I.11Классификация, ранжирование и сопоставление

CompassJudger-2-7B-Instruct — языковая модель-судья из серии CompassJudger-2, дообученная разработчиками OpenCompass на Qwen2.5-7B-Instruct. Модель предназначена для оценки ответов и сравнения их качества, в том числе в попарных сценариях. В README описаны обучение на данных из разных задач и областей, применение проверяемых наград, chain-of-thought и rejection sampling; заявлена оценка на нескольких бенчмарках для моделей-судей и reward-моделей. Модель имеет плотную архитектуру Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов. Она принимает текст и выдаёт текстовые оценки или суждения; в метаданных также отмечен интерфейс tool calling. README не перечисляет поддерживаемые естественные языки. Репозиторий использует safetensors, библиотеку Transformers и лицензию Apache-2.0. Утверждения README о превосходстве по бенчмаркам не сопровождаются в предоставленной карточке полными результатами и методологией; качество оценок может зависеть от задачи и домена.

Это визуальная модель ConvNeXt Large MLP от timm: веса визуальной башни CLIP, предварительно обученные в OpenCLIP на данных LAION-2B, затем дообучены для классификации ImageNet-12k. Модель содержит около 216,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель можно применять для классификации изображений, извлечения карт признаков и получения векторных представлений изображений. Карточка приводит её как классификационный бэкбон и описывает извлечение эмбеддингов; метаданные указывают задачу image-classification. Лицензия — Apache-2.0.

Это веса визуального энкодера ConvNeXt-XXLarge из семейства CLIP, опубликованные командой timm. Модель предназначена для извлечения признаков изображений и представления их в виде векторов, пригодных для сравнения и поиска. Энкодер можно использовать как часть CLIP-сценариев, например для получения признаков изображений перед поиском или анализом. В репозитории указаны форматы PyTorch и safetensors и библиотека timm. Лицензия — Apache-2.0. В карточке указана только визуальная часть CLIP; сведений о текстовом энкодере, поддерживаемых языках, размере входа и ограничениях качества нет.

ConvNeXt-XXLarge — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработал Ross Wightman: веса визуального блока CLIP предварительно обучены в OpenCLIP на LAION-2B, затем модель дообучена на ImageNet-12k. В карточке указаны 879,7 млн параметров и типичный размер изображения 256 × 256 пикселей. Модель можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В таблице сравнения для варианта с разрешением 256 указаны точности top-1 88,612% и top-5 98,704%. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка не приводит ограничений по применению или поддерживаемых текстовых языков.

danskgpt-v4-12b — дообученная Syvai текстовая модель на архитектуре Gemma4ForCausalLM, созданная на основе google/gemma-4-12B-it для более сильного понимания датского языка, работы со знаниями и рассуждений. Это плотная модель примерно на 11,6 млрд параметров; карточка указывает дообучение QLoRA с рангом 16, базой NF4 и вычислениями bf16. Контекст составляет 262 144 токена, для диалога используется шаблон чата Gemma-4. Модель предназначена для датской NLP: классификации, понимания прочитанного, ответов на вопросы, извлечения именованных сущностей и задач универсального ассистента. Она принимает текст и генерирует текст; примеры включают перефразирование, суммаризацию и оценку тональности. Модель ориентирована на датский язык и не предназначена для мультимодального ввода, несмотря на мультимодальные возможности базовой модели. По карточке модель может быть более краткой и решительной в открытой генерации, чем базовая модель, наследует её смещения и ограничения знаний. Для высокорисковых решений требуется человеческий контроль. Лицензия — CC BY 4.0.

DenseOn-unsupervised — модель LightOn для плотного поиска по текстам, выпущенная после первого этапа обучения семейства DenseOn. Это Sentence Transformer на базе ModernBERT с 149 млн параметров: он кодирует текст в векторы размерности 768, которые можно сравнивать по косинусному сходству. Максимальная длина последовательности в README — 512 токенов; метаданные указывают контекст до 8192 токенов, поэтому фактическое ограничение зависит от используемой конфигурации и способа запуска. Модель прошла масштабное контрастивное предобучение без последующей настройки на сложных отрицательных примерах. Она предназначена прежде всего как основа для дообучения на предметных данных, экспериментов с дистилляцией и исследования этапов обучения ретриверов. Для готовых производственных сценариев авторы рекомендуют полностью обученную DenseOn. Модель рассчитана на английский язык и задачи извлечения признаков и семантического сходства предложений. Распространяется по лицензии Apache 2.0.

dinghy-law-0.6b — плотная текстовая embedding-модель Hanno-Labs на 507,6 млн параметров, дообученная на базе Qwen/Qwen3-Embedding-0.6B для поиска по юридическим документам. Она создаёт вектор размерности 1024 для входного текста и предназначена для семантического поиска, первого этапа извлечения и ранжирования в юридических RAG-системах, а также сопоставления и группировки правовых текстов. Модель использует архитектуру Qwen3 и библиотеку sentence-transformers; длина контекста по умолчанию — 8192 токена, с возможностью увеличить её до 32768. Контрастивное дообучение охватывает юридические тексты на английском, немецком и китайском языках. В описанной авторами оценке MTEB(Law, v1) модель получила 65,88 по Mean(Task) nDCG@10; это собственное измерение авторов, а не официальное место в рейтинге. Модель рассчитана на локальный запуск, в том числе на CPU без GPU, и подходит для поиска по законам, судебной практике и договорам. Она не генерирует текст и не предоставляет юридических консультаций. Среди ограничений авторы отмечают отставание на поиске по немецким судебным делам и длинных документах, а также небольшое снижение качества некоторых задач общего поиска по сравнению с базовой моделью. Поддержка за пределами английского, немецкого и китайского юридического текста не подтверждена. Лицензия — Apache-2.0.

Модель ele-sage/distilbert-base-uncased-name-classifier — бинарный классификатор текстовых строк, дообученный разработчиком ele-sage на базе distilbert/distilbert-base-uncased. Она определяет, обозначает ли строка имя человека или компанию/организацию, и предназначена для классификации имён, в том числе как быстрого первого этапа конвейера обработки имён перед их более сложным разбором. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и выдаёт метку Person или Company. Контекст ограничен 512 токенами; карточка указывает поддержку английского и французского языков. На оценочном наборе автор сообщает точность 0,9939 и F1 0,9945. Модель распространяется по лицензии MIT. Классификатор специализирован и не предназначен для других задач, например анализа тональности. По данным карточки, обучающая выборка смещена в сторону североамериканских, особенно канадских, имён и компаний Квебека; неоднозначные названия могут получать статистически вероятную, но контекстуально неверную метку. В исходных данных имён людей присутствовал шум.

distil-labs разработала компактную модель классификации электронной почты на основе Qwen3-0.6B. Это плотная авторегрессионная модель с 507,9 млн параметров, дообученная с помощью дистилляции знаний и supervised fine-tuning; она принимает текст письма и выдаёт текстовую метку из закрытого набора: Billing, Newsletter, Work, Personal, Promotional, Security, Shipping, Travel, Spam или Other. Модель рассчитана на локальную автоматическую сортировку почты, например, в связке n8n, Ollama и Gmail, чтобы содержимое писем не отправлялось внешним LLM API. Контекст составляет 40 960 токенов; доступны форматы Safetensors и GGUF. В описанных авторами испытаниях точность дообученной модели составила 93% на их наборе данных, тогда как базовая Qwen3-0.6B показала 38%; для обучения использовались 154 начальных примера и ответы GPT-OSS-120B как учителя. Эти показатели относятся к данным и настройке авторов и не гарантируют такую же точность на других почтовых потоках. Модель ориентирована на метки на английском языке. Лицензия — Apache-2.0.

denniscraandijk/dutch-english-multilingual-e5-large-instruct — сжатая удалением параметров версия multilingual-e5-large-instruct, созданная с помощью mtem-pruner для задач на нидерландском языке. Модель на архитектуре XLM-RoBERTa содержит 450,6 млн параметров и формирует плотные текстовые эмбеддинги для семантического поиска, извлечения релевантных фрагментов и сравнения предложений. Она рассчитана прежде всего на нидерландский; README также указывает английский в названии, но не подтверждает его качество. Контекст — до 514 токенов. По данным карточки, модель на 37,2% меньше исходной и должна сохранять близкое качество на нидерландских задачах при меньших требованиях к памяти. Удаление токенов из словаря может ухудшить работу на других языках исходной многоязычной модели. Модель распространяется по лицензии MIT.

e5-omni-7B — мультимодальная модель эмбеддингов от Haon-Chen, созданная дообучением Qwen/Qwen2.5-Omni-7B. Она кодирует текст, изображения, аудио и видео в единое векторное пространство, чтобы находить соответствующие материалы между модальностями и выполнять мультимодальный поиск. Для получения эмбеддингов доступны интеграции с Sentence Transformers и Transformers; в README заявлены результаты на MMEB-V2 и AudioCaps. Модель подходит для поиска по видео и аудио, поиска изображений, диаграмм и документов, а также многоязычного текстового поиска. Репозиторий содержит веса Safetensors, основная задача по карточке — visual-document-retrieval, а каталог также отмечает извлечение признаков и сходство предложений. Лицензия — MIT.

fastvitmci3.applemclip2dfndr2b — модель семейства MobileCLIP v2 для библиотеки timm, содержащая только визуальный энкодер. Она предназначена для извлечения признаков из изображений и может использоваться как компонент систем поиска по изображениям и сопоставления визуального содержимого с текстом. Модель обучена на наборе данных DFNDR-2B; карточка связывает её с работой MobileCLIP2: Improving Multi-Modal Reinforced Training. Репозиторий распространяет веса в форматах PyTorch и Safetensors. Указана лицензия apple-amlr. Карточка описывает только image tower, поэтому текстовый энкодер и возможности полной мультимодальной модели в эту поставку не входят.

french-bge-m3 — франкоязычная версия модели BAAI/bge-m3, разработанная Antoine Louis. Она предназначена прежде всего для задач семантического сходства и поиска фрагментов текста, включая passage retrieval, во французском языке; модель может использоваться с библиотеками Transformers и Sentence Transformers. Модель создана методом pruning и на 38,4% меньше исходной BAAI/bge-m3, благодаря чему требует меньше памяти. Архитектура и точное число параметров в README не указаны. Это текстовая модель для французского языка, унаследованная от многоязычной BGE-M3, но из её словаря удалены токены, нечасто встречающиеся во французском. Поэтому для французских задач ожидается производительность, близкая к оригинальной модели, тогда как качество на других языках может быть заметно ниже. Модель распространяется по лицензии MIT. Для загрузки в Transformers требуется параметр trust_remote_code=True; также она поддерживается библиотекой Sentence Transformers.

GLM-2B — языковая модель семейства GLM, разработанная командой THUDM и представленная в работе Zhengxiao Du, Yujie Qian и соавторов. Модель предварительно обучена на наборе данных The Pile с авторегрессионной целью заполнения пропусков; архитектура включает 36 слоёв трансформера, скрытый размер 4096 и 64 головы внимания, всего около 2,5 млрд параметров. Модель предназначена для задач понимания и генерации естественного языка, включая языковое моделирование, преобразование последовательностей, классификацию текста и выбор ответа. Предобучение ориентировано на английский язык. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

GPT-5.6 Luna — модель OpenAI из серии GPT-5.6. Она предназначена для высоконагруженных задач с чувствительностью к задержке, включая диалог, классификацию и лёгкие агентные сценарии. В карточке модель описана как быстрая и экономичная, со способностью к рассуждению. Данных о размере, архитектуре, модальностях, языках, длине контекста и лицензии в предоставленных источниках нет. Метаданные каталога относят модель к задаче image-text-to-text, однако README не подтверждает работу с изображениями.

GPT-6 Luna — быстрая и экономичная модель OpenAI из серии GPT-6, позиционируемая ниже GPT-6 Sol. Она предназначена для чат-сценариев, классификации и лёгких агентных задач, особенно при высокой нагрузке и требованиях к низкой задержке. Данных об архитектуре, размере, модальностях, языках, длине контекста и лицензии в предоставленных материалах нет.

Jina AI jina-embeddings-v5-omni-nano-retrieval — мультимодальная модель эмбеддингов, предназначенная для поиска. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, согласованного с текстовой моделью jinaai/jina-embeddings-v5-text-nano-retrieval. Это вариант семейства jina-embeddings-v5-omni-nano с адаптацией для retrieval; архитектура в метаданных обозначена как LlavaEuroBertAudioForEmbedding, библиотека — Transformers. Модель содержит около 0,95 млрд параметров, выдаёт эмбеддинги размерностью 768 и поддерживает мультиязычный ввод. Её можно применять для мультимодального поиска, когда документы индексируются текстом, а запрос поступает как изображение, видео или аудио; совместимое векторное пространство позволяет использовать такие запросы без переиндексации текстового корпуса. Видео представляется последовательностью кадров, а звуковая дорожка из видео автоматически не обрабатывается: для совместного представления звука и изображения аудио нужно подать отдельно. Для retrieval важно обозначать роль входа как запроса или документа с помощью префиксов Query: и Document: либо соответствующих функций кодирования. Модель поддерживает усечение векторов с нормализацией и выборочное подключение модальных компонентов для экономии памяти. Веса доступны в формате safetensors; лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения.

JoyTag — модель компьютерного зрения, опубликованная fancyfeast и основанная на разработке fpgaminer, для автоматического многометочного тегирования изображений. Она прогнозирует более 5000 тегов в схеме Danbooru, причем каждый тег классифицируется независимо, поэтому модель может одновременно описывать несколько объектов, характеристик и визуальных признаков изображения. Модель построена на архитектуре ViT-B/16 с CNN-стемом и GAP-головой, принимает изображения размером 448×448 и содержит около 91,5 млн параметров. Она ориентирована на изображения от рисованных до фотографических и особенно полезна для подготовки датасетов, поиска и организации изображений, а также автоматического добавления тегов к изображениям для обучения моделей генерации. В репозитории доступны форматы Safetensors и ONNX, библиотека Transformers и pipeline image-classification. Модель выпущена под лицензией Apache-2.0. Ее точность зависит от порога классификации и распределения данных; исходный обучающий набор Danbooru ограничивает разнообразие и может усиливать смещение в сторону аниме и манга-контента. Это классификатор тегов, а не модель генерации изображений, описания естественным языком или распознавания текста.

LeVJEPA-VideoMix-Large — видеокодировщик Galilai Group на архитектуре ViT-L/16, обученный по самообучаемой цели LeV-JEPA без использования меток. Модель содержит 303,1 млн параметров и принимает клипы из 16 RGB-кадров размером 224 пикселя; для извлечения признаков из одного изображения его повторяют вдоль временной оси. Кодировщик использует позиционное кодирование RoPE и блочно-каузальное внимание, а опубликованные веса — EMA-копия энкодера. Модель предназначена для извлечения признаков видео и изображений, линейного и внимательного зондирования, поиска похожих материалов и использования в качестве основы для последующих моделей. Обучение проведено на 1 806 869 клипах из Kinetics-710, Something-Something v2, Walking Tours и PE-Video; видеокадры при обучении выбирались примерно с частотой 7,5 кадра в секунду. В модели нет классификационной головы, поэтому для классификации требуется отдельная голова или последующая обработка признаков. Для корректных признаков следует сохранять режим внимания block-causal: использование полного внимания может ухудшить результаты. Явная маска внимания увеличивает расход памяти относительно ViT-L с полным вниманием. Библиотека Transformers; лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Карточка модели ronaldmannak/LFM2.5-ColBERT-350M-4bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-ColBERT-350M-4bit, поэтому описание составлено по ней. Это 4-битная сборка MLX модели LFM2.5-ColBERT-350M, подготовленная сообществом mlx-community на основе LiquidAI/LFM2.5-ColBERT-350M для локального инференса на компьютерах Apple с Apple Silicon. Модель использует архитектуру ColBERT с поздним взаимодействием: формирует 128-мерный вектор для каждого токена, а релевантность запроса и документа оценивает методом MaxSim. В метаданных указаны 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для многоязычного семантического поиска и извлечения документов. В тестах README 4-битная версия сохранила в среднем 98,7% NDCG@10 и 99,7% Recall@10 относительно bf16 версии на восьми наборах данных; оценки получены на небольших или сокращённых корпусах и не сопоставимы напрямую с результатами на полных корпусах. В репозитории указана лицензия other; условия исходной модели следует сверить с её карточкой.

Карточка модели ronaldmannak/LFM2.5-ColBERT-350M-8bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-ColBERT-350M-8bit, поэтому описание составлено по ней. LFM2.5-ColBERT-350M-8bit — 8-битная MLX-квантизация многоязычной модели ColBERT от Liquid AI, опубликованная сообществом mlx-community. Модель предназначена для семантического поиска и ранжирования: она кодирует каждый токен вектором размерности 128, а релевантность запроса и документа оценивается методом позднего взаимодействия MaxSim. Число параметров — 443,4 млн, размер контекста — до 128 000 токенов. Репозиторий содержит веса в формате MLX safetensors, квантизированные до 8 бит; README указывает на снижение размера с 707 до 376 МБ относительно bf16 и близкое сохранение качества на приведённых наборах поиска. Модель подходит для локального поиска по текстовым коллекциям на устройствах Apple Silicon. Базовая модель — LiquidAI/LFM2.5-ColBERT-350M; лицензия указана как other, поэтому перед использованием следует проверить условия исходной карточки. Результаты оценки приведены для небольших или сокращённых корпусов и не сопоставимы напрямую с лидербордами полного MIRACL.

LFM2.5-ColBERT-350M-bf16 — конвертированная сборка модели Liquid AI для локального инференса на компьютерах Apple Silicon с использованием MLX. Это двунаправленный энкодер LFM2 с поздним взаимодействием ColBERT: он выдаёт 128-мерный вектор для каждого токена, а релевантность пары запроса и документа оценивается методом MaxSim. В репозитории указано 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для семантического поиска и извлечения документов по запросу на нескольких языках. В карточке приведены оценки поиска на английских наборах NanoBEIR и многоязычных поднаборах MIRACL для испанского, немецкого, японского и арабского языков. Весовые параметры сохранены в исходной точности bf16; это преобразование формата PyTorch/safetensors в MLX, а не квантизация. Для работы архитектуры включена отдельная реализация MLX, поскольку стандартные mlx-lm и mlx-embeddings её не поддерживают из коробки. Репозиторий создан сообществом mlx-community, а веса, архитектура и поведение модели принадлежат Liquid AI. README сообщает о близком совпадении токеновых векторов с оригинальной версией при проверке, но результаты поиска приведены на ограниченных пулах и не сопоставимы напрямую с полными корпусами MIRACL. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой базовой модели.

Карточка модели ronaldmannak/LFM2.5-ColBERT-350M-bf16 на Hugging Face совпадает с карточкой mlx-community/LFM2.5-ColBERT-350M-bf16, поэтому описание составлено по ней. LFM2.5-ColBERT-350M-bf16 — конвертированная сборка модели Liquid AI для локального инференса на компьютерах Apple Silicon с использованием MLX. Это двунаправленный энкодер LFM2 с поздним взаимодействием ColBERT: он выдаёт 128-мерный вектор для каждого токена, а релевантность пары запроса и документа оценивается методом MaxSim. В репозитории указано 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для семантического поиска и извлечения документов по запросу на нескольких языках. В карточке приведены оценки поиска на английских наборах NanoBEIR и многоязычных поднаборах MIRACL для испанского, немецкого, японского и арабского языков. Весовые параметры сохранены в исходной точности bf16; это преобразование формата PyTorch/safetensors в MLX, а не квантизация. Для работы архитектуры включена отдельная реализация MLX, поскольку стандартные mlx-lm и mlx-embeddings её не поддерживают из коробки. Репозиторий создан сообществом mlx-community, а веса, архитектура и поведение модели принадлежат Liquid AI. README сообщает о близком совпадении токеновых векторов с оригинальной версией при проверке, но результаты поиска приведены на ограниченных пулах и не сопоставимы напрямую с полными корпусами MIRACL. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой базовой модели.

Это квантованная до 8 бит версия LFM2.5-ColBERT-350M от Liquid AI, подготовленная sahilchachra для запуска на компьютерах Apple Silicon с MLX. Модель представляет собой двунаправленный энкодер позднего взаимодействия: преобразует каждый токен запроса и документа в вектор размерности 128, а релевантность оценивает методом MaxSim. Для кодирования нужны маркеры [Q] для запросов и [D] для документов. Модель предназначена для многоязычного семантического поиска и ранжирования документов. Карточка приводит результаты сравнения int8 с fp16 на англоязычном подмножестве NanoBEIR из четырёх наборов данных: среднее значение NDCG@10 у int8 составило 100,5% от fp16. Указан размер весов 376 МБ и пропускная способность 12 978 токенов в секунду на чипах серии M; эти показатели относятся к тесту автора и его конфигурации. В метаданных указаны 443,4 млн параметров, контекст до 128 000 токенов и лицензия other. Формат файлов — safetensors; README описывает квантизацию MLX affine с group_size=64. Это производная от LiquidAI/LFM2.5-ColBERT-350M модель. Результаты в README ограничены небольшим англоязычным тестом и не характеризуют качество на всём наборе языков или других сценариях.

MedCPT-Cross-Encoder — модель ранжирования текстовых пар, опубликованная Computational Biology Branch подразделения NCBI/NLM. Она оценивает релевантность статей заданному запросу: на вход подаются запрос и кандидатные тексты, а на выходе — оценки, по которым их можно упорядочить; более высокий балл означает большую релевантность. Модель построена на архитектуре BERT с классификационной головой, содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для поиска и ранжирования научных статей, в частности биомедицинских материалов. Она выдаёт оценки релевантности, а не медицинские рекомендации или диагнозы. Лицензия указана как other; конкретные условия использования следует уточнить в материалах репозитория. Разработчик предупреждает, что результаты не предназначены для самостоятельного клинического или медицинского принятия решений без проверки специалистом.

MiniCOIL v1 — разреженная нейронная модель эмбеддингов для текстового поиска, опубликованная Qdrant на основе jinaai/jina-embeddings-v2-small-en. Модель предназначена для задач sentence similarity и retrieval, включая семантический поиск и гибридный поиск по текстовым коллекциям. Для каждого стема слова модель формирует 4-мерное смысловое представление, объединяет такие представления в разреженную модель мешка слов и взвешивает слова по формуле BM25. Для слов, отсутствующих в словаре miniCOIL, используется вес, основанный только на BM25. Модель поддерживает английский язык; сведения о размере параметров, длине контекста и других модальностях не указаны. К сильным сторонам относятся разреженное представление, учет как лексического совпадения, так и смысла слов, а также различение контекстов многозначных терминов. Модель рассчитана на использование с библиотекой FastEmbed и особенностями Qdrant: для корректного применения необходимо настроить Modifier.IDF либо самостоятельно учитывать и масштабировать IDF-компонент BM25. Ограничения включают англоязычную специализацию и зависимость от настройки разреженных векторов в Qdrant. Модель распространяется по лицензии Apache-2.0.

khyentsevision/minilm-bo-en-sim — Sentence Transformer, разработанный для оценки семантического сходства между тибетскими и английскими предложениями, в том числе при работе с буддийской литературой. Модель принимает пару текстов на тибетском и английском и выдаёт оценку сходства: близкие к 1 значения означают близкий смысл, около 0 — слабую связь, отрицательные — противоположный смысл. Её можно применять для сопоставления параллельных фрагментов и ранжирования вариантов перевода. Это дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2: BERT с mean pooling, 25,9 млн параметров и контекстом до 512 токенов. Он создаёт векторы размерности 384; сходство вычисляется косинусной мерой. В README указана корреляция Пирсона 0,9391 на отложенных тибетско-английских парах. Модель распространяется по лицензии BSD.

Mizan-Rerank-v3 — арабоязычный cross-encoder-реранкер от разработчиков семейства Mizan. Модель содержит около 305 млн параметров и дообучена на базе Alibaba-NLP/gte-multilingual-reranker-base на 71 тыс. арабских listwise-группах с трудными примерами, включая фрагменты с отрицаниями, подменой сущностей, чисел и дат. Она оценивает релевантность пары «запрос — фрагмент» и сортирует кандидатов для поиска и RAG, в частности в плотных религиозных и энциклопедических текстах. Модель рассчитана прежде всего на арабский язык. Архитектура принимает до 8192 токенов, однако обучение проводилось на последовательностях до 3072 токенов, а качество на длине свыше 3072 не измерялось. По данным README, она показывает хорошие результаты на арабских тестах и эффективна по скорости; выходной логит можно преобразовать сигмоидой в оценку релевантности, но это не калиброванная вероятность. Для работы требуется trust_remote_code=True. Лицензия — Apache-2.0.

yjoonjang/mmBERT-en-CL-KD — модель PyLate на базе многоязычного энкодера jhu-clsp/mmBERT-base, дообученная на англоязычных данных для поиска и сравнения текстов. Архитектура ColBERT включает ModernBERT с проекцией скрытых состояний из 768 векторов в 128 измерений. Модель формирует последовательности плотных векторов для токенов, а релевантность запроса и документа оценивает оператором MaxSim. Размер — около 307 млн параметров; контекст — до 8192 токенов по метаданным. В описании модели указаны длины до 1024 токенов для документа и 64 токенов для запроса. Модель предназначена для семантического поиска по коллекциям документов и повторного ранжирования результатов первичного поиска. Она обучалась на 1 224 652 примерах на английском языке; README сообщает о переносе качества на корейские задачи поиска. Для работы с моделью и индексами предлагается библиотека PyLate, включая поиск через FastPLAID. Представленные оценки относятся к отдельным наборам задач и не гарантируют аналогичного качества на других корпусах. Модель дообучена от jhu-clsp/mmBERT-base и опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

Это англоязычный многовекторный энкодер для семантического поиска с поздним взаимодействием токенов, разработанный на базе answerdotai/ModernBERT-base и дообученный на 99 тысячах примеров MS MARCO с библиотекой Sentence Transformers. Модель преобразует текст в последовательности 128-мерных векторов на уровне токенов и оценивает соответствие запросов и документов с помощью MaxSim. Модель предназначена для поиска релевантных документов по текстовому запросу и задач информационного поиска. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoBEIR и других тестах поиска. Максимальная длина последовательности — 8192 токена; лицензия — Apache-2.0. Модель принимает текст и возвращает векторные представления, а не готовые ответы. Для ранжирования требуется вычислять оценку позднего взаимодействия MaxSim; многоязычная поддержка в карточке не заявлена.