I.1Поиск и навигация по информации

Это квантованная 8-битная версия mxfp8 модели LFM2.5-Embedding-350M от Liquid AI, подготовленная для запуска на Apple Silicon через MLX. Модель представляет собой плотный двунаправленный биэнкодер семейства LFM2.5 с вектором CLS размерности 1024 и предназначена для мультиязычного поиска: отдельно кодирует запросы и документы, после чего их векторы сравнивают по косинусному сходству. При кодировании нужны префиксы «query: » для запросов и «document: » для документов. В репозитории указаны 366 МБ весов и контекст до 128 000 токенов. В тесте на четырёх англоязычных наборах NanoBEIR версия mxfp8 сохранила среднее значение NDCG@10 на уровне 100,7% от fp16; это ограниченная проверка английского поиска, а не оценка всей мультиязычной версии. Для инференса поставлен специализированный MLX-загрузчик, учитывающий двунаправленное внимание и CLS-пулинг. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой базовой модели и файлами лицензии репозитория.

LightOn-rerank-LW-4B — мультимодальная модель-реранкер от LightOn для повышения релевантности результатов поиска. Это генеративный listwise cross-encoder на базе Qwen/Qwen3.5-4B с гибридной архитектурой линейного и полного внимания; модель содержит около 4,5 млрд параметров и опубликована в формате bfloat16 весов Safetensors. Она совместно дообучена на текстовых фрагментах и изображениях страниц документов. На вход модель принимает текстовый запрос и до четырёх кандидатов — текстовых отрывков или изображений страниц PDF, слайдов и сканов. Она генерирует порядок кандидатов; для больших наборов применяется скользящее окно размером 4 с шагом 2. Реранкер предназначен для второго этапа поискового конвейера после BM25, плотного поиска или ColPali-подобного извлечения. В описанном протоколе ViDoRe V3 модель показала nDCG@10 64,69 и превзошла указанный в карточке Qwen3-VL-Reranker-8B. Модель обучалась на английских данных; французский поддерживается благодаря переносу с многоязычной базовой модели, но качество в среднем немного ниже английского. Listwise-декодирование на версии 4B требует существенно больше времени: при переранжировании 100 кандидатов оно примерно в пять раз медленнее pointwise-модели 2B. Для запуска README указывает transformers версии 5.4.0 или новее и необходимость добавить пустой thinking-блок перед генерацией. Лицензия — Apache-2.0.

Linq-Embed-Mistral — модель текстовых эмбеддингов команды Linq Research, построенная на основе E5-mistral-7b-instruct и Mistral-7B-v0.1. Это плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; модель предназначена для поиска по тексту и оценки сходства предложений. Модель дообучена для улучшения текстового поиска: команда использовала отбор и подготовку данных, синтетические наборы и подбор отрицательных примеров с помощью учительских моделей. В README сообщается о высоких результатах на бенчмарках MTEB по состоянию на 29 мая 2024 года. Модель принимает текст и выдаёт эмбеддинги для запросов и документов, которые можно использовать для семантического поиска и ранжирования кандидатов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование; README также указывает, что проект предназначен для исследовательских целей. Условия лицензий сторонних наборов данных могут отличаться.

Мультимодальная модель-реранкер NVIDIA для поиска документов, содержащих ответ на текстовый запрос. Она оценивает пары «запрос — документ» и возвращает логит релевантности, чтобы переупорядочить кандидатов, найденных поисковой или векторной системой, в том числе в конвейере vision RAG. Документы могут быть представлены текстом, изображением страницы или слайда либо их сочетанием; модель рассчитана на работу с текстом, таблицами, диаграммами и инфографикой. Модель построена как cross-encoder на архитектуре Eagle VLM: визуальный энкодер SigLIP 2 на 400 млн параметров сочетается с языковой моделью семейства Llama Nemotron. В карточке указано около 1,7 млрд параметров; выход декодера агрегируется усреднением, а ранжирование выполняет дообученная бинарная классификационная голова. Для обучения использовались изображения и контекст до 2048 токенов; при оценке заявлены текстовые, визуальные и комбинированные входы, контекст до 10240 токенов и до шести тайлов изображения. Длинные входы обрезаются. Модель предназначена для повышения качества мультимодального поиска и ответов на вопросы по большим корпусам, когда нужно переоценить ограниченный набор кандидатов; запуск на всех документах корпуса не масштабируется. NVIDIA сообщает о готовности к коммерческому использованию. Лицензия в метаданных указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

LongSeeker-30B-SFT — дообученная PolarSeeker модель Qwen3-30B-A3B-Thinking-2507 для длительного поиска с использованием агентных инструментов. Она применяет подход Context-ReAct: в ходе рассуждения и вызова инструментов модель управляет рабочим контекстом с помощью операций пропуска, сжатия, отката, выделения фрагментов и удаления информации. Модель предназначена для многошагового веб-поиска и агентных задач, в которых нужно сохранять важные свидетельства и контролировать рост контекста. README сообщает результаты на BrowseComp, BrowseComp-ZH, xbench-2505 и GAIA-text; поддерживаемый сценарий — диалоговая генерация текста с интерфейсом вызова инструментов. Архитектура — Qwen3 MoE; метаданные указывают 2,6 млрд параметров, формат Safetensors и контекст до 262 144 токенов. В README заявлено, что агент поддерживает рабочий контекст около 15 тыс. токенов на длинных траекториях. Карточка указывает английский язык и лицензию MIT. Качество зависит от доступности и результатов работы подключённых инструментов; заявленные показатели приведены в README, а независимая проверка здесь не выполнялась.

Lore-Qwen3-embedding-0.6B — плотная модель эмбеддингов на основе Qwen3, дообученная методом LORE (Logic-ORiented Retriever Enhancement). Она предназначена для поиска по тексту, особенно для запросов со сложными логическими выражениями, и для различения релевантных документов и отвлекающих фрагментов. В обучении использовалось контрастивное разделение примеров на положительные, близкие отвлекающие и отрицательные; применялась архитектура с замороженным энкодером документов и обучаемым энкодером запросов. Модель содержит около 507,6 млн параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache-2.0. Модель рассчитана на создание векторных представлений текста для семантического поиска и retrieval-систем. По карточке, LORE улучшает обработку логически сложных запросов и сохраняет вычислительную эффективность базовой модели. В основе указан Qwen/Qwen3-0.6B-Base; README при этом называет Qwen/Qwen3-Embedding-0.6B исходной моделью для дообучения.

LRAT Qwen3-Embedding-0.6B Retriever-Observable Utility V2 — текстовая модель эмбеддингов для поиска документов по веб-запросу. Она разработана на базе Qwen3-Embedding-0.6B и дообучена с использованием траекторий LRAT: пары «запрос — документ» взвешивались по оценке самостоятельной полезности документа для поиска. Модель использует архитектуру Qwen3 с плотными весами, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Для обучения применялись pooling последнего токена и нормализация эмбеддингов; обучающие запросы и passages ограничивались 512 токенами. Модель предназначена для получения представлений запросов и passages, которые можно применять для ранжирования кандидатов и семантического поиска релевантных документов. Обучение проводилось на датасете Yuqi-Zhou/LRAT-Train в течение двух эпох с weighted InfoNCE и девятью отрицательными примерами на положительный. Данные не подтверждают поддержку конкретных естественных языков, поэтому языковую специализацию не следует предполагать. Модель распространяется по лицензии Apache-2.0.

LRAT Qwen3-Embedding-0.6B Strong768 — плотная модель для поиска релевантных текстовых фрагментов по веб-поисковому запросу. Разработана на базе Qwen/Qwen3-Embedding-0.6B и дообучена с полным обновлением параметров на данных LRAT; применялись негативные примеры из той же строки набора данных. Веса модели содержат около 508 млн параметров по метаданным, а README указывает 595 776 512 параметров и размерность эмбеддинга 1024. Модель использует архитектуру Qwen3, извлечение последнего токена и L2-нормализацию; контекст составляет до 32 768 токенов по метаданным. Модель предназначена для плотного семантического поиска: она преобразует запросы и passages в векторы, пригодные для поиска релевантных ответов в коллекции текстов. В карточке описан формат запроса с инструкцией для поиска фрагментов, отвечающих на веб-запрос. Указаны лицензия Apache-2.0 и формат весов safetensors. Языковая поддержка явно не перечислена; базовая модель описана каталогом как многоязычная.

Lychee-embed — многоязычная модель для создания текстовых эмбеддингов, совместно разработанная командой NLP Харбинского технологического института в Шэньчжэне. Она основана на Qwen2.5-1.5B и дообучена по многоэтапной схеме с разогревом, обучением на задачах, слиянием моделей и финальным дообучением. Модель предназначена для семантического поиска, сравнения сходства текстов и других задач на основе эмбеддингов. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт векторы размерностью до 1536; поддерживаются настраиваемые размерности от 32 до 1536 и инструкции, задающие контекст задачи. README заявляет поддержку более 100 языков и длину последовательности 8K, тогда как метаданные указывают нативный контекст 32768 токенов. Репозиторий распространяется в формате safetensors, лицензия — Apache-2.0. Для повышения качества поиска авторы рекомендуют подбирать инструкции под задачу; README сообщает, что их отсутствие на стороне запроса может снизить качество примерно на 1–5%.

mcontriever-base-msmarco — модель для получения плотных векторных представлений предложений и абзацев, преобразованная в формат Sentence-Transformers из facebook/mcontriever-msmarco. Она основана на архитектуре BERT и содержит около 205,1 млн параметров; выход модели — векторы размерности 768. Модель предназначена для семантического поиска, сравнения текстов и кластеризации, а также может служить компонентом систем поиска информации. Модель принимает текст и выдаёт эмбеддинги. Её контекст ограничен 512 токенами. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. В README указана публикация «Unsupervised Dense Information Retrieval with Contrastive Learning» как связанная работа. Лицензия в предоставленных данных не указана.

facebook/mcontriever-msmarco — мультиязычная модель плотного поиска, разработанная исследовательской командой Facebook (ныне AI at Meta). Она создаёт векторные представления текстов для поиска релевантных документов по запросу и была дообучена на MS MARCO для улучшения соответствия между запросами и документами. Модель основана на BERT, имеет около 205 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Базовая версия mContriever обучалась на 29 языках; для этой модели опубликованы оценки мультиязычного и межъязыкового поиска, в том числе по запросам на одном языке с поиском документов на другом. Она возвращает эмбеддинги, которые можно сравнивать, например, скалярным произведением; сама по себе не генерирует ответы. Подходит как компонент информационного поиска и retrieval-этапа RAG. Результаты зависят от языка, данных и настройки поиска; карточка Hugging Face не содержит подробного описания ограничений и не показывает лицензию, поэтому условия использования следует сверить с лицензией репозитория разработчика.

mDenseOn — мультиязычная модель плотного поиска LightOn на архитектуре mmBERT-base, представленная как Sentence Transformer с 306,9 млн параметров. Она независимо кодирует запросы и документы в векторы размерностью 768 и сопоставляет их по косинусному сходству; для запросов и документов используются префиксы `query:` и `document:`, а в качестве pooling применяется токен CLS. Модель поддерживает контекст до 8 192 токенов и предназначена для семантического поиска по текстам на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках, а также для поиска по коду. Модель обучена LightOn на мультиязычных данных, полученных в том числе методом translate-train. В карточке заявлены результаты на мультиязычном поиске MIRACL, поиске по длинным документам MLDR, общем англоязычном поиске BEIR и поиске по коду MTEB Code. Одновекторное представление удобно для плотного поиска и ранжирования по сходству, однако качество заметно снижается на языках, не охваченных обучением для поиска; карточка рекомендует mLateOn, если важнее обобщение на такие языки и допустим многовекторный поиск. Лицензия — Apache 2.0.

castorini/mdpr-tied-pft-msmarco — мультиязычная модель плотного поиска mDPR, опубликованная организацией Castorini, связанной с исследованиями информационного поиска в University of Waterloo. Она предназначена для семантического поиска и ранжирования текстовых пассажей: запрос и документ преобразуются в векторные представления, после чего релевантные фрагменты находятся по близости в общем пространстве. Модель предварительно дообучена на наборе MS MARCO Passage Ranking и может использоваться как passage encoder в системах Dense Passage Retrieval, включая мультиязычный поиск и retrieval-augmented question answering. Модель основана на multilingual BERT и имеет BERT-архитектуру; на странице репозитория указано около 0,2 млрд параметров. Она работает с текстом, поддерживает несколько языков благодаря мультиязычной основе, но точный перечень языков и максимальная длина контекста для этого чекпойнта явно не указаны. В репозитории приведён результат MRR@10 равный 0,296 для обучения на MS MARCO Passage Ranking v1, 40 эпоха. Сильная сторона модели — переносимость между языками и пригодность для построения эффективных векторных индексов и гибридных систем поиска. Ограничения — специализация на retrieval, отсутствие генерации текста и отсутствие подробной официальной model card с детальным описанием языковых характеристик, ограничений качества и сценариев применения; в опубликованных материалах также отмечается, что mDPR может уступать BM25 на отдельных мультиязычных бенчмарках. Лицензия для данного репозитория явно не указана.

castorini/mdpr-tied-pft-nq — мультиязычная модель плотного поиска passage retrieval, разработанная исследовательской организацией Castorini. Она предназначена для преобразования вопросов и текстовых passage в векторные представления, пригодные для семантического поиска и открытого вопросно-ответного поиска по большим коллекциям документов. Модель реализует bi-encoder-подход mDPR на основе multilingual BERT; вариант pft-nq предварительно дообучен на Natural Questions. В метаданных Hugging Face указаны архитектурные признаки BERT, библиотека Transformers/PyTorch, объём около 205,1 млн параметров и максимальная длина контекста 512 токенов. Модель используется для мультиязычного retrieval, включая построение dense-индексов и поиск passage по запросам. Модель поддерживает английский, арабский, бенгальский, финский, индонезийский, японский, корейский, русский, суахили, телугу и тайский языки. Она возвращает признаки или эмбеддинги и не является генеративной моделью ответов. В исследованиях mDPR эффективность может уступать BM25, поэтому для практического поиска может потребоваться гибридное sparse-dense ранжирование.

Merino-Mini-v2 — модель для поиска и ранжирования документов в RAG-системах, разработанная BAA AI (Black Sheep AI). Она объединяет bi-encoder для получения 384-мерных L2-нормализованных эмбеддингов и cross-encoder для оценки релевантности пары «запрос — документ» одним числом. Обе части используют общую таблицу эмбеддингов и основаны на MiniLM-L6-H384-uncased; всего модель содержит около 44 млн параметров. README описывает её как англоязычную. Модель предназначена для векторного поиска кандидатов и последующего уточнения их порядка cross-encoder-ранжированием. Для компактной модели автор рекомендует разбивать материалы на атомарные фрагменты по одному утверждению, ставить ключевую сущность в начало и возвращать родительский раздел для контекста. Авторы сообщают о сертификации 4-битной квантизации как не уступающей fp16 в описанном тесте с отвлекающими документами; это заявление относится к указанному испытанию. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены.

Merino-Nano — компактная модель для поиска, созданная BAA AI (Black Sheep AI). Она объединяет биэнкодер для построения 384-мерных L2-нормализованных эмбеддингов и кросс-энкодер, который оценивает релевантность пары «запрос — документ» одним числом. Обе части используют общую таблицу эмбеддингов и основу MiniLM-L6-H384-uncased; всего около 34 млн параметров. Модель предназначена для двух этапов поиска в RAG-системах: сравнения запросов и документов по эмбеддингам и последующего ранжирования найденных фрагментов. В README её характеризуют как экономичную модель общего назначения для английских данных и рекомендуют для атомарных фрагментов, содержащих по одному утверждению, с возвратом родительского раздела для контекста. Заявлена сертификация 4-битной квантизации без измеримой потери качества в описанном испытании с отвлекающими документами. Репозиторий содержит веса в формате safetensors, лицензия указана как other; конкретные условия лицензии в предоставленных данных не раскрыты. Оценка Position Balance в README указывает на ограничения поиска второго факта во фрагменте, поэтому автор рекомендует делить документы на атомарные фрагменты. Модель рассчитана на английский язык.

Merino-XL-v2 — мультиязычная модель для поиска и ранжирования документов, разработанная BAA AI (Black Sheep AI). Она объединяет биэнкодер для получения эмбеддингов запросов и документов и кросс-энкодер для оценки релевантности пары «запрос — документ». Обе части построены на общей таблице входных эмбеддингов и используют основу xlm-roberta-large; всего около 880 млн параметров. Для поиска модель выдаёт L2-нормализованные векторы размерности 1024; к запросам перед вычислением эмбеддинга добавляют префикс «query: ». Для переранжирования она возвращает один логит релевантности на пару запроса и документа. Модель предназначена для двух этапов RAG-поиска: первичного извлечения кандидатов и последующего переранжирования. Разработчик сообщает, что модель снята с рекомендуемой линейки: её заменили Merino-Large и Merino-Large-v2, которые не уступают или превосходят её по оценкам и дешевле в обслуживании. Четырёхбитный вариант не прошёл проверку устойчивости к отвлекающим документам; доступны веса fp16 для воспроизводимости. Лицензия в метаданных обозначена как «other», поэтому условия использования следует сверить с лицензией репозитория.

MiniCPM-Embedding — двуязычная модель текстовых эмбеддингов для поиска, разработанная ModelBest, лабораторией обработки естественного языка Университета Цинхуа (THUNLP) и группой информационного поиска Северо-Восточного университета (NEUIR). Она предназначена для семантического поиска на китайском и английском языках, а также для межъязыкового поиска между ними, в том числе в системах RAG. Модель основана на MiniCPM-2B-sft-bf16 и дообучена на примерно 6 млн открытых, синтетических и закрытых примеров в несколько этапов. Архитектура использует двунаправленное внимание и взвешенный mean pooling. Размер по метаданным — 2,7 млрд параметров; README указывает 2,4 млрд. Размерность эмбеддингов — 2304, максимальная длина входа — 512 токенов. Для запроса можно добавить инструкцию; документы подаются как обычный текст. Модель подходит для поиска по коллекциям документов и межъязычного поиска китайский—английский. Карточка сообщает о тестировании на бенчмарках BEIR и C-MTEB/Retrieval, но приведённые таблицы неполны, поэтому по ним нельзя сделать полный вывод о качестве. Лицензия в предоставленных данных не указана.

prithivida/miniDense_arabic_v1 — компактная модель встраиваний для поиска на арабском языке. Она разработана как часть серии miniDense и основана на архитектуре BERT с токенизатором XLM-Roberta и словарём примерно на 250 тысяч токенов. Модель предназначена для сопоставления предложений и извлечения релевантных документов; в карточке упомянуты оценки на MIRACL и других наборах для поиска. Модель принимает текст и выдаёт векторы для поиска и ранжирования по сходству. Максимальная длина контекста — 512 токенов; автор рекомендует CLS-пулинг и скалярное произведение. Доступны веса PyTorch и ONNX, включая вариант ONNX FP16 для более лёгкого инференса. По README, обучение не требовало дополнительного предобучения или дорогой тонкой настройки. Модель рассчитана прежде всего на арабский язык. Её можно применять для семантического поиска, поиска ответов и извлечения passages, в том числе в гибридных системах с BM25. Для длинных документов авторы отмечают ограничение длины контекста, а заявленные результаты могут немного отличаться при воспроизведении. Лицензия — Apache-2.0.

MiroThinker-v1.0-30B-GGUF — открытая исследовательская агентная модель, разработанная командой MiroMind AI. Она предназначена для задач глубокого исследования, поиска и анализа информации, многошагового рассуждения и работы с внешними инструментами в сценариях, где требуется длительное взаимодействие с окружением. Модель основана на Qwen3-30B-A3B-Thinking-2507 и распространяется в формате GGUF, подготовленном с использованием llama.cpp. Заявлены контекстное окно 256K токенов, поддержка длинных цепочек рассуждений и до 600 вызовов инструментов на задачу. Указан английский язык. Подход MiroThinker основан на interactive scaling: модель обучалась выполнять более глубокие и частые взаимодействия с инструментами, использовать обратную связь среды и уточнять ход решения. По данным карточки, она показывает сильные результаты в исследовательских бенчмарках, включая HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Text-103. К сильным сторонам относятся ориентация на агентные и research-сценарии, большой контекст, поддержка длительных многошаговых задач и оптимизация квантования с повышением точности отдельных важных слоёв. Ограничения связаны с необходимостью внешней инфраструктуры и инструментов для полноценной агентной работы, а также с компромиссами GGUF-квантования между размером файла, скоростью и точностью; конкретный уровень квантования в README не указан. Модель распространяется по лицензии MIT.

mLateOn — многоязычная модель поиска LightOn на архитектуре ColBERT с поздним взаимодействием и многовекторными представлениями. Она построена на mmBERT-base, содержит около 307 млн параметров и обучена с помощью PyLate; для запросов и документов поддерживает контекст до 8 192 токенов, формирует векторы размерности 128 и оценивает совпадение методом MaxSim. Модель предназначена для семантического поиска по многоязычным коллекциям, длинным документам и коду. Обучение проводилось на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках. По данным карточки, модель также переносит качество на языки и письменности, не включённые в обучение поиска, например кириллицу и японский. Модель может быть полезна для поиска по документам и кода, когда инфраструктура поддерживает многовекторное хранение и позднее взаимодействие. В карточке приведены высокие результаты на бенчмарках BEIR, MIRACL, MLDR и MTEB Code. Для использования доступны веса Safetensors и ONNX. Лицензия — Apache 2.0.

Это мультиязычная модель Cross-Encoder семейства XLM-RoBERTa, дообученная авторами Sentence Transformers на MMARCO — автоматически переведённой на 14 языков версии датасета MS MARCO. Модель основана на mMiniLMv2-L12-H384, содержит 124,3 млн параметров и рассчитана на последовательности длиной до 514 токенов. Модель предназначена для повторного ранжирования результатов информационного поиска: она получает запрос и отдельный найденный фрагмент текста, оценивает их релевантность, после чего фрагменты можно отсортировать по оценкам. Подходит для этапа reranking после первичного поиска, например, в поисковой системе или конвейере RAG. Карточка отмечает поддержку 14 языков и сообщает, что модель также хорошо показала себя на других языках. Доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO; для использования предусмотрена библиотека Sentence Transformers. Лицензия — Apache-2.0. Обучение на машинных переводах MS MARCO может ограничивать качество на языках и типах запросов, отличающихся от обучающих данных.

Это файл GGUF в формате F16 с весами мультиязычного ранжировщика cross-encoder/mMiniLMv2-L12-H384-v1, подготовленный Gramscii-IT для запуска через llama.cpp и подачи оценок через endpoint /v1/rerank. Вес модели не изменялись: это конверсия опубликованных весов исходной модели, обученной на mMARCO — наборе MS MARCO, переведённом на 14 языков. Базовая модель построена на nreimers/mMiniLMv2-L12-H384-distilled-from-XLMR-Large. Модель оценивает релевантность пары «запрос — фрагмент текста», чтобы переупорядочить результаты поиска. Её можно использовать после векторного или лексического поиска, например, для повышения точности выдачи в мультиязычном поиске и RAG. README приводит локальный тест на итальянских заметках, но его результаты относятся только к этому корпусу и условиям. Контейнер F16 рассчитан на сервер llama.cpp с режимом reranking и rank pooling; для PyTorch рекомендуется исходная версия. Модель читает до 512 токенов, поэтому более длинные фрагменты нужно обрезать по токенам. Пороговые значения оценок и результаты тестирования могут не переноситься на другие корпуса. Лицензия — Apache 2.0.

Это многоязычная модель-реранкер на архитектуре ModernBERT, разработанная авторами репозитория vllm-sr. Она построена на vllm-sr/mmbert-32k-yarn и оценивает релевантность пары «запрос — текст», чтобы упорядочивать результаты поиска. Модель содержит около 307 млн параметров, принимает до 32 768 токенов и поддерживает сокращение числа слоёв и размерности представления по схеме 2D Matryoshka для выбора компромисса между качеством и скоростью. Модель предназначена для многоязычного поиска, включая ранжирование длинных документов, где ответ может находиться в середине или конце текста. В карточке заявлена поддержка более 1800 языков; метаданные перечисляют английский, китайский, немецкий, французский, испанский, русский, японский, корейский, арабский и хинди. README приводит результаты тестов, но часть из них основана на синтетических длинных документах; на коротких документах специализированные конкуренты могут показывать лучшие результаты. Ограничения: обучение преимущественно проводилось на коротких фрагментах, поэтому качество на очень длинных текстах зависит также от возможностей базовой модели с расширенным контекстом. Для узкоспециализированных областей может потребоваться дообучение; сокращение числа слоёв само по себе даёт небольшой прирост скорости без механизмов раннего выхода. Лицензия — Apache-2.0.

mMiniLM-L6-v2-mmarco-v2 — мультиязычная модель на основе MiniLM, дообученная командой Unicamp-DL на версии набора MS MARCO Passage Ranking на девяти языках. Набор mMARCO содержит переведённые с английского passages; для версии v2 использовался Google Translate. Модель предназначена для оценки текстовых фрагментов в задачах поиска и ранжирования passages по запросу. Её можно применять для сортировки найденных документов по релевантности и построения мультиязычного поиска. Архитектура в метаданных указана как XLM-RoBERTa Sequence Classification, размер — 110,2 млн параметров, максимальный контекст — 514 токенов. Модель доступна в формате PyTorch по лицензии MIT. Обучение на автоматически переведённых данных может влиять на качество для языков и формулировок, отличающихся от обучающего набора; контекст ограничен 514 токенами.

MMLW-retrieval-e5-large — польскоязычный текстовый энкодер, разработанный для задач информационного поиска. Модель основана на multilingual E5 и использует архитектуру XLM-RoBERTa; её размер составляет 658,7 млн параметров, а контекст — 514 токенов. Она кодирует запросы и фрагменты текста в векторы размерности 1024. Модель обучали в два этапа: сначала дистиллировали на 60 млн польско-английских пар с использованием англоязычных моделей FlagEmbeddings (BGE) в качестве учителей, затем дообучили с контрастивной функцией потерь на польской части MS MARCO. Для кодирования запросов нужен префикс «query: », для документов — «passage: ». На польском бенчмарке PIRB модель показала NDCG@10 58,30. Распространяется по лицензии Apache-2.0.

MMLW-retrieval-roberta-large — польскоязычный плотный текстовый энкодер семейства RoBERTa от разработчиков MMLW, предназначенный для информационного поиска. Он кодирует запросы и фрагменты текста в векторы размерности 1024; для запросов требуется префикс «zapytanie: ». Модель содержит 533,7 млн параметров, использует контекст до 514 токенов и распространяется в форматах PyTorch и safetensors. Обучение проходило в два этапа: дистилляция знаний англоязычных моделей FlagEmbeddings (BGE) на корпусе из 60 млн польско-английских пар, затем дообучение с контрастивной функцией потерь на польской обучающей выборке MS MARCO. В README приведён результат NDCG@10 58,46 на польском бенчмарке информационного поиска. Модель подходит для поиска по смыслу и сопоставления запросов с текстами; в качестве ограничений следует учитывать необходимость специального префикса для запросов и контекст до 514 токенов. Лицензия — Apache-2.0.

MMLW-retrieval-roberta-large-v2 — польский текстовый энкодер семейства RoBERTa, разработанный для поиска информации и оценки семантического сходства. Модель основана на polish-roberta-large-v2 и содержит 533,7 млн параметров; она преобразует запросы и фрагменты текста в векторы размерностью 1024. Контекст составляет до 514 токенов. Модель обучали в два этапа: сначала применили дистилляцию знаний от stella_en_1.5B_v5 на 20 млн польско-английских пар текстов, затем дообучили с contrastive loss на более чем 4 млн запросов. Для поиска к запросам добавляют префикс «[query]: », а для симметричного сравнения текстов — «[sts]: ». В README указана оценка NDCG@10 60,71 на польском бенчмарке PIRB. Модель предназначена для польскоязычного семантического поиска, извлечения релевантных документов и сравнения текстов; доступна в формате safetensors. Лицензия в метаданных указана как Gemma, поэтому перед применением следует учитывать её условия. Данные об обучении поддерживают польский и английский языки, но карточка характеризует модель прежде всего как польский энкодер.

Карточка модели jiwonyou0420/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели arnaultsta/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.