I.12Рекомендации и персонализация

tanliboy/zephyr-qwen2-7b-dpo — диалоговая языковая модель, полученная дообучением tanliboy/zephyr-qwen2-7b-sft методом DPO на наборе предпочтений HuggingFaceH4/ultrafeedback_binarized. Она построена на архитектуре Qwen2, содержит 7,1 млрд параметров и предназначена для генерации текста в формате общения; заявленная длина контекста — 131 072 токена. Модель можно использовать для диалоговых ответов и других задач генерации текста. В README приведены результаты оценки на тестовом наборе, включая точность предпочтений 0,712. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

40Hz/autoresearch-business-v1 — англоязычная модель Sentence Transformer, разработанная дообучением BAAI/bge-small-en-v1.5 на наборе bge-retrieval-data-finance-50_k. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 384, нормализованные для сравнения по косинусному сходству. Модель предназначена для семантического поиска и сопоставления текстов; её можно применять для поиска документов по запросу, выявления перефразировок, кластеризации и классификации на основе эмбеддингов. Архитектура основана на BERT и использует Sentence Transformers с пулингом CLS и нормализацией векторов. Метаданные указывают лимит контекста 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; при практическом использовании следует ориентироваться на конфигурацию модели. Обучающие данные ориентированы на финансовый поиск, хотя примеры включают и более широкие бизнес-темы. Модель принимает и выдаёт текстовые представления в виде векторов; лицензия в предоставленных источниках не указана.

T-Systems-onsite/bert-german-dbmdz-uncased-sentence-stsb — немецкоязычная модель на архитектуре BERT, предназначенная для извлечения признаков из текста и получения представлений предложений, обученных для задачи STS-B (оценки семантического сходства). В карточке указано, что модель устарела; автор рекомендует вместо неё cross-en-de-roberta-sentence-transformer для немецкого, английского и межъязыкового применения. Модель содержит 137,1 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax, включая веса safetensors. Лицензия — MIT. Она подходит для построения векторного поиска и сравнения немецких предложений, но для новых проектов автор рекомендует более актуальную модель.

BjarneNPO/BjarneNPO-30_08_2025_14_12_53 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная BjarneNPO. Она кодирует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразирований и кластеризации. Модель использует архитектуру BERT с усреднением токенных представлений; метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Для сравнения векторов подходит косинусное сходство. Модель обучена на 72 349 парах запросов и ответов с MultipleNegativesRankingLoss. Примеры данных на немецком языке относятся к обращениям в службу поддержки по административному программному обеспечению, поэтому модель может быть полезна для поиска похожих запросов и ответов в таком корпусе. Базовая модель заявлена как многоязычная, однако языки обучения и качество для конкретных языков в карточке полностью не уточнены. Формат весов — safetensors; лицензия в предоставленных данных не указана.

CeleBERTy Small Embeddings — компактная модель NeuML для получения плотных векторных представлений предложений и абзацев. Она построена на архитектуре BERT, дообучена с помощью sentence-transformers и насчитывает 25,9 млн параметров по метаданным. Модель отображает текст в пространство векторов размерности 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска, кластеризации текстов и подготовки источников для RAG. Обучающие примеры получены из случайной выборки статей Википедии с меткой celebrity; эмбеддинги дистиллированы из более крупной модели DenseOn. В описанной авторами оценке на созданном BEIR-совместимом наборе модель показала NDCG 55,24 и подходит для CPU-сценариев с ограниченными ресурсами. Карточка указывает английский язык и лицензию Apache-2.0. Результаты обучения и оценки основаны на выборках статей Википедии о знаменитостях, поэтому качество для других тематик может отличаться. Модель возвращает эмбеддинги, а не готовые текстовые ответы.

alakxender/e5-dhivehi-combined-mnr — это дообученная модель Sentence Transformers на базе XLM-RoBERTa, разработанная alakxender для получения плотных векторных представлений предложений и абзацев на дивехи. Она обучена на 184 780 парах текстов с использованием MultipleNegativesRankingLoss; выходные векторы имеют размерность 768, а для сравнения предусмотрена косинусная близость. Репозиторий содержит веса в формате Safetensors, модель использует mean pooling и поддерживает последовательности до 514 токенов по метаданным; README указывает ограничение 256 токенов. Модель подходит для семантического поиска, сравнения смысловой близости, поиска перефразировок, кластеризации и классификации текстов на дивехи. В обучающих данных также представлены пары дивехи—английский, однако карточка не подтверждает, что модель рассчитана на полноценную двуязычную работу. Лицензия — MIT. Эмбеддинги отражают качество и охват обучающих данных; README не приводит оценок качества на независимых тестах.

Karmelkke/everycli-minilm-ft — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, созданная для представления предложений и абзацев в виде плотных векторов. Она использует архитектуру BERT с усредняющим pooling, содержит 124,3 млн параметров и выдаёт эмбеддинги размерности 384; сходство между ними можно оценивать косинусной мерой. Модель обучена на 1 104 парах текстов с помощью MultipleNegativesRankingLoss и подходит для поиска релевантных фрагментов. Её можно применять для семантического поиска и сопоставления запросов с описаниями, в том числе по командам и справочным материалам EveryCLI. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 128 токенов; для практического использования следует учитывать ограничение самой модели в 128 токенов. Она принимает и обрабатывает текст, а на выходе возвращает векторы. Мультиязычная базовая модель поддерживает разные языки; примеры обучающих пар включают французский и английский. Лицензия в предоставленных источниках не указана.

DEk21_hcmute_embedding_v2 — вьетнамская модель эмбеддингов предложений, разработанная для семантического поиска и сравнения сходства предложений. Она дообучена авторами репозитория на основе bkai-foundation-models/vietnamese-bi-encoder с помощью Sentence Transformers; архитектура — RoBERTa, размер — 162,4 млн параметров. Модель преобразует текстовые запросы и контексты в векторы для поиска релевантных фрагментов, в частности во вьетнамских данных вопрос—контекст. Основной размер вектора — 768 измерений; обучение Matryoshka позволяет использовать укороченные векторы размером 512 или 256 измерений. Для сравнения предусмотрено косинусное сходство, а длина контекста составляет 258 токенов. Модель рассчитана на вьетнамский язык и поиск по вьетнамским текстам; результаты оценки показывают улучшение ряда метрик относительно базовой модели, хотя качество зависит от данных и сценария применения. Распространяется по лицензии Apache-2.0.

grimjim/llama-3-Nephilim-v2-8B — слитая чат-модель на архитектуре Llama 3, созданная с помощью mergekit методом task arithmetic на основе Nephilim v1. В объединение вошли Llama-3-Soliloquy-8B-v2, модель с настройкой предпочтений SPPO и SimPO, а также дообученная биомедицинская модель OpenBioLLM. Разработчик описывает её как модель для генерации ответов с вниманием к контексту и более разнообразными формулировками. Модель содержит 7,5 млрд параметров, работает с текстом и рассчитана на диалоговую генерацию по инструкциям. В README указано тестирование с контекстом 8k и Instruct-промптами. Биомедицинская составляющая может быть полезна для профильных запросов, однако карточка не подтверждает специализированную точность или клиническую пригодность. Модель может генерировать вредоносные ответы. По умолчанию действует лицензия CC-BY-NC-4.0, ограничивающая коммерческое использование; также README указывает на дополнительные ограничения WhiteRabbitNeo Usage Restrictions Extension к лицензии Llama 3.

MetaCLIP 2 ViT-B/16 (384px) worldwide — дистиллированная модель Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Это чекпойнт ViT-B-16-384-worldwide из оригинальной реализации, предназначенный для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах. Модель сопоставляет изображение с текстовыми метками и позволяет выбирать наиболее подходящие варианты; поддерживает многоязычные сценарии. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Nano-Jev v1.0 — компактная модель принятия решений для конвейеров RAG, разработанная Shubham Divakar. Она принимает вопрос и один или несколько фрагментов контекста и оценивает релевантность отрывка, достаточность набора отрывков для ответа или обоснованность утверждения контекстом. Модель возвращает вероятности по заданным вариантам и не генерирует текст. Архитектура — кросс-энкодер на базе MiniLM с 12 слоями и скрытым размером 384, дополненный классификационной головой; в метаданных указано 40 млн параметров, а README приводит 33,4 млн. Модель дообучена на microsoft/MiniLM-L12-H384-uncased, принимает текст и поддерживает английский язык; максимальный контекст — 512 токенов. Распространяется по лицензии MIT. Модель быстрая и на тестах, близких к обучающим данным, показывает хорошие результаты классификации и калибровки. На новых наборах данных точность снижается примерно на 15–20 процентных пунктов, а калибровка переносится плохо; перед применением на собственных данных следует перепроверить пороги и вероятности. Она рассчитана на английский текст в стиле Википедии, а пользовательские наборы меток работают слабее.

NeuralsirkrishnaShadow_M7Alloyingotneoy — объединённая модель для генерации текста, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/M7Alloyingotneoy-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; длина контекста составляет до 32 768 токенов. Модель подходит для генерации продолжений текста и диалоговых ответов в приложениях на базе языковых моделей. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

hyunseop/qwen3-embedding — дообученная Hyunseop модель текстовых эмбеддингов на базе Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска и извлечения документов на корейском языке. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и контрастивное обучение на парах запрос–документ из синтетического корейского набора Nemotron-Personas-Korea; заявленная длина контекста — 40 960 токенов. В README приведены результаты оценки на корейских наборах AutoRAG и MIRACL; они характеризуют проверенные сценарии поиска, но не гарантируют аналогичное качество на других данных. Модель принимает текст и выдаёт эмбеддинги для последующего поиска или сравнения текстов. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Qwen3-Nemotron-32B-GenRM-Principle — языковая модель NVIDIA для оценки ответов, созданных LLM, по заданному пользователем принципу. Она принимает текст диалога с несколькими ходами и принцип оценки, а затем выдаёт числовую оценку: более высокий балл означает, что итоговый ответ ассистента в большей степени соответствует принципу. Модель построена на архитектуре Qwen3 и дообучена на базе Qwen/Qwen3-32B; в метаданных указано 29,7 млрд параметров. Карточка сообщает о контекстном окне 128 тыс. токенов и обучении на диалогах длиной до 8 тыс. токенов, тогда как метаданные указывают native context в 40 960 токенов. Модель принимает текст и выдаёт скалярную оценку. Она предназначена для оценки качества и предпочтений ответов, в том числе в задачах чата, математики, кода и безопасности; карточка приводит результаты на RM-Bench и JudgeBench. Для запуска рекомендуются Transformers или vLLM и одна или несколько GPU с 80 ГБ памяти; заявлена оптимизация для GPU NVIDIA. Указана лицензия other, поэтому условия использования следует сверить с лицензией и условиями NVIDIA для репозитория. Модель оценивает соответствие указанному принципу, но полученный балл сам по себе не гарантирует объективность или надёжность оценки для конкретного применения.

SBERTPQ — компактная модель Sentence-Transformers на архитектуре BERT, разработанная для оценки релевантности короткого текста вопросу. Она преобразует вопрос и текст преимущественно длиной до 10–15 слов в векторы размерностью 312; косинусное сходство между векторами служит оценкой того, содержит ли текст ответ на вопрос. Модель применялась для семантического поиска записей в базе фактов диалоговой системы. Модель основана на cointegrated/rubert-tiny2 и насчитывает 29 млн параметров. Карточка сообщает о контексте до 2048 токенов, быстром инференсе даже на CPU и значении cossim_f1 до 0,986 на тестовой выборке. Модель ориентирована на русский язык и распространяется по лицензии Unlicense. Указанная метрика получена на конкретной тестовой выборке и не гарантирует такую же точность на других данных; назначение модели рассчитано на короткие тексты.

Sentence-Llama-Bi-JP-0.5B-PT — японская модель эмбеддингов предложений, созданная iamtatsuki05. Это двунаправленный энкодер на архитектуре Llama с 661,9 млн параметров; модель дообучена контрастным обучением со слабой разметкой на базе iamtatsuki05/Llama-Bi-JP-0.5B-PT-stage2 и датасета cl-nagoya/ruri-dataset-v2-pt. Она строит векторы размерности 1280 с mean pooling и предназначена для семантического поиска, сравнения сходства предложений и извлечения признаков из японского текста. Модель принимает последовательности длиной до 8192 токенов, использует SentencePiece с размером словаря 102 400 и RoPE. Для сравнения эмбеддингов в карточке указан косинусный критерий. Лицензия — MIT. Основной язык модели — японский; карточка не заявляет поддержку других языков.

SPLADE-v2-distil — разреженный энкодер для поиска по предложениям и абзацам, представленный в карточке модели Naver. Он преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBERT с MLM и max-пулингом SPLADE. Максимальная длина входа — 512 токенов, а для воспроизведения оценки в карточке указано ограничение 256 токенов. Модель предназначена для семантического поиска, разреженного поиска и извлечения релевантных фрагментов, включая поиск пассажей. Подходит для кодирования запросов и документов в поисковой системе, поддерживающей sparse-векторы. В метаданных указаны английский язык и датасет MS MARCO. Распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространяет ограничения на коммерческое использование и производные работы на тех же условиях.

TEmA-small — дообученная на базе многоязычной BERT-модели LaBSE модель для сравнения смысловой близости азербайджанских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; базовая модель LaBSE строит общее пространство эмбеддингов для 109 языков. Репозиторий содержит веса PyTorch объёмом около 168,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, кластеризации текстов и ранжирования предложений по смысловой близости. В README приведены результаты сравнительных тестов STS и показатели точности при использовании косинусного, манхэттенского и евклидова расстояний. Модель распространяется по лицензии CC BY 4.0. Специализация заявлена для азербайджанского языка; результаты на других языках в карточке отдельно не подтверждены.

vectorizer.vanilla — англоязычная модель-векторизатор компании Sinequa для поиска релевантных фрагментов по запросу. Она строит эмбеддинги запросов и passages, которые можно индексировать и сопоставлять для семантического поиска и извлечения информации. Модель основана на MiniLM-L6-H384 и архитектуре BERT, содержит около 25,9 млн параметров, выдаёт векторы размерности 256 и принимает последовательности длиной до 512 токенов. Она нечувствительна к регистру и диакритическим знакам. Модель обучена на парах «запрос — фрагмент» и триплетах с негативными примерами; качество оценивалось на англоязычных наборах BEIR, средний Recall@100 составляет 0,639. Подходит для построения векторного индекса и поиска по запросам. Для работы в Sinequa требуется версия не ниже 11.10.0; для CUDA указана вычислительная возможность выше 7.5. Лицензия в предоставленных данных не описана.

Это модель CLIP на архитектуре ViT-bigG-14 с разрешением изображения 378 пикселей, связанная с MetaCLIP 2. Её можно использовать через open_clip и timm для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: модель сопоставляет изображение с набором текстовых меток и оценивает соответствие между ними. Репозиторий содержит веса в форматах PyTorch и safetensors; для работы предназначена библиотека open_clip. Модель рассчитана на задачи zero-shot классификации изображений в широком международном контексте. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение. Карточка не описывает ограничения качества или список поддерживаемых языков.

Xor 1.2 — разработанная Juspay и дообученная на базе Qwen/Qwen3.6-35B-A3B модель для типизированных задач принятия решений. Она принимает текстовое состояние и вопросы типов «да/нет», категориального выбора или порядковой оценки, а затем выдаёт вероятности и распределения вероятностей. Запросы также могут содержать до восьми изображений или одно видео, чтобы классифицировать информацию в тексте и медиа. Модель построена на архитектуре причинной языковой модели Mixture-of-Experts; веса Xor 1.2 получены постобучением с LoRA ранга 16, объединённой с базовыми весами BF16. Размер файлов модели — около 66 ГБ. Для воспроизводимой работы требуется использовать совместимую обвязку TypeSafe и указанный в карточке inference-конфиг с детерминированным считыванием кандидатов, проверкой порядка вариантов и калибровкой вероятностей. Проверена работа на одной GPU с SGLang. Модель подходит для структурированной классификации и оценивания по заданной схеме, включая вопросы по изображениям или видео. Для изображений и видео надёжное различение типа медиа не гарантируется; в одном запросе лучше передавать только один вид медиа. Размер тела запроса ограничен 8 МБ, что оставляет примерно 6 МБ на медиа после Base64-кодирования. Распространяется по лицензии Apache-2.0.

nlpctx разработала модель в виде Sentence Transformer, дообученного на основе BAAI/bge-m3 для построения плотных текстовых эмбеддингов. Модель преобразует предложения и абзацы в векторы размерностью 1024 и подходит для поиска по сходству и извлечения релевантных документов; близость векторов оценивается косинусным сходством. В основе лежит XLM-RoBERTa с пулингом CLS и нормализацией выходных векторов. Максимальная длина последовательности — 8192 токена. Обучение проведено на 10 032 парах текстов с MultipleNegativesRankingLoss в направлении «запрос—документ». Примеры в карточке указывают на телугу-английский код-свитчинг и тематику вопросов о полиции и законодательстве Тамилнаду. Модель предназначена для семантического поиска и сопоставления запросов с текстами. Лицензия в предоставленных данных не указана.

CAG-7b — плотная языковая модель семейства Llama, разработанная для генерации ответов с учётом достоверности сведений в контексте. Модель содержит 6,6 млрд параметров, принимает текст и имеет контекст до 4096 токенов; карточка описывает её как 7B-модель. В метаданных указаны английский язык и архитектура LlamaForCausalLM. Модель предназначена для ответов на вопросы по документам, в том числе содержащим шумные или противоречивые сведения. Заявленные сценарии включают персонализированную генерацию ответов и разрешение конфликтов знаний; оценивание проводилось для вопросов по открытым, актуальным и загрязнённым дезинформацией данным. Модель распространяется по лицензии MIT. Ключевая особенность CAG — настройка на использование сигналов достоверности из контекста при генерации. Результаты и устойчивость могут зависеть от качества и состава входных документов; указанное контекстное окно ограничено 4096 токенами.

CamemBERT-L6 — разреженная версия предварительно обученной модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. В репозитории указано 81,2 млн параметров; модель использует архитектуру CamemBERT и принимает текст с контекстом до 514 токенов. Доступны веса PyTorch и Safetensors, лицензия — MIT. Модель предназначена прежде всего для дообучения под задачи, где решение зависит от целого предложения или фрагмента текста: классификации, извлечения ответов на вопросы и семантического поиска. Исходную модель также можно применять для masked language modeling и извлечения признаков. Для генерации текста автор рекомендует авторегрессионные модели.

GLM-RoBERTa-Large — плотная языковая модель семейства GLM от Z.ai, разработанная на основе подхода GLM с авторегрессионным заполнением пропусков. Модель содержит 454,2 млн параметров и 24 слоя Transformer с размером скрытого представления 1024 и 16 головами внимания; она предобучена на данных RoBERTa. Модель предназначена для извлечения признаков и может дообучаться для задач понимания и генерации естественного языка, включая генерацию текста и тесты с вариантами ответа. В карточке указана поддержка английского языка. Доступны веса в формате PyTorch; контекстное окно в источниках не описано. Лицензия в предоставленных данных не указана.

HindSBERT-STS — модель L3Cube-Pune для оценки семантического сходства предложений на хинди. Она создана дообучением l3cube-pune/hindi-sentence-bert-nli на датасете STS и выпущена в рамках проекта MahaNLP. Модель на основе BERT преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения смысловой близости, кластеризации и семантического поиска. Модель принимает текст на хинди и формирует векторные представления; максимальная длина контекста составляет 512 токенов. Лицензия CC-BY-4.0. Она предназначена для семантического сопоставления текстов на хинди, а описание не подтверждает поддержку других языков этой версии.

bespin-global/klue-sentence-roberta-base — модель эмбеддингов предложений и абзацев от Jaehyeong из Bespin Global. Она основана на RoBERTa и преобразует текст в плотные векторы размерности 768; размер модели — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска и кластеризации текстов. Её можно использовать в системах поиска по смыслу, группировки похожих предложений и сравнения текстовых фрагментов. Обучение проводилось с функцией потерь CosineSimilarityLoss на данных KLUE, что указывает на ориентацию на корейский язык. Модель доступна в формате PyTorch по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование. В карточке не приведены результаты оценки качества; поэтому качество для конкретного сценария следует проверять отдельно.

MobileCLIP2-L-14-OpenCLIP — адаптированная для OpenCLIP версия весов модели MobileCLIP2-L-14, разработанной Apple и описанной в работе MobileCLIP2: Improving Multi-Modal Reinforced Training. Репозиторий использует конфигурации OpenCLIP и соответствующие имена весов; доступны веса PyTorch и safetensors. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах. Она сопоставляет изображения и текст в общей мультимодальной семантике, что позволяет задавать классы естественным языком и ранжировать их по соответствию изображению. В README приведены результаты и характеристики других вариантов MobileCLIP2, но их нельзя переносить на вариант L-14. Лицензия репозитория — apple-amlr. Для оценки скорости, точности и применимости именно этого чекпойнта следует учитывать его конфигурацию и условия лицензии.

unicamp-dl/mt5-base-mmarco-v2 — модель на архитектуре mT5, дообученная на многоязычной версии набора MS MARCO для ранжирования пассажей. Версия Multi MS MARCO включает коллекции пассажей MS MARCO на девяти языках; для версии v2 данные переведены с помощью Google Translate. Модель содержит 291,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для оценки релевантности пассажей поисковому запросу в многоязычных задачах поиска информации. Её можно использовать для ранжирования найденных фрагментов текста, например, при поиске ответов в корпусе документов. В карточке указана лицензия MIT. Перевод обучающих данных машинный, поэтому качество может зависеть от языка и особенностей перевода.

opensearch-project/opensearch-neural-sparse-encoding-doc-v3-gte — модель разреженного кодирования документов для поиска, разработанная участниками проекта OpenSearch. Она преобразует документы в разреженные векторы размерности 30 522, где индексы соответствуют токенам словаря, а веса отражают их значимость. Для запросов предусмотрено формирование векторов с помощью токенизатора и таблицы весов; оценка соответствия вычисляется как скалярное произведение векторов запроса и документа. Модель предназначена для полнотекстового поиска и извлечения релевантных документов, в том числе через разреженный поиск OpenSearch с обратным индексом Lucene. В README описана оценка на подмножестве BEIR. Модель содержит 136,7 млн параметров, использует архитектуру NewForMaskedLM и поддерживает контекст до 8192 токенов. Указанный язык — английский. Лицензия — Apache-2.0. README приводит общие преимущества серии v3 по релевантности, эффективности и скорости относительно серий v1 и v2, но не содержит числовых результатов именно для этой версии. Результаты поиска могут различаться в зависимости от набора данных; перед применением стоит оценить качество на целевом корпусе.