I.14Автоматизация процессов и AI-агенты

Jean-Baptiste/camembert-ner — модель распознавания именованных сущностей, созданная дообучением CamemBERT на французском датасете wikiner-fr, содержащем около 170 тысяч предложений. Она размечает токены как имена людей, организации, географические объекты, прочие сущности или текст вне сущностей. Модель предназначена для извлечения сущностей из французских текстов, в том числе электронных писем и чатов; автор сообщает, что на таких данных она лучше справлялась с сущностями, начинающимися со строчной буквы. Архитектура — CamemBERT для классификации токенов, около 137,8 млн параметров и контекст до 514 токенов. В README приведена общая оценка F1 0,8914; показатель F1 для имен людей — 0,9483. Доступны файлы PyTorch, Safetensors и ONNX. Модель распространяется по лицензии MIT. Качество зависит от типа текста и категорий сущностей: обучение проводилось на wikiner-fr, а приведённые метрики не гарантируют таких же результатов на других данных.

Chitrapathak-2 — мультимодальная OCR-модель от Krutrim AI Labs для распознавания печатного текста в документах на индийских языках и английском. Это дообученная версия Nanonets-OCR2-3B с архитектурой Qwen2.5-VL: визуальный энкодер обрабатывает изображение, а декодер на 3,1 млрд параметров формирует текст. Модель доступна через Transformers и vLLM, поддерживает контекст до 128 000 токенов. Модель предназначена для извлечения текста со страниц книг, PDF и сканов. Она рассчитана на хинди, санскрит, бенгальский, телугу, тамильский, маратхи, каннада, малаялам, одия, панджаби и английский; особенно сильные результаты заявлены для телугу. Модель сохраняет структуру многоколоночных страниц и плотных абзацев, но её назначение ограничено OCR: она возвращает транскрипцию и не предназначена для более широкого анализа документов. Качество может снижаться на рукописном, зашумлённом или низкокачественном изображении, редких письменностях, формах и сложных страницах указателей. Лицензия в метаданных указана как other; конкретные условия следует сверить с карточкой модели.

Clarus-7B-v0.1 — языковая модель на архитектуре Qwen2, созданная методом SLERP merge из gz987/qwen2.5-7b-cabs-v0.3 и gz987/qwen2.5-7b-cabs-v0.4. Разработчик объединил предварительно обученные модели с помощью mergekit; число параметров составляет 7,1 млрд, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения на английском языке. Метаданные также отмечают интерфейс вызова инструментов. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но они не гарантируют качество на конкретных задачах. Модель распространяется по лицензии MIT.

Репозиторий philschmid/clip-zero-shot-image-classification — форк openai/clip-vit-base-patch32, настроенный для задачи классификации изображений без предварительного обучения на заданных классах. Он предназначен для вызова через Hugging Face Inference Endpoints: запрос содержит изображение в Base64 и список текстовых кандидатов, а модель определяет соответствие изображения этим описаниям. В основе лежит архитектура CLIP; в метаданных указан формат PyTorch. README не сообщает размер модели, длину контекста или языковые ограничения. Лицензия в предоставленных данных не указана.

vikp/column_detector — модель на базе LayoutLMv3, предназначенная для определения числа колонок на изображениях страниц PDF. Она используется в Marker для анализа структуры страницы и может помогать выбирать подходящую схему чтения при извлечении содержимого документа. Модель имеет 151,8 млн параметров, реализована на PyTorch и принимает входные данные длиной до 514 токенов. Модель относится к классификации текста по метке Hugging Face, а её архитектура — LayoutLMv3ForSequenceClassification. Для работы с изображениями страниц она использует информацию о макете документа. README не уточняет набор выходных классов, метрики качества и лицензию, поэтому их нельзя описать точнее.

Cybertron v4 qw7B MGS — диалоговая плотная трансформерная модель на 7,1 млрд параметров, разработанная fblgit и основанная на Qwen2.5-7B-Instruct. Она дообучена методом SFT на датасете Magpie-Align/Magpie-Qwen2.5-Pro-1M-v0.1 и предназначена для генерации текста и ответов в диалоге; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет заявленную длину контекста 131 072 токена. В карточке автор заявляет высокие результаты в классе моделей 7B–8B и приводит оценки Open LLM Leaderboard, включая 62,64 на IFEval и 37,04 на BBH; эти результаты относятся к указанной автором оценке. Для модели указана лицензия other, поэтому условия использования следует сверить с лицензией и файлами репозитория. В README упоминается подход MGS, но его расшифровка и подробности не раскрыты.

Карточка модели Hacking2188/deberta-v3-large-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/deberta-v3-large-zeroshot-v2.0, поэтому описание составлено по ней. Moritz Laurer разработал эту модель для классификации текстов без размечающих примеров. Она дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V2 для оценки того, следует ли гипотеза из текста: «верно» или «неверно». Через pipeline Hugging Face этот формат можно применять к разным задачам классификации, задавая формулировки классов и шаблон гипотезы. Модель содержит 533,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её можно запускать на CPU и GPU. В приведённом сравнении она показала более высокую среднюю оценку F1 на 28 задачах классификации, чем указанные модели BART, RoBERTa и базовая DeBERTa, хотя скорость работы ниже, чем у RoBERTa. Карточка отмечает, что формулировки гипотез и названий классов могут влиять на результат. Модель предназначена только для классификации текста. Возможны смещения, унаследованные от базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT; упомянутая в карточке гарантия коммерческой пригодности обучающих данных относится к вариантам с суффиксом «-c», которого в имени этой модели нет.

Карточка модели TigerByteCyber/deberta-v3-large-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/deberta-v3-large-zeroshot-v2.0, поэтому описание составлено по ней. Moritz Laurer разработал эту модель для классификации текстов без размечающих примеров. Она дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V2 для оценки того, следует ли гипотеза из текста: «верно» или «неверно». Через pipeline Hugging Face этот формат можно применять к разным задачам классификации, задавая формулировки классов и шаблон гипотезы. Модель содержит 533,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её можно запускать на CPU и GPU. В приведённом сравнении она показала более высокую среднюю оценку F1 на 28 задачах классификации, чем указанные модели BART, RoBERTa и базовая DeBERTa, хотя скорость работы ниже, чем у RoBERTa. Карточка отмечает, что формулировки гипотез и названий классов могут влиять на результат. Модель предназначена только для классификации текста. Возможны смещения, унаследованные от базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT; упомянутая в карточке гарантия коммерческой пригодности обучающих данных относится к вариантам с суффиксом «-c», которого в имени этой модели нет.

Модель elastic/distilbert-base-uncased-finetuned-conll03-english — англоязычная модель распознавания именованных сущностей, созданная Elastic на основе DistilBERT base uncased и дообученная на наборе CoNLL-2003. Она классифицирует токены текста, выделяя сущности согласно меткам этого набора данных. Модель принимает текст, не различает заглавные и строчные буквы и поддерживает контекст длиной до 512 токенов. Она подходит для извлечения сущностей из англоязычных текстов; регистр букв не помогает ей различать имена и обычные слова. Для обработки с учётом регистра в карточке рекомендована версия distilbert-base-cased-finetuned-conll03-english. Модель распространяется по лицензии Apache-2.0.

Eve-2-MoE-IT-272M — модель на 272 млн параметров с архитектурой MoE и причинным языковым моделированием, созданная Энтони Майо (Public Outputs). Она дообучена для следования инструкциям и задумана как компактная основа для специализированных моделей семейства Eve Swarm, выполняющих узкие преобразования вроде генерации SQL, создания Git-коммитов и извлечения JSON. В карточке также описаны примеры специализированных моделей для вызова функций и обработки документов. Модель ориентирована на небольшое потребление ресурсов и развёртывание на CPU; формат весов в репозитории — PyTorch и SafeTensors. В README автор описывает обучение на NVIDIA H200 и рекомендует создавать узких специалистов на парах «вход — желаемый результат», поскольку модель быстро запоминает данные. Лицензия — MIT. Английский указан как язык карточки; размер контекстного окна не приведён в доступных сведениях.

FineLlama-3.1-8B-v2 — дообученная kkopalle диалоговая модель генерации текста на архитектуре Llama 3.1. Она основана на unsloth/Meta-Llama-3.1-8B-Instruct и рассчитана на чат и создание текстовых ответов; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. В карточке указана лицензия Apache-2.0. Метаданные обозначают английский язык; специальных предметных областей или дополнительных ограничений в предоставленной карточке не описано.

HuggingFaceM4 опубликовала дообученную на наборе Docmatix модель Microsoft Florence-2 для ответов на вопросы по документам и изображениям. README сообщает, что обучение длилось один день и использовало 5% данных Docmatix с learning rate 1e-6; библиотека для работы с моделью — Transformers, веса представлены в формате safetensors. Модель принимает изображение и текстовый запрос и формирует текстовый ответ. Карточка указывает английский язык и лицензию MIT. В метаданных базовой моделью названа microsoft/Florence-2-base-ft, тогда как README указывает Florence-2-large-ft; точный размер и контекст в предоставленных данных не приведены.

WebOrganizer/FormatClassifier — англоязычный классификатор веб-страниц, разработанный WebOrganizer. Он относит содержимое к одной из 24 категорий, используя URL страницы и её текст; вход подаётся в формате, где сначала указан URL. Модель основана на энкодере Alibaba-NLP/gte-base-en-v1.5 и дообучена для классификации последовательностей. В карточке указаны 136,7 млн параметров, контекст до 8192 токенов и формат весов safetensors. Модель подходит для автоматической сортировки веб-страниц и организации больших коллекций онлайн-контента по типу материала. Обучение проводилось в два этапа на аннотациях Llama: сначала на наборе из 1 млн документов, затем на 100 тыс. документов. README рекомендует для эффективного инференса реализацию gte-base-en-v1.5 с unpadding и memory efficient attention, требующую xformers. Лицензия в предоставленных данных не указана.

Это дообученная модель Gemma 4 E2B IT, созданная armand0e на базе unsloth/gemma-4-E2B-it с помощью Unsloth и библиотеки TRL. Она предназначена для диалогового взаимодействия и представлена как дистилляция рассуждений Claude Opus; README сообщает об ускоренном обучении, но не описывает обучающие данные или методику дистилляции. Модель относится к семейству Gemma 4, имеет плотную архитектуру условной генерации и опубликована в формате safetensors. Метаданные указывают на интерфейс для чата и вызова инструментов, а также на задачу any-to-any. Лицензия — Apache-2.0. Подробности о размере, контексте и поддерживаемых языках в предоставленных данных отсутствуют.

GLuCoSE-base-ja-v2 — японская модель эмбеддингов текста, разработанная Chihiro Yano, Mocho Go, Hideyuki Tachibana, Hiroto Takegawa и Yotaro Watanabe. Это дообученная дистилляцией и многоэтапным контрастивным обучением версия GLuCoSE-base-ja на основе архитектуры LUKE; она создаёт векторные представления предложений и фрагментов текста для поиска и сравнения смысла. Модель содержит 138,4 млн параметров, выдаёт эмбеддинги размерностью 768 и поддерживает контекст до 512 токенов по README и 514 токенов по метаданным. Для запросов и документов при инференсе требуются префиксы «query: » и «passage: » соответственно; близость оценивают косинусным сходством. Модель ориентирована на японский язык и задачи поиска: по описанию авторов, она показывает высокие результаты среди моделей сопоставимого размера в MIRACL и других тестах. Может работать на CPU и доступна через библиотеку Sentence Transformers. Подходит для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Распространяется по лицензии Apache-2.0. Результаты зависят от корректного добавления префиксов и соответствия корпуса японскому языку.

GME-Qwen2-VL-7B — мультимодальная модель эмбеддингов Tongyi Lab, подразделения Alibaba Group, дообученная на основе Qwen2-VL-7B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторные представления для поиска по тексту и изображениям, включая поиск между модальностями и визуальный поиск по скриншотам документов. Модель использует архитектуру Qwen2-VL, содержит 7,1 млрд параметров по метаданным, поддерживает контекст до 32 768 токенов и динамическое разрешение изображений; размер вектора — 3584. В README сообщается о высоких результатах на бенчмарках UMRB и MTEB, в том числе для задач мультимодального поиска и поиска по сложным документам, например научным статьям. Модель обучалась только на английских данных, поэтому качество мультимодальных эмбеддингов для других языков не гарантируется. В текущей версии поддерживается одно изображение на вход; число визуальных токенов ограничено 1024. Лицензия — Apache-2.0; при распространении модели, производных работ или продуктов с её использованием необходимо заметно указывать «Built with GME», а имена распространяемых моделей, созданных с использованием её выходов, должны начинаться с «GME».

Карточка модели HiTZ/GoLLIE-13B на Hugging Face совпадает с карточкой KaraKaraWitch/HiTZ-GoLLIE-13B-AsSafeTensors, поэтому описание составлено по ней. GoLLIE 13B — языковая модель для извлечения информации, разработанная Оскаром Саинсом, Икером Гарсия-Ферреро, Родриго Агерри, Ойером Лопесом де ла Калье, Германом Ригау и Энеки Агирре из центра HiTZ Университета Страны Басков. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров и контекстом до 16 384 токенов, представленная в формате Safetensors и дообученная на основе CODE-LLaMA2. Модель предназначена для извлечения именованных сущностей, событий и отношений по заданным схемам. Она следует подробным инструкциям и определениям разметки, поэтому подходит для zero-shot задач и позволяет задавать схему извлечения во время работы, в том числе для ранее не встречавшихся задач. В карточке приведены результаты на английском языке: средний F1 56,0 для zero-shot и 73,9 для supervised оценки GoLLIE-13B. Основной язык модели — английский. Модель генерирует текст, поэтому извлечённые результаты выдаются в текстовом формате по схеме пользователя. Для базовой модели и объединённой модели указана лицензия LLaMA 2; LoRA-адаптеры проекта распространяются по Apache 2.0. Результаты и поддерживаемые схемы зависят от формулировки инструкций и качества заданных определений.

GoLLIE-34B — языковая модель для извлечения информации, разработанная исследователями HiTZ Basque Center for Language Technology и Университета Страны Басков. Модель дообучена на базе CODE-LLaMA2 и использует архитектуру LLaMA с 33,5 млрд параметров и контекстом до 16 384 токенов. GoLLIE обучена следовать подробным инструкциям и схемам аннотации, заданным пользователем, включая определения меток. Она предназначена для извлечения сущностей, отношений и событий из текста; схема может задаваться для конкретной задачи, что позволяет применять модель в zero-shot сценариях и к задачам, не встречавшимся при обучении. В карточке указаны результаты на наборах задач по извлечению информации, где версия 34B показала лучший среди представленных размеров результат. Основной язык — английский. Для запуска доступны веса PyTorch; модель предназначена для генерации текста, структурированного по заданной схеме. Используется лицензия LLaMA 2, условия которой следует соблюдать при применении и распространении.

Модель ertghiu256/Granite-4.1-3b-coder — дообученная автором ertghiu256 версия Granite-4.1-3b от IBM, ориентированная на генерацию кода. Она предназначена для написания и дополнения кода, а также для диалогового взаимодействия по задачам программирования. Архитектура — плотная причинная языковая модель GraniteForCausalLM на 3,4 млрд параметров с контекстом до 131 072 токенов; репозиторий содержит веса в формате safetensors. В карточке указаны английский язык, чат и интерфейс вызова инструментов. Модель в основном обучалась на коде Python, поэтому для других языков программирования качество может быть ниже. Лицензия — Apache-2.0.

Grug 67B A2B Datakit SFT 262K — контрольная точка Grug MoE после дообучения с учителем на подборке данных для агентных сценариев и рассуждений. Модель подготовлена open-athena на основе неопубликованной базовой контрольной точки; использованы данные OpenThoughts code, SWE-ZERO, Penfever, NuminaMath и наборы GLM для следования формату и уплотнения контекста. Это отдельный запуск SFT от выпуска 11 сентября 2026 года. Архитектура GrugMoeForCausalLM содержит 67 млрд параметров, из которых примерно 2 млрд активны на токен; используются 256 маршрутизируемых экспертов с выбором четырёх экспертов и один общий эксперт. Модель принимает текст и поддерживает генерацию в формате чата, интерфейс вызова инструментов и режим рассуждений. Контекст настроен на 262 144 токена, однако качество на длинном контексте не проверено. Для запуска требуется среда с поддержкой Grug MoE; совместимость со стандартным Transformers и заявленным рантаймом пока не подтверждена. Контрольная точка не прошла надлежащее тестирование или оценку: для неё нет установленных результатов генерационных проверок и бенчмарков, поэтому качество, безопасность и численная эквивалентность не подтверждены. Опубликована под лицензией OpenMDW-1.1.

GyroScope — модель компьютерного зрения от LH-Tech-AI для определения ориентации изображения с шагом 90° и автоматического выбора корректирующего поворота. Это ResNet-18, обученная с нуля без предварительно обученных весов; размер модели — 11,2 млн параметров. Модель принимает RGB-изображения размером 224 × 224 и классифицирует их как повёрнутые на 0°, 90°, 180° или 270°. Для обучения использовались изображения ImageNet-1k; в README указана точность на проверочной выборке около 79,8%. Модель предназначена для автоматического исправления ориентации фотографий и изображений в конвейерах обработки данных. Лицензия — Apache-2.0. Модель может ошибаться на симметричных изображениях, где ориентацию трудно определить, и её качество может снижаться на документах, медицинских и спутниковых изображениях, а также абстрактных изображениях. Она определяет только повороты с шагом 90° и не поддерживает произвольные углы.

Harness-1 — поисковый агент на базе gpt-oss-20b, опубликованный pat-jj. Это дообученная и объединённая с базовой моделью контрольная точка; веса доступны в формате safetensors для Transformers. Модель предназначена для поиска и извлечения сведений из веб-материалов, патентов, финансовой отчётности SEC и корпуса BrowseComp+. README описывает обучение на 899 траекториях SFT и 3 453 примерах SEC для RL, а также указывает корпусные данные для поиска. Метаданные задают архитектуру GPT-OSS MoE, задачу генерации текста, чат-возможность и контекст до 131 072 токенов. Для работы с опубликованными корпусами потребуется отдельный поисковый контур; сам репозиторий модели содержит веса. Лицензия в предоставленных данных не указана.

HerBERT Polish Legal NER — модель токенной классификации для обнаружения персональных данных в польских юридических и административных документах. Она разработана Lexedit и дообучена на базе allegro/herbert-base-cased, архитектура — BERT; модель содержит 151,6 млн параметров и поддерживает контекст до 514 токенов. Модель помечает сущности BIO-тегами, включая имена людей и организаций, адреса, электронную почту, телефоны, идентификаторы, IBAN и медицинские сведения. Она предназначена для выявления данных перед маскированием или анонимизацией, в том числе при локальной обработке через ONNX; формат репозитория включает ONNX и Safetensors. Сильная сторона этой версии — обнаружение PII в чистых цифровых польских документах. По внутренней оценке на небольшой выборке F1 на уровне токенов составляет около 0,94, однако пропуски остаются, поэтому модель не гарантирует полную анонимизацию и для важных случаев требует дополнительных проверок. На сканированном или сильно искажённом OCR-тексте она работает хуже; README рекомендует для таких документов OCR-устойчивый вариант. Модель распространяется по лицензии CC BY 4.0.

GoLLIE 13B — языковая модель для извлечения информации, разработанная Оскаром Саинсом, Икером Гарсия-Ферреро, Родриго Агерри, Ойером Лопесом де ла Калье, Германом Ригау и Энеки Агирре из центра HiTZ Университета Страны Басков. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров и контекстом до 16 384 токенов, представленная в формате Safetensors и дообученная на основе CODE-LLaMA2. Модель предназначена для извлечения именованных сущностей, событий и отношений по заданным схемам. Она следует подробным инструкциям и определениям разметки, поэтому подходит для zero-shot задач и позволяет задавать схему извлечения во время работы, в том числе для ранее не встречавшихся задач. В карточке приведены результаты на английском языке: средний F1 56,0 для zero-shot и 73,9 для supervised оценки GoLLIE-13B. Основной язык модели — английский. Модель генерирует текст, поэтому извлечённые результаты выдаются в текстовом формате по схеме пользователя. Для базовой модели и объединённой модели указана лицензия LLaMA 2; LoRA-адаптеры проекта распространяются по Apache 2.0. Результаты и поддерживаемые схемы зависят от формулировки инструкций и качества заданных определений.

ICONN-1-Mini-Beta — компактная разговорная языковая модель с 7 млрд параметров, разработанная ICONNAI на собственной архитектуре ICONN. Модель предназначена для генерации текста и диалогового взаимодействия; каталог также указывает интерфейс вызова инструментов. Она опубликована в формате Safetensors и рассчитана на контекст до 65 536 токенов. Модель позиционируется как облегчённый вариант семейства ICONN 1 для приложений, которым нужна разговорная генерация при сравнительно небольшом размере модели. В карточке заявлены естественное понимание и создание текста, однако конкретные результаты оценки качества и поддерживаемые языки не приведены. Лицензия — Apache 2.0.

Instruct-codegen-16B — модель генерации кода, разработанная на основе Salesforce CodeGen-16B-multi и дообученная на 250 тысячах примеров с инструкциями в формате Alpaca. Она предназначена для генерации кода по текстовым запросам и выполнения инструкций, связанных с программированием. Модель использует архитектуру CodeGenForCausalLM; размер — 16 млрд параметров, контекст — до 2048 токенов. В README указан результат 37,1% pass@1 на бенчмарке HumanEval. Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Данные для дообучения, согласно карточке, не генерировались коммерческими LLM API. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD-3-Clause. Языки программирования и показатели качества на других задачах в карточке не перечислены.

jina-embeddings-v5-omni-nano-text-matching — мультимодальная модель эмбеддингов от Jina AI, настроенная на сопоставление текста. Она принимает текст, изображения, видео и аудио и преобразует их в общий векторный простор, согласованный с текстовой моделью jinaai/jina-embeddings-v5-text-nano-text-matching. Модель содержит около 0,95 млрд параметров и выдаёт эмбеддинги размерностью 768; поддерживаемая задача — text-matching. Модель предназначена для поиска и сопоставления, когда документы индексируются текстом, а запрос может поступать в виде изображения, видео или аудио. Видео представлено кадрами: звуковая дорожка автоматически не учитывается, её нужно передавать отдельно. Для текстовых документов требуется префикс «Document: ». Доступны веса в формате safetensors, библиотека Transformers и интеграция с Sentence Transformers и vLLM. Это дообученный вариант jinaai/jina-embeddings-v5-omni-nano с настройкой на сопоставление текста. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; перед применением следует проверить её условия.

KR-X-AI выпустила дообученную языковую модель Qwen2.5-7B-Instruct для генерации текста и диалогов. Модель основана на unsloth/qwen2.5-7b-instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Она предназначена для генерации ответов в чате; в метаданных также указана поддержка интерфейса вызова инструментов. Указан английский язык. Модель распространяется под лицензией Apache-2.0. Карточка не сообщает специализированную область применения или результаты оценки качества.

LAMAR — многоязычный cross-encoder-реранкер на 658,7 млн параметров, разработанный NLP AI Lab и предназначенный для поиска, в котором важны и тематическая релевантность, и совпадение языка запроса и документа. Модель дообучена на базе BAAI/bge-m3-retromae в два этапа: сначала для многоязычного выравнивания релевантности, затем для согласования языков запроса и документа. На вход подаётся пара «запрос — документ» общим размером до 8 192 токенов. На выходе модель выдаёт числовую оценку релевантности; более высокое значение означает, что документ следует поставить выше в выдаче. LAMAR подходит для многоязычного и межъязыкового поиска, а также для отбора документов перед передачей в систему генерации с поиском (RAG). Модель обучалась на 51 языке и оценивалась на 31; в карточке отмечены сильные результаты по языковой согласованности и конкурентные результаты на нескольких наборах для ранжирования. Модель предназначена для повторного ранжирования уже найденных кандидатов, а не для генерации ответов или поиска документов самостоятельно. Качество может зависеть от языка и набора данных; приведённые в README результаты относятся к указанным бенчмаркам. Модель распространяется по лицензии MIT.

Redis дообучила эту модель Cross-Encoder на базе Alibaba-NLP/gte-reranker-modernbert-base для оценки релевантности пар текстов в задачах семантического кэширования LangCache. Модель принимает пару текстов и выдаёт один числовой score, который можно использовать для классификации пар и ранжирования ответов или документов по запросу. Модель построена на ModernBERT, содержит около 149 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Она обучена на англоязычном наборе LangCache Sentence Pairs из 1 452 533 примеров с помощью sentence-transformers и MultipleNegativesRankingLoss. Лицензия — Apache-2.0.