I.1Поиск и навигация по информации

mrp/simcse-model-roberta-base-thai — модель эмбеддингов предложений на основе XLM-R, обученная с использованием SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Архитектура XLM-RoBERTa содержит около 305,2 млн параметров; модель принимает текст и выдаёт векторные представления. Длина контекста — до 514 токенов. Репозиторий содержит веса PyTorch.

wwydmanski/specter2_pubmed-v0.6 — Sentence Transformer, дообученный на базе allenai/specter2_base на наборе из 10 053 обучающих примеров. Он кодирует предложения и абзацы в плотные векторы размерности 768 и оценивает их сходство по косинусной мере; максимальная длина входа — 512 токенов. Архитектура состоит из BERT-энкодера с усреднением токенных представлений, а в метаданных указан формат safetensors. Модель предназначена для поиска и сопоставления текстов, связанных с публикациями PubMed: её можно применять для семантического поиска, поиска парафразов, кластеризации и классификации текстов. В README приведена оценка cosine accuracy 0,573 на triplet-dev, однако данных для вывода о качестве на других наборах и сценариях нет. Данные карточки не уточняют лицензию; при использовании следует проверить условия базовой модели и репозитория.

sentence-transformers/stsb-roberta-base — модель Sentence Transformers, обученная командой sentence-transformers на архитектуре RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов; доступны версии в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Карточка модели предупреждает, что эмбеддинги имеют низкое качество и модель устарела, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов. Лицензия — Apache-2.0.

VoVanPhuc/sup-SimCSE-VietNamese-phobert-base — модель эмбеддингов предложений для вьетнамского языка, разработанная Vo Van Phuc. Она основана на SimCSE и использует архитектуру RoBERTa PhoBERT; вариант sup обучен с учителем для получения векторных представлений предложений и оценки их семантического сходства. Модель подходит для поиска похожих фраз, семантического поиска и сопоставления предложений на вьетнамском языке. Модель содержит около 162,4 млн параметров по метаданным и принимает последовательности длиной до 258 токенов. Для работы доступны веса PyTorch и Safetensors. README описывает её как модель с высокой эффективностью для эмбеддингов предложений, однако сравнительные результаты и детали обучающих данных в карточке не приведены. Лицензия в предоставленных данных не указана.

TEmA-small — дообученная на базе многоязычной BERT-модели LaBSE модель для сравнения смысловой близости азербайджанских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; базовая модель LaBSE строит общее пространство эмбеддингов для 109 языков. Репозиторий содержит веса PyTorch объёмом около 168,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, кластеризации текстов и ранжирования предложений по смысловой близости. В README приведены результаты сравнительных тестов STS и показатели точности при использовании косинусного, манхэттенского и евклидова расстояний. Модель распространяется по лицензии CC BY 4.0. Специализация заявлена для азербайджанского языка; результаты на других языках в карточке отдельно не подтверждены.

text2vec-large-chinese — модель представления предложений на основе BERT, созданная GanymedeNil. Согласно карточке, в производной версии MacBERT заменён на LERT, а остальные условия обучения сохранены. Модель предназначена для оценки сходства между предложениями и получения векторных представлений текста, которые можно использовать для поиска и сопоставления фраз. Модель содержит 424,3 млн параметров, принимает текст с контекстом до 512 токенов и поддерживает китайский язык. Репозиторий включает веса PyTorch и Safetensors; в README также упомянута версия для ONNX Runtime. Лицензия — Apache-2.0. Карточка не приводит сведения о качестве на конкретных тестах.

ddobokki/unsup-simcse-klue-roberta-small — модель на архитектуре RoBERTa, разработанная для получения векторных представлений корейских предложений и оценки их семантической близости. Её можно использовать через библиотеку Sentence-Transformers для сравнения предложений, поиска семантически похожих текстов и построения векторного поиска. Модель содержит 81,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Репозиторий содержит веса PyTorch и safetensors. Карточка не сообщает отдельную лицензию; ограничения качества и условия коммерческого использования по доступным данным определить нельзя.

BGEbase3gpp-qa-v2Matryoshka — англоязычная модель Sentence Transformers, дообученная iris49 на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов. Обучение проводилось на 56 041 парах anchor–positive; в README примеры связаны с вопросами и ответами по спецификациям 3GPP. Для сравнения используется косинусное сходство. Модель построена на BERT с пулингом CLS-токена и нормализацией выходного вектора. Максимальная длина последовательности — 512 токенов. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64, с небольшим снижением приведённых в README показателей поиска. Модель распространяется по лицензии Apache-2.0.

ATLES-Champion — модель эмбеддингов предложений, созданная Connor (spartan8806) для английского семантического сходства и интеллектуальной маршрутизации запросов в системе ATLES. Это дообученная версия all-mpnet-base-v2 на STS-Benchmark; модель на архитектуре MPNet содержит 136,7 млн параметров, выдаёт векторы размерности 768 и рассчитана на контекст до 514 токенов. В карточке сообщаются высокие результаты на английских задачах сравнения предложений и кластеризации; модель также может применяться для маршрутизации запросов по смыслу. Основной язык модели — английский. Для многоязычного поиска и межъязыкового сопоставления она подходит ограниченно: README отмечает слабые результаты на кросс-языковых задачах и особенно низкие — для турецкого и восточноевропейских языков. Лицензия — MIT.

sentence-transformers/bert-base-nli-mean-tokens — модель Sentence-Transformers на архитектуре BERT, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и использует контекст до 512 токенов; для получения вектора применяется pooling контекстных представлений токенов. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения эмбеддингов для последующей обработки. В карточке указана лицензия Apache-2.0. Авторы пометили модель как устаревшую и предупреждают о низком качестве эмбеддингов; для новых проектов рекомендуют выбрать более современную модель Sentence-Transformers.

shahrukhx01/bert-multitask-query-classifiers — модель на основе BERT с двумя классификационными головами для определения типа коротких текстовых фрагментов. Одна голова различает предложения с ключевыми словами и утверждения или вопросы, другая — утверждения и вопросы. Модель содержит около 12 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для классификации запросов и предложений, например для разделения ключевых фраз, утверждений и вопросов. В карточке указаны наборы Quora Keyword Pairs и Spaadia SQuaD pairs. Она опубликована в форматах PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Bespoke-MiniCheck-7B — модель проверки фактов, разработанная Bespoke Labs и поддерживаемая Liyan Tang и Bespoke Labs. Она принимает документ и отдельное предложение-утверждение и определяет, подтверждается ли оно документом, выдавая метку 0 или 1. Для проверки утверждения из нескольких предложений его сначала нужно разбить на отдельные предложения. Модель дообучена на базе internlm/internlm2_5-7b-chat и использует архитектуру InternLM2 с 7,4 млрд параметров. Контекст составляет до 32 768 токенов; документы длиннее этого предела требуют разбиения. В README сообщается о высокой пропускной способности при запуске через vLLM, но результаты зависят от оборудования и сценария. Карточка указывает английский язык. Модель предназначена для проверки соответствия утверждений опорным документам; лицензия в предоставленных данных не описана.

dariolopez/bge-m3-es-legal-tmp-3 — модель Sentence Transformers, дообученная разработчиком на основе BAAI/bge-m3 для работы с испанскими текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразирований, кластеризации и классификации. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией векторов; максимальная длина последовательности — 8192 токена. Для сравнения векторов в карточке указана косинусная близость. Модель можно применять для семантического поиска по испанским документам и построения систем поиска и группировки текстов. Лицензия — Apache-2.0. Карточка называет модель специализированной для юридического испанского, однако приведённые сведения не описывают датасет или отдельную юридическую оценку, поэтому качество на конкретных юридических корпусах по ним установить нельзя.

Bioformer-16L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-2 — модель Sentence Transformer на архитектуре BERT, представленная пользователем pankajrajdeo. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска и сравнения текстов по смыслу. Модель обучалась на парах anchor–positive из набора parquet; название указывает на связь с биомедицинскими текстами UMLS, PubMed и PMC, однако README не раскрывает подробности происхождения данных или обучения. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. В README указаны максимальная длина последовательности 1024 токена и косинусная мера сходства; метаданные подтверждают 50,3 млн параметров и формат safetensors. Обучающие примеры англоязычные, поэтому модель ориентирована на английский. Лицензия в предоставленных сведениях не указана. Результаты зависят от предметной области и качества текста; README не приводит оценки на независимых тестах, а заявленная связь с биомедицинскими источниками не сопровождается описанием состава или качества датасета.

CamemBERTa-L2 — компактная обрезанная версия предварительно обученной модели CamemBERTa, из которой удалены верхние слои энкодера. Модель разработана автором репозитория antoinelouis и содержит 43,5 млн параметров; её архитектура относится к DeBERTa-v2, длина контекста — 512 токенов. Модель предназначена для получения признаковых представлений текста и последующего дообучения под задачи, где решение зависит от всего предложения: классификацию текста, извлечение ответов на вопросы и семантический поиск. Также её можно применять для masked language modeling. Для генерации текста README рекомендует авторегрессионные модели. Модель ориентирована на французский язык. Удаление верхних слоёв уменьшает размер по сравнению с базовой CamemBERTa, но README не приводит отдельной оценки качества или скорости именно этой версии. Лицензия MIT.

SirMappel/DA-SBERT_Old_News_V1 — модель Sentence Transformers, дообученная на датасете ENO на базе CALDISS-AAU/DA-BERT_Old_News_V3. Она преобразует датские предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT и mean pooling; используется косинусное сходство. Модель рассчитана на датский язык, максимальная длина последовательности — 512 токенов (в метаданных указано 514 токенов контекста). Объём модели — 151,7 млн параметров. Модель подходит для поиска и группировки исторических новостных текстов, а также для сравнения формулировок на датском языке. Она выдаёт эмбеддинги, которые можно использовать в прикладных задачах NLP; сама по себе не генерирует текст. Данные README описывают обучение на ENO, но не приводят подробных оценок качества. Лицензия в доступных данных не указана.

ai4data/devdata-search-harrier-270m-nopermute-cmnrl — биэнкодерная модель для создания текстовых эмбеддингов, разработанная как часть семейства DevData Search. Она дообучена на DevDataBench на базе microsoft/harrier-oss-v1-270m для поиска по структурированным статистическим метаданным: модель кодирует запросы и описания данных в векторы, которые можно использовать для извлечения релевантных записей. Это модель эмбеддингов, а не готовый поисковый сервис. Модель построена на архитектуре Gemma3TextModel, содержит 257 млн параметров и принимает текстовые входы. В карточке указана длина контекста 512 токенов; метаданные каталога сообщают о native context в 32768 токенов, поэтому фактический предел может зависеть от конфигурации и способа запуска. Модель поддерживает задачи feature extraction и sentence similarity; лицензия — Apache-2.0.

Funghang/e5-nepali-qa-ir — модель Sentence Transformers, дообученная автором репозитория на базе intfloat/multilingual-e5-base для семантического поиска по вопросам и ответам о непальских паспортах и государственных услугах. Она преобразует текстовые запросы и документы в плотные векторы размерности 768; сходство оценивается косинусной мерой. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений, максимальная длина последовательности — 514 токенов по метаданным. Модель предназначена для поиска релевантных ответов на вопросы о паспортах Непала, сопоставления запросов с документами, поиска перефразировок, кластеризации и классификации текста. Обучение описано на 3 840 парах запрос–релевантный текст, также приведён набор из 820 оценочных примеров. Основной язык примеров — непальский; базовая модель многоязычная. Для использования нужны текстовые входы; результатом служат эмбеддинги, пригодные для семантического поиска и сравнения текстов. Модель не генерирует ответы самостоятельно. Репозиторий распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательной атрибуцией и ограничением на коммерческое применение.

thivy/embeddinggemma-300m-norwegian-health-granite-ds-v1 — модель Sentence Transformers на основе google/embeddinggemma-300m, дообученная на наборе eti-embedding-training-data-2048-gemma-v3. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 для сравнения по косинусному сходству; максимальная длина входа — 2048 токенов. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск похожих фрагментов, выявление перефразировок, классификацию и кластеризацию. В README приведены результаты оценки на тестовых наборах для triplet-сопоставления и информационного поиска. Название модели и примеры данных указывают на норвежский медицинский контекст, однако карточка не описывает медицинскую точность или клиническую пригодность; применять её следует как текстовый энкодер, а результаты проверять для конкретного корпуса. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

susnato/ernie-m-large_pytorch — конверсия весов ERNIE-M Large из формата PaddlePaddle в PyTorch, выполненная автором репозитория; исходную модель разработала Baidu. Это плотная мультиязычная модель семейства ERNIE-M с 658,7 млн параметров и контекстом до 514 токенов. Она предназначена для извлечения семантических представлений предложений и межъязычных задач: сопоставления предложений, определения текстового следования, распознавания именованных сущностей и ответов на вопросы после настройки под соответствующую задачу. Модель обучалась выравнивать представления языков с помощью восстановления маскированных токенов и обратного перевода на моноязычных корпусах. В карточке перечислены 14 языков, включая русский, английский, китайский, арабский и хинди. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Это базовая модель извлечения признаков, поэтому классификация и ответы на вопросы обычно требуют подходящей обвязки или дообучения.

HiLS-Attention-7B — англоязычная базовая языковая модель Tencent с 6,9 млрд параметров, дообученная продолжением предобучения на базе allenai/Olmo-3-1025-7B. Она использует иерархическое разреженное внимание HiLS: механизм оценивает важность фрагментов контекста по сжатым ключам и выбирает нужные фрагменты, чтобы ускорить работу с длинными последовательностями. Модель предназначена для генерации текста и сценариев с длинным контекстом — например, поиска информации, ответов на вопросы и суммаризации длинных документов. Заявлены экстраполяция контекста за пределы расширения YaRN в 4 раза и сопоставимые результаты на коротких и средних контекстах. В метаданных указан контекст 131 072 токена. Чекпойнт обучен примерно на 50 млрд дополнительных токенов с разреженным вниманием HiLS и позиционным кодированием HoPE с расширением длины через YaRN. Для загрузки нужны код и конфигурация из проекта HiLS-Attention: стандартный API AutoModel библиотеки Transformers напрямую не поддерживается. Модель не прошла настройку инструкций и безопасности, поэтому её ответы могут быть неточными, предвзятыми или небезопасными. Лицензия — Apache-2.0.

Mungert/Jan-v2-VL-high-GGUF — это GGUF-квантизированная версия мультимодальной модели Jan-v2-VL-high, разработанной командой Jan на базе Qwen/Qwen3-VL-8B-Thinking. Модель содержит около 8 млрд параметров, обрабатывает текст и изображения и предназначена прежде всего для многошаговых задач в реальных программных средах, включая управление браузерами и настольными приложениями. Она может использовать скриншоты, вызовы инструментов и промежуточное состояние для выполнения длинных последовательностей действий с минимальным накоплением ошибок. Вариант high ориентирован на более глубокое рассуждение и допускает большее время обработки по сравнению с вариантами low и med. GGUF-файлы подготовлены с использованием llama.cpp; автор применяет избирательное повышение точности отдельных важных слоёв сверх стандартной конфигурации IMatrix, что должно улучшать точность при заданном уровне квантования, но увеличивает размер файла. Модель поддерживает сценарии локального запуска через Jan App и llama.cpp; для исходной модели также указана интеграция с vLLM. В качестве сильных сторон заявлены стабильное выполнение длинных цепочек действий, визуальное заземление и сохранение качества на стандартных текстовых и визуальных задачах относительно базовой Qwen3-VL-8B-Thinking. Ограничениями являются повышенные требования к задержке и размеру файла у варианта high, а также отсутствие в карточке точных сведений о размере контекста, конкретных поддерживаемых языках помимо заявленного английского и системных требованиях. Указана лицензия Apache 2.0.

jua-4B-mixed — модель текстовых эмбеддингов для семантического поиска по бразильским юридическим материалам, разработанная ufca-llms на основе Qwen/Qwen3-Embedding-4B. Модель дообучена на смешанной разметке: юридических парах JUÁ-Juris, законодательных данных и вопросно-текстовых примерах SQuAD-pt_BR-V1.1. Она предназначена для плотного поиска по разнородным правовым источникам, поиска документов по вопросу и формирования поискового слоя для RAG-систем. Смешанное обучение рассчитано на сочетание специализации в бразильской юриспруденции с устойчивостью к более широким семантическим запросам. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров, контекст — до 40 960 токенов; основной язык — бразильский португальский. Для запросов рекомендуется использовать инструкции на стороне запроса. В README приведены результаты оценки на нескольких юридических наборах данных, включая JUÁ-Juris, JurisTCU, NormasTCU и BR-TaxQA-R. Модель распространяется под лицензией MIT. Она предназначена для получения эмбеддингов и поиска, а не для генерации текста как основной задачи.

mesolitica выпустила текстовую embedding-модель на базе Llama 2 для получения векторных представлений текста. Модель содержит 1,7 млрд параметров и распространяется в формате safetensors. Обучение проводилось на малайскоязычных текстах с контрастивной функцией потерь и последовательностями до 8 тысяч токенов; при инференсе заявлена возможность работы с контекстом до 32 768 токенов. Модель предназначена для извлечения признаков и построения эмбеддингов, например для поиска и сравнения текстов на малайском языке. В README приведён пример результата размером 12 × 1536. Лицензия в предоставленных данных не указана.

KhanCold/llama3-8b-spader — дообученная методом обучения с подкреплением модель Llama 3.1 8B Instruct, созданная в рамках работы SPADER. Метод предназначен для длинных последовательностей взаимодействия с инструментами и вопросов, допускающих несколько правильных ответов. Он использует пошаговое сравнение параллельных траекторий для оценки преимуществ действий и поощряет поиск редких сущностей, снижая награду за повторяющиеся результаты. Модель рассчитана на генерацию текста и диалоговое применение, включая ответы на вопросы с несколькими ответами и сценарии работы агента с инструментами. Веса доступны в формате safetensors; размер модели — около 7,5 млрд параметров, контекст — до 131 072 токенов. В карточке указана лицензия Apache-2.0.

OctopusMind/longbert-embedding-8k-zh — модель эмбеддингов на основе BERT для вычисления сходства между предложениями на китайском языке. Она основана на bert-base-chinese: исходные позиционные кодировки заменены на ALiBi, что позволяет обрабатывать последовательности длиной до 8192 токенов. В карточке указана поддержка дообучения методом CoSENT. Модель предназначена для получения векторных представлений текстов и сравнения их косинусного сходства, в том числе для поиска близких по смыслу формулировок и семантического поиска. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0. Размер модели составляет 129,5 млн параметров.

BSC-NLP4BIA/Medprocner-Biencoder — модель эмбеддингов предложений на базе архитектуры RoBERTa, опубликованная в пространстве BSC-NLP4BIA. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит 153,2 млн параметров, принимает текст и формирует векторные представления; длина контекста составляет 514 токенов. Обучение использовало TripletLoss с евклидовой метрикой и отступом 5. Доступны веса в формате safetensors. Название указывает на медицинскую специализацию, однако README не уточняет языки и конкретные медицинские сценарии или датасеты. Лицензия в предоставленных данных не указана.

MiniCheck-Flan-T5-Large — модель проверки фактов из проекта MiniCheck, созданная для определения, подтверждает ли документ отдельное утверждение. Она принимает документ и предложение-утверждение и возвращает бинарную метку: 1, если документ его поддерживает, и 0, если нет. Модель построена на архитектуре Flan-T5-Large и содержит 385,2 млн параметров; для запуска используется библиотека Transformers, формат весов — PyTorch. Модель предназначена для проверки фактической обоснованности предложений в ответах языковых моделей по предоставленным документам, в том числе для контроля генераций и фактчекинга на уровне предложений. В README сообщается о сравнении с другими специализированными фактчекерами на бенчмарке LLM-AggreFact; заявленные результаты относятся к оцениванию на реальных утверждениях без искусственно внесённых ошибок. Контекст составляет 512 токенов, поэтому объём документа и утверждения ограничен этим размером. Лицензия — MIT.

mmBERT-32K-YaRN — многоязычная модель семейства ModernBERT, разработанная для семейства vLLM Semantic Router Mixture-of-Models на основе jhu-clsp/mmBERT-base. Контекстное окно расширено с 8 192 до 32 768 токенов с помощью масштабирования RoPE методом YaRN. Модель содержит около 307 млн параметров и предназначена для заполнения масок в тексте; её также можно применять для понимания длинных документов, семантической маршрутизации запросов, классификации документов и поиска информации в длинных текстах. Модель обучалась на многоязычном корпусе CC-100. В карточке указана поддержка более 1 800 языков базовой модели, а метаданные перечисляют английский, немецкий, французский, испанский, китайский, японский, русский, арабский, корейский и португальский. Доступны веса Safetensors и экспорт ONNX; лицензия — MIT. По данным карточки, точность извлечения существенно снижается для удалённых фрагментов дальше 2 048 токенов, несмотря на окно в 32 768 токенов. Для полного контекста требуется значительный объём видеопамяти — около 180 ГБ на один пример. Данные CC-100 могут наследовать смещения веб-краула.

YenLuis/modelo-qa-beto-finetuned-pdqa — модель для извлечения ответов на вопросы на испанском языке, разработанная на основе `Lisibonny/modelo_qa_beto_squad_es_pdqa` и дообученная на наборе `Lisibonny/pdqa` с новостями Доминиканской Республики. Она использует архитектуру BERT и содержит 137,1 млн параметров; максимальная длина контекста составляет 512 токенов. Модель предназначена для поиска ответа в предоставленном тексте, например в новостной статье. На валидации указаны Exact Match 60,00 и F1 76,93. Набор данных невелик: в обучающей и валидационной выборках вместе 60 примеров, поэтому метрики имеют высокую вариативность; модель также может хуже справляться с длинными ответами, списками имён и перечислениями. Лицензия — Apache-2.0.