I.1Поиск и навигация по информации

SIRIS Lab разработала модель распознавания сущностей для разбора библиографических ссылок; она входит в пакет Citation Parser. Модель на базе DistilBERT дообучена для выделения из текста ссылок названий публикаций, авторов, тома, выпуска, года, DOI, ISSN, ISBN, страниц, журнала и редакторов. Модель предназначена для преобразования неструктурированных цитат в поля метаданных в академических базах данных, редакционных процессах подготовки рукописей и инструментах анализа цитирования. Она обрабатывает многоязычный текст, использует архитектуру RoBERTa для классификации токенов и имеет 151,8 млн параметров и контекст до 514 токенов. В README приведена оценка F1 0,9498 на тестовой выборке из 269 примеров. Модель распространяется по лицензии Apache 2.0. Результаты оценки получены на небольшом тестовом наборе; качество на других языках, форматах ссылок и реальных источниках может отличаться.

AnkushRaut216/Contrastive-Finetuned-for-AI-all-MiniLM-L6-V2 — дообученная контрастивным методом модель семейства MiniLM на текстах, связанных с искусственным интеллектом. Она построена на MiniLM-L6-H384-uncased и использует архитектуру BERT; модель содержит 25,9 млн параметров и рассчитана на текстовые входы длиной до 512 токенов по метаданным. README указывает, что последовательности длиннее 256 word pieces обрезаются, поэтому фактический предел может зависеть от используемого пайплайна. Модель преобразует предложения и короткие абзацы в плотные векторы размерностью 384, пригодные для семантического поиска, оценки сходства и кластеризации текстов. Обучение на парах предложений с контрастивной целью помогает сопоставлять близкие по смыслу фразы; карточка называет специализированную область — тексты об ИИ. Указанный язык карточки — английский. Модель распространяется под лицензией Apache-2.0. Она выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст; качество на других языках и предметных областях в предоставленных данных не описано.

ai4data/devdata-search-harrier-270m-cmnrl — модель-биэнкодер семейства DevData Search, разработанная ai4data для поиска по структурированным статистическим метаданным. Это дообученная версия microsoft/harrier-oss-v1-270m: при обучении на DevDataBench порядок полей переставлялся, а часть полей исключалась, чтобы модель связывала смысл с названиями полей, а не с их порядком в записи. Модель создаёт текстовые эмбеддинги запросов и описаний данных для поиска и сравнения по смыслу, в том числе когда формулировки различаются. Она построена на архитектуре Gemma 3 Text, содержит 257 млн параметров и поддерживает контекст до 32 768 токенов по метаданным. В README для обучения указан максимальный размер последовательности 512 токенов; префиксы запроса и документа не требуются. Модель распространяется с лицензией Apache-2.0 и предназначена для встраивания в поиск, а не для работы как готовый поисковый сервис.

Danica Fisher дообучила англоязычный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель кодирует предложения и абзацы в плотные семантические векторы размерности 384; архитектура включает энкодер BERT, усреднение токенов и нормализацию. Для сравнения векторов используется косинусное сходство. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и получения признаков для классификации. Обучение описано как дообучение на 180 парах предложений с MultipleNegativesRankingLoss. Карточка не сообщает о специализированной поддержке русского языка, поэтому основное применение следует ориентировать на английский текст. Лицензия в предоставленных данных не указана.

DynamicRAG-8B — дообученная модель на базе Meta Llama 3 8B, разработанная авторами проекта DynamicRAG для динамического ранжирования документов в системах генерации с дополнением извлечёнными данными (RAG). Она меняет порядок и количество документов для каждого запроса, используя обратную связь от языковой модели; обучение включает supervised fine-tuning и оптимизацию с подкреплением. Модель предназначена для выбора наиболее полезного контекста перед генерацией ответа. В README описана оценка на семи бенчмарках и использование корпуса англоязычной Википедии 2018 года. Это плотная архитектура Llama с 7,5 млрд параметров, контекстом до 8192 токенов и форматом весов safetensors. Метаданные указывают английский язык и задачи генерации текста и question answering; для пользовательского применения основной сценарий — ранжирование контекста в RAG. Модель распространяется по лицензии Apache 2.0. Для обучения в README указано требование не менее восьми GPU A100 с 80 ГБ памяти; результаты и качество зависят от используемого генератора, корпуса и конфигурации поиска.

Echo-DSRN-v0.1.3-Embed-Intent — многоязычная модель эмбеддингов предложений от Ethicalabs на архитектуре Echo-DSRN, гибридной рекуррентной нейросети с 8 DSRN-блоками. Модель дообучена от ethicalabs/Echo-DSRN-v0.1.3-Embed-Exp на Amazon MASSIVE: около миллиона высказываний на 51 языке. В метаданных указаны 49,9 млн параметров и контекст 2048 токенов; README приводит оценку около 98 млн параметров. Модель предназначена для представления высказываний в виде векторов, чтобы сравнивать их смысл и распознавать намерения и сценарии. На замороженных эмбеддингах в протоколе MTEB для MASSIVE указаны средняя точность 72,42% по 60 намерениям и 79,00% по 17 сценариям. Лицензия — Apache-2.0. Результаты измерялись с левым дополнением последовательностей; карточка предупреждает, что состав батча может влиять на эмбеддинги при таком соглашении о дополнении. В README используется trust_remote_code=True для загрузки модели через Sentence Transformers.

IDEA-CCNL разработала Erlangshen-Roberta-330M-Similarity — китайскую модель семейства RoBERTa, дообученную для оценки сходства текстов. Она основана на chinese-roberta-wwm-ext-large и обучена на 2 773 880 примерах из 20 наборов данных с китайскими перефразированиями. В README размер модели указан как 330 млн параметров, а метаданные Hugging Face указывают 424,3 млн параметров; для запуска предлагаются BertTokenizer и BertForSequenceClassification из Transformers. Модель предназначена для сравнения китайских фраз и предложений, в том числе поиска перефразирований и определения смысловой близости. В карточке приведены результаты на наборах BQ, BUSTM и AFQMC; длина контекста составляет 512 токенов. Модель принимает текстовые пары и выдаёт классификационную оценку сходства. Репозиторий распространяется под лицензией Apache-2.0.

GLiClass Edge v3.0 — компактная модель классификации последовательностей от Knowledgator на архитектуре GLiClass. Она предназначена для классификации текста без обучения на конкретном наборе меток: можно задавать категории для тематической классификации и анализа тональности. Модель также подходит для ранжирования результатов в RAG-системах. В карточке указаны 32,7 млн параметров и размер 131 МБ; веса опубликованы в формате safetensors. Модель обучали на логических задачах, используя LoRA-адаптеры, чтобы сохранить ранее приобретённые знания. По данным README, Edge быстрее более крупных вариантов GLiClass V3 в приведённых тестах, но показывает более низкий F1 на указанных наборах классификации; результаты зависят от задачи и формулировки меток. Поддерживаемые языки и длина контекста в предоставленных данных не обозначены. Лицензия — Apache-2.0.

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

General Video Embedder (GVE-3B) — мультимодальная модель эмбеддингов для поиска видео, разработанная Alibaba-NLP на базе Qwen2.5-VL-3B-Instruct и дообученная с помощью LoRA на 13 млн собранных и синтезированных мультимодальных данных. Она кодирует текст, изображения и видео в представления для сопоставления запросов с видео без дополнительного обучения на целевом домене. Модель предназначена для текстового, визуального и комбинированного поиска по видео, включая запросы о пространственных и временных деталях, длинном контексте и частично релевантных фрагментах. Поддерживает запросы из текста, изображения, видео и их комбинаций; архитектура — плотная Qwen2.5-VL, размер — 3,1 млрд параметров, контекст — до 128 000 токенов. В метаданных указан английский язык. В README заявлены результаты zero-shot оценки на бенчмарке UVRB, включая пространственный и временной поиск. Модель доступна под лицензией Apache-2.0. Она предназначена для извлечения и сопоставления видео, а не для генерации описаний; численные результаты приведены для конкретного бенчмарка и не гарантируют качество на иных данных.

gaurav-mac опубликовал модель на базе BERT для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких фрагментов, кластеризации и сравнения предложений. Обучение с Triplet Loss на евклидовом расстоянии помогает располагать похожие тексты ближе в векторном пространстве. Модель содержит 264,8 млн параметров, принимает текст длиной до 512 токенов и распространяется в форматах PyTorch и safetensors. В названии указаны хинди и датасет SUMO, что указывает на целевую языковую специализацию, однако карточка не раскрывает подробностей о данных и качестве на конкретных наборах. Лицензия в доступных сведениях не указана.

Карточка модели Atgenomix/icd_o_sentence_transformer_128_dim_model на Hugging Face совпадает с карточкой pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb, поэтому описание составлено по ней. 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.

ISOM-Qwen-1.5B-Instruct — инструктивно дообученная языковая модель, разработанная Prannessh K.V.A. на базе Qwen/Qwen2.5-1.5B-Instruct. По карточке, архитектура ISOM добавляет к трансформерным слоям рекуррентное сжатие состояния и динамическую INT8-квантизацию, чтобы ограничивать расход памяти KV-кэша при длинных контекстах. Модель предназначена для диалога, генерации текста и извлечения сведений из длинных последовательностей; заявлено окно контекста 32 768 токенов. В README автор заявляет сокращение рабочей памяти кэша и ускорение декодирования на длинных контекстах, включая тесты поиска факта в последовательности. Это заявления карточки; независимая проверка результатов в предоставленных данных отсутствует. Модель содержит около 1,5 млрд параметров, поддерживает английский язык, доступна в формате safetensors и распространяется по лицензии Apache-2.0. Метаданные также отмечают интерфейс для вызова инструментов.

jina-embeddings-v5-omni-small-classification — мультимодальная модель эмбеддингов от Jina AI, адаптированная для задач классификации. Она построена на архитектуре Qwen3-VL-Audio и принимает текст, изображения, видео и аудио, преобразуя их в векторы размерности 1024 в общем пространстве, совместимом с текстовыми моделями эмбеддингов Jina v5. Размер модели — около 1,56 млрд параметров. Модель предназначена для получения признаковых векторов, которые можно использовать в классификации, а также для индексирования и поиска по разным модальностям: например, индексировать текст и искать по изображению, видеокадрам или аудио без повторной индексации. Видео представляется кадрами; звуковая дорожка автоматически не учитывается и должна передаваться отдельно. Для текстового ввода используется префикс «Document: ». Модель поддерживает мультиязычный ввод; в README описаны способы запуска через Transformers, sentence-transformers и vLLM. Веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Для инференса требуются актуальные версии зависимостей; мультимодальные компоненты можно загружать выборочно для экономии памяти.

haryads/kurdish-sentence-embeddings — модель векторных представлений предложений на центральнокурдском языке (сорани), разработанная для семантического поиска, поиска фрагментов для RAG, кластеризации и оценки сходства. Она преобразует текст в 512-мерные векторы; используется архитектура RoBERTa с усреднением токенов и L2-нормализацией. Базовая курдская RoBERTa обучена с нуля на корпусе из примерно миллиона предложений, затем модель дообучена контрастивным методом на примерно 22 тысячах пар предложений с трудными отрицательными примерами. Модель рассчитана на центральнокурдский (сорани, ckb), записанный арабским письмом. Контекст ограничен 130 токенами по метаданным. README приводит результаты на внутреннем курдском бенчмарке и сообщает о превосходстве над мультиязычной MiniLM в поиске и разделении тем; эти показатели относятся к описанным тестам. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. По README, обучение преимущественно на новостных текстах ограничивает надёжность на узкоспециализированных и разговорных данных; для них может потребоваться дообучение на профильном корпусе. Для лучших результатов рекомендуется нормализовать варианты арабских и курдских символов, ZWNJ и цифры перед кодированием.

LaBSE, дообученная командой Lingtrain на парах предложений на русском и ингушском языках. Модель построена на архитектуре BERT и Sentence-Transformers и преобразует предложения и абзацы в плотные векторы размерности 768; заявленный размер модели — 498,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для сопоставления русских и ингушских текстов в общем векторном пространстве. Её можно применять для семантического поиска, сравнения предложений и кластеризации. Репозиторий содержит веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Redis LangCache Embed v3 Mini — англоязычный BiEncoder на базе Sentence Transformers, дообученный Redis от sentence-transformers/all-MiniLM-L6-v2 для семантического кэширования и поиска похожих запросов. Модель кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает с помощью косинусного сходства. Архитектура включает BERT-энкодер с mean pooling; библиотека — Sentence Transformers. Модель подходит для поиска семантически близких запросов, оценки сходства пар предложений и повторного использования кэшированных ответов в LangCache. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Лицензия — Apache-2.0. В README приведены результаты оценки на наборе с названием «test», но данных недостаточно, чтобы судить о качестве на других наборах и сценариях.

Это англоязычный Cross-Encoder на базе BERT, дообученный разработчиком spraxx от nlpaueb/legal-bert-base-uncased с помощью библиотеки Sentence Transformers. Модель оценивает пары «запрос — фрагмент текста» одним числовым баллом, который можно использовать для ранжирования результатов семантического поиска и повторной сортировки найденных документов. Обучение проводилось на 24 360 примерах с запросами, фрагментами и оценками релевантности. Модель содержит 136,7 млн параметров, принимает текст и обрабатывает последовательности длиной до 512 токенов. Она предназначена для поиска и ранжирования юридических текстов на английском языке; оценку можно также использовать в задаче классификации пар по релевантности. В README и метаданных лицензия не указана.

Карточка модели Monad-dz/legal-embedding-model-V3 на Hugging Face совпадает с карточкой Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, поэтому описание составлено по ней. Arabic-Triplet-Matryoshka-V2 — модель эмбеддингов арабского языка от Omartificial-Intelligence-Space, созданная на базе Sentence Transformers и дообученная на aubmindlab/bert-base-arabertv02. Это плотная BERT-модель с 162,4 млн параметров и контекстом до 512 токенов; она преобразует предложения и абзацы в векторы размерностью 768. Обучение с MatryoshkaLoss формирует вложенные представления, рассчитанные на работу с эмбеддингами разной размерности. Модель предназначена для оценки семантического сходства, поиска и извлечения информации, поиска перефразирований, кластеризации и классификации арабских текстов, а также для использования в системах вопросов и ответов. В README приведены результаты на бенчмарках STS17 и STS22-v2. Модель ориентирована на арабский язык и не заявлена как многоязычная. Качество может снижаться на узкоспециализированных текстах и различаться между диалектами и региональными вариантами арабского языка. Для задач за пределами семантического сходства может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

johnbrumett-uofu/legal-ft-v0 — текстовая Sentence Transformer-модель, дообученная на базе Snowflake/snowflake-arctic-embed-l для семантического поиска и сопоставления предложений и документов. Модель использует архитектуру BERT с пулингом по CLS-токену и нормализацией векторов; она преобразует текст в плотные эмбеддинги размерности 1024, а сходство оценивается косинусной мерой. Модель рассчитана на поиск релевантных документов по запросу, оценку семантического сходства, поиск перефразирований, кластеризацию и классификацию текста. Максимальная длина последовательности — 512 токенов. В README приведены результаты оценки информационного поиска на небольшом наборе, а также описание 156 обучающих примеров; этого недостаточно, чтобы судить о качестве на широком спектре юридических задач. Лицензия в предоставленных данных не указана.

Mizuiro-sakura/luke-japanese-base-finetuned-jstsは、LUKE日本語版をYahoo! JAPANのJGLUEベンチマークに含まれるJSTSデータセットでファインチューニングした文章類似度モデルです。LUKEはTransformerベースの言語表現モデルで、単語とエンティティを別々のトークンとして扱い、エンティティを考慮した自己注意機構を用います。モデルは約138.4 млн параметров, принимает текст и выдаёт оценку сходства предложений по шкале, где 5 — максимальное сходство. Максимальная длина контекста — 514 токенов. Модель предназначена для сравнения японских предложений, ранжирования похожих формулировок и поиска семантически близких текстов. В README приведено значение корреляции Пирсона 0,8971. Это специализированная модель сходства предложений, поэтому её не следует считать универсальной разговорной моделью или использовать для генерации текста. Распространяется по лицензии MIT.

MarkupLM-base — мультимодальная модель Microsoft для понимания веб-страниц и документов с визуально насыщенной структурой. Она обучена совместно на тексте и разметке страниц, чтобы учитывать содержание и структуру HTML при ответах на вопросы и извлечении информации. Работа модели описана в статье ACL 2022 о предварительном обучении текста и разметки для понимания документов. Модель содержит около 151,9 млн параметров, использует архитектуру MarkupLM и распространяется в формате PyTorch. В карточке указана поддержка английского языка и контекст длиной 514 токенов. Репозиторий описывает задачи веб-вопросов и ответов и извлечения информации со страниц; конкретный pipeline-тег в метаданных не указан, поэтому задачам Hugging Face сопоставить её достоверно нельзя. Модель подходит для исследовательских и прикладных систем анализа веб-страниц, которым важно учитывать HTML-разметку вместе с текстом. README ссылается на документацию и демонстрационные блокноты. Лицензия в предоставленных данных не указана.

MedResearcher-R1-32B — специализированная медицинская модель для глубокого поиска и синтеза информации, созданная командой авторов, перечисленных в карточке. Это плотная авторегрессионная модель семейства Qwen2, дообученная на основе Qwen/Qwen2.5-32B-Instruct методом supervised fine-tuning и онлайн-обучения с подкреплением. Она рассчитана на диалоговые сценарии и сложные медицинские запросы, требующие многошагового рассуждения и взаимодействия с инструментами поиска. Модель содержит 32 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. В обучении использованы синтезированные цепочки рассуждений по медицинским графам знаний и траектории с взаимодействиями инструментов. В README сообщается о результатах на MedBrowseComp, GAIA и xBench; заявлены превосходство над крупными системами на медицинском бенчмарке и сопоставимость с GPT-4o-mini на общих бенчмарках. Модель предназначена для исследовательских и вспомогательных задач поиска и обобщения медицинской информации, а не для самостоятельной постановки диагноза или назначения лечения. Она лицензирована по MIT. Практическое использование инструментов поиска требует соответствующей внешней инфраструктуры; качество ответов и медицинские выводы следует проверять.

QuantFactory/mem-agent-GGUF — это квантизированная версия модели driaforall/mem-agent, подготовленная QuantFactory с использованием llama.cpp. Исходная модель основана на Qwen3-4B-Thinking-2507 и дообучена методом GSPO на агентном каркасе с файловой системой памяти, напоминающей Obsidian. Модель предназначена для интеллектуальной работы с долговременной памятью: поиска релевантных сведений, фильтрации или полного сокрытия извлечённой информации, добавления и обновления данных, а также запроса уточнений при неясных или противоречивых пользовательских запросах. Она взаимодействует с инструментами для чтения, создания, обновления и удаления файлов и каталогов. Память организована в виде Markdown-файлов с ссылками между профилем пользователя и сущностями. Модель может использоваться самостоятельно, но разработчики рекомендуют подключать её как MCP-сервер к более крупной языковой модели. Известно, что модель содержит около 4 млрд параметров и ориентирована на текстовую генерацию и агентное взаимодействие; сведения о поддерживаемых языках, размере контекста и конкретных параметрах квантизации в карточке не указаны. На тесте md-memory-bench она получила общий результат 0,75, показав особенно сильные результаты в извлечении, обновлении и фильтрации памяти по сравнению с базовой Qwen3-4B-Thinking-2507. Ограничения включают зависимость от заданного формата Markdown-памяти и инструментального каркаса, а также меньшие возможности по сравнению с более крупными моделями в отдельных сценариях. Лицензия в карточке модели не указана.

Mesolitica/mistral-embedding-191m-8k-contrastive — текстовая модель для извлечения признаков и получения эмбеддингов. Согласно карточке, модель семейства Mistral обучена на задаче создания эмбеддингов для малайзийского текста с контрастивной функцией потерь; обучение использовало усечённые последовательности длиной до 8 тысяч токенов. Метаданные указывают 166,1 млн параметров и нативный контекст до 32 768 токенов. Модель предназначена для преобразования текста в векторы, которые можно использовать в поиске и сопоставлении текстов. В README приведён размер выхода (12, 768), но подробности обработки и оценки качества не описаны. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Mistral-RAG — дообученная модель Michele Montebovi на базе Mistral-Ita-7b для ответов на вопросы. Она поддерживает генеративный режим с развернутыми синтезированными ответами и экстрактивный режим с краткими ответами, извлечёнными из текста. Модель может быть полезна для вопросов по материалам из нескольких источников, образовательных и справочных сценариев. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Карточка указывает итальянский язык; модель распространяется в формате Safetensors по лицензии Apache-2.0. В README не описаны конкретный способ переключения режимов и количественные результаты оценки качества.

ModernBERT-TR — плотный энкодер на архитектуре ModernBERT, разработанный авторами проекта ModernBERT-TR и опубликованный организацией ytu-ce-cosmos. Модель содержит около 149 млн параметров, состоит из 22 слоёв и использует чередование глобального и локального внимания. Она предварительно обучена с нуля как masked-language model и принимает последовательности длиной до 8 192 токенов. Основное назначение модели — предсказывать скрытые токены в тексте. Её можно применять как основу для дообучения классификаторов, задач попарного вывода и поиска, а также для извлечения представлений текста. Обучающие данные преимущественно турецкие; также использовались английский язык, код и небольшой объём параллельных текстов. В описанных оценках модель показала сильные результаты при замороженном энкодере и высокие позиции на турецких бенчмарках. Для запуска доступна через Transformers; в репозитории представлены веса Safetensors и формат ONNX. Лицензия — Apache-2.0. Карточка сообщает о результатах бенчмарков, но не приводит подробных ограничений по качеству или безопасности, поэтому пригодность для конкретного сценария следует проверять отдельно.

MolmoWeb-8B — открытая мультимодальная модель веб-агента, разработанная Ai2. Она предназначена для взаимодействия с веб-сайтами: модель анализирует визуальное представление страницы и формирует ответы или действия агента для выполнения веб-задач. По данным карточки, MolmoWeb показывает высокие результаты на WebVoyager и Online-Mind2Web, а параллельные запуски с выбором лучшего результата повышают pass@4 по сравнению с pass@1. Модель использует архитектуру Molmo2 с языковой основой Qwen3-8B и визуальным энкодером SigLIP 2. Она принимает изображения и текстовые запросы и выдаёт текст; в метаданных указаны поддержка диалога и vision, а основной язык карточки — английский. Весы доступны в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Модель ориентирована на веб-агентные сценарии и может ошибаться при интерпретации страниц или выполнении сложных цепочек действий; README не приводит подробного перечня ограничений и требований к запуску.

Ram934/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текста. В README также указано применение для анализа финансовых текстов, однако обучающий набор описан только как небольшой JSON-датасет из 27 примеров с парами anchor и positive. Архитектура основана на BERT: выходы токенов объединяются с использованием CLS-токена, затем векторы нормализуются. Модель принимает текст, поддерживает последовательности до 512 токенов и вычисляет сходство по косинусной мере. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Небольшой объём обучающих данных ограничивает основания ожидать устойчивого улучшения качества или специализации для финансового домена. Модель рассчитана на английский язык; качество на других языках не подтверждено.

along26/mpnet-base-manglish-triplet — текстовая Sentence Transformer-модель, созданная дообучением microsoft/mpnet-base разработчиком along26 на триплетах Manglish. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов по косинусному сходству. Подходит для поиска семантически близких текстов, выявления перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Модель основана на MPNet и использует усреднение токенных представлений; максимальная длина последовательности — 512 токенов (514 нативных токенов по метаданным). В карточке указан английский язык. Опубликована в формате safetensors, использует библиотеку Sentence Transformers и распространяется по лицензии Apache-2.0. В README для оценки на manglish-dev и manglish-test приведена точность cosine_accuracy 0.0, поэтому качество на этих наборах вызывает сомнения; перед применением следует проверить модель на целевых данных.