I.1Поиск и навигация по информации

slm-125m-legal-ppo — компактная языковая модель на 125,8 млн параметров, разработанная abhishekai для ответов на вопросы по предоставленным юридическим и финансовым материалам. Это плотная causal language model семейства Llama, дообученная методом PPO с использованием reward-модели и обратной связи, сгенерированной ИИ (RLAIF). Модель рассчитана на диалоговый формат и использует шаблон чата базовой SFT-модели; контекст — 1024 токена, веса доступны в формате safetensors. Модель можно применять для черновых ответов на вопросы по переданному фрагменту текста. В опубликованной оценке на 300 отложенных запросах она набрала 4,08 из 10; результат практически не отличался от собственной SFT-базы. Авторы отмечают ненадёжность арифметики, склонность выдумывать ответы без предоставленного источника и то, что оптимизация по proxy-награде не гарантирует фактическую корректность. Модель не предназначена для юридических или финансовых консультаций. Лицензия — Apache-2.0.

Модель 智海-录问 (wisdomInterrogatory) — юридическая языковая модель, разработанная совместно Чжэцзянским университетом, DAMO Academy Alibaba и Huayuan Computing. Она основана на Baichuan-7B и дополнительно обучена на юридических документах, судебных делах и вопросах с ответами, а затем настроена на выполнение инструкций. В репозитории указано 6,7 млрд параметров, архитектура Baichuan с плотной causal language model, формат PyTorch и контекст до 4096 токенов. Модель предназначена для юридических вопросов и ответов, справочных консультаций и поддержки цифровизации судебной практики. В карточке заявлено обучение на 40 ГБ юридических данных и 100 тысячах примеров для настройки инструкций; указана поддержка китайского и английского языков. Лицензия обозначена как other, поэтому конкретные условия распространения из доступных сведений установить нельзя. Авторы предупреждают, что ответы могут быть неточными или неполными и предоставляют модель для академических исследований.

alt6-209m-16k-1x-s1337 — исследовательская языковая модель на 209 млн параметров из выпуска DilutionAttention. Это базовая модель для изучения оператора внимания, а не диалоговый помощник: она не проходила дообучение на инструкциях или настройку безопасности. Архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU и связанные эмбеддинги; в чередующихся слоях сочетаются softmax-внимание с RoPE и dilution-внимание без позиционного кодирования. Модель обучена на 4,19 млрд токенов FineWeb-Edu с контекстом 16 384 токена. В карточке приведены результаты извлечения ключевого слова из повторяющегося текста на длинах 16 000 и 24 000 токенов; это проверка поиска в контексте, а не длинных рассуждений. Для работы с входами длиннее обученного контекста README указывает обёртку ExtendedContext с NTK scaling. Модель предназначена для экспериментов с вниманием и экстраполяцией контекста, а не для готового пользовательского ассистента. Лицензия — Apache-2.0.

Модель dorrito-dev/all-MiniLM-L6-v2-dog-breed-retriever — текстовый энкодер Sentence Transformer, дообученный разработчиком dorrito-dev на наборе dog-breed-ntuple-retrieval для поиска по текстам о породах собак. Архитектура основана на BERT и sentence-transformers/all-MiniLM-L6-v2; модель содержит 25,9 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 384. Для сравнения векторов предусмотрена косинусная близость. Модель подходит для поиска релевантных описаний пород по запросу, ранжирования текстовых фрагментов и подбора похожих описаний. В README приведена оценка на dog-breed-ir: точность cosine_accuracy@5 и @10 составляет 1,0, а @1 — 0,6875. Метаданные указывают контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов; при практическом использовании следует ориентироваться на ограничение карточки. Модель принимает текст и выдаёт векторы. Данные указывают на англоязычную базовую модель и специализированный англоязычный набор; подтверждений поддержки русского языка нет. Лицензия в предоставленных сведениях не указана.

LoveJesus разработала англоязычную модель семантического поиска библейских отрывков по тематическим запросам. Это дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2: архитектура BERT, около 40 млн параметров, эмбеддинги размерности 384 и контекст до 512 токенов. Обучение проводилось на 136 тысячах пар «запрос — отрывок», составленных по Nave’s Topical Bible и перекрёстным ссылкам Treasury of Scripture Knowledge. Модель сопоставляет запросы на богословские темы с библейскими отрывками и помогает находить подходящие стихи перевода KJV. По README, на тестировании NDCG@10 составила 0,1831, Accuracy@10 — 0,3188, а MRR@10 — 0,1415; эти показатели характеризуют качество ранжирования на использованном наборе данных и не гарантируют точность для любых запросов. Модель распространяется по лицензии MIT.

Fidel Law 1 — амхарская языковая модель для работы с правовыми текстами Эфиопии, разработанная командой Fideliz AI в Эфиопии. Она предназначена для понимания юридического языка, поиска правовых статей и кратких ответов на вопросы по эфиопскому праву, особенно по Уголовному кодексу и Торговому кодексу 2021 года. Модель использует плотную авторегрессионную архитектуру LLaMA с примерно 19,8 млн параметров по метаданным. Для амхарского языка применяется собственный BPE-токенизатор на основе письма геэз с заявленным словарём в 8 000 токенов. Контекст ограничен 100 токенами. По заявлению разработчика, модель создана на собственной внутренней базовой модели, а не дообучена на внешней модели; для правовой специализации использовались эфиопские юридические данные. Модель может помогать находить и разъяснять положения закона, а также отвечать на короткие правовые вопросы на амхарском языке. Малое контекстное окно, возможные галлюцинации и ошибки в ссылках на статьи, чувствительность к формулировке и ограниченное покрытие за пределами обучающей области снижают надёжность ответов. Её не следует использовать как единственное основание для судебных решений, юридического представительства, профессиональных консультаций или иных решений, затрагивающих права людей. Лицензия — Apache 2.0.

Salamandra 7B aligned EADOP — дообученная Alinia AI версия инструкционной языковой модели Salamandra Instruct 7B от подразделения Language Technologies Unit Барселонского суперкомпьютерного центра. Модель предназначена для диалогового чат-бота с поиском по каталонскому законодательству: она отвечает на профильные вопросы и вежливо объясняет, когда запрос выходит за пределы темы. Модель использует плотную архитектуру LlamaForCausalLM с 6,7 млрд параметров, принимает текст и работает в формате диалогов ChatML. Контекст — до 8192 токенов. Дообучение выполнено на более чем 2000 размеченных примерах на каталонском и испанском языках, включающих профильные и выходящие за рамки тематики запросы. Модель создана как доказательство концепции для проверки влияния небольшого набора данных на обработку таких запросов. Лицензия — Apache 2.0.

Bible-Assistant-Qwen3.5-4B-v2-GGUF — набор GGUF-квантизированных версий модели Bible-Assistant-Qwen3.5-4B-v2, разработанной Ttimms на базе Qwen3.5-4B от Qwen. Модель дообучена методом SFT на 56 тысячах примеров и предназначена для retrieval-augmented question answering по Библии: она получает найденные библейские стихи в блоке Context и отвечает на вопросы с опорой на этот контекст. Поддерживает английский язык и сценарии генерации текста; размер базовой модели — 4B параметров, а доступные файлы имеют размеры от 2,5 до 8,4 ГБ в зависимости от квантизации и точности. Формат GGUF рассчитан на запуск через llama.cpp и совместимые приложения, включая LM Studio, koboldcpp, Jan и text-generation-webui. Архитектура Qwen3.5 — гибридная, сочетающая Gated-DeltaNet и attention; требуется свежая версия llama.cpp с поддержкой архитектуры qwen35. Для этой версии рекомендуется отключать режим рассуждений, поскольку модель обучалась без трасс <think>. Сильная сторона модели — точное воспроизведение стихов при использовании RAG, однако открытые тематические ответы слабее; версия v2 устарела и сохранена главным образом для воспроизводимости. Модель не предназначена для использования без контекста, медицинских, юридических или финансовых консультаций, психологического консультирования и вынесения авторитетных богословских суждений. Веса распространяются по лицензии Apache-2.0, код проекта — MIT, библейские переводы находятся в общественном достоянии.

ResumeBot — модель на базе Google FLAN-T5 Base, дообученная Vittal Pujari для ответов на вопросы о его резюме. Она рассчитана на использование вместе с поисковым компонентом, который подаёт релевантные сведения из резюме в запросе. Модель принимает текст с контекстом из резюме и вопросом и генерирует текстовый ответ. Архитектура — T5ForConditionalGeneration, размер — 123,8 млн параметров, контекст — до 512 токенов. Поддерживаемая задача по метаданным — question-answering; обучение выполнено на парах вопросов и ответов о резюме. Лицензия — Apache-2.0. Модель предназначена для ответов только на основе предоставленной информации из резюме и не является универсальным чат-ботом. Качество ответов зависит от полноты и релевантности контекста, полученного от ретривера; README описывает её как академический проект.

augmdc/bigbird_race_1 — модель BigBird, дообученная на наборе RACE для решения заданий с выбором ответа по тексту. Она основана на google/bigbird-roberta-base, содержит 151,9 млн параметров и принимает последовательности длиной до 4096 токенов. Модель предназначена для ответов на вопросы по англоязычным текстам в формате multiple choice. На оценочной выборке RACE указаны loss 1,0178 и accuracy 0,5884. Модель распространяется в формате PyTorch по лицензии Apache-2.0. README не описывает дополнительные сценарии обучения или ограничения; результаты оценки относятся к указанной выборке.

mrp1mple дообучил Llama 3.2-3B-Instruct на исторических данных футбольных матчей пяти ведущих европейских лиг: Англии, Испании, Германии, Италии и Франции. Модель относится к плотной архитектуре LlamaForCausalLM, содержит 3,2 млрд параметров, работает через Transformers и имеет контекст до 131 072 токенов. Модель предназначена для получения результатов матчей конкретной команды за указанный сезон и краткого обзора её выступления по имеющимся данным. Её можно использовать как компонент футбольных аналитических панелей. Карточка также указывает интерфейс для вызова инструментов, но основное назначение модели — генерация ответов по футбольной истории. Данные охватывают сезоны с 1993–94 по 2022–23 и включают более 110 000 матчей из датасета Kaggle. Модель не предназначена для прогнозирования будущих результатов или коэффициентов ставок и для вопросов вне охвата датасета. Лицензия в предоставленных данных не указана.

Kanha-AI kanha-minicpm5-1b-grounded-matched-2ep-20260910 — дообученная методом QLoRA и объединённая в bf16 версия MiniCPM5-1B от OpenBMB. Это компактная плотная языковая модель с архитектурой LlamaForCausalLM, примерно 837,6 млн параметров и контекстом до 131 072 токенов; в метаданных указан английский язык. Модель предназначена для контролируемого исследования ответов на вопросы по сайтам и сравнения методов обучения на одном датасете, полученном из сайтов Kanha. Её обученный сценарий предполагает, что к вопросу передаётся найденный исходный контекст; на вопросы без такого контекста модель не рассчитана. В оценке с предоставленным источником полнота дат и URL составила 1,0, чисел — около 0,98, списков — около 0,54. Однако проверка поведения с опорой на источник не прошла: из 26 случаев прошёл один, а семантическая проверка не была проведена. Модель может выдавать неверные, неполные или устаревшие ответы и запоминать обучающие данные; перед применением результаты требуют проверки. Лицензия в предоставленных материалах не указана.

slm-125m-ppo — плотная авторегрессионная модель семейства Llama на 125,8 млн параметров, разработанная как этап эксперимента по предпочтительной оптимизации PPO для вопросов по юридическим и финансовым текстам. Она дообучена на базе prajwal55/slm-125m-sft и предназначена для извлечения ответов из предоставленного отрывка с сохранением опоры на его содержание. Модель принимает текст и генерирует текст; контекст — до 1024 токенов. В метаданных указан английский язык, библиотека Transformers и лицензия MIT. Это отрицательная часть контролируемого сравнения алгоритмов, а не готовое средство для надёжного отказа от неподтверждённых ответов. На 121 отложенном вопросе без ответа модель не воздержалась ни разу; точность передачи чисел снизилась с 98,1% у исходной SFT-модели до 93,5%. Авторы сообщают, что PPO повышал награду, но не целевое поведение, и ограничивают выводы конкретным экспериментом на примерно 1 200 парах предпочтений. Модель не подходит для ответов без предоставленного текста. Лицензия — MIT.

Asterion Instruct (ParamΔ) — производная инструкционная языковая модель atenareply на архитектуре LFM2. Она создана слиянием весов: к модели Asterion, дообученной на корпусе вымышленных технических документов Orbital Mining Corporation и телеметрии Mars Express, добавлена разность весов между официальными моделями LFM2.5-1.2B-Instruct и LFM2.5-1.2B-Base. Градиентного обучения не проводилось; слияние выполнено в fp32, итоговые веса сохранены в bf16. Модель содержит 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для диалогов и выполнения инструкций по материалам домена Asterion, включая техническую документацию и телеметрию. В карточке приведены результаты оценки на удержанных синтетических заданиях, но они не гарантируют качество в других сценариях. В README отмечено умеренное ухудшение perplexity относительно родительской модели Asterion; коэффициент слияния λ=1,0 отдельно не подбирался. Модель не обучена выполнять агентные траектории с вызовами инструментов. Указана лицензия `other`; конкретные условия использования в предоставленных данных не раскрыты.

Godners/dao-zang-sft-qwen2.5-0.5b — производная диалоговая языковая модель, разработанная на основе Qwen/Qwen2.5-0.5B-Instruct. Авторы дообучили её методом LoRA SFT на 100 тысячах синтетических пар вопросов и ответов по «Дао цзан» и «Чжэн тун Дао цзан», затем объединили адаптер с базовой моделью. Это плотная архитектура Qwen2 с примерно 494 млн параметров и контекстом до 32 768 токенов. Модель предназначена для ответов на вопросы о терминах и понятиях даосских канонов, контексте произведений и понимании цитат. Она принимает текст и генерирует текст на китайском языке; доступна в форматах safetensors и GGUF для запуска через Transformers, Ollama или llama.cpp. Её также можно использовать как отправную точку для донастройки диалоговой модели в RAG-системе. Область применения узкая: вне тематики даосских текстов качество обычного диалога уступает базовой модели. Синтетические данные могут содержать неточные толкования, а компактный размер ограничивает сложные рассуждения и обобщение; возможны галлюцинации, поэтому важные утверждения следует сверять с первоисточником. Лицензия модели — MIT; README рекомендует использовать её для академического и культурологического изучения и соблюдать условия лицензий базовой модели и датасета.

QVAC Cross-Platform 1 Bit and 2 Bit LoRA Adapters — набор адаптеров LoRA, разработанный Tether и дообученный на данных PubMedQA для ответов на биомедицинские вопросы. Адаптеры предназначены для использования с соответствующими базовыми моделями bitnet_b1_58-xl в вариантах TQ1_0 и TQ2_0; для каждой версии требуется базовая модель с той же квантизацией. Репозиторий содержит адаптеры размером около 30 МБ каждый. README описывает кроссплатформенный запуск через Vulkan и Metal на GPU разных производителей. Модель рассчитана на структурированные запросы в формате «Q: … A:» по биомедицинской тематике, а не на обычный диалог. На посторонние вопросы она может выдавать бессвязный или галлюцинаторный текст с медицинской терминологией. Авторы предупреждают, что ответы могут быть неточными или противоречивыми и модель нельзя применять для диагностики, лечения или клинических решений. Лицензия репозитория — Apache-2.0.

M47Labs разработала SNCH — модель классификации заголовков испанских новостей на базе BETO, представленной архитектурой BERT с головой классификации последовательностей. В репозитории указано 137,1 млн параметров; модель принимает текст, имеет контекстное окно 512 токенов и сохранена в формате PyTorch. Модель предназначена для отнесения новостных заголовков к темам: наука и технологии, кликбейт, культура, спорт, экономика, образование, окружающая среда, мнения, политика и общество. Карточка подчёркивает, что модель не дообучалась на датасете, поэтому её пример использования показывает классификацию без обучения, а не надёжную тематическую модель. В приведённой в README валидации указаны точность 0,362, макроусреднённые precision 0,21 и recall 0,22. Лицензия в предоставленных данных не указана. Из-за отсутствия дообучения и низких результатов валидации предсказания следует считать экспериментальными; модель не подходит для задач, где требуется высокая точность.

StoriesLM-v1-1963 — англоязычная языковая модель семейства StoriesLM, разработанная для предобучения на исторических газетных текстах США. Версия 1963 года продолжает обучение чекпойнта предыдущего года на материалах American Stories за следующий год, сохраняя последовательность годовых временных срезов начиная с 1900 года. Модель основана на архитектуре BERT и предназначена для заполнения пропусков в тексте (fill-mask), например для анализа лексики и формулировок американской прессы 1963 года. Она содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — MIT. Модель специализирована на историческом газетном корпусе, поэтому её представления языка отражают данные и стиль источника и периода обучения; это может ограничивать применимость к современным текстам и другим областям. Для выводов о конкретных событиях или общественных взглядах следует учитывать особенности исторического корпуса.

LaguQA-MiniCPM5-2B — языковая модель на основе openbmb/MiniCPM5-2B, дообученная на данных LaguQA и выпущенная как копия с объединённым LoRA-адаптером. Модель разработана для ответов на вопросы о песнях и музыке на индонезийском языке; её архитектура — плотная LlamaForCausalLM, размер — около 2,2 млрд параметров, контекст — до 131 072 токенов. Принимает текстовые запросы и генерирует текстовые ответы. В тесте LaguQA на вопросах с выбором ответа после дообучения результат вырос с 24,3 до 51,0 при отключённом режиме thinking. Для корректного формата запросов README рекомендует задавать enable_thinking=False. В тесте IndoMMLU показатель снизился с 33,6 до 27,2, поэтому модель может уступать базовой в общих задачах на индонезийском языке. Лицензия — Apache-2.0.

lparkourer10/minecraft — компактная языковая модель для ответов на вопросы о Minecraft. Автор дообучил Meta Llama 3.2 1B Instruct на датасете lparkourer10/minecraft-wiki, созданном на основе материалов Minecraft Wiki. Модель предназначена для диалога и поиска игровых сведений по вопросам на английском языке. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 1,2 млрд параметров. Она принимает текст и генерирует текст; нативная длина контекста — 131 072 токена. Веса доступны в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества; ответы могут быть неполными или неточными, а специализация на Minecraft не гарантирует охват всех вопросов об игре.

DLite-DAIS-2023 — языковая модель AI Squared, построенная на GPT-2 medium и дообученная на диалоговых данных о конференции Data and AI Summit 2023. Модель генерирует текст в ответ на инструкции и вопросы о саммите, используя сведения с сайта Databricks и связанных страниц, а также подготовленные пары вопросов и ответов. Модель использует плотную архитектуру GPT-2 и контекст длиной 1024 токена; карточка указывает английский язык и формат PyTorch. README описывает её как небольшую экспериментальную модель, не достигшую уровня передовых языковых моделей. Возможны фактические ошибки, предвзятые, оскорбительные или токсичные ответы и галлюцинации. README сообщает, что из-за использования данных вопросов и ответов, созданных ChatGPT, модель нельзя применять в коммерческих целях; метаданные при этом содержат лицензию CC BY-NC 4.0.

Это экспериментальная донастройка Gemma 3n от автора bluejude10 для подготовки справочных брифингов по работе электродиспетчерской службы линии 3 Тэгуского метрополитена. Модель предназначена для локального использования в связке с поисковой базой: получает найденные выдержки из инструкций, правил, глоссария, отчётов о неисправностях и оперативные данные, затем формирует сводку, гипотезы причин, приоритетные проверки и рекомендуемые действия. Для донастройки использовано 1 624 пары вопрос–ответ и один цикл обучения; заявленный контекст — до 32 тысяч токенов. Репозиторий содержит квантизованные GGUF-варианты Q4_K_M и Q6_K, ориентированные на запуск на локальном оборудовании, в том числе через Ollama. README прямо сообщает, что донастройка не удалась и модель совершенно не работает, и предостерегает от скачивания; поэтому описанные сценарии являются замыслом проекта, а не подтверждённой пригодностью модели. Лицензия в метаданных — Apache-2.0.

Miyashita-Lab LLM MoE 900Mは、宮下研究室が公開情報に関する日本語の質問応答を目的に作成した実験用チャットモデルです。MixtralForCausalLM形式の疎なMixture-of-Experts（MoE）モデルで、28層、各層4つのFFNエキスパерта、маршрутизация top-2を備えています。README приводит около 906 млн параметров, тогда как метаданные Hugging Face указывают 299,1 млн; название «900M» соответствует числу из README. Контекст — 4096 токенов, веса BF16 в формате safetensors. Модель создана из собственного Dense-чекпойнта, предварительно обученного с нуля на японском корпусе, а затем дообученного на общих инструкционных данных и синтетических вопросах и ответах о лаборатории. Она предназначена для диалоговых ответов о публичных страницах, новостях и публикациях Miyashita Lab, включая вопросы по предоставленным материалам и их сопоставление. Обучение сосредоточено на 30 базовых фактах о лаборатории; это не универсальная модель и не официальный источник актуальной информации. Модель может повторяться, писать неестественный японский и выдумывать отсутствующие в источниках числа, названия и даты. Не гарантируются корректный отказ при нехватке сведений, арифметика и общее следование инструкциям; важные ответы следует проверять по первоисточникам. README не указывает лицензию весов, поэтому условия повторного и коммерческого использования не установлены. Совместимость проверена авторами с Python, PyTorch 2.12.1 и Transformers 5.15.0; другие движки и старые версии Transformers не проверялись.

Palworld-SME-13b — тематическая языковая модель, созданная Eric Polewski для ответов на вопросы о Palworld. Модель дообучена на материалах Palworld Fandom Wiki на базе OpenOrca-Platypus-13b; сведения хранятся в параметрах модели, без использования RAG. Это плотная Llama-модель с 12,9 млрд параметров и контекстом 4096 токенов, предназначенная для генерации текста. Автор сообщает, что модель должна работать в совместимых загрузчиках и приложениях, но проверял её только в EricLLM и TGWUI. Модель подходит для справочных вопросов об игре и её материалах в вики. Возможны неточные или устаревшие ответы, а сведения за пределами обучающей темы могут быть ненадёжны. Лицензия — CC BY-SA 3.0.

EDITH 250M — компактная текстовая GPT-модель автора Tomionkkas, обученная с нуля и предназначенная как генеративная часть retrieval-grounded системы о Marvel. Выпущенная версия — instruction-tuned stage 3; она формулирует ответы на основе найденных записей, тогда как многие ответы система может отдавать непосредственно из источника. В репозитории также есть stage 2 для продолжения текста, но он не предназначен для ответов на вопросы. Модель содержит 250 млн параметров: 16 слоёв, 16 голов внимания, размерность 1024, словарь 50 257 токенов и контекстное окно 1024 токена. Использует PyTorch и веса safetensors в fp16; README сообщает о совпадении результатов fp16 и fp32 на 20 проверенных вопросах. Обучающие данные — англоязычный корпус записей Marvel Database и Wikipedia с общей языковой подмешкой FineWeb-Edu; модель рассчитана прежде всего на вопросы о Marvel на английском языке. Модель небольшая и имеет намеренно ограниченные знания вне Marvel; автор предупреждает, что отдельно она мало полезна и обладает пробелами в знаниях. Для научных, математических и исторических тем вне Marvel её не следует считать надёжной. Лицензия репозитория — MIT; проект не связан с Marvel Entertainment или Disney.

abhishekai/slm-125m-legal-dpo — компактная языковая модель на 125,8 млн параметров, разработанная Abhishek AI. Это дообученная методом Direct Preference Optimization (DPO) версия abhishekai/slm-125m-legal-sft; предпочтения для обучения получены с помощью RLAIF. Модель использует плотную архитектуру Llama, предназначена для генерации ответов на вопросы по предоставленным юридическим и финансовым текстам. Она принимает текст и выдаёт текст, поддерживает английский язык, а длина контекста составляет 1024 токена. Модель опубликована как воспроизводимый эксперимент и пример масштабирования DPO, а не как улучшение базовой SFT-модели. В сравнении с ней DPO-версия показала более низкий результат: автор рекомендует использовать slm-125m-legal-sft. На таком размере модель ненадёжно выполняет арифметические вычисления, может выдумывать ответы без контекста и не подходит для принятия юридических или финансовых решений. Лицензия — Apache-2.0.

whr778/deberta-base-fromenc-synthetic — экспериментальная многозадачная модель извлечения информации на базе GLiNER2 и энкодера microsoft/deberta-v3-base. Она предназначена для извлечения сущностей, отношений, событий и классификационных меток из текста; обучение проводилось с нуля для голов GLiNER2 на 1 497 синтетических записях в течение 15 эпох. В карточке модели указаны библиотека gliner2 и формат весов safetensors; языковая принадлежность обучающих данных не определена. Модель опубликована как отрицательный результат эксперимента и не рекомендуется для практического применения. На отложенной синтетической выборке строгий F1 составил 0,141 для сущностей, 0 для отношений и 0,356 для классификации; типы событий распознавались хорошо, но извлечение триггеров и аргументов событий также оказалось слабым. Лицензия указана как other, а лицензия обучающих данных неизвестна.

Карточка модели ArchiveStudio/Qwen3-Reranker-8B на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-8B, поэтому описание составлено по ней. Qwen3-Reranker-8B — текстовая модель для переранжирования, разработанная командой Qwen. Она оценивает релевантность пар «запрос — документ» и помогает упорядочить найденные кандидаты так, чтобы наиболее подходящие фрагменты оказались выше. Модель предназначена для поиска по текстам и коду, включая многоязычный и межъязыковой поиск, например как этап извлечения контекста в RAG-системах. Модель основана на плотной авторегрессионной архитектуре Qwen3 и дообучена на базе Qwen/Qwen3-8B-Base. В ней около 7,6 млрд параметров; метаданные указывают контекст до 40 960 токенов, а README — 32 тыс. токенов. Заявлена поддержка более 100 языков. Модель поддерживает инструкции, настраиваемые под задачу; в README отмечено, что их применение может улучшать результаты поиска. Для получения оценки релевантности модель принимает текстовую пару и выдаёт оценку, пригодную для ранжирования. В README указано, что по умолчанию это разность логитов; при необходимости её можно преобразовать в вероятность. Для работы с моделью заявлена библиотека Transformers, также описано использование Sentence Transformers. Лицензия — Apache-2.0.

BAAI/bge-base-en — англоязычная плотная модель эмбеддингов семейства BGE, разработанная BAAI. Она преобразует текст в векторы для семантического поиска, извлечения документов, кластеризации и классификации, а также для использования в векторных базах данных и системах RAG. Модель основана на BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Эмбеддинги можно применять для поиска близких по смыслу фрагментов и ранжирования кандидатов по относительной близости векторов. README рекомендует использовать более новую BAAI/bge-base-en-v1.5: у исходной версии распределение оценок сходства менее удобно, поэтому абсолютный порог сходства следует выбирать на данных конкретной задачи. Для коротких поисковых запросов к длинным документам инструкция к запросу может улучшить поиск. Модель предназначена для английского языка. Доступны веса в форматах PyTorch, safetensors и ONNX. Лицензия — MIT.

nomic-embed-text-v1.5 — текстовая модель эмбеддингов, разработанная Nomic AI на архитектуре NomicBert. Она преобразует тексты в векторы для семантического поиска, формирования RAG-индексов, кластеризации, удаления семантических дублей и подготовки признаков для классификации. Для разных сценариев перед текстом требуется указывать соответствующий префикс задачи, например search_document или search_query. Модель поддерживает контекст до 8192 токенов и создаёт векторы размерностью 768; благодаря Matryoshka Representation Learning размерность можно уменьшать с небольшим снижением качества. README описывает именно текстовую модель: отдельная nomic-embed-vision-v1.5 выровнена с её пространством эмбеддингов, но это не означает, что данный репозиторий принимает изображения. Модель распространяется по лицензии Apache-2.0.