I.12Рекомендации и персонализация

SLM-10M — небольшая авторская причинно-следственная Transformer-модель на 9,97 млн параметров, обученная с нуля командой liodon-ai. Она предназначена для исследований малых языковых моделей и оценки понимания текста, прежде всего для задач с выбором ответа и ранжирования по логарифмическому правдоподобию. Архитектура включает 12 слоёв, скрытый размер 256, 8 голов запросов и 2 KV-головы с GQA; словарь содержит 8 192 токена, контекст — до 1 024 токенов. Модель обучалась на смеси текстовых данных объёмом 25 млрд токенов и поддерживает английский язык. В карточке приведены результаты zero-shot оценки на HellaSwag и ARC. Лицензия — Apache-2.0. Из-за малого размера и ограниченной ёмкости словаря модель не подходит для свободной генерации текста, диалогов и следования инструкциям; её следует применять для скоринга кандидатов, сравнительных экспериментов и исследований эффективности.

SEA-CLIP-Tiny-abl-cg — исследовательская абляционная версия SEA-CLIP-Tiny, опубликованная авторами проекта SEA-CLIP-Tiny для сравнения вариантов обучающей смеси в работе ACCV 2026. Это модель сопоставления изображений и текста на базе CLIP: визуальная башня ViT-T/16 и 12-слойная текстовая башня шириной 384, размерность эмбеддингов 512; всего 46,11 млн параметров. Контекст токенизатора CLIP BPE — 77 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также поддерживает поиск соответствий между изображениями и текстом. Вариант «Only CG» обучен на смеси CG; в таблице результатов его R@1 составляет 46,5 на CG и существенно ниже на остальных указанных источниках и ImageNet. Используется через библиотеку open_clip. Лицензия — MIT. README описывает абляционный чекпойнт, поэтому результаты и область применимости следует считать экспериментальными.

Tev1-0.8B-experimental — экспериментальная модель принятия решений от Together AI, полученная supervised fine-tuning модели Qwen3.5-0.8B. Она сохраняет стандартную авторегрессионную языковую модель с головой предсказания следующего токена; это не среда выполнения Jev без авторегрессии. Модель предназначена для выбора одного варианта по структурированным полям state, question и списку из 2–24 вариантов с метками. В ответе ожидается только буква выбранного варианта, которую приложение сопоставляет с нужным значением. Это узкий интерфейс для классификации решений, а не для обычного диалога. Карточка предупреждает, что модель может ошибаться, а устойчивость к prompt injection, работа на разных языках, калибровка и поведение на задачах вне обучающего распределения подробно не проверялись. Её не следует использовать как единственное основание для решений с высокими последствиями. Условия лицензии в предоставленных данных не указаны.

CRAB_COPA_xlm_roberta_large_finetuned — дообученная Ariffiq99 модель на архитектуре XLM-RoBERTa Large, разработчик — Ariffiq99. Она предназначена для выбора наиболее подходящего варианта ответа из нескольких предложенных на основе текста и применяется для задач формата COPA. Веса представлены в формате safetensors; размер модели — около 658,7 млн параметров, длина контекста — 514 токенов. В карточке приведены результаты оценки: loss 0,8770 и F1 0,7431. Датасет обучения не указан, поэтому область применимости и качество на других наборах данных оценить по карточке нельзя. Лицензия — MIT.

Modesty_continuous — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base, опубликованная ajrayman. Она предназначена для оценки текста по непрерывной шкале: в карточке приведены метрики RMSE, MAE и корреляции, что указывает на регрессионную оценку, представленную через задачу text-classification в Hugging Face. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текст с контекстом до 512 токенов. На тестовом наборе указаны loss 0,0588, RMSE 0,2424, MAE 0,1959 и корреляция 0,3927. Назначение оценки, свойства обучающих данных и целевая область в карточке не раскрыты, поэтому пригодность модели для конкретного показателя или домена требует проверки. Лицензия — MIT.

ProofKit Qwen 0.5B — компактная языковая модель семейства Qwen2, разработанная для приложения ProofKit. Это дообученная методом SFT модель Qwen/Qwen2.5-0.5B-Instruct с 494 млн параметров; адаптер LoRA объединён с весами, поэтому модель распространяется как самостоятельный чекпойнт в формате safetensors и работает через Transformers. Она предназначена для подготовки учебных рабочих примеров для соискателей: создания разделов, совместного составления черновиков по ответам пользователя, внесения правок и генерации структурированных сценариев, рекомендаций, оценок готовности и портфолио в строгом JSON. Модель рассчитана на английский язык и обучена на наборе ProofKit SFT примерно из 7 000 синтетических примеров. Контекстное окно — до 32 768 токенов. Модель компактна и подходит для запуска на небольшом GPU; в ProofKit она загружается при первом запросе. По README, на ограниченном наборе из 15 тестовых запросов модель показала средний балл 76,6 из 100 в оценке тремя судьями. Это специализированный компонент приложения, а не универсальный чат-бот: качество зависит от точного формата запросов ProofKit. Из-за небольшого размера модель может пропускать новые или необычные токены и иногда выдавать искажённый текст; приложение использует резервную модель, если черновик теряет ответы пользователя. Лицензия — Apache-2.0.

Ashikan/dut-recipe-generator — дообученная модель семейства BLOOM, разработанная для генерации рецептов по заданному набору ингредиентов. Она предлагает более здоровые рецепты, ориентированные на людей с диабетом, с упором на простоту приготовления и питательную ценность. Модель обучалась на отфильтрованной версии RecipeNLG и дополнительном наборе рецептов Durban University of Technology. В рецептах приоритетны привычные кухонные меры и метрические единицы; температура преобразовывалась в градусы Цельсия. Архитектура — плотная авторегрессионная BLOOM с примерно 659,6 млн параметров; модель принимает текст и генерирует текст. Лицензия — BigScience BLOOM RAIL 1.0. Модель предназначена для идей блюд из имеющихся продуктов, но не заменяет медицинские рекомендации и не гарантирует точность пищевой или медицинской информации. README сообщает, что специалисты факультета пищевых наук и питания проверяли незнакомые рецепты и их отзывы учитывались при улучшении модели.

Extended-Mind-Mpt-7b — текстовая авторегрессионная модель генерации на архитектуре Extended MPT, разработанная Normal Computing на основе архитектуры и кода MosaicML. Она сохраняет исходные веса без дообучения и дополняет генерацию обращением к внешнему кэшу пар ключ–значение, или «памятей», которые можно передавать модели как последовательности токенов. Это позволяет учитывать внешний контекст при генерации текста и обновлять набор памятей между запросами. Модель предназначена для экспериментов с внешней памятью в генерации текста. В карточке описаны ручная передача памятей и настройка их отбора по сходству; stride при построении представлений влияет на качество и вычислительные затраты. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. README не сообщает размер контекста и перечень поддерживаемых естественных языков; отмечено, что модель относится к продолжающимся исследованиям Normal Computing.

unslothai/other — репозиторий модели на Hugging Face от Unsloth AI. Метаданные относят её к архитектуре LLaMA и задаче извлечения признаков; модель использует библиотеку Transformers и хранится в формате safetensors. Её можно применять для извлечения представлений из входных данных в задачах, где требуется получить признаки модели. Доступные сведения не устанавливают размер модели, поддерживаемые языки, длину контекста, конкретные сценарии применения или лицензию, поэтому эти характеристики нельзя надёжно описать.

RubricTracing-9B-Criterion — модель для прогнозирования освоения отдельных критериев оценивания в задачах по математике. Она принимает историю прошлых решений ученика с задачами, рубриками, вердиктами и письменными решениями, а также условие следующей задачи с эталонным решением и рубрикой. Для каждого идентификатора критерия модель выдаёт JSON-вердикт о том, будет ли он выполнен. Модель разработана на основе Qwen/Qwen3.5-9B и полностью дообучена на датасете KT-PSP-25: математике для учеников первого года старшей школы в Южной Корее. Это плотная причинная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, контекстом до 262 144 токенов и форматом весов Safetensors. Карточка приводит результаты на отложенной выборке: средний Macro-F1 — 0,610 по пяти обучениям. Модель рассчитана на исследования в области knowledge tracing и прогнозирования результатов по критериям. Оценка проводилась на одном корейском наборе данных, а обучающие метки получены автоматической системой оценивания. Порядок взаимодействий в датасете не восстановим, поэтому история рассматривается как набор; модель не валидирована для оценивания работ или принятия значимых решений об отдельных учениках. Лицензия — Apache-2.0.

FractalGPT/EmbedderDecoder — экспериментальная модель генерации текста на основе GPT-2, созданная с использованием ai-forever/rugpt3small_based_on_gpt2. Автор адаптировал подход vector2text: заменил эмбеддер и добавил управление промптом, генерацию из эмбеддингов и их матриц, а также ранжировщик. Можно сочетать эмбеддинги разных текстов и их квадраты для задания входного представления. Модель предназначена для экспериментов с преобразованием эмбеддингов в текст, генерацией по промпту и ранжированием вариантов. В метаданных указаны архитектура GPT2LMHeadModel, формат safetensors, контекст 2048 токенов и датасет Wikimedia Wikipedia. Лицензия — Apache-2.0. Карточка не содержит подробных результатов оценки качества или точного описания обучения.

OCF typed-decisions CE smoke — специализированный классификатор решений от Open Classification Foundation на базе answerdotai/ModernBERT-base. Это двунаправленный энкодер ModernBERT с двухслойной Transformer-головой принятия решений и OptionScorer, который оценивает варианты ответа в позициях [MASK] и выдаёт распределение вероятностей через softmax. Модель дообучена с cross-entropy на наборе LocalLLaMA/typed-decisions; параметры обучающей конфигурации включают 4 эпохи, а для калибровки температуры использована отложенная часть обучающей выборки. Модель предназначена для выбора между заданными вариантами решения по текстовому вопросу. Максимальная длина входа составляет 640 токенов, бюджет текста на вариант — 48 токенов; размер модели около 164 млн параметров. В тесте из 2 000 решений указаны accuracy 0,751 и NLL 0,629; измеренная задержка на RTX 3050 Laptop составила 59,6 мс на вопрос по медиане и 87,8 мс на 95-м перцентиле. Эти результаты относятся к указанному тесту и конфигурации. Это экспериментальный специализированный чекпойнт, а не фундаментальная или zero-shot модель и не RLCD-модель. В README отмечено, что учительские модели расходятся примерно в 41% тестовых решений, что ограничивает интерпретацию метрик. Лицензия репозитория — Apache-2.0.

fassabilf/sea-clip-tiny-abl-bloom — экспериментальная абляционная версия SEA-CLIP-Tiny, разработанная для исследования влияния обучающих данных Bloom на мультиязычную модель сопоставления изображений и текста. Это модель CLIP с визуальной башней ViT-T/16 и 12-слойной текстовой башней шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Она принимает изображения и текстовые описания и предназначена для классификации изображений без дополнительного обучения, а также для поиска соответствий между изображениями и текстом. Текстовый токенизатор CLIP BPE имеет контекст 77 токенов. Модель связана с языками Юго-Восточной Азии: английским, индонезийским, яванским, сунданским, малайским, тайским, вьетнамским и бирманским. В абляционном эксперименте показаны результаты на обучающих источниках и ImageNet, однако приведённые значения низкие, поэтому качество для практических задач по этой карточке не подтверждается. Репозиторий предоставляет веса PyTorch для использования через open_clip и распространяется по лицензии MIT.

Emo — компактная мультиязычная модель Desert Ant Labs для подбора эмодзи по тексту. Она предназначена для подсказок в списках дел, календарных записях, заметках и черновиках сообщений: например, по фразе «Dentist appointment» предлагает 🦷. Модель принимает короткий текст и выдаёт распределение вероятностей по словарю из 812 эмодзи; можно использовать самый вероятный вариант или несколько лучших. Она оптимизирована для выбора наиболее подходящего эмодзи на первом месте. Модель работает локально на устройстве и доступна в форматах LiteRT/TFLite и Core ML. По данным карточки, модель и токенизатор занимают около 11 МБ в варианте LiteRT и около 5 МБ на Apple; время выполнения — менее 2 мс на устройстве. Поддерживаются 22 языка, включая русский, английский, китайский, арабский, хинди, японский и тайский. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

RubricTracing-9B-Item — модель для прогнозирования освоения учебных задач по рубрикам, разработанная авторами проекта Rubric Tracing на базе Qwen3.5-9B. Она получает на корейском языке историю решений ученика: условия задач, критерии оценивания, отметки Pass/Fail с пояснениями проверяющего и письменные рассуждения, а также условие, эталонное решение и рубрику целевой задачи. В ответ модель выдаёт JSON с прогнозом, удовлетворит ли ученик всем критериям целевой задачи. Модель с плотной архитектурой Qwen3_5ForCausalLM содержит 7,2 млрд параметров, использует формат safetensors и поддерживает контекст до 262 144 токенов. Это полное дообучение Qwen/Qwen3.5-9B на KT-PSP-25 — наборе по математике для корейских старшеклассников. В тестах сравнивались прогнозы на отложенной группе учеников; результаты показывают исследовательскую применимость для knowledge tracing, но не подтверждают пригодность для выставления оценок или принятия решений о конкретных учениках. Обучение и оценка охватывали только один набор данных, а метки были получены автоматической системой генерации и проверки рубрик, а не людьми. Поскольку порядок взаимодействий в наборе восстановить нельзя, история рассматривается как множество, и модель не проверена для последовательного моделирования. Лицензия — Apache-2.0.

Adventurousness_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста по признаку adventurousness («склонность к приключениям»); точное значение классов в карточке не раскрыто. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает последовательности длиной до 512 токенов. Доступна в формате safetensors под лицензией MIT. В README приведены результаты оценки: accuracy 0,5928 и F1 0,6139, поэтому качество классификации может быть ограниченным. Описание обучающего набора данных, определения меток и предполагаемых сценариев применения отсутствует.

TNEA-Advisor — модель AnbuKumaran A., дообученная на базе Qwen2.5-3B-Instruct для помощи абитуриентам при поступлении на инженерные программы в штате Тамилнад. Это плотный авторегрессионный трансформер семейства Qwen2 с 3,1 млрд параметров; LoRA-адаптер был объединён с базовой моделью, а репозиторий содержит самостоятельные веса Safetensors. Модель принимает текстовые сведения о проходном балле, категории общины и предпочтительном направлении, затем генерирует оценку государственного и категориального ранга и подбирает колледжи по уровням REACH, TARGET и SAFE. Она рассчитана на англоязычные запросы; заявленное родное контекстное окно — 32 768 токенов. Для локального запуска также упоминается отдельная 4-битная сборка GGUF q4_K_M. Дообучение использует более 100 000 исторических записей о проходных баллах по категориям за 2021–2025 годы из Директората технического образования Тамилнада. Карточка приводит оценку на 50 сценариях с автоматическим судейством, поэтому её результаты не подтверждают точность для всех реальных случаев. Модель выдаёт оценки по историческим данным, не является официальной системой приёма и не заменяет актуальные сведения DoTE/TNEA или консультацию специалиста; её работа вне узкой задачи поступления не проверена. Лицензия указана как other, без конкретизации условий в предоставленных данных.

SeongeonKimFineVT/gemma-2-9b-it_social_iqa — дообученная разговорная модель семейства Gemma 2, разработанная SeongeonKimFineVT на базе unsloth/gemma-2-9b-it-bnb-4bit с использованием Unsloth и Hugging Face TRL. По названию репозитория модель ориентирована на Social IQA — ответы на вопросы о повседневных социальных ситуациях и намерениях людей. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и принимает текст, выдавая текст. Контекст составляет 8192 токена. В метаданных указан английский язык и лицензия Apache-2.0. Карточка не сообщает результатов оценки качества на Social IQA, поэтому пригодность ответов стоит проверять на целевых примерах.

Yeongtak выпустил дообученную мультимодальную модель Qwen2.5-Omni-3B для исследований персонализации на бенчмарке Omni-Persona. Модель построена на Qwen/Qwen2.5-Omni-3B и содержит полностью объединённые веса без отдельного адаптера; архитектура — плотная Qwen2.5-Omni, файлы представлены в формате safetensors. Несмотря на обозначение 3B, в карточке указано 5,5 млрд параметров. Модель принимает текст, изображения и аудио в чередующихся контекстах и предназначена для выбора подходящей синтетической персоны по мультимодальной памяти, ответа на её основе или отказа от ответа, когда данных недостаточно. Она рассчитана на английский язык и проверялась на фиксированной конфигурации из четырёх чередующихся контекстов изображения, аудио и текста в одном запросе. В тесте RLVR повысил точность ответов на разрешимые вопросы, но снизил калиброванную точность и частоту корректных отказов. Это исследовательский чекпойнт, а не готовый продукт. Он не проверен для реальных распределений идентичностей и не предназначен для идентификации людей, биометрической верификации или аутентификации говорящего; ограничения базовой модели сохраняются, а безопасность отдельно не дообучалась. Лицензия указана как other, без конкретных условий в предоставленных данных.

Adventurousness_continuous — модель классификации последовательностей на базе DeBERTa-v3-base, дообученная автором ajrayman для оценки непрерывного показателя adventurousness по тексту. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт числовую оценку. В карточке приведены результаты оценки: RMSE 0,2366, MAE 0,1908 и корреляция 0,1251. Модель может применяться для исследовательской оценки выраженности «авантюрности» в текстах. Данные для обучения обозначены как None, а подробности целевой шкалы, разметки и предполагаемого применения не описаны; низкая корреляция на оценочной выборке ограничивает надёжность интерпретации предсказаний. Лицензия — MIT.

Модель vladinc/bigfive-regression-model разработана vladinc на основе distilbert-base-uncased и дообучена для регрессионной оценки пяти черт личности по модели «Большой пятёрки»: открытости опыту, добросовестности, экстраверсии, доброжелательности и нейротизма. Она принимает свободный текст на английском языке и выдаёт пять непрерывных оценок от 0,0 до 1,0. Модель основана на архитектуре BERT, содержит 136,7 млн параметров, использует контекст до 512 токенов и распространяется в формате safetensors. Модель предназначена для исследовательского анализа эссе, изучения текстовых профилей и образовательной обратной связи. Она обучена примерно на 8 700 эссе из набора jingjietan/essays-big5. Это не клинический инструмент: точность оценок экстраверсии и нейротизма ниже, а перенос результатов на короткие сообщения, другие культуры и демографические группы не подтверждён. Не следует использовать предсказания для диагностики, найма, юридических или иных значимых решений. Лицензия — MIT.

Argo1-OOV1 — дообученная модель на базе TinyLlama-1.1B-Chat-v1.0, разработанная для генерации текста с учётом заданной пользователем конечной цели. Она добавляет обученную ветвь goal-conditioning к замороженному чат-трансформеру TinyLlama: анализирует промпт слева направо, цель — справа налево и объединяет их, чтобы направлять генерацию. Модель содержит 1 121 021 953 параметра, из них около 21 млн обученных параметров ветви цели; архитектура включает 22 слоя шириной 2 048. Веса представлены в формате safetensors, для запуска автор рекомендует приложение TrajectoryLM. Модель предназначена для экспериментов с генерацией ответов, направляемой конечной целью, и поиском вариантов продолжения с помощью beam search, где выбираются маршруты с наименьшей накопленной отрицательной логарифмической вероятностью. Она основана на англоязычной чат-модели и обучалась на HuggingFaceTB/smol-smoltalk. Лицензия — Apache-2.0. Целевая ветвь может недостаточно влиять на генерацию или ухудшать её беглость ради лексического сходства с целью. Поиск может быть медленным, поскольку аудит вариантов повторно обрабатывает префиксы без KV-кэша. Низкая энергия означает высокую вероятность в распределении модели, а не физическую энергию, корректность ответа или оптимальность плана; README также отмечает, что целевая функция обучения сама по себе не доказывает достижение произвольных человеческих целей или превосходство над TinyLlama.

bdotloh/twitter-roberta-base-finetuned-twitter-user-desc — дообученная модель RoBERTa от разработчика bdotloh на основе cardiffnlp/twitter-roberta-base. Она обучалась на описаниях пользователей Twitter и предназначена для предсказания пропущенных токенов в тексте таких описаний. Модель содержит 151,8 млн параметров, принимает текст с маскированным фрагментом и выдаёт вероятные замены; максимальная длина контекста — 514 токенов. Доступны веса в формате PyTorch. На тестовой выборке указана perplexity 2,33 после 15 эпох обучения. Карточка не описывает дополнительные сценарии, качество на других данных или условия лицензии, поэтому результаты за пределами описаний пользователей Twitter не подтверждены.

huggingtweets/charlieykim — генеративная языковая модель, созданная Борисом Дайма с помощью проекта huggingtweets. Это GPT-2 на PyTorch, дообученная на твитах Charlie Kim: в карточке указано 3 248 загруженных твитов, включая 234 ретвита. Модель принимает текстовый запрос и продолжает его, имитируя стиль обучающих публикаций; заявленная длина контекста — 1 024 токена. Модель подходит для генерации коротких текстов в стиле исходных твитов и для экспериментов с персонализированной генерацией. Она унаследовала ограничения и смещения GPT-2, а содержание и особенности авторских твитов дополнительно влияют на результаты. Лицензия в предоставленных данных не указана.

huggingtweets/bladeecity — текстовая генеративная модель GPT-2, созданная Борисом Даймой в проекте HuggingTweets. Она дообучена на 1 620 твитах пользователя Aim Nothyng (@bladeecity) и предназначена для генерации коротких сообщений в похожем стиле, например продолжения заданного текста или создания вариантов твита. Модель использует архитектуру GPT-2, веса PyTorch и контекст длиной до 1 024 токенов; в карточке указан английский язык. Лицензия в предоставленных данных не указана.

huggingtweets/onlinepete-superpiss — генеративная языковая модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на твитах пользователей im pete online и xbox 720 и предназначена для генерации коротких текстов в похожем стиле, например продолжения заданной фразы или создания вариантов публикации. Модель принимает текст и выдаёт текст; базовый GPT-2 рассчитан на контекст до 1024 токенов. Обучающая выборка включала 3190 твитов im pete online и 201 твит xbox 720. Модель ориентирована на английский язык и может воспроизводить особенности, смещения и содержание исходных публикаций. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

huggingtweets/rusticgendarme — модель генерации текста на базе GPT-2, созданная Борисом Дайма с помощью проекта huggingtweets. Она дообучена на 3 220 твитах пользователя merz▫️▫️▫️▫️ и предназначена для генерации коротких текстов в стиле и тематике его публикаций. Модель принимает текстовую подсказку и продолжает её; контекст составляет 1 024 токена. Модель подходит для экспериментов с генерацией постов и имитацией стиля автора на английском языке. Это персональная модель по данным одного аккаунта, поэтому ответы отражают содержание и возможные смещения исходных твитов. Сохраняются общие ограничения GPT-2, включая вероятность неточных или нежелательных продолжений. В README не приведены условия лицензии.

semantic-lite — компактная многоязычная модель эмбеддингов, созданная разработчиком репозитория ukung на основе Qwen3-0.6B. Это плотная модель семейства Qwen3 с 6 слоями после сокращения исходных 28; метаданные указывают 231,1 млн параметров, а README — около 250 млн. Она преобразует текст в векторы размерности 1024 для семантического поиска, сравнения сходства, межъязыкового поиска, кластеризации, поиска дубликатов и парафраз, а также подготовки контекста для RAG и рекомендаций. Модель рассчитана на работу через sentence-transformers; в метаданных указан контекст до 40 960 токенов, тогда как README приводит максимум 8 192 токена. По карточке, модель наследует широкое языковое покрытие Qwen3; метаданные явно перечисляют английский, индонезийский, французский, испанский, немецкий, португальский, итальянский, нидерландский, японский, китайский, корейский, арабский, русский, вьетнамский, тайский, турецкий, польский, украинский, шведский, персидский, иврит и хинди. README сообщает о хорошем сходстве представлений в тесте на 22 языках и результатах выше all-MiniLM-L6-v2 на небольшом внутреннем индонезийском наборе. Лицензия — Apache-2.0. Нулевая классификация не поддерживается; короткие абстрактные запросы могут требовать асимметричных префиксов query:/passage:, а опубликованная оценка ограничена небольшим внутренним корпусом.

Contextual AI разработала ctxl-rerank-v2-instruct-multilingual-6b — плотную модель на архитектуре Mistral с 6,4 млрд параметров для ранжирования текстов. Она оценивает релевантность документов запросу и умеет учитывать пользовательские инструкции, например отдавать приоритет более свежим сведениям или разрешать противоречия между результатами поиска. Модель рассчитана на мультиязычный поиск более чем на 100 языках и сценарии поиска товаров и рекомендаций. Модель принимает запрос, документ и, при необходимости, инструкцию; выдаёт оценку релевантности, где более высокий балл означает более подходящий документ. README указывает контекст до 32 тысяч токенов, тогда как метаданные Hugging Face заявляют нативный контекст в 1 024 000 токенов; фактический поддерживаемый размер зависит от реализации и конфигурации. В карточке также описаны применение для ответов на вопросы и результаты на BEIR, однако это остаётся моделью ранжирования, а не генератором ответов. Лицензия CC BY-NC-SA 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение.

EmbeddingGemma — открытая модель для получения векторных представлений текста, разработанная Google DeepMind на основе Gemma 3 с инициализацией T5Gemma и использованием технологий, применявшихся при создании Gemini. Версия onnx-community/embeddinggemma-300m-ONNX предназначена для запуска через Transformers.js и ONNX Runtime. Модель подходит для семантического поиска и извлечения информации, ранжирования результатов, классификации, кластеризации и оценки семантического сходства текстов. Она принимает текстовые строки: вопросы, запросы или документы, и поддерживает контекст до 2048 токенов. Модель обучалась на данных более чем для 100 разговорных языков, однако конкретный список языков в карточке не указан. Модель содержит около 300 млн параметров и ориентирована на локальное и периферийное использование, включая мобильные устройства, ноутбуки и настольные компьютеры. Она возвращает эмбеддинги размерностью 768, а благодаря Matryoshka Representation Learning их можно обрезать до 512, 256 или 128 измерений с последующей нормализацией. Для активаций не поддерживаются fp16 и производные форматы; рекомендуется использовать fp32, q8 или q4. Ограничение модели — назначение исключительно для создания текстовых эмбеддингов, без генерации текста; сведения о детальных бенчмарках и фактической производительности отсутствуют. Лицензия — Gemma, условия использования опубликованы Google.