I.12Рекомендации и персонализация

stackoverflow_mpnet-base — модель эмбеддингов предложений, разработанная в рамках Community Week Hugging Face для проекта по обучению моделей sentence embeddings. Она основана на microsoft/mpnet-base и дообучена сиамской сетью с контрастивной целью на 18,56 млн пар заголовков и текстов вопросов Stack Overflow; в качестве эмбеддинга используется mean pooling скрытых состояний. Веса доступны в формате PyTorch, размер модели — 136,7 млн параметров, контекст — до 514 токенов. Модель кодирует текст в векторы для семантического поиска, сравнения сходства и кластеризации. Она ориентирована на технические вопросы и ответы Stack Overflow, поэтому особенно подходит для поиска похожих вопросов и семантической навигации по базе знаний разработчиков. Карточка описывает обучение с последовательностями до 128 токенов; более длинные входы могут не соответствовать режиму обучения. Лицензия в предоставленных данных не указана.

BAAI/bge-m3-retromae — многоязычная модель BAAI на архитектуре XLM-RoBERTa, предназначенная для предварительного обучения текстовых представлений и задач поиска. Она создана расширением максимальной длины последовательности XLM-RoBERTa до 8192 токенов и дальнейшим обучением по подходу RetroMAE; в отличие от итоговой BGE-M3, эта версия описана как её предобученная основа, а не как готовая модель с унифицированной настройкой dense-, sparse- и многовекторного поиска. Модель принимает текст и формирует признаки, которые можно использовать как основу для поиска по коротким фрагментам и длинным документам, в том числе в многоязычных сценариях. В карточке семейства заявлена поддержка более 100 языков и контекст до 8192 токенов; метаданные указывают 658,7 млн параметров. Репозиторий содержит веса PyTorch, а лицензия — MIT. Карточка отмечает, что итоговая BGE-M3 сочетает несколько режимов поиска, но не приписывает весь этот функционал напрямую варианту retromae. Для прикладной системы поиска может потребоваться дополнительное обучение или настройка; качество на одном языке может уступать специализированным одноязычным моделям.

PM-AI/bi-encoder_msmarco_bert-base_german — немецкоязычная модель двунаправленного кодировщика, разработанная PM-AI для семантического поиска и извлечения релевантных фрагментов документов по запросу. Она основана на BERT и содержит 137,1 млн параметров; принимает текст и формирует эмбеддинги для запроса и пассажей, которые можно сопоставлять для поиска. Максимальная длина контекста — 512 токенов. Модель дообучена на немецком машинном переводе набора MS MARCO Passage Ranking: примерно 500 тысячах вопросов и 8,8 миллиона пассажей. При обучении применялись сложные отрицательные примеры и функция потерь Margin MSE, что предназначено для асимметричного поиска — например, когда короткий вопрос сопоставляется с более длинными фрагментами документов. Модель подходит для поиска по разнородным текстам; заявленное качество зависит от коллекции и требует проверки на целевых данных. Модель распространяется по лицензии MIT. Карточка описывает применение через библиотеку Sentence Transformers; модель предназначена для текстового поиска и не является генеративной системой.

CatMarcoro14-7B-slerp — объединённая языковая модель на основе Mistral, созданная с помощью LazyMergekit путём слияния cookinai/CatMacaroni-Slerp и EmbeddedLLM/Mistral-7B-Merge-14-v0.2 методом slerp. Модель содержит 7,1 млрд параметров и предназначена для генерации текста, включая ответы на запросы и решение задач на рассуждение. В README приведены результаты Open LLM Leaderboard: средний балл 73,25, включая 69,37 на AI2 Reasoning Challenge и 86,92 на HellaSwag. Модель принимает и генерирует текст; контекстное окно — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

comsat-embed-ko-8b-preview — модель эмбеддингов на основе декодерной архитектуры Qwen3, разработанная Sionic AI и дообученная для семантического поиска на корейском языке. Она кодирует запросы и документы в векторы размерностью 4096 для поиска по сходству; по данным карточки, обучение включало более миллиона корейских примеров. Для запросов требуется task-инструкция, документы кодируются без префикса. Модель предназначена для поиска документов, извлечения сведений из баз знаний и семантического поиска в корпоративных системах, в том числе по длинным текстам. В карточке заявлен контекст до 8192 токенов; метаданные указывают нативное окно до 40960 токенов. На корейском подмножестве бенчмарка MTEB модель показала средний NDCG@10 0,7930 по девяти наборам данных. Поддерживаемые языки — корейский и английский, при этом основная специализация — корейский. Модель содержит 7,6 млрд параметров и распространяется в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Результаты поиска зависят от правильного применения инструкции к запросам; заявленные показатели относятся к указанной методике бенчмарка и не гарантируют качество на других корпусах.

DUSUNEN Atlas 278M v1 — модель эмбеддингов, разработанная Göktuğ Düşünen как дообучение intfloat/multilingual-e5-base для поиска на турецком языке. Она построена на XLM-RoBERTa и преобразует запросы и документы в векторы для семантического поиска, извлечения информации и сравнения предложений. Для запросов используется префикс «query: », для документов — «passage: ». Контекст модели — 514 токенов; в README для обучения указана длина последовательности 256 токенов. Модель обучена на 50 000 турецких триплетов с трудными отрицательными примерами с использованием Matryoshka Representation Learning. При инференсе можно выбирать размерность эмбеддингов 768, 512, 384, 256, 128 или 64, что позволяет уменьшить объём векторного индекса. На проверочной выборке из 2 000 примеров авторы сообщают точность 94,75% для 128 измерений против 92,65% у усечённой базовой модели; это результат только для внутридоменной проверки, а не оценка на широком бенчмарке. Модель распространяется под лицензией MIT.

GerColBERT — модель поиска по немецким текстам на основе ColBERT, разработанная для эффективного ранжирования документов с помощью позднего взаимодействия между многовекторными представлениями запроса и документа. Она дообучена на deepset/gbert-base на немецком наборе samheym/ger-dpr-collection; в обучении использовались 10% случайно выбранных троек из итогового набора и внутрибатчевые негативные примеры. Модель использует архитектуру BERT, векторную длину 128 и контекст до 512 токенов; максимальная длина документа при обучении составляла 256 токенов. Модель предназначена для семантического поиска и извлечения документов, в том числе с индексированием через PyLate и Sentence Transformers. Для хранения весов используется safetensors. В карточке не приведены результаты количественной оценки качества или сведения о лицензии, поэтому качество на конкретных корпусах и условия использования следует проверять отдельно.

KazEmbed-V5 — это дообученная Nurlykhan модель эмбеддингов на базе intfloat/multilingual-e5-base, предназначенная прежде всего для поиска по текстам на казахском языке и построения RAG-систем. Модель использует архитектуру XLM-RoBERTa и содержит около 305 млн параметров по метаданным; README указывает 278 млн. Она преобразует запросы и фрагменты текста в векторы для поиска релевантных материалов и сопоставления предложений. Для наилучших результатов при поиске README рекомендует добавлять к запросам префикс «query:», а к документам — «passage:».

hyuk2010/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура включает RoBERTa и mean pooling, а близость векторов оценивается косинусным сходством. Модель содержит 137,8 млн параметров. Максимальная длина последовательности указана как 512 токенов в README и 514 токенов в метаданных. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации и сравнения текстов по смыслу. Для обучения использовались 10 501 пара корейских текстов с оценками сходства. В README приведены оценки на двух таблицах, но они заметно различаются, поэтому качество на целевых данных следует проверять отдельно. Модель принимает текст и выдаёт эмбеддинги; опубликована в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных отсутствует.

LeeGH04/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерностью 768; сходство между ними оценивается косинусной мерой. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации корейских текстов. Модель принимает последовательности длиной до 512 токенов (в метаданных указано 514 токенов контекстного окна). В README приведены результаты оценки сходства, включая Spearman 0,924 на одном из наборов данных; результаты на другом наборе заметно ниже. Доступна в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

Kurage-en — англоязычная модель для задач генерации с дополненной поиском (RAG), разработанная Lightblue на основе Qwen2-7B-Instruct. Это плотная причинная языковая модель Qwen2 с 7,1 млрд параметров, контекстом до 32 768 токенов и форматом safetensors; лицензия — Apache-2.0. Модель принимает вопрос и один или несколько фрагментов текста, выбирает релевантные контексты и формирует краткий ответ. Также она умеет расширять ответы, отвечать на английском по материалам на других языках и создавать пары вопросов и ответов по исходному тексту для предварительной индексации. Обучающие примеры получены из отобранных образовательных фрагментов MADLAD-400; для подбора негативных примеров использовалась модель BAAI/bge-m3. Модель предназначена для англоязычных RAG-систем, подготовки данных для поиска и ответов по коллекциям документов. Для режима с одним фрагментом известна склонность иногда ошибочно отказываться отвечать, даже когда контекст содержит ответ; результаты межъязыкового RAG также могут быть нестабильными.

mLateOn — многоязычная модель поиска LightOn на архитектуре ColBERT с поздним взаимодействием и многовекторными представлениями. Она построена на mmBERT-base, содержит около 307 млн параметров и обучена с помощью PyLate; для запросов и документов поддерживает контекст до 8 192 токенов, формирует векторы размерности 128 и оценивает совпадение методом MaxSim. Модель предназначена для семантического поиска по многоязычным коллекциям, длинным документам и коду. Обучение проводилось на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках. По данным карточки, модель также переносит качество на языки и письменности, не включённые в обучение поиска, например кириллицу и японский. Модель может быть полезна для поиска по документам и кода, когда инфраструктура поддерживает многовекторное хранение и позднее взаимодействие. В карточке приведены высокие результаты на бенчмарках BEIR, MIRACL, MLDR и MTEB Code. Для использования доступны веса Safetensors и ONNX. Лицензия — Apache 2.0.

cross-encoder/qnli-distilroberta-base — англоязычный кросс-энкодер на архитектуре RoBERTa, разработанный и обученный с помощью SentenceTransformers. Модель дообучена на distilbert/distilroberta-base для оценки пары «вопрос — абзац»: она определяет, может ли абзац ответить на вопрос. Обучающие данные основаны на наборе GLUE QNLI, преобразованном из SQuAD в задачу вывода по тексту. Модель содержит 95,2 млн параметров, принимает текстовые пары и выдаёт оценку релевантности, пригодную для ранжирования абзацев по соответствию вопросу. Поддерживает английский язык и контекст длиной до 514 токенов. Доступны веса в форматах PyTorch, safetensors, ONNX, OpenVINO и Flax; лицензия — Apache-2.0. Подходит для поиска ответов в документах и ранжирования кандидатов при вопросно-ответном поиске. Оценка обучена на QNLI и не гарантирует фактическую правильность ответа; результаты за пределами английского языка и заданного контекста не подтверждены.

snumin44/simcse-ko-roberta-unsupervised — модель для оценки смыслового сходства двух предложений на корейском языке. Она основана на RoBERTa и обучена автором репозитория методом SimCSE без разметки, на корейских текстах из Википедии; для обучения указана базовая модель klue/roberta-base. Модель преобразует предложения в представления, по которым можно вычислять косинусное сходство. Модель подходит для поиска семантически близких предложений, сопоставления запросов с текстами и построения систем поиска или дедупликации на корейском языке. В README приведены результаты оценки на KorSTS и Klue. Метаданные указывают 137,8 млн параметров и контекст до 514 токенов; в настройках обучения README указан предел длины 64 токена. Распространяется по лицензии MIT.

SPLADE CoCondenser EnsembleDistil — разреженный энкодер для поиска по предложениям и абзацам. Модель основана на Luyu/co-condenser-marco и использует архитектуру BERT с MLM-энкодером и max-пулингом SPLADE. Она преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель предназначена для семантического поиска и разреженного поиска passage-ов, включая расширение запросов и документов. Для MS MARCO dev в карточке приведены MRR@10 38,3 и R@1000 98,3. Максимальная длина последовательности — 512 токенов, а при воспроизведении оценки использовалось ограничение 256 токенов. Метаданные указывают английский язык и библиотеку Sentence Transformers. Модель содержит 136,7 млн параметров и распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты приведены для MS MARCO; качество на других коллекциях может отличаться.

TabiBERT — энкодерная трансформерная языковая модель в стиле BERT, разработанная TABILAB при поддержке VNGRS. Она основана на архитектуре ModernBERT-base и содержит 148,8 млн параметров. Модель обучена преимущественно на турецких текстах, а также на английском языке, коде и математических данных; поддерживает контекст до 8192 токенов. В архитектуре используются RoPE, чередование локального и глобального внимания, GeGLU и Flash Attention. Модель предназначена для заполнения пропусков и может служить основой для дообучения под задачи классификации, извлечения ответов на вопросы, NLI, поиска и представления кода, а также семантического поиска по длинным документам. В описанной авторами оценке на турецком бенчмарке TabiBench она показала высокие результаты, включая задачи поиска и QA. Репозиторий содержит веса Safetensors для использования через Transformers. Лицензия — Apache-2.0. По README, качество модели на английском может уступать качеству на турецком, а на других языках — быть ниже; возможны унаследованные от обучающих данных смещения. Обработка последовательностей близких к 8192 токенам может быть медленнее, и авторы рекомендуют проверять результаты перед применением в критических сценариях.

phatvucoder/vietnamese-bi-encoder — модель SentenceTransformer, дообученная на базе bkai-foundation-models/vietnamese-bi-encoder. Архитектура основана на RoBERTa с усреднением токеновых представлений; модель кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Число параметров — 162,4 млн, максимальная длина последовательности — 258 токенов по метаданным. Модель предназначена для семантического поиска и извлечения релевантных фрагментов: например, сопоставления запроса с подходящими абзацами. Карточка указывает 120 204 обучающих примера формата «запрос — релевантный текст» и функцию потерь MultipleNegativesRankingLoss. Вход и выход — текст и его векторное представление; основная языковая область — вьетнамский. Лицензия в предоставленных данных не указана.

keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели Gnartiel/vietnamese-sbert-v2 на Hugging Face совпадает с карточкой keepitreal/vietnamese-sbert, поэтому описание составлено по ней. keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

AbderrahmanSkiredj1/Arabic_text_embedding_for_sts — модель Sentence Transformers, разработанная Abderrahman Skiredj. Это дообученная BERT-модель для получения плотных векторных представлений арабских предложений и абзацев и оценки их семантического сходства. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель содержит 162,4 млн параметров, использует mean pooling и выдаёт эмбеддинги размерностью 768; для сравнения текстов предусмотрено косинусное сходство. Максимальная длина входа — 512 токенов. Модель обучена на датасете с парами и тройками арабских текстов, включающем данные Quora, STS, Alue, Holy Quran и Aranli. Модель предназначена прежде всего для работы с арабским языком; качество для других языков не заявлено. Лицензия в предоставленных данных не указана.

Карточка модели RamyAhmed55/bge-m3-arabic-legal на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

colbertv2-camembert-L4-mmarcoFR — компактная модель ColBERTv2 для семантического поиска на французском языке. Она разработана на основе CamemBERT-L4 и дообучена на французской части mMARCO с использованием оценок кросс-энкодера. Модель кодирует запросы и документы в матрицы токенных эмбеддингов и оценивает их соответствие с помощью операции MaxSim; для оценки релевантности применяется косинусное сходство. Модель предназначена для поиска релевантных фрагментов в больших коллекциях текстов и может использоваться в системах семантического поиска и RAG. В README указана размерность эмбеддингов 32 и максимальная длина последовательности 514 токенов в метаданных; при обучении использовались длины до 32 токенов для запросов и до 160 для документов. В оценке на dev-наборе mMARCO-fr с корпусом из 8,8 млн фрагментов модель показала MRR@10 32,3 и R@1000 91,9. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

sentence-transformers/distilbert-base-nli-mean-tokens — модель Sentence-Transformers на архитектуре DistilBERT, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель выпущена под лицензией Apache-2.0. В карточке она помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели для получения качественных результатов.

Tim2190/granite-278m-kk — компактная модель для создания эмбеддингов предложений на казахском языке, разработанная Тимом2190 на основе многоязычной Granite Embedding от IBM. Модель дообучена для семантического поиска и извлечения документов на казахском; она создаёт векторы размерностью 768 и использует архитектуру XLM-RoBERTa с примерно 305,2 млн параметров. Максимальная длина последовательности — 512 токенов, дополнительные префиксы в запросах не требуются. Модель подходит для поиска по коллекциям казахских текстов, сравнения запросов с документами и построения retrieval-компонента RAG. По оценке авторов, дообучение улучшает результаты базовой Granite на казахских поисковых наборах; качество сопоставимо со специализированной kazakh-e5, но не превосходит её в целом. Данные оценки описывают конкретные бенчмарки и не гарантируют качество на других коллекциях. Веса опубликованы в формате safetensors; лицензия — CC-BY-SA-4.0.

SECUFIBRE/klue-roberta-base-klue-sts — модель Sentence Transformers, разработанная на основе klue/roberta-base и дообученная на наборе данных KLUE для оценки сходства корейских предложений. Архитектура включает RoBERTa и mean pooling; модель преобразует предложения и абзацы в плотные векторы размерностью 768, а сходство оценивает косинусной мерой. Размер модели — 137,8 млн параметров, максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для семантического поиска, сопоставления предложений, поиска перефразирований, кластеризации и классификации текста на корейском языке. README приводит метрики Spearman для наборов sts-test и sts-eval, однако оценки различаются, поэтому качество следует проверять на данных целевого сценария. Лицензия в предоставленных источниках не указана.

ModernBERT-base-32K — дообученная разработчиками репозитория версия англоязычной encoder-only модели ModernBERT-base с архитектурой ModernBERT для задачи восстановления замаскированных токенов. Она расширяет контекст с 8 192 до 32 768 токенов с помощью масштабирования RoPE YaRN и дообучения на длинных текстах с модифицированной MLM-целью. Модель содержит 149 млн параметров и распространяется в формате Safetensors. Модель предназначена для извлечения признаков и представлений длинных документов, классификации текста и поиска информации в длинных текстах; сама по себе она не является чат-моделью или генеративным решением для ответов на вопросы. По карточке, обучение использовало подвыборку Slimpajama с длинными документами. Лицензия — Apache-2.0. Карточка отмечает снижение качества поиска ключевой фразы с ростом расстояния и ограниченную пользу контекста свыше 16 тысяч токенов. Обработка контекста в 32 тысячи токенов требует значительной видеопамяти; обучение преимущественно на веб-текстах может ограничивать перенос на специализированные области.

multi-QA_v1-mpnet-asymmetric-Q — модель для создания векторных представлений вопросов, разработанная flax-sentence-embeddings в рамках проекта Hugging Face Community Week «Train the Best Sentence Embedding Model Ever with 1B Training Pairs». Это MPNet с 136,7 млн параметров, дообученный контрастивным методом на парах вопросов и ответов из Stack Exchange, MSMARCO, NQ и других наборов данных. Модель принимает текст и выдаёт вектор размерности смысла предложения; длина контекста — до 514 токенов по метаданным. Модель предназначена для кодирования вопросов в системе семантического поиска и сопоставления с векторами ответов, полученными парной моделью multi-QA_v1-mpnet-asymmetric-A. Векторы также подходят для поиска по смыслу, кластеризации и оценки сходства предложений. Для поиска вопросов и ответов рекомендуется использовать пару Q/A-моделей. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

passage-ranker.pistachio — мультиязычный ранжировщик пассажей компании Sinequa. Он оценивает релевантность пары «запрос — фрагмент текста», чтобы сортировать результаты поиска и улучшать первый этап выдачи в поисковых системах и системах извлечения информации. Модель основана на BERT для классификации последовательностей и обучена по схеме MonoBERT на MS MARCO Passage Ranking, включая переведённые обучающие данные. В README указано 167 млн параметров, а метаданные содержат оценку 194,6 млн; максимальная длина контекста — 512 токенов. Модель обучалась и тестировалась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском (упрощённом) и польском; README также отмечает ожидаемую базовую поддержку ещё 93 языков благодаря предобучению базовой модели. Она нечувствительна к регистру и диакритическим знакам. В README приведены результаты на BEIR для английского, PIRBenchmark для польского и MIRACL для ряда других языков. Для запуска указаны Sinequa версии 11.10.0 или новее и CUDA compute capability выше 7.5; приведены также замеры скорости и памяти на GPU. Лицензия в предоставленных данных не указана.

SauerkrautLM-Multi-ModernColBERT — многоязычная модель поиска VAGOsolutions на архитектуре ColBERT с поздним взаимодействием и основой ModernBERT. Она дообучена продолжительным предобучением модели lightonai/GTE-ModernColBERT-v1 с дистилляцией знаний от моделей переранжирования. Модель содержит 149 млн параметров, использует PyLate и принимает документы длиной до 8192 токенов и запросы до 256 токенов. Модель предназначена для семантического поиска и извлечения документов, включая поиск по многоязычным коллекциям и запросы на разных европейских языках. Она обучалась на семи языках: немецком, английском, испанском, французском, итальянском, нидерландском и португальском. ColBERT сопоставляет запрос и документ на уровне токенов с помощью MaxSim и формирует многовекторные представления для ранжирования релевантности. В README приведены результаты NanoBEIR Europe и заявлено сохранение сильных результатов английской базовой модели при расширении поддержки европейских языков. Лицензия — Apache 2.0. Показатели в карточке относятся к указанному бенчмарку и сами по себе не гарантируют качество на других коллекциях; для работы требуется совместимый стек PyLate или text-embeddings-inference.

SauerkrautLM-Reason-EuroColBERT — многоязычная модель поиска с поздним взаимодействием ColBERT, разработанная VAGOsolutions. Она кодирует запросы и документы в наборы векторов и сопоставляет их с помощью MaxSim, чтобы находить релевантные фрагменты, в том числе для запросов, требующих рассуждений. Модель дообучена на базе SauerkrautLM-EuroColBERT методом дистилляции на 200 тысячах синтетических пар запрос–документ; авторы сообщают о применении PyLate и архитектуре EuroBERT с проекцией 768→128 измерений. Модель содержит около 211,7 млн параметров и поддерживает контекст до 8192 токенов для документов и до 256 токенов для запросов. Она рассчитана на немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки, с особым акцентом на многоязычный поиск и поиск, требующий рассуждений. Подходит для ранжирования документов и извлечения релевантных материалов в поисковых системах и RAG-конвейерах. Модель распространяется по лицензии Apache 2.0. Указанные в карточке сравнительные результаты и заявления о превосходстве над более крупными моделями принадлежат авторам и зависят от набора данных и методики оценки; модель выдаёт векторы для поиска, а не готовые развернутые ответы пользователю.