I.12Рекомендации и персонализация

uaritm разработал мультиязычную модель на базе XLM-RoBERTa для преобразования предложений и абзацев в плотные векторы размерности 768. Модель предназначена для вычисления семантической близости, поиска по смыслу и кластеризации; в README приведён пример определения подходящей врачебной специальности по жалобам пациентов. Она доступна в формате PyTorch через Sentence-Transformers, а для использования через Transformers требуется применить подходящий pooling к контекстным представлениям токенов. Модель имеет 305,2 млн параметров и принимает до 514 токенов контекста. Поддерживаются английский, русский, украинский и польский языки. Для версии с польским языком автор указывает более новую модель uaritm/multilingual_en_uk_pl_ru. Репозиторий распространяется по лицензии Apache-2.0.

multi-qa-MiniLM-L6-cos-v1 — модель Sentence Transformers, разработанная в рамках проекта Hugging Face по обучению моделей эмбеддингов предложений. Она преобразует вопросы, предложения и абзацы в нормализованные плотные векторы размерностью 384 и предназначена прежде всего для семантического поиска и подбора релевантных документов по запросу. Модель основана на архитектуре BERT и дообучена на примерно 215 млн пар «вопрос—ответ» из разных источников, включая наборы вопросов и ответов, Stack Exchange и пары для Wikipedia. Для представления текста используется mean pooling; контрастивное обучение улучшает близость векторных представлений связанных текстов. Модель содержит 25,9 млн параметров, поддерживает английский язык и рассчитана на последовательности до 512 токенов, хотя при обучении использовался текст длиной до 250 word pieces. Её можно применять для семантического поиска, поиска ответов и ранжирования текстовых фрагментов по сходству; нормализованные векторы позволяют использовать косинусное сходство или скалярное произведение. Тексты длиннее 512 токенов обрезаются, а качество на последовательностях существенно длиннее 250 word pieces может снижаться. Сведения о лицензии в предоставленных данных отсутствуют.

Это дообученная модель Sentence Transformers на базе sentence-transformers/multi-qa-MiniLM-L6-dot-v1. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается скалярным произведением. Модель предназначена для семантического поиска, сравнения текстов и других задач, где нужно сопоставлять фрагменты по смыслу. Модель подходит для поиска релевантных фрагментов по запросу, выявления перефразировок, кластеризации и классификации текста на основе эмбеддингов. Максимальная длина входной последовательности — 512 токенов. Базовая модель ориентирована на английские вопросы и тексты, поэтому англоязычные сценарии подтверждены лучше всего.

Карточка модели JaehyeokLee/preliminary_clustering_infonce_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 liddlefish/privacy_embedding_bge_small_synthetic на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

ENOSYS/Qwen3-Embedding-0.6B-750-v1-GGUF — экспериментальная GGUF-квантизация модели Qwen3-Embedding-0.6B, подготовленная с использованием нестандартной ветки LLaMA.cpp и калибровочного набора imatrix. Модель предназначена для получения текстовых эмбеддингов и задач семантического поиска; семейство Qwen3 Embedding также описано как применимое для поиска по тексту и коду, классификации, кластеризации и поиска параллельных текстов. Модель содержит 0,6 млрд параметров, имеет контекст до 32 тысяч токенов и формирует векторы размерностью от 32 до 1024. README заявляет поддержку более 100 языков, включая русский и английский согласно метаданным, а также входных инструкций для настройки под задачу. Репозиторий распространяется в формате GGUF по лицензии Apache-2.0. README характеризует именно эту сборку как экспериментальную квантизацию и отмечает использование нестандартной ветки инструмента; отдельные показатели качества данной сборки не приведены.

JLee0 выпустил дообученную на BAAI/bge-m3 модель Sentence Transformers для сопоставления предложений и абзацев по смыслу. Она кодирует текст в плотные векторы размерностью 1024 и использует косинусное сходство; архитектура состоит из XLM-RoBERTa, пулинга по CLS-токену и нормализации. Модель рассчитана на последовательности до 8192 токенов и подходит для семантического поиска, ранжирования по близости, поиска перефразирований, кластеризации и классификации текстов. В примерах обучающих данных есть корейские вопросы и фрагменты руководства пользователя, однако заявленный набор поддерживаемых языков не приведён. В README указана оценка на информационном поиске, но название датасета не раскрыто. Лицензия в предоставленных данных не указана.

Wheatley961/Raw_1_no_2_Test_3_new.model — модель Sentence-Transformers на базе XLM-RoBERTa, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения смысловой близости текстов и кластеризации. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает текст; контекст ограничен 514 токенами. Для работы README рекомендует библиотеку sentence-transformers; доступны веса в формате PyTorch. Модель обучалась с функцией потерь CosineSimilarityLoss. Карточка не сообщает явно базовую модель, лицензию, языки или результаты оценки качества, поэтому их нельзя надёжно определить по предоставленным данным.

Silas Embedding 0.6B — многоязычная модель для получения плотных текстовых эмбеддингов, разработанная Alfo Tech Industries на базе Qwen3-Embedding-0.6B. Она преобразует текст в векторы для семантического поиска, сравнения сходства, извлечения документов и подготовки контекста для систем RAG. Модель относится к семейству Qwen3, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. В репозитории используются веса Safetensors; модель рассчитана на работу через библиотеку Sentence Transformers. Модель предназначена для поиска по смыслу в базах знаний и документации, подбора похожих текстов и извлечения релевантных фрагментов для последующей обработки другой моделью. README приводит высокие результаты на собственных простом и сложном тестах семантического сопоставления, однако независимой оценки на внешних лидербордах нет. Качество на длинном контексте и для конкретных языков и предметных областей следует проверять отдельно; заявленная многоязычность унаследована от базовой модели. Векторное сходство не подтверждает фактическую точность найденного текста. Лицензия — Apache-2.0.

Mozilla/smart-tab-embedding — англоязычная модель Sentence Transformer, разработанная Mozilla и дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического сравнения текстов; близость векторов оценивается косинусным сходством. Архитектура основана на BERT: токеновые представления усредняются, затем вектор нормализуется. В репозитории представлены форматы ONNX и safetensors; размер модели — 25,9 млн параметров, контекст по метаданным — до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов, а также оценки сходства предложений. Карточка описывает обучение на 49 800 парах предложений с CosineSimilarityLoss. Указанная оценка Spearman cosine равна 0,2402, поэтому качество на конкретной задаче следует проверять на собственных данных. Лицензия в предоставленных данных не указана.

cnmoro/static-nomic-384-pten — статическая модель текстовых эмбеддингов, созданная cnmoro с помощью Tokenlearn на базе nomic-ai/nomic-embed-text-v2-moe. Она преобразует текст в векторы размерностью 384 и подходит для семантического поиска, извлечения документов и сравнения сходства предложений. Модель использует подход Model2Vec; в обучении применялись инкрементальный PCA до 384 измерений и ограничение словаря до 32 тысяч эффективных токенов. Модель дообучена на данных, связанных с AllTripletsMsMarco-PTBR, и поддерживает английский и португальский языки. Для работы автор рекомендует библиотеку model2vec; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка сообщает, что оценка проводилась именно на этой дистиллированной модели и что она меньше и, по утверждению автора, лучше cnmoro/nomic-embed-text-v2-moe-distilled-high-quality. Подробностей о сравнительной методике или известных ограничениях качества карточка не приводит.

Youtu-Embedding — универсальная модель текстовых эмбеддингов, разработанная Tencent Youtu Lab. Она предназначена для поиска и сопоставления текстов, семантической оценки сходства, кластеризации, ранжирования и классификации. Модель имеет плотную архитектуру UTU и около 2,4 млрд параметров; README указывает размерность эмбеддингов 2048 и длину последовательности до 8K токенов, тогда как метаданные каталога указывают контекст до 131 072 токенов. Модель обучена по совместной дискриминативной схеме с разными функциями потерь для задач и динамической выборкой задач. README сообщает о результате 77,58 на китайском бенчмарке CMTEB по состоянию на сентябрь 2025 года. Карточка ориентирует на китайский язык и описывает интеграцию с Transformers, Sentence Transformers, LangChain и LlamaIndex для поисковых и RAG-систем. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_3480 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/20m_em_checkpoint_epoch_1_step_600 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.

Англоязычный Sentence Transformer, дообученный Khaled Reda на наборе пар предложений pairs_with_scores_v63 для оценки семантической близости текстов. Модель основана на sentence-transformers/all-MiniLM-L6-v2 и использует архитектуру BERT с усреднением токенных представлений и нормализацией. Она преобразует предложения и абзацы в плотные векторы размерности 384; сходство между векторами можно оценивать косинусной мерой. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 256 токенов, тогда как метаданные задают нативный контекст в 512 токенов. Распространяется по лицензии Apache-2.0. Карточка описывает обучение на парах с оценками сходства, но не приводит результаты сравнительных тестов; качество на других доменах и языках отдельно не подтверждено.

Arcanum Cross Platform Retriever — текстовая модель Sentence Transformers, дообученная автором репозитория на базе BAAI/bge-m3 для поиска по предложениям и абзацам. Она использует архитектуру XLM-RoBERTa с пулингом CLS и нормализацией, преобразует текст в плотные векторы размерности 1024 и сравнивает их косинусным сходством. Максимальная длина входа — 8192 токена. Модель предназначена для получения эмбеддингов запросов и документов в системах семантического поиска и retrieval. В README приведена оценка на arcanum-test: cosine_accuracy@1 — 0,5802, @3 — 0,7554 и @5 — 0,8187. Репозиторий также содержит сведения о дообучении на 4612 примерах; лицензия в предоставленных данных не обозначена.

Это конвертированная и квантованная до INT8 версия BAAI/bge-m3 от libryo-ai. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст для извлечения плотных векторных представлений. Она предназначена для использования в качестве векторного ретривера, в частности с Vespa Embedding; контекст составляет до 8194 токенов. Модель подходит для создания эмбеддингов и семантического поиска по текстам. Репозиторий содержит ONNX-файл, подготовленный для выполнения в INT8 с помощью toolkit optimum. Лицензия — MIT. README описывает только плотный ретривер и не подтверждает наличие других возможностей BAAI/bge-m3 в этой сборке.

RinKana/bge-base-en-v1.5-cross-lingual-retriever — текстовая модель Sentence Transformers, дообученная разработчиком RinKana на базе BAAI/bge-base-en-v1.5 для поиска релевантных фрагментов по предложениям и абзацам. Архитектура объединяет BERT, pooling по CLS-токену и нормализацию; модель формирует плотные эмбеддинги размерностью 768 и сравнивает их с помощью косинусного сходства. Объём модели — 136,7 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и retrieval-сценариев, включая подбор контекста для RAG. README показывает обучение на парах запросов и passages с MultipleNegativesRankingLoss, однако не уточняет языки обучающих данных или результаты оценки кросс-языкового поиска. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

LazarusNLP/congen-indobert-base — модель эмбеддингов предложений на основе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения смысловой близости и кластеризации текстов. Для работы используется библиотека Sentence Transformers; модель содержит 151,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена с функцией потерь ConGenLoss. В карточке указан индонезийский язык. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Core-Embed-2B — мультимодальная модель эмбеддингов, разработанная Alibaba-NLP на архитектуре Qwen3-VL. Она преобразует текст и изображения в плотные векторы для поиска и сопоставления, уделяя особое внимание композиционным связям между атрибутами и объектами: например, различает изображение с белой тарелкой и чёрным стулом от изображения с обратным сочетанием цветов. Модель содержит 2 млрд параметров и рассчитана на извлечение признаков из текста и изображений. Модель обучена дистилляцией оценок ранжирования: её эмбеддинги учатся сохранять градации соответствия между запросом и кандидатами, включая ошибки атрибутов и объектов. Это помогает выполнять тонкий мультимодальный поиск, сохраняя качество обычного поиска изображений и текстов. Для запуска требуется версия Transformers с поддержкой Qwen3-VL. Модель распространяется по лицензии CC BY 4.0. Карточка описывает семейство и результаты Core-Embed-8B, но не приводит отдельные численные оценки для версии 2B.

drewgenai создал Sentence Transformers-модель, дообученную на базе Snowflake/snowflake-arctic-embed-m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения информации. Модель использует архитектуру BERT с CLS-пулингом и нормализацией векторов; сходство оценивается по косинусной мере. Максимальная длина входной последовательности — 512 токенов. Модель подходит для поиска релевантных документов по запросу, выявления перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Карточка описывает всего 8 обучающих примеров, поэтому приведённые высокие значения метрик следует трактовать осторожно: они не подтверждают качество на широком наборе данных. В метаданных указана англоязычная базовая модель. Лицензия в предоставленных данных не указана.

juanmcristobal/e5-large-v2-mitre — дообученная модель Sentence Transformer на базе intfloat/e5-large-v2 для получения плотных текстовых эмбеддингов. Архитектура включает BERT, mean pooling и нормализацию; модель содержит 433,9 млн параметров, выдаёт векторы размерности 1024 и рассчитана на последовательности длиной до 32 токенов по README. Метаданные указывают максимальный контекст 512 токенов, поэтому фактический предел для этой версии в источниках расходится. Модель обучена на 2 268 288 парах предложений с MultipleNegativesRankingLoss. Она предназначена для семантического поиска и сравнения предложений, поиска перефразировок, кластеризации и использования эмбеддингов в классификации текста; близость векторов оценивается косинусным сходством. Примеры обучающих пар посвящены киберугрозам и защите, но данных недостаточно, чтобы считать модель специализированной только для этой области. Карточка не сообщает лицензию; базовая модель — англоязычная, а язык дообучения явно не указан.

FRIDA-Decisions — модель для принятия структурированных решений по русскому тексту, разработанная УЭСМО и SberAI на основе энкодера ai-forever/FRIDA. Она классифицирует текст по заданным пользователем вариантам, оценивает его по порядковой шкале, отвечает «да/нет» и ранжирует кандидатов; набор вариантов задаётся в запросе, поэтому новые метки не требуют отдельного дообучения. Модель возвращает варианты и оценки уверенности без генерации текста. Архитектура — плотный энкодер T5EncoderModel; в репозитории доступны веса Safetensors и ONNX. Метаданные указывают 936,6 млн параметров, а README характеризует базовую FRIDA как модель с 823 млн параметров. Модель ориентирована прежде всего на русский язык, также заявлена поддержка английского. Для входного текста обученный диапазон составляет до 512 токенов; по умолчанию используется отсечение на 384 токенах. По данным авторов, модель подходит для маршрутизации обращений, классификации намерений и тональности, модерации и ранжирования релевантности; доступны варианты запуска на GPU, CPU и Apple Silicon. Модель лицензирована по MIT. Авторы сообщают о 0,893 точности на наборе razvilka из 735 русскоязычных примеров и о быстром инференсе на потребительской GPU. На текстах длиннее 512 токенов точность может снижаться, особенно при вопросах о деталях в конце текста; при превышении заданного предела текст обрезается.

GeeVec-Embeddings-1.0-Lite — компактная мультиязычная модель текстовых эмбеддингов от geevec-ai на базе модели в стиле Qwen3 с архитектурой PseudoMoE. В метаданных указано 306,6 млн параметров; README заявляет 0,35 млрд активируемых параметров. Модель предназначена для поиска по смыслу и сопоставления запросов с текстами, поддерживает контекст до 40 960 токенов по метаданным. Модель предлагает маршруты general для общего мультиязычного поиска, coding для поиска по коду и технической документации и reasoning для сложных запросов, требующих глубокого семантического сопоставления. Она преобразует текст в эмбеддинги, которые можно нормализовать и сравнивать для ранжирования релевантности. В примере README используется длина до 4096 токенов. Для загрузки требуется доверять пользовательскому коду репозитория через trust_remote_code=True. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Заявления README о высоких результатах на бенчмарках не сопровождаются в предоставленном тексте числовыми результатами; качество на конкретных данных следует проверять отдельно.

GLiClass Base v3.0 — компактная модель классификации последовательностей от Knowledgator. Она предназначена для классификации текста без дополнительного обучения: пользователь задаёт возможные метки, а модель оценивает текст по ним. В README также указаны анализ тональности и повторное ранжирование результатов в RAG-системах как сценарии применения. Модель построена на архитектуре GLiClass и выполняет классификацию за один прямой проход, что, согласно карточке, делает её вычислительно эффективнее cross-encoder-подхода. Версия Base содержит 384M LoRA-параметров; при дообучении на логических задачах использовались LoRA-адаптеры. В опубликованных тестах приведены результаты нулевого обучения на нескольких наборах данных и скорость инференса для других вариантов GLiClass v3.0. Модель принимает текст и выдаёт оценки классов. Карточка не подтверждает конкретные поддерживаемые естественные языки и длину контекста. Лицензия — Apache-2.0. Результаты зависят от формулировки меток и задачи; в README приведены тесты лишь на части наборов данных, поэтому они не гарантируют качество для произвольных предметных областей.

GLiClass Modern Large v3.0 — модель Knowledgator для классификации последовательностей текста с нулевым обучением на пользовательских метках. Она использует архитектуру GLiClass и выполняет классификацию за один проход, что, по данным авторов, делает её вычислительно эффективной по сравнению с cross-encoder. Модель предназначена для тематической классификации, анализа тональности и ранжирования текстов в RAG-сценариях. Модель содержит около 399 млн параметров, занимает примерно 1,6 ГБ и распространяется в формате Safetensors. Для версии v3.0 использовали LoRA-адаптеры с рангом 768 и дообучение на логических задачах; в README также приведены результаты тестирования в zero-shot режиме на наборах классификации. Лицензия — Apache-2.0. В README не указаны поддерживаемые естественные языки и максимальная длина контекста. Качество зависит от формулировки меток и предметной области; приведённые результаты относятся к отдельным бенчмаркам и не гарантируют такую же точность на других данных.

Модель rithwik-db/gpl_tsdae-e5-base-unsupervised-test-1-d165d6 — модель Sentence-Transformers на базе BERT, разработанная пользователем rithwik-db. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Обучение проводилось с MarginMSELoss; модель можно использовать через Sentence-Transformers или Transformers с подходящим pooling для контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы. Максимальная длина контекста — 512 токенов. В карточке не заявлена поддержка конкретных языков, поэтому применимость к отдельным языкам не уточняется. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

jinaai/jina-reranker-v3.5 — многоязычная модель-реранкер от Jina AI для повторной сортировки списка документов по релевантности запросу. Она дообучена на Qwen/Qwen3-0.6B и содержит около 508 млн параметров. Архитектура Qwen3 дополнена проектором MLP; модель оценивает кандидатов совместно в одном проходе, используя listwise-подход и косинусное сравнение. Контекст — до 131 072 токенов. Модель предназначена для второго этапа поиска: она уточняет порядок документов, уже найденных поисковой системой, и рассчитана на многоязычный поиск, устойчивую работу в разных предметных областях и ранжирование структурированных данных. По результатам сравнений в карточке она превосходит предыдущую jina-reranker-v3 на ряде наборов тестов, включая BEIR и Struct-IR; скорость инференса также улучшена для списков разной длины. Для локального запуска карточка рекомендует Transformers; также доступен API Jina AI. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения. Модель выдаёт оценки и порядок релевантности, а не готовые ответы на запросы.

Kiel-2-Rerank — дообученный кросс-энкодер на базе BAAI/bge-reranker-base для повторного ранжирования текстов. Модель разработана автором репозитория kiel2 и оценивает пару «запрос — документ» совместно, выдавая один числовой балл релевантности. Она предназначена для семантического поиска и многоэтапного извлечения документов, включая подбор контекста для RAG-систем. Модель использует архитектуру XLM-RoBERTa с примерно 305,2 млн параметров; README указывает максимальную длину последовательности 512 токенов. На вход подаются текстовые пары, на выходе — оценки, по которым можно упорядочить кандидатов. В карточке нет сведений о лицензии или специальных доменах применения. Для ранжирования больших наборов документов потребуется предварительный поиск кандидатов, поскольку модель совместно обрабатывает каждую пару.

Карточка модели kiel2/KielEmbed-Rerank на Hugging Face совпадает с карточкой kiel2/Kiel-Embed-2-Rerank, поэтому описание составлено по ней. Kiel-Embed-2-Rerank — кросс-энкодерный реранкер, дообученный на базе BAAI/bge-reranker-base с использованием библиотеки sentence-transformers. Модель совместно обрабатывает текстовый запрос и документ и выдаёт оценку их релевантности для повторного ранжирования результатов семантического поиска и многоэтапных retrieval-конвейеров, включая RAG. Модель построена на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает пары текстов, выдаёт скалярный логит или оценку релевантности и поддерживает последовательности длиной до 514 токенов по метаданным Hugging Face. Карточка приводит обучение на корпусе из 5 000 примеров с функцией потерь BinaryCrossEntropyLoss. Модель рассчитана на текстовые сценарии. В карточке не названы поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Небольшой обучающий корпус ограничивает основания для выводов о качестве на широком круге запросов и документов. Лицензия в предоставленных данных не указана.