I.11Классификация, ранжирование и сопоставление

Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

Карточка модели avsolatorio/01-500-11-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240217184109-best на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

Карточка модели avsolatorio/01-600-11-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240221220048-best на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

kimtos-labs/all-MiniLM-L6-v2 — зеркало Xenova/all-MiniLM-L6-v2, подготовленное KimtOS для загрузки в расширение. Репозиторий содержит конфигурацию, токенизатор и квантованную версию весов ONNX; размер модели — 25,9 млн параметров, контекст — до 512 токенов. Архитектура основана на BERT. Модель предназначена для извлечения признаковых представлений текста, например для получения эмбеддингов, используемых при поиске и сравнении текстов. В карточке не заявлены конкретные языки или специализированные области применения. Лицензия Apache-2.0 разрешает распространение при сохранении уведомления об авторских правах.

AtmicEmbeddingv2 — модель семантических эмбеддингов, разработанная SriRamanaAtmic на базе intfloat/multilingual-e5-large и дообученная контрастивным методом с использованием подобранных сложных негативных примеров. Она предназначена прежде всего для поиска по текстам в схеме «запрос → документ»: перед запросом используйте префикс «query: », перед документом — «passage: », затем применяйте mean pooling и L2-нормализацию эмбеддингов. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. Карточка указывает английские запросы и документы. Модель распространяется под лицензией MIT.

BAAI/bge-m3 — многоязычная модель эмбеддингов семейства XLM-RoBERTa, разработанная BAAI и представленная в репозитории Bylaw/BAAI-bge-m3. Она предназначена для поиска по смыслу и извлечения документов, включая многоязычный и межъязыковой поиск, а также поиск по длинным текстам. Модель формирует плотные эмбеддинги, разреженные лексические веса и многовекторные представления ColBERT; эти представления можно использовать отдельно или объединять в гибридном поиске и RAG-конвейерах. Модель имеет 658,7 млн параметров, размерность эмбеддинга 1024 и контекст до 8194 токенов. README заявляет поддержку более 100 языков и указывает, что модель можно применять к коротким предложениям и длинным документам. В карточке также заявлены форматы PyTorch и Safetensors, а лицензия — MIT. BGE-M3 удобна тем, что объединяет несколько подходов к поиску и поддерживает длинный контекст. По README, для задач на одном языке специализированные одноязычные модели могут показывать лучшие результаты; поддержка разреженного поиска также зависит от используемой библиотеки. Для повышения точности авторы рекомендуют сочетать гибридный поиск с отдельной моделью-реранкером.

Qdrant/bge-large-en-v1.5-onnx — это ONNX-порт модели BAAI/bge-large-en-v1.5, разработанной BAAI и подготовленной для использования в экосистеме Qdrant. Модель предназначена для работы с текстом, включая задачи классификации текста и поиска по сходству. Модель преобразует текстовые документы в числовые векторные представления, которые можно использовать для сравнения семантической близости документов и построения систем поиска. В README приведён пример инференса через библиотеку FastEmbed. Из доступных данных следует, что модель ориентирована на английский язык; размер, точная архитектура, длина контекста и другие технические характеристики не указаны. Модель удобна для локального или инфраструктурного запуска в формате ONNX и интеграции с инструментами векторного поиска. Ограничения README не описывает, однако применимость к другим языкам, производительность и качество в конкретных сценариях требуют отдельной оценки. Лицензия модели — Apache-2.0.

mlx-community/bge-m3-mlx-4bit — неофициальная версия BAAI/bge-m3, преобразованная для MLX и квантованная до 4 бит для работы на Apple Silicon. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и формирует 1024-мерные представления текста; максимальная длина контекста — 8194 токена. Модель предназначена для получения эмбеддингов и семантического поиска. Исходная BGE-M3 поддерживает плотный, разреженный и многовекторный (ColBERT) поиск, однако README этой версии описывает генерацию эмбеддингов через MLX. Квантование уменьшает требования к памяти и подходит для массового формирования эмбеддингов, когда приемлемо некоторое снижение качества. Модель поддерживает многоязычный текст, включая русский, английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский и португальский. Для использования нужны MLX и совместимая система Apple Silicon. Лицензия — MIT; это неофициальная конверсия, за исходной моделью и официальными реализациями следует обращаться к BAAI/bge-m3.

mlx-community представила неофициальную версию BAAI/bge-m3, преобразованную для MLX и квантованную до 8 бит для работы на Apple Silicon. Это плотная модель на архитектуре XLM-RoBERTa с 658,7 млн параметров; размер эмбеддинга — 1024, контекст — до 8194 токенов. Квантование affine с группами по 64 веса уменьшает размер примерно до 592 МБ. Модель предназначена для создания текстовых представлений и семантического поиска. Исходная BGE-M3 поддерживает плотный, разреженный и многовекторный поиск, включая подход ColBERT; приведённый пример использования этой версии извлекает векторные представления текста через mean pooling. Многоязычная поддержка включает английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский, португальский и русский языки. Квантованная версия рассчитана на сценарии, где важны качество и работа в пределах памяти около 600 МБ. Это неофициальная конверсия, поэтому совместимость ориентирована на MLX и Apple Silicon. Лицензия — MIT.

Карточка модели dabitbol/bge-m3-sparse-elastic на Hugging Face совпадает с карточкой Bylaw/BAAI-bge-m3, поэтому описание составлено по ней. BAAI/bge-m3 — многоязычная модель эмбеддингов семейства XLM-RoBERTa, разработанная BAAI и представленная в репозитории Bylaw/BAAI-bge-m3. Она предназначена для поиска по смыслу и извлечения документов, включая многоязычный и межъязыковой поиск, а также поиск по длинным текстам. Модель формирует плотные эмбеддинги, разреженные лексические веса и многовекторные представления ColBERT; эти представления можно использовать отдельно или объединять в гибридном поиске и RAG-конвейерах. Модель имеет 658,7 млн параметров, размерность эмбеддинга 1024 и контекст до 8194 токенов. README заявляет поддержку более 100 языков и указывает, что модель можно применять к коротким предложениям и длинным документам. В карточке также заявлены форматы PyTorch и Safetensors, а лицензия — MIT. BGE-M3 удобна тем, что объединяет несколько подходов к поиску и поддерживает длинный контекст. По README, для задач на одном языке специализированные одноязычные модели могут показывать лучшие результаты; поддержка разреженного поиска также зависит от используемой библиотеки. Для повышения точности авторы рекомендуют сочетать гибридный поиск с отдельной моделью-реранкером.

Это дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, созданный автором репозитория opnsrcntrbtrian. Модель кодирует предложения и абзацы в плотные семантические векторы размерности 384 для поиска по смыслу и извлечения релевантных текстов. Архитектура включает энкодер BERT, mean pooling и нормализацию векторов; используется косинусное сходство. Модель принимает только текст. В README указана максимальная длина последовательности 256 токенов, а в метаданных — контекст 512 токенов; поэтому фактический предел следует сверять с используемой конфигурацией. Для поиска её можно применять вместе с индексом векторного поиска и сравнивать векторы запросов и документов. Данных о лицензии в предоставленных источниках нет.

Flan-UL2 — текстовая encoder-decoder модель Google на архитектуре T5 с 7,6 млрд параметров. Она основана на контрольной точке UL2 и дообучена на коллекции Flan с формулировками задач в виде инструкций. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Модель предназначена для выполнения разнообразных текстовых задач по инструкциям, включая генерацию и продолжение текста, ответы на вопросы, суммаризацию, рассуждения и классификацию. Она поддерживает обучение на нескольких примерах в контексте и не требует специальных mode tokens UL2. README приводит контекстное поле 2048 токенов; метаданные указывают native context в 512 токенов. Flan-UL2 сочетает предварительное обучение UL2 с инструкционной настройкой Flan и рассчитана на широкий круг задач обработки естественного языка. Для запуска на GPU авторы рекомендуют загрузку в 8-битном режиме для снижения потребления памяти. Это крупная модель, поэтому для инференса нужны значительные вычислительные ресурсы; опубликованные оценки не гарантируют качество на каждом отдельном сценарии.

Granite-3.0-1B-A400M-Base — базовая языковая модель IBM Granite Team для генерации текста и решения задач преобразования текста. Это декодерный трансформер с разреженной архитектурой Mixture of Experts (MoE), обученный с нуля в два этапа на разнообразных данных; в метаданных указано 163,6 млн параметров, контекст — 4096 токенов. Модель поддерживает английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Модель предназначена для суммаризации, классификации и извлечения информации из текста, ответов на вопросы и генерации продолжений. Она также может служить базой для дообучения под специализированные сценарии. Выпущена под лицензией Apache 2.0. Это базовая модель без safety alignment: возможны предвзятые или недостоверные ответы, а небольшие модели могут воспроизводить фрагменты обучающих данных.

INF-Retriever-v1-1.5B — компактная плотная модель для поиска по текстам, разработанная INF TECH на основе Alibaba-NLP/gte-Qwen2-1.5B-instruct и дообученная для задач извлечения информации. Она кодирует запросы и документы в эмбеддинги размерностью 1536, чтобы находить семантически близкие материалы в системах поиска и retrieval-augmented generation (RAG). Модель содержит 1,5 млрд параметров; архитектура основана на Qwen2. README указывает максимальный входной размер 32 768 токенов, тогда как метаданные каталога приводят нативный контекст 131 072 токена. Модель прежде всего настроена на поиск на английском и китайском языках и предназначена для разнородных коллекций и тематических областей. В README сообщается о результатах на AIR-Bench, включая высокий рейтинг среди моделей менее 7 млрд параметров; заявленные результаты отражают конкретный бенчмарк и не гарантируют качество на любой коллекции. Также указана работоспособность на других языках, но дообучение проводилось на английских и китайских данных, поэтому качество для остальных языков может отличаться. Лицензия — Apache-2.0.

Jellyfish-7B — языковая модель на 7,1 млрд параметров, разработанная Хаочэнем Чжаном, Юянем Дуном, Чуанем Сяо и Масафуми Оямадой при поддержке NEC Corporation и Университета Осаки. Модель основана на Mistral-7B-Instruct-v0.2 и дообучена с помощью LoRA на подмножестве Jellyfish-Instruct. Это плотная авторегрессионная модель Mistral с контекстом до 32 768 токенов, предназначенная для диалоговой генерации текста на английском языке. Модель ориентирована на подготовку табличных данных: обнаружение ошибок, заполнение пропусков, сопоставление схем и сущностей, определение типов столбцов и извлечение значений атрибутов. В README приведены результаты сравнений на наборах данных для этих задач; заявленная доля побед над GPT-3.5-turbo в оценке GPT-4 составляет 56,36%. Лицензия CC BY-NC 4.0 допускает использование на некоммерческих условиях.

jina-embeddings-v5-text-small-retrieval-GGUF — мультиязычная модель для построения текстовых эмбеддингов, разработанная Jina AI. Это GGUF-квантизированная версия модели jina-embeddings-v5-text-small-retrieval, предназначенная прежде всего для задач информационного поиска и семантического retrieval: сопоставления запросов с документами, поиска по базам знаний и построения систем с векторным поиском и RAG. Модель содержит 677 млн параметров, использует архитектуру на базе jina-embeddings-v5-text-small, стратегию pooling по последнему токену и формирует эмбеддинги размерностью 1024. Поддерживаются мультиязычные тексты, а также Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, что позволяет выбирать компромисс между качеством и требованиями к хранилищу или вычислениям. Формат GGUF ориентирован на эффективный локальный запуск через llama.cpp; для корректного использования требуется режим pooling last. Сильными сторонами являются специализация на retrieval, мультиязычность, возможность уменьшать размер эмбеддингов и эффективный inference в экосистеме llama.cpp. Ограничения включают целевую ориентацию на retrieval, поэтому модель может быть не оптимальна для других задач эмбеддингов без дополнительной проверки, а также необходимость учитывать особенности GGUF-версии и совместимость сборки llama.cpp. Модель распространяется по лицензии CC-BY-NC-4.0, которая не разрешает коммерческое использование без согласования с Jina AI.

mdbr-leaf-ir — компактная модель эмбеддингов текста, разработанная командой MongoDB Research для информационного поиска, в том числе для этапа поиска документов в RAG-системах. Она основана на архитектуре BERT и дообучена на базе microsoft/MiniLM-L6-v2. Модель содержит 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель кодирует запросы и документы в векторы для поиска и ранжирования по смысловому сходству. Она поддерживает асимметричный поиск, когда запросы и документы кодируются разными способами, а также сокращение размерности векторов (MRL) и их квантизацию, чтобы уменьшить затраты на хранение и поиск. В README заявлены результаты на уровне лидеров среди компактных моделей на бенчмарке BEIR. Модель рассчитана на английский язык. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0. MongoDB Research отмечает, что на момент публикации модель не используется в коммерческих продуктах или услугах MongoDB.

Merino-Small — модель BAA AI (Black Sheep AI) для двух этапов поиска в RAG: построения эмбеддингов и ранжирования пар запроса и документа. В ней биэнкодер и 12-слойный кросс-энкодер используют общую таблицу эмбеддингов слов на базе MiniLM-L6-H384-uncased; общий размер составляет около 55 млн параметров, а эмбеддинги имеют размерность 384 и нормализуются по L2. Для векторного поиска README рекомендует добавлять к запросу префикс «Represent this sentence for searching relevant passages: ». Модель работает на английском языке. Её можно применять для семантического поиска и переоценки найденных кандидатов в RAG-системах. По данным README, модель компактна для развёртывания, а 4-битная квантизация сохраняет качество в описанном тесте с тематическими отвлекающими документами. Низкий показатель Position Balance (0,17) указывает на ограниченную способность находить второй независимый факт в одном фрагменте: рекомендуется разбивать документы на атомарные фрагменты по одному утверждению и возвращать родительский раздел для контекста. Лицензия в метаданных указана как other; конкретные условия README не приводит.

Nemotron-3-Embed-8B-GGUF — мультиязычная модель для создания текстовых эмбеддингов, опубликованная Abiray на основе модели NVIDIA Nemotron-3-Embed-8B-BF16. Она предназначена для Retrieval-Augmented Generation (RAG), семантического поиска и кросс-языкового поиска, включая локальные сценарии на потребительском оборудовании с использованием llama.cpp, Ollama или LM Studio. Модель имеет архитектуру Transformer, содержит около 8 миллиардов параметров и поддерживает контекст длиной до 32 тысяч токенов. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Репозиторий предоставляет варианты квантования в формате GGUF от Q3_K_M до Q8_0 объёмом примерно от 4,01 до 8,46 ГБ; Q4_K_M указан как рекомендуемый вариант, обеспечивающий баланс между качеством и требованиями к памяти. Сильными сторонами модели являются мультиязычность, поддержка кросс-языкового поиска, возможность локального развёртывания и ориентация на задачи извлечения информации; в README также заявлено первое место в мультиязычном рейтинге RTEB по состоянию на июль 2026 года. Ограничения связаны с потерями качества у более низких уровней квантования и значительными требованиями к памяти. Лицензия — OpenMDW-1.1.

Ogma Small — компактная англоязычная модель эмбеддингов текста от Axiotic. Это encoder-only модель семейства Ogma с 8,6 млн параметров и контекстом до 1024 токенов; она преобразует текст в векторы для семантического поиска, извлечения документов и RAG. Поддерживаются Matryoshka-размерности векторов 256, 128, 64 и 32, а маршрутизация включает режимы для симметричного сравнения и поиска. В README заявлены результат 56,32 на английском бенчмарке MTEB и более высокая скорость CPU-инференса по сравнению с MiniLM-L6-v2. Модель предназначена для локального и серверного поиска по документам, памяти агентных систем, кластеризации и классификации текста. Она не генерирует текст и рассчитана на английский язык; в задачах reranking уступает MiniLM-L6-v2, а её скорость ниже, чем у статических моделей эмбеддингов. Репозиторий содержит форматы ONNX и Safetensors. Лицензия — CC-BY-NC-4.0, коммерческое использование ограничено.

Карточка модели JaehyeokLee/preliminary_5m_checkpoint_epoch_1_step_40 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_random_gist_checkpoint_epoch_1_step_210 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_random_infonce_checkpoint_epoch_1_step_50 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели liddlefish/privacy_embedding_rag_10k_base_15_final на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

Snowflake Arctic Embed L v2.0 — мультиязычная модель эмбеддингов от Snowflake для семантического поиска и извлечения релевантных текстов. Она основана на архитектуре XLM-RoBERTa и использует представление текста в виде векторов; в метаданных указано 658,7 млн параметров, а контекст составляет до 8194 токенов. Модель принимает текст и выдаёт эмбеддинги, предназначенные для сравнения запросов и документов по смысловой близости. Модель рассчитана на поиск на английском и многих других языках, включая арабский, бенгальский, немецкий, испанский, французский, хинди, японский и корейский. README сообщает о поддержке векторов размерностью 1024 и Matryoshka Representation Learning для сокращения до 256 измерений; вместе с 4-битным квантованием это позволяет хранить вектор примерно в 128 байтах. Указаны результаты оценки на наборах BEIR, MIRACL и CLEF, а также возможность использовать модель как замену BAAI/bge-m3-retromae в системах вывода. Лицензия Apache 2.0 допускает свободное использование в том числе в коммерческих приложениях. Модель предназначена для многоязычного семантического поиска, извлечения документов и построения систем поиска с векторным индексом. Сокращение и квантование эмбеддингов снижают требования к хранению, но могут уменьшить качество поиска; README отмечает небольшое снижение показателей при сокращении размерности до 256. Русский язык не указан среди языков карточки и метаданных, поэтому его поддержку нельзя подтвердить.

lightonai/answerai-colbert-small-v1 — модель ColBERT в формате PyLate, основанная на answerdotai/answerai-colbert-small-v1 и подготовленная для работы с библиотекой PyLate. Это компактная BERT-модель примерно с 40 млн параметров: она кодирует запросы и документы в последовательности 96-мерных векторов и оценивает их сходство оператором MaxSim. Для запросов предусмотрено до 32 токенов, для документов — около 300; максимальный контекст по метаданным составляет 512 токенов. Модель предназначена для семантического поиска по коллекциям текстов и переранжирования результатов, в том числе в RAG-системах. Её можно использовать для получения векторных представлений запросов и документов, поиска релевантных фрагментов и вычисления оценок сходства. Карточка указывает английский базовый ретривер; поддержка других языков не заявлена. Репозиторий распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

cde-small-v2 — англоязычная модель эмбеддингов текста, опубликованная автором под идентификатором jxm/cde-small-v2. Она дообучена на базе answerdotai/ModernBERT-base и использует архитектуру ContextualDocumentEmbeddingTransformer. В репозитории находятся веса двух этапов, около 281 млн параметров суммарно; для построения эмбеддингов при поиске используется второй этап, который автор оценивает примерно в 140 млн параметров. Модель предназначена для представления запросов и документов в виде векторов и поиска по смыслу; README сообщает о среднем результате 65,58 на MTEB для моделей менее 400 млн параметров на дату публикации. Модель учитывает контекст корпуса в два этапа: сначала формируются данные о наборе документов, затем они используются при вычислении эмбеддингов запросов и документов. Если сведения о корпусе заранее недоступны, можно передать заменяющие векторы, однако качество на MTEB снижается с 65,0 до 63,8. Для поиска нужно применять отдельные префиксы запросов и документов. Модель использует uncased-токенизатор ModernBERT и формат весов safetensors; README рекомендует загрузку с разрешённым trust_remote_code. Лицензия в предоставленных данных не указана.

sebastian-hofstaetter/distilbert-dot-tas_b-b256-msmarco — модель плотного поиска и ранжирования текстовых фрагментов, разработанная Sebastian Hofstätter. Это двухэнкодерная архитектура BERT_Dot на основе DistilBERT: одни и те же 6 слоёв кодируют запрос и passage, а представление каждого текста формируется по вектору CLS; релевантность оценивается скалярным произведением векторов. Модель обучена на MSMARCO-Passage с методом Balanced Topic Aware Sampling и размером пакета 256. Модель подходит для поиска кандидатов по запросу в плотном векторном индексе и для повторного ранжирования уже найденного набора текстов. В README приведены результаты на MSMARCO, TREC-DL’19 и TREC-DL’20. Она принимает текст, выдаёт векторные представления и оценки релевантности, поддерживает английский язык и контекст до 512 токенов. Доступна в формате PyTorch; конкретная лицензия в предоставленных данных не установлена.

EMMA-500 Llama 3 8B bi — многоязычная языковая модель MaLA-LM, полученная продолжительным предварительным обучением архитектуры Llama 3 8B. Модель насчитывает 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Вариант bi обучен на многоязычных монолингвальных данных и двуязычном переводном корпусе для более чем 2 500 языковых пар; серия охватывает 546 языков. Модель предназначена для генерации многоязычного текста, машинного перевода, рассуждений на основе здравого смысла и классификации текстов, в том числе для языков с ограниченными ресурсами. В обучающие данные входят тексты из книг, кода, инструкций и научных статей. Лицензия — Llama 3 Community License (llama3).

Gemma-SEA-LION-v3-9B — языковая модель, разработанная Products Pillar команды AI Singapore при финансировании Национального исследовательского фонда Сингапура. Это плотная авторегрессионная модель-декодер на архитектуре Gemma 2 с 9 млрд параметров, созданная продолжением предобучения Google Gemma 2 9B примерно на 200 млрд токенов. Она предназначена для генерации текста на английском и языках Юго-Восточной Азии: бирманском, китайском, филиппинском, индонезийском, кхмерском, лаосском, малайском, тамильском, тайском и вьетнамском. Контекст модели составляет 8192 токена. Модель подходит для генерации ответов и текстов, вопросов и ответов, анализа тональности и токсичности, перевода, суммаризации, причинных рассуждений и естественно-языкового вывода. Карточка сообщает об оценке на SEA-HELM, но не приводит в предоставленном тексте конкретные результаты. Модель не прошла выравнивание по безопасности, поэтому при использовании нужны собственные проверки и меры безопасности. Веса доступны в формате safetensors; лицензия — Gemma Community License.