I.11Классификация, ранжирование и сопоставление

Это англоязычный разреженный энкодер SPLADE, разработанный на базе Luyu/co-condenser-marco с помощью библиотеки sentence-transformers. Модель дообучена для поиска по текстам и преобразует предложения и абзацы в разреженные векторы размерностью 30 522; релевантность оценивается скалярным произведением векторов. Архитектура состоит из BertForMaskedLM и слоя SpladePooling с max-пулингом и ReLU. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и разреженного извлечения документов, а также может использоваться в конвейерах эмбеддингов и сравнения предложений. В README приведены оценки на небольших наборах NanoMSMARCO, NanoNFCorpus и NanoNQ. Они дают ориентир по результатам, но не гарантируют качество на других корпусах; модель рассчитана на английский язык. Лицензия — Apache-2.0.

UniFilter-Qwen3-0.6B — мультимодальный классификатор качества данных, разработанный авторами UniFilter для фильтрации наборов данных, используемых при обучении мультимодальных языковых моделей. Он оценивает качество пар изображение–текст и документов с чередующимися изображениями и текстом, выдавая оценку качества для отбора примеров. Модель объединяет языковую основу Qwen3-0.6B и визуальный энкодер SigLIP 2 SO400M; в метаданных архитектура указана как LlavaQwen3Classifier. Вместо языковой головы генерации текста используется голова оценки качества. Модель содержит 507,9 млн параметров, принимает изображения и текст и обучалась на синтетических парах примеров с оценками качества. Для репозитория указано контекстное окно 40 960 токенов. Модель предназначена для пакетного выставления оценок и фильтрации мультимодальных обучающих данных, включая подписи к изображениям и документы со смешанными текстовыми и визуальными фрагментами. Она компактнее упомянутой в README версии UniFilter на 1,5 млрд параметров. README описывает обучение классификатора и генерацию оценок, но конкретные показатели качества для этой версии не приводит. Лицензия — MIT.

UniRRM-8B — многоязычная модель оценки ответов, разработанная SUSTech-NLP на базе Qwen3-8B. Она предназначена для сравнения ответов и выставления им оценок по критериям, которые модель формирует с учётом задания и инструкции. Поддерживаются попарная, списочная и поэлементная оценка; модель анализирует задачу, строит критерии и выдаёт структурированное обоснование с итоговым суждением. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат Safetensors. README описывает обучение в два этапа: SFT и GRPO на данных MixReward; заявлена поддержка 103 языков и шести областей данных. Метаданные указывают контекст до 40 960 токенов и мультиязычные языки, включая русский. Лицензия — Apache-2.0. UniRRM-8B подходит для оценки качества ответов в системах генерации и при сравнении вариантов ответа. Это генеративная модель оценки: в отличие от простой выдачи числового рейтинга, она формирует критерии и текстовое рассуждение. Заявленные языковой охват и несколько режимов оценки описаны в карточке модели; независимые гарантии качества для каждой задачи и языка не приведены.

VideoPrism-B — фундаментальный видеоэнкодер, разработанный Google DeepMind. Модель преобразует последовательность кадров в компактные эмбеддинги, которые можно использовать в классификаторах, LLM, системах поиска и других моделях понимания видео. Она предназначена для классификации видео и действий, пространственно-временной локализации, видеопоиска и open-set-классификации при сопоставлении видео с текстом. Модель содержит около 114 млн параметров и использует backbone ViT-B в архитектуре факторизованного видеоэнкодера на основе ViViT: Vision Transformer для изображений и четыре слоя Transformer с временным вниманием. На вход подаются RGB-видео с размером кадров 288×288; выход имеет форму (число кадров × 16 × 16, число каналов признаков) и может быть преобразован в пространственно-временное представление. Во время обучения использовалось 16 кадров, но модель поддерживает произвольное их количество за счёт интерполяции временных позиционных эмбеддингов. Модель создаёт визуальные признаки; сведения о поддерживаемых естественных языках для этой базовой версии не указаны. Сильная сторона VideoPrism — универсальность: один замороженный checkpoint показал результаты лучше предыдущих foundation-моделей на 31 из 33 публичных бенчмарков без дообучения на целевых наборах данных. Ограничения связаны с возможными смещениями и шумом обучающих данных, рисками неподходящего или вредоносного контента, а также недостаточной проработкой длинных видео, геометрической информации и несемантических признаков. Модель распространяется по лицензии Apache-2.0.

Карточка модели thanhtantran/Vietnamese_Reranker на Hugging Face совпадает с карточкой AITeamVN/Vietnamese_Reranker, поэтому описание составлено по ней. Vietnamese_Reranker — переранжировщик на основе Sentence Transformers, разработанный AITeamVN и дообученный на BAAI/bge-reranker-v2-m3. Он предназначен для повышения качества поиска на вьетнамском языке: модель оценивает релевантность документов запросу и помогает переставить найденные результаты в более полезном порядке. Для обучения использовано около 1,1 млн триплетов «запрос — релевантный документ — нерелевантный документ». Архитектура основана на XLM-RoBERTa и классификаторе последовательностей; модель содержит 658,7 млн параметров. В README указана максимальная длина последовательности 2304 токена, а метаданные каталога указывают контекст 8194 токена. Лицензия — Apache 2.0. Модель рассчитана прежде всего на вьетнамский поиск и ранжирование, включая оценку результатов для юридических запросов. В README приведена оценка на датасете Legal Zalo 2021, который не использовался при обучении: Accuracy@1 — 0,7944, MRR@10 — 0,8672. Показатели на этом наборе не гарантируют аналогичного качества в других областях; ограничения длины из README следует учитывать при обработке длинных запросов и документов.

vit_giant_patch14_dinov2.lvd142m — модель извлечения визуальных признаков на основе Vision Transformer (ViT), опубликованная timm. Она предварительно обучена без учителя методом DINOv2 на наборе LVD-142M и предназначена для получения эмбеддингов изображений и использования в качестве основы для задач компьютерного зрения. Модель содержит около 1,14 млрд параметров и рассчитана на изображения размером 518 × 518 пикселей. Полученные признаки можно применять для поиска похожих изображений, кластеризации, классификации и других задач, где нужны визуальные представления. Модель принимает изображения и выдаёт признаки; самостоятельная классификация описана в карточке как возможный сценарий работы с визуальным backbone. Поставляется в форматах PyTorch и Safetensors, библиотека для работы — timm. Лицензия Apache-2.0.

vit_giant_patch14_reg1_tipsv2.webli — визуальный энкодер семейства Vision Transformer, опубликованный в библиотеке timm. Модель предварительно обучена по рецепту TIPSv2, сочетающему выравнивание изображений и текста с самоконтролируемым обучением iBOT++. Для обучения использован отфильтрованный набор из 116 млн изображений WebLI с альтернативными подписями и синтетическими описаниями. Архитектура включает register-токен и содержит около 1,136 млрд параметров; входной размер изображения — 448 × 448 пикселей. Модель извлекает признаки и эмбеддинги изображений, а также карты признаков для последующей классификации и других задач компьютерного зрения. Её можно применять для представления изображений в векторном виде, поиска и сравнения изображений или как визуальный энкодер в прикладном конвейере. Репозиторий содержит веса safetensors и использует лицензию Apache-2.0. Модель предназначена для изображений; поддержка текстового ввода или генерации не заявлена.

vit_intern300m_patch14_448.ogvl_dist — модель извлечения признаков изображений из семейства InternViT, опубликованная в экосистеме timm. Авторы статьи дистиллировали её от InternViT-6B на разнообразных данных «изображение—текст»; веса исходной модели OpenGVLab/InternViT-300M-448px преобразованы в формат timm. Модель содержит 304 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Модель можно использовать как визуальную основу для классификации, извлечения карт признаков и получения эмбеддингов изображений. Обучающие данные включают англоязычные и китайские пары «изображение—текст», а также наборы с подписями, объектами и OCR. Модель принимает изображения и выдаёт признаки, пригодные для последующей обработки; это не универсальная генеративная модель. Распространяется по лицензии MIT. В README отмечено отсутствие финальной нормализации перед признаками или головой модели.

VoiceCLAP-Commercial (small) — модель LAION для сопоставления речи и текстовых описаний по контрастивным эмбеддингам, предназначенная для поиска эмоций и манеры речи. Она дообучена на базе laion/voiceclap-small и обучена только на данных, допускающих коммерческое использование; указана лицензия CC BY 4.0. Модель использует двухбашенную архитектуру CLAP: аудиокодировщик BUD-E-Whisper-Small обрабатывает звук с частотой 16 кГц, а текстовый кодировщик all-MiniLM-L6-v2 — описания. Обе башни формируют нормализованные совместные эмбеддинги размерности 768. Дополнительный компонент с 39 обучаемыми прототипами эмоций усиливает представление эмоциональных признаков. Поддерживаемые языки: английский, немецкий, французский, испанский и китайский. Модель подходит для извлечения признаков и поиска аудиофрагментов по текстовым описаниям эмоций или стиля речи. В сравнительных экспериментах она показала лучшие результаты, чем вариант, обученный также на данных с ограничением на некоммерческое использование, по четырём из пяти метрик; результаты экспериментов следует считать сравнительными, а не максимальными. Карточка не приводит отдельных ограничений качества за пределами этих результатов.

webAI-ColVec1-9b — мультимодальная модель поиска по визуальным документам от webAI-Official, дообученная на базе Qwen/Qwen3.5-9B. Она кодирует текстовые запросы и изображения страниц документов в многовекторные представления размерности 2560, нормализованные по L2. Архитектура ColBERT-style использует общий энкодер для текста и изображений и позднее взаимодействие токенов с оценкой MaxSim. Модель предназначена для поиска релевантных страниц и документов по запросу на естественном языке, включая PDF-страницы, таблицы и визуально представленные документы. Карточка сообщает о мультиязычном обучении на объединённом наборе примерно из двух миллионов пар «вопрос — изображение» и о результатах на бенчмарках ViDoRe V1 и V3. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория. README сообщает о доступности более новой версии ColVec1.1-8b.

Qwen/WorldPM-72B-RLHFLow — модель предпочтений, разработанная авторами WorldPM и дообученная на 800 тысячах примеров RLHFLow. Она оценивает ответы языковых моделей по человеческим предпочтениям и предназначена для сравнения вариантов ответа, отбора кандидатов и использования в контурах обучения с обратной связью от человека. Модель основана на плотной архитектуре Qwen2, содержит 71,5 млрд параметров, принимает текст и выдаёт оценку предпочтения; максимальная длина контекста — 2048 токенов. В описанных авторами экспериментах модели WorldPM лучше выявляли намеренные ошибки, нерелевантные и неполные ответы в объективных задачах. Для субъективных оценок устойчивого улучшения при масштабировании не наблюдалось, а предпочтения стиля могут влиять на результат. Авторы рекомендуют дообучать модель под конкретную задачу для оптимального качества. Модель распространяется по лицензии Apache-2.0.

Карточка модели avsolatorio/01-000-10-1-0-1-0-0-u_GIST_BAAI_bge-small-en-v1.5-20240126235053-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.

Это веса визуального энкодера AIM-v2 huge с размером патча 14 и входным разрешением 448 пикселей, опубликованные в формате, совместимом с библиотекой timm. Модель предназначена для извлечения признаковых представлений изображений, которые можно использовать в качестве входа для поиска по изображениям, кластеризации или последующих задач компьютерного зрения. Карточка не сообщает разработчика исходной архитектуры, число параметров, поддерживаемые языки или лицензионные условия сверх обозначения лицензии apple-ascl в метаданных. Доступны веса PyTorch и safetensors. Это визуальный энкодер: он принимает изображения и выдаёт признаки; текстовые задачи и генерация изображений не заявлены.

Alireza1044/albert-base-v2-mnli — модель Alireza1044, полученная дообучением albert-base-v2 на наборе GLUE MNLI для классификации текстовых пар. Она принимает текст и предсказывает отношение между посылкой и гипотезой, например следование, противоречие или нейтральность. Модель содержит 136,3 млн параметров, использует архитектуру ALBERT и поддерживает контекст до 512 токенов. Для оценки на тестовом наборе указаны accuracy 0,8501 и loss 0,5383. Доступна в формате PyTorch по лицензии Apache-2.0.

APUS-OpenJev-v1-9B — дообученная и объединённая BF16-версия Qwen3.5-9B от APUS AI Lab, предназначенная для выбора действий в браузере, маршрутизации рабочих процессов и оценки принципов на естественном языке. Это плотная модель с архитектурой Qwen3.5 и 9 млрд параметров; репозиторий содержит самостоятельные веса checkpoint-3000, которым не требуется отдельный LoRA-адаптер. Для принятия решений модель оценивает переданные в запросе варианты и возвращает распределение предпочтений; режим с 16 слоями рассчитан на низкую интенсивность, а полный режим с 32 слоями рекомендуется для генерации текста. Модель принимает текст и выдаёт текст, в том числе оценки кандидатов, которые приложение может преобразовать в структурированные результаты рабочего процесса. В README приведена оценка 68 из 80 на панели Frozen80, включающей Browser, HelpSteer3, BoolQ, MNLI и задачи атрибуции. Это результат на инженерной панели разработки, а не независимая слепая оценка или показатель успешности браузерных задач. Вероятности выражают относительное предпочтение и требуют калибровки перед интерпретацией как вероятностей правильности; BF16-объединение может менять оценки. Указанная лицензия — Apache-2.0.

AtmicQuoterv3 — компактная модель Sentence Transformers, дообученная SriRamanaAtmic на базе BAAI/bge-small-en-v1.5 для поиска цитат и фрагментов книг по текстовым запросам. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска и ранжирования кандидатов по близости; в README также приведены результаты гибридного поиска с BM25. Архитектура включает BERT, пулинг CLS и нормализацию. Метаданные указывают 40 млн параметров и контекст до 512 токенов; README сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги; обучение проводилось на 5 655 примерах с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

AutoCatalogAI V2 — модель компьютерного зрения для автоматического извлечения атрибутов одежды и товаров моды с изображения. Она разработана на основе openai/clip-vit-base-patch32 и дообучена на датасете ashraq/fashion-product-images-small. Архитектура объединяет визуальный энкодер CLIP с отдельными классификационными головами для пола целевой аудитории товара, категории, подкатегории, типа изделия, сезона и назначения, а также ветвью цветовых признаков для определения основного цвета. Модель предназначена для автоматизации каталогов электронной торговли: она присваивает изображению товара структурированные метки, которые можно использовать для подготовки карточек, поисковых тегов и анализа ассортимента. В README сообщается о среднем accuracy 87,52% на тестовой выборке из 6 611 изображений после лёгкой коррекции согласованности атрибутов. Лицензия — MIT. Модель работает с изображениями товаров моды и выдаёт классы атрибутов. Она не предназначена для распознавания людей или определения пола человека: поле gender обозначает категорию целевой аудитории товара. Сезон и назначение могут быть неоднозначны по одному изображению и зависеть от контекста, а модель не рассчитана на товары вне поддерживаемой области моды или изображения нескольких несвязанных товаров без предварительной обработки.

BERT base uncased — англоязычная предварительно обученная модель Google на базе архитектуры BERT для восстановления замаскированных слов. Она содержит 136,7 млн параметров и принимает текст в нижнем регистре; токенизатор WordPiece использует словарь из 30 000 токенов. Контекст ограничен 512 токенами. Предобучение на BookCorpus и англоязычной Википедии использовало задачи masked language modeling и предсказания следующего предложения. Модель предназначена прежде всего для дальнейшей настройки под задачи понимания текста, например классификацию, разметку токенов и ответы на вопросы. Её можно применять для заполнения пропусков в тексте; она также может служить источником признаков для downstream-моделей. Это базовый чекпойнт, а не модель для генерации длинных текстов. Предобучение без учительской разметки позволяет использовать корпусный контекст, однако предсказания могут отражать смещения данных. Модель распространяется по лицензии Apache-2.0.

Legal BERTimbau — модель sentence-transformers, разработанная в рамках Project IRIS для семантического поиска по решениям Верховного суда Португалии. Она преобразует предложения и абзацы в плотные векторы размерности 1024, пригодные для поиска по смыслу и кластеризации. Модель основана на крупной португалоязычной версии BERTimbau, адаптированной для юридических текстов, и дообучена для оценки семантического сходства на корпусах ASSIN, ASSIN2 и STS-B Multi MT. В ходе обучения также использовались юридические предложения из примерно 30 тысяч документов. Архитектура — BERT; размер составляет 433,2 млн параметров, контекст — до 512 токенов. Модель принимает текст и выдаёт векторы; карточка указывает поддержку португальского языка. Модель подходит для поиска семантически близких предложений и документов, а также для кластеризации юридических текстов. Репозиторий распространяется по лицензии MIT.

Карточка модели Masterjorj/bge-m3-legal-ru-cocktail-40-60-bel на Hugging Face совпадает с карточкой Roflmax/bge-m3-legal-ru-cocktail-40-60, поэтому описание составлено по ней. Roflmax/bge-m3-legal-ru-cocktail-40-60 — русскоязычная модель эмбеддингов для поиска и сравнения юридических документов, разработанная на основе двух дообученных вариантов BGE-M3. Она создана методом LM-Cocktail: веса моделей Roflmax/bge-m3-russian-legal и Roflmax/bge-m3-legal-ru-updata объединены в пропорции 40/60. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт векторы размерностью 1024; в метаданных указаны задачи sentence-similarity и feature-extraction. Модель предназначена для семантического поиска по судебным решениям, федеральным законам и региональным нормативным актам, а также для поиска похожих документов, кластеризации и классификации по сходству эмбеддингов. Для сравнения векторов рекомендуется косинусное сходство. README сообщает о Recall@5 91,79% на тестовом наборе из 7 187 примеров и указывает, что запросы можно кодировать без префиксов. Метаданные указывают контекст до 8194 токенов, тогда как README рекомендует ограничивать последовательность 512 токенами и разбивать более длинные документы на фрагменты. Модель оптимизирована для русского языка и юридического домена; на текстах из других областей качество может быть ниже. Данные о давности обучающей выборки не приведены. Лицензия — MIT.

BGE-M3 Legal Spanish — модель эмбеддингов предложений на базе BAAI/bge-m3, дообученная Wilfredomartel на 546 265 парах запросов и релевантных документов из набора rvzrtx600k20250828. Она преобразует текст в нормализованные плотные векторы размерностью 1024 и предназначена для семантического поиска и сравнения испаноязычных юридических запросов и документов. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена; максимальная длина последовательности — 8194 токена по метаданным. Модель подходит для поиска релевантных судебных и правовых материалов, оценки сходства текстов, поиска перефразирований, кластеризации и извлечения признаков для классификации. В README приведены результаты оценки поиска на наборе eval_dim_768, включая cosine_accuracy@1 0,8451; эти показатели относятся к указанной конфигурации оценки. Лицензия — Apache-2.0.

Roflmax/bge-m3-russian-legal — модель эмбеддингов на базе BAAI/bge-m3, дообученная для семантического поиска по русскоязычным юридическим документам. Обучение проводилось на 26 734 парах запросов и документов из трёх категорий: судебные решения, федеральные и региональные законы. Архитектура — XLM-RoBERTa; модель содержит 658,7 млн параметров и выдаёт эмбеддинги размерностью 1024. README указывает максимальную длину последовательности 512 токенов, тогда как метаданные каталога сообщают контекст 8194 токена. Модель подходит для поиска юридических документов по смыслу и подбора релевантных судебных решений и нормативных актов к запросу. На тестовой выборке заявлены Recall@1 76,9%, Recall@5 92,9% и Recall@10 95,5%; показатели различаются по типам документов. Для инференса README рекомендует использовать префиксы BGE-M3. Модель распространяется по лицензии Apache-2.0.

fitlemon/bge-m3-uz-legal-matryoshka — Sentence Transformers modeli, BAAI/bge-m3 базасынан Өзбекстан заңнамасына қатысты сұрақтар мен құжат үзінділері бойынша дообучена. Она кодирует предложения и абзацы на узбекском языке в нормализованные плотные векторы размерностью 1024; косинусное сходство подходит для семантического поиска и сопоставления вопроса с релевантным фрагментом. Модель основана на XLM-RoBERTa, поддерживает последовательности до 8194 токенов и обучена на 4737 парах «вопрос — фрагмент». Её можно применять для поиска правовых документов и фрагментов законодательства, оценки семантического сходства, поиска перефразировок и группировки текстов; также заявлена возможность использовать эмбеддинги для классификации. Matryoshka-обучение позволяет получать векторы меньшей размерности — от 64 до 768 — с приведёнными в карточке метриками поиска. Лицензия — Apache-2.0.

BioLORD-2023-C — модель FremyCompany для получения семантических векторных представлений клинических предложений и биомедицинских понятий. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из Automatic Glossary of Clinical Terminology (AGCT), с контрастивным обучением. Модель содержит 136,7 млн параметров, строит 768-мерные плотные эмбеддинги и принимает фразы и предложения в одном пространстве представлений; максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов, кластеризации и задач связывания упоминаний с биомедицинскими понятиями. Опора на определения и описания из биомедицинских онтологий помогает учитывать смысл и иерархические связи понятий. Она сохраняет пригодность для общих текстов, но наиболее полезна для медицинских документов, например записей EHR и клинических заметок. Карточка указывает лицензию «other», без уточнения её условий.

Elron/bleurt-large-512 — версия BLEURT в формате PyTorch, созданная на основе оригинальных моделей BLEURT из работы Google Research «BLEURT: Learning Robust Metrics for Text Generation». Это модель семейства BERT с архитектурой BertForSequenceClassification и примерно 433,9 млн параметров; она принимает текстовые входы и выдаёт оценку для задачи классификации текста. Максимальная длина контекста — 512 токенов. Модель предназначена для оценки качества текстовой генерации, в частности для автоматического сопоставления сгенерированного текста с эталоном. Её можно подключить через Transformers как AutoModelForSequenceClassification вместе с токенизатором. В README не указаны лицензия и поддерживаемые языки, поэтому условия использования по этим параметрам уточнить нельзя. Карточка описывает PyTorch-представление BLEURT; отдельные сведения о дообучении этой версии не приведены.

Bloomz-3b-retriever — двуязычный биэнкодер на базе дообученной модели cmarkea/bloomz-3b-sft-chat, разработанный Cyrile Delestre для Crédit Mutuel Arkéa. Он преобразует запросы и тексты документов в векторные представления для поиска релевантных документов, включая поиск между английским и французским языками. Модель обучена на парах запросов и контекстов с контрастивной целью на основе Triplet Network; в карточке указано 3,8 млрд параметров. Она подходит для поиска фрагментов в системах открытого поиска ответов на вопросы и векторных базах данных. В README приведено сравнение на наборе SQuAD, включая сценарий с запросом на английском и контекстом на французском, но карточка предупреждает, что версия Bloomz-3b-retriever-v2 показывает значительно более высокое качество. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии BigScience BLOOM RAIL 1.0.

bowdpr/bowdpr_wiki_triviaft — дообученный плотный ретривер для поиска ответов на вопросы, созданный на основе bowdpr/bowdpr_wiki. Модель использует архитектуру BERT с 136,7 млн параметров и кодирует предложения и абзацы в плотные векторы размерности 768. Для поиска по TriviaQA модель дообучали в два этапа с негативными примерами BM25 и примерами, найденными на первом этапе; дистилляция не применялась. Модель предназначена для семантического поиска и извлечения релевантных фрагментов по запросам, в том числе в QA-сценариях. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 512 токенов. В карточке не приведены сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

code-daemon-relation-v1 — модель классификации отношений от автора faxenoff для построения графов знаний по документации. Она принимает фрагмент текста с двумя отмеченными сущностями и за один проход относит их к одному из четырёх классов: отсутствует связь, семантическое сходство, замещение или противоречие, зависимость. Модель предназначена для пакетного извлечения связей из документации, кода и комментариев к нему. В основе лежит энкодер XLM-RoBERTa на базе hotchpotch/mMiniLMv2-L12-H384; модель содержит около 124,3 млн параметров и поддерживает контекст до 514 токенов. Классификационная голова объединяет представления двух маркеров сущностей, поэтому учитывает их порядок. Заявлена поддержка многих языков; доступны веса Safetensors и форматы ONNX и Core ML, а карточка также описывает варианты запуска через TensorRT и OpenVINO. На указанном отложенном наборе модель показала macro-F1 0,60; качество зависит от класса, а границы отношений могут быть неоднозначны. Для извлечения связей README рекомендует задавать порог уверенности и проверять результаты; оба маркера должны сохраняться в контекстном окне. Лицензия — MIT.

Coherence-Momentum — модель для оценки связности текста, разработанная AI Singapore и описанная в исследовании Jwalapuram, Joty и Lin 2022 года. Она принимает абзац и выдаёт оценку связности; оценка предназначена для сравнения текстов, поэтому её следует использовать для ранжирования, а не трактовать как абсолютную величину. При обучении применяются momentum encoder и отбор сложных негативных примеров. Модель подходит для сравнения связности эссе, вариантов суммаризации и сгенерированных текстов. В карточке указаны английский язык и размер весов около 930 МБ; метаданные указывают архитектуру CoherenceMomentumModel и формат PyTorch. Для обучения использовался набор переставленных примеров на основе Wall Street Journal; доступ к исходным данным требует действующей лицензии LDC. Модель распространяется по лицензии MIT. Оценка отражает связность в сравнительном смысле и сама по себе не является полной оценкой качества текста.

colbert-ko-v1 — корейская многовекторная модель эмбеддингов ColBERT, дообученная автором yjoonjang с помощью PyLate на корейских данных. Она предназначена для семантического поиска по документам, извлечения релевантных фрагментов и повторного ранжирования результатов с помощью позднего взаимодействия MaxSim. Архитектура основана на ModernBERT с линейным проекционным слоем 768→128; модель содержит 148,7 млн параметров и принимает текстовые запросы и документы. README указывает длину запроса до 32 токенов и документа до 1024 токенов, а метаданные — контекст 16 384 токена. Модель ориентирована исключительно на корейский язык. В README приведены оценки на наборах для многошагового поиска ответов и корейского поиска по документам, включая медицинские и общественные материалы; результаты сравниваются с jina-colbert-v2. Доступны веса safetensors, библиотека PyLate, лицензия Apache-2.0. Для применения нужны индекс документов и поисковый конвейер; модель формирует векторы для оценки релевантности, а не готовые текстовые ответы.