I.1Поиск и навигация по информации

redis/langcache-reranker-v2-mnrl — англоязычный Cross-Encoder, разработанный Redis и дообученный на базе Alibaba-NLP/gte-reranker-modernbert-base с использованием библиотеки Sentence Transformers. Модель принимает пары текстов и оценивает их релевантность; её обучали на парах LangCache, чтобы использовать в семантическом кэшировании и ранжировании результатов поиска. Модель основана на ModernBERT, содержит 149 млн параметров и поддерживает последовательности длиной до 8192 токенов. Она предназначена для английского языка и выдаёт оценку для одной пары текстов, которую можно использовать при классификации пар или переранжировании кандидатов в поиске и RAG. Модель не генерирует ответы и не формирует эмбеддинги: для оценки нескольких документов требуется отдельно подать каждую пару «запрос — документ». Карточка указывает лицензию Apache-2.0.

MemReranker-4B — модель-реранкер, разработанная IAAR-Shanghai и дообученная на базе Qwen3-Reranker-4B с помощью многоэтапной дистилляции знаний. Она принимает запрос и набор текстовых фрагментов и оценивает релевантность каждой пары «запрос — фрагмент», чтобы упорядочить результаты поиска. Модель предназначена прежде всего для извлечения долгосрочной памяти агентами, поиска по многоходовой истории диалога и второго этапа RAG-поиска. В обучении использованы данные для временных и причинных запросов и разрешения кореференции; README также указывает применение для веб-поиска и общего поиска по документам. Архитектура — плотная Qwen3 на 3,7 млрд параметров, контекст — до 40 960 токенов; заявлена поддержка английского и китайского языков. Реранкер возвращает оценку релевантности, а не готовый ответ пользователю. В README сообщается об улучшенной калибровке оценок и работе со сложными запросами памяти; приведены результаты на бенчмарке LOCOMO. Файлы опубликованы в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Качество в других языках и сценариях отдельно не подтверждено приведёнными сведениями.

Mohamed-Gamil/multilingual-e5-small-JapaneseTeacher — модель Sentence Transformers, дообученная на базе intfloat/multilingual-e5-small для создания эмбеддингов предложений и абзацев. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией, выдаёт плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Максимальная длина последовательности — 512 токенов; число параметров — 124,3 млн. Модель предназначена для семантического поиска и сопоставления текстов, включая оценку сходства, поиск перефразировок, кластеризацию и классификацию на основе эмбеддингов. В README указаны английский язык и обучающие пары anchor-positive; примеры обучающих данных содержат японский текст и грамматические пояснения, поэтому возможна специализация на сопоставлении японских учебных материалов, но её охват не подтверждён отдельным описанием. Доступна по лицензии Apache-2.0.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная в библиотеке Transformers и распространяемая по лицензии MIT. Метаданные Hugging Face указывают задачу feature extraction, а также использование PyTorch и Transformers. Модель предназначена для преобразования текстовых данных в векторные представления, которые можно использовать в поиске по смыслу, кластеризации, классификации, оценке сходства текстов и других задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации текста, ответов на вопросы, программирования и работы с функциями, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не подтверждают генеративное применение модели. Языки, число параметров, размер контекста и точная архитектура базовой модели в предоставленных данных не определены; тег BERT указывает на семейство архитектур. Ограничения включают отсутствие подтверждённых сведений о языковой поддержке и специализированных результатах именно для извлечения признаков. Использование разрешено на условиях лицензии MIT.

Это крупная модель распознавания именованных сущностей для английского языка, поставляемая вместе с библиотекой Flair. Она присваивает токенам 18 типов сущностей, включая даты, числовые значения и названия событий, и предназначена для разметки сущностей в англоязычных текстах. Модель использует документные эмбеддинги XLM-R и архитектуру FLERT; для OntoNotes в карточке указан F1-score 90,93. Репозиторий содержит веса PyTorch, а для применения требуется библиотека Flair. Сведения о лицензии в предоставленных данных отсутствуют.

NeuroBERT-NER — англоязычная модель для распознавания именованных сущностей, разработанная Boltuix на базе boltuix/NeuroBERT-Mini и дообученная для классификации токенов. Модель на архитектуре BERT содержит 9,9 млн параметров, принимает текст с контекстом до 512 токенов и присваивает токенам метки BIO для 18 категорий сущностей, включая людей, организации, места, даты и денежные суммы. Модель предназначена для извлечения сущностей из новостей, пользовательских текстов и исследовательских корпусов, а также для индексации поиска и построения графов знаний. В README приведены результаты на тестовой выборке указанного датасета: precision 0,85, recall 0,87 и F1 0,86; фактическое качество может отличаться на других типах текста и в специализированных областях. Поддерживается английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка отмечает, что датасетная ссылка является заглушкой; заявленные размеры выборок приведены приблизительно.

Nomic Embed Vision v1.5 — модель семейства Nomic BERT от Nomic AI для получения признаковых представлений изображений. Она предназначена для извлечения эмбеддингов и мультимодального поиска, включая поиск изображений по текстовому запросу в системах retrieval и RAG. В README также описан совместный анализ пространств эмбеддингов изображений и текста. Модель принимает изображения и выдаёт векторные представления; для текстовых запросов в мультимодальном поиске README рекомендует префикс «search_query: ». В метаданных указаны архитектура NomicVisionModel, библиотека Transformers и форматы Safetensors и ONNX. Язык карточки — английский; размер модели и длина контекста не указаны. Лицензия — Apache-2.0.

NVIDIA-Nemotron-3-Ultra-550B-A55B-GGUF — GGUF-версия крупной языковой модели NVIDIA-Nemotron-3-Ultra-550B-A55B, подготовленная Unsloth на основе модели NVIDIA. Разработчик исходной модели — NVIDIA Corporation. Модель предназначена для сложного рассуждения, многошаговых агентных сценариев, использования инструментов, анализа длинного контекста, мультиязычного reasoning и высокоточного RAG в критически важных задачах. Режим рассуждения можно включать или отключать через параметр chat template enable_thinking=True/False. Модель содержит 550 млрд параметров, из которых 55 млрд активны. Она использует гибридную архитектуру LatentMoE, объединяющую Mamba-2, Mixture-of-Experts и attention, а также Multi-Token Prediction (MTP). Максимальная длина контекста заявлена до 1 млн токенов. Поддерживаются английский, французский, испанский, итальянский, немецкий, португальский, японский, корейский, хинди, арабский, китайский и иврит. Для развёртывания полной модели требуется значительная инфраструктура: минимум указаны 8 ускорителей GB200/B200/GB300/B300, 16 H100 или 8 H200. Сильными сторонами модели являются масштаб, поддержка длинного контекста, reasoning, агентные рабочие процессы, работа с инструментами и мультиязычность. Ограничениями выступают очень высокие требования к GPU и вычислительным ресурсам; конкретные характеристики производительности GGUF-квантования в README не приведены. Модель распространяется по лицензии OpenMDW License Agreement версии 1.1.

GPTCache/paraphrase-albert-small-v2 — текстовая модель, опубликованная организацией GPTCache на Hugging Face. Она предназначена для извлечения признаков из текста и получения векторных представлений, которые можно использовать для сравнения смысловой близости фраз, поиска похожих запросов и задач семантического кэширования. Модель загружается через Transformers как AlbertModel или pipeline feature-extraction. Архитектура основана на ALBERT: 6 скрытых слоёв, 12 голов внимания, размер скрытого представления 768, промежуточный размер 3072, словарь на 30 000 токенов и максимальная длина последовательности 512 токенов. Указана поддержка английского языка. Модель работает только с текстом и не является генеративной моделью. К сильным сторонам относятся компактная архитектура ALBERT и возможность получать признаки для downstream-задач без специального классификационного слоя. Ограничения: карточка модели не содержит подробного описания обучения, датасетов, результатов оценки или гарантированных показателей качества; назначение и характеристики следует трактовать как доступные из метаданных и конфигурации. Модель распространяется по лицензии MIT.

legalvn/paraphrase-multilingual-MiniLM-L12-v2-vn-173000 — дообученная командой legalvn многоязычная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического сравнения текстов, поиска, выявления перефразирований, кластеризации и классификации. Архитектура включает BERT с усреднением токенных представлений; для сравнения векторов предусмотрена косинусная близость. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, а README сообщает максимальную длину последовательности 128 токенов. Модель обучалась на 651 725 примерах запросов, текстов корпуса и оценок; приведённые примеры и датасет указывают на вьетнамский язык и правовую тематику. Она подходит для семантического поиска по вьетнамским документам и сопоставления запросов с фрагментами корпуса. Лицензия в предоставленных данных не указана.

google/pix2struct-docvqa-large — крупная модель Pix2Struct от Google для ответов на вопросы по изображениям документов. Она использует архитектуру «кодировщик изображений — декодер текста» и принимает изображение вместе с вопросом, выдавая текстовый ответ. Модель дообучена для визуального ответа на вопросы; Pix2Struct предварительно обучалась преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, что поддерживает понимание визуально представленной информации. Модель предназначена для извлечения сведений из документов по запросу пользователя, например, поиска значений в формах, таблицах и сканах. В метаданных указаны языки en, fr, ro и de, а также многоязычная поддержка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка описывает семейство Pix2Struct и задачу визуального ответа на вопросы, но не сообщает точное число параметров и длину контекста.

Ruri-v3 Reranker — японская модель для переоценки релевантности текстовых пар, разработанная cl-nagoya на базе ModernBERT-Ja и дообученная от cl-nagoya/ruri-v3-pt-310m. Она предназначена для ранжирования и отбора документов-кандидатов, например в поисковых системах и RAG-пайплайнах. Модель построена на архитектуре ModernBERT и содержит 314,6 млн параметров. Она обрабатывает последовательности длиной до 8192 токенов; README также отмечает словарь на 100 тысяч токенов, FlashAttention и токенизатор SentencePiece. В карточке приведены высокие результаты на японских наборах оценки поиска JQaRA, JaCWIR и MIRACL. Модель рассчитана на японский язык и принимает текстовые пары, выдавая оценки релевантности для ранжирования. Она доступна в формате safetensors и распространяется по лицензии Apache 2.0. Для использования указан стек sentence-transformers; качество на других языках и за пределами сценариев ранжирования в карточке не описано.

lxyuan разработал SpanMarker на основе bert-base-multilingual-cased, дообучив модель на наборе Babelscape/multinerd. Это модель для распознавания именованных сущностей: она выделяет в тексте упоминания людей, организаций и мест, а также другие типы сущностей из разметки MultiNERD. Модель поддерживает десять языков: немецкий, английский, испанский, французский, итальянский, нидерландский, польский, португальский, русский и китайский. В опубликованной карточке приведены результаты оценки: общий F1 — 92,61; для английского — 95,20. Модель использует регистрозависимый вариант BERT, поэтому качество может снижаться, если регистр букв в исходном тексте часто нарушен. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий указания авторства и распространения производных материалов.

sinanalyuruk/trmteb-trnews-v1-mlx — турецкая модель эмбеддингов для поиска новостей и сравнения текстов, подготовленная для Apple Silicon. Это MLX-сборка дообученной модели trmteb/turkish-embedding-model на новостном датасете TR-News; веса в формате float16 преобразованы из PyTorch-сборки. Модель основана на BERT и содержит 137,8 млн параметров. Модель преобразует текст в L2-нормализованные векторы размерности 768 с помощью mean pooling. Их можно сравнивать по косинусному сходству или скалярному произведению для поиска похожих новостей и ранжирования результатов. Максимальная длина последовательности — 512 токенов; основным языком является турецкий. Сборка предназначена для запуска через mlx-embeddings на Apple Silicon и требует mlx версии 0.30 или новее и mlx-embeddings версии 0.1.0 или новее. В README указано совпадение результатов с исходной PyTorch-моделью при проверке эмбеддингов и метрик поиска. Лицензия — MIT.

WuQi-V3-Onyx-27B — созданная проектом WuQi агентная модель для диалогов и многоэтапных задач. Она дообучена методом LoRA на базе мультимодальной Qwen3.8-27B, после чего адаптер объединён с весами. Модель распространяется в формате Transformers и совместима с Transformers, vLLM и SGLang. Лицензия — Apache 2.0. Модель настроена на планирование и выполнение задач с инструментами, проверку наблюдений и гибкое принятие решений. В README описана адаптация для 12 инструментов среды DeepSeek Harness, включая работу с файлами и кодом, веб-поиск и делегирование подзадач. Архитектура — плотная Qwen3.5 с поддержкой изображений; заявленная длина контекста в конфигурации развертывания — 262144 токена. Основной язык карточки — китайский. Это предварительная версия. Заявленные в карточке результаты относятся к оценке DSH-ABench-Basic и внутренним замерам токенов; они не гарантируют аналогичного качества в других сценариях. Для активации дообученной манеры работы README рекомендует специальный system prompt; внешняя инструкция Harness может его переопределить.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130211808-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/01-000-10-1-0-1-0-0-u_GIST_BAAI_bge-small-en-v1.5-20240126235053-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125233651-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

DIACDE/bertimbaularge_tjgo_diacde_sts — Sentence Transformer, дообученный Дирекцией искусственного интеллекта, науки о данных и статистики суда штата Гояс (TJGO) на базе neuralmind/bert-large-portuguese-cased. Модель кодирует предложения и абзацы в плотные векторы размерности 1024; архитектура включает BERT Large и усреднение токенных представлений. Максимальная длина последовательности — 512 токенов, сходство можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких португалоязычных текстов, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации. Карточка приводит результаты оценки на наборе sts-dev: корреляция Спирмена составляет 0,6928 для косинусного сходства; качество зависит от данных и метрики. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Roflmax/bge-m3-legal-ru — дообученная Roflmax на базе BAAI/bge-m3 модель Sentence Transformer для векторного представления русскоязычных юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 1024; близость текстов можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, слой pooling по CLS-токену и нормализацию. Репозиторий использует библиотеку Sentence Transformers, а число параметров составляет 658,7 млн. Модель предназначена для семантического поиска и сравнения юридических запросов с документами, а также для поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты поиска по судебным и нормативным материалам. Метаданные указывают контекст до 8194 токенов, тогда как карточка описывает максимальную длину последовательности в 512 токенов; фактическое ограничение может зависеть от используемой конфигурации модели. Лицензия в предоставленных данных не указана.

BAAI/BGE-VL-base — мультимодальная модель эмбеддингов от BAAI для поиска и сопоставления изображений и текста. Она дообучена на базе openai/clip-vit-base-patch16 и относится к семейству CLIP; карточка описывает применение Sentence Transformers и Transformers. Модель кодирует текст, изображения или их сочетание в векторы, по которым можно вычислять сходство и искать подходящие изображения. В частности, она поддерживает поиск изображения по текстовому запросу, сравнение текста с изображениями и поиск по составному запросу из изображения и текстовой инструкции. Модель принимает текст и изображения, а также сочетания этих данных, и выдаёт эмбеддинги для последующего сравнения или поиска. Карточка указывает английский язык. Лицензия — MIT. Для загрузки модели в примерах требуется trust_remote_code=True.

BLING-QWEN-1.5B — модель llmware из серии BLING, дообученная для ответов на вопросы по контексту сложных деловых и юридических документов. Это плотная причинно-языковая модель семейства Qwen2 с 1,5 млрд параметров; метаданные указывают контекст до 131 072 токенов и формат PyTorch. Модель рассчитана на сценарии RAG: получает текстовый фрагмент и вопрос, чтобы дать краткий фактический ответ, извлечь значения полей или выполнить базовое суммирование. Модель ориентирована на автоматизацию рабочих процессов в компаниях, в том числе в финансовой, юридической и регуляторной сферах. В тестировании RAG-Instruct-Benchmark-Tester авторы сообщают 93,5 балла из 100 и отсутствие наблюдавшихся галлюцинаций в тестовых прогонах; эти результаты получены на 4_K_M-квантизованной версии bling-qwen-mini-tool и не являются гарантией для данного чекпойнта. Поддерживаемый в карточке язык — английский. Лицензия — Apache 2.0. Ответы могут быть неполными или неточными, поэтому их следует проверять.

Модель Michelhe/everycli-minilm-ft-boosted — дообученный Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанный для поиска и сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать по cosine similarity. Архитектура состоит из BERT-энкодера с mean pooling, работает только с текстом и использует библиотеку Sentence Transformers. Модель обучена на 1 104 парах предложений с помощью MultipleNegativesRankingLoss. Примеры обучающих данных связаны с командами и задачами CLI, поэтому модель подходит для поиска команд по описанию и извлечения релевантных фрагментов в сценариях retrieval. Максимальная длина последовательности в README — 128 токенов; метаданные каталога указывают нативный контекст 512 токенов. Лицензия в предоставленных данных не указана.

ModernBERTić-large — энкодер на архитектуре ModernBERT-large, разработанный Permitt для боснийского, хорватского, черногорского и сербского языков. Модель содержит 395 млн параметров и принимает последовательности длиной до 8192 токенов. Она обучена предсказывать замаскированные токены и подходит для классификации последовательностей и токенов, понимания длинных документов, а также как основа для дообучения ретриверов и реранкеров. Архитектура включает 28 слоёв, скрытый размер 1024 и 16 голов внимания. Используются RoPE, чередование локального внимания с окном 256 токенов и полного внимания, а также FlashAttention 2. Модель обучена на корпусе из 66 млрд токенов BCMS-текста; заявлены результаты уровня state of the art на SuperGLUE-SR и применение в производственных функциях платформы Recrewty. Лицензия — Apache-2.0. Токенизатор рассчитан на латинскую графику: кириллический текст рекомендуется предварительно транслитерировать. В обучающих данных преобладают хорватский и сербский языки, а код, разговорный чат и узкоспециальные научные тексты представлены слабее. Это энкодер, который не генерирует связный текст.

deutsche-telekom/gbert-large-paraphrase-euclidean — модель Sentence Transformers от Deutsche Telekom, дообученная на базе deepset/gbert-large для построения эмбеддингов немецких предложений и абзацев. Она преобразует текст в плотные векторы размерностью 1024 и рассчитана на применение с SetFit для классификации немецкого текста в условиях малого числа примеров. Модель использует архитектуру BERT и обучалась с BatchHardSoftMarginTripletLoss с евклидовой метрикой на отфильтрованном наборе парафраз немецких предложений. Контекст ограничен 512 токенами; объём модели — 434,5 млн параметров. В README авторы сообщают о лучших результатах среди сравнивавшихся вариантов в сценарии немецкой классификации с малым числом примеров. Лицензия — MIT.

Gemma-APS 2B — дообученная Google модель на базе Gemma 2B для абстрактивного разбиения текста на пропозиции (утверждения и идеи). Она принимает текстовый фрагмент и возвращает сгруппированный по исходным предложениям список пропозиций, переформулируя каждую как полное предложение с небольшими изменениями исходного текста. Модель предназначена для извлечения утверждений из англоязычных текстов и исследовательских сценариев, где их нужно обрабатывать по отдельности: например, для обоснования ответов, поиска, проверки фактов и оценки генеративных задач. Контекст обучения — 8192 токена; модель доступна через Transformers и распространяется на условиях лицензии Gemma.

Карточка модели lrsbrgrn/HalluGuard-Qwen3-4B-GGUF на Hugging Face совпадает с карточкой lrsbrgrn/HalluGuard-Qwen3-4B, поэтому описание составлено по ней. HalluGuard — разработанная авторами модели небольшая рассуждающая языковая модель на 3,7 млрд параметров для проверки утверждений в системах генерации с дополненным поиском (RAG). Получив документ и утверждение, она определяет, подтверждается ли оно документом, и обосновывает ответ выдержками из источника. Предусмотрены три категории: GROUNDED, HALLUCINATED_INTRINSIC и HALLUCINATED_EXTRINSIC. Модель основана на unsloth/Qwen3-4B и дообучена с помощью LoRA и ORPO на синтетическом наборе предпочтений HalluGuard-Preferences-76k. Архитектура — плотная Qwen3ForCausalLM; вход и ответ представлены текстом. Метаданные указывают контекст до 40 960 токенов, тогда как README сообщает окно 32 768 токенов. Модель рассчитана на англоязычные задачи. Лицензия — Apache-2.0.

InternLM2.5-1.8B-Chat — диалоговая языковая модель семейства InternLM2, разработанная командой InternLM. Это плотная авторегрессионная модель с 1,7 млрд параметров и контекстом до 32 768 токенов, предназначенная для практических сценариев общения с LLM. Модель генерирует ответы на запросы, демонстрирует способности к математическим рассуждениям и может работать с инструментами в многошаговых сценариях: README описывает выбор инструментов, анализ результатов и сбор сведений с множества веб-страниц. В метаданных также указана поддержка классификации текста. Модель принимает текст и выдаёт текст; карточка содержит примеры на английском и китайском, но не задаёт полный перечень поддерживаемых языков. Разработчики отмечают сильные результаты на отдельных тестах рассуждения, однако качество ответов может варьироваться. Возможны предвзятые, дискриминационные или иные вредоносные ответы, поэтому результаты требуют проверки. В метаданных лицензия обозначена как other; README указывает, что код распространяется по Apache-2.0, а для весов доступ к академическим исследованиям открыт и коммерческое использование возможно по бесплатной заявке.

hotchpotch/japanese-reranker-cross-encoder-small-v1 — японская модель-реранкер от разработчика hotchpotch. Она повторно ранжирует пары запросов и текстовых фрагментов, оценивая их релевантность; модель построена как CrossEncoder на базе XLM-RoBERTa и предназначена для японского языка. Вариант small содержит 12 слоёв и скрытый размер 384; в метаданных указан размер 124,3 млн параметров и контекст до 514 токенов. Модель обучалась на японских данных, а в карточке приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD. Она подходит для уточнения порядка результатов поиска или кандидатов, полученных системой извлечения. Модель доступна в формате safetensors, использует библиотеку Sentence Transformers и распространяется по лицензии MIT. Как реранкер, она оценивает заданные пары, а не генерирует развернутые ответы; применимость к другим языкам карточкой не подтверждена.

Longformer-large-4096 — англоязычная предварительно обученная модель-трансформер от Allen Institute for AI (AI2), предназначенная для представления и анализа длинных текстов. В конфигурации — 24 слоя, 1024 скрытых измерения и около 454,1 млн параметров; модель рассчитана на последовательности примерно до 4096 токенов. Механизм внимания сочетает локальное скользящее окно и настраиваемое глобальное внимание, благодаря чему обработка длинных последовательностей масштабируется линейно по их длине. Модель подходит как основа для дообучения под задачи классификации документов, поиска ответов и других задач понимания текста; сама по себе она не является генеративным чат-ботом. Доступны веса PyTorch и TensorFlow. Условия лицензии в использованных источниках не установлены.