I.1Поиск и навигация по информации

BM-K/KoSimCSE-Unsup-RoBERTa — модель корейских векторных представлений предложений из семейства KoSimCSE. Она основана на RoBERTa и предназначена для получения эмбеддингов текста, которые можно использовать для сравнения семантической близости предложений. Модель подходит для семантического поиска и кластеризации корейских текстов. В карточке указано 137,8 млн параметров и контекст до 514 токенов; доступны веса PyTorch и Safetensors. README описывает обучение KoSimCSE без разметки на корпусе Wikipedia и приводит семантический поиск и кластеризацию как downstream-задачи. Сведения о лицензии в предоставленных данных отсутствуют.

KoVRE — модель эмбеддингов Whybe Choi для поиска страниц корейских документов по текстовому запросу. Она дообучена на базе Qwen/Qwen3-VL-Embedding-2B и содержит 2 млрд параметров. Модель сопоставляет запрос непосредственно с изображением страницы, сохраняя визуальные и структурные сведения о таблицах, иллюстрациях и макете без отдельного распознавания текста или разбора разметки. KoVRE предназначена для поиска по отсканированным или отрисованным страницам, мультимодального RAG и построения крупных индексов документов. Она выдаёт один L2-нормированный плотный вектор размерностью от 128 до 2048; для поиска релевантности используется косинусное сходство. Обучение включало контрастивное обучение на корейских и английских парах «запрос—страница» и дистилляцию оценок релевантности от Qwen3-VL-Reranker-8B. Модель специализируется на корейских визуальных документах; качество для обычных изображений и других языков, кроме корейского и английского, не установлено. Оценка ограничена двумя корейскими наборами, а сходство является сигналом ранжирования, а не калиброванной вероятностью. Репозиторий распространяется по лицензии Apache-2.0.

LaBSE-geonames-15K-MBML-10e-v1 — дообученная модель Sentence-Transformers на базе многоязычной BERT-модели LaBSE. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска по смыслу и кластеризации. Модель рассчитана на работу с русским и английским текстом; максимальная длина контекста составляет 512 токенов. В обучении использовалась функция потерь MegaBatchMarginLoss, а лицензия — Apache-2.0. Модель подходит для семантического поиска и группировки текстов, в частности связанных с GeoNames. Карточка не приводит подробных результатов оценки или описания ограничений обучающих данных, поэтому качество на конкретных наборах текстов следует проверять отдельно.

macavaney/laff — модель, разработанная Sean MacAvaney для оценки обучаемого сходства между парами документов в задачах информационного поиска. Она используется в PyTerrier Adaptive и связана с подходом Quam: Adaptive Retrieval through Query Affinity Modelling, где оценки близости помогают строить граф связей между документами и выполнять адаптивное переранжирование результатов поиска. Модель основана на архитектуре BERT и имеет около 136,7 млн параметров; максимальная длина входного контекста составляет 512 токенов. По связанным материалам она дообучена на англоязычных данных MS MARCO и предназначена для вычисления affinity score между двумя текстами документов. Сильная сторона модели — применение семантической близости документов в графовых и адаптивных поисковых системах. Она не является универсальной генеративной моделью, не предназначена для диалога или генерации текста, а её оценки зависят от домена и качества входных документов. В доступных источниках лицензия самой модели не подтверждена.

QuantFactory/Llama-3-8B-Web-GGUF — квантизированная версия модели McGill-NLP/Llama-3-8B-Web, созданная с использованием llama.cpp. Базовая модель — Meta-Llama-3-8B-Instruct, дообученная исследовательской командой McGill-NLP на наборе WebLINX. Модель предназначена для создания человекоориентированных агентов, способных взаимодействовать с веб-сайтами через диалог и выполнять навигационные действия. Модель ориентирована на сценарии веб-браузинга, включая выбор ссылок и элементов интерфейса, ввод текста, отправку форм и формирование согласованных ответов пользователю. Обучение проводилось на 24 тысячах отобранных примеров из более чем 100 тысяч взаимодействий WebLINX, охватывающих 150 сайтов и задачи бронирования, покупок, написания текстов, поиска знаний и работы с таблицами. Указан английский язык. Архитектура Llama с 8B параметров и поддержка мультимодальных входов или размер контекста в README не описаны. На тестах WebLINX модель показала общий результат 28,8% на доменно-отложенных разбиениях; в README также приведено преимущество над GPT-4V в сценарии zero-shot по этому бенчмарку. Сильной стороной является специализация на диалоговом управлении веб-навигацией, однако качество может зависеть от сайтов и сценариев, представленных в данных, а обобщение на миллионы невиденных сайтов прямо обозначено как открытая проблема. Модель распространяется по лицензии llama3; конкретные условия квантизированного релиза дополнительно не указаны.

LumynaX Embed IBM Granite 278M Multilingual — архивный эксперимент AbteeX AI Labs на базе многоязычной модели эмбеддингов IBM Granite. Веса базовой модели сохранены без изменений; интеграция выполнялась через маршрутизацию во время работы и привязку идентичности. Архитектура — плотный энкодер XLM-RoBERTa с 305,2 млн параметров, реализованный на Sentence Transformers; репозиторий содержит веса PyTorch в формате Safetensors. Нативная длина контекста — 514 токенов. Модель предназначена для получения текстовых эмбеддингов, семантического поиска, извлечения релевантных документов и сравнения предложений. В метаданных отмечены английский и маори; базовая модель заявлена как многоязычная. Карточка помечает выпуск как устаревший и не рекомендует его для промышленного применения. Лицензия — Apache 2.0.

MEXMA — мультиязычный кросс-языковой энкодер предложений, разработанный авторами исследования «MEXMA: Token-level objectives improve sentence representations». Модель дообучена на основе FacebookAI/xlm-roberta-large и объединяет цели обучения на уровне предложений и токенов: представление предложения на одном языке используется для предсказания маскированных токенов на другом языке. Модель предназначена для получения представлений предложений и сопоставления текстов на разных языках. Авторы сообщают о более высоком качестве в поиске соответствующих переводных фрагментов и ряде последующих задач по сравнению с другими предварительно обученными кросс-языковыми энкодерами предложений. В репозитории указаны архитектура XLM-RoBERTa, 658,7 млн параметров и контекст до 514 токенов; модель использует Transformers и формат safetensors. Для представления предложения следует брать выход энкодера CLS напрямую: pooler модели не обучался. Лицензия — MIT. README не приводит количественные результаты по конкретным задачам и не перечисляет поддерживаемые языки по отдельности.

ZhangYuchi/modelbest-Qwen-2.5-Omni-7B-SFT-with-DPO — мультимодальная модель семейства Qwen2.5-Omni, разработанная ZhangYuchi. Это полнопараметрическая DPO-настройка SFT-модели для бенчмарка OmniGAIA и агентных вопросов с несколькими ходами и использованием инструментов. Модель предназначена для рассуждений по видео, аудио и изображениям, а также для работы с внешними инструментами поиска и анализа медиа. Модель основана на Qwen/Qwen2.5-Omni-7B; веса сохранены в формате safetensors. README указывает, что это checkpoint-60, обученный на парах предпочтений из собственных траекторий SFT-модели; использовано 962 пары из семи из восьми частей данных. Метаданные указывают языки английский и китайский, библиотеку Transformers и лицензию Apache-2.0. Базовая модель поддерживает диалог с текстом, изображениями, аудио и видео и может выдавать текстовые и речевые ответы. Модель подходит для мультимодальных вопросов и ответов с применением инструментов, включая поиск в интернете и активное восприятие медиа. Результаты OmniGAIA зависят от случайного seed и траекторий использования инструментов; улучшение от DPO не проявляется на каждом seed. README также отмечает ошибки восприятия длинного аудио и визуальных объектов, дрейф веб-поиска и зависимость оценок от LLM-судьи. Модель наследует ограничения базовой Qwen2.5-Omni-7B.

Модель Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_8 — классификатор текста на основе BERT, опубликованный пользователем Jeevesh8 на Hugging Face. Она предназначена для задачи QQP (Quora Question Pairs): определения, являются ли два вопроса дубликатами или семантически эквивалентными формулировками. Модель относится к семейству BERT и поддерживает конвейер text-classification. Модель содержит около 136,7 млн параметров и имеет максимальную длину контекста 512 токенов. Она подходит для бинарной классификации пар вопросов, дедупликации пользовательских запросов и оценки семантической близости формулировок. Модель не предназначена для генерации текста, ответов на вопросы или распознавания речи. Лицензия в доступных данных не указана.

checkiejan/multi-qa-mpnet-base-dot-v1-covidqa-search-4-epochs — модель Sentence-Transformers на базе архитектуры MPNet, разработанная для представления предложений и абзацев в виде плотных векторов размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель обучалась с Triplet Loss; название репозитория указывает на настройку для поиска ответов на вопросы о COVID-19 в течение четырёх эпох. Она подходит для получения текстовых эмбеддингов, которые затем можно использовать для поиска релевантных фрагментов или группировки похожих текстов. В метаданных указаны формат PyTorch и задача sentence-similarity. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют.

Это модель Sentence Transformers на базе MuRIL и архитектуры BERT, дообученная для получения векторных представлений предложений и абзацев. Разработчик указан в идентификаторе и карточке модели как pritamdeka. Модель преобразует текст в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Модель предназначена прежде всего для оценки семантического сходства на ассамском языке, а также для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Максимальная длина входной последовательности — 512 токенов. В README приведены результаты оценки сходства на переводных наборах STS для ассамского языка. Модель принимает текст и выдаёт векторы; качество зависит от соответствия входных данных ассамскому языку и задачам, на которых её обучали и оценивали. Лицензия в предоставленных данных не указана.

MyAwesomeModel — модель из репозитория asdad456/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и предназначенная для извлечения признаков из входных данных. В метаданных Hugging Face для неё указан pipeline-тег feature-extraction, а также совместимость с PyTorch и семейством BERT. README описывает обновлённую версию модели с улучшениями рассуждений, понимания текста, генерации кода, ответов на вопросы, классификации, анализа тональности, суммаризации и других задач. Однако эти заявления не согласуются с указанным в метаданных назначением feature-extraction, поэтому модель следует прежде всего рассматривать как инструмент получения векторных представлений для последующих NLP-задач. Модель распространяется по лицензии MIT. Размер, длина контекста и поддерживаемые естественные языки в доступных данных не указаны.

MyAwesomeModel — модель на базе BERT, опубликованная пользователем sdafaf33 на Hugging Face и предназначенная для извлечения признаков из текста. Модель работает с библиотекой Transformers и PyTorch, а её основной pipeline-тег — feature-extraction, поэтому она может использоваться для получения векторных представлений текстов в прикладных системах машинного обучения. Такие представления подходят для семантического поиска, кластеризации, классификации и построения других NLP-компонентов. README также заявляет улучшенные возможности рассуждения, генерации кода, диалога и вызова функций, однако эти утверждения не согласуются с указанным pipeline-тегом feature-extraction и не подтверждены техническими характеристиками модели. Модель распространяется по лицензии MIT. В доступных данных нет подтверждённых сведений о размере, длине контекста, поддерживаемых естественных языках и точной архитектурной конфигурации.

sentence-transformers/nli-bert-base — модель Sentence Transformers, разработанная командой sentence-transformers и основанная на архитектуре BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска по смыслу и кластеризации текстов. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 512 токенов. Доступны варианты весов в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска, сопоставления предложений и группировки похожих текстов. В README указано, что качество её эмбеддингов низкое и модель устарела; авторы рекомендуют выбрать более новые модели Sentence Transformers. Лицензия — Apache-2.0.

nomic-embed-text-v1-unsupervised-cs-surgery — расширенная версия текстовой модели эмбеддингов Nomic AI, подготовленная для академических текстов по компьютерным наукам. Разработчик добавил 500 англоязычных слов в токенизатор и соответствующие строки в матрицу входных эмбеддингов NomicBert. Новые векторы инициализированы средними значениями векторов старых частей слов; дополнительного дообучения не проводилось. Модель предназначена для преобразования текстов в эмбеддинги, например для поиска и сравнения академических публикаций по компьютерным наукам. Контекст составляет до 8192 токенов. Репозиторий распространяется по лицензии Apache-2.0. Для загрузки требуется trust_remote_code=True; README отмечает, что геометрия представлений для нового словаря может улучшиться после дальнейшего контрастивного обучения.

OdiaSBERT-STS — модель семейства SBERT от команды L3Cube-Pune, входящая в проект MahaNLP. Это модель на архитектуре BERT, дообученная на датасете оценки семантического сходства предложений (STS) поверх l3cube-pune/odia-sentence-bert-nli. Она преобразует тексты на одия в плотные векторные представления для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 264,8 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для оценки сходства пар предложений, семантического поиска и кластеризации текстов на одия. Для работы с эмбеддингами в Transformers требуется применять соответствующую операцию pooling к контекстным представлениям токенов; README также описывает использование Sentence-Transformers. Лицензия — CC BY 4.0. Карточка не сообщает результаты качества или ограничений помимо указанных характеристик.

rpro57/Os_Vencedores1 — модель Sentence Transformer на архитектуре BERT, обученная разработчиком rpro57 для получения векторных представлений предложений и абзацев. Она предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Модель выдаёт плотные эмбеддинги размерности 384; сходство можно оценивать косинусной близостью. В карточке приведена оценка поиска по медицинскому датасету Vigilante-Medico, а обучающие примеры написаны на португальском языке. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 128 токенов. При использовании следует учитывать это различие и ориентироваться на конфигурацию загруженной модели. Данных о лицензии в доступных источниках нет.

OPI-PIB/pl-ModernBERT-large — крупный предварительно обученный энкодер ModernBERT для обработки польского языка, разработанный как часть семейства Polish ModernBERT. Это плотная модель с 28 слоями и размером скрытого представления 1 024; в репозитории указано около 474,5 млн параметров. Она принимает текст длиной до 8 194 токенов и предсказывает пропущенные токены, а после дообучения может использоваться как основа для классификации документов, разметки последовательностей, оценки сходства, поиска и переранжирования. Модель обучена примерно на 44,5 млрд польских токенов. Архитектура использует RoPE, GeGLU, предварительную нормализацию и чередование глобального и локального внимания; веса опубликованы в формате safetensors. В README приведены оценки на польских задачах NLU, включая KLEJ и LongContext, где модель показывает конкурентные результаты среди крупных польских энкодеров. Для перечисленных прикладных задач потребуется адаптация или дообучение под целевой сценарий. Лицензия — Apache-2.0. Модель предназначена прежде всего для польскоязычных задач; качество и применимость к другим языкам не подтверждены приведёнными сведениями.

0xnu/pmmlv2-fine-tuned-yoruba — модель эмбеддингов Finbarrs Oketunji, дообученная на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для работы с йоруба. Она использует архитектуру BERT и библиотеку Sentence Transformers; размер — 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель преобразует текст в векторные представления и предназначена для сравнения смысловой близости предложений на йоруба. Её можно применять для поиска похожих фраз и семантического поиска. Метаданные также указывают поддержку множества других языков. Лицензия — MIT. README не сообщает подробностей о данных дообучения и оценке качества.

harpertoken/quiz — модель на базе DistilBERT, дообученная для извлечения ответов из текста по вопросу. Она принимает вопрос и отрывок и указывает фрагмент отрывка, который считает ответом; модель не генерирует ответный текст и не включает поиск по документам или диалоговую логику. Архитектура — DistilBertForQuestionAnswering: шестислойный энкодер с размерностью скрытого слоя 768 и примерно 66 млн параметров. Модель использует SQuAD и рассчитана на англоязычные тексты. Контекст ограничен 512 токенами суммарно для вопроса и отрывка; регистр не различается из-за uncased WordPiece-токенизатора. Модель подходит для извлечения ответа из короткого контекста, например, из абзаца справочного текста. Обучение на англоязычных абзацах Википедии ограничивает перенос на специализированные области, многошаговые вопросы и длинные документы. Лицензия — MIT.

violetxi разработала Qwen3.5-9B Harvey v4 Notes-Conditioned — полноразмерный чекпойнт Qwen3.5-9B, дообученный для агентных сценариев Harvey с использованием заметок и траекторий, обусловленных заметками. Обучение сочетало 70% размеченных токенов заметок и 30% токенов ответов ассистента из таких траекторий; опубликованная версия checkpoint-612 завершает два эпоха и 612 обновлений оптимизатора. Модель использует плотную архитектуру Qwen3.5 с 9 млрд параметров, сохранена в safetensors и загружается через Transformers. Метаданные указывают на диалоговые возможности и интерфейс вызова инструментов; в README описан протокол работы с файлами через glob, grep и read. Базовая модель мультимодальна, однако карточка описывает обучение и оценку текстовых агентных задач, поэтому заявленная задача — генерация текста. В исторической оценке доля попыток, прошедших все критерии, составила 3,30% при лимите в 5 ходов и 6,20% при 20 ходах; это результаты конкретного протокола, без нового бенчмарка для публикации. Лицензия — Apache-2.0.

LorMolf/Qwen-Embedding-ProcCode — модель текстовых эмбеддингов, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска по материалам итальянских государственных закупок. Она принимает запросы в формате «Instruct: \nQuery: » и текст документов без префикса инструкции, преобразуя их в представления для семантического поиска и извлечения релевантных материалов. Для обучения применялись LoRA и функция потерь InfoNCE; контекст обучения и оценки составлял до 32 768 токенов. Модель ориентирована на retrieval по статьям, исходным документам и узлам вики, связанным с закупками. В метаданных указаны архитектура Qwen3, около 507,6 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

SiMohand-278M — модель эмбеддингов предложений с архитектурой XLM-RoBERTa, дообученная разработчиком на базе intfloat/multilingual-e5-base для кабильского языка (таqbaylit, латиница). Она преобразует текст в векторы для семантического поиска, извлечения passages, кластеризации предложений и межъязыкового сопоставления кабильского с английским и французским. Модель содержит около 305 млн параметров, использует библиотеку sentence-transformers и поддерживает контекст до 514 токенов. Обучение проведено на 511 549 парах переводов с матрёшечным обучением представлений; в заявленном тесте bitext retrieval достигнуто Recall@1 97%, при этом срез в 64 измерения не показал измеримого ухудшения относительно полного вектора из 768 измерений. Модель предназначена для поиска переводного соответствия и семантической выдачи в сценариях Kabyle–English и Kabyle–French. Она не предназначена для генерации или перевода и не оценивалась на поиск кабильских перефразирований, работу вне распределения обучающих данных, безопасность, токсичность или смещения. Результат Recall@1 относится к тесту на переводных парах из источников, также представленных при обучении, а не к общей оценке семантического сходства. Лицензия — Apache-2.0.

Это компактная модель Sentence Transformer, дообученная автором репозитория jimmydzj2006 на базе Snowflake/snowflake-arctic-embed-xs. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные текстовые эмбеддинги размерностью 384 для сравнения по косинусному сходству. Максимальная длина входа — 512 токенов; модель рассчитана на поиск семантически близких текстов и другие задачи сравнения и группировки предложений. Модель обучена на 2730 парах текстов с использованием MatryoshkaLoss и MultipleNegativesRankingLoss. В примерах датасета вопросы сопоставляются с ответами о действиях по снижению рисков генеративного ИИ и экологических последствиях, поэтому модель подходит для поиска по материалам этой тематики. Она также может применяться для поиска документов, выявления перефразировок, кластеризации и получения признаков для классификации. В карточке приведены результаты оценки retrieval, однако они не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

Spiking Sentence Embedder от PulseNet-Labs — модель на основе спайковой нейронной сети для создания векторных представлений предложений и оценки их семантического сходства. Архитектура использует нейроны Leaky-Integrate-and-Fire, временные токенные эмбеддинги, семантическое внимание на основе совпадений и пулер с обучением через обратное распространение во времени. Реализация доступна для PyTorch и Hugging Face в формате safetensors; для загрузки требуется пользовательский код архитектуры modeling_spiking.py и параметр trust_remote_code=True. Модель предназначена для двуязычных задач семантического сходства текста на индонезийском и английском языках. В README указано обучение дистилляцией знаний с геббовской пластичностью от учительской модели и корреляция Пирсона 0,7514 с учителем на двуязычном STS-B. Разреженные бинарные активации задуманы для снижения теоретического энергопотребления относительно плотного внимания. Лицензия Apache-2.0; размер вектора и практические требования к ресурсам не приводятся.

josedossantos/tree-txtEmenta-legalbert — модель на базе BERT, опубликованная в формате safetensors и использующая библиотеку Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения сходства. Обучение с ContrastiveLoss на косинусном расстоянии нацелено на получение полезных представлений для сравнения текстов. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Название репозитория указывает на связь с юридическими текстами, однако README не описывает конкретные юридические задачи, обучающие данные или поддерживаемые языки. Лицензия в предоставленных сведениях не указана.

victormuryn/use-token-shuffle-no-pt — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она использует архитектуру XLM-RoBERTa и формирует векторные представления предложений. Модель обучена на украинском корпусе UberText 2.0 с контрастивной целью и аугментацией перемешиванием токенов без pool targets; она входит в исследовательскую коллекцию вариантов обучения украинских эмбеддингов. Модель предназначена для получения эмбеддингов украинских текстов, которые можно применять для семантического сравнения и поиска. Параметров — 305,2 млн, контекст — до 514 токенов. Лицензия Apache-2.0. Карточка описывает экспериментальную стратегию обучения, но не приводит сравнительных оценок качества или результатов тестирования.

Карточка модели hoangnb/vietnamese-bi-encoder на Hugging Face совпадает с карточкой bkai-foundation-models/vietnamese-bi-encoder, поэтому описание составлено по ней. Вьетнамская модель для сопоставления предложений и абзацев, разработанная BKAI Foundation Models. Она преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска, ранжирования похожих текстов и кластеризации. В основе лежит PhoBERT-base-v2, дообученная на объединённых данных MS MARCO и SQuAD v2, переведённых на вьетнамский язык, а также на 80% обучающей выборки соревнования Legal Text Retrieval Zalo 2021. Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; максимальная длина контекста — 258 токенов. Для работы с вьетнамским текстом в Hugging Face Widget предусмотрена сегментация слов перед токенизацией. В README приведены результаты на оставшихся 20% выборки Legal Text Retrieval Zalo 2021, включая Acc@1 73,28 и MRR@10 80,73 для обученной модели. Модель принимает текст и возвращает векторные представления, которые можно использовать для поиска и кластеризации. Она обучалась на вьетнамских данных, включая юридические тексты, поэтому результаты на других языках и в иных областях могут быть хуже. Лицензия — Apache-2.0.

Vietnamese_Embedding_fast — модель эмбеддингов на базе Sentence Transformers, разработанная Nguyễn Nho Trung и Nguyễn Nhật Quang и дообученная на BAAI/bge-m3. Она предназначена для поиска релевантных документов по запросам на вьетнамском языке, включая семантический поиск и ранжирование кандидатов по сходству. Для обучения использовано около 300 тысяч троек «запрос — положительный документ — отрицательный документ». Модель имеет архитектуру XLM-RoBERTa, содержит 658,7 млн параметров, выдаёт векторы размерности 1024 и использует скалярное произведение для оценки сходства. В README указана максимальная длина последовательности 2048 токенов, а метаданные указывают нативный контекст 8194 токена. В README модель показала более высокие значения Accuracy@1 и MRR@10, чем BGE-M3 и Vietnamese-bi-encoder (BKAI), на наборе Legal Zalo 2021, который, согласно карточке, не использовался при обучении. Это результат на конкретном наборе данных, и он не гарантирует такое же качество на других задачах или корпусах. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

zagreus-0.4B-ita-embeddings — модель для построения плотных векторных представлений итальянских текстов, созданная на базе Zagreus 0.4B авторами модели. Генеративную модель на архитектуре Llama преобразовали в экстрактор эмбеддингов и дообучили на парах и тройках из итальянской версии набора mMARCO; число параметров составляет 437,7 млн, максимальная длина последовательности в карточке — 4096 токенов. Для получения вектора применяется пулинг по последнему токену и L2-нормализация. При поиске рекомендуется задавать запросы с префиксом `query:`, а документы — с префиксом `passage:`. Модель предназначена для семантического поиска и сравнения сходства запросов и документов, в том числе для поиска по итальянским корпусам. Авторы сообщают о результатах оценки на mMARCO, включая MRR@5 1,0 и точность на тестовых тройках 100%; эти результаты относятся к описанному набору и не гарантируют качество на других данных. README характеризует проект как учебный и исследовательский эксперимент и не рекомендует его для производства. Лицензия — MIT.