по косинусному сходству. Модель использовалась в короткой статье SIGIR 2025 «Lost in Transliteration: Bridging the Script Gap in Neural IR».

biencoder-mMiniLMv2-L12-mmarcoFR — плотный двубашенный энкодер от Antoine Louis для семантического поиска на французском языке. Он кодирует запросы и passages в векторы размерности 384 и оценивает их релевантность по косинусному сходству. Модель построена на XLM-RoBERTa и дообучена на французской части mMARCO — многоязычного машинного перевода MS MARCO; в метаданных указано 124,3 млн параметров и контекст до 514 токенов. Модель предназначена для поиска подходящих фрагментов в больших корпусах, в том числе для семантического поиска по миллионам passages. Для представленных в README экспериментов использовалась максимальная длина запросов и passages 128 токенов. Модель распространяется по лицензии MIT. Оценка проводилась на наборе mMARCO-fr с 6 980 запросами и корпусом из 8,8 млн passages. Эти результаты относятся к французскому поиску и сами по себе не гарантируют качество на других языках или предметных областях.

ColNetraEmbed — мультимодальная модель для поиска по визуальным документам, разработанная Cognitive-Lab на основе Gemma 3 4B IT. Она кодирует изображения документов и текстовые запросы в многовекторные представления размерности 128 на токен и сопоставляет их с помощью позднего взаимодействия ColBERT и оценки MaxSim. Визуальная часть использует SigLIP. Модель предназначена для поиска по сканам и другим изображениям документов, в том числе для межъязыкового поиска и ответов на вопросы по содержимому документов. В карточке заявлена поддержка 22 языков; среди перечисленных — русский, английский, китайский, японский, хинди и арабский. Модель дообучена на Gemma 3 4B IT и распространяется в формате Safetensors по лицензии Gemma. README сообщает о результатах на Nayana-IR Bench и ViDoRe v2, включая преимущество над ColPali-v1.3 на межъязыковых задачах. Многовекторное хранение требует больше места, чем одновекторный вариант NetraEmbed; README приводит для последнего оценку эффективности хранения в 250 раз выше. Для использования нужны этапы кодирования и последующего поиска с поздним взаимодействием.

comsat-embed-ja-0.3b-preview — модель для создания текстовых эмбеддингов, разработанная Sionic AI и дообученная на базе cl-nagoya/ruri-v3-310m. Она предназначена для семантического поиска на японском языке: кодирует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству. Подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов в системах ответов на вопросы. Модель использует энкодерную архитектуру ModernBERT, содержит 314,6 млн параметров и принимает до 8192 токенов. Выдаёт 768-мерные эмбеддинги со средним объединением токенов и L2-нормализацией. Для запросов и документов предусмотрены разные префиксы: «検索クエリ: » и «検索文書: ». В README заявлен средний результат NDCG@10 0,7785 на 11 задачах поиска JMTEB v2 среди сравниваемых моделей размером до 4 млрд параметров. Модель специализирована на японском языке и поддерживает сценарии семантического поиска, включая поиск научных публикаций, государственных FAQ, веб-страниц и длинных документов. Для сохранения качества поиска следует применять соответствующий префикс к запросу и документу. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Это веса визуального энкодера ConvNeXt-Base из семейства CLIP, опубликованные разработчиками timm. Модель предназначена для извлечения признаков изображений и получения векторных представлений, которые можно использовать в системах поиска и сравнения изображений или как визуальные признаки для других задач машинного обучения. В репозитории представлены только веса image encoder, а не полная мультимодальная CLIP-модель. Указаны форматы PyTorch и Safetensors, библиотека timm и лицензия Apache-2.0. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или конкретные ограничения качества.

tomaarsen/csr-mxbai-embed-large-v1-gooaq-1e-5-512bs — англоязычный разреженный энкодер CSR, дообученный на датасете gooaq из базовой модели mixedbread-ai/mxbai-embed-large-v1 с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерностью 4096 и предназначен для семантического поиска и разреженного извлечения документов; оценка релевантности выполняется скалярным произведением векторов. Модель содержит 433,9 млн параметров, принимает последовательности длиной до 512 токенов и обучалась на парах вопросов и ответов из англоязычного набора gooaq размером около 3 млн примеров. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR при ограничении числа активных измерений до 128 или 256. Модель распространяется по лицензии Apache-2.0. Описанные возможности и данные ориентированы на английский язык; приведённые результаты относятся к указанным тестовым наборам и не гарантируют качество на других корпусах.

facebook/dinov2-with-registers-base — базовая модель Vision Transformer с архитектурой DINOv2 и дополнительными register-токенами. Модель впервые опубликована авторами DINOv2 with Registers; карточку на Hugging Face подготовила команда Hugging Face. Энкодер содержит 113,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предварительно обучена без учителя и извлекает визуальные признаки и эмбеддинги из изображений. Их можно использовать для поиска похожих изображений, кластеризации или как представления для обучения классификатора и других прикладных моделей. Веса не содержат дообученных классификационных голов. Register-токены уменьшают артефакты в картах внимания и помогают получать более интерпретируемые карты и улучшенные признаки. Модель принимает изображения и возвращает признаки; готовой разметки классов сама по себе не выдаёт.

ettin-reranker-1b-v1 — англоязычный кросс-энкодерный переранжировщик от команды Ettin, дообученный на базе jhu-clsp/ettin-encoder-1b с использованием библиотеки Sentence Transformers. Модель оценивает пары текстов одним числовым баллом, который помогает переставлять найденные документы по релевантности запросу и применять её в семантическом поиске. Модель имеет архитектуру ModernBERT и содержит 1 млрд параметров. Она принимает текстовые пары, поддерживает последовательности длиной до 7 999 токенов и предназначена для англоязычного ранжирования. В приведённой оценке MTEB(eng, v2) модель показала NDCG@10 0,6114 в сценарии поиска с переранжированием. В практическом конвейере её можно использовать после первичного поиска, чтобы точнее упорядочить кандидатов; README также показывает, что на тесте Touche2020 переранжирование снизило метрики. Это не универсальная мультиязычная модель и не генератор ответов. Распространяется по лицензии Apache-2.0.

EVIE-8B — модель Tencent для поиска по визуальным документам, включая страницы документов в виде изображений. Она дообучена на базе Qwen3.5-9B и использует архитектуру ColQwen3.5 с двунаправленным вниманием. Модель кодирует текст запроса и визуальные фрагменты документа в многовекторные представления размерности 4096, а релевантность оценивает поздним взаимодействием токенов по MaxSim. Модель предназначена для извлечения нужных страниц по текстовым запросам в коллекциях документов: она сохраняет признаки макета, типографики, таблиц и диаграмм. Tencent также позиционирует её как учительскую модель для дистилляции компактной EVIE-4.5B. В README сообщается об оценке nDCG@10 66,75 на ViDoRe V3 и проверке на наборах ViDoRe и JinaVDR. Поддерживаются текстовые запросы и изображения документов; обучение проводилось на парах запросов и документов из многоязычных областей. Лицензия — Apache-2.0. Для выдачи результатов требуется вычислять и сравнивать многовекторные представления, что может быть требовательно к ресурсам; качество зависит от dtype и backend внимания.

facebook/fasttext-en-vectors — англоязычная модель векторных представлений слов на базе библиотеки fastText, разработанной Meta. Предобученные векторы предназначены для извлечения признаков из текста и могут применяться в классификации текста, определении языка и оценке сходства слов по косинусной близости. Модель обучена на данных Common Crawl и Википедии с помощью CBOW с позиционными весами. Размерность векторов — 300; используются символьные n-граммы длины 5, окно контекста 5 и 10 отрицательных примеров. fastText рассчитана на работу на обычных процессорах и подходит как для прототипирования, так и для производственных сценариев. Векторы представляют английский язык. Возможны смещения в предсказаниях, связанные с обучающими данными. Лицензия — CC BY-SA 3.0.

FollowIR-7B — языковая модель на архитектуре Mistral, разработанная исследовательской группой Johns Hopkins CLSP для реранжирования результатов поиска с учётом инструкций пользователя. Она дообучена на Mistral-7B-Instruct-v0.2 с использованием поисковых данных и написанных людьми инструкций из набора FollowIR, основанных на заданиях TREC. Модель оценивает пары «запрос — документ» и подходит для уточнения порядка найденных документов в информационно-поисковых системах. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке заявлено, что она лучше других моделей поиска следует инструкциям; независимые сравнительные результаты в предоставленных данных не приведены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для запуска и оценки результатов требуется совместимый программный стек.

GIST-Law-Embed — модель для получения плотных эмбеддингов предложений и абзацев, опубликованная пользователем wahid028 на Hugging Face. Она основана на архитектуре BERT и распространяется в формате Safetensors; размер модели составляет около 433,9 млн параметров, контекст — до 512 токенов. Выход модели — векторы размерностью 1024, пригодные для семантического поиска, сравнения текстов и кластеризации. Модель дообучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для поиска релевантных фрагментов юридических документов и группировки похожих текстов. Карточка не сообщает лицензию или конкретные поддерживаемые языки, поэтому нельзя определить условия использования или языковое покрытие.

GLiFormer Large v1 — модель Knowledgator с 575,6 млн параметров, использующая общий layout-aware энкодер DeBERTa и специализированные головы задач. Она предназначена для извлечения именованных сущностей и отношений, классификации текста, формирования структурированных записей по заданной схеме и получения текстовых эмбеддингов. Метки и схема извлечения задаются при инференсе; можно выполнять несколько задач за один вызов. Несмотря на поддержку разметки макета документов в архитектуре, приведённые примеры и оценки относятся к текстовым задачам. Карточка приводит результаты оценки на англоязычных данных: средний строгий F1 для NER на 26 наборах — 50,91, средний macro-F1 классификации на 13 наборах — 75,03; показатели извлечения отношений существенно различаются между наборами. Качество зависит от меток, формулировки схемы, длины входа и порогов. Модель может пропускать сведения, ошибаться в границах сущностей и отношениях между записями; результаты для других языков, макетов документов и эмбеддингов в карточке не подтверждены. Лицензия — Apache-2.0.

GME-Qwen2-VL-7B — мультимодальная модель эмбеддингов Tongyi Lab, подразделения Alibaba Group, дообученная на основе Qwen2-VL-7B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторные представления для поиска по тексту и изображениям, включая поиск между модальностями и визуальный поиск по скриншотам документов. Модель использует архитектуру Qwen2-VL, содержит 7,1 млрд параметров по метаданным, поддерживает контекст до 32 768 токенов и динамическое разрешение изображений; размер вектора — 3584. В README сообщается о высоких результатах на бенчмарках UMRB и MTEB, в том числе для задач мультимодального поиска и поиска по сложным документам, например научным статьям. Модель обучалась только на английских данных, поэтому качество мультимодальных эмбеддингов для других языков не гарантируется. В текущей версии поддерживается одно изображение на вход; число визуальных токенов ограничено 1024. Лицензия — Apache-2.0; при распространении модели, производных работ или продуктов с её использованием необходимо заметно указывать «Built with GME», а имена распространяемых моделей, созданных с использованием её выходов, должны начинаться с «GME».

GritLM/GritLM-7B-KTO — версия модели GritLM 7B с обучением KTO, основанная на Mistral 7B. GritLM разработана Contextual AI и объединяет генерацию текста с получением текстовых представлений и эмбеддингов в одной модели. В репозитории указаны архитектура Mistral и 7,1 млрд параметров; модель принимает текст, поддерживает диалоговый режим и имеет контекст длиной до 32 768 токенов. Модель предназначена для генерации ответов в диалоге, а также для задач представления и классификации текста. Карточка описывает GritLM как модель, показавшую передовые результаты на задачах генерации и текстовых представлений, но конкретные результаты для версии KTO не приведены. Модель распространяется по лицензии Apache-2.0.

JaColBERTv2.5 — японская модель семантического поиска на архитектуре BERT, разработанная Бенжамином Клавье. Она предназначена для ранжирования и извлечения релевантных документов в поисковых и RAG-системах; модель использует представления ColBERT с несколькими векторами для сопоставления запросов и документов. Чекпойнт содержит 138,4 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors для работы с RAGatouille. В README заявлено, что модель обучена на 40% данных, использованных для JaColBERTv2, и превосходит предыдущие подходы, включая мультиязычные варианты BGE-M3, на всех оценённых наборах данных. Указаны японские наборы MIRACL, MMARCO, JQaRA и JaGovFaqs. Модель рассчитана на японский язык; лицензия MIT.

hotchpotch/japanese-reranker-tiny-v2 — небольшая японская модель для повторного ранжирования текстов, разработанная hotchpotch. Она оценивает релевантность пар запроса и документа, чтобы упорядочивать результаты поиска или кандидаты, полученные на первом этапе поиска. Модель предназначена для японских сценариев, включая улучшение поиска и RAG-систем, где важны низкая задержка и работа на ограниченных вычислительных ресурсах. Модель дообучена на основе cl-nagoya/ruri-v3-pt-30m и использует плотную архитектуру ModernBERT с 3 слоями и размером скрытого состояния 256; содержит 29,4 млн параметров и принимает последовательности длиной до 8192 токенов. В README приведены оценки на японских наборах JQaRA, JaCWIR, MIRACL и JSQuAD, а также замеры скорости для GPU, Apple Silicon и CPU; производительность зависит от оборудования и конфигурации. Доступны форматы Safetensors и ONNX, для использования описаны Transformers и Sentence Transformers. Лицензия — MIT.

LaME-2B — мультимодальная модель эмбеддингов, разработанная авторами LaME и основанная на Qwen2-VL-2B-Instruct. Она обучена совместно создавать представления для поиска и представления, связанные с генерацией: обучение использует восемь обучаемых токенов [REASON], латентный декодер Qwen3-0.6B и сочетает контрастивную функцию потерь с надзором декодера. Размер проекции составляет 3584. Модель предназначена для мультимодального поиска и извлечения по тексту, изображениям, видео и визуальным документам. В README заявлены результаты уровня state of the art на MMEB-v2 и MRMR; примеры использования и оценки вынесены в репозиторий LaME. В Hugging Face модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Доступные сведения не уточняют поддерживаемые естественные языки и ограничения по контексту; результаты на указанных бенчмарках не гарантируют качество для других данных и сценариев.

LaSER-Qwen3-8B — плотный ретривер с латентным рассуждением, разработанный в рамках подхода LaSER и дообученный на базе Qwen/Qwen3-8B. Модель предназначена для поиска релевантных документов по запросам, особенно когда для поиска требуется многошаговое рассуждение. Она генерирует непрерывные латентные токены рассуждения, объединяет скрытые состояния и выдаёт L2-нормализованные эмбеддинги для запросов и документов. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. README сообщает о результатах на BRIGHT, FollowIR и BrowseComp-Plus; на BRIGHT указана задержка около 50 мс при batch size 8 на одной A100. Веса доступны в формате safetensors, лицензия — MIT. Для кодирования текста используется Transformers; точный способ формирования эмбеддингов требует реализации LaSER из проекта.

LFM2.5-230M Propella — компактная языковая модель примерно на 221,2 млн параметров, разработанная для генерации структурированных JSON-аннотаций и извлечения метаданных из англоязычного текста. Это дообучение LiquidAI/LFM2.5-230M на наборе agentlans/c4-en-propella; аннотации для обучающих данных были подготовлены с помощью ellamind/propella-1-0.6b. Модель использует плотную архитектуру LFM2 и поддерживает контекст до 128 000 токенов. Модель подходит для классификации и разметки текста, когда результат нужно получить в структурированном JSON-формате. Она рассчитана на быстрый запуск и небольшие ресурсы; доступна через Transformers, а формат весов в репозитории — safetensors. Лицензия — LFM Open License v1.0, унаследованная от базовой модели. Небольшой размер повышает эффективность, но качество аннотаций может уступать модели-учителю ellamind/propella-1-0.6b. Формат JSON иногда может быть некорректным, поэтому результаты рекомендуется проверять парсером; модель обучена исключительно на английском тексте, и её качество на других языках не гарантируется.