I.11Классификация, ранжирование и сопоставление

Это зрительная модель ViT-S+/16 семейства DINOv3, подготовленная для Apple MLX Framework и опубликованная mlx-vision. Модель обучена в режиме самообучения на наборе LVD-1689M, а её веса дистиллированы от учителя DINOv3 ViT-7B. В репозитории размещён порт весов Meta AI в формате safetensors; классификационная голова не обучалась, поэтому модель предназначена для извлечения признаков изображений, а не для непосредственной классификации. Модель содержит 29 млн параметров, использует патчи размером 16 пикселей, размерность эмбеддинга 384 и блок SwiGLU в FFN. Для изображения 224×224 формируются 201 токен: классовый, четыре регистра и 196 патчей. Поддерживаются изображения большего размера с размерами, кратными 16; неподходящие размеры обрезаются до ближайшего меньшего значения, кратного размеру патча. Полученные признаки можно использовать в системах поиска изображений, классификации, сегментации и других задачах компьютерного зрения. Лицензия указана как other, без подробных условий в предоставленных данных. В README отмечены сохраняющиеся различия качества по географическим регионам и уровням дохода; дообучение может усилить эти смещения.

Zabanshenas RoBERTa Base Mix — трансформерная модель для определения языка письменного текста, опубликованная m3hrdadfi. Она классифицирует текст, выбирая наиболее вероятный язык; в карточке приведены оценки для документов, предложений и фрагментов длиной 3–5 токенов. Модель основана на RoBERTa, содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Для классификации использован набор WiLI-2018; карточка сообщает о поддержке множества языков. Модель подходит для автоматической маршрутизации и предварительной разметки текстов по языку, в том числе на уровне абзаца или короткого фрагмента. Метаданные указывают форматы PyTorch и TensorFlow и лицензию Apache-2.0. Приведённые в карточке метрики различаются в зависимости от длины входа, поэтому качество на коротких фрагментах может быть ниже, чем на абзацах.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-cls-normed-1024-512_GIST_BAAI_bge-base-en-v1.5-20240128091053-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.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-mean-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240128084618-latest 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.

BEM — модель сопоставления ответов на основе BERT, опубликованная как воспроизведение исследования «Tomayto, Tomahto. Beyond Token-level Answer Equivalence for Question Answering Evaluation». Она дообучена на базе bert-base-uncased на наборе данных Answer Equivalence. Модель оценивает, эквивалентны ли ответ-кандидат и эталонный ответ с учётом исходного вопроса. Её применяют для оценки систем автоматического ответа на вопросы: разные по формулировке ответы могут считаться правильными, если передают один и тот же смысл. В метаданных указаны архитектура BertForSequenceClassification, 136,7 млн параметров и контекст до 512 токенов; модель принимает текст и выдаёт оценку классификации. Модель предназначена для английского языка и распространяется по лицензии Apache-2.0. Это воспроизведение исследовательской работы; оценка эквивалентности может не совпадать с точным совпадением или метриками F1 и зависит от вопроса и качества обучения.

Argus-Colqwen3.5-2b-v0-bf16 — мультимодальная модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это релиз с весами bfloat16, полученный объединением LoRA с базовой Qwen/Qwen3.5-VL-2B-Instruct; модель содержит около 2,32 млрд параметров и формирует токенные эмбеддинги размерности 1024. Модель принимает текстовый запрос и изображение страницы документа, кодирует их для позднего взаимодействия и ранжирования страниц по релевантности. Её архитектура Argus использует разбиение визуальных токенов на регионы и разреженную смесь экспертов, маршрутизация которой зависит от содержимого изображения и запроса. Заявлены результаты на наборах ViDoRe v1 и v2; README указывает поддержку до 2048 визуальных токенов на страницу и возможность инференса на GPU с 8 ГБ памяти в bf16. Модель ориентирована преимущественно на английские документы. Качество на ViDoRe v3 не оценивалось, а преобразование весов в bf16 необратимо; заявленная сопоставимость с fp32 относится к оценкам этой 2B-версии на ViDoRe. Лицензия — Apache 2.0.

bhlim/bge-base-patentmatch — англоязычная Sentence Transformer модель, дообученная разработчиком bhlim на наборе bhlim/patentmatch_for_finetuning для поиска и сопоставления патентных текстов. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT: вектор CLS-токена проходит нормализацию и преобразуется в плотный эмбеддинг размерности 768. Модель принимает текстовые предложения и абзацы длиной до 512 токенов, а сходство векторов можно оценивать косинусной близостью. Обучение с MatryoshkaLoss поддерживает получение эмбеддингов меньшей размерности. Модель предназначена для семантического поиска и сравнения текстов, включая поиск похожих патентных фрагментов; также в карточке указаны кластеризация, поиск перефразирований и использование эмбеддингов для классификации. Репозиторий распространяется в формате safetensors, библиотека — sentence-transformers. Лицензия Apache-2.0. Результаты оценки информационного поиска в карточке приведены для нескольких размерностей эмбеддинга; перед применением в конкретном патентном корпусе качество стоит проверить на целевых данных.

qnhat/bge-small-scifact-rrf — текстовая Sentence Transformer-модель, дообученная на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерности 384, нормализует их и позволяет сравнивать по косинусному сходству. Модель основана на BERT; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в научных материалах по тематике SciFact. В обучающем наборе 47 241 пример с тройками текстов; использовалась функция потерь MultipleNegativesRankingLoss. Она рассчитана на английский текст и подходит для поиска и ранжирования фрагментов по смысловой близости. Для использования нужны совместимые библиотеки, например Sentence Transformers. Карточка не сообщает лицензию, поэтому условия распространения и коммерческого использования следует уточнить на странице репозитория Hugging Face.

BLEURT-20 — модель семейства BLEURT от lucadiliello для оценки качества текста с помощью классификации последовательностей. Она принимает текстовые входы и выдаёт оценку, которую можно использовать для автоматической оценки сходства или качества кандидата относительно эталонного текста. Модель построена на Transformer, содержит около 967,8 млн параметров, работает с контекстом до 512 токенов и доступна в формате PyTorch. Модель предназначена для автоматической оценки текстов, в частности для сравнения с эталонными формулировками. README указывает на реализацию BLEURT для PyTorch, но не описывает обучение, языковой охват или лицензию; этих сведений здесь недостаточно для точных выводов.

cde-small-v1 — модель контекстных эмбеддингов документов, опубликованная jxm. Она предназначена для создания векторных представлений запросов и документов, в частности для поиска и оценки сходства. Модель использует архитектуру DatasetTransformer и требует двухэтапной подготовки: сначала формируются эмбеддинги выборки корпуса, затем с их учётом кодируются запросы и документы. Первый этап можно выполнить заранее, а на этапе инференса использовать только веса второго этапа. В README модель описана как компактная: менее 400 млн параметров; для работы указаны Transformers или Sentence Transformers с включённым trust remote code и токенизатором BERT uncased. Для retrieval нужно использовать отдельные префиксы запросов и документов. По данным README, без информации о корпусе качество на MTEB снижается с 65,0 до 63,8. Модель помечена авторами как устаревшая: рекомендуется перейти на cde-small-v2. Лицензия в предоставленных данных не указана.

Amdestya/ce-bm25cat-minilm-l12 — англоязычный кросс-энкодер-реранкер на базе MiniLM-L12, дообученный для оценки релевантности пар запроса и фрагмента текста. Модель принимает запрос, нормированный балл BM25 и passage; балл помещается между запросом и passage, затем вход токенизируется в последовательность вида [CLS] query [SEP] score [SEP] passage [SEP]. Архитектура основана на BERT, содержит 40 млн параметров и поддерживает контекст до 512 токенов. Модель обучена с функцией потерь cross-entropy на бинарной релевантности и ранней остановкой по nDCG@10. Она выдаёт необработанный логит: чем он выше, тем релевантнее passage. Для корректной работы требуется воспроизвести нормализацию BM25 из эксперимента: глобальный min-max с границами 0 и 50, масштабированием на 100 и усечением до целого; обучающие оценки рассчитаны Anserini/Lucene BM25. Модель создана как артефакт исследования по воспроизведению работ в информационном поиске. Лицензия Apache-2.0.

CoPE-B-A4B — текстовая модель второго поколения для оценки контента, разработанная компанией Zentropi и дообученная на базе Google Gemma 4 26B A4B IT с помощью LoRA, после чего адаптеры были объединены с базовой моделью. Это разреженная MoE-модель: в README указаны 25,2 млрд параметров всего и 3,8 млрд активных параметров, тогда как метаданные каталога указывают 2 млрд параметров. Модель принимает текст с заданной политикой и содержимым и выдаёт бинарную метку: соответствует ли содержимое одному из заданных критериев. Контекст составляет до 256K токенов; модель рассчитана прежде всего на интерпретацию политик на английском языке США. Модель подходит для модерации и разметки контента, оценки риска во входных запросах и ответах LLM, фильтрации обучающих данных и формирования признаков для ранжирования ленты. Она поддерживает настраиваемые политики и выполняет классификацию за один проход. Ограничения: классификация только бинарная, объединение нескольких меток в одной политике не поддерживается, изображения не обрабатываются, качество может снижаться для других языков и локалей. Модель не проверяет факты извне, если необходимая информация не включена в контекст. Лицензия — Apache-2.0.

Это разреженный SPLADE-энкодер, дообученный на наборе all-nli с использованием библиотеки Sentence Transformers. Модель основана на naver/splade-cocondenser-ensembledistil и преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство между ними оценивается скалярным произведением. Архитектура включает BERT-модель для masked language modeling и max-пулинг с ReLU. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; карточка README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска, разреженного извлечения документов и оценки сходства предложений на английском языке. В README приведены результаты оценки на STS-dev и STS-test. Доступна по лицензии Apache-2.0. Ее применение ограничено английским языком и указанной длиной входной последовательности; качество на других языках и специализированных областях не заявлено.

Это предварительно обученная модель векторных представлений fastText для японского языка, опубликованная Facebook. Она предназначена для получения векторов слов и использования этих представлений в задачах извлечения признаков, классификации текста и определения языка. Векторы обучены на данных Common Crawl и Википедии с помощью CBOW с позиционными весами. Размерность векторов — 300; модель использует символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. Для токенизации японского текста применялся MeCab. fastText рассчитан на работу на обычном оборудовании и может использоваться для прототипирования и в прикладных системах. Модель подходит для анализа семантической близости слов и подготовки признаков для классификаторов. Векторы отражают возможные предубеждения обучающих данных и могут приводить к смещённым результатам. Лицензия — CC BY-SA 3.0.

Модель lincoln/flaubert-mlsum-topic-classification разработана для классификации французских новостных статей по темам. Она основана на flaubert/flaubert_base_cased и дообучена для sequence classification на статьях из MLSUM. Модель принимает текст тела статьи и предсказывает одну из укрупнённых тематических категорий: экономика, мнения, политика, общество, культура, спорт, окружающая среда, технологии, образование или правосудие. Обучение проводилось на 20% очищенного набора MLSUM, содержащего около 294 тысяч статей; средняя длина тела статьи в наборе — 694 токена. Контекст модели ограничен 512 токенами, поэтому длинный текст может быть усечён. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена для тематической разметки новостных материалов и создана как proof of concept; авторы не гарантируют стабильность результатов. Лицензия — MIT.

Kenpache разработала англоязычный классификатор товарных описаний по шестизначным кодам Гармонизированной системы (HS6). Это модель text-classification на базе BAAI/bge-m3, дообученная для выбора одного из 6 750 классов; коды HS4 и HS2 выводятся в том же проходе и согласуются с прогнозом HS6. Модель содержит 658,7 млн параметров, работает через Transformers и принимает текст на английском языке. Для неё указан контекст 8 194 токена в метаданных; в README рекомендуется оставить длину входа 1 024 токена. Модель предназначена для предварительной классификации товаров в таможенных декларациях, обогащения каталогов и оценки пошлин, а также для проверки существующих кодов. На полном описании товаров точность top-1 в тесте составила около 72%, тогда как на коротких фрагментах — около 38%; по всему тесту точность HS6 составила 51,7%. Уверенность прогноза и список top-5 можно использовать для маршрутизации сомнительных случаев на ручную проверку. Модель не предсказывает национальные тарифные коды длиннее шести цифр и не заменяет обязательную классификацию компетентным органом. Лицензия — MIT.

INF-ORM-Llama3.1-70B — модель оценки ответов (outcome reward model) от команды INFly, построенная на архитектуре Llama 3.1 70B Instruct. Это плотная модель с 69,5 млрд параметров, дообученная на INF-ORM-Preference-Magnitude-80K и объединённая из двух обученных вариантов с весом 0,5. Она получает текстовый запрос и ответ и выдаёт оценку качества ответа; подходит для сравнения вариантов, ранжирования ответов ассистента и оценки диалоговых, сложных, безопасностных и рассуждающих ответов. В карточке указано контекстное окно 131 072 токена; модель использует Transformers и формат safetensors. В README сообщается о первом месте на RewardBench по состоянию на декабрь 2024 года, но результаты зависят от протокола оценки и не гарантируют качество в других условиях. Модель не предназначена для генерации ответов. Лицензия в предоставленных данных не указана.

AndrewDry/iptc-taxonomy-classifier-swedish — модель классификации текстов на основе SetFit, обученная для распределения шведских текстов по 73 категориям таксономии IPTC. В модели используется Sentence Transformer на базе BERT и классификационная голова LogisticRegression; SetFit сочетает контрастивное дообучение энкодера с обучением классификатора на полученных признаках. Репозиторий содержит веса в формате safetensors, модель рассчитана на последовательности до 512 токенов по метаданным Hugging Face; в карточке SetFit также указан предел 128 токенов. Модель подходит для автоматической тематической разметки шведских новостных и других текстов по категориям, включая политику, экономику, медицину, науку, культуру и спорт. Архитектура BERT и метод SetFit предназначены для классификации с эффективным использованием размеченных примеров. Лицензия в предоставленных данных не указана.

Ita-Search — плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная для семантического поиска на итальянском языке. Её разработчик — DeepMount00. Модель преобразует запросы и документы в векторы размерностью 1024; сходство оценивается косинусной мерой. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для поиска итальянских документов по запросам, ранжирования passages, поиска в академических и технических материалах, систем вопросов и ответов и баз знаний. Она ориентирована на понимание разговорных запросов и итальянской терминологии; в обучающих данных представлены медицина, STEM, финансы, право, сельское хозяйство, разработка ПО и другие области. Модель использует библиотеку Sentence Transformers и формат safetensors. Лицензия — Apache-2.0. Она оптимизирована для итальянского языка, а качество может снижаться на узкоспециализированных темах, не представленных в обучении.

KORPatent-BGE — модель эмбеддингов для поиска и сопоставления корейских патентных текстов, разработанная sttempler на основе BAAI/bge-m3. Модель дообучена методом curriculum triplet learning: пары для обучения формировались по иерархии классификации IPC и ограничениям на пересечение ключевых слов, без псевдооценок сходства от других моделей. После дообучения веса интерполировали с KURE-v1. Модель предназначена для семантического поиска патентов и предшествующего уровня техники, кластеризации и удаления дубликатов, оценки сходства патентных документов и поиска фрагментов для RAG. Она построена на архитектуре XLM-RoBERTa, содержит около 658,7 млн параметров и принимает текст, выдавая векторы эмбеддингов и оценки сходства. Основной язык — корейский; базовая BGE-M3 поддерживает многоязычный поиск. Длина контекста — 8194 токена. Лицензия — MIT. Модель ориентирована на патентную тематику и может быть полезна для различения близких технических понятий в патентных текстах. Она не предназначена для юридических консультаций, заключений о действительности патента, нарушении прав или толковании объёма патентных требований; для значимых решений требуется экспертная проверка.

KoVRE-Stage1 — мультимодальная модель эмбеддингов с 2 млрд параметров от автора whybe-choi, дообученная на базе Qwen/Qwen3-VL-Embedding-2B для поиска по визуальным документам. Она сопоставляет текстовые запросы на корейском или английском языке с изображениями страниц документов, включая сканы и отрендеренные страницы, и подходит для первого этапа поиска в мультимодальных RAG-системах. Модель создаёт один L2-нормированный вектор на запрос или страницу; доступны размеры эмбеддинга от 128 до 2 048 измерений, оптимизированные методом Matryoshka Representation Learning. Релевантность оценивают по косинусному сходству. Чекпойнт отражает первый этап обучения — контрастивное обучение на 708 729 парах «запрос — страница» на корейском и английском языках, с трудными отрицательными примерами и фильтрацией вероятных ложных отрицаний. Он предназначен также для исследований и дальнейшей адаптации. README рекомендует для промышленного применения и максимального качества корейского поиска финальный чекпойнт whybe-choi/kovre, обученный с дополнительной дистилляцией. Лицензия — Apache-2.0.

ERCDiDip/langdetect — модель обнаружения языка текста, разработанная на основе XLM-RoBERTa base и дообученная на данных Monasterium и Wikipedia. Она предназначена для классификации текстовых последовательностей по языку, включая современные и средневековые языки. Модель использует архитектуру XLM-RoBERTa с классификационной головой, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Поддерживает 41 язык; в тестировании на сбалансированном наборе указана средняя точность 99,59%. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Модель подходит для автоматической сортировки и предварительной разметки исторических и современных текстов. Результат зависит от того, представлен ли язык в поддерживаемом наборе; качество для коротких, смешанных или сильно повреждённых фрагментов в карточке отдельно не оценено.

srikanth88infy/legal-ft-v3 — дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-l, предназначенная для сравнения и поиска текстов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию векторов. Модель подходит для семантического поиска по юридическим материалам, ранжирования похожих документов и запросов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Максимальная длина входа — 512 токенов. В карточке приведены результаты оценки на Information Retrieval Evaluator, однако обучающая выборка содержит 156 пар, а данных о языках и лицензии нет.

LeViT Conv 256 — модель классификации изображений из семейства LeViT, опубликованная в репозитории timm. Она основана на архитектуре Vision Transformer, описанной в работе «LeViT: a Vision Transformer in ConvNet's Clothing for Faster Inference», и обучена авторами статьи на ImageNet-1k с дистилляцией. Модель содержит около 18,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображению метки класса, получения эмбеддингов изображений и извлечения карт признаков. В README для варианта LeViT 256 приводится точность top-1 81,512% и top-5 95,48% на ImageNet. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

LLM-QE-Contriever — дообученная модель на базе facebook/contriever, разработанная авторами исследования LLM-QE. Она предназначена для получения текстовых эмбеддингов, согласованных с предпочтениями ранжирования, и применения в расширении поисковых запросов и системах информационного поиска. Модель использует архитектуру BERT и обучалась с помощью supervised contrastive learning на расширениях запросов. В репозитории доступны веса safetensors; размер модели — 136,7 млн параметров, максимальный контекст — 512 токенов. Карточка описывает применение для поиска и расширения запросов, но не приводит подробностей о поддерживаемых языках сверх английского в метаданных. Лицензия — MIT.

ele-sage разработала mdeberta-v3-base-name-classifier-v2 — бинарный классификатор текста на базе mdeberta-v3-base, дообученный на наборе ele-sage/person-company-names-classification. Модель относит переданную строку к имени человека или названию компании/организации. Это специализированный компонент для автоматической обработки имён; его можно использовать как первый фильтр в конвейере, который затем разбирает имена подробнее. Модель построена на архитектуре DeBERTa V3, содержит 306 млн параметров и обрабатывает последовательности длиной до 512 токенов. В карточке указаны языки en и fr. На оценочной выборке автор сообщает accuracy 0,9946 и F1 0,9951. Модель распространяется по лицензии MIT. Качество может снижаться на именах из культур и регионов, отличных от Северной Америки и Квебека, поскольку обучающие данные смещены в их сторону. Некоторые строки могут правдоподобно обозначать и человека, и компанию, а исходные данные об именах людей содержали шум. Модель не предназначена для классификации общего назначения.

facebook/mms-lid-2048 — модель семейства wav2vec2, разработанная Vineel Pratap и соавторами для определения языка по аудиозаписи. Она классифицирует аудио среди 2048 языков; в карточке указана частота дискретизации 16 кГц. Архитектура репозитория — Wav2Vec2ForSequenceClassification, размер по метаданным — 1,3 млрд параметров, веса доступны в форматах PyTorch и Safetensors. Модель предназначена для автоматического распознавания языка речи в аудиосигналах, включая языки с ограниченными ресурсами. Среди поддерживаемых языков есть русский, английский, арабский, китайский и многие другие. Это классификатор аудио, а не модель транскрибации: она определяет язык, но не выдаёт текстовую расшифровку речи. Распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

tomaarsen выпустил англоязычный многовекторный энкодер на базе Alibaba-NLP/gte-modernbert-base, дообученный на 20 000 примерах MS MARCO с помощью Sentence Transformers. Модель кодирует текст в последовательности векторов размерностью 128 и сравнивает запросы с документами методом позднего взаимодействия MaxSim, что предназначено прежде всего для семантического поиска и извлечения релевантных документов. Модель использует архитектуру ModernBERT, содержит 149 млн параметров и принимает текст длиной до 8192 токенов. Она рассчитана на английский язык; в README приведены результаты оценки на наборах для поиска и сопоставления запросов с документами. Лицензия Apache-2.0.

NanoVDR-D-HiRes-Qwen3VL8B-4096 — визуальная башня документов из семейства NanoVDR, разработанная командой NanoVDR. Это плотный энкодер примерно на 457 млн параметров: он принимает изображение страницы документа и выдаёт один L2-нормализованный вектор размерности 4096 для поиска по сходству; документы сравниваются с запросами скалярным произведением. Архитектура объединяет динамическую нарезку страницы на плитки, InternViT-300M-448, проекционный слой, ModernBERT-base с двунаправленным контекстом и усреднение токенов. Для совместимости с учительской моделью Qwen3-VL-Embedding-8B модель обучена дистилляцией представлений; её следует сочетать с башней запросов, обученной для того же учителя и ширины вектора. Модель предназначена для построения поискового индекса по страницам документов и визуального поиска по ним, включая страницы с мелким текстом и таблицами. В README сообщается о результатах на 22 наборах ViDoRe на шести языках и восьми профессиональных областях; эти оценки не гарантируют качество на других типах документов и запросов. Известные ограничения: представления наследуют слабые стороны учителя, бюджет плиток фиксирован и не зависит от содержимого страницы, а оценка не охватывает корпоративные макеты, страницы с деградировавшим сканом и реальные производственные распределения запросов. Репозиторий использует формат safetensors и лицензию MIT.

NetraEmbed — мультимодальная модель эмбеддингов для поиска по визуальным документам, разработанная Cognitive-Lab на основе Gemma 3 4B IT. BiEncoder кодирует изображение документа и текстовый запрос в плотные векторы, которые можно сравнивать по косинусному сходству для семантического и межъязыкового поиска. Модель поддерживает Matryoshka-представления размерностью 768, 1536 или 2560, выбираемой при инференсе. В README заявлена работа с 22 языками и оценка на наборах Nayana-IR Bench и ViDoRe v2. Для выполнения поиска векторные представления можно использовать с системами вроде FAISS, Milvus и Pinecone. Модель предназначена для поиска по визуальным документам и не является генеративным чат-ботом. Веса основаны на дообучении google/gemma-3-4b-it и распространяются по лицензии Gemma; применимость лицензии следует учитывать при использовании и распространении.