I.1Поиск и навигация по информации

Lemone-Embed-M — модель эмбеддингов на базе Sentence Transformers, разработанная Луи Брюле-Ноде для поиска по французским налоговым и юридическим документам. Она дообучена на intfloat/multilingual-e5-base на корпусе налоговых материалов Франции, включая налоговый кодекс, приложения, процедуры и разъяснения BOFiP; обучающая выборка содержит 296 234 примера, а обучение охватывало около 43 млн токенов.

MiniCPM-1B Calibrated — компактная инструктивная причинная языковая модель, разработанная ewinregirgojr и дообученная на базе openbmb/MiniCPM-1B-sft-bf16 с помощью Identity Preference Optimization (IPO). Она предназначена для диалоговых ответов, контекстного поиска фактов и калиброванного отказа от ответа, когда контекст не содержит нужных сведений; также модель обучена корректировать ошибочные предположения пользователя и избегать соглашательства ради одобрения. Метаданные указывают 837,6 млн параметров, плотную архитектуру LlamaForCausalLM и контекст до 131 072 токенов; карточка README приводит около 1,08 млрд параметров и контекст 2 048 токенов, поэтому эти характеристики расходятся. Модель рассчитана на английский язык и хранится в формате safetensors. Заявленные сценарии включают низколатентный запуск на периферийных и локальных устройствах. Ограничения — слабее многошаговое символическое рассуждение по сравнению с более крупными моделями и необходимость RAG для высокотехнических тем; результаты оценки приведены на небольшой выборке из 183 пар. Лицензия — Apache-2.0.

OmniTab — модель для ответов на вопросы по таблицам, разработанная в рамках работы «OmniTab: Pretraining with Natural and Synthetic Data for Few-shot Table-based Question Answering». Она основана на архитектуре BART, инициализирована весами microsoft/tapex-large и дополнительно предобучена на естественных и синтетических данных. Модель предназначена для ответов на вопросы по табличным данным, в том числе в сценариях few-shot, когда доступно мало примеров. Она содержит 252,8 млн параметров, работает с текстовым представлением таблиц и принимает контекст до 1024 токенов. В метаданных указан английский язык и датасет WikiTableQuestions. Модель можно применять для извлечения ответов из таблиц и анализа их содержимого по запросу на естественном языке. Карточка не сообщает лицензию и не описывает отдельные ограничения качества или способы представления таблиц.

SeongryongJung опубликовал последний чекпойнт Qwen3-4B, дообученный методом SDPO на наборе tooluse и преобразованный в формат Hugging Face Transformers. Это плотная причинная языковая модель с 3,7 млрд параметров, предназначенная для генерации текста и использования инструментов в диалоге. В метаданных указан контекст длиной до 40 960 токенов; модель работает с текстом и выдаёт текст.

Day1Kim/Qwen3-Embedding-0.6B-Korean — созданная Day1Kim модель Sentence Transformers, дообученная на Qwen/Qwen3-Embedding-0.6B для работы с корейскими текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализованные для сравнения косинусным сходством; максимальная длина последовательности — 32 768 токенов. Архитектура включает трансформер Qwen3, пулинг по последнему токену и нормализацию. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки поиска и описание обучающей выборки из 41 881 пары предложений; примеры и обучающие данные относятся к корейским текстам, в том числе к запросам по проектным стандартам. Это дообученная модель эмбеддингов, а не генеративная модель. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя. Качество и переносимость на другие языки и области применения по приведённым данным не установлены; доступные примеры указывают на специализацию на корейском языке.

Карточка модели mitra-mir/setfit-model-Feb11-Miscellaneous-Misinformation на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Feb11-Misinformation-on-Trudeau, поэтому описание составлено по ней. Это модель Sentence-Transformers на базе MPNet, созданная для проекта классификации дезинформации о Джастине Трюдо. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов. Её можно применять для поиска текстов, семантически близких к утверждениям о Трюдо, и группировки похожих сообщений. README указывает на обучение с CosineSimilarityLoss, но не приводит сведения о датасете, метриках или точности выявления дезинформации; поэтому качество классификации фактов не подтверждено. Модель опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Это модель Sentence-Transformers на базе MPNet, созданная для проекта классификации дезинформации о Джастине Трюдо. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов. Её можно применять для поиска текстов, семантически близких к утверждениям о Трюдо, и группировки похожих сообщений. README указывает на обучение с CosineSimilarityLoss, но не приводит сведения о датасете, метриках или точности выявления дезинформации; поэтому качество классификации фактов не подтверждено. Модель опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Meena/table-question-answering-tapas — дообученная модель TAPAS на основе BERT, разработанная для ответов на вопросы по табличным данным. Она извлекает ответы из таблицы и связанного с ней текста; TAPAS кодирует структуру таблицы с помощью относительных позиционных эмбеддингов и семи типов токенов. Модель содержит 136,7 млн параметров, принимает текстовые таблицы и вопросы, а её контекст составляет 1024 токена. В карточке указана настройка на датасете SQA; описание семейства также упоминает WTQ и WikiSQL. Модель рассчитана на англоязычные таблицы. Возможные сценарии — извлечение значений из таблиц и ответы на вопросы по их содержимому. Лицензия Apache-2.0. Известное ограничение: модель плохо справляется с большими входными файлами.

biu-nlp/abstract-sim-sentence-pubmed — модель семейства BERT, обученная на предложениях из PubMed для сопоставления текстового описания с подходящими предложениями. Она кодирует запросы и предложения в признаки, пригодные для поиска и оценки смыслового сходства в научных медицинских текстах. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и опубликована в формате PyTorch. Модель подходит для семантического поиска предложений по описаниям и подбора релевантных фрагментов аннотаций PubMed. Карточка не сообщает лицензию и подробности оценки качества.

Shekar AI разработала персидскую версию ALBERT, дообученную на корпусе Naab с задачей masked language modeling. Модель предназначена для предсказания пропущенных токенов в персидском тексте, а также может служить энкодером для получения векторных представлений предложений и дальнейшего дообучения для классификации, разметки и синтаксического анализа. В метаданных указаны архитектура ALBERT, 137,8 млн параметров и контекст до 512 токенов; README приводит другие сведения о размере модели — 11,5 млн параметров, 12 слоёв, размер скрытого состояния 768 и размер эмбеддинга 128. Особенность словаря SentencePiece — явная обработка символа ZWNJ, важного для написания персидских составных слов. README сообщает о точности top-1 49,1% на задаче предсказания замаскированных токенов. Модель компактна по замыслу, но не является источником фактических знаний: она слаба в фактическом дополнении предложений. Обучающие данные отражают возможные смещения персидских веб-текстов и новостей. Лицензия — MIT.

Модель juanpablomesa/bge-small-bioasq-3epochs-batch32 — англоязычная Sentence Transformer, дообученная автором на базе BAAI/bge-small-en-v1.5 на примерах из биомедицинской области, связанных с вопросами и релевантными текстами. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384, которые можно сравнивать по косинусному сходству. Архитектура состоит из BERT, слоя CLS-пулинга и нормализации; максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска биомедицинских текстов, сопоставления вопросов с ответами или фрагментами документов, оценки сходства предложений, поиска перефразировок и кластеризации. В карточке приведены метрики retrieval-оценки, однако данных недостаточно, чтобы считать их подтверждением качества на произвольных наборах или в реальных медицинских системах. Модель выдаёт эмбеддинги, а не готовые медицинские ответы. Распространяется по лицензии Apache-2.0.

yanekyuk/camembert-keyword-extractor — модель извлечения ключевых слов на основе CamemBERT, дообученная автором репозитория на неизвестном наборе данных. Она размечает входной текст по токенам и предназначена для выделения ключевых слов во франкоязычном тексте. Модель содержит 137,8 млн параметров, работает в формате PyTorch и поддерживает контекст до 514 токенов. В карточке приведены результаты оценки: F1 0,6859, точность 0,6743, полнота 0,6979 и accuracy 0,9346. Данные обучения и подробные ограничения не описаны, поэтому качество на текстах других жанров и доменов по этим цифрам оценить нельзя. Лицензия — MIT.

Модель разработана Хань Чэн Ю и Яо-Чун Фан из лаборатории обработки естественного языка Национального университета Чжунсин. Это BERT-base-chinese, дообученная на наборе DRCD для ответов на вопросы по тексту: модель извлекает ответ из контекста, связанного с вопросом. Архитектура — плотная BERT с 129,5 млн параметров; модель использует PyTorch и рассчитана на контекст до 512 токенов. Основной язык — китайский. Модель подходит для задач машинного чтения и поиска ответов в китайских текстовых фрагментах. Она не предназначена для свободной генерации развернутых ответов вне предоставленного контекста. В карточке лицензия не указана.

Echo-DSRN-v0.1.3-Research-Intent-CLF — модель классификации научных публикаций, разработанная ethicalabs.ai для проекта OpenAIRE AI Hackathon 2026. Она анализирует название и аннотацию статьи и относит её к одной из пяти категорий исследовательского намерения: методология, набор данных, обзор и другие категории, приведённые в карточке. Модель используется в приложении для потоковой классификации публикаций и, согласно README, выполняет инференс на CPU. Модель основана на рекуррентной архитектуре Echo-DSRN и дообучена от ethicalabs/Echo-DSRN-114M-v0.1.2. В метаданных указаны 49,9 млн параметров и контекст 2048 токенов; README приводит иные размеры — около 98 млн параметров. Модель работает с текстом на английском языке и распространяется в формате safetensors для Transformers. Классификатор предназначен для исследовательских публикаций, а качество предсказаний может быть ниже на статьях из других областей или при неполных и неоднозначных аннотациях. Лицензия — Apache-2.0.

econo-sentence-v1 — модель на базе Sentence-Transformers, разработанная Samuel Chaineau для создания плотных векторных представлений предложений и абзацев в контексте экономической тематики. Она предназначена прежде всего для тематического моделирования, а также подходит для семантического поиска и кластеризации текстов. Модель использует энкодер BERT на 136,7 млн параметров, формирует векторы размерности 768 и принимает последовательности длиной до 512 токенов. В качестве основы указан samchain/EconoBert, предварительно обученный на выступлениях BIS за 1997–2023 годы с задачами MLM и NSP. Для обучения sentence-эмбеддингов использовалась CosineSimilarityLoss; в README приведена корреляция Пирсона 0,83 для train test. Модель доступна в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0.

Spacious-spy7/football-search-ft-all-pairs — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, разработанная для семантического поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура включает MPNet, усредняющий pooling и нормализацию векторов. Модель принимает текст, обучена на 611 парах примеров и имеет максимальную длину последовательности 384 токена по README; метаданные каталога указывают нативный контекст в 514 токенов. Модель ориентирована на поиск и сопоставление англоязычных вопросов и текстов, преимущественно связанных с футболом: примеры обучения охватывают футбольную тактику, игроков и соревнования, а также смежные спортивные темы. Её можно применять для поиска релевантных документов или вопросов и для ранжирования кандидатов по сходству. Лицензия в предоставленных данных не указана.

McGill-NLP/fuyu-8b-weblinx — модель семейства Fuyu, разработанная авторами проекта WebLINX и дообученная на данных WebLINX на основе ранее опубликованного чекпойнта. Она предназначена для многошаговой навигации по веб-сайтам в диалоге и задач веб-агентов. Модель содержит 10,7 млрд параметров, использует архитектуру Fuyu и принимает текстовые запросы; контекст — до 16 384 токенов. В метаданных указана поддержка английского языка и библиотека Transformers. Модель может служить основой для веб-агента, который интерпретирует инструкции и ведёт многоходовый диалог при взаимодействии с сайтами. Доступны веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

Это модель Sentence Transformers, дообученная TARARARAK на базе nlpai-lab/KURE-v1 с функцией потерь MultipleNegativesRankingLoss. Модель XLM-RoBERTa преобразует предложения и абзацы в плотные векторы размерностью 1024, которые нормализуются и сравниваются с помощью косинусного сходства. Максимальная длина последовательности в карточке модели — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Примеры обучающих данных относятся к правилам университета Хандон; они написаны на корейском и содержат 57 примеров. Это указывает на настройку под поиск по университетским документам, но не подтверждает широкую оценку качества на других темах или языках. Лицензия в предоставленных данных не указана.

KURE-v2-unsupervised — экспериментальный этап 1 модели KURE-v2, разработанный nlpai-lab. Это энкодер ModernBERT с поздним взаимодействием ColBERT, предназначенный как стартовая основа для обучения собственных поисковых систем на корейском и английском языках. Модель обучена контрастивным методом без учителя на 20,7 млн пар «запрос — документ» и поддерживает контекст до 16 384 токенов. Модель формирует многовекторные представления для поиска и сопоставления запросов с документами. В README приведены результаты поиска на девяти корейских наборах MTEB: средний nDCG@10 составляет 0,7283. Авторы не рекомендуют использовать этот контрольный чекпойнт напрямую в промышленной системе; он предназначен прежде всего для последующего обучения собственного ретривера. Лицензия — Apache-2.0.

LipidOS — дообученная доменная модель на архитектуре Phi-3.5 Mini, разработанная для работы с литературой о липидах и спектроскопии Рамана/ИК. Она предназначена для генерации текста в составе RAG-системы: отвечает на вопросы по найденным научным публикациям, а проверяемые утверждения должны сопровождаться ссылками на извлечённые источники. Модель обучали на 64 000 аннотаций PubMed из корпусов по биохимии липидов, липидомике, мембранной биофизике и колебательной спектроскопии; цель обучения — предсказание следующего токена. По указанной оценке, на отложенной выборке perplexity снизилась с 4,911 у базовой модели до 3,955. Это плотная причинная языковая модель с 3,7 млрд параметров, принимающая текст и генерирующая текст; нативный контекст — 4096 токенов. Карточка сообщает об английских данных и языке модели. Репозиторий содержит объединённые веса базовой модели и QLoRA-адаптера в формате safetensors; для загрузки не требуется PEFT. Указана лицензия Apache-2.0. Модель рассчитана на использование вместе с поиском и проверкой цитат. README предостерегает от открытой генерации без приложенных извлечённых свидетельств; описанный результат по проверке цитирования ограничен небольшим набором примеров.

ai2lumos/lumos_unified_plan_iterative — чекпойнт модуля планирования агентной системы Lumos, разработанной командой AI2. Он дообучен в итеративной формулировке Lumos-I для сложных вопросов и ответов, веб-задач, мультимодальных задач и математики. Модель семейства LLaMA с плотной архитектурой содержит 6,6 млрд параметров и принимает текст, формируя текстовые планы и ответы; указанное окно контекста — 2048 токенов. В обучении использованы 55 382 аннотации подцелей и действий. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

LumynaX Long-Context ProLong-512K Instruct — архивный эксперимент AbteeX AI Labs на базе Princeton NLP Llama 3 8B ProLong 512K Instruct. Это плотная причинно-языковая модель семейства Llama с 7,5 млрд параметров, рассчитанная на генерацию текста в диалоге и работу с длинным контекстом до 524 288 токенов. Она принимает текст и выдаёт текст; в метаданных указаны английский и маори. В этой исторической сборке модель интегрирована через маршрутизацию во время выполнения и сохранение исходной идентичности: веса базовой модели не изменялись и не объединялись с LumynaX Core. Такой вариант предназначен для воспроизводимости эксперимента и изучения генерации текста с длинным контекстом. Карточка помечает выпуск как устаревший и неподдерживаемый; для производства он не рекомендован. Лицензия — Llama 3 License.

MedEmbed Biomedical MRL — англоязычная модель Sentence Transformers на базе BERT, опубликованная пользователем potsu-potsu. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768, нормализованные для сравнения по косинусному сходству. Модель обучена на 4 012 парах запросов и положительных ответов из биомедицинских текстов; поддерживает укорочение вектора до 512, 256, 128 или 64 измерений благодаря Matryoshka-обучению. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и ранжирования биомедицинских текстов, оценки сходства формулировок, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В карточке приведены результаты оценки информационного поиска при разных размерностях вектора. Лицензия Apache-2.0. Результаты и обучение описаны для английского языка; качество на других языках не подтверждено.

driaforall/mem-agent — диалоговая модель-агент на базе Qwen3-4B-Thinking-2507, разработанная Dria. Её дообучили методом GSPO для работы с долговременной памятью в формате Markdown, организованной по принципу Obsidian: модель извлекает нужные сведения, обновляет файлы памяти и задаёт уточняющие вопросы при неоднозначности или противоречиях. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 262 144 токенов. Она принимает текстовые запросы и взаимодействует с инструментами памяти через агентный цикл; предусмотрена работа с фильтрами, которые ограничивают или скрывают извлекаемую информацию. Разработчик рекомендует подключать её как MCP-сервер к более крупной модели; также описан автономный режим. В опубликованном разработчиком бенчмарке md-memory-bench модель получила общий результат 0,75, однако качество зависит от структуры хранилища и соблюдения описанного формата файлов и ссылок. Весовые файлы представлены в формате safetensors. Условия лицензирования в доступных сведениях не приведены.

Модель Diaurys Gomez Almonte создана для Dominican News Question Answering Challenge в рамках ICC-344-T. Это испаноязычная модель BERT для извлечения ответа: она получает вопрос и контекст новости и возвращает фрагмент, который явно присутствует в тексте. Модель дообучена на 45 примерах набора Lisibonny/pdqa на основе mrm8488/bert-base-spanish-wwm-cased-finetuned-spa-squad2-es; её архитектура — BertForQuestionAnswering, размер — 137,1 млн параметров, длина контекста — до 512 токенов. На проверочной выборке авторы сообщают F1 81,41% и Exact Match 60%. Модель подходит для поиска фактов в доминиканских новостных текстах, но малый объём обучения ограничивает обобщение. Она может ошибаться в границах ответа, выбирать другой допустимый ответ при неоднозначности и не проверяет достоверность новости; ответ должен содержаться в переданном контексте. Указана лицензия MIT.

MyAwesomeModel — модель на базе BERT, опубликованная для использования с библиотекой Transformers и PyTorch. В метаданных Hugging Face она классифицирована для задачи извлечения признаков. README описывает обновлённую версию как модель с улучшенными возможностями рассуждения, логического вывода, генерации кода, суммаризации, диалога, классификации и ответов на вопросы, однако эти сценарии не подтверждены отдельными pipeline-тегами или техническими характеристиками конфигурации. Модель распространяется по лицензии MIT. README также заявляет о снижении частоты галлюцинаций, поддержке системных промптов и function calling, а для работы рекомендует температуру 0,6. Конкретные сведения о размере модели, длине контекста, поддерживаемых естественных языках и точной конфигурации отсутствуют в предоставленных данных.

National Climate Targets Classifier — многометочная модель классификации текстов, разработанная командой Climate Policy Radar. Она основана на climatebert/distilroberta-base-climate-f и дообучена на наборе National Climate Targets с экспертной разметкой национальных законов, политик и материалов, поданных в РКИК ООН. Модель определяет, относится ли цель в тексте к категории Net Zero (NZT), сокращению выбросов (Reduction) или Other. Это RoBERTa-классификатор с 95,4 млн параметров и контекстом до 514 токенов; принимает текст и возвращает метки классов. Поддерживаемый язык — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

KGESH/nsfw-bge-m3-v6c — текстовая Sentence Transformer-модель на архитектуре XLM-RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска и сравнения текстов по косинусному сходству; контекст — до 8194 токенов. Модель обучена на 214 парах предложений с OnlineContrastiveLoss. Подходит для семантического поиска и оценки близости коротких текстов, в том числе терминов сексуальной тематики. При обучении различались близкие и несвязанные пары, поэтому качество на широких или иных тематических задачах может быть ограничено. В метаданных указана лицензия?

Qwen3-VL-Embedding-2B-ko-vdr-distill — корейская мультимодальная bi-encoder-модель для поиска документов по изображениям страниц. Она основана на whybe-choi/Qwen3-VL-Embedding-2B-ko-vdr-preview-v0.2 и дополнительно обучена методом listwise KL-дистилляции по оценкам Qwen3-VL-Reranker-8B. Модель преобразует текстовый запрос и изображение страницы документа в эмбеддинги размерности 2048, которые можно сравнивать по косинусному сходству. Модель предназначена для визуального поиска корейских документов и улучшения порядка результатов при ранжировании. В оценке на KoViDoRe-v2 в домене кибербезопасности она повысила MRR@10 с 0,8319 до 0,8775 и NDCG@10 с 0,7629 до 0,7718 относительно базовой версии; Recall@100 практически не изменился. Рекомендуются около 1800 визуальных токенов и отдельные промпты для запросов и документов. Это экспериментальная версия: проверка пока ограничена одним доменом, а обучение дистилляции проводилось примерно на 980 визуальных токенах с общим промптом. Данные обучения включали корейские документы государственного сектора. Модель распространяется по лицензии Apache-2.0.

sentence-transformers/roberta-base-nli-stsb-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на базе RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 151,8 млн параметров, принимает текст и формирует эмбеддинги; максимальная длина контекста — 514 токенов. Доступны веса в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. В карточке она помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новую модель для векторного поиска и сравнения предложений.