I.1Поиск и навигация по информации

PrimeQA/tapas-based-tableqa-wikisql-lookup — модель на архитектуре TAPAS-base, разработанная PrimeQA и дообученная на запросах WikiSQL типа lookup. Она принимает таблицу и вопрос на естественном языке, затем извлекает ответ из таблицы; предназначена для табличного вопросно-ответного поиска, например для ответов на запросы к структурированным данным. Модель содержит 136,7 млн параметров, работает с английским языком и доступна в формате PyTorch; в метаданных указан контекст 1024 токена. Лицензия Apache-2.0. Возможны смещения, унаследованные от предварительного обучения TAPAS-base и набора WikiSQL.

tax-reranker-minilm — модель-реранкер, разработанная для поиска ответов по Закону о подоходном налоге Индии 2025 года. Она дообучена на базе cross-encoder/ms-marco-MiniLM-L-6-v2 и использует архитектуру BERT с классификационной головой; метаданные указывают 25,9 млн параметров и контекст до 512 токенов. Модель принимает вопрос и текстовый фрагмент, оценивает их соответствие и помогает переупорядочить результаты, полученные на первом этапе поиска в системе TaxRAG. Модель предназначена для ранжирования разделов закона по вопросам, сформулированным на основе содержания разделов. В описанной оценке она немного превзошла базовый реранкер на вопросах такого типа, однако хуже него справлялась с формулировками, построенными по заголовкам разделов. На CPU ранжирование 15 кандидатов длиной 256 токенов занимает около 2,5 секунды на четырёхъядерном ноутбуке. Это вспомогательный инструмент поиска, а не источник юридических или налоговых консультаций. Лицензия — Apache-2.0.

UniME-LLaVA-1.6-7B — мультимодальная модель DeepGlint AI для получения текстовых и визуальных представлений и выполнения задач сопоставления текста с изображениями. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf; архитектура LLaVA-NeXT с языковой частью Mistral-7B принимает изображения и текстовые инструкции и формирует текстовый ответ, пригодный для визуального диалога и вопросов об изображениях. Модель обучалась для улучшения мультимодальных эмбеддингов: применялась дистилляция текстовых представлений с учителем NV-Embed V2, затем — instruction tuning с подбором сложных негативных примеров. По README, на этапе дистилляции дообучалась только языковая часть, а остальные параметры оставались замороженными. Модель обучена на TIGER-Lab/MMEB-train и заявлена авторами как лидер таблицы MMEB при разрешении изображений 336×336 на момент снимка в README. Модель распространяется в формате safetensors по лицензии MIT. Она предназначена для сценариев, где нужно сопоставлять изображения и текст или отвечать на запросы по изображениям; заявленное лидерство относится к конкретной таблице и снимку результатов, а не гарантирует превосходство на любых задачах.

BioMedGPT-LM-7B — генеративная языковая модель PharMolix для биомедицинских задач. Это плотная авторегрессионная модель семейства Llama на 6,6 млрд параметров, дообученная на базе Llama-2-7B-Chat на миллионах биомедицинских научных публикаций из корпуса S2ORC. Модель принимает текст и генерирует текст; максимальный контекст составляет 4096 токенов. Модель предназначена для ответов на биомедицинские вопросы и работы с научной информацией в этой области. В README сообщается, что на нескольких биомедицинских QA-бенчмарках она превосходит или сопоставима с людьми и значительно более крупными универсальными моделями. Это заявление относится к указанным бенчмаркам и не гарантирует точность для клинических решений или произвольных запросов. Разработчики запрещают использовать модель для предоставления услуг широкой публике и для генерации незаконного или вредоносного контента. Лицензия — Apache-2.0.

PeytonT/citation-prediction — модель классификации текста, разработанная PeytonT для прогнозирования вероятных связей цитирования между научными статьями. Она входит в исследовательский стек Repository Library для индексирования, поиска и анализа научных публикаций. Модель представляет собой дообученную энкодерную BERT-модель SciBERT с 137,1 млн параметров, реализованную как BertForSequenceClassification. Обучающие данные сформированы из метаданных arXiv: названий, аннотаций, авторов и категорий. Модель обрабатывает английский научный текст с контекстом до 512 токенов и выдаёт результат классификации. Её можно применять для поиска потенциально связанных цитированием статей и как компонент последующих сценариев поиска и ранжирования в системе Repository Library. Карточка не содержит отдельного отчёта с результатами внешней оценки; качество следует проверять в целевом сценарии. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

BlueOrangeDigital разработала эту модель на основе DistilBERT и дообучила её классифицировать пары соседних предложений из английской Википедии: относятся ли они к разным разделам статьи. Её предназначение — находить границы между тематическими фрагментами и разбивать документы на связные части. Модель принимает текстовую пару в формате «правый контекст [SEP] левый контекст» и выдаёт класс классификации. Контекст ограничен 512 токенами; для каждого из двух фрагментов отводится до 255 токенов, а более длинные предложения обрезаются. Обучение проводилось на парах предложений из 40 тысяч статей Википедии; на валидации указаны accuracy 0,85 и F1 0,85. Модель подходит для сегментации англоязычных документов, похожих по структуре на статьи Википедии. Качество на других жанрах и языках не подтверждено, а ограничение контекста может влиять на обработку длинных предложений. Лицензия — Apache-2.0.

juanmcristobal/e5-small-v2-mitre — Sentence Transformers на основе intfloat/e5-small-v2, дообученная на парах текстов из набора parquet. Модель кодирует предложения и абзацы в плотные векторы размерностью 384; архитектура включает BERT-трансформер, усреднение токеновых представлений и нормализацию. Метаданные указывают 40 млн параметров и контекст до 512 токенов, а карточка описывает максимальную длину последовательности 256 токенов. Для сравнения векторов предусмотрено косинусное сходство. Модель предназначена для семантического поиска и сопоставления текстов; её также можно применять для поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Обучающие примеры содержат пары тематически близких текстов, в том числе о киберугрозах, поэтому модель ориентирована на сходство таких описаний. В README приведена оценка retrieval на cti_ir, но результатов недостаточно, чтобы судить о качестве в других областях. Лицензия в предоставленных данных не указана.

Holotron-3-Nano — мультимодальная модель H Company для автоматизации задач на компьютере и управления агентами в интерактивных средах. Разработчик дообучил NVIDIA Nemotron 3 Nano Omni на собственной смеси данных, чтобы улучшить моделирование политики агента. Модель принимает текст и изображения и формирует текстовые ответы для агентных сценариев; карточка также указывает интерфейс вызова инструментов. Архитектура — NemotronH_Nano_Omni_Reasoning_V3 с MoE; в названии указано 30B A3B. Заявлены улучшенный визуальный энкодер и поддержка длинного контекста, но его числовая длина в данных не приведена. Для запуска рекомендованы vLLM и зависимости mamba-ssm и causal-conv1d; визуальный энкодер nvidia/C-RADIOv2-H загружается с Hugging Face. Модель доступна по NVIDIA Open Model License. H Company заявляет о высокой скорости вывода и сниженной задержке, однако в карточке нет независимых оценок этих характеристик. Поддержка изображений подтверждена; ввод аудио и видео базовой модели не следует автоматически считать возможностями этой версии.

cuadron11/jaunbert-parl-big-v2-ft — модель Sentence Transformer на архитектуре ModernBERT, обученная для получения плотных векторных представлений предложений и абзацев. Она содержит около 307 млн параметров, кодирует текст в векторы размерностью 768 и принимает последовательности длиной до 8192 токенов; сходство векторов можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких текстов, сравнения вопросов с документами, поиска перефразировок, кластеризации и классификации текстов. По примерам обучающих данных она ориентирована на баскский язык и парламентские материалы Страны Басков: вопросы сопоставляются с темами парламентских выступлений и документов. В README приведена оценка cosine_accuracy 0,3598 на TripletEvaluator, поэтому качество следует проверять на целевых данных. Обучение описано как Sentence Transformers с MultipleNegativesRankingLoss на наборах пар «запрос — документ». В метаданных указан формат safetensors и лицензия не приведена; условия использования следует сверить с карточкой репозитория.

ml6team разработала distilbert-inspec — модель на базе DistilBERT, дообученная на датасете Inspec для извлечения ключевых фраз из текста. Она решает задачу разметки последовательности: каждому токену присваивается метка начала ключевой фразы, её продолжения или текста вне ключевой фразы. Модель предназначена прежде всего для извлечения ключевых фраз из аннотаций научных статей на английском языке, особенно в областях компьютеров, управления и информационных технологий. Она принимает текст и выдаёт метки токенов, которые можно объединить в ключевые фразы. Максимальная длина контекста — 512 токенов. На тестовой части Inspec модель показала F1@5 0,39 и F1@10 0,38. Авторы предупреждают, что она специализирована на аннотациях научных работ и не рекомендуется для других предметных областей. Лицензия — MIT.

snumin44/medical-biencoder-ko-bert-question — корейская медицинская модель поиска на основе BERT с двухбашенной архитектурой Bi-Encoder. Она кодирует вопросы отдельным Question Encoder и предназначена для совместного использования с Context Encoder, который кодирует медицинские тексты. Модель дообучена на данных корейско-английских медицинских вопросов и ответов AI Hub; перед этим базовая модель SapBERT-KO-EN обучалась сближать представления медицинских терминов с одинаковым кодом, включая корейские и английские варианты. Модель содержит 137,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её применяют для получения векторных представлений вопросов и поиска медицинских текстов по смысловой близости, в том числе при смешении корейской и английской терминологии. Это Question Encoder, поэтому для сопоставления вопроса с документами требуется совместимый Context Encoder. Модель распространяется по лицензии MIT.

Kokojake разработал англоязычную модель Sentence Transformers для встраивания предложений и абзацев о фитнесе и здоровье в плотное векторное пространство. Она дообучена на базе nomic-ai/modernbert-embed-base на наборе из 11 518 пар текстов и предназначена для семантического поиска, сравнения смысловой близости, поиска перефразирований, кластеризации и классификации текстов. В основе — ModernBERT с 149 млн параметров; модель кодирует текст в нормализованные эмбеддинги размерностью 768 и использует косинусное сходство. Поддерживаются английский язык и контекст до 8192 токенов. Matryoshka-обучение позволяет сокращать размерность векторов, например до 512, 256, 128 или 64, с некоторым снижением качества поиска. Модель подходит для поиска и сопоставления англоязычных материалов о здоровье и фитнесе. В README приведены результаты оценки поиска для нескольких размерностей, но их применимость за пределами указанного набора оценки не установлена. Лицензия Apache-2.0.

INDUS-Retriever-small — компактная модель bi-encoder на базе Sentence Transformers, разработанная NASA Science Mission Directorate и IBM Research для поиска и сопоставления научных текстов. В README она также названа nasa-smd-ibm-st.38m; модель дообучена на дистиллированном энкодере nasa-smd-ibm-v0.1. Модель независимо кодирует два текста в векторы, а их сходство оценивается по косинусному расстоянию. Она содержит 39,6 млн параметров и рассчитана на контекст до 514 токенов. Обучение включало 362 млн примеров и 2,6 млн пар заголовков и аннотаций из документов NASA SMD; основной язык карточки — английский. Модель предназначена для семантического поиска, информационного поиска и сравнения предложений, особенно в научных сценариях, связанных с материалами NASA SMD. Это экспериментальная версия; результаты для других предметных областей могут отличаться. Лицензия — Apache-2.0.

Polygraf NER Stage 4 Final Model — англоязычная модель распознавания именованных сущностей, созданная для технического задания Polygraf Applied NLP. Она дообучена Hasanblanka на DistilBERT и размечает последовательность токенов BIO-тегами для восьми типов сущностей: людей, организаций, мест, дат и времени, продуктов, произведений искусства, профессий и денежных или количественных значений. Модель построена на DistilBertForTokenClassification и содержит около 65,2 млн параметров. Она обучалась на 1 954 примерах обучающей выборки; тестовая выборка включает 472 записи. В README приведён F1 сущностей 0,7554 на объединённом тесте и 0,8222 на диагностической выборке из 10 вручную размеченных примеров. Модель рассчитана на английские тексты, в частности новости; базовый контекст DistilBERT — 512 токенов. Указанная лицензия — other. Модель подходит для извлечения сущностей из текста, но автор прямо предупреждает, что она не предназначена для производственного использования. Она не поддерживает вложенные сущности; распознавание произведений искусства остаётся слабым, а результаты для людей и организаций обобщаются хуже, чем для временных и количественных сущностей. Разрыв между обучающей и тестовой оценками также указывает на ограничения обобщения.

CharlieLLL/Qwen3-1.7B-BrowseComp-Worker-Base-GRPO-iter149-0916 — дообученный чекпойнт компактной плотной языковой модели Qwen3-1.7B, подготовленный как рабочая модель для поиска и ответов на вопросы в BrowseComp и DR9K. Модель разработана на основе Qwen/Qwen3-1.7B; README описывает её как экспорт BF16 итерации 149 обучающего запуска с GRPO после SFT. Архитектура — Qwen3ForCausalLM, размер — 1,7 млрд параметров, контекст — 40 960 токенов. Модель предназначена для работы в составе оркестратора с инструментами поиска и другими рабочими моделями: она участвовала в многоузловых оценках BrowseComp и DR9K. Указанные результаты относятся к связке «модель-оркестратор» и не являются оценкой самостоятельной точности чекпойнта. Для воспроизведения нужны соответствующие шаблоны чата, инструменты поиска, настройки оценщика и лимиты; обычная генерация текста не повторяет описанную конфигурацию. Модель принимает текст и генерирует текст; метаданные также отмечают интерфейс вызова инструментов. Поддерживаемые языки отдельно не перечислены, поэтому языковые характеристики базовой Qwen3 здесь не приписываются чекпойнту. Лицензия — Apache-2.0.

violetxi выпустила дообученную полноразмерную модель Qwen3.5-9B для генерации текста и диалоговых агентных сценариев. Она обучена на заметках и траекториях, обусловленных заметками: около 70% обучающих токенов приходилось на заметки, 30% — на ответы ассистента в траекториях. Опубликован финальный чекпойнт после двух эпох и 6 134 обновлений; обучение проводилось без KL-регуляризации. Модель использует плотную архитектуру Qwen3.5 и загружается через Transformers. Базовая Qwen3.5-9B мультимодальна, однако в этой карточке заявлена задача генерации текста; данных о языках, кроме английского, нет. Длина упаковки обучающих последовательностей составляла 16 384 токена, но это не подтверждает нативное окно контекста модели. Модель предназначена для диалоговой генерации и агентных задач по протоколу работы с файлами, включая поиск и чтение заметок. В исторической оценке доля попыток, прошедших все критерии, составила 5% при бюджете в 5 ходов и 8% при бюджете в 20 ходов на 250 задачах с четырьмя образцами на задачу; результаты следует считать ограниченными историческим протоколом, без нового бенчмарка для публикации. Доступна по лицензии Apache-2.0.

SeongryongJung публикует дообученную версию Qwen/Qwen3-8B для задач использования инструментов. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и принимает текст для генерации текста; заявленная длина контекста — 40 960 токенов. Веса представлены в формате Safetensors и предназначены для загрузки через Transformers. Модель обучалась методом SDPO на наборе tooluse с EMA-обновлением учителя. В карточке приведены результаты валидации: лучший показатель mean@16 составил 69,21% на шаге 20, а итоговый — 60,94% на шаге 100; лучший результат относится к промежуточному шагу, а опубликован последний чекпойнт. Репозиторий распространяется по лицензии Apache-2.0.

sa-compliance-embeddings-v1 — англоязычная модель текстовых эмбеддингов, разработанная labrat-aiko для поиска разделов южноафриканского закона POPIA по описанию ситуации или запросу. Это дообученная на данных, связанных с POPIA, модель BAAI/bge-small-en-v1.5 на архитектуре BERT: около 40 млн параметров, вектор размером 384 и контекст до 512 токенов. Она предназначена для поиска по нормативным текстам и использования в RAG-системах; также подходит для сравнения и кластеризации документов по соблюдению требований, дедупликации и подготовки меток для классификаторов. В описанной авторами оценке на 128 сценариях Recall@1 вырос с 0,211 у базовой модели до 0,477, а Recall@5 — с 0,508 до 0,656. Обучающие данные сосредоточены на тексте POPIA и связанных сценариях, поэтому качество поиска по другим южноафриканским нормативным материалам не подтверждено. Модель работает на английском языке и не должна использоваться как окончательное юридическое заключение: применимость найденных положений требует проверки человеком. Распространяется по лицензии Apache-2.0.

McGill-NLP/Sheared-LLaMA-2.7B-weblinx — языковая модель семейства LLaMA, дообученная на наборе данных WebLINX авторами проекта WebLINX. Модель предназначена для генерации текста в сценариях навигации по веб-сайтам с многоходовым диалогом и может использоваться как компонент веб-агента. Модель содержит 2,6 млрд параметров, построена на архитектуре LlamaForCausalLM и поддерживает контекст до 4096 токенов. В карточке заявлен английский язык; веса представлены в формате safetensors. Лицензия — Llama 2.

Tamil-BERT-SQuAD — модель L3Cube-Pune для ответов на вопросы по предоставленному тексту на тамильском языке. Это модель BERT для извлечения ответа из контекста, дообученная на переводном наборе данных L3Cube-IndicSQuAD; базовая модель — l3cube-pune/tamil-bert. Модель содержит 264,8 млн параметров, принимает текстовые вопросы и контекст и выдаёт текстовый ответ. Максимальная длина контекста — 512 токенов. Модель подходит для систем поиска ответов по тамильским документам и для оценки или экспериментов с вопросно-ответными системами для индийских языков. Она предназначена для тамильского языка; перенос на другие языки или задачи не заявлен. Лицензия — CC BY 4.0.

TimeLens2-4B — мультимодальная языковая модель для временной локализации событий в видео, представленная авторами проекта TimeLens2 и основанная на Qwen3-VL-4B-Instruct. Она принимает видео и текстовый запрос и возвращает временной интервал, содержащий релевантные визуальные свидетельства. Модель построена на плотной архитектуре Qwen3-VL с 4 млрд параметров и предназначена для анализа видео по естественно-языковым запросам. В README сообщается о среднем mIoU 47,7 на семи бенчмарках временной локализации и о результатах на уровне лучших моделей сопоставимого размера. Модель подходит для поиска момента события в ролике по описанию, однако карточка не приводит поддерживаемые языки запросов или ограничение на длину видео. Лицензия — Apache-2.0.

VietLegal-E5 — модель эмбеддингов для семантического поиска по юридическим текстам на вьетнамском языке, разработанная mainguyen9 и дообученная на базе intfloat/multilingual-e5-large. Она построена на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров по метаданным; README указывает размер базовой модели 560 млн параметров. Модель создаёт векторы размерностью 1024 и поддерживает Matryoshka-представления размерностью 512, 256 и 128, позволяя уменьшать размер векторов. Максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для поиска релевантных документов по юридическим запросам, сравнения запросов и документов и построения retrieval-систем для вьетнамских юридических материалов. В бенчмарке Zalo AI Legal Text Retrieval README сообщает NDCG@10 0,7229; при размерности 128 показатель составляет 0,7073. Векторы сравниваются косинусной близостью. Модель принимает текст и выдаёт эмбеддинги; заявленный язык — вьетнамский. Распространяется по лицензии Apache 2.0.

XLM-R Longformer, или XLM-Long, — мультиязычная модель на архитектуре XLM-RoBERTa с механизмом Longformer, разработанная в рамках магистерского проекта в Peltarion. Её дообучили от чекпойнта XLM-RoBERTa по схеме предварительного обучения Longformer на английском корпусе WikiText-103. Модель содержит 305,2 млн параметров и рассчитана на последовательности до 4098 токенов; основной сценарий из карточки Hugging Face — заполнение пропусков в тексте. Увеличенное окно контекста предназначено для экспериментов с эффективными трансформерами и последующей адаптации к задачам на длинных последовательностях, включая многоязычный вопросно-ответный поиск. В README также упоминается дообучение для задач вопросно-ответного типа. Модель поддерживает мультиязычные тексты, но предварительно обучалась на англоязычном WikiText-103, поэтому качество для отдельных языков может различаться. Для обучения авторы рекомендуют крупный GPU, NVIDIA Apex, точность 16 бит и накопление градиентов. Лицензия — Apache-2.0.

Модель Akan Brown предназначена для бинарной классификации англоязычных новостных статей: она относит текст к FAKE или REAL. Это классификатор последовательностей на базе RoBERTa с 151,8 млн параметров и контекстом до 514 токенов; модель дообучена на базе jy46604790/Fake-News-Bert-Detect. В карточке указана оценка на наборе WELFake, но численные результаты не приведены. Модель можно применять в API проверки новостей, браузерных расширениях, инструментах медиаграмотности и исследованиях дезинформации. Она рассчитана на английские статьи и может хуже работать с новостями из регионов за пределами США и Великобритании, сатирой, мнениями, редакционными колонками и узкоспециализированной журналистикой. Предсказание не следует считать самостоятельным подтверждением достоверности публикации. Лицензия — MIT.

IslamQA/bge-m3-finetuned — многоязычная модель эмбеддингов, дообученная для поиска фрагментов, отвечающих на вопросы об исламе. Она основана на BAAI/bge-m3 с архитектурой XLM-RoBERTa и содержит 658,7 млн параметров. Модель обучалась на 180 тысячах многоязычных вопросов и ответов об исламе с использованием подбора сложных негативных примеров; в данных встречаются цитаты из Корана и хадисов, а также характерные вступления и стили письма. Модель предназначена для преобразования запросов и текстовых фрагментов в эмбеддинги, чтобы находить релевантные ответы в многоязычных исламских материалах. Она поддерживает контекст до 8194 токенов и может использоваться в семантическом поиске и системах вопросов и ответов по исламским текстам. Доступны веса в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

anhtk/bge-m3-vietnamese-psychology-v2 — текстовая Sentence Transformer-модель, дообученная автором на базе BAAI/bge-m3 для представления вьетнамских предложений и абзацев в виде плотных эмбеддингов. Модель использует XLM-RoBERTa с CLS-пулингом и нормализацией, формирует векторы размерности 1024 и сравнивает их по косинусному сходству. Максимальная длина последовательности — 8192 токена; модель рассчитана на retrieval и поиск семантически близких текстов. Область адаптации — тексты о психологии: среди примеров обучающих данных есть вопросы о психологическом состоянии и консультациях. Модель подходит для поиска похожих обращений и извлечения релевантных фрагментов из вьетнамских психологических материалов. Она выдаёт эмбеддинги, а не готовые ответы или диагнозы; качество для иных тематик отдельно не подтверждено. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Shushant/biobert-v1.1-biomedicalQuestionAnswering — модель на архитектуре BERT, дообученная на базе dmis-lab/biobert-v1.1 для ответов на вопросы в биомедицинской области. Она содержит 135,5 млн параметров, принимает текстовый контекст и вопрос и извлекает ответ из контекста. Заявленная длина контекста — 512 токенов; модель доступна в формате PyTorch. Карточка сообщает о результате на оценочной выборке: loss 2,9009, но не приводит датасет, метрики качества или подробности обучения. Модель подходит для поиска ответов в биомедицинских текстах, однако её точность и переносимость на конкретные источники по имеющимся данным оценить нельзя. Лицензия в предоставленных сведениях не указана.

BreadBowl-Embed — модель для поиска и ранжирования текстовых документов, разработанная командой BreadBowl. Она дообучена на базе Qwen/Qwen3.5-0.8B-Base и кодирует каждый фрагмент в 16 пар слотов: маршрутизирующие векторы помогают находить кандидатов, а векторы значений позволяют запросу повторно оценить документы по заранее сохранённым представлениям. Поэтому документы можно закодировать один раз и использовать эти представления для поиска и переранжирования без повторного прохода базовой модели по тексту документов. Это исследовательская предварительная версия на шаге обучения 4000. В оценке на 15 задачах BEIR чтение векторов значений повысило макро nDCG@10 с 48,47 до 51,54 относительно поиска только по маршрутизирующим векторам; это не заявка на лидерство и не измерение ускорения относительно других систем. Включённый индекс последовательно просматривает все документы, поэтому стоимость поиска растёт линейно с размером корпуса; он предназначен для небольших экспериментов, а не для крупномасштабного приближённого поиска. Модель и инструментарий доступны по лицензии Apache 2.0.

ai4data разработала devdata-search-gist-small-cmnrl — биэнкодер для создания текстовых эмбеддингов и поиска по структурированным статистическим метаданным. Модель дообучена на DevDataBench на основе avsolatorio/GIST-small-Embedding-v0 с функцией потерь cmnrl. При обучении порядок полей перемешивался, а часть полей случайно исключалась, чтобы модель связывала значения с названиями полей, а не с их позицией в записи. Модель предназначена для семантического поиска и сопоставления запросов с записями метаданных, например поиска статистических показателей по описанию. Она принимает текстовые запросы и описания записей, выдаёт эмбеддинги для последующего ранжирования или поиска. Используется через Sentence Transformers; это модель для построения поисковой системы, а не готовый хостинговый сервис. Размер — 40 млн параметров, максимальная длина последовательности — 512 токенов; префиксы запросов и документов не требуются. Модель распространяется по лицензии Apache-2.0. README не указывает поддерживаемые языки; базовая модель описана в каталоге как англоязычная, поэтому пригодность для других языков не подтверждена.

Fiqh-Rerank AR/FA — двуязычный переранжировщик текстовых фрагментов по исламскому праву джафаритской (имамитской) традиции, разработанный Sadiqoon Technologies на базе BAAI/bge-reranker-v2-m3. Это cross-encoder на архитектуре XLM-RoBERTa с примерно 659 млн параметров и контекстом до 8194 токенов по метаданным; он совместно оценивает вопрос и фрагмент и выдаёт оценку релевантности. Модель предназначена для второго этапа поиска: после первичного извлечения кандидатов она переупорядочивает их, поднимая наиболее подходящие ответы на первые позиции. Поддерживает арабские и персидские запросы и тексты, в том числе пары, где вопрос и фрагмент написаны на разных языках. По карточке, обучение включало материалы из источников джафаритского фикха и реальные пользовательские вопросы; заявлена оценка на отложенной выборке из 292 вопросов. Модель распространяется в формате safetensors по лицензии MIT. Она выдаёт оценку релевантности для пары текстов, а не готовый ответ на вопрос; качество зависит от кандидатов, полученных на первом этапе поиска, и от соответствия корпуса джафаритской правовой тематике.