I.1Поиск и навигация по информации

perceptiveshawty/compositional-bert-large-uncased — англоязычная модель на архитектуре BERT Large без учёта регистра, разработанная пользователем или организацией perceptiveshawty для оценки семантического сходства предложений. Модель предназначена для сравнения текстов, поиска похожих предложений и построения систем семантического сопоставления. Модель содержит около 433,9 млн параметров, работает через библиотеку Transformers и поддерживает контекст до 512 токенов. В качестве источников обучения указаны datasets-for-compcse и datasets-for-simcse. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

jjduquec/conflubot_embed_model — дообученная модель SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанная владельцем репозитория jjduquec. Это энкодер предложений на архитектуре BERT: он преобразует текст в плотные векторы размерности 384 и нормализует их; близость можно оценивать косинусным сходством. Модель дообучена на триплетах из 306 636 обучающих примеров и рассчитана на сравнение предложений и абзацев, семантический поиск, поиск перефразировок, классификацию и кластеризацию текстов. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Доступен формат safetensors; для работы заявлена библиотека Sentence Transformers. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Модель основана на англоязычном энкодере; сведения о её оценке на независимых наборах данных не приведены.

Kyleiwaniec/COS_TAPT_n_RoBERTa-sts-e3_CosineSimilarityLoss_2023-10-16 — модель на базе RoBERTa, обученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 1024 и подходит для поиска семантически близких текстов, кластеризации и сравнения сходства предложений. Для работы доступны Sentence-Transformers и Hugging Face Transformers; заявленная длина контекста — 514 токенов, размер модели — 454,1 млн параметров. В карточке указано обучение с CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления; сведения о поддерживаемых естественных языках и специализированных прикладных областях отсутствуют. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

nickprock/cross-encoder-italian-bert-stsb — модель на основе архитектуры BERT, обученная с помощью класса Cross-Encoder библиотеки Sentence Transformers. Она оценивает семантическое сходство пары предложений на итальянском языке, выдавая оценку от 0 до 1; обучалась на итальянском переводе набора STS Benchmark, обозначенном в метаданных как stsb_multi_mt. Модель содержит 137,1 млн параметров и принимает пары текстов длиной до 512 токенов контекста. Модель подходит для ранжирования результатов поиска по смысловому сходству и сравнения итальянских предложений. В отличие от двухбашенных энкодеров, Cross-Encoder совместно обрабатывает оба текста, поэтому оценка относится к конкретной паре и может использоваться для переранжирования кандидатов. Базовая модель — dbmdz/bert-base-italian-uncased. Распространяется по лицензии MIT.

Модель check2207/CS221_vietnamese_embedding — дообученный Sentence Transformer на базе AITeamVN/Vietnamese_Embedding, разработанный для получения плотных векторных представлений предложений и абзацев. Архитектура использует XLM-RoBERTa с пулингом CLS и нормализацией; размер эмбеддинга — 1024 измерения. Модель принимает текст и сопоставляет его с другими текстами по косинусному сходству, в том числе для поиска и извлечения релевантных документов. В карточке заявлена поддержка текстовой модальности и максимальная длина последовательности 256 токенов. Модель обучалась на 3257 примерах с anchor, positive и negative парами и подходит для семантического поиска по вьетнамским текстам; базовая модель описана как эмбеддер для вьетнамского языка на основе BGE-M3. Лицензия в предоставленных данных не указана.

michaelfeil/ct2fast-LaBSE — версия модели LaBSE, подготовленная для быстрого инференса через CTranslate2. Это BERT-энкодер предложений, разработанный Google: модель строит многоязычные эмбеддинги предложений и подходит для поиска соответствий между текстами на разных языках. Исходная LaBSE обучалась для 109 языков с использованием masked language modeling и translation language modeling. Вариант CTranslate2 предназначен для снижения потребления памяти и ускорения инференса на CPU или GPU; в README заявлено сокращение памяти в 2–4 раза при использовании int8. Размер модели — около 498,1 млн параметров, длина контекста — 512 токенов. Репозиторий указывает лицензию Apache-2.0. Метаданные включают языковые теги для 60 языков, а карточка описывает исходную LaBSE как модель для 109 языков.

Это Sentence Transformer, дообученный Danica Fisher на базе sentence-transformers/all-MiniLM-L6-v2. Модель кодирует предложения и абзацы в плотные семантические векторы размерности 384; архитектура включает BERT-энкодер, усреднение токенных представлений и нормализацию. Для сравнения векторов применяется косинусное сходство. В README указана максимальная длина последовательности 256 токенов, а в метаданных каталога — нативный контекст 512 токенов. Модель предназначена для семантического сравнения текстов, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов. Она принимает текст и выдаёт векторы, пригодные для вычисления сходства и последующей обработки. Обучение описано как дообучение на 274 парах предложений с MultipleNegativesRankingLoss. Базовая модель ориентирована на английский язык; карточка не сообщает о дополнительных языках. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformers на базе DistilBERT, дообученная авторами Sentence Transformers на датасете разделов Википедии sentence-transformers/wikipedia-sections. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантической близости и поиска текстов по смыслу. Модель использует DistilBertModel с усреднением токенных представлений; сходство рекомендуется оценивать косинусной мерой. Модель подходит для семантического поиска по англоязычным документам, сравнения предложений, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Максимальная длина входной последовательности — 512 токенов. В тесте TripletEvaluator на тестовом наборе wikipedia-sections точность по cosine_accuracy составила 0,70; результат характеризует оценку на этом наборе и не гарантирует такую же точность на других данных. Лицензия в предоставленных сведениях не указана.

much1na/distil-cohere-v1-ckpt — дообученная модель Sentence Transformers на базе BERT google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BertModel с усредняющим pooling; сходство векторов можно оценивать косинусной мерой. Модель принимает только текст, поддерживает последовательности длиной до 512 токенов и содержит 40,8 млн параметров. В карточке указано обучение на наборе parquet из примерно 3,81 млн примеров, а метаданные описывают её как модель эмбеддингов. Базовая модель англоязычная, поэтому основное применение — представление английских текстов. Лицензия в доступных данных не указана.

Это англоязычная модель Sentence Transformers на базе distilbert/distilroberta-base, дообученная разработчиком tomaarsen на наборе sentence-transformers/all-nli. Модель кодирует предложения и абзацы в плотные векторы размерностью 768; для сравнения векторов используется косинусное сходство. Архитектура включает RoBERTa-трансформер с усреднением токенных представлений, а параметры хранятся в формате safetensors. Размер модели — 95,2 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В карточке приведены результаты оценки сходства на STS-dev и STS-test. Она принимает текст и выдаёт векторы, поэтому для поиска и классификации обычно требуется отдельный индекс или классификатор. Лицензия в предоставленных данных не указана.

facebook/dragon-plus-context-encoder — контекстный энкодер DRAGON+, плотной модели для семантического поиска, разработанной исследовательской группой DRAGON. Это BERT-base размера, обученный на основе Shitao/RetroMAE с дополнительным обучением на данных, расширенных из корпуса MS MARCO. Модель является частью асимметричного двухэнкодерного ретривера: её параметры отличаются от параметров парного энкодера запросов. Энкодер преобразует текстовые контексты в векторные представления для поиска релевантных фрагментов по запросу. Он подходит для построения систем поиска и retrieval-компонентов RAG в паре с facebook/dragon-plus-query-encoder. Архитектура — BERT с 136,7 млн параметров и контекстом до 512 токенов; формат весов — PyTorch. В карточке также указан fill-mask, но назначение DRAGON+ — плотный retrieval. Качество в README приведено для полного DRAGON+: 39,0 на MS MARCO Dev и 47,4 на BEIR; эти показатели не следует считать отдельной оценкой контекстного энкодера. Сведения о лицензии в предоставленных данных отсутствуют.

DRAGON-YI-1.5V-9B — языковая модель llmware для ответов на вопросы по документам в сценариях RAG. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 8,6 млрд параметров; она дообучена на базе Yi-9B и принимает текстовый контекст вместе с вопросом. Модель рассчитана на английский язык и имеет контекстное окно 4096 токенов. Модель предназначена для поиска фактических ответов в сложных деловых, юридических и нормативных документах, извлечения пар «ключ — значение» и краткого суммирования. Разработчик сообщает о тестировании на RAG-Instruct-Benchmark-Tester и хороших результатах на этой оценке, однако результаты бенчмарка не гарантируют качество на других данных. Модель выдаёт текст и может ошибаться или давать неполные ответы, поэтому ответы следует проверять. Лицензия — Apache 2.0. В README результаты тестирования указаны для квантизованной версии 4_K_M, тогда как репозиторий содержит веса PyTorch.

MarkSelles/dutch-minilm-l6-v2 — компактная модель эмбеддингов предложений для нидерландского языка, созданная Mark Selles на основе sentence-transformers/all-MiniLM-L6-v2. Это энкодер BERT с шестью слоями и mean pooling; модель содержит 25,7 млн параметров по метаданным и формирует векторы размерности 384. Для нидерландского текста обучен отдельный WordPiece-токенизатор с 30 тысячами токенов. Модель дистиллирована на параллельных англо-нидерландских данных так, чтобы её векторы совпадали с векторами англоязычной модели-учителя; это позволяет сопоставлять нидерландские запросы с англоязычными документами и выполнять поиск между этими языками. Контекст по метаданным — 512 токенов, при этом README сообщает об усечении последовательностей длиннее 128 токенов. Модель предназначена для семантического поиска, сравнения сходства и кластеризации предложений на нидерландском языке, а также для межъязыкового поиска между нидерландским и английским текстом. В README приведены результаты на наборах STSb-multi-mt Dutch и STS17 nl-en, но это не гарантирует такого же качества на других данных. Модель оптимизирована только для нидерландского; для других языков и специализированных предметных областей качество может быть ниже, а некоторые пары нидерландских предложений с общими словами получают завышенную оценку сходства. Лицензия — Apache-2.0.

upskyy/e5-base-korean — многоязычная модель Sentence Transformer, разработанная upskyy на основе intfloat/multilingual-e5-base и дообученная на korsts и kornli. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и других задач, где требуется сопоставлять смысл текстов. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; для сходства используется косинусная мера. Модель содержит 305,2 млн параметров, максимальная длина последовательности — 514 токенов по метаданным. Поддерживает корейский и другие языки, перечисленные в метаданных. Лицензия — MIT.

rithwik-db/e5-base_scifact_10000 — модель Sentence Transformers, разработанная пользователем rithwik-db. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Архитектура основана на BERT, размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов; модель распространяется в формате PyTorch. Модель обучена с TripletLoss на евклидовом расстоянии и подходит для построения семантического поиска, группировки текстов и сравнения сходства предложений. Название и README указывают на связь с SciFact, однако конкретный набор данных и языки обучения не описаны. Лицензия в предоставленных данных не указана.

m-rudko-pn создал модель Sentence Transformers, дообучив multilingual-e5-small на 79 912 парах текстов из украинской Википедии. Модель на базе BERT преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. Примеры обучающих данных и название модели указывают на специализацию на украинских текстах. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя.

Eklav-0.6B-Reranker — компактный реранкер пассажей на базе Qwen3-0.6B, дообученный методом Eklav с дистилляцией рассуждений. При обучении модель учится продолжать частичный след рассуждений учителя и самостоятельно получать ответ; на этапе применения подсказка учителя не используется. Для ранжирования модель генерирует рассуждение с итогом true или false, а релевантность определяется по логитам финального токена. В README описаны оценки на BRIGHT и NevIR, а также снижение вычислений обучения на 29% относительно стандартного обучения с полным следом рассуждений; приведённый результат BRIGHT на 11% ниже по nDCG@10, чем у такого базового обучения. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors. Она предназначена для точечного переранжирования пассажей по запросу и может применяться в поисковых системах и конвейерах retrieval-augmented generation. Контекстное окно составляет 40 960 токенов. Модель опубликована AdarshSingh7647 и основана на Qwen/Qwen3-0.6B; метаданные указывают библиотеку Transformers и возможность диалогового взаимодействия. Лицензия в предоставленных данных не указана.

Eklav-14B-Reranker-CotGen — экспериментальный чекпойнт Eklav для ранжирования пассажей, дообученный на базе Qwen/Qwen3-14B. Это плотная причинно-языковая модель Qwen3 с 14 млрд параметров, контекстом до 40 960 токенов и форматом safetensors; для запуска используется библиотека Transformers. Вариант CotGen представлен как базовый результат для сравнения: при обучении модель училась продолжать частичный след рассуждения учителя и самостоятельно получать ответ, а не воспроизводить весь след целиком. Модель предназначена для попарной оценки релевантности пассажей, в том числе в задачах из наборов BRIGHT и NevIR. Она генерирует рассуждение, завершающееся меткой true или false; оценку релевантности извлекают из логитов последнего токена. Для инференса автор рекомендует vLLM с условием остановки по строке: при генерации Transformers с фиксированным бюджетом токенов модель иногда продолжает длинный текст, повторяется и не завершает ответ. Лицензия в предоставленных данных не указана.

addy88/eli5-all-mpnet-base-v2 — модель Sentence-Transformers на базе RoBERTa, дообученная на данных ELI5. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости, поиска и кластеризации текстов. В обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством; число параметров — 95,2 млн, контекст — до 514 токенов. Модель подходит для семантического поиска и группировки похожих текстов. Для использования с Transformers требуется корректно применить pooling к контекстным представлениям токенов; README также описывает применение через Sentence-Transformers. В репозитории указан формат PyTorch. Лицензия в доступных данных не приведена.

Это англоязычный энкодер предложений ayushexel, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 на наборе вопросов и ответов GooAQ. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384; для сравнения векторов используется косинусное сходство. Архитектура основана на BERT с усреднением токенных представлений и нормализацией. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Её можно использовать, например, для поиска ответов по английским вопросам или группировки похожих вопросов и ответов. Обучение на GooAQ ориентирует её на пары «вопрос—ответ»; на GooAQ dev указана точность по косинусному сходству 0,6034. Это модель представлений, а не генератор текста; заявленные задачи и характеристики относятся к английскому языку. Лицензия в предоставленных данных не указана.

EmbeddingGemma-300M-qat-q4_0-GGUF — модель для создания текстовых эмбеддингов, представленная организацией ggml-org и основанная на Google EmbeddingGemma 300M. Она предназначена для задач семантического поиска, сравнения сходства предложений, извлечения признаков и других сценариев, где требуется преобразовать текст в векторное представление. Модель поставляется в формате GGUF с квантизацией Q4_0; заявленный размер базовой модели — около 300 миллионов параметров. Она поддерживает работу через llama-server с endpoint для эмбеддингов и через утилиту llama-embedding. README не содержит сведений о поддерживаемых языках, максимальной длине контекста, размерности эмбеддингов и архитектурных деталях. К сильным сторонам относятся специализированное назначение для эмбеддингов и сниженные требования к ресурсам благодаря квантизации. Доступна настройка нормализации векторов, включая отсутствие нормализации, L1, L2 и P-норму. Ограничения модели и результаты бенчмарков не указаны. Лицензия обозначена как Gemma.

VinitT/Embeddings-NLI-ContradictionMargin — англоязычная модель Sentence Transformer, дообученная разработчиком на базе VinitT/Embeddings-Trivia на наборе all-nli. Модель кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной близостью. Архитектура включает BERT, усредняющий пулинг токенов и нормализацию векторов. Размер модели — 25,9 млн параметров; метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и получения признаков для классификации текста. Она обучена с ContradictionMarginLoss, что ориентирует векторы на различение логически противоречащих и согласованных высказываний. В README приведён результат cosine accuracy 0,95 на contra_eval; это оценка на конкретном наборе, а не гарантия качества на других данных. Модель рассчитана на английский язык. Лицензия в предоставленных данных не указана.

FMMB-BE (Fairly Multilingual ModernBERT Embedding Model, Belgian Edition) — модель эмбеддингов на базе ModernBERT-Embed-Base от Nomic AI, дообученная автором карточки на параллельных предложениях. Она предназначена для преобразования текстов на французском, нидерландском, немецком и английском языках в плотные векторы, выровненные между языками. Модель использует архитектуру ModernBERT с усреднением токенных представлений и выдаёт векторы размерности 768. Для каждого текста автоматически выбирается подходящий языковой токенизатор; тексты на разных языках можно обрабатывать в одном пакете. Максимальная длина входа — 8192 токена. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, классификации и кластеризации текстов. Карточка отмечает, что модель обучена без учителя на параллельном корпусе и рекомендует дообучить её под конкретный сценарий. Заявленная лицензия — Apache-2.0.

Parallia разработала FMMB-BE-FR — французскую версию модели Sentence Transformers на архитектуре ModernBERT. Она кодирует французские предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации. Максимальная длина входа — 8192 токена; для сравнения используется косинусное сходство, а тексты можно подавать без специальных префиксов. Модель обучена на параллельных предложениях с помощью MultipleNegativesRankingLoss и предназначена прежде всего для французского языка. По README, веса совпадают с многоязычной FMMB-BE, но эта версия использует французский токенизатор и связанную с ним таблицу эмбеддингов. Метаданные указывают 148,7 млн параметров и формат safetensors. Модель распространяется по лицензии Apache-2.0. README отмечает, что для использования ModernBERT может потребоваться актуальная версия библиотеки Transformers.

FILM-7B — языковая модель на архитектуре Mistral, разработанная командой In2Training. Она получена дообучением Mistral-7B-Instruct-v0.2 методом Information-Intensive Training (In2) и предназначена для генерации ответов по заданным инструкциям и длинному контексту. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и работает с текстом на английском языке. Разработчики заявляют, что FILM-7B снижает проблему «потери информации в середине» длинного контекста, показывает высокие результаты на задачах анализа длинного контекста и сохраняет качество на коротких запросах. Репозиторий содержит веса в формате safetensors и шаблон диалога в стиле Mistral Instruct. Лицензия — Apache-2.0.

Sahithkumar7/final-mpnet-base-fullfinetuned-epoch2 — дообученная модель Sentence Transformers на базе microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости текстов с помощью косинусного сходства. Модель содержит 136,7 млн параметров, использует архитектуру MPNet с усреднением токенов и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучена на наборе из 800 примеров с парами anchor-positive-negative и MultipleNegativesRankingLoss; в README приведена точность cosine_accuracy 0,98 на двух тестовых выборках. Язык и предметная область обучающих данных явно не определены. Распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Это Sentence Transformer на архитектуре MPNet, созданный Sahith Kumar дообучением microsoft/mpnet-base на наборе из 800 примеров с тройками anchor, positive и negative. Модель преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их с помощью косинусного сходства; максимальная длина входа составляет 512 токенов (метаданные указывают 514 токенов). В репозитории веса представлены в формате safetensors, для работы используется библиотека Sentence Transformers. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. README сообщает о точности cosine_accuracy 0,98 на двух тестовых наборах, однако описание не уточняет состав и размер этих наборов. Обучающие примеры связаны с научными текстами о тактильных датчиках, поэтому качество на иных темах и языках может отличаться; сведения о лицензии в предоставленных данных отсутствуют.

TheMohanad1/Fine-Tuned-E5 — модель Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-large для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Она основана на XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт векторы размерностью 1024; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов (в метаданных указано 514 токенов нативного контекста). Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Её обучали с помощью MultipleNegativesRankingLoss на 1 109 парах предложений, включая примеры на арабском языке из юридической тематики Саудовской Аравии. Поддержка других языков согласуется с многоязычной базовой моделью, однако карточка не перечисляет языки обучения или оценки. Модель принимает текст и возвращает векторы; доступный формат весов — safetensors. Лицензия в предоставленных данных не указана.

FRPile_GPL_test_pipeline — модель на основе архитектуры BERT, разработанная как Sentence-Transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 1024. Она предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указано 433,9 млн параметров, контекст до 512 токенов и формат PyTorch; для получения эмбеддингов предусмотрено использование Sentence-Transformers либо Transformers с соответствующей операцией pooling. В карточке упомянуто обучение с MarginDistillationLoss из инструментария GPL. Языки обучения, базовая модель и лицензия в предоставленных данных не раскрыты. Модель выдаёт векторные представления текста, поэтому качество семантического поиска и кластеризации зависит от соответствия текстов и домена её обучению.

deepset/gbert-base-germandpr-reranking — немецкоязычная модель deepset для повторного ранжирования документов в системах поиска. Это классификатор пар текстов на базе BERT, дообученный в FARM на обучающей выборке GermanDPR; в метаданных указаны 137,1 млн параметров и контекст до 512 токенов. Модель получает запрос и каждый из уже найденных документов, оценивает их релевантность и помогает отсортировать результаты так, чтобы наиболее подходящие оказались выше. Модель предназначена для улучшения выдачи поисковых систем, например в конвейере Haystack после первичного поиска BM25. В описанных авторами экспериментах на немецкой Википедии повторное ранжирование десяти результатов повысило recall@3 с 0,4088 до 0,5200, а MRR@3 с 0,3322 до 0,4800. Эти результаты получены на немецких данных и не гарантируют такого же качества на других корпусах или языках. Модель принимает текст запроса и документа и выдаёт оценку релевантности для классификации или ранжирования. Она выпущена под лицензией MIT. Ограничения: рассчитана на немецкий язык, ранжирует уже найденные документы и не заменяет первичный поиск; длина контекста ограничена 512 токенами.