I.1Поиск и навигация по информации

Fara1.5-4B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель дообучена методом supervised fine-tuning от Qwen/Qwen3.5-4B и принимает текстовую историю действий вместе со скриншотами браузера, после чего выдаёт текстовые команды для инструментов: например, клики по координатам, ввод текста, прокрутку и переходы по URL. Она работает по изображению экрана, не используя DOM или дерево доступности, и рассчитана на контекст до 262 тысяч токенов. Модель предназначена для выполнения многошаговых веб-задач: заполнения форм, поиска информации, покупок, бронирования поездок и ресторанов, а также рабочих процессов в учётных записях. По карточке, Fara обучена останавливаться и запрашивать подтверждение перед вводом отсутствующих личных данных и необратимыми действиями — например, покупкой, отправкой сообщения или подачей заявки. Для запуска разработчик рекомендует использовать её с MagenticLite или Fara CLI и системным промптом и схемой инструментов, для которых она обучалась. Репозиторий распространяется по лицензии MIT. К сильным сторонам относятся визуальное управление без доступа к DOM, предсказание действий с привязкой к координатам и работа с длинной историей скриншотов. Карточка отмечает ограничения: модель может ошибаться при неоднозначном или вводящем в заблуждение интерфейсе, ошибки накапливаются в длинных последовательностях, а поведение между запусками варьируется. Качество хуже для материалов не на английском; также возможны галлюцинации о состоянии страницы и влияние prompt injection в её содержимом.

nithinbharathi/fine_tuned — англоязычная модель Sentence Transformer, созданная дообучением thenlper/gte-small. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 384 для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT: среднее объединение токеновых представлений с последующей нормализацией; максимальная длина входа — 512 токенов. Модель ориентирована на английский язык и выпущена под лицензией Apache-2.0. Карточка указывает на обучающую выборку из двух пар текстов и приводит метрики на информационном поиске, поэтому качество на широком круге запросов и доменов может быть ограничено. Несмотря на название карточки «BGE base Financial Matryoshka», README описывает дообучение GTE-small и не подтверждает специализацию на финансовых данных.

comet24082002/finetuned_bge_ver11 — дообученная модель на базе BAAI/bge-m3, опубликованная comet24082002. Это плотная модель архитектуры XLM-RoBERTa с 658,7 млн параметров, предназначенная для извлечения признаков из текста. Базовая BGE-M3 рассчитана на многоязычный семантический, лексический и гибридный поиск по текстам и документам; дообученная версия может применяться для получения текстовых представлений в поисковых системах и системах работы с документами. Модель принимает текст и выдаёт векторные признаки. Максимальная длина контекста — 8194 токена. Данные обучения и результаты оценки в карточке не описаны, поэтому качество на конкретных языках и задачах поиска не подтверждено. Лицензия — MIT.

uzairnaeem/finetuned_sentence_similarity_spanish_es — модель Sentence-Transformers на базе архитектуры BERT, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит 137,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Название модели указывает на испанский язык, но README не уточняет языковое покрытие и результаты оценки.

sumanksaha/Foodmultidomain — модель CrossEncoder, обученная с библиотекой sentence-transformers. Она оценивает пары текстов одним числовым баллом и предназначена для ранжирования результатов поиска и семантического поиска, например для повторной сортировки кандидатов, полученных из поискового индекса. Архитектура основана на BertForSequenceClassification; модель принимает текст, выдаёт оценку релевантности и обрабатывает последовательности длиной до 512 токенов. README не уточняет поддерживаемые естественные языки и лицензию.

Fusion Embedding 2 2B Preview — мультимодальная модель эмбеддингов Eximius Labs на базе Qwen3-VL-Embedding-2B. Она преобразует текст, изображения, видео и аудио в векторы общего пространства для поиска и сопоставления. Текстовые, визуальные и видеовекторы совпадают с исходной базовой моделью побитово; для аудио обучены 60,6 млн параметров адаптеров и преобразователь признаков аудиобашни Qwen2.5-Omni, при этом основная модель и аудиобашня заморожены. Всего в модели около 2,06 млрд параметров базовой модели и 640 млн параметров аудиобашни. Основная версия рассчитана на поиск по аудио и тексту, мультимодальный поиск, RAG и кластеризацию. Отдельная версия с настройкой на ключевые слова подходит для поиска по произнесённым командам. Модель также может использоваться для сопоставления аудио с изображениями, хотя этому соответствию её напрямую не обучали. В README отмечены слабые результаты на задачах кластеризации и снижение качества распознавания эмоций по голосу; показатели на части тестов могут быть затронуты пересечением обучающих данных и тестовых выборок. Это предварительная исследовательская версия, распространяемая по лицензии CC-BY-NC-4.0.

deepset/gbert-large-sts — немецкоязычная модель deepset для оценки семантического сходства пар текстов. Она основана на GBERT-large и дообучена на обучающей и валидационной частях немецкого STS-бенчмарка, полученного машинным переводом. Архитектура — BERT для классификации последовательностей, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для сравнения немецких фраз и предложений: например, для поиска похожих формулировок, сопоставления запросов и группировки семантически близких текстов. В карточке указана оценка на тестовой части немецкого STS-бенчмарка, но численные результаты не приведены. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT.

German-RAG-PHI-3.5-MINI-4B-ORPO-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это дообученная версия немецко- и англоязычной модели German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI, настроенная методом ORPO для сценариев генерации с дополнением найденной информацией. Модель предназначена для ответов на вопросы по контексту и документам, извлечения релевантной информации, суммаризации и рассуждений на немецком и английском языках. В карточке указаны 3,7 млрд параметров и контекст до 131 072 токенов. По приведённым в README оценкам, она справляется с отдельными задачами извлечения и рассуждений, однако результаты зависят от задачи и набора данных. Модель доступна в формате safetensors. Метаданные указывают лицензию MIT; README указывает Apache 2.0, поэтому лицензию следует сверить с условиями репозитория перед использованием. Ответы могут содержать фактические ошибки и предвзятость, а модель без фильтрации способна генерировать вредный или чувствительный контент.

JoBeer/german-semantic-base — модель эмбеддингов предложений на базе BERT, разработанная автором репозитория и дообученная в формате sentence-transformers на gbert-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации немецких текстов. Обучение проводилось на немецком STS-датасете с использованием машинных переводов AWS и DeepL, функции потерь MultipleNegativesRankingLoss и четырёх эпох; оценка также выполнялась на немецком STS-тесте. Модель содержит 137,1 млн параметров, принимает текст и выдаёт векторы; заявленная длина контекста — 512 токенов. Для использования подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не указана.

GLiClass Modern Large v2.0 Init — модель классификации последовательностей с нулевым обучением, разработанная Knowledgator на основе ModernBERT-large. Она сопоставляет текст с пользовательскими категориями за один проход модели и предназначена для тематической классификации, анализа тональности и ранжирования документов в RAG-системах. Архитектура GLiClass использует признаки с разных слоёв энкодера; размер модели в карточке указан как 399 млн параметров, а базовый ModernBERT-large — как 395 млн параметров. Модель ориентирована на английский и французский языки и унаследовала от ModernBERT способность обрабатывать длинные последовательности. В README приведены результаты zero-shot-бенчмарков на задачах тональности, эмоций и классификации новостей; качество зависит от набора данных и может заметно меняться, особенно при большом числе тонких категорий. Для улучшения результата автор демонстрирует использование примеров. Модель выпущена под лицензией Apache-2.0; README сообщает, что обучение проводилось на синтетических и лицензированных данных, допускающих коммерческое использование.

GreenNode-Embedding-Large-VN-Retrieval-fine-tuned-without-lotrinhhoc-18DEC — модель Sentence Transformers, дообученная GreenNode на базе GreenNode/GreenNode-Embedding-Large-VN-Mixed-V1 для получения плотных векторных представлений предложений и абзацев. Она использует XLM-RoBERTa с пуллингом CLS-токена и нормализацией; размер вектора составляет 1024, максимальная длина последовательности — 8192 токена, а близость текстов можно оценивать косинусным сходством. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки retrieval на наборе val_hit_at_k, а также сведения о дообучении на 3008 парных примерах; примеры данных на вьетнамском языке указывают на целевую ориентацию на этот язык. Для запуска подходит библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

gte-multilingual-mlm-base — многоязычный текстовый энкодер серии mGTE, разработанный Institute for Intelligent Computing группы Alibaba. Модель предназначена для представления текста и задач поиска и ранжирования; вариант MLM обучен восстанавливать замаскированные токены и также может применяться в задачах понимания текста. Энкодер построен на базе Transformer++ — сочетания BERT, RoPE и GLU — и использует словарь XLM-R. В модели около 305 млн параметров, максимальная длина контекста составляет 8192 токена. В README заявлена поддержка 75 языков; среди кодов языков в метаданных указаны, в частности, русский и английский. Модель показала результаты выше XLM-R-base того же размера на GLUE и XTREME-R. Лицензия — Apache-2.0. Это базовый MLM-энкодер, поэтому для прикладных задач классификации, извлечения сущностей или ранжирования может потребоваться соответствующая настройка и подходящая обвязка; карточка не содержит сведений о генерации текста.

x1saint/gte-small-triplet-tr — модель Sentence Transformers на базе Supabase/gte-small, дообученная на турецком наборе all-nli-tr. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство текстов оценивается косинусной близостью. Модель предназначена для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и извлечения признаков для классификации текста. Архитектура состоит из BERT-трансформера с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Обучающие данные содержат пары и тройки турецких текстов, а в README приведена точность cosine_accuracy 0,8552 на TripletEvaluator для all-nli-dev. Модель принимает турецкий текст и выдаёт текстовые эмбеддинги; опубликована в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

GTE-small-zh — компактная модель текстовых эмбеддингов семейства General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT. Она обучена на больших наборах пар текстов с оценками релевантности и предназначена для получения векторных представлений китайских текстов. Модель подходит для семантического поиска, сравнения сходства предложений, извлечения информации и ранжирования текстов. Размер модели составляет около 36 млн параметров, размерность эмбеддингов — 512, максимальная длина последовательности — 512 токенов. Веса доступны в форматах PyTorch и safetensors. Модель рассчитана исключительно на китайские тексты; более длинные входы обрезаются до 512 токенов. Лицензия — MIT.

GujaratiSBERT-STS — модель семейства SBERT на архитектуре BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она дообучена на датасете STS от базовой модели l3cube-pune/gujarati-sentence-bert-nli и предназначена для оценки семантического сходства предложений на гуджарати. Модель преобразует текстовые предложения в векторные представления, которые можно использовать для поиска семантически близких предложений и сравнения текстов. Модель содержит 264,8 млн параметров, принимает текстовые входы с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — CC BY 4.0. В README также упоминается отдельная мультиязычная версия для основных индийских языков и межъязыкового сходства; это описание относится к данной модели только как контекст проекта.

sinjy1203/ko-sbert-navernews — модель на основе BERT, дообученная для создания эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и рассчитана на семантический поиск, сравнение сходства, кластеризацию и группировку текстов. В README указано обучение с CosineSimilarityLoss; архитектура BERT содержит 137,8 млн параметров, а контекст ограничен 512 токенами. Модель предназначена для корейского текста новостной тематики, что отражено в названии репозитория. Веса доступны в формате PyTorch и применяются через Sentence-Transformers либо Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

KoSimCSE-roberta — модель эмбеддингов корейских предложений из проекта Korean-Sentence-Embedding. Она построена на архитектуре RoBERTa и предназначена для преобразования текста в векторы, пригодные для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. В карточке проекта приведены результаты оценки на тесте семантического сходства текстов, а также отмечена возможность использовать предварительно обученные модели для инференса и обучения. Модель ориентирована на корейский язык. Метаданные указывают форматы PyTorch и Safetensors; сведения о лицензии в доступных данных отсутствуют.

daekeun-ml/KoSimCSE-unsupervised-roberta-base — корейская модель для получения эмбеддингов предложений, основанная на RoBERTa base и методе SimCSE с контрастивным обучением без разметки. Её можно использовать для сравнения смысловой близости корейских текстов и поиска похожих предложений. В README приведены результаты оценки на KLUE-STS и Kor-STS: для версии RoBERTa base без учителя средние показатели составляют 81,17 и 81,20 соответственно. Репозиторий также описывает обучение SimCSE, включая распределённое обучение и supervised-вариант, но данный чекпойнт обозначен как unsupervised. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — MIT.

Redis разработала sentence-transformers bi-encoder, дообученный на базе Alibaba-NLP/gte-modernbert-base для семантического кэширования в LangCache. Модель кодирует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. В карточке указаны архитектура ModernBERT, библиотека Sentence Transformers и Apache-2.0. Модель подходит для сравнения текстовых запросов и поиска семантически близких формулировок, например для повторного использования результатов кэша при перефразированных запросах. README сообщает максимальную длину последовательности 100 токенов, тогда как метаданные каталога указывают нативный контекст 8192 токена; для практического применения следует учитывать ограничение из карточки модели. В README приведены метрики retrieval-оценки, но их результаты относятся к указанному тестовому набору и не гарантируют качество на других данных.

LinkBERT-large — англоязычный BERT-подобный трансформерный энкодер, разработанный Michiyasunaga и соавторами и представленный в статье LinkBERT: Pretraining Language Models with Document Links (ACL 2022). Модель предварительно обучена на статьях английской Википедии с учётом гиперссылок между документами, чтобы усваивать связи и знания, распределённые по нескольким текстам. Модель предназначена для дообучения под задачи классификации текста и последовательностей, ответов на вопросы, разметки токенов, чтения и поиска информации между документами. Её также можно использовать как энкодер для извлечения признаков и представлений текста. LinkBERT-large содержит 432,3 млн параметров, поддерживает контекст до 512 токенов и распространяется в формате PyTorch. Учёт связей между документами может быть полезен для задач, требующих объединения сведений из разных источников. Модель не является готовой системой для конкретной задачи: для прикладного использования её обычно требуется дообучить. Лицензия — Apache-2.0.

Llama-3-8B-Web — языковая модель для создания диалоговых агентов, которые выполняют действия в браузере по поручению пользователя. Её разработала команда McGill-NLP: модель основана на Meta-Llama-3-8B-Instruct и дообучена на наборе WebLINX, включающем более 24 тысяч размеченных примеров веб-навигации и диалогов. Это плотная модель семейства Llama с 7,5 млрд параметров, рассчитанная на контекст до 8192 токенов; для работы используется библиотека Transformers, веса опубликованы в форматах PyTorch и safetensors. Модель предназначена для диалоговой навигации по веб-страницам: выбора ссылок и элементов интерфейса, ввода текста и отправки форм, а также подготовки ответов в соответствии с запросом пользователя. По данным карточки, на тестовых разбиениях WebLINX она набрала 28,8% общего балла и превзошла указанный в README результат GPT-4V zero-shot. Обучение и оценивание охватывают 150 сайтов, однако сами авторы отмечают, что для обобщения на множество не встречавшихся модели сайтов требуются дополнительные данные. Основной язык модели — английский. Для использования необходимо принять условия Meta Llama 3 Community License Agreement.

jhflow/mistral7b-lora-multi-turn-v2 — дообученная текстовая модель семейства Mistral, созданная для многоходовых диалогов в сценариях RAG. Автор сообщает, что для обучения использовал наборы данных с диалогами, основанными на знаниях; шаблон промпта построен по формату ChatML и включает системный промпт, контекст, запрос пользователя и ответ ассистента. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. Лицензия в предоставленных данных не указана.

mmBERT-base — многоязычный двунаправленный энкодер от команды JHU CLSP, построенный на архитектуре ModernBERT и обученный методом masked language modeling. Модель содержит около 307 млн параметров, использует библиотеку Transformers и имеет контекст до 8192 токенов. Энкодер предназначен для многоязычного понимания текста и переноса между языками. Его можно дообучать для классификации, построения эмбеддингов, поиска и ранжирования; опубликованная карточка также указывает превосходство над XLM-R в этих задачах и высокую скорость относительно предыдущих многоязычных энкодеров. Для прямого применения без дополнительного обучения основная задача — заполнение замаскированных фрагментов текста. Модель обучалась более чем на 3 трлн токенов и охватывает свыше 1800 языков, включая низкоресурсные. Карточка описывает обучение на корпусах FineWeb2 и других веб-, научных, справочных и общественных текстах. Репозиторий предоставляет веса PyTorch под лицензией MIT.

LocalDoc/mmBERT-small-en-az — компактный мультиязычный энкодер на архитектуре ModernBERT, созданный сокращением словаря jhu-clsp/mmBERT-small для английского и азербайджанского языков. Из исходного словаря примерно на 256 тысяч токенов оставлено 71 751; размер модели уменьшен примерно на 46%, до 69,7 млн параметров. Слои трансформера не менялись, были сокращены только эмбеддинги. Модель принимает текст и формирует контекстные представления, которые можно использовать для получения эмбеддингов предложений и оценки сходства.

Это sentence-transformers-модель tanbinh2210, дообученная на парах вопросов и подходящих текстов на базе tanbinh2210/mlm-vinai_phobert-base-v2. Она использует RoBERTa PhoBERT и mean pooling, преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов; обучающие примеры включают вопросы и ответы по расчёту налогов на вьетнамском языке. Максимальная длина входа составляет 258 токенов по метаданным; README указывает ограничение 256 токенов. Модель принимает текст и выдаёт эмбеддинги, лучше всего подходит для сопоставления вьетнамских вопросов с релевантными текстами. Для длинных документов потребуется разбиение на фрагменты. Сведения о лицензии в предоставленных источниках отсутствуют.

mrm8488 дообучил модель Sentence Transformers на базе nomic-ai/modernbert-embed-base на испанском наборе данных для оценки семантического сходства предложений. ModernBERT преобразует текстовые предложения и абзацы в плотные эмбеддинги размерностью 768; средний пулинг токенов и нормализация позволяют сравнивать векторы по косинусному сходству. Максимальная длина последовательности — 8192 токена, а Matryoshka-обучение поддерживает сокращённые представления размерностью 512, 256, 128 и 64. Модель подходит для семантического поиска, поиска перефразировок, сравнения предложений, кластеризации и классификации текста на испанском языке. README приводит результаты оценки сходства на STS-наборах, но не описывает проверку на других языках или предметных областях. Базовый репозиторий распространяется под лицензией Apache-2.0; для этой производной модели отдельная лицензия в предоставленных данных не указана.

Это Sentence Transformer, дообученный на базе intfloat/multilingual-e5-small для поиска и сравнения юридических текстов. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384; сходство между ними можно оценивать косинусной близостью. Архитектура состоит из трансформера BERT, усредняющего пулинга токенов и нормализации векторов. Модель подходит для семантического поиска по правовым документам, подбора релевантных фрагментов к запросу, поиска перефразировок и группировки текстов. В README приведены обучающие пары «запрос — фрагмент» и оценка на задаче информационного поиска. Максимальная длина последовательности — 512 токенов; модель рассчитана на многоязычный текст, а приведённый пример обучающих данных — на испанском языке. Это модель эмбеддингов, а не генератор ответов или юридических заключений. Её качество зависит от соответствия корпуса и запросов данным обучения; приведённые метрики относятся к указанной оценке и не гарантируют качество в других правовых системах или языках. В предоставленных материалах сведения о лицензии отсутствуют.

Это многоязычная модель Sentence Transformers, разработанная prodriguezg01: она дообучена на базе intfloat/multilingual-e5-small на наборе embedding-finetuning-glosario. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией, преобразует текстовые предложения и абзацы в плотные векторы размерности 384. Максимальная длина входа — 512 токенов; сходство векторов обычно оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Обучающий набор содержит пары терминов и определений с отрицательными примерами, поэтому модель может быть полезна для сопоставления терминов с описаниями глоссария. В README приведена оценка cosine_accuracy 1.0 на TripletEvaluator для набора validacionCNMV, но это ограниченный результат на конкретной проверке. Модель принимает текст и выдаёт векторы; поддерживаемые языки включают языки семейства multilingual E5, хотя карточка не перечисляет их полный набор. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Nanthasit/my-embedding-gemma — текстовая модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства. Модель принимает текст, поддерживает последовательности до 2048 токенов и предназначена для семантического поиска, сравнения текстов и других задач на основе эмбеддингов. Её можно использовать для поиска похожих документов, обнаружения перефразировок, классификации и кластеризации текстов. Дообучение выполнено с MultipleNegativesRankingLoss на трёх примерах, посвящённых финансовым и страховым вопросам; такой малый объём данных ограничивает основания для выводов о качестве и специализации модели. Лицензия в предоставленных данных не указана.

NeoAraBERT_DA — арабская модель для получения текстовых эмбеддингов, разработанная подразделением U4RASD Центра исследований и политических исследований арабского мира совместно с Американским университетом Бейрута. Она основана на архитектуре NeoBERT и дообучена на диалектном арабском; размер модели — 314,2 млн параметров. Модель предназначена для векторного представления текста и задач понимания арабского языка, включая классификацию и предсказание замаскированных токенов. В README описаны предварительное обучение на разнообразных арабских данных и исследования нормализации, стемминга и обработки диакритики; семейство NeoAraBERT показало высокие результаты на широком наборе арабских задач. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY-SA 4.0.