I.1Поиск и навигация по информации

LegalBenchRAG CUAD Top-One Reranker — англоязычный cross-encoder на архитектуре BERT, дообученный разработчиками модели на наборе orgrctera/legalbenchrag_cuad. Он оценивает пары «вопрос — фрагмент текста» и предназначен для второго этапа поиска: ранжирует уже найденные passages из договоров и юридических документов по их релевантности запросу. Самостоятельно документы не ищет и ответы не генерирует. Модель содержит 25,9 млн параметров и принимает пары текстов с контекстом до 512 токенов. В локальной оценке на фиксированном пилотном разбиении CUAD она показала MRR@10 0,8288 и Recall@5 0,9625; перенос этих результатов на другие юридические корпуса не подтверждён. Модель опубликована под лицензией Apache-2.0.

MedTE-cl15-step-8000 — модель эмбеддингов на базе BERT, опубликованная пользователем MohammadKhodadad на Hugging Face. Репозиторий содержит веса BertModel и токенизатор; конфигурация указывает 12 слоёв, 12 голов внимания, размерность скрытого состояния 768 и максимальную длину последовательности 512 токенов. Модель предназначена для извлечения признаков из текста, в частности для получения векторных представлений, пригодных для поиска и сравнения текстов в медицинской области. В карточке указано 136,7 млн параметров и формат Safetensors. Идентификатор и имя каталога указывают на контрольную точку MedTE, но доступная карточка не раскрывает обучающие данные, целевую аудиторию, поддерживаемые языки или лицензию. Поэтому область применения в медицине можно считать ориентиром, а не подтверждением качества для клинического использования.

CMB-ClimateModernBERT/Merge_TA_L05_LRD — англоязычная модель-энкодер ClimateModernBERT, опубликованная авторами семейства ClimateModernBERT. Она создана продолжительным предобучением answerdotai/ModernBERT-base на климатических академических текстах, синтетических данных и отфильтрованном веб-тексте; карточка также описывает её как слияние Task Arithmetic с λ = 0,5. Модель имеет 149 млн параметров, архитектуру ModernBERTForMaskedLM и контекст до 8192 токенов; основная задача — предсказание замаскированных токенов. Модель предназначена для исследований NLP в климатической тематике и как энкодер для последующей тонкой настройки на классификацию, многометочную разметку и поиск по корпоративной отчётности, документам климатической политики, научным публикациям и новостям. В карточке сообщается средний F1 73,6 по девяти климатическим бенчмаркам; это результат описанного авторами протокола, а не гарантия качества для иных данных. Авторы указывают, что синтетические данные дают неодинаковый эффект в разных задачах, а опубликованная оценка в основном охватывает предложения и фрагменты текста. Это masked language model, а не диалоговая или следующая инструкции система; она не предоставляет калиброванных гарантий фактической точности. Обучение и оценка описаны для английского языка. Лицензия в предоставленных данных не указана.

Модель Puntin26/modelo_qa_pdqa_ian_diego разработана Ian Alvarez и Diego Armando Batista для Dominican News Question Answering Challenge. Это дообученная для извлекающего ответа модель на архитектуре BERT с 137,1 млн параметров и контекстным окном до 512 токенов. Она принимает вопрос и контекст новостной статьи на испанском языке и извлекает из контекста фрагмент, содержащий ответ. Модель предназначена для ответов на вопросы по доминиканским новостям. В документации сообщается о F1 80,15 и Exact Match 73,33 на validation; для воспроизведения результата при инференсе рекомендуется max_answer_len=20. Обучение проводилось на небольшом наборе из 45 примеров, поэтому метрики могут заметно меняться. Ответ должен явно присутствовать в переданном контексте. Модель может путать похожие сущности, даты и числа, не проверяет достоверность новостей и не подходит как единственный источник для решений с высокими последствиями. Лицензия в предоставленных данных не указана.

joduor/aibiosecure-policy-embeddings — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, предназначенная для представления предложений и абзацев в виде плотных векторов и поиска по смыслу. В README показаны примеры вопросов и ответов о политике биобезопасности, лабораториях BSL-3 и управлении рисками ИИ; модель обучалась на 62 парах текстов с MultipleNegativesRankingLoss. Модель использует архитектуру BERT с усредняющим pooling и нормализацией, выдаёт векторы размерности 384 и сравнивает их косинусным сходством. Метаданные указывают библиотеку Sentence Transformers, формат Safetensors и контекст до 512 токенов; README задаёт максимальную длину последовательности 256 токенов. Основной язык базовой модели — английский, а обучающие примеры также англоязычные. Подходит для семантического поиска и сопоставления запросов с документами по темам политики биобезопасности и ИИ. Оценка в README не подтверждает качество: метрики Pearson и Spearman указаны как nan, а обучение описано всего для 62 примеров и 4 секунд. Лицензия в предоставленных данных не указана.

dorrito-dev/all-MiniLM-L6-v2-pmc-vet-retriever — англоязычный текстовый энкодер Sentence Transformers, дообученный автором на наборе pmc-vet-ntuples для поиска ветеринарной клинической информации. Архитектура основана на BERT: модель содержит около 25,9 млн параметров, формирует плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Метаданные указывают контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и ранжирования клинических текстов: запрос и документы преобразуются в векторы, после чего подходящие фрагменты можно находить по близости векторов. В README приведены результаты оценки на vet-clinical-ir, включая cosine_accuracy@10 0,9929 и nDCG@10 0,9349. Она принимает текст и выдаёт векторы; генерация ответов не заявлена. Лицензия в предоставленных данных не указана.

ugaray96/biobert_ncbi_disease_ner — дообученная на наборе NCBI Disease модель BioBERT для распознавания упоминаний заболеваний в тексте. Она предназначена для извлечения названий болезней из неструктурированных медицинских и биологических текстов, например аннотаций PubMed, чтобы поддерживать поиск информации и извлечение знаний. Модель использует архитектуру BERT с классификационной головой для токенов и содержит 135,5 млн параметров. Контекст ограничен 512 токенами. Обучающая выборка включает 793 аннотации PubMed и 6 892 упоминания заболеваний; в метаданных указан английский язык. Для работы доступны веса PyTorch, TensorFlow, JAX и safetensors. Модель рассчитана на распознавание заболеваний в англоязычных медицинских и биологических текстах. Лицензия — OpenRAIL.

PeytonT разработала Cross Modal Retrieval — энкодер для поиска семантически связанных материалов между научными статьями и репозиториями кода. Модель входит в исследовательскую систему Repository Library для индексации, поиска и сопоставления научных публикаций, их структурированного содержимого и репозиториев. Это полноразмерное дообучение sentence-transformers/all-MiniLM-L6-v2 на структурированных данных из PDF статей arXiv и данных о репозиториях и фрагментах кода. Модель содержит 25,9 млн параметров, использует архитектуру BERT и принимает текст с контекстом до 512 токенов. Основная задача — извлечение признаков для междоменного семантического поиска и ранжирования. Карточка описывает исследовательский компонент, а не готовое к развёртыванию решение: перед применением модель следует проверить в целевом процессе. Представленные метрики recall@10 и ndcg@10 не сопровождаются отдельным отчётом бенчмарка или внешним аудитом; часть обучающих данных получена из внутренних конвейеров Repository Library. Лицензия в предоставленных данных не указана.

Fara-7B-AIO-GGUF — набор GGUF-квантизаций модели Fara-7B, опубликованный prithivMLmods на базе модели Microsoft Fara-7B. Исходная модель представляет собой небольшую агентную мультимодальную языковую модель с 7 млрд параметров, построенную на архитектуре Qwen2.5-VL-7B и выполненную как decoder-only-модель. Указан английский язык и поддержка обработки текста и изображений, включая скриншоты интерфейса. Модель предназначена для задач компьютерного управления и автоматизации действий в браузере и на рабочем столе: веб-навигации, покупок, бронирования поездок и ресторанов, а также работы с аккаунтами. Она принимает пользовательскую цель, скриншоты браузера и историю действий, после чего формирует рассуждение и привязанные к интерфейсу вызовы инструментов для перемещения указателя, кликов, ввода текста, прокрутки, переходов по URL и веб-поиска. Контекст модели составляет 128 тысяч токенов. Среди заявленных преимуществ — специализированное обучение на синтетических траекториях и механизмы безопасности, останавливающие модель перед критическими действиями, например покупками или вводом персональных данных, и отказывающие во вредоносных сценариях. В README приведены результаты 73,5% на WebVoyager и 38,4% на WebTailBench, однако сведения о практической совместимости конкретных GGUF-квантизаций и требованиях к запуску не указаны. Репозиторий содержит варианты от F32 и BF16/F16 до различных IQ- и Q-квантизаций размером примерно от 1,9 до 30,5 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Ограничениями являются специализация на компьютерных сценариях, заявленная языковая поддержка только английского и потенциальные потери качества у более агрессивно квантованных вариантов. Лицензия — MIT.

rafmacalaba/gliner_datause — дообученная на извлечении упоминаний об использовании данных модель на основе GLiNER large-v2.1. Она предназначена для поиска в экономических научных статьях названий и описаний наборов данных, обследований, переписей и реестров. Модель выделяет три типа фрагментов: именованные источники данных (NAMED_DATA), описания источников без собственного названия (DESCRIPTIVE_DATA) и общие упоминания данных без конкретного источника (VAGUE_DATA). В README приведены результаты проверки на отложенной выборке: F1 составляет 0,9037 при пороге 0,5; результат зависит от выбранного порога и типа текстов. Обучение выполнено на наборе rafmacalaba/data-use-mentions в течение пяти эпох с точностью bf16. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Она рассчитана на извлечение упоминаний из исследовательских текстов и может давать ложные срабатывания или пропуски; приведённые метрики получены на отложенной выборке и не гарантируют такие же результаты на других корпусах.

industry-bert-contracts-v0.1 — модель llmware для построения семантических эмбеддингов юридических и коммерческих договоров. Она основана на BERT и архитектуре Sentence Transformer, дообучена на общедоступных коммерческих контрактах и связанных документах. Модель содержит 136,7 млн параметров и обрабатывает до 512 токенов за раз. Модель предназначена для поиска и сравнения договорных текстов по смыслу, а также для использования в качестве векторного представления документов в юридических и контрактных сценариях. Она рассчитана на английский язык и может загружаться через Transformers как AutoModel с соответствующим токенизатором. Качество может снижаться за пределами договорной и юридической тематики; для эмбеддингов также возможны аномалии в векторном пространстве. В карточке не описаны специальные меры защиты от смещений в данных. Лицензия — Apache 2.0.

LegalBench-RAG Ettin 150M Reranker — англоязычный кросс-энкодер на архитектуре ModernBERT с 149 млн параметров, разработанный авторами этой модели дообучением cross-encoder/ettin-reranker-150m-v1 на полном наборе LegalBench-RAG. Он предназначен для повторного ранжирования фрагментов договоров и политик конфиденциальности: после первичного поиска, например BM25 или эмбеддингами, модель совместно обрабатывает запрос и фрагмент и выдаёт оценку релевантности пары. Репозиторий использует библиотеку sentence-transformers и формат safetensors; максимальный контекст — 7 999 токенов. В оценке на 710 отложенных вопросах модель улучшила NDCG@10 с 0,3853 у базовой модели до 0,7424, однако эти результаты относятся к конкретному бенчмарку и его четырём областям юридических документов. Модель не ищет документы самостоятельно, не отвечает на юридические вопросы и не заменяет проверку юристом. Она поддерживает только английский язык; оценка релевантности не является калиброванной уверенностью, а релевантные фрагменты, пропущенные первичным поиском, восстановить не может. Лицензия — Apache-2.0.

Mountain NER — модель классификации токенов на основе BERT, дообученная для распознавания названий гор. Она присваивает токенам метки O, B-MOUNTAIN и I-MOUNTAIN, позволяя выделять упоминания гор в английском тексте. По результатам оценки на отложенной выборке из 831 предложения точность составила 0,9448, полнота — 0,9377, F1 — 0,9413. Модель содержит 135,5 млн параметров, использует контекст до 512 токенов и распространяется в формате safetensors через библиотеку Transformers. Базой послужил чекпойнт BERT для NER из CoNLL-2003; веса дообучены под метки гор. Лицензия — MIT.

OELLM 9B — 256K context — Prelude anneal300b — это базовая языковая модель OpenEuroLLM, представленная в виде BF16-экспорта для Transformers. Она построена на плотной декодерной архитектуре Qwen3 с примерно 9 млрд параметров и контекстом до 262 144 токенов; для обработки длинного контекста используется RoPE с theta 64 000 000. Модель получена продолженным предобучением чекпойнта openeurollm/prelude на примерно 8 млрд токенов, включая тексты на европейских языках, код и научные материалы. Модель предназначена для completion-сценариев, исследований длинного контекста и извлечения сведений из больших текстов, а также как основа для дальнейшего дообучения. Это не чат-модель: она не обучена следовать инструкциям и не прошла safety alignment. Небольшая проверка извлечения информации проведена на английском и шведском, но она не подтверждает качество рассуждений, суммаризации или генерации во всём окне контекста. Для работы с полным контекстом требуются значительные ресурсы ускорителей, эффективная реализация attention и тщательная настройка KV-cache; обычно нужен tensor parallelism. Опубликованные веса доступны по лицензии Apache-2.0.

PeytonT/repo-embedding — дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2, предназначенный для создания плотных векторных представлений репозиториев. Модель семейства BERT содержит 25,9 млн параметров и принимает текстовые данные; максимальная длина контекста — 512 токенов. Веса опубликованы в формате Safetensors. Модель создавалась как компонент Repository Library — исследовательской системы для индексации, поиска и сопоставления научных публикаций, их структурированного содержимого и репозиториев. Её векторы предназначены для поиска репозиториев и выравнивания связей между ними; далее их можно использовать в ранжировании и других сценариях этой системы. Обучающие данные сформированы из графа репозиториев и фрагментов кода конвейера Repository Library. В карточке указаны метрики recall@10 и ndcg@10, однако отдельный отчёт с результатами оценки не приведён. Производитель рекомендует проверять модель в целевом процессе перед развёртыванием; независимый аудит и заявления о безопасности не представлены. Лицензия в предоставленных данных не указана.

SEA-CLIP-Tiny-abl-wit — экспериментальный вариант мультиязычной модели CLIP от автора fassabilf, опубликованный как строка абляции исследования SEA-CLIP-Tiny для ACCV 2026. Это модель сопоставления изображений и текста для классификации изображений по текстовым меткам без отдельного обучения на этих метках, а также для поиска изображений по описанию и описаний по изображению. Модель использует визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Токенизатор CLIP BPE имеет словарь из 49 408 токенов и контекст 77 токенов. Чекпойнт обучен только на данных WIT; в README указаны результаты retrieval R@1: 27,7 на WIT и низкая точность zero-shot ImageNet — 1,3%. Поддерживаются английский и ряд языков Юго-Восточной Азии, включая индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. Репозиторий использует open_clip и формат PyTorch, лицензия MIT.

Это компактная модель T5-small, дообученная для ответов на вопросы по контексту на датасете SQuAD. Её разработчик обучал только блоки cross-attention декодера и финальную нормализацию декодера; остальные веса заморожены. По README, обучаемыми были около 6,3 млн параметров из 60,5 млн. Метаданные указывают 38,5 млн параметров, поэтому сведения о размере в источниках расходятся. Модель предназначена для извлечения короткого ответа из предоставленного английского контекста по вопросу в стиле SQuAD. Для работы ожидает вход с префиксом `answer question: ` и полями `question: ... context: ...`; поддерживает контекст до 512 токенов. README сообщает F1 0,7075 и EM 0,5293 на подвыборке валидации SQuAD из 256 примеров при генерации с поиском по четырём лучам. Это специализированный экспериментальный чекпойнт, а не универсальная система ответов на вопросы: обучение проводилось на 3 000 примерах, а проверка — на подвыборке валидации, не на официальном тестовом сервере SQuAD. Базовая модель — `google-t5/t5-small`; лицензия — Apache-2.0.

google/tapas-small-finetuned-wtq — небольшая модель TAPAS от Google для ответов на вопросы по таблицам. Она построена на архитектуре Transformer, похожей на BERT, содержит 32,4 млн параметров и принимает вопрос вместе с таблицей, преобразованной в последовательность текста. Для выбора ответа модель использует головы выбора ячеек и агрегации; в стандартной версии позиции в таблице сбрасываются для каждой ячейки. Модель предварительно обучалась на англоязычных таблицах и текстах Википедии, а затем последовательно дообучалась на SQA, WikiSQL и WikiTable Questions. Она предназначена для извлечения ответа из содержимого таблицы и может учитывать числовые отношения. Контекст ограничен 512 токенами; заявленные данные обучения и карточка ориентированы на английский язык. Доступны веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Карточка приводит результаты для крупных и базовой версий TAPAS, но не указывает оценку для этой небольшой версии; качество на иных типах таблиц и языках может отличаться.

Alz-SumAgent — англоязычная модель суммаризации, разработанная Tamil Priya Balaji и дообученная на основе facebook/bart-large-cnn. Это последовательностный трансформер BART с архитектурой энкодер-декодер; в метаданных указано 252,8 млн параметров и контекст 1024 токена. Модель адаптирована к научным текстам об Alzheimer’s disease: она сжимает аннотации PubMed и извлечённые фрагменты исследований в краткие сводки с опорой на исходные материалы. Основной сценарий — промежуточный этап RAG-конвейера: Alz-SumAgent сокращает найденные свидетельства, после чего отдельная языковая модель формирует итоговый ответ с цитированием. Модель предназначена для англоязычных биомедицинских и исследовательских текстов, а её качество для других областей не оценено. Лицензия — MIT. Сводка может опускать нюансы или содержать неподтверждённые исходным текстом утверждения; отдельная оценка фактической точности модели не приведена. Модель не предназначена для диагностики, рекомендаций по лечению или работы с данными пациентов и должна использоваться как вспомогательный этап с проверкой итогов по исходным публикациям.

Overwatch886/bge-base-agri — модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 для поиска релевантных сельскохозяйственных текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, нормализует их и позволяет сравнивать косинусное сходство. Архитектура состоит из трансформера BERT, пулинга по CLS-токену и нормализации; модель содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. Обучение описано на наборе из 742 примеров с запросами, релевантными и нерелевантными фрагментами. Модель подходит для семантического поиска агрономических рекомендаций, подбора материалов по вопросам о хозяйстве и извлечения контекста для RAG. Примеры посвящены сельскому хозяйству в разных странах; базовая модель англоязычная, а подтверждённого списка языков самой дообученной модели нет. Лицензия в предоставленных данных не указана.

Модель cybersec-mpnet-finetuned разработана Sindhu S как биэнкодер Sentence Transformer и дообучена на базе sentence-transformers/all-mpnet-base-v2. Она создаёт векторные представления английских предложений и коротких фрагментов кибербезопасности; в метаданных указаны архитектура MPNet, 136,7 млн параметров и контекст до 514 токенов. Для поиска и сравнения текстов можно использовать косинусное сходство. Модель предназначена для семантического поиска по отчётам об угрозах и базам знаний MITRE ATT&CK, CISA KEV, NVD CVE и NIST SP 800-61, извлечения контекста для RAG, оценки сходства с источниками, а также кластеризации индикаторов компрометации и техник атак. Дообучение выполнено на 2 179 парах из CTI-ATE и CTI-MCQ; автор приводит результаты прокси-оценки поиска и сравнение сходства с источниками. Обучающие данные в основном охватывают MITRE ATT&CK и CVE, поэтому качество может снижаться в других областях безопасности, например при работе с физической безопасностью или мошенничеством. Для точного ранжирования автор рекомендует дополнительный реранкер: Hit@1 был низким на коллекциях с похожими записями. Лицензия — Apache 2.0.

Kanha-AI разработала Kanha Kanha.ai 1.7B PIT v1 — диалоговую модель генерации текста на базе Qwen3-1.7B, дообученную продолжать документы и отвечать на вопросы по специализированному корпусу сайта. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Для запуска указана библиотека Transformers; веса представлены в формате safetensors, а для MLC доступны артефакты с квантизацией q4f16_1. Модель предназначена для диалогов и ответов по материалам сайта, включая извлечение дат, ссылок и числовых сведений. В README приведены результаты проверки на 26 примерах: полнота дат и URL составила 1,0, полнота чисел — около 0,76, списков — около 0,04; доля неподтверждённых значений — около 0,42. Обучающий корпус включал 17 документов и 170 пар вопросов и ответов, без оценочной выборки. Эти результаты не подтверждают общие возможности модели и не заменяют проверку конкретной сборки на целевых устройствах. README предупреждает о риске неверных, неполных, устаревших или запомненных ответов; сведения о лицензии в предоставленных данных отсутствуют.

laya-browser — модель Convai Innovations, дообученная как голова принятия решений для браузерного агента browser-use/jev-ultrafast. Она принимает состояние страницы и вопросы о доступных действиях, затем за один проход выбирает операцию — например, щелчок, ввод текста, выбор пункта, прокрутку или завершение — и целевой элемент. Модель не генерирует текст; отдельная языковая модель может подготовить текст для ввода в поля. Модель основана на mmBERT-base размером 322 млн параметров и использует двунаправленный энкодер. По данным карточки, её обучали на траекториях веб-задач и оценивали на сайтах, не встречавшихся в источниках обучения. В тестах на многошаговых задачах с незнакомыми сайтами успешность составила около 20–26%; на двух других наборах результаты различались. На RTX 4070 Ti SUPER решение занимает 22–27 мс при полной частоте GPU, но после простоя задержка может вырасти до 75–270 мс. Модель предназначена для локального управления браузером и совместима с интерфейсом `/v1/systemone` jev-ultrafast. Ограничения включают частое преждевременное завершение задачи на странице результатов, сложности с целями, расположенными далеко внизу страницы, блокировки headless-браузеров и недоступность полей пароля в jev. Репозиторий распространяется по лицензии Apache-2.0.

Модель разработана Эсмэри Васкес и Хеверлин Рамос для Dominican News Question Answering Challenge в рамках курса ICC-344-T. Это дообученная BERT-модель для извлечения ответа на испанском языке: на вход подаются вопрос и контекст новости, а модель выбирает фрагмент ответа, явно присутствующий в контексте. Архитектура — BertForQuestionAnswering, около 137,1 млн параметров, формат весов safetensors, длина контекста — до 512 токенов. Модель предназначена для вопросов по доминиканским новостям. Обучающая выборка была расширена 23 примерами из цифровых газет, чтобы лучше обрабатывать некоторые выявленные типы ошибок; в README приведены результаты validation: Exact Match 73,33 и F1 83,38. Для воспроизведения результатов требуются настройки предсказания и постобработка, описанные в карточке. Модель может захватывать лишний текст или путать сходные даты, сущности и числа, а также неверно определять ожидаемый тип ответа. Она не проверяет достоверность новостей и не должна быть единственным источником для решений с высокими последствиями. Лицензия в предоставленных данных не указана.

OpenMed-NER-PathologyDetect-BigMed-560M — специализированная модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученный для классификации токенов трансформер XLM-RoBERTa с примерно 659 млн параметров; модель размечает фрагменты текста тегами B-Disease и I-Disease. Она предназначена для извлечения названий заболеваний из медицинских записей, научных публикаций и других медицинских документов, например для поиска по литературе и построения биомедицинских баз знаний. Модель обучена на корпусе NCBI Disease и принимает токенизированный текст, возвращая BIO-разметку сущностей. В карточке заявлены F1 0,87, точность 0,86 и полнота 0,89; опубликованный контекст модели — 514 токенов. Модель ориентирована на английский язык. Лицензия — Apache-2.0, интеграция предусмотрена через Transformers. Она распознаёт заболевания, а не лекарства или химические соединения; качество на текстах за пределами обучающего корпуса и в клиническом применении отдельно не подтверждено.

PeytonT/repo-paper-alignment — дообученная энкодерная модель на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления научных статей с репозиториями и их реализационными артефактами. Она кодирует пары текстов и оценивает их соответствие; модель содержит 25,9 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Модель предназначена для ранжирования кандидатов на связь статьи с репозиторием, поиска подтверждающих файлов и фрагментов кода, построения связей «статья—код» и подготовки обоснованных объяснений в системе Repository Library. Карточка сообщает о скромном качестве на текущей отложенной выборке: ROC AUC около 0,542 и точность пары около 0,484; результат зависит от качества формирования пар и отрицательных примеров, поэтому модель требует проверки в целевом процессе. Это экспериментальный компонент исследовательской системы, а не готовый бенчмарк. Лицензия в предоставленных данных не указана.

google/tapas-mini-finetuned-sqa — компактная модель TAPAS от Google для ответов на вопросы по таблицам в диалоговом формате. Она построена на архитектуре, подобной BERT, и содержит 12 млн параметров. Модель предварительно обучалась на английских таблицах и связанных с ними текстах из Википедии с помощью masked language modeling и промежуточного обучения для числового рассуждения, затем дообучена на Sequential Question Answering (SQA). В стандартной версии используются относительные позиционные эмбеддинги с повторным отсчётом позиций в каждой ячейке таблицы; также доступна версия no_reset с абсолютными позиционными эмбеддингами. На вход подаются вопрос и сериализованная таблица; модель выделяет ячейки, на которых основан ответ. Контекст ограничен 512 токенами. Модель предназначена для англоязычных таблиц и не является универсальной разговорной моделью: длинные таблицы могут требовать усечения, а качество за пределами табличных вопросов и данных, близких к SQA, не установлено. Доступна по лицензии Apache-2.0.

dhammanana/Tipitaka_MiniLM-L12 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов по смыслу; сходство можно оценивать косинусной мерой. Архитектура включает BERT с усредняющим pooling. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель обучена на 844 384 парах предложений. Примеры данных сопоставляют фрагменты на пали с английскими переводами и пояснениями, поэтому модель ориентирована на семантическую работу с текстами Типитаки и близкими материалами. Её можно применять для поиска релевантных фрагментов и сопоставления похожих текстов. Модель принимает текст и выдаёт векторы; генерация текста в её назначение не входит. Лицензия в предоставленных данных не указана.

NYSgpt/44b-reranker-mini — компактный cross-encoder-реранкер, разработанный NYSgpt и дообученный на парах «рецензия → научная статья» из корпуса 44B. Он оценивает релевантность запроса-краткого изложения статьи, написанного рецензентом, к кандидатам-документам и предназначен для второго этапа поиска: переупорядочивания списка найденных научных публикаций. Модель содержит 22,7 млн параметров; README сообщает о результатах тестирования на 3 157 запросах к статьям по машинному обучению и задержке 7,4 мс на запрос при тестировании на A10G с batch 128. На указанном тесте Precision@1 составила 0,865, Precision@3 — 0,954, а MRR — 0,914. Эти показатели относятся к выбору документа из набора кандидатов и не характеризуют открытый поиск по всему корпусу. Модель обучалась на рецензиях к работам по машинному обучению для ICLR и NeurIPS за 2024–2025 годы. Лицензия — Apache-2.0. Модель рассчитана на длинные технические запросы в прозе; качество на коротких поисковых фразах не проверялось. Область оценки ограничена научными статьями по машинному обучению и конкретным конвейером формирования данных. Контекст модели короткий: README отмечает усечение большинства пар при ограничении в 256 токенов. Приведённая задержка измерена на GPU A10G, а не на CPU.

AccPhysBERT — англоязычная модель эмбеддингов для поиска и анализа публикаций по физике ускорителей, разработанная Торстеном Хеллертом, Жоао Монтенегро, Марко Вентурини и Андреа Полластро. Модель создана на основе PhysBERT cased и дообучена методом supervised contrastive learning SimCSE. Архитектура — BERT, около 136,7 млн параметров; модель формирует плотные векторные представления текста и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска по заголовкам, аннотациям, заявкам и полным текстам, классификации цитирований, сопоставления рецензентов и кластеризации научной литературы. Она обучалась на публикациях INSPIRE HEP по физике ускорителей, парах цитирований и синтетических парах запрос–источник. Для специализированных тестов по физике ускорителей авторы сообщают о результатах выше BERT, SciBERT и универсальных моделей эмбеддингов. Модель опубликована под лицензией CC BY 4.0. Она рассчитана на англоязычные научные тексты по физике ускорителей; результаты вне этой предметной области и для других языков могут быть хуже. Ограничение контекста составляет 512 токенов.