I.1Поиск и навигация по информации

sentence-croissant-llm-base — модель для построения эмбеддингов французских предложений, опубликованная Wissam42. Она дообучена методом Siamese-BERT на базе CroissantLLMBase с использованием библиотеки sentence-transformers и французской обучающей части набора STS-B. Архитектура — плотная LlamaModel размером 1,3 млрд параметров; модель принимает текст и выдаёт векторные представления предложений, пригодные для сравнения семантической близости. Контекст модели — до 2048 токенов. Модель предназначена для поиска похожих по смыслу предложений, семантического поиска и оценки сходства французских текстов. Карточка указывает французский язык; базовая CroissantLLM описана как франко-английская, но специализация этой модели — французские эмбеддинги. Лицензия — MIT.

Модель sentence-embeddings-xllora-xlmr-afr разработана для получения векторных представлений предложений на языке африкаанс. Она основана на XLM-R и дообучена методом XL-LoRA для обучения представлений предложений в условиях нехватки языковых ресурсов. Размер модели — 305,2 млн параметров, максимальный контекст — 514 токенов; формат весов — PyTorch. Модель предназначена для оценки семантического сходства, поиска предложений и кластеризации текстов на африкаанс. В исходной схеме представления объединяются скрытые состояния первого и последнего слоёв с равными весами, затем применяется усреднение по токенам. Для получения эмбеддингов можно также использовать стандартное усреднение по токенам, но результаты могут немного отличаться от опубликованных в статье. Обучение проводилось на синтетических наборах триплетов; лицензия — MIT.

Это модель Sentence Transformer на архитектуре MPNet, разработанная на основе microsoft/mpnet-base и дообученная автором репозитория на наборе sxc_med_llm_chemical_gen. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска похожих текстов и других задач представления текста. Модель поддерживает семантический поиск, поиск перефразирований, кластеризацию и классификацию текста; сходство можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов, число параметров — 136,7 млн. Модель подходит для поиска и группировки текстов в химической тематике, отражённой обучающим набором, а также для других задач сходства английских текстов. Ограничение лицензии Apache 2.0 позволяет использовать модель на её условиях. В README приведён результат cosine_accuracy 0,9838 на TripletEvaluator, но он относится к указанной оценке и сам по себе не гарантирует такое же качество на других данных.

SIFTA — многоязычная модель для бинарной классификации новостных текстов на правдивые и фейковые. Её разработал Muhammad Umair Khan в рамках выпускного проекта SIFTA в Sir Syed University of Engineering and Technology; модель дообучена на базе xlm-roberta-base и использует архитектуру XLM-RoBERTa для классификации последовательностей. В репозитории указано 305,2 млн параметров, формат весов safetensors и контекст до 514 токенов. Модель предназначена для выявления дезинформации в английских и урдуязычных новостях, заголовках и коротких фрагментах. Она возвращает метку TRUE или FAKE; в платформе SIFTA этот результат объединяется с сигналами проверки источников для формирования итоговой оценки доверия. В README приведены результаты тестирования на отложенной выборке, включая macro-F1 0,9695 в целом и 0,9053 для урду, однако эти показатели относятся к указанному набору данных и не гарантируют качество на других источниках. Модель распространяется по лицензии MIT. Она оптимизирована для коротких текстов до 256 токенов; сатира и мнения могут классифицироваться ошибочно. Для оценки достоверности её следует применять вместе с проверкой источников, а не как единственное основание для решения.

Twitter-XLM-Roberta-base — многоязычная модель семейства XLM-Roberta, разработанная Cardiff NLP и обученная примерно на 198 млн твитов. Это базовая модель с архитектурой XLMRobertaForMaskedLM, примерно 305,2 млн параметров и контекстом до 514 токенов; доступны веса PyTorch и TensorFlow. Модель предназначена для работы с многоязычными сообщениями из Twitter: она предсказывает замаскированные токены, а также может использоваться для вычисления сходства твитов, в том числе между текстами на разных языках. Это полезно для анализа и поиска похожих публикаций в социальных сетях. Карточка не приводит точный список поддерживаемых языков и лицензию, поэтому их нельзя уточнить по предоставленным данным. Модель обучена на твитах, и её качество на других жанрах текста не подтверждено в карточке.

UMLS-ED-Bioformer-16L-V-1 — модель Sentence Transformer на основе Bioformer-16L, дообученная для получения векторных представлений предложений и абзацев. Она кодирует медицинские и биомедицинские тексты в плотные векторы размерностью 384 и рассчитана на поиск семантически похожих фрагментов, семантический поиск, поиск парафраз, классификацию и кластеризацию. Модель использует архитектуру BERT с усреднением токенных представлений, поддерживает последовательности до 1024 токенов и сравнение векторов по косинусному сходству. Для обучения применялась TripletLoss на парах и тройках текстов; в примерах данных встречаются медицинские термины на нескольких языках. Лицензия в предоставленных данных не указана.

VEJI-V2 — компактная модель типизированного выбора кандидата и принятия структурированных решений, опубликованная racore. Это не генеративная языковая модель: она получает контекст, вопрос или инструкцию и список вариантов, совместно оценивает варианты и возвращает лучший ответ, вероятности, оценку уверенности и фрагменты контекста, использованные для решения. Модель использует замороженный многоязычный энкодер paraphrase-multilingual-MiniLM-L12-v2, маршрутизацию свидетельств, рекуррентное уточнение с GRUCell и признаки точного совпадения, чисел, отрицаний и токенов кода. Обучаемая часть содержит около 3,28 млн параметров без учёта энкодера. Модель предназначена для классификации, маршрутизации запросов, извлечения ответа из заданных вариантов, проверок политик, семантического сопоставления, анализа кода и многошаговых вопросов по контексту. В README заявлена обработка контекста до 250 000 символов с повторным использованием закодированного состояния; тестовая точность составила 82,95% на выборке из 522 вопросов. Указаны английский и арабский языки, формат PyTorch и лицензия MIT. Ответ ограничен предоставленными вариантами, поэтому качество зависит от их полноты и формулировок. Оценка основана на небольшой выборке; в ней слабы ранжирование, планирование, временной порядок, некоторые числовые проверки и предсказание точного вывода кода. Начальная компиляция длинного контекста может быть затратной, а полный тест на длинном контексте не завершился.

Voicelab/vlt5-base-keywords — модель генерации ключевых фраз, обученная NLP Research Team компании Voicelab.ai на научных аннотациях и заголовках из польского корпуса POSMAC. Это энкодер-декодер на архитектуре T5 с 137,5 млн параметров, основанный на t5-base. Модель получает заголовок и аннотацию статьи и генерирует ключевые слова, используя как извлечение фраз из текста, так и абстрактивную генерацию. Модель рассчитана прежде всего на польский и английский языки и может применяться для автоматической индексации научных публикаций, подготовки метаданных и поиска статей по содержанию. Обычно для аннотации сопоставимой с обучающими данными длины она генерирует около 3–5 ключевых фраз. Более длинный текст рекомендуется разделять на небольшие фрагменты. Ключевое ограничение — результат может быть точным, но неполным; длина входного текста и число ключевых слов влияют на соответствие обучающим данным. Репозиторий распространяется по лицензии CC BY 4.0.

NeuML/word2vec-quantized — квантованная статическая модель векторных представлений слов, подготовленная NeuML для библиотеки StaticVectors. Она предназначена для получения эмбеддингов слов и сравнения сходства предложений; запускать инференс можно на Python с NumPy. Модель использует Word2Vec и 10×256 Product Quantization, что сокращает размер представлений. Репозиторий содержит веса в формате safetensors, а метаданные указывают библиотеку staticvectors и английский язык. Лицензия — Apache-2.0. Карточка описывает получение векторов слов, но не приводит оценок качества или подробностей об ограничениях квантования.

Argos 2B — дообученная и объединённая с адаптером модель Fabrix AI на базе Qwen3.5-2B, предназначенная для диалогового поиска знаний Fabrix/RDAF, цитирования документации и подготовки наборов пользовательских виджетов для дашбордов. Модель обучалась методом supervised fine-tuning на базе знаний и рецептах виджетов, а затем была настроена с помощью Direct Preference Optimization (DPO), в частности для соблюдения формата ссылок на карточки базы знаний и порядка зависимостей виджетов. Это плотная модель архитектуры Qwen3.5ForConditionalGeneration с 2,3 млрд параметров, опубликованная в формате safetensors с 16-битными весами. Метаданные указывают поддержку чата и интерфейса вызова инструментов; языковая карточка указывает английский. Для примеров оценки в README заявлены 100% точности формата карточек на 22 примерах и 59,1% точного совпадения цитат на предпочтительных парах; это результаты описанных авторами оценок, а не гарантия качества в других сценариях. Лицензия — Apache-2.0.

Το Aristotle είναι модель Sentence Transformer, дообученная авторами репозитория novelcore на базе intfloat/multilingual-e5-base для греческого языка. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство векторов можно оценивать косинусной близостью. Архитектура включает XLM-RoBERTa, mean pooling и нормализацию. Максимальная длина последовательности — 512 токенов; в метаданных указано контекстное окно 514 токенов. Модель подходит для семантического поиска и сопоставления греческих текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. README приводит оценки информационного поиска на тестовой и валидационной выборках. Модель опубликована под лицензией Apache-2.0.

sifat-febo/banglish-embed-tiny — созданная с нуля автором карточки компактная модель эмбеддингов на базе BERT для сопоставления предложений на бенгальском языке и Banglish — бенгальском языке, записанном латиницей. Модель содержит 3,1 млн параметров, использует собственный словарь из 16 000 токенов и рассчитана на ввод текста. Контекст ограничен 64 токенами. Модель предназначена для поиска соответствующих предложений между бенгальским письмом и латинской записью Banglish, в том числе для межскриптового поиска и оценки сходства. По описанному в README тесту она первой находила соответствие примерно в 99% случаев среди 2 000 кандидатов. Веса доступны в форматах Safetensors и ONNX; автор указывает, что модель работает на CPU, телефонах и в браузере. Для модели требуется собственный токенизатор, поэтому она не подходит напрямую для конвейеров, рассчитанных на стандартный многоязычный токенизатор. Длинные тексты обрезаются примерно после 50 слов Banglish или 15 слов бенгальским письмом; модель предназначена только для оценки смыслового сходства предложений. Лицензия — Apache-2.0.

sentence-transformers/bert-base-nli-stsb-mean-tokens — модель Sentence-Transformers на базе BERT, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов; для построения эмбеддингов используется pooling контекстных представлений BERT. Модель доступна в форматах PyTorch, TensorFlow, JAX, ONNX и OpenVINO и распространяется по лицензии Apache-2.0. Авторы пометили её как устаревшую и предупреждают о низком качестве эмбеддингов, поэтому для новых систем семантического поиска и сравнения предложений рекомендуются более современные модели.

NeuML/biomedbert-base-reranker — англоязычный биомедицинский кросс-энкодер, дообученный NeuML на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext с использованием библиотеки sentence-transformers. Модель принимает пары текстов и оценивает их сходство или релевантность; оценки подходят для ранжирования результатов семантического поиска по медицинской литературе. Обучающие пары сформированы из выборки заголовков и аннотаций PubMed, а также похожих заголовков. Модель основана на BERT с архитектурой BertForSequenceClassification, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. В README описана оценка на наборах PubMed QA, PubMed Subset и PubMed Summary; кросс-энкодер показал преимущество над сравнивавшимися би-энкодерами и late-interaction моделями, но требует больше вычислений и подходит для обработки небольших наборов кандидатов. Лицензия — Apache-2.0.

SIRIS-Lab/citation-parser-SPAN — модель для разметки токенов, предназначенная для выделения и разбора элементов библиографических цитат. По идентификатору модели она ориентирована на обработку ссылок и цитирований в научных текстах, например на извлечение отдельных компонентов цитаты для последующего структурирования библиографии. Разработчик в доступных данных не указан. Модель построена на архитектуре DeBERTa-v2 и использует библиотеку Transformers. Она содержит около 211,6 млн параметров и поддерживает контекст длиной до 512 токенов. Основная модальность — текст; языки в метаданных и README не определены. Лицензия также не указана, поэтому условия распространения и коммерческого использования следует уточнить на странице модели.

DocsGPT-7B — языковая модель семейства Llama, разработанная Arc53 и дообученная с помощью LoRA на основе Llama 2 7B. Она предназначена для генерации ответов, опирающихся на переданную в контексте документацию, и рассчитана на разработчиков и команды технической поддержки, которым нужно отвечать на вопросы по документации и результатам поиска по документам. Модель содержит 6,6 млрд параметров, принимает текстовый запрос и контекст и генерирует текст; заявленное окно контекста — 4096 токенов. README сообщает об обучении на 50 тысячах примеров; бенчмарки ещё в работе. Модель распространяется по лицензии Apache-2.0, допускающей коммерческое использование. Её специализация — ответы по предоставленному контексту; качество и надёжность ответов за пределами этого сценария не описаны.

Эмбеддинг-модель на базе Sentence Transformers, дообученная автором yasserrmd на google/embeddinggemma-300m для работы с разговорным эмиратским арабским. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство между текстами оценивается косинусной мерой. Модель рассчитана на последовательности до 2048 токенов и обучалась на 12 324 парах предложений с функцией потерь MultipleNegativesRankingLoss. Модель подходит для семантического поиска и сравнения фраз, поиска перефразирований, кластеризации и классификации текстов на эмиратском арабском. Автор описывает оценку на разговорных примерах из повседневных и культурных тем, включая приветствия, семью и еду. По README, модель может переоценивать сходство фраз с противоположным смыслом и менее надёжна на отрицаниях, абстрактных выражениях и тонких эмоциональных различиях. Лицензия в предоставленных данных не указана.

gme-Qwen2-VL-2B-Instruct-i1-GGUF — это набор квантованных GGUF-файлов мультимодальной модели gme-Qwen2-VL-2B-Instruct, разработанной Alibaba-NLP и квантованной mradermacher. Модель предназначена для задач работы с текстом и изображениями, включая семантическое сходство, эмбеддинги и мультимодальный поиск; в метаданных также указана совместимость с MTEB, Sentence Transformers и Vidore. Заявлены английский и китайский языки. В основе лежит архитектура Qwen2-VL с размером 2B параметров; модель относится к vision-моделям, поэтому для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. README не указывает размер контекстного окна и подробные характеристики модальностей. Доступны варианты квантования примерно от 0,5 до 1,4 ГБ: более компактные варианты экономят память, но могут заметно уступать в качестве; для баланса скорости и качества рекомендован вариант Q4_K_M. Модель удобна для локального запуска в формате GGUF и сценариев, где важны небольшие требования к ресурсам и обработка визуально-текстовых данных. Ограничениями являются снижение качества у низкобитных квантов, необходимость совместимого ПО и возможных mmproj-файлов, а также отсутствие в README результатов бенчмарков и сведений о безопасной эксплуатации. Лицензия — Apache-2.0.

lingtrain/labse-udmurt — модель Sentence Transformer, созданная дообучением многоязычной LaBSE командой Lingtrain для работы с предложениями и абзацами на удмуртском языке. Она кодирует текст в плотные векторы размерностью 768 и сравнивает их косинусным сходством. Модель основана на BERT, содержит 498,1 млн параметров; максимальная длина последовательности в README указана как 256 токенов, а контекстное окно в метаданных — 512 токенов. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также для кластеризации и классификации текстов. В обучающих данных использовались пары предложений, в том числе удмуртские фразы с русскими переводами; обучение проводилось с MultipleNegativesRankingLoss. Репозиторий содержит веса PyTorch и Safetensors. Модель предназначена прежде всего для удмуртского языка; README не подтверждает качество для других языков и специализированных предметных областей. Лицензия в предоставленных материалах не указана.

Merlyn-Education Corpus QA v2 — языковая модель компании Merlyn Mind для ответов на вопросы по предоставленному контексту в образовательной сфере. Это дообученная версия Llama 2 с архитектурой decoder-style transformer и примерно 12,9 млрд параметров. Модель работает с текстом, использует формат PyTorch и имеет контекстное окно до 4096 токенов. Модель предназначена для поиска ответов в учебных материалах и других образовательных текстах. По сравнению с версией v1 на базе Pythia, она обучена на более крупном и разнообразном наборе данных; авторы сообщают о повышении корректности и снижении числа галлюцинаций на более широком наборе тестов. Эти преимущества описаны в карточке модели и не гарантируют точность каждого ответа. Модель выпущена 21 августа 2023 года под лицензией Apache-2.0. В карточке не указаны поддерживаемые языки, поэтому описание сценариев ограничено образовательными текстами без привязки к конкретному языку.

ZhangYuchi/modelbest-Qwen-2.5-Omni-7B-SFT-only — дообученная ZhangYuchi мультимодальная модель-агент на базе Qwen/Qwen2.5-Omni-7B. Она предназначена для вопросов и ответов по видео, аудио и изображениям с многошаговым использованием внешних инструментов, включая веб-поиск, просмотр страниц, выполнение кода и чтение медиафайлов. Модель использует плотную архитектуру Qwen2.5-Omni и формат safetensors; для работы предусмотрена библиотека Transformers. В README описано обучение на траекториях OmniGAIA методом SFT с маскированием наблюдений инструментов и разбиением длинных траекторий скользящим окном шириной 8192 токена с перекрытием 4096. Карточка приводит оценку OmniGAIA Pass@1 около 15–17% на разных запусках. Модель лучше подходит для мультимодальных агентных задач с инструментами, чем для прямых одношаговых ответов без инструментов. Она наследует ограничения базовой модели, включая ошибки распознавания аудио в длинных клипах и редких объектов на изображениях. Лицензия — Apache-2.0.

Модель Rafael0301/modelo_qa_beto_docstride_pdqa разработана Эмилем Паулино и Рафаэлем Рамиресом для Dominican News Question Answering Challenge. Это дообученная для извлечения ответов модель BETO на архитектуре BERT: она получает вопрос и новостной контекст на испанском языке и находит в нём фрагмент с ответом. Модель содержит 137,1 млн параметров и рассчитана на контекст до 512 токенов; для длинных контекстов при обучении применялся DocStride. Модель дообучалась на наборе PDQA: 45 примерах для обучения и 15 для валидации; итоговые показатели на валидации составили 73,33 Exact Match и 80,15 F1. Она подходит для извлечения фактов из доминиканских новостей, когда ответ явно присутствует в предоставленном тексте. Лицензия в доступных данных не указана.

Indus-Retriever — модель двунаправленного кодировщика на базе Sentence Transformers, разработанная IBM Research совместно с NASA Science Mission Directorate. Она дообучена на основе nasa-smd-ibm-v0.1 и предназначена для поиска информации и оценки сходства предложений, особенно в научных материалах NASA SMD. Модель независимо кодирует два текста и сравнивает их векторные представления по косинусному сходству. Она обучалась на 271 млн примеров и дополнительно на 2,6 млн пар заголовков и аннотаций из документов NASA SMD. В репозитории указаны архитектура RoBERTa, 151,8 млн параметров и контекст до 514 токенов; поддерживается английский язык. Модель подходит для семантического поиска, ранжирования результатов по релевантности и поиска похожих предложений в научных коллекциях. Авторы отмечают, что модель находится в экспериментальной фазе, поэтому качество для конкретных коллекций и сценариев следует оценивать отдельно. Лицензия — Apache-2.0.

Nova-1-0.8B — компактный диалоговый ассистент HyperAI, дообученный на базе Qwen/Qwen3.5-0.8B. Модель содержит 0,8 млрд параметров, использует плотную архитектуру Qwen3.5 и распространяется как самостоятельный чекпойнт BF16 для Transformers. По данным карточки, обучение было направлено на следование инструкциям, вызов инструментов и сохранение общих знаний. Модель предназначена для кратких ответов на русском и английском языках и вызова инструментов по протоколу, заданному в системном сообщении. В карточке описана работа с XML-, JSON- и текстовым форматами вызова, а также сценарии с поиском в интернете, калькулятором, погодой, переводом, конвертацией единиц и валют, заметками и напоминаниями. В метаданных указана задача text-generation; архитектура унаследована от мультимодальной Qwen3.5, однако обучение Nova сосредоточено на диалогах и работе с инструментами. Карточка приводит улучшения в GSM8K и ARC-Easy относительно базовой модели при неизменном результате MMLU-Pro. Ограничения: размер модели снижает её пригодность для сложных рассуждений, генерации кода и длинных контекстов; качество инструментальных сценариев проверялось преимущественно на английском и русском. Для корректного вызова инструментов автор рекомендует отключать режим рассуждений. Лицензия Apache-2.0 разрешает коммерческое использование, изменение и распространение.

silencesys/paraphrase-xlm-r-multilingual-v1-fine-tuned-for-latin — модель Sentence-Transformers на архитектуре XLM-RoBERTa, содержащая 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для оценки смысловой близости, семантического поиска и кластеризации текстов. Модель работает с текстом и имеет контекстное окно 514 токенов. В README указано, что она обучалась с использованием DenoisingAutoEncoderLoss. Название репозитория указывает на настройку для латинского языка, однако README и метаданные не уточняют языковой состав обучающих данных и результаты оценки именно для него. Для применения нужны Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch; отдельная лицензия в предоставленных данных не указана.

RaDeR Qwen2.5-7B NuminaMath MATH allquerytypes — модель для извлечения признаков и dense retrieval, разработанная CIIR при UMass Amherst. Её дообучили на Qwen/Qwen2.5-7B-Instruct на данных NuminaMath и MATH, охватывающих разные типы поисковых запросов по математическим задачам. Модель предназначена для построения векторного поиска и ранжирования документов по релевантности, особенно в задачах, требующих математических рассуждений. Она принимает текст и выдаёт признаки для поиска; карточка сообщает, что модели RaDeR показывают обобщение на наборы BRIGHT и RAR-b, но не приводит отдельную оценку этого чекпойнта. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Указан английский язык. Лицензия — MIT. Для запуска карточка рекомендует vLLM с задачей embed и нормализацией выходных векторов.

SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SigLIP base patch16 256 — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Она использует архитектуру SigLIP и функцию потерь на основе sigmoid, которая работает с парами изображение–текст без нормализации по всей матрице сходства. Модель обрабатывает изображения с разрешением 256×256 и текст длиной до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска изображений по текстовым запросам или текста по изображению. Английский язык указан для обучающих пар; модель принимает изображения и текст и выдаёт оценки их соответствия. Распространяется по лицензии Apache-2.0. Карточка не приводит сведений о числе параметров.

Модель eduardofv/stsb-m-mt-es-distiluse-base-multilingual-cased-v1 — дообученная версия distiluse-base-multilingual-cased-v1 для оценки семантического сходства предложений на испанском языке. Она основана на DistilBERT и предназначена для извлечения эмбеддингов предложений и сравнения их смысловой близости; обучение проводилось на испанской части stsb_multi_mt, сформированной из переведённых наборов STSBenchmark. Модель можно применять для ранжирования пар предложений по смысловой близости и для экспериментов и бенчмаркинга STS. Максимальная длина контекста — 512 токенов; веса доступны в формате PyTorch. Автор описывает модель как proof of concept и не заявляет о специальном назначении за пределами изучения и оценки STS-дообучения. Лицензия в предоставленных данных не указана.

TabRankNaive — модель AdarshSingh7647 на базе Qwen3-8B, дообученная для спискового переранжирования таблиц по релевантности вопросу. Она принимает вопрос и список таблиц в одном сообщении и за одну генерацию возвращает полный порядок кандидатов в JSON; вариант Answer-Only выдаёт ранжирование без цепочки рассуждений. Модель имеет плотную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров, рассчитана на контекст до 40 960 токенов и распространяется в формате safetensors. Модель предназначена для поиска нужных таблиц среди кандидатов, например при подготовке контекста для вопросно-ответных систем по табличным данным. Обучение выполнено с LoRA rank 16 с последующим слиянием адаптера с базовыми весами; использованы NQ Tables и MultiTabQA. Карточка не приводит проверенных результатов оценки именно для варианта Answer-Only, поэтому качество на целевых наборах данных по ней оценить нельзя. Лицензия — Apache-2.0.