I.11Классификация, ранжирование и сопоставление

GLiNER2 Arabic Multi-Task — это дообученная Fastino модель GLiNER2, разработанная для извлечения сущностей и анализа арабского текста. Она содержит 287 млн параметров, использует архитектуру BoundaryExtractor и энкодер mDeBERTa-v3. Модель основана на fastino/gliner2.5-multi-v1; все четыре выходные головы дообучены на арабских данных. Веса доступны в формате safetensors по лицензии CC BY-SA 4.0. Модель принимает текст и заданные пользователем названия задач, меток или полей схемы. Она извлекает сущности и связи, классифицирует текст по одной или нескольким меткам и формирует структурированные записи, значения которых должны быть фрагментами исходного текста. Арабские и английские схемы поддерживаются; настройка охватывает арабские сущности, диалект, сарказм, тональность и некоторые отношения. Предусмотрена обработка произвольных типов сущностей в zero-shot режиме, хотя качество таких запросов зависит от типа данных и схемы. Модель предназначена для аналитики арабских обращений клиентов, публикаций в социальных сетях и новостей, включая выявление персональных данных, разметку намерений и извлечение записей. На диалектных, саркастических и тональных метках возможен перекос к частым классам, а уверенность может быть высокой даже при ошибке. Для числовых сущностей рекомендуется использовать короткие списки типов; идентификаторы следует дополнительно проверять регулярными выражениями. При токенизации нужно удалять диакритические знаки и татвиль, а извлечённые значения и структурированные записи проверять на соответствие исходному тексту.

HSCodeClassify — модель классификации текста компании FlowX.AI из семейства OpenNER, дообученная на базе answerdotai/ModernBERT-base. Она относит описание товара к одному из 20 заданных разделов HS, включая рыбу и морепродукты, напитки, фармацевтику, одежду, машины и транспорт. Модель классифицирует текст целиком: она не извлекает сущности, не определяет их положение и не проверяет корректность кодов. Модель содержит 149 млн параметров, принимает контекст до 8192 токенов и доступна в форматах Safetensors и ONNX. Её можно запускать локально на CPU, Apple Silicon, GPU или в браузере и на периферийных устройствах с ONNX INT8. В README указана оценка около 100–160 мс на документ на CPU. Обучение проводилось на синтетических описаниях товаров; охвачены 20 глав, а не вся номенклатура Гармонизированной системы, насчитывающая примерно 97 глав. F1 1,0 получен на данных из того же генератора, что и обучающие, поэтому не подтверждает точность на реальных документах; перед применением модель следует проверить на собственных данных. Лицензия — Apache-2.0. Локальный запуск позволяет обрабатывать документы без передачи данных за пределы инфраструктуры пользователя.

InternLM2-7B-Reward —奖励模型，由 InternLM 团队基于 InternLM2-Chat-7B-SFT 训练。它使用超过 240 万条人工标注和 AI 合成的偏好样本，面向对话、写作、诗歌、摘要、代码和数学等内容，可为对话回答打分、比较候选回答并对多个回答排序，也可用于 best-of-N 采样和 RLHF 训练流程。 模型采用 InternLM2 稠密架构，参数量为 7.4B，原生上下文长度为 32,768 个 token。训练数据覆盖英语和中文；Hugging Face 将其标记为文本分类模型。README 抱告其在 RewardBench 上的总分为 86,6, с высокими результатами в категориях диалога, безопасности и рассуждений. Модель предназначена для оценки предпочтительности текстовых ответов, а не для самостоятельной генерации текста. Лицензия указана как other: веса открыты для академических исследований, а бесплатное коммерческое использование требует отдельного разрешения; код распространяется по Apache-2.0.

ItColBERT — модель поиска по тексту, разработанная и поддерживаемая Энрико Нелло. Она предназначена для семантического поиска, извлечения фрагментов для RAG и переранжирования результатов по итальянским документам. Модель построена на базе Italian ModernBERT и использует позднее взаимодействие в стиле ColBERT: представляет каждый токен отдельным вектором размерности 128 и оценивает совпадения между токенами запроса и документа по MaxSim. Размер модели — около 134,9 млн параметров, контекст — 8192 токена; для работы используется библиотека PyLate. Модель подходит для коротких и средних фрагментов, где важны точные формулировки, имена и числа. Векторы для каждого токена повышают детализацию сопоставления, но требуют больше места для хранения, чем обычные векторные эмбеддинги. На этапе индексирования документы длиннее 512 токенов обрезаются; для длинных материалов автор рекомендует делить их на перекрывающиеся фрагменты и объединять оценки по исходному документу. Модель рассчитана только на итальянский язык и не предназначена для межъязыкового поиска. В карточке указана лицензия Apache-2.0.

KARAKURI LM 7B APM v0.2 — языковая модель KARAKURI Inc. на архитектуре Mistral, дообученная на базе mistral-community/Mistral-7B-v0.2. Это decoder-only трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов; модель предназначена для оценки ответов по различным аспектам, влияющим на их желательность. Для обучения использовались OASST2 и HelpSteer. Модель работает с текстом, поддерживает английский и японский языки, при этом в README основным назван английский. Распространяется по лицензии Apache 2.0.

KURE-v1 — модель для получения текстовых эмбеддингов и поиска релевантных документов, разработанная NLP&AI Lab при Университете Корё. Это дообученная на корейских данных версия BAAI/bge-m3 на архитектуре XLM-RoBERTa; размер модели — 658,7 млн параметров, размерность эмбеддингов — 1024, контекст — до 8194 токенов. Для дообучения использовались пары корейских запросов и документов с трудными отрицательными примерами и функция CachedGISTEmbedLoss. Модель предназначена прежде всего для семантического поиска по корейским текстам и документам, включая длинные документы и сценарии RAG. В карточке приведены результаты на нескольких корейских наборах данных для поиска, в том числе из областей финансов, государственного сектора, медицины, права и коммерции; заявлено преимущество над сравниваемыми мультиязычными моделями на использованных бенчмарках. Лицензия — MIT. Английский указан среди поддерживаемых языков, однако модель специально адаптирована для корейского поиска.

LaSER-Qwen3-0.6B — плотный ретривер с латентным рассуждением, разработанный авторами LaSER на базе Qwen/Qwen3-0.6B. Модель дообучена методом самодистилляции: при кодировании текста она autoregressively формирует непрерывные латентные токены рассуждения, объединяет их представления и возвращает нормализованные эмбеддинги для поиска. Веса содержат около 508 млн параметров, архитектура — плотная Qwen3ForCausalLM; указанное контекстное окно — 40 960 токенов. Модель предназначена для плотного информационного поиска и извлечения релевантных документов по запросам. В README приведены результаты на BRIGHT, FollowIR и BrowseComp-Plus; метод добавляет примерно 1,7× задержки относительно стандартного плотного ретривера. Карточка указывает английский язык, однако базовая Qwen3 мультиязычна. Модель распространяется по лицензии MIT. Для использования нужен специальный кодировщик LaSER, описанный в README.

lettuce-thymos-26m-v1 — компактная модель классификации эмоций, разработанная авторами репозитория Zeolit. Она определяет несколько эмоций одновременно по короткому разговорному тексту на 22 языках, используя 28 меток GoEmotions. Модель основана на дистиллированном энкодере XLM-RoBERTa large: 8 слоёв, размер скрытого состояния 384, 6 голов внимания и позиционное кодирование RoPE. В репозитории указаны 26,5 млн параметров и вариант ONNX размером 28 МБ в INT8; доступны также веса safetensors. Модель предназначена для автоматической разметки эмоций в сообщениях, например для анализа тональности разговоров или группировки текстов по эмоциональным меткам. Она поддерживает английский, русский и ещё 20 языков. Для решений следует применять отдельные пороги из labels.json: единый порог 0,5 заметно снижает macro-F1. Лицензия — Apache-2.0. Основные ограничения связаны с данными Reddit: модель хуже подходит для длинных, литературных и формальных текстов. Результаты для арабского и суахили ниже, чем для большинства языков; слабее также распознаются grief, relief, pride, nervousness и embarrassment. Вероятности не откалиброваны как абсолютная уверенность, а клинические, диагностические и критически важные решения для безопасности не являются целевым применением.

Leum-VL-8B-preview0320 — мультимодальная модель с открытыми весами, разработанная командой Leum и дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Это плотная модель семейства Qwen3-VL с 8 млрд параметров, предназначенная для структурного анализа коротких интернет-видео с привязкой выводов к временной шкале. Она описывает содержание по шести измерениям: объекты и участники, визуальный стиль, язык камеры, монтаж, повествование и наблюдаемые признаки распространения контента. Модель принимает видео и формирует текстовые структурированные выводы, пригодные для поиска, индексации и анализа. Она рассчитана на разбор хуков и сюжетного развития, переходов между кадрами, темпа монтажа, экранного текста, а также согласованности ролика с обложкой, заголовком и хештегами; связанные комментарии могут учитываться, если предоставлены. В карточке приведены языки zh и en. Для оценки использовались настройки до 768 кадров и до 50 тыс. токенов на видео, но это параметры бенчмарка, а не заявленный предел контекста. Модель обучалась с полным обновлением параметров визуального энкодера, проектора и языковой модели, включая continual pretraining, supervised fine-tuning и RLHF. Лицензия — MIT. Веса помечены как открытые; в карточке пока нет проверенных примеров API и окончательной схемы вывода.

Llama-3.3-Nemotron-Super-49B-GenRM-Multilingual — генеративная модель оценки ответов, разработанная NVIDIA на основе Llama-3.3-Nemotron-Super-49B-v1 и дообученная с помощью обучения с подкреплением. Она анализирует историю многоязычного диалога и оценивает один ответ или сравнивает два ответа: сначала формирует рассуждение, затем выдаёт целочисленную оценку качества и, при сравнении, рейтинг предпочтения. Модель построена на трансформерной архитектуре Nemotron-NAS с классом DeciLMForCausalLM; карточка указывает 49 млрд параметров, а метаданные — 87 млрд. Поддерживаются текстовый ввод и текстовый вывод, контекст до 131 072 токенов. Заявлены английский, китайский, корейский, французский, испанский, русский, японский, немецкий, итальянский, португальский, польский, индонезийский, нидерландский и вьетнамский языки. Для запуска рекомендованы vLLM 0.8.3 и как минимум две GPU NVIDIA с 80 ГБ памяти. Модель предназначена для оценки полезности ответов и ранжирования вариантов в многоязычных чат-сценариях; в README также приведены результаты на RM-Bench и JudgeBench. Разработчик заявляет возможность коммерческого и некоммерческого использования; метаданные обозначают лицензию как other, поэтому конкретные лицензионные условия следует сверять с карточкой модели. Практическое ограничение — высокая потребность в GPU-памяти; оценки качества могут не совпадать с предпочтениями конкретного пользователя или критериями предметной области.

Seraphic663 выпустил полно-параметрический чекпойнт текстового ретривера для соревнования CCIR LRAT, дообученный за одну эпоху на базе Qwen/Qwen3-Embedding-0.6B. Модель создаёт нормализованные текстовые эмбеддинги и предназначена для поиска фрагментов, релевантных веб-поисковым запросам. Она использует архитектуру Qwen3 с плотной моделью примерно на 507,6 млн параметров и контекстом до 32 768 токенов; для обучения применялись длины до 128 токенов для запросов и 512 для документов. Основной язык карточки — английский. При обучении использованы только официальные пары LRAT: 96 504 записи, один положительный и пять отрицательных примеров на группу. На локальной диагностике по фиксированному набору из 500 кандидатов указаны Recall@1/5/10 0,672/0,934/0,984 и MRR 0,78037; это не официальные результаты таблицы лидеров BC-Plus. Чекпойнт содержит полные параметры модели и не требует отдельного адаптера при использовании. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0.

Merge-Mistral-Prometheus-7B — объединённая модель Vicgalle на основе prometheus-eval/prometheus-7b-v2.0 и 4bit/Mistral-7B-Instruct-v0.1. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста; доступный контекст составляет до 32 768 токенов. Модель-судья Prometheus в составе объединения рассчитана на оценку ответов LLM по заданным критериям и попарное ранжирование. Лицензия — Apache 2.0. В README указан линейный метод слияния и формат bfloat16; в метаданных репозитория указаны файлы safetensors.

BalaRajesh1/mmbert-small-nli — многоязычная модель для вывода по паре текстов, дообученная на базе jhu-clsp/mmBERT-small. Она определяет, следует ли гипотеза из посылки, противоречит ей или остаётся нейтральной; эти оценки также можно использовать для классификации по заданным категориям без отдельного обучения на них. В карточке указано обучение на девяти наборах данных с примерами на более чем 26 языках. Архитектура — ModernBERT для классификации последовательностей, размер по метаданным — 140,5 млн параметров, формат весов — safetensors, длина контекста в метаданных — 8192 токена. README отдельно указывает ограничение в 128 токенов для пары посылка-гипотеза; фактический предел зависит от используемой конфигурации модели. Модель подходит для проверки текстовых гипотез и классификации текстов по формулировкам категорий на множестве языков. README заявляет охват базовой модели в 1833 языка, однако обучение NLI описано для 26 и более языков, а результаты могут различаться в зависимости от представленности языка в предобучении. На состязательном наборе ANLI качество невысокое, что отмечено в карточке. Лицензия — MIT.

ModernBERT-large — англоязычная модель Answer.AI, LightOn и их коллег, представляющая собой двунаправленный трансформерный энкодер в стиле BERT. Она содержит около 395 млн параметров и принимает последовательности длиной до 8 192 токенов. В архитектуре используются Rotary Position Embeddings, чередование локального и глобального внимания, а также оптимизации для эффективной обработки длинных входов. Модель предварительно обучена на 2 трлн токенов английского текста и кода. Её основная задача — предсказание замаскированных токенов; как энкодер она также подходит в качестве основы для классификации, поиска информации и семантического поиска по текстовым и кодовым корпусам. Для запуска доступны форматы PyTorch, Safetensors и ONNX через библиотеку Transformers. Модель особенно полезна для длинных документов и поиска по коду, но карточка Hugging Face классифицирует её как fill-mask, а не как готовую модель эмбеддингов или классификатор. Качество может быть ниже для языков помимо английского и кода; обработка всего контекстного окна может быть медленнее коротких входов, а представления могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Модель dilovancelik/multilingual-e5-base-danish-speeches-finetune — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-base для представления текстов датских выступлений в виде плотных векторов. Архитектура включает XLM-RoBERTa, mean pooling и нормализацию; размер вектора — 768, максимальная длина последовательности — 512 токенов. Для сравнения векторов используется косинусное сходство. Модель подходит для семантического поиска по выступлениям, сопоставления коротких запросов с фрагментами речи, поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки на датасете danish_embedding_validator: cosine accuracy 0,9837 и 0,9843. Модель обучалась на 48 914 примерах с парами и отрицательными примерами; метаданные указывают 305,2 млн параметров. Для её загрузки и применения используется библиотека Sentence Transformers. Модель ориентирована на датские тексты и может хуже работать на других языках или типах текста, чем многоязычная базовая модель. Лицензия в предоставленных сведениях не указана.

Это мульт векторная текстовая модель ColBERT на базе gte-modernbert-base, обученная на парах вопросов и фрагментов текста из набора MIRIAD. Модель разработана авторами репозитория tomaarsen с использованием библиотеки Sentence Transformers; она кодирует текст в последовательность векторов размерности 128 и сравнивает запросы с документами методом позднего взаимодействия MaxSim. Модель предназначена для семантического поиска, в том числе поиска фрагментов документов по вопросу. Поддерживает английский язык и последовательности длиной до 8192 токенов; размер модели — 149 млн параметров. Лицензия Apache-2.0. Ограничение: обучение ориентировано на английские пары «вопрос—фрагмент», поэтому качество для других языков и иных задач не подтверждено.

Mungert/nomic-embed-code-GGUF — набор GGUF-квантованных версий модели для создания векторных представлений исходного кода. Модель разработана пользователем Mungert на базе Qwen/Qwen2.5-Coder-7B-Instruct; преобразование выполнено с помощью llama.cpp. В метаданных она обозначена как sentence-transformers с задачей sentence-similarity и feature-extraction. Модель предназначена для семантического сравнения и поиска фрагментов исходного кода, извлечения признаков, построения систем поиска по репозиториям и других сценариев, где требуется сопоставлять программный код по смыслу. В обучающих данных представлены Python, JavaScript, Java, Go, PHP и Ruby. Архитектура и размер базовой модели указаны как Qwen2.5-Coder-7B-Instruct и 7B параметров соответственно; поддерживаемые языки, размер контекста и дополнительные модальности в README не уточняются. Ключевая особенность сборки — специальная схема квантования с повышением точности отдельных слоёв относительно стандартного imatrix-подхода, особенно для низкобитных вариантов. Доступны форматы различной точности и размера, включая BF16, F16, гибридные варианты и квантования Q4, Q6, Q8 и IQ3. Это позволяет выбирать баланс между качеством, скоростью и требованиями к памяти на GPU или CPU, однако низкобитные варианты могут уступать более точным по качеству, а размер файлов увеличивается при сохранении отдельных слоёв в повышенной точности. Лицензия — Apache-2.0.

PatentMap-V0-SecPair-Claim — англоязычная модель эмбеддингов для патентных текстов, созданная как часть коллекции PatentMap V0 на базе anferico/bert-for-patents. Модель дообучена контрастивным обучением InfoNCE на парах разделов патентных заявок: аннотации и формулы изобретения. Архитектура BERT Large содержит 340 млн параметров; размерность эмбеддинга — 1024, максимальная длина последовательности — 512 токенов. Модель принимает текст патента с маркерами разделов, например `[claim]` для формулы изобретения; аннотацию можно передавать вместе с названием через `[SEP] [abstract]`. Она предназначена для поиска патентов и аналогов, оценки сходства, обнаружения известного уровня техники, классификации IPC и анализа патентного ландшафта. Обучение проводилось на англоязычных патентных заявках USPTO 2010–2018 годов из корпуса HUPD. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

oxfrug/qwen3-embedding-0.6b-swedish-superlim — плотная модель текстовых эмбеддингов, созданная oxfrug как шведский fine-tune с усреднением весов двух вариантов Qwen/Qwen3-Embedding-0.6B. Она содержит около 507,6 млн параметров, использует архитектуру Qwen3 и формат safetensors; максимальная длина контекста по метаданным — 32 768 токенов. Для поиска рекомендуется применять официальный префикс Qwen к запросу, а не к документам. Модель предназначена для оценки семантического сходства шведских предложений, поиска по FAQ и документам, а также кластеризации. В тестах SuperLim-2 она превзошла указанный в карточке шведский Sentence-BERT на SweParaphrase и SweFAQ, но результаты этих задач ограничены небольшими выборками. Это специализированная настройка: карточка отмечает, что модель уступает сестринской BGE-модели на обеих задачах SuperLim и KBLab по среднему результату на шведском подмножестве MTEB. Модель дообучена на данных SuperLim-2 и шведских вопросах и ответах о здравоохранении, с комбинированием весов двух дообученных вариантов. Лицензия — Apache-2.0. Квантизация до 4 бит может ухудшить результаты сходства, на которых основано заявленное преимущество.

drawais/Qwen3-Embedding-8B-AWQ-INT4 — производная от Qwen/Qwen3-Embedding-8B, разработанная на основе модели Qwen. Это версия с 4-битной квантованием весов по методу AWQ, предназначенная для запуска на локальном оборудовании с ограниченным объёмом видеопамяти. Модель рассчитана на работу с английским языком и может использоваться в сценариях, где требуется применение базовой embedding-модели при сниженных требованиях к памяти. Размер артефакта на диске составляет примерно 6,1 ГБ; заявлена возможность запуска на потребительском GPU с 8 ГБ видеопамяти при наличии запаса для KV-кэша. Для запуска через vLLM в README указан максимальный размер контекста 32 768 токенов. Ключевое преимущество модели — существенное уменьшение размера и требований к памяти благодаря INT4-квантованию. При этом README не содержит подробностей о качестве эмбеддингов, архитектуре базовой модели, поддерживаемых модальностях и результатах бенчмарков, поэтому влияние квантования на точность оценить нельзя. Модель распространяется по лицензии Apache License 2.0. Это производная работа от Qwen/Qwen3-Embedding-8B; в комплекте указаны файлы LICENSE и NOTICE с текстом лицензии и необходимой атрибуцией.

ResNetRS-50 — сверточная модель семейства ResNetRS для классификации изображений и извлечения визуальных признаков. Версия resnetrs50.tf_in1k создана авторами статьи и обучена на ImageNet-1k в TensorFlow; репозиторий распространяет веса в форматах PyTorch и safetensors через timm. Модель содержит 35,7 млн параметров и использует ReLU, свертку 7×7 с пулингом и проекции 1×1 в обходных соединениях. Модель предназначена для присвоения изображениям классов ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Размер изображения при обучении составлял 160×160 пикселей, при тестировании — 224×224. Лицензия репозитория — Apache-2.0. Она обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm. Авторы статьи Big Transfer предварительно обучили её на ImageNet-21k и дообучили на ImageNet-1k. Модель насчитывает 236,3 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Архитектура основана на ResNet-V2 с предварительной активацией и использует Group Normalization вместе с Weight Standardization вместо Batch Normalization. Помимо классификации, модель можно применять как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель подходит для классификации изображений в наборе классов ImageNet-1k и построения визуальных признаков. Веса распространяются в форматах PyTorch и Safetensors; для использования указана лицензия Apache-2.0.

TalkTix/roberta-base-request-type — модель классификации обращений в службу поддержки по двум типам: инцидент и запрос на обслуживание. Она построена на архитектуре RoBERTa и содержит 151,8 млн параметров; модель принимает текст и возвращает метку класса. Для обучения использовался сбалансированный набор из 28 000 анонимизированных обращений. Контекст составляет до 514 токенов, библиотека формата весов — PyTorch. Модель предназначена для автоматической сортировки обращений клиентов и маршрутизации инцидентов отдельно от запросов на обслуживание. В README приведены результаты на тестовых примерах: для класса Incident указано 2500 верных классификаций и 25 ошибок пропуска, для Service Request — 440 верных классификаций и 150 ошибок пропуска. Эти показатели показывают различие в качестве распознавания классов; README не описывает метрики на независимых данных. Модель разработана TalkTix и распространяется по лицензии MIT. Она рассчитана на англоязычные обращения; применимость к другим языкам не подтверждена. Для интеграции следует учитывать ограниченный контекст и проверять ошибки классификации, особенно для запросов на обслуживание.

SauerkrautLM-ColLFM2-450M-v0.1 — компактная модель визуального поиска по документам от VAGO Solutions. Это дообученная версия LiquidAI/LFM2-VL-450M с архитектурой ColLFM2 и 450 млн параметров, предназначенная для сопоставления текстовых запросов со страницами документов по их визуальному содержимому. Модель преобразует запросы и изображения документов в многовекторные представления для поиска с поздним взаимодействием. Такой подход помогает учитывать структуру страниц, таблицы, графики и формы без отдельного этапа OCR. В карточке приведены результаты на наборах ViDoRe и MTEB, включая многоязычные задания. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. Для загрузки авторы предлагают пакет sauerkrautlm-colpali и примеры использования с sentence-transformers. В репозитории указана лицензия other; её конкретные условия следует проверить перед использованием. Модель рассчитана на поиск релевантных страниц по текстовым запросам, а не на генерацию ответов или текста.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Media-Traditional-Social на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

sentence-transformers/stsb-distilbert-base — модель для получения векторных представлений предложений и абзацев, обученная командой sentence-transformers. Она основана на DistilBERT и преобразует текст в плотные векторы размерности 768; для корректного получения представления при использовании Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов. Модель предназначена для семантического поиска, сравнения сходства предложений и кластеризации текстов. Контекст ограничен 512 токенами. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Карточка предупреждает, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендует выбрать более современную модель из SBERT.net. Лицензия — Apache-2.0.

nreimers/TinyBERT_L-4_H-312_v2 — версия General_TinyBERT_v2, перенесённая в библиотеку Hugging Face Transformers. Это компактная модель архитектуры BERT с 4 слоями и размерностью скрытого представления 312; в метаданных указано 15,6 млн параметров и максимальная длина контекста 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и использования в задачах, построенных на таких представлениях. Модель принимает текст и выдаёт векторные представления. В карточке указаны реализации PyTorch и Flax. Языковая специализация и условия лицензии в доступных данных не описаны.

nreimers/TinyBERT_L-6_H-768_v2 — версия General_TinyBERT_v2 с 6 слоями и размерностью скрытого представления 768, перенесённая в библиотеку Hugging Face Transformers. Модель построена на архитектуре BERT и предназначена для извлечения контекстных векторных представлений текста, которые можно использовать в последующих NLP-задачах. В репозитории доступны веса PyTorch и Flax. Модель содержит 80,1 млн параметров и принимает последовательности длиной до 512 токенов. Лицензия в предоставленных данных не указана.

TomoroAI/tomoro-colqwen3-embed-8b — мультимодальная модель эмбеддингов для поиска по визуальным документам, созданная TomoroAI на основе Qwen/Qwen3-VL-8B-Instruct. Модель дообучена на наборах данных для поиска по документам и использует подход ColPali с поздним взаимодействием векторов и оценкой MaxSim. Архитектура включает вариант Qwen3-VL на 8 млрд параметров и проекционную голову размерностью 320. Модель кодирует текстовые запросы и изображения документов, включая страницы PDF, в многовекторные представления для поиска по содержимому страниц; также поддерживается поиск по коротким видео. Для страницы допускается до 1280 визуальных токенов, для видео — до 5120. README сообщает о конкурентных результатах на ViDoRe V1–V3 на английском и нескольких языках; модель предназначена для извлечения релевантных документов, а не для генерации ответов. Входы включают текст и изображения, а в сценариях поиска по коротким видеороликам — видео; выход — векторные представления и оценки релевантности. Модель опубликована под лицензией Apache-2.0. Для загрузки в README используется trust_remote_code=True, а пример запуска предусматривает значительные вычислительные ресурсы для модели на 8 млрд параметров.

URM-LLaMa-3.1-8B — дообученная модель оценки ответов (reward model) на базе Skywork-Reward-Llama-3.1-8B, разработчик — LxzGordon. Модель оценивает ответы по пяти атрибутам: полезность, корректность, связность, сложность и многословность. Её можно применять для сравнения вариантов ответа, ранжирования ответов и отбора примеров для выравнивания языковых моделей. Архитектура основана на плотной LLaMA; модель содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. К базовой модели добавлена учитывающая неопределённость голова оценки атрибутов, а обученный gating-слой объединяет оценки в итоговую награду. Обучение проводилось в два этапа на HelpSteer2 и Skywork-Reward-Preference-80K-v0.1. Репозиторий содержит веса в формате safetensors. Модель предназначена для оценки текстовых ответов, а не для генерации пользовательских ответов. Карточка не приводит сведения о лицензии и языковом охвате, поэтому их нельзя определить по доступным данным.