I.1Поиск и навигация по информации

swardiantara/one-stage-cdk10-MiniLM-L12-v2 — модель Sentence-Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерностью 384. Она предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит около 40 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель обучена с ContrastiveLoss и косинусной метрикой расстояния. Веса опубликованы в формате safetensors. Карточка не сообщает, на каких языках и данных модель обучалась, поэтому её языковые возможности нельзя уточнить. Лицензия в предоставленных данных не указана.

Модель opensearch-neural-sparse-encoding-doc-v2-distill разработана участниками OpenSearch для поиска по документам. Это разреженный энкодер на базе DistilBERT с 67 млн параметров, обученный для поиска и извлечения документов. Он преобразует документ в разреженный вектор размерности 30 522: индексы ненулевых элементов соответствуют токенам словаря, а значения отражают их важность. Для запроса в описанном сценарии используется токенизатор и таблица весов, а релевантность вычисляется как скалярное произведение векторов запроса и документа. Модель предназначена для семантического поиска и поиска фрагментов в корпусах документов, в том числе в OpenSearch с обратным индексом Lucene. В сравнении на подмножестве BEIR модель показала средний NDCG@10 0,528; результаты различаются по наборам данных. Поддерживается английский язык, контекст — до 512 токенов. Репозиторий предоставляет веса PyTorch и Safetensors, модель совместима с Sentence Transformers и API Hugging Face. Лицензия — Apache 2.0.

opensearch-project/opensearch-neural-sparse-encoding-v2-distill — модель разреженного поиска OpenSearch Contributors на базе DistilBERT. Она кодирует запросы и документы в разреженные векторы размерности 30 522: индексы соответствуют токенам словаря, а веса отражают их важность. Модель рассчитана на поиск по текстовым коллекциям и может использоваться с инвертированным индексом Lucene через OpenSearch; также доступен запуск через API Hugging Face. Версия v2-distill содержит 67 млн параметров и поддерживает контекст до 512 токенов. В сравнении на подмножестве BEIR она показала средний NDCG@10 0,528 и средний FLOPS 8,3; результаты различаются по наборам данных. Модель обучалась на корпусах для поиска и вопросов-ответов, включая MS MARCO, SQuAD-пары и данные Stack Exchange. Карточка указывает английский язык. Лицензия — Apache-2.0.

OpenSeeker-v1-30B-SFT — диалоговая модель-агент для поиска и глубокого исследования в интернете, разработанная командой OpenSeeker. Авторы дообучили Qwen3-30B-A3B-Thinking-2507 на 11,7 тыс. примеров и открыли обучающие данные. Модель предназначена для сценариев, где нужно искать информацию и решать сложные поисковые задачи; в метаданных указаны интерфейс вызова инструментов и архитектура MoE семейства Qwen3. Модель использует 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. В карточке заявлены результаты на BrowseComp-ZH, BrowseComp, xbench-DeepSearch и WideSearch, включая сравнение с Tongyi DeepResearch. Указанные результаты относятся к бенчмаркам и сами по себе не гарантируют аналогичного качества в реальных сценариях. Лицензия — MIT.

Ops-Colqwen3-4B — мультимодальная модель встраиваний в стиле ColPali, разработанная командой Alibaba Cloud OpenSearch-AI на основе Qwen3-VL-4B-Instruct и дообученная для поиска по визуальным документам. Она кодирует текстовые запросы и страницы документов, включая изображения и PDF, в согласованное пространство многовекторных представлений для семантического поиска и ранжирования по сходству с использованием MaxSim. Модель содержит 4 млрд параметров, поддерживает контекст до 32 000 токенов, до 1 280 визуальных токенов на страницу и более 30 языков. Размерность векторов настраивается до 2 560; короткие префиксы размерностью 128 или 320 подходят для сценариев с ограничениями по памяти и задержке. В README сообщаются высокие результаты на бенчмарках Vidore v1–v3, однако они не гарантируют аналогичное качество на других данных. Модель предназначена для мультиязычного поиска по PDF и другим визуальным документам, например, в системах поиска по документам и RAG. Лицензия — Apache-2.0. Для работы README приводит зависимости Pillow, Transformers версии 4.57.0 или новее, qwen-vl-utils и PyTorch 2.8.0.

Ovis-Omni-Embedding-3B — мультимодальная модель эмбеддингов с 3 млрд параметров от ATH-MaaS, созданная на основе Qwen2.5-Omni-3B. Она кодирует текст, изображения, визуальные документы, видео, аудио и их сочетания в общее векторное пространство для поиска и сравнения. Модель использует общий бэкбон Thinker и родные текстовый токенизатор, визуальный и аудиоэнкодеры; вектор извлекается из скрытого состояния последнего непустого токена. Для запуска предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для семантического и межмодального поиска, индексации и извлечения данных для мультимодальных RAG-систем, рекомендаций, поиска по видео и аудио, визуальным документам, интерфейсам и памяти агента. Это bi-encoder: запросы и кандидаты кодируются независимо, а ранжирование обычно выполняется по косинусному сходству нормализованных векторов. Генерировать текст или речь модель не предназначена. В бенчмарке MMEB-v3, включающем 190 наборов данных, модель набрала 58,46 балла и показала сильные результаты в агрегатах по группам модальностей. Качество зависит от подходящей инструкции для запроса и корректной предобработки; результаты бенчмарка не гарантируют качество на новых доменах. Лицензия — Apache-2.0.

Ovis-VL-Embedding-9B — мультимодальная модель эмбеддингов для поиска, разработанная командой Ovis и основанная на Qwen3.5-9B. Она независимо кодирует запросы и кандидаты в общее пространство векторов, поддерживая текст, изображения, визуальные документы, видео и их чередующиеся мультимодальные сочетания. Модель предназначена для семантического и межмодального поиска, индексации и извлечения данных для RAG, поиска по видео с локализацией фрагментов, рекомендаций и сопоставления ближайших соседей. Архитектура сохраняет текстовый и визуальный кодировщики и мультимодальную языковую основу Qwen3.5-9B, но удаляет голову языкового моделирования. Вектор размерности 4096 извлекается из скрытого состояния последнего непустого токена; отдельная проекционная голова не используется. Для ранжирования запросы и кандидаты кодируются отдельно, нормализуются по L2 и сравниваются по косинусному сходству. Модель не принимает аудио и не предназначена для генерации текста или изображений. Качество зависит от инструкций к запросам и соблюдения исходного шаблона и предобработки; результаты различаются по задачам, а крупная модель требует больше памяти и вычислений, чем вариант 2B. Лицензия — Apache-2.0.

Модель shahidha/paraphrase-multilingual-MiniLM-L12-v2 — дообученная модель эмбеддингов предложений на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, экспортированная в формат ONNX с квантизацией INT8. Она использует архитектуру MiniLM-L12 на базе BERT, содержит 124,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Для выполнения требуется ONNX Runtime; модель ориентирована на быстрый локальный запуск на мобильных и периферийных устройствах. Модель преобразует запросы и документы в плотные векторы для семантического поиска, поиска ответов, сопоставления FAQ, индексации векторных баз и retrieval-компонентов RAG-систем. В README указано дообучение на пользовательском наборе пар «запрос—ответ»; приведённые метрики Recall@1 96,39%, Recall@5 99,51% и MRR 97,69% относятся к тестовому набору авторов и не гарантируют такие же результаты на других данных. Карточка указывает поддержку многоязычной обработки, а метаданные содержат язык en. Лицензия — Apache-2.0. Модель выдаёт эмбеддинги и не генерирует текстовые ответы. Качество поиска зависит от близости данных применения к обучающей выборке и может различаться между предметными областями и языками.

Это дообученная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанной командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, сравнения текстов по смыслу, поиска перефразирований, кластеризации и классификации. Архитектура основана на BERT с усреднением токенных представлений; для сравнения векторов применяется косинусная близость. В метаданных указано 124,3 млн параметров и контекст до 512 токенов; README описывает максимальную длину последовательности 128 токенов, поэтому при использовании следует учитывать возможное усечение текста. Модель дообучена на 4 485 парах запросов и релевантных фрагментов, связанных с правилами и учебными материалами Ханойского университета науки и технологий; примеры датасета на вьетнамском языке. Она подходит для поиска по документам и подбора текстов на нескольких языках, унаследованных от базовой модели. Лицензия в предоставленных данных не указана.

LLukas22/paraphrase-multilingual-mpnet-base-v2-embedding-all — модель эмбеддингов на архитектуре XLM-RoBERTa, дообученная автором на базе paraphrase-multilingual-mpnet-base-v2. Она предназначена для представления предложений и поиска семантически близких текстов, в том числе для поиска ответов и дубликатов в системах вопросов и ответов. Модель насчитывает 305,2 млн параметров, поддерживает контекст до 514 токенов и рассчитана на применение через Sentence-Transformers. Модель обучалась на SQuAD, NewsQA, CQADupStack, FiQA, SciDocs, GermanQuAD и Natural Questions; автор приводит результаты ранжирования релевантных ответов на нескольких значениях top-k. В метаданных указаны английский и немецкий языки. Модель выпущена под лицензией Apache-2.0. Она формирует векторные представления и оценки сходства, поэтому качество поиска зависит от соответствия запроса и корпуса данным обучения; приведённые результаты относятся к указанным оценочным наборам.

passage-ranker.pistachio — мультиязычный ранжировщик пассажей компании Sinequa. Он оценивает релевантность пары «запрос — фрагмент текста», чтобы сортировать результаты поиска и улучшать первый этап выдачи в поисковых системах и системах извлечения информации. Модель основана на BERT для классификации последовательностей и обучена по схеме MonoBERT на MS MARCO Passage Ranking, включая переведённые обучающие данные. В README указано 167 млн параметров, а метаданные содержат оценку 194,6 млн; максимальная длина контекста — 512 токенов. Модель обучалась и тестировалась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском (упрощённом) и польском; README также отмечает ожидаемую базовую поддержку ещё 93 языков благодаря предобучению базовой модели. Она нечувствительна к регистру и диакритическим знакам. В README приведены результаты на BEIR для английского, PIRBenchmark для польского и MIRACL для ряда других языков. Для запуска указаны Sinequa версии 11.10.0 или новее и CUDA compute capability выше 7.5; приведены также замеры скорости и памяти на GPU. Лицензия в предоставленных данных не указана.

Sinequa passage-ranker-v1-XS-multilingual — компактная модель ранжирования пассажей на основе Sinequa BERT-Mini, обученная методом MonoBERT. Она принимает запрос и пассаж текста и выдаёт оценку релевантности, по которой можно упорядочить результаты поиска. Модель содержит около 17 млн параметров, поддерживает английский, французский, немецкий и испанский языки, нечувствительна к регистру и акцентам; максимальная длина контекста — 512 токенов. Модель предназначена для повышения качества поиска: она повторно оценивает найденные пассажи и помогает расположить наиболее релевантные выше. По README среднее значение NDCG@10 на 14 наборах BEIR составило 0,453; на MIRACL приведены результаты для французского, немецкого и испанского языков. Указанные ограничения включают требования к окружению: Sinequa версии не ниже 11.10.0 и CUDA с compute capability выше 5.0 (выше 6.0 для FP16). Лицензия в предоставленных данных не описана.

dbourget/philai-bge-6e — модель эмбеддингов предложений и абзацев на базе архитектуры BERT, опубликованная пользователем dbourget. Она преобразует текст в плотные векторы размерностью 1024 и предназначена для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит около 433,9 млн параметров, использует библиотеку Sentence Transformers и принимает контекст до 512 токенов. Векторы модели подходят для построения поисковых систем и группировки текстов по смыслу. В карточке не описаны языковое покрытие и специализированные предметные области. Репозиторий содержит веса в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

pplx-embed-context-v1.4-4B — контекстная модель для построения эмбеддингов предложений, разработчик указан как seslami-pplx. Она предназначена для семантического поиска и извлечения текстовых фрагментов, включая разрешение перефразирования, снижение влияния лексически похожих отвлекающих фрагментов и совместное извлечение терминов из глоссария. Модель имеет плотную архитектуру bidirectional_pplx_qwen3, содержит 3,7 млрд параметров и принимает контекст длиной до 32 768 токенов; для работы используется библиотека Transformers. Версия 1.4 сохраняет архитектуру и код загрузки версии v1.3-4B и заявлена как прямая замена. Эмбеддинги подходят для сопоставления предложений и поиска по контексту. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0.

Англоязычный cross-encoder на базе ELECTRA, дообученный командой cross-encoder с использованием класса SentenceTransformers. Модель оценивает пару «вопрос — абзац» и определяет, отвечает ли абзац на вопрос; она обучена на наборе GLUE QNLI, преобразованном из SQuAD в задачу вывода по тексту. Модель предназначена для ранжирования абзацев по релевантности вопросу, например, при поиске фрагментов для системы ответов на вопросы. Архитектура — ELECTRA с классификационной головой, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Поддерживаются форматы PyTorch, Safetensors, ONNX и OpenVINO. Модель принимает текстовые пары и выдаёт оценку релевантности, а также может использоваться для классификации текста. Карточка сообщает об англоязычных данных и обучении на QNLI. Лицензия — Apache-2.0. Результат оценивает релевантность пары, но сам по себе не генерирует ответ на вопрос; длина входа ограничена 512 токенами.

hanhainebula/qwen3-8b-ft-msmarco — текстовая модель эмбеддингов, созданная дообучением Qwen/Qwen3-8B на английских обучающих данных MSMARCO в течение одной эпохи с помощью FlagEmbedding. Она выпущена в рамках ресурсов ReasonEmbed, посвящённых улучшению эмбеддингов для поиска документов со сложными рассуждениями. Модель предназначена для преобразования текста в векторные представления и задач извлечения документов; в метаданных для неё указан pipeline feature-extraction. Модель имеет плотную архитектуру Qwen3, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Весовые файлы представлены в формате safetensors; токенизатор изменён для автоматического добавления EOS-токена. Лицензия — Apache-2.0. Обучение описано для английских данных MSMARCO; многоязычность базовой Qwen3 сама по себе не подтверждает, что этот чекпойнт одинаково хорошо работает на других языках.

Это модель Sentence Transformers на базе Qwen3-Embedding-0.6B, дообученная для получения плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. Архитектура включает Qwen3Model, пулинг по последнему токену и нормализацию векторов. Модель предназначена для поиска релевантных фрагментов по запросу, семантического поиска и retrieval-сценариев. В README приведены результаты проверки на двух наборах данных для информационного поиска; обучающая выборка описана как набор из 58 примеров с позитивными и негативными парами. Метаданные указывают контекст до 32768 токенов, тогда как README заявляет максимальную длину последовательности 1024 токена; для практического использования следует учитывать ограничение README. Поддерживается текстовый ввод, на выходе — векторы. Сведения о лицензии в предоставленных материалах отсутствуют.

Steve0927/qwen3-embedding-0.6b-lrat-full-v1 — дообученная модель для извлечения текстовых эмбеддингов и поиска релевантных документов. Она основана на Qwen3-Embedding-0.6B и настроена для задачи XIR competition 1170 на официальных обучающих парах LRAT с использованием обучающего процесса LRAT/FlagEmbedding. Модель имеет плотную архитектуру Qwen3, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для построения поисковых систем и извлечения релевантных текстов по запросам. В ходе дообучения использовались запросы и фрагменты документов длиной до 512 токенов; карточка не уточняет, ограничивает ли это длину на этапе применения. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

Карточка модели Steve0927/qwen3-embedding-0.6b-lrat-trajectory-graph-calibrated-v1 на Hugging Face совпадает с карточкой Steve0927/qwen3-embedding-0.6b-lrat-annwinner-extrap-a125-soup-a50-v1, поэтому описание составлено по ней. Это плотная модель для поиска по тексту, дообученная Steve0927 на базе Qwen3-Embedding-0.6B в рамках эксперимента для соревнования XIR 1170. Она создаёт эмбеддинги запросов и документов, чтобы находить семантически близкие документы и строить поиск по траекториям. Чекпойнт обучен на 91 324 строках, связанных с траекториями и связями запрос–документ; README сообщает, что внешние запросы, ответы и документы, а также лидербордные запросы и скрытые результаты не использовались.

IoannisKat1/Qwen3-Embedding-0.6B-matryoshka1 — модель Sentence Transformers, дообученная разработчиком на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерностью 1024 для семантического поиска и извлечения релевантных документов; сходство можно оценивать косинусной мерой. Архитектура включает трансформер Qwen3, pooling по последнему токену и нормализацию. Модель рассчитана на текст, имеет максимальную длину последовательности 32 768 токенов и ориентирована прежде всего на английский язык. Matryoshka-обучение позволяет сокращать размерность эмбеддингов; в карточке приведены результаты поиска для усечённых векторов размерностью от 64 до 768. Дообучение выполнено на 4 268 парах anchor-positive из датасета json. Модель распространяется по лицензии Apache-2.0.

UFGCEMIGONA/Qwen3-Embedding-0.6B-v2 — текстовая Sentence Transformer-модель, дообученная на Qwen/Qwen3-Embedding-0.6B. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для поиска и сравнения текстов по смыслу; сходство оценивается косинусной мерой. Архитектура включает Qwen3, pooling по последнему токену и нормализацию эмбеддингов. Модель принимает текст, поддерживает последовательности длиной до 32 768 токенов и может применяться для семантического поиска и подготовки кандидатов к ранжированию. В README приведены метрики reranking на наборе qwen-reranking-eval: nDCG@10 — 0,7374, MRR@10 — 0,657, MAP — 0,6543. Язык лицензии и перечень поддерживаемых языков в предоставленных данных не указаны.

zecafonso/Qwen3-Embedding-4B-1024 — текстовая Sentence Transformer модель, дообученная автором репозитория на базе Qwen/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные векторы размерностью 2560 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает Qwen3Model, пулинг последнего токена и нормализацию; модель принимает только текст. В README указан максимальный размер последовательности 1024 токена, а метаданные каталога указывают базовый контекст Qwen в 40960 токенов. Основной сценарий — информационный поиск: подбор релевантных фрагментов по запросу, семантический поиск и ранжирование кандидатов через сравнение эмбеддингов. В README приведены оценки на двух наборах для поиска, а также сведения о дообучении на 58 примерах с anchor, positive и negative текстами. Метаданные описывают базовую модель как мультиязычную, но сам README не перечисляет языки, на которых проверена эта версия. Лицензия в предоставленных данных не указана.

kwondw/reranker-MiniLM-L12-H384-uncased-gooaq-cmnrl — англоязычный cross-encoder, дообученный автором на наборе вопросов и ответов GooAQ на базе microsoft/MiniLM-L12-H384-uncased с использованием Sentence Transformers. Модель оценивает пары текстов одним числовым баллом и предназначена для переранжирования результатов поиска и семантического поиска, в том числе для отбора ответов на вопросы. Модель использует архитектуру BERT с классификационной головой, содержит 40 млн параметров и обрабатывает последовательности длиной до 512 токенов. В карточке приведены оценки на наборах NanoBEIR и NanoMSMARCO, NanoNFCorpus и NanoNQ; показатели различаются в зависимости от набора и конфигурации, поэтому их следует проверять на целевых данных. Лицензия — Apache-2.0.

Shitao/RetroMAE_MSMARCO_finetune — BERT-подобная модель семейства RetroMAE, разработанная Shitao Xiao и соавторами для задач нейронного информационного поиска. Она представляет собой дообученную на коллекции MS MARCO passage версию RetroMAE_MSMARCO и предназначена для построения retrieval-ориентированных языковых представлений и плотного поиска.

Модель dariolopez/roberta-base-bne-finetuned-msmarco-qa-es-mn — испаноязычная модель эмбеддингов на базе RoBERTa, созданная с помощью Sentence Transformers и дообученная на испанском переводе набора MS MARCO для задач вопросно-ответного поиска. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации текстов. Модель содержит 151,8 млн параметров, принимает текстовые последовательности длиной до 514 токенов; более длинный текст обрезается. Обучение на примерах запросов, положительных и отрицательных ответов с функцией потерь MultipleNegativesRankingLoss ориентирует векторное пространство на сопоставление вопроса с релевантным текстом. Распространяется по лицензии Apache 2.0.

sergeyzh/rubert-tiny-retriever — компактная модель на основе BERT, разработанная Sergey Zh. Это дообученный энкодер для получения эмбеддингов и текстового поиска: он кодирует запросы и документы в векторы, пригодные для поиска по семантическому сходству и ранжирования результатов. Модель создана дистилляцией эмбеддингов русских и английских текстов BAAI/bge-m3 в sergeyzh/rubert-tiny-turbo. Модель содержит 29 млн параметров; в README указаны 3 слоя, размер эмбеддинга 312 и контекст 512 токенов. Метаданные каталога указывают нативный контекст в 2048 токенов. Поддерживаются русский и английский языки, специальные префиксы для запросов и документов не требуются. В README приведены результаты на наборах для поиска на обоих языках: модель превосходит rubert-tiny-turbo в указанных сравнениях, но уступает более крупной bge-m3. Лицензия — MIT.

SauerkrautLM-ColQwen3-4b-v0.1 — мультиязычная модель визуального поиска по документам, разработанная VAGOsolutions на основе Qwen/Qwen3-VL-4B. Это дообученная плотная модель семейства Qwen3-VL с архитектурой ColQwen3: она кодирует изображения страниц и текстовые запросы в многовекторные представления размерностью 128 и использует позднее взаимодействие для ранжирования документов. Такой подход сохраняет визуальную структуру страниц, включая таблицы, формы и графики, и не требует отдельного OCR-конвейера. Модель предназначена для поиска релевантных страниц в коллекциях документов и визуального RAG. В карточке заявлены 4 млрд параметров и ориентир около 8 ГБ VRAM. На ViDoRe v1 указана оценка NDCG@5 90,80; также приведены результаты MTEB и ViDoRe v2/v3. Поддерживаются английский, немецкий, французский, испанский, итальянский и португальский языки. Лицензия — Apache-2.0. Для загрузки указан пакет sauerkrautlm-colpali; README также описывает использование с Sentence Transformers как многовекторного ретривера. Модель предназначена для извлечения и ранжирования документов, а не для генерации ответов или текста. Заявленные результаты относятся к приведённым бенчмаркам и сами по себе не гарантируют качество на иных корпусах; фактические требования к памяти зависят от конфигурации и размера пакета.

SauerkrautLM-Multi-ColBERT-33m — компактная модель позднего взаимодействия для поиска и сопоставления текстов, разработанная VAGOsolutions. Она использует архитектуру ColBERT на базе BERT с 33–34,7 млн параметров и обучалась на 8,2 млрд токенов с дистилляцией знаний от моделей-реранкеров. Для оценки релевантности применяется MaxSim, а выходные представления имеют размерность 128. Модель рассчитана на запросы до 256 токенов и документы до 8192 токенов. Модель предназначена для многоязычного поиска, семантического сопоставления запросов и документов и построения поисковых систем, в том числе с ограниченными вычислительными ресурсами. В первую очередь она поддерживает немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки; обучение включало многоязычный этап и дополнительный этап на английских данных. Лицензия — Apache 2.0.

SauerkrautLM-Reason-Multi-ColBERT-15m — компактная мультиязычная модель поиска на основе ColBERT с поздним взаимодействием токенов. Разработчик — VAGOsolutions. Модель дообучена с дистилляцией знаний от VAGOsolutions/SauerkrautLM-Multi-ColBERT-15m и содержит 15,8 млн параметров; архитектура использует BERT и проекцию размерности 384 в 128. Она предназначена для семантического поиска и ранжирования документов по запросу, включая научные и технические материалы, и рассчитана на устройства с ограниченными ресурсами. Модель принимает текст запроса и документов, формируя токеновые векторные представления для сравнения по MaxSim. Карточка указывает контекст до 2048 токенов, максимальную длину запроса 256 токенов и поддержку немецкого, английского, испанского, французского, итальянского, нидерландского и португальского языков. Заявлены эффективность на научных и технических наборах и возможность локального запуска; результаты зависят от данных и сценария поиска. Лицензия — Apache 2.0.

Muennighoff/SBERT-base-msmarco — модель Sentence Transformers на базе BERT для получения векторных представлений предложений и оценки их семантического сходства. Она обучалась с MultipleNegativesRankingLoss на косинусном сходстве и предназначена для задач поиска и сопоставления текстов. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Подробности об авторах, обучающих данных и лицензии в предоставленной карточке отсутствуют.