I.1Поиск и навигация по информации

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.

jina-embeddings-v5-omni-small-text-matching — мультимодальная модель эмбеддингов Jina AI, вариант семейства jina-embeddings-v5-omni-small, настроенный на сопоставление. Она принимает текст, изображения, видео и аудио и отображает их в общее векторное пространство, согласованное с текстовой моделью jinaai/jina-embeddings-v5-text-small-text-matching. Модель содержит около 1,56 млрд параметров и формирует эмбеддинги размерностью 1024; для текста при индексировании используется префикс «Document: ». Видео представляется кадрами, звуковая дорожка автоматически не обрабатывается. Модель подходит для мультимодального поиска и сравнения: можно индексировать документы и выполнять запросы изображениями, видео или аудио без повторной индексации. Поддерживается усечение эмбеддингов с повторной L2-нормализацией. Для экономии памяти можно загружать только нужные модальные компоненты; доступны интеграции с Transformers, sentence-transformers и vLLM. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Aashraf995/KaLM-embedding-multilingual-mini-instruct-v2.5-Q8_0-GGUF — это версия мультиязычной instruct-модели для создания эмбеддингов, преобразованная из KaLM-Embedding/KaLM-embedding-multilingual-mini-instruct-v2.5 в формат GGUF. Конвертацию выполнил автор репозитория с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач извлечения признаков, семантического поиска и retrieval, оценки семантического сходства текстов (STS), классификации, кластеризации и reranking. В README указана поддержка английского и китайского языков, а также интеграция с библиотекой Sentence Transformers, llama.cpp и vLLM. Точный размер модели, архитектура исходной модели, размерность эмбеддингов и максимальная длина контекста в карточке не приведены; параметр контекста 2048 указан только в примере запуска llama.cpp. Квантование Q8_0 в формате GGUF ориентировано на локальный запуск и совместимость с экосистемой llama.cpp, однако README не содержит результатов бенчмарков или подробных сведений о преимуществах и ограничениях качества. Модель распространяется по лицензии Apache-2.0. Для использования доступны llama.cpp CLI и серверный режим; также приведены ссылки на инструкции исходной модели и llama.cpp.

Kiwi COCO-LM base — модель-энкодер на архитектуре ModernBERT, разработанная автором репозитория на основе answerdotai/ModernBERT-base. Она продолжает предобучение исходных весов на корейских и английских корпусах с методом COCO-LM: обучение распознаванию заменённых токенов сочетается с восстановлением исходных токенов и контрастивным обучением последовательностей. Модель содержит около 159,4 млн параметров, использует словарь Byte-level BPE размером 64 000 токенов и принимает последовательности длиной до 8192 токенов. Энкодер предназначен для извлечения признаков и получения представлений текста, а также для дообучения под классификацию, распознавание именованных сущностей, ответы на вопросы и поиск. В бенчмарках авторы сообщают о результатах, сопоставимых с моделями близкого размера на корейских KLUE и английских GLUE задачах. Хотя в метаданных указан тег feature-extraction, автор предупреждает, что модель не подходит для обычного заполнения пропусков через [MASK] и не предназначена для генерации текста; для таких сценариев требуется другая модель или дообучение под задачу. Для загрузки рекомендуется Transformers версии 5 или новее. Лицензия — Apache-2.0.

dndjd03 выпустил SentenceTransformer, дообученный на основе klue/roberta-base для сравнения смысла предложений и поиска по тексту. Модель кодирует предложения и абзацы в плотные векторы размерностью 768 и оценивает их сходство с помощью косинусной близости. Архитектура включает RoBERTa с усреднённым пулингом; число параметров — 137,8 млн, максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт векторы для задач поиска и семантического сопоставления. Базовая модель ориентирована на понимание корейского текста, а обучающие примеры в карточке также корейские. Лицензия в предоставленных данных не указана.

Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

sigridjineth/ko-reranker-v1.1 — корейский реранкер, созданный дообучением Alibaba-NLP/gte-multilingual-reranker-base. Модель с архитектурой для классификации последовательностей насчитывает 305,3 млн параметров, принимает пары запроса и текста и оценивает их релевантность для сортировки результатов. Контекст — до 8192 токенов. Модель предназначена для корейского поиска, переупорядочивания кандидатов ответов в системах вопросов и ответов и рекомендаций по текстовым признакам. Она обучалась на 328 тысячах корейских триплетов с использованием сложных негативных примеров и дистилляции от учительской модели. В карточке приведены результаты оценки на AutoRAG Benchmark, но автор отмечает, что это предварительная версия в разработке и её обобщающую способность следует проверять на целевых данных. Распространяется по лицензии Apache-2.0.

jhgan/ko-sroberta-multitask-mrl — корейская модель эмбеддингов предложений на базе RoBERTa, дообученная автором с использованием Matryoshka Representation Learning. Она создаёт векторы размерности 768; первые 512, 256, 128, 64 или 32 компонента также служат представлениями предложений, позволяя уменьшать объём хранения и задержку с возможной потерей точности. Модель обучена на KorNLI и KorSTS в многозадачном режиме и предназначена для сравнения семантической близости корейских предложений и других задач поиска по эмбеддингам. В тестах KorSTS для полного вектора показана корреляция Спирмена 85,07% при косинусном сходстве; для 512 измерений — 85,00%. Модель содержит 137,8 млн параметров, использует архитектуру RoBERTa, реализована для sentence-transformers и поддерживает контекст до 514 токенов. Лицензия — CC-BY-SA-4.0.

bongsoo разработал kpf-sbert-v1.1 — модель Sentence Transformers на базе BERT, дообученную для получения плотных векторов предложений и абзацев размерностью 768. Она предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. В README описано обучение на корейских и английских наборах STS и NLI, а также дистилляция с учительской модели paraphrase-multilingual-mpnet-base-v2. Модель оценивает сходство по векторным представлениям; заявленная длина контекста — 512 токенов. Модель подходит прежде всего для корейского и английского текста. Метаданные указывают 141,2 млн параметров и формат PyTorch. README приводит сравнительные результаты на наборах korsts, klue-sts, GLUE STS-B и stsb_multi_mt, однако полная строка результатов для этой модели в доступном тексте отсутствует. Сведения о лицензии в предоставленных источниках отсутствуют.

Wei-Jie/labor-roberta-chinese — модель Sentence-Transformers на базе архитектуры BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. Её можно применять для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель обучалась с ContrastiveLoss и косинусной метрикой расстояния. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 512 токенов. В метаданных указано 424,3 млн параметров и формат PyTorch. Название модели указывает на китайский язык, однако README не уточняет языковое покрытие и результаты оценки.

Sammau/labse-dhivehi-finetuned — модель Sentence Transformer, дообученная разработчиком Sammau на базе sentence-transformers/LaBSE. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их смысл с помощью косинусного сходства. Модель предназначена для семантического поиска и оценки сходства текстов; её также можно применять для поиска перефразирований, кластеризации и классификации текстов. Модель использует архитектуру BERT и библиотеку Sentence Transformers. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов; для практического использования следует учитывать лимит 256 токенов, заданный карточкой модели. Обучение описано на наборе из 968 266 пар предложений с оценками сходства. Название модели указывает на фокус на языке дивехи, тогда как базовая LaBSE поддерживает 109 языков; README не уточняет, насколько дообученная версия сохраняет качество на остальных языках. Файлы представлены в формате safetensors. Лицензия в предоставленных сведениях не указана.

gemasphi/laprador_pt — модель на основе BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для построения эмбеддингов, поиска семантически близких текстов и кластеризации. Модель содержит 79,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате PyTorch. Модель можно использовать через библиотеку Sentence-Transformers или Hugging Face Transformers с подходящей операцией pooling. Она подходит для семантического поиска и группировки текстов по смыслу. README не сообщает языковую специализацию или результаты оценки, поэтому её качество для конкретного языка и предметной области следует проверять отдельно.

Модель Sentence Transformers, дообученная автором arjveer на Snowflake/snowflake-arctic-embed-l для сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Модель основана на BERT, использует pooling по CLS-токену и нормализацию векторов, принимает последовательности длиной до 512 токенов. Подходит для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки поиска на наборе из 156 примеров, однако этих данных недостаточно для вывода о качестве на широком спектре юридических задач. Лицензия в предоставленных данных не указана.

reranker_0.5_bin_filt — это текстовая reranker-модель для ранжирования и переранжирования найденных документов или других текстовых кандидатов по их релевантности запросу. Исходная модель разработана пользователем lightblue и дообучена на базе Qwen/Qwen2.5-0.5B-Instruct; GGUF-квантизацию выполнил Richard Erkhov. Модель предназначена для сценариев поиска, retrieval-augmented generation и фильтрации результатов, где требуется выбрать или упорядочить наиболее подходящие тексты. Она доступна в формате GGUF с вариантами квантизации Q2_K, IQ3, Q3, IQ4, Q4, Q5, Q6 и Q8; размер файлов составляет примерно 0,39–0,63 ГБ. Указано, что базовая модель имеет размер 0,5B параметров, однако сведения о точной архитектуре reranker, поддерживаемых языках, модальностях и длине контекста отсутствуют. К сильным сторонам относятся небольшой размер и возможность локального запуска благодаря GGUF-квантизации, а также специализация на задачах бинарного ранжирования. Ограничения связаны с отсутствием подробного описания датасета, сценариев применения, языковой поддержки и полноценных оценок качества: в карточке приведены только значения loss, включая 0,0526 на evaluation set. Лицензия указана как «other», без уточнения условий использования, поэтому перед применением необходимо проверить лицензионные ограничения исходной модели и производного артефакта.

LLaVE-0.5B — мультимодальная модель встраивания, дообученная на базе LLaVA-OneVision-Qwen2-0.5B-OV. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, которые можно использовать для поиска и сопоставления содержимого. В README заявлены сильные результаты на наборе MMEB и перенос на поиск по видео без дополнительного обучения; модель обучалась на 662 тысячах пар. По метаданным, модель содержит 357,8 млн параметров, использует архитектуру LLaVA с Qwen2, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. README также описывает контекстное окно в 4K токенов, что расходится с длиной контекста из метаданных.

prudant/lsg_4096_sentence_similarity_spanish — модель эмбеддингов предложений на основе BERT с механизмом внимания Local Sparse Global (LSG). Она создана как адаптация hiiamsid/sentence_similarity_spanish_es для работы с более длинными последовательностями и предназначена прежде всего для вычисления сходства между предложениями и создания эмбеддингов длинных текстов. Модель обрабатывает последовательности длиной до 4096 токенов и содержит 137,1 млн параметров. Модель ориентирована на испанский язык. Эмбеддинги можно применять для сравнения предложений и поиска семантически близких фрагментов в длинных документах. LSG распределяет внимание между локальными, разреженными и глобальными позициями, что снижает вычислительную сложность при работе с длинным контекстом. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Это версия MarkupLM, дообученная Microsoft на наборе WebSRC для ответов на вопросы по веб-страницам. Модель сочетает текст страницы с её разметкой и предназначена для понимания структурированных веб-документов и извлечения информации; архитектура — MarkupLMForQuestionAnswering, размер — около 151,9 млн параметров, формат весов — PyTorch. Модель подходит для поиска ответов на вопросы по содержимому веб-страниц и для создания систем извлечения данных из них. Метаданные указывают английский язык, а контекст ограничен 514 токенами. Лицензия в предоставленных данных не указана.

Карточка модели microsoft/markuplm-large-finetuned-websrc на Hugging Face совпадает с карточкой microsoft/markuplm-base-finetuned-websrc, поэтому описание составлено по ней. Это версия MarkupLM, дообученная Microsoft на наборе WebSRC для ответов на вопросы по веб-страницам. Модель сочетает текст страницы с её разметкой и предназначена для понимания структурированных веб-документов и извлечения информации; архитектура — MarkupLMForQuestionAnswering, размер — около 151,9 млн параметров, формат весов — PyTorch. Модель подходит для поиска ответов на вопросы по содержимому веб-страниц и для создания систем извлечения данных из них. Метаданные указывают английский язык, а контекст ограничен 514 токенами. Лицензия в предоставленных данных не указана.

MDCure-Qwen2-7B-Instruct — языковая модель Yale NLP, дообученная на Qwen/Qwen2-7B-Instruct с использованием набора MDCure-72k. Она предназначена для генерации ответов на инструкции и вопросы по нескольким документам, а также для задач с длинным контекстом. MDCure — процедура создания и фильтрации обучающих данных для улучшения способностей LLM работать с несколькими документами; авторы сообщают об улучшении результатов на ряде много-документных и длинноконтекстных тестов относительно базовых моделей. Модель имеет плотную архитектуру Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов. Она принимает текст и генерирует текст; в метаданных указан английский язык. Для использования рекомендуется Transformers версии 4.45.0 или новее. Модель распространяется по лицензии Apache-2.0.

me5s-student-me5s_compressed_v3_distilled — компактный многоязычный энкодер предложений, созданный сжатием и дистилляцией модели intfloat/multilingual-e5-small. Модель построена на архитектуре BERT с 4 слоями, размерностью скрытого состояния 384 и словарём из 15 424 токенов; её объём сокращён примерно в 9 раз. Максимальная длина входа — 512 токенов. Модель предназначена для получения векторных представлений предложений и сравнения их семантической близости. Она подходит для поиска похожих текстов, группировки предложений и классификации на основе эмбеддингов. По результатам MTEB, средняя оценка составляет 54,46%, а для задач семантического сходства — 70,1%; эти показатели относятся к указанным в карточке наборам и не гарантируют качество на других данных. Поддерживаются 16 языков: корейский, английский, японский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, арабский, хинди, тайский, вьетнамский, индонезийский и польский. Для использования указана библиотека Sentence Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

keeeeenw/MicroLlama-text-embedding — англоязычная модель Sentence Transformers, дообученная разработчиком на базе keeeeenw/MicroLlama. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для сравнения смысловой близости и поиска по тексту. Модель использует архитектуру LlamaModel с усреднённым пулингом токенов, принимает текстовые последовательности длиной до 2048 токенов и рассчитывает сходство по косинусной мере. Модель обучалась на наборах all-nli, STSB, Quora и Natural Questions. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Она рассчитана на английский язык; качество для других языков не заявлено. Лицензия в предоставленных данных не указана.

Mini-GTE — компактная модель эмбеддингов предложений от QTACK, созданная как подтверждение концепции их подхода к дистилляции. Это Sentence Transformer на архитектуре DistilBERT, дообученный на базе distilbert/distilbert-base-uncased и дистиллированный из GTE. Модель содержит 66 млн параметров и формирует векторы размерности 768; для сравнения предложений используется косинусное сходство. Mini-GTE предназначена для быстрого кодирования запросов, семантического поиска и оценки сходства текстов. Максимальная длина входной последовательности — 512 токенов. В README указано второе место в классическом рейтинге MTEB среди моделей менее чем со 100 млн параметров и 63-е место в общем рейтинге; это заявление разработчика. Модель ориентирована на английский язык. Доступна по лицензии Apache-2.0. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы; качество зависит от языка и предметной области, а README не приводит подробных оценок по отдельным наборам данных.

valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Англоязычный кросс-энкодер-реранкер Hyperakan, дообученный на microsoft/MiniLM-L12-H384-uncased с использованием библиотеки Sentence Transformers и данных MS MARCO. Модель совместно обрабатывает запрос и текстовый фрагмент и выдаёт оценку релевантности, пригодную для повторного ранжирования результатов поиска и семантического поиска. Архитектура — BertForSequenceClassification с одним выходным значением; размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт оценки для пар текстов. В README приведены результаты оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; показатели заметно различаются между наборами. Модель рассчитана на английский язык. Лицензия — Apache-2.0. Результаты на приведённых наборах ограничены их небольшим размером, поэтому качество для других данных и сценариев следует проверять отдельно.

cambridgeltl/mirror-roberta-base-sentence-drophead — несупервизируемый энкодер предложений, разработанный Liu et al. (2021). Он основан на RoBERTa-base и обучен на неразмеченных предложениях; для получения представления текста рекомендуется брать вектор токена [CLS] до слоя pooler. В качестве аугментации пространства признаков используется drophead вместо dropout. Модель предназначена для извлечения векторных представлений предложений и задач сравнения их семантического сходства. Она содержит около 151,8 млн параметров, принимает текст и поддерживает контекст длиной до 514 токенов. Карточка указывает английский язык. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Mizan-Rerank-v1 — компактная модель-реранкер от ALJIACHI на архитектуре ModernBERT. Это cross-encoder на 148,9 млн параметров, дообученный на базе answerdotai/ModernBERT-base для оценки релевантности пар «запрос — документ» и сортировки результатов поиска. Модель рассчитана прежде всего на арабские тексты, также поддерживает английский; максимальная длина входа — 8192 токена. Модель подходит для арабского поиска, RAG-систем, цифровых библиотек и разговорных приложений, где нужно упорядочить найденные фрагменты по релевантности. В карточке заявлены низкое потребление памяти и высокая скорость инференса, но по качеству на длинных документах и специализированных наборах данных автор рекомендует преемника Mizan-Rerank-v2. Лицензия — Apache 2.0.

Карточка модели jfarray/Model_bert-base-multilingual-uncased_10_Epochs на Hugging Face совпадает с карточкой jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs, поэтому описание составлено по ней. jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs — модель эмбеддингов предложений на базе BERT, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 256 для поиска семантически близких текстов и кластеризации. Модель содержит 137,1 млн параметров, работает с текстом и поддерживает контекст до 512 токенов; в карточке указана библиотека Sentence-Transformers и обучение с CosineSimilarityLoss. Модель подходит для семантического поиска и группировки текстов по смыслу. Название базовой модели указывает на испанский BERT dccuchile/bert-base-spanish-wwm-uncased, поэтому основной язык — испанский. В метаданных указаны формат PyTorch и задачи извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

Модель jfarray/Model_bert-base-multilingual-uncased_50_Epochs — модель на архитектуре BERT, разработанная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для семантического поиска и кластеризации. Модель также подходит для сравнения семантической близости текстов и получения текстовых эмбеддингов. Модель имеет 194,6 млн параметров и принимает последовательности длиной до 512 токенов. В карточке указано обучение с CosineSimilarityLoss; файлы представлены в формате PyTorch. Многоязычность следует из базового семейства multilingual BERT, но конкретный перечень поддерживаемых языков в доступных данных не приведён.

ytu-ce-cosmos/modernbert-tr-1k-embed — текстовая Sentence Transformer-модель на архитектуре ModernBERT, обученная для получения эмбеддингов предложений и абзацев и поиска по сходству. Она кодирует текст в плотные векторы размерностью 768, которые можно сравнивать косинусной близостью; модель подходит для семантического поиска и извлечения релевантных текстов. В README указан максимум 512 токенов, а метаданные указывают родной контекст до 8192 токенов. Модель содержит 148,7 млн параметров, использует mean pooling и распространяется в формате Safetensors; для работы заявлена библиотека Sentence Transformers. В обучающем наборе было 625 121 пример на турецком языке с парами anchor и positive и оценками сходства. Это делает модель ориентированной прежде всего на турецкие тексты. В карточке не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

monoELECTRA — англоязычный cross-encoder-реранкер, разработанный Castorini на базе google/electra-base-discriminator. Модель обучена на passages из MS MARCO в течение 300 тысяч шагов с размером батча 16; при обучении использовались сложные негативные примеры от сильных поисковых систем и функция потерь Localized Contrastive Estimation с группами до 31 негатива на один положительный пример. Модель оценивает релевантность пары «запрос — фрагмент текста» и предназначена для повторного ранжирования результатов первичного поиска. В карточке указано, что такой подход превосходит стандартный monoBERT и базовые варианты с hinge- и cross-entropy-функциями потерь, особенно при ранжировании верхних результатов, содержащих близкие по смыслу passages. Число параметров — 136,7 млн, контекст — до 512 токенов; формат весов — PyTorch. Модель подходит для англоязычного поиска и ранжирования текстовых passages. Лицензия в предоставленных данных не указана.