I.14Автоматизация процессов и AI-агенты

Eurus-RM-7B — плотная reward-модель семейства Mistral на 7,1 млрд параметров, разработанная командой OpenBMB. Модель обучена на смесях UltraInteract, UltraFeedback и UltraSafety с целевой функцией для оценки рассуждений и предпочтений в ответах.

Карточка модели arjunraim/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

FSNER — модель для распознавания именованных сущностей, реализованная sayef на основе подхода Example-Based Named Entity Recognition. Она использует few-shot подход без обучения на целевой области: по размеченным примерам сущностей определяет их фрагменты в новом домене, применяя идею вопросно-ответных систем. В карточке описаны подготовка примеров с маркерами сущностей и сценарии обучения и оценки; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Модель построена на BERT и опубликована в формате PyTorch. README указывает bert-base-uncased как предобученную основу для запуска trainer, но не уточняет явно, являются ли опубликованные веса дообученной копией этой модели. Лицензия в предоставленных сведениях не указана.

Gemma 3 – 1B IT GLM-4.7 Flash Heretic Uncensored Thinking — облегчённая инструкционно дообученная причинная языковая модель, созданная DavidAU на основе google/gemma-3-1b-it от Google. Модель содержит около 1 млрд параметров, ориентирована прежде всего на английский язык и сохраняет формат инструкций Gemma. Длина контекста в README не указана и должна считаться унаследованной от базовой модели. Модель предназначена для быстрого текстового вывода, лёгких AI-ассистентов, локального инференса, инструментальных агентных сценариев, экспериментов с промптами, образовательных и исследовательских задач. Ключевые особенности — компактный размер, низкие требования к VRAM, пригодность для CPU-инференса с квантизацией, короткие и средние по объёму генерации, а также ориентированность на прямые ответы и структурированное рассуждение. Указана совместимость с распространёнными движками инференса для Gemma; доступны форматы вроде GGUF, GPTQ и AWQ в зависимости от конкретной сборки. Это модифицированный вариант с уменьшенным числом отказов и минимальным уровнем встроенной фильтрации, поэтому он может быть удобен для контролируемых экспериментальных развёртываний, но требует самостоятельных мер безопасности, проверки результатов и соблюдения законодательства. Компактность обеспечивает высокую скорость, однако модель уступает более крупным системам в глубине рассуждений, объёме знаний и универсальности; точные показатели качества в README не приведены. Использование регулируется лицензией Gemma, унаследованной от базовой модели Google; необходимо ознакомиться с её условиями.

Это конвертированные в ONNX модели GigaAM v2, подготовленные для запуска через библиотеку onnx-asr. Репозиторий содержит варианты архитектуры CTC и RNN-T для автоматического распознавания речи; пример применения из карточки — транскрибация WAV-файла. Модель предназначена для распознавания русской речи по аудио. ONNX позволяет использовать её в совместимой среде выполнения, включая CPU-вариант onnx-asr. Репозиторий распространяется по лицензии MIT. Размер моделей и длина контекста в предоставленных данных не приведены.

GigaAM-v3 RNNT — модель распознавания речи, разработанная Sber и опубликованная в исходном виде в репозитории ai-sage/GigaAM-v3; эта версия подготовлена для loom.cpp. Она преобразует аудио в текст и рассчитана на распознавание русской и английской речи. В основе лежит архитектура Conformer с предсказанием RNNT. Репозиторий содержит неизменённые веса исходной модели, упакованные в один файл GGUF для запуска через loom-py-rt. Модель подходит для транскрибации аудиозаписей и обработки речи приложениями, использующими loom.cpp. Лицензия — MIT. Карточка не приводит численный размер модели или длину контекста; эти характеристики здесь не указаны.

rafmacalaba/gliner_agents_v3 — дообученная модель GLiNER Large v2.1 для извлечения упоминаний источников данных из текста документов. Она выделяет фрагменты трёх типов: именованные источники данных, описания источников без названия и общие упоминания данных. Модель подходит для разметки документных корпусов, поиска источников данных и последующего анализа извлечённых сущностей. Модель дообучена на датасете rafmacalaba/datause-agents-v3 в течение пяти эпох с точностью bf16. На отложенной выборке из 2 108 фрагментов при пороге 0,60 указаны precision 0,9204 и recall 0,7559; результаты зависят от типа метки: извлечение именованных источников заметно надёжнее, чем описательных упоминаний, а класс общих упоминаний представлен в оценке малым числом примеров. По README это англоязычные документные данные; длина контекста и размер модели не указаны в доступных сведениях. Модель распространяется по лицензии Apache-2.0.

Карточка модели Audio8/GPA-v1.5 на Hugging Face совпадает с карточкой Edge0/GPA-v1.5, поэтому описание составлено по ней. GPA v1.5 — разработанная AutoArk-AI единая авторегрессионная аудиоязыковая модель для распознавания речи и синтеза речи. Репозиторий содержит чекпойнт для PyTorch и Hugging Face Transformers, а также поддерживает дообучение через Trainer. В метаданных указаны архитектура ArkASR, около 504,7 млн параметров, контекст 32 768 токенов и форматы PyTorch и Safetensors; базовая модель — Qwen/Qwen3-0.6B. Модель предназначена для преобразования речи в текст и генерации речи по тексту с условием на референсный голос. В README описаны сценарии локального запуска и развёртывания сервисов, а также приведены оценки ASR на англоязычном LibriSpeech и китайском AISHELL-1. Карточка заявляет поддержку английского и китайского языков. Указанная лицензия — Apache-2.0. В нативной версии GPA v1.5 преобразование голоса пока обозначено как планируемая функция, поэтому не следует считать его доступной возможностью этого чекпойнта. Для работы TTS требуются отдельные ресурсы токенизатора Spark; оптимизированные ONNX-файлы размещены в отдельном репозитории.

Intern-S2-397B — мультимодальная базовая модель компании InternLM, предназначенная для научных задач, сложных рассуждений и длительных агентных сценариев. В метаданных указана архитектура семейства Qwen3.5 MoE и библиотека Transformers; карточка описывает визуально-языковое предобучение, многозадачное обучение с подкреплением и агентное обучение в интерактивных средах. Размер модели в предоставленных сведениях не указан. Модель принимает текст и изображения, включая необработанные страницы научной литературы, и умеет работать с временными рядами через LMDeploy. Её предполагаемые сценарии включают анализ научных материалов, решение специализированных научных задач, генерацию структур для биомолекул и материалов, а также выполнение длительных задач агентом с вызовом инструментов. README приводит оценивание текстовых задач при длине инференса до 256K токенов и мультимодальных — до 64K токенов; это параметры оценки, а не заявленная длина контекста модели. Карточка сообщает о поддержке режимов рассуждения и вызова инструментов, но не приводит список поддерживаемых естественных языков. Репозиторий использует safetensors и библиотеку Transformers; для развёртывания перечислены LMDeploy, vLLM и SGLang. Лицензия — Apache-2.0. Заявления о результатах основаны на бенчмарках, описанных авторами; для временных рядов README указывает поддержку инференса только в LMDeploy.

hotchpotch разработала японский reranker серии CrossEncoder. Модель оценивает пары «запрос — документ» совместно и присваивает им оценки релевантности, чтобы сортировать результаты поиска и уточнять ранжирование кандидатов. В README приведены результаты оценки на японских наборах данных, включая JQaRA, JaCWIR, MIRACL и JSQuAD. Модель построена на архитектуре BERT с классификационной головой и обучена для японского языка. Она принимает текст, выдаёт оценки релевантности и имеет контекст длиной до 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — MIT.

Arch-Function-Chat-1.5B-GGUF — это квантованный вариант языковой модели Arch-Function-Chat-1.5B, разработанной katanemo и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в диалоговом формате и, судя по названию исходной модели, ориентирована на сценарии, связанные с вызовом функций и взаимодействием с инструментами. В README также указано применение для text generation и поддержка английского языка. Модель имеет размер 1,5 млрд параметров; точные сведения об архитектуре, размере контекста и поддерживаемых модальностях не приведены. Репозиторий содержит варианты от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, скоростью и потреблением памяти. Рекомендуемые варианты обеспечивают высокое или хорошее качество при размере примерно от 0,9 до 1,33 ГБ, а BF16-версия занимает около 3,09 ГБ. Основные преимущества — компактность, возможность локального запуска через llama.cpp, LM Studio и другие совместимые проекты, а также широкий выбор квантованных вариантов для устройств с разным объёмом оперативной памяти. Более сильное квантование уменьшает требования к памяти, но может снижать качество генерации. Лицензия указана как katanemo-research; подробные условия доступны в LICENSE исходной модели.

Модель chunwoolee0/klue_ner_roberta_model — дообученная для классификации токенов версия klue/roberta-base, созданная на датасете KLUE. Она предназначена для разметки текста по токенам, в частности для распознавания именованных сущностей в корейском языке. Модель построена на архитектуре RoBERTa и содержит 137,8 млн параметров; максимальная длина контекста — 514 токенов. Для токенизации рекомендуется использовать BertTokenizer или AutoTokenizer из Transformers. В README приведены результаты на оценочной выборке: F1 0,9552, точность 0,9546, полнота 0,9557 и accuracy 0,9884. Эти значения относятся к указанной выборке и не гарантируют такое же качество на других данных. Условия лицензии в доступных сведениях не указаны.

Labira/LabiraPJOK_2_100_Full — модель вопросов и ответов на базе архитектуры BERT, дообученная разработчиком Labira на основе Labira/LabiraPJOK_1_100_Full. Она предназначена для извлечения ответа на вопрос из предоставленного текста. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате TensorFlow для библиотеки Transformers. В карточке приведены значения потерь на обучающей и проверочной выборках, но набор данных, языки и практические ограничения не описаны. Модель выпущена под лицензией MIT.

bunnycore/Llama-3.2-3B-Creative — объединённая языковая модель, созданная с помощью mergekit методом passthrough на основе bunnycore/Llama-3.2-3B-All-Mix и bunnycore/llama-3.2-3b-story-lora_model. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров; файлы представлены в формате safetensors, базовая точность — bfloat16. Модель предназначена для генерации текста и диалоговых, ролевых и творческих сценариев; контекст составляет до 131 072 токенов. Карточка также указывает интерфейс вызова инструментов. Модель может применяться для написания историй и ролевых диалогов, ответов на вопросы и суммаризации. Метаданные описывают базовую объединённую модель как способную к развёрнутым рассуждениям, но отдельные оценки качества для этой версии не приведены. Лицензия в предоставленных данных не указана.

llama3-8B-DarkIdol-2.3-Uncensored-32K — слитая методом Model Stock модель на архитектуре Llama 3, опубликованная aifeifei798. Она объединяет несколько предварительно обученных моделей; автор указывает в качестве базовой модель llama3-8B-DarkIdol-2.3b. Модель принимает текст и генерирует текст или код, ориентирована на англоязычное общение и ролевые сценарии, а также на развёрнутые ответы. Карточка сообщает о тестировании контекста до 32 тысяч токенов; метаданные указывают нативный контекст 131072 токена и размер 7,5 млрд параметров. Модель рассчитана на запуск в Transformers и совместимых приложениях для генерации текста, в том числе локально через варианты и инструменты из карточки. Автор описывает её как uncensored и адаптированную для разнообразных ролевых сценариев. В README есть упоминание vision через отдельный mmproj-файл для соответствующих сборок, однако метаданные текущего репозитория классифицируют модель как текстовую, а сама карточка называет текстовый ввод. Автор предупреждает, что ответы следует считать справочными и не доверять им полностью. Лицензия указана как llama3.

Это дообученная модель KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров для генерации текста и диалогов. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для разговорного взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, а её контекстное окно составляет 40 960 токенов. Модель опубликована в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Датасет дообучения, целевые сценарии, результаты оценки и специальные ограничения в карточке не описаны, поэтому качество для конкретных задач по имеющимся сведениям оценить нельзя.

Это дообученная модель KKHYA на 1,7 млрд параметров, созданная на основе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Контекст модели составляет до 40 960 токенов. Модель принимает текст и выдаёт текст. Датасет дообучения не описан, поэтому область специализации и качество на конкретных задачах по карточке определить нельзя. Распространяется под лицензией Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс вызова инструментов. Контекст составляет до 40 960 токенов. Модель загружает веса в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0. Данные обучения не описаны, поэтому область специализации и качество для конкретных задач определить нельзя.

algiraldohe/lm-ner-linkedin-skills-recognition — модель DistilBERT, дообученная algiraldohe для распознавания навыков в тексте профилей и вакансий LinkedIn. Она выполняет токенную классификацию: размечает фрагменты текста, соответствующие навыкам. Контекст модели составляет до 512 токенов. В README приведены результаты на наборе оценки: precision 0,9119, recall 0,9312, F1 0,9214 и accuracy 0,9912. Модель можно применять для извлечения навыков из профилей LinkedIn и анализа требований в описаниях вакансий. Данные обучения и подробные ограничения в карточке не описаны. Формат весов — PyTorch; лицензия в предоставленных данных не указана.

zer0int выпустил дообученную версию Long-CLIP ViT-L/14 с обучением на основе разреженного автоэнкодера (SAE) и состязательных примеров. Это модель семейства CLIP для сопоставления изображений с текстовыми описаниями и классификации изображений без примеров для заданных классов. Увеличенная длина текстового ввода позволяет лучше работать с длинными описаниями и следовать сложным промптам; автор также рекомендует её для использования с HunyuanVideo через специальный узел ComfyUI. Модель принимает изображения и текстовые описания, кодирует их для сопоставления и выдаёт оценки соответствия. Она рассчитана на сценарии zero-shot-классификации и поиска изображений по тексту, а также может служить текстовым энкодером в генеративных видеопроцессах. Опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

LongT5 local-large — англоязычная предобученная модель Google на архитектуре encoder-decoder Transformer, развивающая семейство T5. Она обучена генерировать текст по тексту в задаче денойзинга и использует локальное разреженное внимание для эффективной работы с длинными входными последовательностями. Модель содержит 385,2 млн параметров, поддерживает контекст до 4096 токенов по метаданным и доступна в форматах PyTorch и Flax. Модель предназначена прежде всего для дообучения на размеченных данных. После настройки её можно применять для генерации текста по длинным документам, включая суммаризацию и ответы на вопросы. Веса распространяются по лицензии Apache 2.0. README указывает, что LongT5 особенно эффективна для задач, требующих обработки длинного текста, и приводит длину до 16 384 токенов; это отличается от значения native_context_tokens в метаданных.

intanm/mbert-squadv2 — модель на архитектуре BERT, дообученная автором на bert-base-multilingual-cased на наборе данных SQuAD v2 для ответов на вопросы по предоставленному тексту. Она предсказывает ответ на основе контекста и может сигнализировать, что в контексте ответа нет. Модель содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Мультиязычная базовая модель позволяет применять её к текстам на нескольких языках; карточка не уточняет, на каких языках проводилось дообучение. На оценочной части SQuAD v2 указано значение Loss 0,9959, но других результатов и рекомендаций по использованию автор не приводит. Лицензия — Apache-2.0.

agentlans/mdeberta-v3-base-sentiment — многоязычная модель классификации тональности, разработанная на основе microsoft/mdeberta-v3-base и дообученная автором репозитория. Она оценивает текст и возвращает числовую оценку, соответствующую положительной, нейтральной или отрицательной тональности. Модель содержит 306 млн параметров, использует архитектуру DeBERTa V3 для классификации последовательностей и обрабатывает до 512 токенов контекста. Модель предназначена для анализа тональности текстов на языках, поддерживаемых базовой DeBERTa, в том числе для проверки сходства оценок переведённых текстов. При обучении использован датасет из 48 900 размеченных английских переводов; в карточке приведён пример проверки на английском, арабском, китайском, французском, русском и испанском. На отложенной выборке указана RMSE 0,4177. Это числовой показатель ошибки, поэтому его не следует трактовать как точность в процентах. Оценки могут хуже работать на текстах, отличающихся от обучающих данных, и не учитывают культурный контекст или знакомство читателя с темой. Результат может не совпадать с человеческим суждением и отражать смещения данных; модель не рекомендуется использовать как единственный критерий пригодности текста. Лицензия — MIT.

Mizan-Rerank-v3 — арабоязычный cross-encoder-реранкер от разработчиков семейства Mizan. Модель содержит около 305 млн параметров и дообучена на базе Alibaba-NLP/gte-multilingual-reranker-base на 71 тыс. арабских listwise-группах с трудными примерами, включая фрагменты с отрицаниями, подменой сущностей, чисел и дат. Она оценивает релевантность пары «запрос — фрагмент» и сортирует кандидатов для поиска и RAG, в частности в плотных религиозных и энциклопедических текстах. Модель рассчитана прежде всего на арабский язык. Архитектура принимает до 8192 токенов, однако обучение проводилось на последовательностях до 3072 токенов, а качество на длине свыше 3072 не измерялось. По данным README, она показывает хорошие результаты на арабских тестах и эффективна по скорости; выходной логит можно преобразовать сигмоидой в оценку релевантности, но это не калиброванная вероятность. Для работы требуется trust_remote_code=True. Лицензия — Apache-2.0.

tartuNLP/mmBERT-small-m-edu-classifier — мультиязычный классификатор образовательного качества текстов, разработанный tartuNLP на основе энкодера ModernBERT. Модель присваивает документу одну из шести меток: проблемный контент, отсутствие образовательной ценности, минимальный, базовый, хороший или отличный уровень. Она обучена оценивать полные документы длиной до 8192 токенов на смешанном наборе FineWeb с образовательными аннотациями. Модель содержит 140,5 млн параметров и использует архитектуру ModernBertForSequenceClassification. Её назначение — фильтрация и ранжирование веб-документов по образовательной ценности, в том числе на разных языках. Метаданные перечисляют широкий набор языковых тегов, а базовая модель описана как мультиязычный энкодер более чем для 1800 языков; фактическую поддержку каждого языка для классификатора следует проверять отдельно. Модель распространяется под лицензией MIT. В README приведена оценка на отложенной выборке, где каждый язык представлен как минимум один раз, однако численные результаты в доступной карточке отсутствуют. Качество оценок на отдельных языках и перенос на данные вне обучающего набора могут различаться.

MobileCLIP2-S2-OpenCLIP — веса модели MobileCLIP2-S2, разработанной Apple и адаптированные для использования с OpenCLIP: в репозитории применены стандартные конфигурации OpenCLIP и имена весов. Это двухбашенная модель, которая сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дообучения, а также для оценки сходства между изображением и текстом. Вариант S2 содержит 35,7 млн параметров в визуальной части и 63,4 млн в текстовой; в таблице результатов указана точность zero-shot на ImageNet-1k 77,2%. По данным авторов, S2 быстрее и компактнее сопоставляемой SigLIP ViT-B/16. Модель подходит для мобильных и других сценариев, где важны скорость и размер, например для классификации по пользовательским категориям и поиска изображений по текстовому запросу. Она принимает изображения и текстовые описания и выдаёт оценки соответствия; это не генеративная модель. Карточка не приводит сведения о поддерживаемых языках и длине контекста. Указана лицензия apple-amlr.

MobileCLIP-S2 — модель сопоставления изображений и текста, разработанная Apple и представленная в работе MobileCLIP на CVPR 2024. В этом репозитории опубликован чекпойнт для OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому варианту. Вариант S2 содержит визуальную часть на 35,7 млн параметров и текстовую на 63,4 млн параметров. По данным карточки, на ImageNet модель достигает 74,4% точности zero-shot top-1, а средний результат на 38 наборах данных составляет 63,7%. Авторы сообщают, что S2 работает в 2,3 раза быстрее и имеет в 2,1 раза меньше параметров, чем SigLIP ViT-B/16. Модель принимает изображения и текст, выдаёт оценки соответствия; сведения о поддерживаемых естественных языках и длине текстового контекста в карточке не приведены. Весá доступны в форматах PyTorch и safetensors и используются через OpenCLIP. Лицензия — Apple AMLR; перед применением следует проверить её условия. Описанные результаты относятся к оценкам авторов и не гарантируют качество на конкретных изображениях или наборах классов.

Modern-LiBERTa — украиноязычная модель Goader, созданная Майколой Галтиюком и Александером Смывиньским-Полем из AGH University of Krakow. Это предварительно обученный энкодер на архитектуре ModernBERT, рассчитанный на анализ украинского текста с длинным контекстом. Модель обучена на корпусе Kobza объёмом около 60 миллиардов токенов; размер модели — 408,7 млн параметров, длина контекста — до 8192 токенов. Модель предназначена для задач понимания и разметки текста, включая заполнение пропусков, распознавание именованных сущностей и определение частей речи. В оценках авторов она показала результаты на наборах NER-UK, WikiANN, UD POS и классификации новостей. Для токенизации используется код из репозитория модели, поэтому при загрузке токенизатора в Transformers требуется включить trust_remote_code. Модель работает с текстом на украинском языке и выдаёт контекстуальные представления для последующей обработки. Репозиторий распространяется по лицензии CC BY 4.0.

webis/monoelectra-large — модель ранжирования текстовых пар, представленная в работе Rank-DistiLLM, посвящённой повышению эффективности переранжирования пассажей. Это плотный cross-encoder семейства Mono на базе Google ELECTRA Large, дообученный для оценки релевантности пары запроса и текста. Модель предназначена для переранжирования найденных пассажей в поисковых системах и конвейерах поиска информации. Модель содержит около 433,9 млн параметров, принимает текст и выдаёт оценку для ранжирования. Максимальная длина контекста — 512 токенов. Репозиторий использует формат safetensors и библиотеку lightning-ir. Лицензия — Apache-2.0. В доступных сведениях не описаны языковое покрытие и дополнительные ограничения качества.

MonoPTT5-Large — португалоязычный реранкер на архитектуре T5, разработанный командой Unicamp-DL. Модель создана на основе unicamp-dl/ptt5-v2-large и дообучена в течение 100 тысяч шагов на смеси португальских и английских данных набора mMARCO. Она оценивает релевантность документов запросу, чтобы упорядочивать результаты поиска. Модель содержит 385,2 млн параметров, принимает текст и имеет контекст длиной до 512 токенов. Для применения авторы рекомендуют пакет rerankers с бэкендом Transformers. Модель распространяется по лицензии Apache-2.0. Основное назначение — реранжирование текстовых результатов на португальском языке; обучение также включало английские данные.