I.1Поиск и навигация по информации

OPI-PIB/pl-ModernBERT-512-base — базовая монолингвальная модель-энкодер семейства ModernBERT, предварительно обученная для обработки польского языка. Она предназначена как основа для польских NLP-систем: модель можно дообучать для классификации текстов и документов, разметки последовательностей, регрессии, семантического сходства, поиска и переранжирования. В текущем виде она также поддерживает заполнение пропусков в тексте (fill-mask). Модель содержит 148,7 млн параметров и принимает последовательности длиной до 514 токенов. Архитектура включает 22 слоя, скрытый размер 768, RoPE, слои GeGLU и чередование глобального и локального внимания; используется токенизатор SentencePiece Unigram с размером словаря 50 008. Предобучение проведено на польском корпусе объёмом около 44,5 млрд токенов. В README сообщается о конкурентных результатах на польских задачах NLU, включая KLEJ и FinBench. Для прикладных задач, кроме заполнения пропусков, потребуется адаптация или дообучение. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

PwC-Embedding-expr — мультиязычная модель эмбеддингов, разработанная PwC-AXNode и дообученная на базе intfloat/multilingual-e5-large-instruct для повышения качества представления корейских текстов. Авторы использовали расширенные наборы данных для задач семантического сходства и сбалансировали их при дообучении. Модель построена на архитектуре XLM-RoBERTa и выдаёт векторы размерности 1024. Она подходит для сравнения предложений и оценки семантического сходства; в README приведены результаты оценки на корейской части MTEB, включая KLUE-STS. Максимальная длина входа — 514 токенов. Модель экспериментальная и находится в разработке; распространяется по лицензии Apache-2.0.

Qwen3-32B-AWorld — плотная языковая модель на 29,7 млрд параметров, дообученная InclusionAI на базе Qwen/Qwen3-32B. Она предназначена для агентных сценариев: ведения диалога, решения сложных задач с помощью внешних инструментов и точного формирования вызовов инструментов. В README заявлены высокие результаты на бенчмарке GAIA, включая pass@1 выше GPT-4o и сопоставимый с DeepSeek-V3; это утверждение разработчика, а подробности оценки не приведены. Модель принимает текст и выдаёт текст, включая вызовы инструментов в совместимом с OpenAI API формате. Используется архитектура Qwen3ForCausalLM, формат весов — safetensors, библиотека — Transformers; заявленная длина контекста составляет 131 072 токена. Для работы с инструментами при запросе нужно передавать описания доступных инструментов. Модель распространяется по лицензии Apache-2.0.

cl-nagoya/ruri-large-v2 — японская модель эмбеддингов предложений, разработанная командой cl-nagoya и построенная как Sentence Transformer на базе cl-nagoya/ruri-pt-large-v2. Она преобразует текстовые фрагменты в векторы размерностью 1024; сходство между ними можно оценивать косинусной мерой. Модель основана на архитектуре BERT, содержит 436,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, где нужно сопоставлять тексты по семантической близости. В README приведена оценка 74,55 в среднем по JMTEB, а также результаты по поиску, семантическому сходству, классификации, ранжированию и кластеризации. Разработчики отмечают, что доступны более новые модели Ruri v3 и рекомендуют их для дальнейшего использования. Модель ориентирована на японский язык. Распространяется под лицензией Apache 2.0.

SciEmbed-CTX-2048 — англоязычная модель для построения эмбеддингов научных документов, созданная авторами семейства SciEmbed на базе ModernBERT-base. Это промежуточный вариант в исследовании длины контекста: модель обучена с максимальной длиной последовательности 2048 токенов и использует предложения с контекстом цитирования как основной контрастивный сигнал. В метаданных указаны 149 млн параметров, архитектура ModernBERT encoder и поддержка контекста до 8192 токенов; README описывает вариант сканирования длины контекста 512→2K→8K. Модель предназначена для получения нормализуемых векторов предложений и научных текстов, например для поиска похожих фрагментов и семантического поиска по научным публикациям. Доступна через Sentence Transformers. Лицензия — MIT. Это промежуточная версия в серии вариантов длины контекста, поэтому её характеристики следует соотносить именно с вариантом 2048 токенов.

dangvantuan разработал sentence-camembert-base — модель для получения векторных представлений французских предложений и оценки их семантического сходства. Она дообучена на базе facebook/camembert-base с помощью Siamese BERT-сетей и библиотеки sentence-transformers на данных STSb. Модель содержит 137,8 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно применять для сравнения предложений по смыслу, поиска похожих фраз и построения семантического поиска на французском языке. В тестах на французской части STSb указаны корреляции Пирсона 82,36 и Спирмена 81,64. Модель распространяется по лицензии Apache-2.0. Контекст ограничен 514 токенами; заявленные результаты относятся к оценке на STSb и не гарантируют такое же качество на других данных или задачах.

hiiamsid/sentence_similarity_hindi — модель Sentence-Transformers на архитектуре BERT, разработанная для работы с предложениями и абзацами на хинди. Она преобразует текст в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, семантического поиска и кластеризации текстов. Модель содержит 498,1 млн параметров и поддерживает контекст до 512 токенов. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling для контекстных представлений токенов. Модель обучена с функцией CosineSimilarityLoss и основана на setu4993/LaBSE. Репозиторий содержит веса PyTorch; сведения о лицензии в доступных данных отсутствуют.

Space-Time-MiniLM-v0 — модель кодирования предложений и коротких абзацев, разработанная как исследовательский проект в Department of Computer Science Американского университета Бейрута. Она строит плотные векторы размерности 384, учитывающие смысл текста и связанные с ним временные и пространственные сведения. Архитектура основана на BERT и предварительно обученной sentence-transformers/all-MiniLM-L6-v2; механизм внимания модифицирован для учёта времени и места, после чего модель дообучена на двух пользовательских наборах данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации с учётом контекста времени и географии. Вход включает текст и сведения о периоде и регионе; поддерживаются месяцы с января 2017 по декабрь 2021 года и регионы US, UK, CAN и AUS. README указывает усечение входа длиннее 128 токенов, хотя метаданные задают максимальный контекст в 512 токенов. Выход — векторное представление. Модель распространяется по лицензии Apache-2.0.

aimanfadillah/standardized — дообученная модель Sentence Transformers на базе aimanfadillah/standardized для преобразования предложений и абзацев в плотные векторы размерностью 384. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией; сходство векторов можно оценивать косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка описывает максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README приведён обучающий набор из трёх пар терминов, связанных с функциями бытовой техники, поэтому практическую точность на широких тематиках и языках нельзя считать подтверждённой. Лицензия в предоставленных данных не указана.

Tianmu-Emb-Uni-8B — мультимодальная модель эмбеддингов семейства Tianmu от TianmuLab для поиска и сопоставления данных разных типов. Она объединяет основу Qwen3-VL-Embedding-8B с аудиоветвью, инициализированной из Qwen2.5-Omni-7B; обученные аудиомодули, соединитель, проекцию, адаптер и прототипные модули связывают аудио с общим пространством эмбеддингов. Размерность представления — 3584. Модель предназначена для текстово-визуального и аудиопоиска, поиска по видео и визуальным документам, мультимодального RAG и семантического сопоставления; её оценивали на MMEB-V3. Репозиторий содержит только дообученные модули, а не полные веса базовых моделей. Для запуска нужно отдельно подготовить Qwen3-VL-Embedding-8B и Qwen2.5-Omni-7B и использовать код проекта: штатная загрузка через transformers.AutoModel.from_pretrained не поддерживается. Карточка описывает выпуск как предназначенный главным образом для исследований и оценки; качество может снижаться за пределами доменов MMEB-V3, а поиск по аудио в текущем чекпойнте сложнее классификации аудио. Лицензия репозитория — Apache-2.0; для базовых моделей и зависимостей нужно соблюдать их отдельные условия использования.

Tool-Star-Qwen-7B — языковая модель для пошаговых рассуждений с вызовом внешних инструментов, созданная авторами фреймворка Tool-Star на базе Qwen. В карточке указана базовая модель Qwen2.5-3B-Instruct, а в метаданных Hugging Face — Qwen/Qwen2.5-7B-Instruct; поэтому точная связь между вариантом модели и базовым чекпойнтом неоднозначна. Метаданные описывают архитектуру как плотную Qwen2, класс Qwen2ForCausalLM, размер 7,1 млрд параметров и контекст до 32 768 токенов. Модель обучалась в два этапа: начальная настройка с обратной связью от инструментов и обучение с подкреплением для улучшения совместного использования нескольких инструментов в ходе рассуждений. Она предназначена для генерации текста и диалоговых сценариев, в которых модель формирует вызовы инструментов и использует их результаты. Авторы сообщают об оценке на наборах тестов для сложных рассуждений; карточка называет английский языком модели. В репозитории указаны веса Safetensors, библиотека Transformers и лицензия MIT.

Triton VX Qwen3.5 2B — компактный ассистент Fabrix.ai / RDAF, разработанный на базе unsloth/Qwen3.5-2B и дообученный на технической документации, схемах и форматах цитирования Fabrix. После supervised fine-tuning модель прошла выравнивание предпочтений методом DPO, чтобы выдавать краткие ссылки на отдельные карточки базы знаний вместо длинных списков путей. Модель предназначена для поиска сведений в документации Fabrix и RDAF, подбора документации для настройки виджетов и дашбордов, создания сторибордов и работы с динамическими конвейерами. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, 2 млрд параметров, представленная в формате Safetensors с точностью float16 и лицензией Apache-2.0. Метаданные указывают поддержку диалогового режима и интерфейса вызова инструментов; карточка ориентирует модель на английский язык.

Turkish-e5-Large — дообученная модель ytu-ce-cosmos на базе intfloat/multilingual-e5-large-instruct, созданная на различных датасетах на турецком языке. Она предназначена для преобразования текста в эмбеддинги и семантического поиска: по турецкому запросу помогает находить релевантные фрагменты текста, которые лучше всего отвечают на него. Архитектура — XLM-RoBERTa с плотными векторами; модель содержит 658,7 млн параметров и поддерживает контекст длиной до 514 токенов. Модель подходит для поиска по коллекциям турецких документов и для извлечения релевантных отрывков в системах вопросно-ответного поиска. Лицензия — MIT. В доступном описании не приведены результаты сравнительных оценок качества; область применения модели ограничена турецкими поисковыми запросами и текстами.

UME-R1-7B — мультимодальная модель на архитектуре Qwen2-VL, разработанная авторами проекта UME-R1. По карточке, модель прошла этапы supervised fine-tuning с холодным стартом и обучения с подкреплением. Она формирует представления текста, изображений, нескольких изображений и видео: поддерживает как различительные, так и генеративные эмбеддинги, а повторная генерация представлений может улучшать результаты при выводе. Модель содержит 7,1 млрд параметров, использует библиотеку Transformers и имеет контекст длиной до 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления текста с изображениями или видео, а также для задач сравнения и классификации по сходству. В README заявлено, что она превосходит различительные эмбеддинги, но сведения о наборах обучения и оценки отсутствуют, поэтому это утверждение нельзя независимо оценить по карточке. В метаданных указаны чат и зрительные возможности; основной тег задачи — image-text-to-text. Лицензия — Apache-2.0.

UTC-DeBERTa-base — модель универсальной классификации токенов от Knowledgator, основанная на DeBERTaV3-base и дообученная на нескольких задачах классификации токенов, включая задачи, которые можно представить в таком формате. Архитектура — DeBERTa-v2 для классификации токенов; модель содержит 211,6 млн параметров и обрабатывает до 512 токенов за контекст. Она работает с текстом на английском языке. Модель предназначена для извлечения сущностей и другой информации из текста. Карточка описывает сценарии распознавания именованных сущностей с нулевым обучением, ответов на вопросы, извлечения отношений, разрешения кореференции, очистки и суммаризации текста. Авторы приводят результаты оценки на CrossNER для областей ИИ, литературы, музыки, политики и науки. Модель доступна в формате PyTorch через библиотеку Transformers, а для распознавания сущностей авторы рекомендуют pipeline `ner`. Лицензия — Apache-2.0. README не уточняет ограничения сверх длины контекста и английского языка, указанных в метаданных.

Vela Omni Nano — мультимодальная модель семейства Vela от разработчика semantic-router, предназначенная для получения векторов признаков в общем пространстве текстов, изображений, речи и окружающих звуков. Её можно использовать для поиска между модальностями, маршрутизации запросов и кластеризации; в README также приведены результаты классификации текста и поиска соответствий между изображениями и текстом. Модель содержит около 163,8 млн параметров и формирует нормализованные эмбеддинги размерностью 384. По описанию, текстовые и графические вычисления сохранены относительно предыдущей малой модели, а аудиопредставление расширено замороженной ветвью CLAP для окружающих звуков; аудиоэмбеддинги обучались и оценивались отдельно. Репозиторий предоставляет веса в формате Safetensors и использует PyTorch. Лицензия — Apache-2.0. В опубликованных сравнениях модель показывает сильные результаты на англоязычных и аудиобенчмарках среди моделей сопоставимого размера. Многоязычное покрытие остаётся ограничением; также авторы отмечают ухудшение на задачах поиска речь–текст и кластеризации звуков транспорта относительно предыдущей версии. В README указано ограничение текста до 128 токенов для описанного протокола оценки; это не подтверждает максимальную длину входа при использовании модели.

BarraHome разработала англоязычную модель эмбеддингов для семантического поиска по технической документации, особенно по корпоративной инфраструктуре и виртуализации. Это дообученная на базе BAAI/bge-base-en-v1.5 модель Sentence Transformers с архитектурой BERT, примерно 136,7 млн параметров по метаданным. Она преобразует текстовые запросы и документы в плотные 768-мерные векторы для поиска и сравнения по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для поиска по базам знаний технической поддержки, корпоративного поиска и использования в RAG-системах; README сообщает об улучшении полноты поиска на тестовом наборе технических запросов относительно базовой модели. Она ориентирована на английский язык и техническую документацию, поэтому качество на других языках и в общих текстовых задачах не гарантируется. Лицензия — MIT.

allenai/aspire-biencoder-compsci-spec — плотный BERT биэнкодер, разработанный авторами исследования «Multi-Vector Models with Textual Guidance for Fine-Grained Scientific Document Similarity». Модель инициализирована из allenai/specter и дообучена на 1,2 млн пар совместно цитируемых научных статей с помощью контрастивного обучения. Она кодирует заголовок и аннотацию статьи в один вектор; параметры scalar mix для объединения представлений слоёв в этой версии не включены. Модель предназначена для поиска и ранжирования статей по сходству на уровне документа, особенно в компьютерных науках. Её можно применять для поиска научной литературы по запросу, представленному заголовком и аннотацией; для других задач, например классификации, потребуется дополнительное дообучение. Ограничение контекста составляет 512 токенов. В карточке указаны английский язык и лицензия Apache-2.0.

ASTRA-14B-Thinking-v1 — дообученная командой проекта ASTRA модель на базе Qwen/Qwen3-14B, предназначенная для многошаговых задач с использованием инструментов. Это плотная авторегрессионная языковая модель семейства Qwen3 на 14 млрд параметров; она поддерживает диалог и интерфейс вызова инструментов. Для обучения применялись supervised fine-tuning на траекториях работы с инструментами и многошаговое обучение с подкреплением по проверяемым наградам. Контекстное окно составляет 133 120 токенов. Модель рассчитана на планирование действий, построение цепочек вызовов инструментов и структурированные рассуждения в агентных сценариях. В README сообщается о высоком результате на многоходовой подзадаче BFCL-V3 среди моделей сопоставимого размера. Поддерживаемые языки в карточке не перечислены; модель предназначена для работы с текстом и выдаёт текст, включая вызовы инструментов. Лицензия — Apache-2.0. README указывает исследовательское и образовательное назначение; это ограничение само по себе не определяет зрелость модели.

Это модель классификации последовательностей на базе BERT base cased, дообученная автором на наборе GLUE QNLI. Она оценивает пары текстов в задаче определения, следует ли ответ на вопрос из данного фрагмента текста. В карточке указано, что модель использовалась для сравнения google/fnet-base с bert-base-cased; на оценочной выборке QNLI приведены accuracy 0,9099 и loss 0,3986. Модель содержит 135,5 млн параметров, принимает текстовые входы и рассчитана на контекст до 512 токенов. Она подходит для классификации пар «вопрос — фрагмент» и экспериментов с оценкой ответа по контексту. Поддерживаемый язык — английский. Доступна под лицензией Apache-2.0; карточка не приводит подробностей о разбиении классов, обучении или ограничениях применения.

Модель ruanchaves/bert-base-portuguese-cased-assin2-similarity — дообученная версия BERTimbau base, разработанная на основе neuralmind/bert-base-portuguese-cased. Она предназначена для оценки семантического сходства двух текстов на португальском языке с помощью классификационной головы BertForSequenceClassification и обучалась на наборе ASSIN 2. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт результат классификации. Её можно применять для сравнения перефразировок, поиска похожих предложений и оценки сходства текстовых пар на португальском языке. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

BetterWright-K2-Horizon-7B-Uno — плотная языковая модель ProCreations для управления браузером в среде BetterWright. Это полнопараметрическое дообучение IFM/K2-Horizon-7B на 3 840 отобранных траекториях работы агента; корневые веса содержат дообученную авторегрессионную модель, а в каталоге adapter/ поставляется неизменённый diffusion-адаптер Uno для ускорения генерации. Модель принимает текстовые наблюдения DOM и выдаёт текст, включая XML-вызовы инструментов; она рассчитана на системный промпт BetterWright и инструменты browser, done и ask. Поддерживает английский язык, режимы рассуждения none, low, medium и high, а базовая модель имеет контекст до 524 288 токенов. Модель предназначена прежде всего для выполнения браузерных задач внутри BetterWright, например поиска сведений на сайтах и взаимодействия с веб-страницами через инструменты. README сообщает о 1,85 принятых токенах на один проход модели с Uno на промптах BetterWright и сохранении качества генерации авторегрессионных весов при проверке набросков. Модель обучалась один этап на синтетических траекториях от двух моделей-учителей; заявленных оценок бенчмарков нет. Лицензия — Apache-2.0. Обучение ограничивало длину траекторий 65 536 токенами, а длинное поведение за пределами этого диапазона не проверялось. Данные создавались без скриншотов, поэтому модель работает по текстовым наблюдениям DOM; авторы ожидают от неё лучших результатов в BetterWright, чем в роли универсального ассистента. Uno-адаптер не переобучали на новых авторегрессионных весах.

AXERA-TECH представила конвертированную и оптимизированную для NPU AX650 версию bge-m3. Модель использует квантизацию w8a16 и формат ONNX; в репозитории также есть файл axmodel для запуска на поддерживаемых устройствах AX650. Карточка указывает совместимость с Pulsar2 6.0-dirty и время выполнения 188,7 мс на указанной конфигурации AX650. Модель предназначена для получения эмбеддингов и вычисления сходства предложений, например, для семантического поиска и сравнения текстов на устройстве с AX650. README упоминает оптимизацию с LoRA, но не уточняет её назначение или базовый репозиторий; поэтому происхождение классифицировано как неизвестное. Репозиторий распространяется по лицензии MIT. Для запуска требуются совместимая платформа AX650 и соответствующее программное окружение.

Модель seongil-dn/bge-m3-kor-retrieval-451949-bs64-book — Sentence Transformer, дообученный разработчиком на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она использует трансформер XLM-RoBERTa с пулингом CLS и нормализацией; размерность векторов — 1024, сходство измеряется косинусной метрикой. В карточке указана максимальная длина последовательности 1024 токена, а в метаданных — нативный контекст до 8194 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Суффикс имени и обучающие данные указывают на настройку для поиска по книгам на корейском языке, однако карточка не приводит оценок качества или подробностей датасета. Метаданные указывают 658,7 млн параметров и формат safetensors. Лицензия в предоставленных данных не приведена.

pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb — модель эмбеддингов предложений на базе BERT, опубликованная пользователем pritamdeka. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель обучалась на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB, включая наборы данных по биомедицинским текстам. Веса содержат 135,5 млн параметров, максимальная длина контекста составляет 512 токенов. Модель принимает текст и возвращает эмбеддинги; указанные наборы данных и название BioBERT указывают на специализацию для биомедицинского и научного текста. Для использования требуется корректная операция pooling поверх контекстных представлений либо Sentence-Transformers. Лицензия CC BY-NC 3.0 ограничивает коммерческое использование.

NeuML разработала BiomedBERT Small Embeddings — компактную модель на архитектуре BERT, дообученную с помощью Sentence Transformers для получения эмбеддингов биомедицинских текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и подходит для семантического поиска, кластеризации и формирования контекста для RAG по научным и медицинским публикациям. Модель содержит 25,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для обучения использовались пары заголовков и аннотаций из PubMed; обучение включало дистилляцию эмбеддингов и дальнейшую настройку на оценках модели-реранкера. В README сообщается о результатах на наборах PubMed QA, PubMed Subset и PubMed Summary и о возможности работы на CPU. Модель ориентирована на англоязычные биомедицинские тексты. Она выдаёт векторные представления, а не готовые ответы на вопросы; качество следует проверять на целевых данных и сценариях. Лицензия — Apache-2.0.

BLING Sheared-LLaMA 2.7B 0.1 — англоязычная инструкционная модель от llmware, дообученная для узкого круга задач с контекстом, включая сценарии RAG. Она построена на Sheared-LLaMA-2.7B и предназначена для локального запуска на ноутбуке, в том числе без специализированной квантизации, для прототипирования и работы с чувствительными корпоративными данными. Модель генерирует ответы на вопросы по предоставленному контексту, извлекает ключевые значения и выполняет базовое суммирование. В карточке приведены результаты тестирования RAG-Instruct-Benchmark-Tester: средняя оценка 90,25 из 100, при этом результаты по математике и логике ниже, чем по другим проверенным задачам. Архитектура — плотная LlamaForCausalLM, размер — 2,6 млрд параметров, контекст — 4096 токенов. Лицензия — Apache 2.0. Модель может давать неполные или неточные ответы; результаты следует проверять, особенно для сложных вопросов и математических задач. Оценка в карточке основана на двух тестовых прогонах и не гарантирует качество на других данных.

maastrichtlawtech/camembert-base-lleqa — модель эмбеддингов на базе CamemBERT, разработанная Maastricht Law and Tech Lab. Она кодирует предложения и абзацы на французском языке в плотные векторы размерностью 768 и предназначена для поиска релевантных документов по юридическим вопросам, семантического поиска и кластеризации. Модель дообучена контрастивным методом на 9,3 тыс. пар вопросов и статей из датасета LLeQA; корпус включает законодательные статьи Бельгии и вопросы граждан, размеченные юристами. Архитектура содержит 137,8 млн параметров, работает с контекстом до 514 токенов и распространяется в формате PyTorch. На тестовой выборке LLeQA из 195 вопросов и корпуса из 27,9 тыс. статей модель показала MRR@10 36,55 и Recall@10 58,27. Она формирует эмбеддинги для ранжирования и поиска, но сама не генерирует юридические ответы и не заменяет проверку источников специалистом. Лицензия — Apache-2.0.

Caregiver-FT-v1 — текстовая модель Sentence Transformers, дообученная автором ernestobs7 на Snowflake/snowflake-arctic-embed-l для семантического поиска по материалам об уходе и боковом амиотрофическом склерозе (БАС). Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура включает BERT, пулинг CLS-токена и нормализацию. Модель рассчитана на последовательности до 512 токенов, а сходство векторов оценивается косинусной мерой. Модель подходит для поиска ответов в текстах о БАС, сопоставления вопросов с релевантными фрагментами, оценки семантической близости, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка cosine_accuracy@1 0,9167 и @3/@5 1,0 на небольшом наборе данных; обучающий набор содержит 98 пар. Эти результаты не гарантируют качество на других корпусах. Лицензия в предоставленных данных не указана.

Amdestya/ce-bm25cat-distilbert — кросс-энкодерный переранжировщик на основе DistilBERT, созданный для оценки релевантности пары «запрос — фрагмент текста» с учётом оценки BM25. Вход строится в порядке «запрос, оценка BM25, фрагмент»; оценка нормализуется глобально по диапазону 0–50 и подаётся как текст. Модель выдаёт логит: более высокое значение означает более релевантный фрагмент. Модель обучена с бинарной разметкой релевантности и функцией потерь cross-entropy; для ранней остановки использовалась nDCG@10 на валидации. Она предназначена для переранжирования результатов информационного поиска, когда к запросу и фрагменту доступна оценка BM25. Для корректного применения важны порядок входных частей и совпадение распределения оценок с обучающим: README указывает на BM25 из Anserini/Lucene с параметрами k1=0.82 и b=0.68. Репозиторий оформлен как эталонный артефакт исследования по воспроизведению работ в области информационного поиска. Модель основана на DistilBERT, использует архитектуру классификации последовательностей и формат safetensors; библиотека — sentence-transformers. Контекст ограничен 512 токенами. Лицензия — Apache-2.0. В README также заявлено, что это MiniLM-L12, однако метаданные указывают DistilBERT, поэтому точная архитектура чекпойнта описана неоднозначно.