I.1Поиск и навигация по информации

Модель разработана пользователем owaiskha9654 и предназначена для многометочной классификации статей PubMed по медицинским темам MeSH. В README описана тонкая настройка BioBERT на датасете PubMed_MultiLabel_Text_Classification_Dataset_MeSH с использованием transfer learning; также автор экспериментировал с RoBERTa и XLNet. Метаданные указывают на архитектуру BERT для классификации последовательностей, 135,5 млн параметров, контекст до 512 токенов и веса в форматах PyTorch и Safetensors. Модель принимает текст статьи и предсказывает несколько тематических меток, что подходит для автоматической индексации и тематической сортировки медицинской литературы. Указан английский язык. README не сообщает условия лицензии, поэтому условия использования определить по доступным данным нельзя; карточка также не содержит результатов оценки качества.

Berk разработал мультиязычную модель извлечения географических названий, дообучив mDeBERTa-v3-base для разметки фрагментов текста типами CITY, COUNTRY и ENTITY с тегами BIO. Модель содержит около 306 млн параметров, использует архитектуру DeBERTa-v2 и принимает последовательности длиной до 512 токенов. Репозиторий также включает варианты ONNX и gazetteer-компоненты для связывания найденных мест с городом, регионом и страной. Модель предназначена для извлечения и типизации мест в туристических запросах и маршрутах на 13 языках. Дополнительные словари и скрипты разрешают известные достопримечательности до города и страны, распознают регионы и уточняют географию неоднозначных названий. В README сообщается о высоких результатах на тестах маршрутов и улучшении обработки коротких запросов, включая названия стран и достопримечательностей. Для неоднозначного названия без контекста модель может опираться на заметность места, поэтому возможны ошибки выбора одноимённого города. Базовая модель выполняет классификацию токенов; связывание сущностей и обогащение географическими данными обеспечивают отдельные gazetteer-файлы и скрипты. Модель выпущена под лицензией MIT.

Mursit-Base-TR-Retrieval — модель для создания векторных представлений текстов, разработанная newmindai на базе Mursit-Base. Она основана на архитектуре ModernBERT-base и дообучена для поиска по сходству и извлечения релевантных документов. Модель содержит 155,6 млн параметров, выдаёт эмбеддинги размерности 768 и принимает последовательности длиной до 1024 токенов. Модель предназначена прежде всего для поиска по турецким юридическим текстам: договоров, нормативных актов и судебных решений. Её также можно применять для поиска по смыслу, сопоставления документов и межъязыкового поиска между турецким и английским текстом. Для настройки на retrieval использовалось контрастивное обучение на MS MARCO-TR; в карточке приведены результаты оценки на турецком MTEB и юридических наборах задач. Модель принимает текст и возвращает эмбеддинги, которые можно сравнивать для поиска и ранжирования. Она распространяется по лицензии Apache-2.0; для юридического поиска качество зависит от корпуса, формулировки запроса и выбранной схемы индексации.

MyAwesomeModel — модель на архитектуре BERT для извлечения признаков из текста, доступная через библиотеку Transformers. В метаданных Hugging Face для неё указан pipeline feature-extraction, поэтому основное назначение модели — преобразование текстовых входов в векторные представления для последующего анализа и использования в прикладных NLP-системах. Автор или организация-разработчик в предоставленных данных не указаны. README также заявляет о расширенных возможностях рассуждения, генерации кода и текста, ответах на вопросы, суммаризации, диалогах, вызове функций и снижении галлюцинаций, однако эти характеристики не согласуются с указанным pipeline feature-extraction и не подтверждены сведениями об архитектуре генеративной модели. Размер модели, длина контекста, поддерживаемые языки и точные сценарии обучения не приведены. Модель распространяется по лицензии MIT.

Модель Omar Maqousi для распознавания именованных сущностей в арабском тексте. Это дообученная версия XLM-RoBERTa base с архитектурой XLMRobertaForTokenClassification; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Она выделяет имена людей (PER), организации (ORG) и географические названия (LOC), обучена на арабской части PAN-X (WikiANN) из бенчмарка XTREME. В описанной оценке на тестовой выборке PAN-X достигла F1 91,76% на уровне сущностей и точности токенов 96,24%. Предназначена для извлечения сущностей из современного литературного арабского текста; хуже подходит для диалектов, Arabizi, социальных сетей и типов сущностей вне PER, ORG и LOC. Лицензия — MIT.

LeopoldBloom2K/patentscout-models — дообученная модель Sentence Transformers на базе mpi-inno-comp/paecter для преобразования английских предложений и абзацев в плотные эмбеддинги. Она использует архитектуру BERT с усреднённым пулингом токенов, формирует векторы размерности 1024 и сравнивает их по косинусному сходству. Максимальная длина входа — 512 токенов; модель опубликована в формате safetensors и рассчитана на работу с библиотекой Sentence Transformers. Модель подходит для семантического поиска и сравнения патентных текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Обучение описано как дообучение с MultipleNegativesRankingLoss на наборе из 250 примеров с парами и отрицательными примерами. Лицензия в предоставленных данных не указана.

Модель tanbinh2210/phobert-hackathon-no-neg — Sentence Transformer, дообученный разработчиком на базе tanbinh2210/phobert-st. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Архитектура включает RoBERTa, усреднение токенных представлений и нормализацию; максимальная длина последовательности — 256 токенов. Модель обучена на 147 585 парах «запрос — ответ» из набора json с помощью MultipleNegativesRankingLoss. Она предназначена для семантического поиска и сопоставления текстов, в том числе поиска ответов по запросу, оценки сходства и кластеризации. Пример данных на вьетнамском языке связан с нормативными документами о регистрации проживания, поэтому модель подходит для поиска по подобным текстам. Для работы с моделью нужна библиотека Sentence Transformers. В метаданных не указана лицензия, поэтому условия использования следует уточнить у автора репозитория. Ограничения включают контекст до 256 токенов; качество вне тематики и языков обучающих данных по карточке не подтверждено.

google/pix2struct-infographics-vqa-base — модель семейства Pix2Struct, разработанная Google. Это базовая версия для визуальных вопросов и ответов по инфографике: модель принимает изображение и текстовый вопрос, а затем формирует текстовый ответ. Архитектура — кодировщик изображений и декодер текста Pix2Struct; предварительное обучение включало преобразование скриншотов веб-страниц в упрощённый HTML, а модель адаптирована к задаче visual question answering. Модель предназначена для извлечения ответов из инфографики и других изображений с визуально представленными данными. Pix2Struct использует представление входа с переменным разрешением и интеграцию текстового вопроса с изображением. В карточке указана поддержка английского, французского, румынского и немецкого языков. Доступна под лицензией Apache-2.0. Модель специализируется на визуальных вопросах и ответах и может ошибаться при сложной компоновке, мелком тексте или неоднозначных данных на изображении. README не приводит отдельные количественные оценки качества именно этой версии.

Qwen3.6-27B-SecOPD — мультимодальная модель семейства Qwen, разработанная на базе Qwen/Qwen3.6-27B и дообученная методом Secure On-Policy Distillation (SecOPD) для защиты от атак через внедрение инструкций в сторонний контент. Она рассчитана на сценарии, где модель получает доверенные инструкции пользователя отдельно от документов, найденных фрагментов или результатов инструментов: для этого используется выделенная роль input, отделяющая внешний материал от инструкций. Модель принимает текст и изображения и генерирует текст; в метаданных указаны поддержка диалогов и визуального ввода. Репозиторий содержит объединённый чекпойнт шага 150 с full-response KL: LoRA-адаптер уже слит с весами, поэтому отдельно загружать его не требуется. В опубликованных результатах SecOPD показывает низкий уровень успешности атак на нескольких тестах и сохраняет показатели полезности на чистых входах, однако эти результаты относятся к указанным в статье бенчмаркам и не гарантируют устойчивость ко всем атакам или сценариям. Карточка описывает применение с vLLM версии 0.19.0 или новее и соответствующим шаблоном чата и токенизатором. Лицензия — Apache-2.0.

Stern5497/sBert-swiss-legal-base — модель на базе RoBERTa, упакованная в формат Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Веса содержат около 211,6 млн параметров, модель принимает текст и выдаёт векторы; указанная длина контекста — 514 токенов. При обучении применялась функция MultipleNegativesRankingLoss с косинусным сходством. Название модели указывает на юридические тексты Швейцарии, однако README не уточняет языки и состав обучающих данных. Репозиторий содержит веса PyTorch; для удобного использования предлагается библиотека Sentence-Transformers. Лицензия в предоставленных данных не указана.

SigLIP so400m patch16 256 i18n — мультимодальная модель Google семейства SigLIP с архитектурой SoViT-400m, предварительно обученная на многоязычном корпусе сопоставленных изображений и текстов. Вариант использует разрешение 256; в карточке указаны обработка изображений с приведением к разрешению 384×384 и ограничение текста до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для поиска изображений по тексту и текстов по изображению. Она сопоставляет представления изображений и текста; обучение SigLIP использует sigmoid loss для пар изображение—текст. Модель построена на SoViT-400m, форме ViT, оптимизированной по вычислительным масштабам. Модель обучена на наборе WebLI. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой Transformers. Лицензия — Apache-2.0. Карточка приводит сведения об обучении и сценариях применения, но не описывает отдельную процедуру тонкой настройки для этой версии.

SpanBERT/spanbert-base-cased — англоязычная предварительно обученная модель-кодировщик семейства BERT, разработанная исследователями, опубликовавшими проект SpanBERT. Она использует конфигурацию BERT base: 12 слоёв, скрытый размер 768 и 12 голов внимания; карточка указывает 135,5 млн параметров и контекст до 512 токенов. Особенность предобучения — маскирование и обучение на уровне текстовых фрагментов, чтобы лучше представлять и предсказывать spans. Модель предназначена для дообучения под задачи понимания текста, включая извлечение ответов из контекста, разрешение кореференции, извлечение отношений и классификацию. Она принимает текст и выдаёт контекстные представления токенов, а конкретные ответы или метки обычно формируются дообученной task-specific моделью. Доступны веса PyTorch и Flax. Авторы сообщают о результатах на SQuAD, кореференции и TACRED; эти результаты относятся к их оценкам и не гарантируют качество на других данных. Для предварительно обученных весов указана лицензия CC-BY-NC 4.0, которая ограничивает коммерческое использование. Архив проекта также отмечает, что лицензия распространяется на предобученные модели.

SPECTER2 Base — базовый текстовый энкодер Allen AI для создания эмбеддингов научных статей и коротких поисковых запросов. Модель построена на BERT и содержит 137,1 млн параметров; для задач, адаптированных под конкретный формат, её используют вместе с соответствующим адаптером. Контекст — до 512 токенов. Модель предназначена для семантического поиска научных публикаций, поиска близких статей и подготовки признаков для классификации или регрессии. Базовый энкодер обучен на связях цитирования более чем 6 млн научных статей; система адаптеров обучалась на задачах SciRepEval. В карточке указана поддержка английского языка. Для прикладного использования нужна библиотека Transformers и совместимый адаптер из семейства SPECTER2; сам базовый чекпойнт не включает специализированные адаптеры. Лицензия — Apache 2.0.

XYZ-Aquila-mini-APEX-I-MiniPlus-V2-GGUF — это квантованная версия модели XYZ-Aquila-mini, подготовленная IsValorum в формате GGUF для запуска через совместимые средства, включая llama.cpp. Модель ориентирована на мультимодальные сценарии image-text-to-text и, согласно указанным тегам, может применяться для работы с изображениями и текстом, агентского поиска, задач search-agent и computer use. В карточке указаны архитектура MoE и мультимодальная поддержка с vision-компонентом, однако точный размер модели, число экспертов и слоёв, максимальный контекст и подробные характеристики входных и выходных модальностей не приведены. Заявлена поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Квантование APEX-I-MiniPlus описывается как настраиваемое для отдельных тензоров: с сохранением высокоточной маршрутизации и защитой чувствительных компонентов, но конкретная конфигурация файлов этой версии в доступном фрагменте не указана. Сильными сторонами являются компактный GGUF-формат, мультимодальная направленность, поддержка широкого набора языков и возможность использования в локальных агентских и визуальных сценариях. Ограничения связаны с тем, что приведённые независимые бенчмарки относятся к другим моделям или выпускам семейства и не подтверждают характеристики именно этой версии; также отсутствуют точные сведения о производительности, требованиях к памяти и максимальной длине контекста. Модель распространяется по лицензии Apache-2.0.

ActIO-UI-7B-RLVR — мультимодальная модель зрения и языка, разработанная Orby AI, подразделением Uniphore, для выполнения коротких подзадач в веб-интерфейсах по инструкциям на естественном языке. Она основана на Qwen2.5-VL-7B-Instruct и дообучена методом обучения с подкреплением с проверяемыми наградами поверх контрольной точки ActIO-UI-7B-SFT. Модель принимает изображения интерфейса и текстовые инструкции, а в ответ формирует текст, описывающий решение подзадачи. Типичные сценарии — выбор даты в календаре, прокрутка контейнера и извлечение сведений со страницы; модель также рассчитана на визуальное сопоставление элементов интерфейса с инструкциями. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; контекст составляет до 128 000 токенов. Для входного изображения README рекомендует размер 1280 × 720 пикселей. Основной язык карточки — английский. В опубликованных авторами результатах модель превосходит базовую Qwen2.5-VL-7B на ряде тестов GUI-подзадач и взаимодействия с веб-интерфейсами, однако показатели зависят от бенчмарка и сценария. Это специализированная модель: результаты тестирования не гарантируют надёжного выполнения произвольных длинных задач или корректной работы на всех сайтах. Лицензия репозитория — OpenMDW-1.0; авторы заявляют исследовательское и образовательное назначение и запрещают незаконное, неэтичное или вредное использование.

AstaBrief-8B — языковая модель Allen Institute for AI (Ai2), предназначенная для подготовки англоязычных научных отчётов по исследовательскому вопросу и предоставленным фрагментам научной литературы. Она генерирует связный текст с цитатами, опираясь на переданные материалы. Модель построена на архитектуре Qwen3, содержит 7,6 млрд параметров и принимает текстовый ввод, выдавая текст; размер контекста — до 40 960 токенов. Чекпойнт дообучен методом supervised fine-tuning и offline direct preference optimization на основе allenai/AstaBrief_8B_SFT. По результатам оценки на ScholarQA-CS2 DPO-версия улучшила показатели относительно SFT-чекпойнта и базовой Qwen3-8B; результаты также приведены для DeepScholarBench и сравнений с Asta ScholarQA и DR-Tulu-8B. Для стабильной работы рекомендуется использовать формат промпта, применявшийся при дообучении; иные форматы могут ухудшить или сделать поведение менее последовательным. Лицензия — Apache 2.0. Разработчик указывает исследовательское и образовательное назначение и рекомендует следовать Responsible Use Guidelines Ai2.

Legal BERTimbau — модель векторных представлений предложений, разработанная в рамках Project IRIS для семантического поиска по решениям Supremo Tribunal de Justiça. Она кодирует предложения и абзацы в плотные векторы размерности 1024; также подходит для поиска похожих текстов и кластеризации. Модель основана на юридической версии stjiris/bert-large-portuguese-cased-legal-mlm и использует архитектуру BERT large. Она обучалась на португальских юридических предложениях с помощью TSDAE, а затем проходила многоязычную дистилляцию и дообучение для семантического сходства на наборах ASSIN, ASSIN2 и STS-B Multi MT. Поддерживает португальский язык, принимает текст и выдаёт векторы; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска по юридическим документам, а также для сравнения, группировки и поиска близких по смыслу предложений. Распространяется по лицензии MIT.

Это общественная конверсия BetterWright-4b в формат GGUF с тремя вариантами квантования: Q4_K_M, Q5_K_M и Q8_0. Модель разработана для управления браузером через BetterWright и Playwright; исходные веса — полно-параметрическое дообучение Spark-X2.5-4B от XHToken. Конверсия не меняет поведение базовой модели. Модель принимает текстовые запросы и выдаёт текстовые ответы и вызовы инструментов для многошаговых действий в браузере, например перехода по страницам. В GGUF встроены токенизатор и шаблон чата; архитектура — spark2_5, словарь содержит 131 072 токена. README сообщает о работе с контекстом до 262 тысяч токенов, но при такой длине кэш KV требует значительной памяти. Для запуска требуется llama.cpp со сборкой, поддерживающей Spark2_5ForCausalLM, а для браузерных действий — среда BetterWright. Q5_K_M рекомендован как вариант общего назначения, Q8_0 лучше сохраняет точность аргументов инструментов, а Q4_K_M подходит для ограниченной памяти, но может сильнее отклоняться при генерации длинного браузерного кода. Проверка подтверждает загрузку и корректный вызов инструмента, но не сравнивает качество квантов; результаты бенчмарков относятся к исходным BF16-весам. Репозиторий распространяется по лицензии Apache-2.0 и является общественной, неофициальной конверсией исходной модели.

Tejasw1/bge-base-case-law-v1 — англоязычная модель Sentence Transformers, дообученная разработчиком на датасете из 16 465 пар текстов для работы с материалами судебного права. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. Карточка приводит оценки на задачах информационного поиска, но не описывает их методику и не гарантирует качество на других коллекциях судебных документов. Модель принимает текст и выдаёт векторы признаков; для использования нужны совместимый ранжировщик или логика поиска. Лицензия — Apache-2.0.

Sailesh9999/bge-base-financial-matryoshka_2 — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Архитектура BERT использует CLS-пулинг и нормализацию и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; близость текстов оценивается косинусным сходством. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и извлечения финансовой информации, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. Благодаря обучению Matryoshka можно использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64, с некоторым снижением показателей поиска при уменьшении размерности. В README приведены результаты оценки InformationRetrievalEvaluator на наборе данных, но его название не указано. Модель принимает текст и выдаёт векторы эмбеддингов; она не генерирует ответы. Выпущена под лицензией Apache-2.0. Ее заявленные языковые характеристики и примеры обучения относятся к английскому; качество на других языках не подтверждено.

Whis29 создал турецкую дообученную версию BAAI/bge-m3 на базе Sentence Transformers для поиска релевантных текстов. Модель кодирует предложения и абзацы в плотные векторы размерности 1024, нормализует их и сравнивает с помощью косинусного сходства. Архитектура состоит из XLM-RoBERTa, слоя pooling по CLS-токену и нормализации; максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска и сопоставления турецких юридических запросов с документами или фрагментами документов. Для дообучения использованы 12 686 обучающих примеров с парами anchor-positive-negative и 668 примеров для оценки. Базовая BGE-M3 многоязычная, однако карточка этой версии указывает специализированное применение к турецким юридическим текстам. Лицензия в предоставленных данных не указана.

Карточка модели psikosen/canopy-258m-r3-v6 на Hugging Face совпадает с карточкой psikosen/canopy-258m-r3, поэтому описание составлено по ней. Canopy-258M-R3 — компактная языковая модель для генерации текста и управления браузерными агентами. Автор карточки описывает её как рекуррентную MoE-модель с координацией нескольких браузерных движков и агентным взаимодействием. В метаданных указаны архитектура CanopyForCausalLM, 136,8 млн параметров, библиотека Transformers и формат safetensors; README приводит другую оценку размера — около 258,56 млн параметров, поэтому точный размер по источникам расходится. Модель предназначена для автоматизации веб-навигации: сбора ссылок и структуры страниц, взаимодействия с формами, работы с защищёнными сайтами и координации нескольких агентов. README описывает использование Lightpanda, Obscura и Chromium, но эти браузерные движки и их заявленные характеристики относятся к экосистеме исполнения, а не подтверждают сами по себе возможности весов модели. Карточка также заявляет рекуррентную архитектуру и активные параметры на токен, однако такие сведения присутствуют только в README. Модель принимает и генерирует текст; в карточке указан английский язык. Лицензия — Apache-2.0. Ограничения качества, результаты независимой оценки и требования к ресурсам модели в предоставленных материалах не описаны.

CLIP-fa-text — текстовый энкодер персидской версии CLIP, созданной разработчиком Sajjad Ayoubi. Модель дообучена на 400 тысячах пар «изображение — текст»; в качестве текстового энкодера использована RoBERTa-fa Фарахани. Архитектура — RoBERTa, около 145,5 млн параметров, контекст — 514 токенов. Репозиторий содержит веса PyTorch. Модель преобразует персидский текст в векторы размерности 768, сопоставимые с векторами изображений, получаемыми парным визуальным энкодером CLIP-fa. Это позволяет искать изображения по персидскому запросу и находить текстовые описания, близкие к изображению, в системах поиска и сопоставления мультимодальных данных. В карточке показан текстовый компонент; сам он принимает текст и выдаёт векторные признаки. Разработчик отмечает, что для обучения использовано меньше пар, чем для исходного CLIP, поэтому качество зависит от задачи и набора изображений. Лицензия в предоставленных сведениях не указана.

CLIP-FlanT5-XXL (VQAScore) — зрительно-языковая генеративная модель, разработанная Чжицю Линем и соавторами на основе дообучения google/flan-t5-xxl. Модель предназначена для задач сопоставления изображений и текста и извлечения релевантных соответствий между ними. Она использует архитектуру T5 и содержит 5,8 млрд параметров. Модель принимает изображение и текст для оценки их соответствия и выдаёт текстовый результат, пригодный для ранжирования или поиска по релевантности. В карточке Hugging Face указана задача text-generation; лицензия — Apache-2.0. Карточка не содержит дополнительных сведений о длине контекста или специальных ограничениях применения.

CLM-Qwen3.5-2B — модель на основе Contrastive Language Models, разработанная Jayavibhav с использованием метода CLM, созданного Jacky Kwok, Hangoo Kang, Tarun Suresh, Jon Saad-Falcon, Marco Pavone, Christopher Ré и Azalia Mirhoseini. Это дообучение Qwen3.5-2B: замороженный языковой энкодер с двумя небольшими проекционными головами для представления состояния и ответа. Модель кодирует контекст и кандидаты в общем векторном пространстве, оценивает варианты по косинусному сходству и выдаёт относительное распределение вероятностей. Для повторно используемых вариантов можно кэшировать их представления. Модель предназначена для ранжирования вариантов ответа, классификации документов и типизированных решений по длинным текстовым контекстам. Она принимает состояния длиной до 131 тыс. токенов и обучена на английских данных, включая синтетические документы более чем 200 типов и задачи решений из нескольких прикладных областей. По заявлению авторов, модель превосходит CLM-v0.1-8B в тесте классификации документов, но уступает Jev на 4,6 процентного пункта; результаты на синтетических документах могут отличаться от результатов на реальных файлах. Для новых рабочих процессов решений качество без дополнительной настройки низкое: для таких задач авторы рекомендуют подгонку голов на нескольких сотнях примеров. Модель оценивает только переданный набор кандидатов, поэтому вероятности относительны к нему; головы также требуют эмбеддингов последнего токена Qwen3.5-2B в заданном формате. Веса распространяются по лицензии Apache 2.0.

Модель разработана Карлом Вайнмайстером и представляет собой DistilBERT, дообученный на наборе данных facebook/anli для задач понимания английского текста. Она поддерживает классификацию текста и оценку сходства предложений; архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. Модель подходит для сравнения текстовых фрагментов и классификационных сценариев на английском языке. Распространяется по лицензии Apache-2.0.

Sahajtomar/German-semantic — модель семейства BERT на базе Sentence Transformers, предназначенная для сравнения смысловой близости предложений на немецком языке. README приводит результаты на немецком наборе STS: 87,9% на dev и 84,3% на test. Модель преобразует предложения в плотные векторные представления, которые подходят для вычисления семантического сходства и поиска похожих фраз. В метаданных указаны форматы PyTorch и поддержка задач sentence-similarity и feature-extraction. Лицензия в предоставленных данных не указана.

Granite 3.1 8B Instruct - Intrinsics LoRA v0.1 — адаптер LoRA от IBM Research для языковой модели ibm-granite/granite-3.1-8b-instruct. Он сохраняет её возможности и добавляет три режима: оценку уверенности в ответе, проверку поддержки ответа документами и бинарное выявление небезопасных запросов. Режимы вызываются через специальные роли в шаблоне чата и возвращают короткую оценку: целое число от 0 до 9, Y или N. Модель относится к семейству Granite, имеет плотную архитектуру GraniteForCausalLM и содержит 8,2 млрд параметров; базовая модель поддерживает контекст до 131 072 токенов. Адаптер предназначен для сценариев с текстовыми вопросами, ответами и документами, включая проверку ответов в RAG-системах. Карточка указывает английский язык. Лицензия — Apache 2.0. Это экспериментальная версия для тестирования новых возможностей Granite; разработчик не рекомендует использовать её в реальных развертываниях. Оценка уверенности не гарантирует точность для конкретного ответа, а выявление галлюцинаций и небезопасных запросов основано на бинарной классификации и может ошибаться.

HTML-Pruner-Llama-1B — модель команды HtmlRAG для отбора релевантных блоков в HTML-документах, используемых как источник знаний в RAG-системах. Она построена на Llama-3.2-1B и дообучена для второго этапа двухэтапного метода pruning: после очистки HTML и оценки блоков по эмбеддингам модель генерирует пути к блокам, которые следует сохранить. Модель предназначена для сокращения длинных HTML-страниц перед передачей контекста генеративной модели, сохраняя полезные для ответа сведения. Это помогает использовать структуру HTML при поиске и ответах на вопросы по веб-источникам. Архитектура — плотная LlamaForCausalLM с 1,2 млрд параметров; заявленная длина контекста — 131072 токена. В метаданных указан английский язык. Модель распространяется в формате safetensors под лицензией Apache-2.0. Модель рассчитана на специализированный этап обработки HTML в HtmlRAG, а не на универсальную генерацию ответов. Для полного двухэтапного pruning нужны также очистка HTML и модель эмбеддингов; качество зависит от структуры документа и последующей генеративной модели.

litil-embed-0.6b — текстовая модель эмбеддингов для поиска по юридическим документам, разработанная litillabs на основе Octen/Octen-Embedding-0.6B. Модель дообучена на юридических данных для поиска, использует дистилляцию от Octen-Embedding-8B и объединённый с базовой моделью LoRA-адаптер. Архитектура — плотная Qwen3, размер — 507,6 млн параметров; контекст — до 32 768 токенов, размерность выходных эмбеддингов — 1024. Модель рассчитана на английский, немецкий и китайский языки и совместима с базовой моделью по архитектуре, токенизатору и промптам. Модель предназначена для семантического поиска и извлечения релевантных положений из юридических документов, включая поиск соответствующих клауз по вопросам. В оценке MTEB(Law, v1) результаты различаются по наборам данных: есть улучшение на немецком юридическом поиске, тогда как на AILACasedocs результат ниже базовой модели. Лицензия — Apache 2.0.