I.11Классификация, ранжирование и сопоставление

DMRetriever-335M — англоязычная модель для создания текстовых эмбеддингов и поиска релевантных текстов в тематике управления чрезвычайными ситуациями. Она обучена по подходу, описанному в работе «DMRetriever: A Family of Models for Improved Text Retrieval in Disaster Management». Модель основана на BERT с плотной архитектурой и предназначена для использования с Transformers. В README указаны размер 335M параметров, контекст до 512 токенов и размер эмбеддинга 1024. Метаданные репозитория указывают 433,9M параметров; доступные сведения расходятся по размеру. Модель принимает текст и выдаёт векторы для поиска и ранжирования релевантных текстов. Лицензия — Apache-2.0.

visegradmedia-emotion/Emotion_RoBERTa_polish6 — дообученная модель на базе XLM-RoBERTa для классификации польских текстов по шести категориям эмоций: гнев, страх, отвращение, грусть, радость и отсутствие этих эмоций. Она использует архитектуру XLM-RoBERTa с классификационной головой XLMRobertaForSequenceClassification и содержит 305,2 млн параметров. Модель предназначена для анализа отзывов, сообщений в социальных сетях и других текстов, где нужно определить преобладающую эмоцию. На приведённой в карточке оценке точность составила 0,82, а макроусреднённый F1 — 0,85; особенно сильные результаты указаны для страха, отвращения и радости. Модель хуже справляется с распознаванием гнева и категории «ни одна из эмоций». Контекстное понимание ограничено, а качество может меняться в зависимости от тематики, стиля и длины текста; модель рассчитана на польский язык. Лицензия — MIT.

Модель Dhruv Pal — дообученная версия DistilBERT для классификации новостных статей по тексту на реальные и фальшивые. Она предназначена для первичного выявления дезинформации в новостях и публикациях в социальных сетях, а также для интеграции в инструменты модерации и проверки фактов. Архитектура — DistilBERT с классификационной головой; модель принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами. Заявленный язык — английский, лицензия — MIT. В README сообщается о точности 92% и F1 90% на тестовой выборке из 10 000 статей. Возможны ложные срабатывания и пропуск фальшивых материалов; качество может снижаться на текстах из незнакомых источников, тем и стилей. Модель не выполняет проверку утверждений по внешним источникам и не должна быть единственным основанием для суждения о достоверности; рекомендуется проверка человеком.

wilfredomartel/GemmaEmbedding-TripLegalCL-300k — модель Sentence Transformers, полученная дообучением google/embeddinggemma-300m на 300 тысячах пар запросов и релевантных документов из набора TripLegal-CL. Она преобразует испанские юридические запросы и тексты в плотные эмбеддинги размерности 768 для семантического поиска, оценки сходства, поиска перефразировок, классификации и кластеризации. Для сравнения векторов используется косинусное сходство; максимальная длина входа составляет 2048 токенов. Модель содержит 302,8 млн параметров, использует архитектуру Gemma3Text и распространяется в формате safetensors. Модель предназначена прежде всего для поиска релевантных фрагментов в испанских юридических документах и сравнения запроса с текстом дела. В README приведены высокие значения cosine_accuracy для двух наборов оценки поиска, однако они относятся к указанным тестовым данным. Модель выпущена под лицензией Apache-2.0.

GRM_Llama3.1_8B_rewardmodel-ft — модель вознаграждения семейства Llama 3.1, разработанная командой GRM и дообученная на модели GRM-Llama3.1-8B-sftreg с использованием очищенного набора предпочтений Skywork v0.2. Она оценивает ответы и диалоги по предпочтительности, что позволяет ранжировать варианты и применять модель как компонент обучения или оценки языковых моделей. Модель имеет плотную архитектуру LlamaForSequenceClassification и около 7,5 млрд параметров. Она ориентирована на текст и поддерживает контекст до 131 072 токенов. В README указан результат 92,6 на RewardBench; авторы рекомендуют при оценке этим бенчмарком использовать параметр --not_quantized, чтобы избежать снижения качества. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

HealthMate-AI — энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный для проекта медицинского RAG-чатбота и дообученный на медицинских текстах. Модель объединяет усреднённые веса трёх чекпойнтов, полученных при трёхкратной кросс-валидации, и преобразует предложения и абзацы в плотные векторы размерностью 384. Она содержит 25,9 млн параметров, использует архитектуру BERT/MiniLM и поддерживает контекст до 512 токенов. Модель предназначена для вычисления семантического сходства и поиска по медицинским документам. Однако оценка на нескольких задачах поиска показала результаты значительно ниже базовой модели all-MiniLM-L6-v2; автор не рекомендует использовать её для retrieval. Обучающие данные взяты из защищённой авторским правом медицинской энциклопедии, а код обучения и разбиения данных недоступны, поэтому заявленный результат на внутрикorpusной задаче нельзя воспроизвести. Модель распространяется по лицензии Apache-2.0; она не заменяет профессиональную медицинскую консультацию.

avichr/heBERT_sentiment_analysis — модель классификации тональности текста на иврите, разработанная авторами HeBERT. Она предназначена для определения полярности высказываний: положительной, отрицательной или нейтральной. Модель основана на архитектуре Google BERT Base и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и Flax. Базовый HeBERT предварительно обучен на корпусах OSCAR и Википедии на иврите. В карточке приведены результаты оценки классификатора тональности: F1 составляет 0,94 для положительных и 0,98 для отрицательных примеров; для нейтральных примеров — 0,67. Хотя исследование также рассматривает распознавание восьми эмоций, авторы указывают, что в этой публикации выпущена только модель анализа полярности. Лицензия в предоставленных данных не указана.

DanswerAI разработала эту модель для классификации пользовательских запросов в системе Danswer. Это многоклассовый классификатор на базе DistilBERT, дообученный от distilbert-base-uncased. Он относит запросы к категориям поиска по ключевым словам, семантического поиска и прямого ответа на вопрос; карточка указывает контекст до 512 токенов и формат TensorFlow. Модель предназначена для маршрутизации запросов в системе вопросов и ответов Danswer. Она помогает выбрать подходящий сценарий поиска или ответа по типу пользовательского намерения. Лицензия — MIT. По карточке, модель обучена на небольшом наборе данных, поэтому её качество и переносимость на другие запросы или предметные области могут быть ограничены.

AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

Ko-GPT-Trinity 1.2B — языковая модель на архитектуре GPT-2, разработанная SK telecom как репликация архитектуры GPT-3. Модель содержит 1,2 млрд параметров и обучена на созданном SK telecom корейскоязычном наборе Ko-DAT; контекст составляет 1024 токена. В метаданных указаны форматы PyTorch и Safetensors. Модель предназначена прежде всего для генерации текста по подсказке и получения языковых представлений для последующих задач. Её можно применять для генерации, классификации, поиска и суммаризации корейских текстов. Она лучше всего подходит для корейского языка и может хуже работать с другими языками и недостаточно представленными диалектами. Обучающие данные содержат ненормативную, откровенную, политически окрашенную и резкую лексику, поэтому модель может выдавать социально неприемлемые или оскорбительные ответы. Её поведение на новых запросах непредсказуемо, а результаты могут быть нестабильными. Лицензия CC BY-NC-SA 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение и требует распространения производных материалов на тех же условиях.

laion/larger_clap_music — модель CLAP (Contrastive Language-Audio Pretraining), опубликованная LAION и специально обученная на музыкальных данных. Она сопоставляет аудио и текст в общем векторном пространстве: аудиокодировщик на основе Swin Transformer получает признаки из лог-мел-спектрограммы, а текстовый кодировщик на основе RoBERTa — из текстового описания. Число параметров — 132,1 млн; модель представлена в формате PyTorch и распространяется по лицензии Apache-2.0. Модель подходит для извлечения аудио- и текстовых эмбеддингов, классификации аудио с нулевым обучением и поиска текстовых описаний, наиболее соответствующих музыкальному фрагменту. Можно, например, ранжировать заданные пользователем подписи по сходству с аудио. Оценки сходства помогают сравнивать варианты, но сами по себе не являются вероятностями или гарантией точной классификации. Карточка не приводит сведения о поддерживаемых языках текста, длине аудио или контексте. Качество зависит от соответствия музыкальных данных и текстовых меток, а заявленная специализация на музыке не подтверждает одинаковую точность на других типах звука.

rufimelo/Legal-BERTimbau-sts-large — модель эмбеддингов на основе архитектуры BERT, разработанная для семантического сравнения португалоязычных текстов в юридической области. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; модель насчитывает 433,2 млн параметров и принимает контекст длиной до 512 токенов. Модель дообучена для задачи семантического сходства текстов на датасетах ASSIN и ASSIN2. Её можно применять для семантического поиска по юридическим документам, поиска похожих фрагментов и кластеризации португалоязычных юридических текстов. В README модель описана как основанная на Legal-BERTimbau-large, который, в свою очередь, происходит от BERTimbau large. Для практического применения доступны веса PyTorch и Safetensors; README рекомендует библиотеку Sentence-Transformers. Качество может зависеть от соответствия текстов юридической тематике и португальскому языку; контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

Llama-3.3-Nemotron-70B-Reward — языковая модель NVIDIA на архитектуре Llama 3.3, дообученная на основе Meta-Llama-3.3-70B-Instruct. Она предназначена для оценки качества ответов, сгенерированных другими языковыми моделями: на вход подаётся многоходовый диалог на английском языке длиной до 4096 токенов, а на выходе получается одно числовое значение вознаграждения. Более высокий балл означает более предпочтительный ответ в рамках одного и того же запроса; сравнивать баллы для разных запросов напрямую нельзя. Модель содержит 69,5 млрд параметров и принимает текст. Хотя заявленное контекстное окно составляет 131 072 токена, обучение проводилось на диалогах длиной до 4096 токенов. NVIDIA сообщает о результатах 73,7% на JudgeBench и 79,9% на RM-Bench. Модель подходит для ранжирования ответов, отбора кандидатов и построения оценочных конвейеров; она рассчитана на английский язык и требует значительных вычислительных ресурсов — для запуска через Transformers README рекомендует не менее двух GPU с 80 ГБ памяти. README указывает, что модель готова к коммерческому и некоммерческому использованию, однако метаданные обозначают лицензию как «other»; перед применением следует проверить условия NVIDIA для репозитория. Модель выдаёт оценку качества, а не текстовый ответ для конечного пользователя, и её баллы не следует трактовать как абсолютную шкалу качества между разными запросами.

LUKE Japanese base — японская версия предварительно обученного трансформера LUKE (Language Understanding with Knowledge-based Embeddings), разработанная Studio Ousia. Модель обрабатывает слова и сущности как отдельные токены и формирует их контекстуализированные представления; в её параметрах есть эмбеддинги сущностей из Wikipedia. Это базовая модель на 138,4 млн параметров с контекстом до 514 токенов, опубликованная в формате PyTorch. Модель предназначена для задач понимания японского текста, в том числе заполнения маски, распознавания именованных сущностей, классификации отношений и ответов на вопросы. В README приведены результаты оценки на dev-выборке JGLUE для классификации тональности, оценки текстового сходства, вывода и ответов на вопросы. Для обычных NLP-задач, где на вход подаются только слова и не используются сущности Wikipedia, авторы рекомендуют lite-версию. Лицензия — Apache-2.0.

MAGRec-0.6B (en-zh) — модель ранжирования новостей по вероятности клика, разработанная Zetik-Dev. Она оценивает набор кандидатов с учётом краткого профиля пользователя и недавно просмотренных новостей, выдавая логит для каждой позиции кандидата; сигмоида от логита интерпретируется как вероятность клика. Модель предназначена для персонализированной сортировки новостной ленты и рекомендаций новостей. Архитектура включает стек декодера в стиле Qwen3 с 28 слоями, 16 головами и скрытым размером 1024, а также ItemEncoder. Текстовые представления заголовков, аннотаций и профиля заранее вычисляются энкодером microsoft/harrier-oss-v1-270m и имеют размерность 640; общий размер модели — 507,9 млн параметров. Контекст — до 40960 токенов. Модель принимает текстовые векторные представления и возвращает оценки релевантности кандидатов. Карточка ориентирует модель на английские и китайские новости. Для корректной работы необходим тот же энкодер Harrier, без инструкции или промпта и с L2-нормализацией; автор предупреждает, что кандидаты за пределами обучающего новостного корпуса оцениваются ненадёжно. Лицензия в предоставленных данных не указана.

Это модель классификации изображений MaxViT Large с входным разрешением 224 × 224 пикселя, обученная авторами статьи в TensorFlow на ImageNet-21k и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. В модели около 233,1 млн параметров; архитектура MaxViT объединяет блоки MBConv со слоями внимания по окнам и сетке. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для отнесения изображений к классам ImageNet-21k. Её можно применять для классификации изображений и использовать как визуальную основу для извлечения признаковых карт и эмбеддингов. Большой размер модели и вычислительная сложность могут ограничивать её использование на маломощном оборудовании.

Alireza1044 опубликовал модель MobileBERT, дообученную на наборе GLUE QNLI для классификации пар «вопрос — предложение»: модель определяет, содержит ли предложение ответ на вопрос. Архитектура MobileBERT насчитывает 59,7 млн параметров и обрабатывает вход длиной до 512 токенов. Модель рассчитана на англоязычные данные и представлена в формате PyTorch. На оценочной выборке QNLI модель показала accuracy 0,9068 и loss 0,3731. Лицензия Apache-2.0 разрешает использование и распространение при соблюдении её условий. Результаты относятся к оценке на QNLI; карточка не описывает качество на других задачах и доменах.

slxhere/modern_ancientpoem_encoder — китайскоязычная модель Sentence Transformer, дообученная разработчиком slxhere на базе richinfoai/ritrieve_zh_v1. Она кодирует предложения и абзацы в плотные векторы размерностью 1792 и предназначена прежде всего для сопоставления китайского современного текста с древней поэзией, семантического поиска и оценки смыслового сходства по косинусной близости. Модель использует архитектуру BERT, принимает текст длиной до 512 токенов и обучалась на 225 000 парных примеров с якорными, положительными и отрицательными фрагментами; в README также указаны 25 000 примеров для оценки. Эмбеддинги можно применять для поиска соответствующих стихотворных строк, кластеризации и других задач сравнения текстов. Лицензия — MIT.

kietnt0603/nrk-legal-base — модель эмбеддингов на базе XLM-RoBERTa, дообученная разработчиком для поиска по вьетнамским юридическим документам и запросам. Она предназначена для семантического поиска и извлечения релевантных документов в RAG-системах. Модель преобразует текст в плотные векторы размерностью 768; благодаря MatryoshkaLoss векторы можно сокращать до меньших размерностей, например 512, 256, 128 или 64, с небольшим снижением качества. Максимальная длина последовательности — 512 токенов. Модель обучена на примерно 52 тысячах пар «запрос — документ — негативный пример» из соревнования Zalo AI Legal. В README приведена оценка на наборе VMTEB-Zalo-legal-retrieval; результаты показывают пригодность для ранжирования юридических документов по запросу. Она рассчитана прежде всего на вьетнамский язык и юридический корпус. Лицензия — Apache-2.0. Это модель представления текста: она выдаёт эмбеддинги, а не готовые ответы пользователю; качество зависит от соответствия поискового корпуса и запросов данным обучения.

kietnt0603/nrk-legal-bge — модель эмбеддингов на базе BAAI/bge-m3, дообученная для поиска по юридическим текстам на вьетнамском языке. Она кодирует запросы и документы в плотные векторы размерностью 1024 для семантического поиска и использования в RAG-системах. Модель построена на архитектуре XLM-RoBERTa и поддерживает сокращение эмбеддингов до 768, 512, 256 или 128 измерений с небольшим снижением качества. В README указана максимальная длина последовательности 512 токенов; метаданные указывают контекст до 8194 токенов. Для прикладного использования следует учитывать ограничение, заявленное в карточке модели. Модель оценивалась на бенчмарке поиска по вьетнамским юридическим материалам. Обучение проведено на триплетах «запрос — документ — негативный пример» из конкурса Zalo AI Legal. Модель предназначена для получения векторных представлений, а не для генерации ответов; качество поиска зависит от корпуса и выбранной размерности эмбеддингов. Лицензия — Apache-2.0.

kietnt0603/nrk-legal-bkai — sentence-transformers модель, дообученная на базе bkai-foundation-models/vietnamese-bi-encoder для семантического поиска по юридическим запросам и документам на вьетнамском языке. Она предназначена для использования в RAG-системах: кодирует запросы и документы в плотные векторы размерностью 768, которые можно сравнивать для ранжирования релевантных материалов. Модель основана на RoBERTa и содержит 162,4 млн параметров. Обучение проводилось на примерно 52 тысячах триплетов «запрос — документ — сложный отрицательный пример» из соревнования Zalo AI Legal; MatryoshkaLoss позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64. README сообщает об оценке на наборе юридического поиска VMTEB-Zalo, но результаты относятся к конкретному бенчмарку и не гарантируют качество на других корпусах. Максимальная длина последовательности — 256 токенов по README; метаданные указывают контекст 258 токенов. Лицензия — Apache-2.0.

Nyaya-Reranker-Mini-v1 — это дообученный NyayaLabs98 мультиязычный Cross-Encoder на базе cross-encoder/mmarco-mMiniLMv2-L12-H384-v1. Модель оценивает релевантность вопроса гражданина разделу действующего законодательства Индии и переупорядочивает кандидатов, например первые 20 результатов BM25. Она предназначена для поиска законодательных норм по вопросам на английском и хинглише; в каталоге указаны архитектура XLM-RoBERTa и 124,3 млн параметров, а в README размер округлён до 118 млн. Контекст составляет до 514 токенов по метаданным. На наборе из 118 оценочных вопросов reranking повысил полноту попадания нужных разделов на первых местах по сравнению с исходным порядком BM25: 51,7% при k=1 и 70,3% при k=3. В README указана задержка 3,2 секунды для обработки 20 кандидатов на CPU Kaggle. Модель ограничена качеством и составом входного списка: она не найдёт норму, отсутствующую среди кандидатов, и обучалась на 27 актах и Конституции Индии. Это средство поиска, а не юридическая консультация. Лицензия — Apache-2.0.

PlotTwist Embedder — модель эмбеддингов, разработанная Raz Sarusi и Tomer Dariel для поиска подходящих киносюжетов. Она кодирует короткий питч фильма и логлайны в векторы, чтобы находить наиболее близкие совпадения в каталоге из 10 000 синтетических записей. Модель дообучена на базе sentence-transformers/all-mpnet-base-v2 с помощью MultipleNegativesRankingLoss; архитектура MPNet содержит 136,7 млн параметров, а контекст составляет до 514 токенов. Модель предназначена для семантического поиска логлайнов по пользовательскому описанию идеи фильма. В тесте на 600 питчах среди 10 000 записей дообученная версия достигла recall@1 0,845, recall@5 0,933 и recall@10 0,953; эти результаты относятся к описанному авторами набору данных и оценке. Репозиторий также содержит FAISS-индекс и каталог для приложения PlotTwist. Модель принимает текст и выдаёт эмбеддинги; карточка не указывает специально поддерживаемые естественные языки. Лицензия — Apache-2.0.

Модель premsa/political-bias-prediction-allsides-DeBERTa — классификатор текста на базе DeBERTa-v2 с 211,6 млн параметров, дообученный для предсказания политической предвзятости по материалам AllSides. Она предназначена для классификации текстов; в README приведён пример запуска через Transformers pipeline. Обучение проводилось пять эпох с максимальной длиной последовательности 512 токенов; лучший чекпойнт показал F1 0,9427 на тестовой выборке. Модель принимает текст и возвращает метку классификации. Доступна в формате safetensors, лицензия — Apache-2.0. README не раскрывает состав меток, языки данных и точные правила подготовки датасета, поэтому результаты могут зависеть от домена и распределения текстов; длина входа ограничена 512 токенами.

Wravn разработала PrivaScope Scope Classifier — классификатор предложений для анализа политик конфиденциальности. Модель принимает отдельное предложение и относит его к одной из 11 категорий области действия: например, веб-сайт, приложение, устройство, учетная запись или коммуникации. Это один из 16 классификаторов исследовательского конвейера PrivaScope. Модель основана на PrivBERT от mukund, дообученной версии RoBERTa, предварительно обученной на корпусе политик конфиденциальности. Классификатор выполняет однозначную классификацию по 11 классам; в README указаны значения F1 Macro 0,87 и F1 Micro 0,91. Размер модели — 151,8 млн параметров, контекст — 514 токенов; доступны веса Safetensors и ONNX. Она обучена на англоязычных политиках конфиденциальности. Модель предназначена только для определения области действия предложения: темы, содержание и атрибуты извлекаются отдельными компонентами полного конвейера. Обучающие данные включают 3 078 предложений, в том числе синтетические примеры, созданные LLM для балансировки классов. Лицензия — MIT.

unicamp-dl/ptt5-v2-3b — португалоязычная предварительно обученная модель семейства T5, разработанная группой Unicamp-DL на основе контрольной точки Google T5-3B. Это продолжение предобучения исходной модели на португальском языке; чекпойнт также использовался при обучении MonoT5-реранкеров для португальского языка. Модель имеет архитектуру T5ForConditionalGeneration, около 385,2 млн параметров и контекст до 512 токенов. Модель предназначена для генерации текста и задач NLP в формате преобразования текста в текст, в том числе как основа для португальских реранкеров. Она принимает текст и генерирует текст. Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; применимость к конкретной задаче следует проверять отдельно.

ptt5-v2-large — модель семейства T5, разработанная Unicamp-DL для португальского языка. Это продолженное предобучение контрольной точки Google T5-Large на корпусах C4 и mC4; модель содержит 385,2 млн параметров и работает с контекстом до 512 токенов. Она предназначена для текстовых задач, формулируемых как преобразование текста в текст, и использовалась как основа для обучения португалоязычных MonoT5-реранкеров. Модель принимает текст и генерирует текст. Лицензия — Apache-2.0.

PTT5-v2-small Portuguese Legal Descriptor Generation — модель семейства T5, дообученная для автоматической генерации юридических дескрипторов по судебным документам на португальском языке. Она разработана в рамках работы «Automatic Legal Descriptor Generation for Portuguese Legal Documents» и обучена на наборе giovannimaffeo/portuguese-legal-descriptor-generation. Модель содержит 38,5 млн параметров, принимает текст и генерирует текст; максимальная длина контекста составляет 512 токенов. Модель предназначена для автоматического присвоения юридических дескрипторов португальским судебным документам. В репозитории указаны веса safetensors. Сведения о лицензии отсутствуют в предоставленных данных.

Reason-mxbai-colbert-v0-32m — компактная модель поиска на основе ColBERT, разработанная Абдельрахманом Абдаллой и Адамом Ятовтом. Это дообученная версия mixedbread-ai/mxbai-edge-colbert-v0-32m с архитектурой ModernBERT и механизмом позднего взаимодействия: модель строит векторы размерности 128 для каждого токена, а релевантность оценивает функцией MaxSim. В модели около 31,9 млн параметров; максимальная длина контекста по метаданным — 7 999 токенов. Модель предназначена для поиска релевантных документов по сложным запросам, требующим рассуждений, и для повторного ранжирования результатов без предварительно построенного индекса. Она обучалась на данных BRIGHT, BGE-reasoner и ReasonIR; автор сообщает средний nDCG@10 19,00 на BRIGHT и примерно в пять раз меньшую стоимость инференса по сравнению с Reason-ModernColBERT размером 150 млн параметров. Лучше использовать доменную инструкцию перед запросом в формате, описанном в карточке. Модель рассчитана на английский язык. В карточке Hugging Face указана лицензия Apache-2.0, а README указывает CC-BY-NC-4.0, унаследованную от обучающих данных; поэтому условия использования лицензии требуют уточнения. Обучение использовало длины запросов до 256 токенов и документов до 2 048 токенов; показатели из README получены на BRIGHT и сами по себе не гарантируют качество на других задачах.

Карточка модели sapienzanlp/relik-reader-deberta-v3-large-aida на Hugging Face совпадает с карточкой sapienzanlp/relik-reader-deberta-v3-base-aida, поэтому описание составлено по ней. Это веса компонента ReLiK Reader из системы Retrieve, Read and LinK, разработанной Sapienza NLP. Модель предназначена для извлечения информации: связывания упомянутых в тексте сущностей с элементами базы знаний и извлечения отношений между сущностями. Reader работает в составе ReLiK вместе с retriever-компонентом, который находит релевантные документы; в этом репозитории размещены именно веса reader для варианта AIDA. Архитектура указана как RelikReaderSpanModel семейства ReLiK Reader; файлы представлены в формате PyTorch. Карточка приводит оценку базовой версии ReLiK на наборе AIDA и других тестах entity linking, включая результаты InKB Micro F1 и скорость обработки. Модель ориентирована на англоязычные данные. Лицензия и размер весов в предоставленных источниках не описаны.