I.1Поиск и навигация по информации

muflihimaduddin/sbert-finetuned-oe — дообученная модель Sentence Transformers на основе sentence-transformers/all-distilroberta-v1, разработанная автором репозитория. Она преобразует предложения и короткие абзацы в нормализованные плотные векторы размерностью 768, пригодные для семантического поиска, извлечения релевантных фрагментов и сравнения текстов по косинусному сходству. Архитектура включает RoBERTa, усредняющий pooling и нормализацию; модель принимает текст и имеет максимальную длину последовательности 512 токенов. Обучение проводилось на 6 798 парах предложений с оценками сходства с использованием CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

SearchSwarm-30B-A3B — дообученная модель класса Qwen3 MoE от SearchSwarm для многошагового агентного исследования информации. Она предназначена для сложных исследовательских запросов: модель разбивает задачу на подзадачи, делегирует их субагентам, проверяет полученные результаты и составляет отчёт с опорой на источники. Субагенты работают в отдельных контекстах и возвращают компактные сводки, помогая основному агенту управлять конечным контекстом. Модель использует архитектуру Qwen3 MoE, содержит 2,4 млрд параметров и поддерживает контекст до 131 072 токенов. Она дообучена на базе Alibaba-NLP/Tongyi-DeepResearch-30B-A3B; доступна в формате safetensors для Transformers. В карточке приведены результаты на BrowseComp и BrowseComp-ZH, но они сами по себе не гарантируют качество в других сценариях. Лицензия — MIT.

embaas/sentence-transformers-gte-large — модель эмбеддингов предложений и абзацев, опубликованная embaas. Она преобразует текст в плотные векторы размерностью 1024, предназначенные для поиска по смыслу, сравнения текстов и кластеризации. Модель построена на архитектуре BERT и содержит около 433,9 млн параметров; максимальная длина контекста — 512 токенов. Модель подходит для создания векторного поиска и группировки семантически близких предложений или документов. Её можно использовать через библиотеку Sentence-Transformers; в репозитории указаны веса PyTorch. README не сообщает целевые языки или результаты бенчмарков. Условия лицензии в предоставленных данных не указаны.

Muennighoff/SGPT-125M-weightedmean-msmarco-specb-bitfit — модель эмбеддингов предложений на архитектуре GPT-Neo с 137,7 млн параметров и контекстом до 2048 токенов. Она обучена для вычисления смыслового сходства текстов: README указывает на обучение с MultipleNegativesRankingLoss и косинусной мерой сходства, а имя модели указывает на данные MS MARCO и вариант bitfit. Модель предназначена для получения векторных представлений предложений и сравнения запросов с текстами, например при семантическом поиске и ранжировании кандидатов по релевантности. Модель разработана Muennighoff и распространяется в формате PyTorch. Карточка отсылает за инструкциями по использованию и результатами оценки к исходному коду, папке eval и статье. Лицензия в предоставленных сведениях не указана.

bigscience/sgpt-bloom-7b1-msmarco — модель эмбеддингов предложений на архитектуре BLOOM, дообученная с BitFit и обучаемая с weighted-mean pooling и GradCache. Она предназначена для поиска семантически близких текстов и ранжирования результатов по сходству; в карточке приведены результаты оценки на наборах MTEB, включая SciFact, Quora и TREC-COVID. Модель принимает текст и формирует векторные представления для сравнения предложений и документов. Максимальная длина контекста — 2048 токенов. Веса доступны в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Карточка модели Aksml123/snowflake-arctic-embed-l-v2.0 на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-l-v2.0, поэтому описание составлено по ней. Snowflake Arctic Embed L v2.0 — мультиязычная модель эмбеддингов от Snowflake для семантического поиска и извлечения релевантных текстов. Она основана на архитектуре XLM-RoBERTa и использует представление текста в виде векторов; в метаданных указано 658,7 млн параметров, а контекст составляет до 8194 токенов. Модель принимает текст и выдаёт эмбеддинги, предназначенные для сравнения запросов и документов по смысловой близости. Модель рассчитана на поиск на английском и многих других языках, включая арабский, бенгальский, немецкий, испанский, французский, хинди, японский и корейский. README сообщает о поддержке векторов размерностью 1024 и Matryoshka Representation Learning для сокращения до 256 измерений; вместе с 4-битным квантованием это позволяет хранить вектор примерно в 128 байтах. Указаны результаты оценки на наборах BEIR, MIRACL и CLEF, а также возможность использовать модель как замену BAAI/bge-m3-retromae в системах вывода. Лицензия Apache 2.0 допускает свободное использование в том числе в коммерческих приложениях. Модель предназначена для многоязычного семантического поиска, извлечения документов и построения систем поиска с векторным индексом. Сокращение и квантование эмбеддингов снижают требования к хранению, но могут уменьшить качество поиска; README отмечает небольшое снижение показателей при сокращении размерности до 256. Русский язык не указан среди языков карточки и метаданных, поэтому его поддержку нельзя подтвердить.

Карточка модели RedHatAI/snowflake-arctic-embed-l-v2.0 на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-l-v2.0, поэтому описание составлено по ней. Snowflake Arctic Embed L v2.0 — мультиязычная модель эмбеддингов от Snowflake для семантического поиска и извлечения релевантных текстов. Она основана на архитектуре XLM-RoBERTa и использует представление текста в виде векторов; в метаданных указано 658,7 млн параметров, а контекст составляет до 8194 токенов. Модель принимает текст и выдаёт эмбеддинги, предназначенные для сравнения запросов и документов по смысловой близости. Модель рассчитана на поиск на английском и многих других языках, включая арабский, бенгальский, немецкий, испанский, французский, хинди, японский и корейский. README сообщает о поддержке векторов размерностью 1024 и Matryoshka Representation Learning для сокращения до 256 измерений; вместе с 4-битным квантованием это позволяет хранить вектор примерно в 128 байтах. Указаны результаты оценки на наборах BEIR, MIRACL и CLEF, а также возможность использовать модель как замену BAAI/bge-m3-retromae в системах вывода. Лицензия Apache 2.0 допускает свободное использование в том числе в коммерческих приложениях. Модель предназначена для многоязычного семантического поиска, извлечения документов и построения систем поиска с векторным индексом. Сокращение и квантование эмбеддингов снижают требования к хранению, но могут уменьшить качество поиска; README отмечает небольшое снижение показателей при сокращении размерности до 256. Русский язык не указан среди языков карточки и метаданных, поэтому его поддержку нельзя подтвердить.

Snowflake Arctic Embed L v2.0 — мультиязычная модель эмбеддингов от Snowflake для семантического поиска и извлечения релевантных текстов. Она основана на архитектуре XLM-RoBERTa и использует представление текста в виде векторов; в метаданных указано 658,7 млн параметров, а контекст составляет до 8194 токенов. Модель принимает текст и выдаёт эмбеддинги, предназначенные для сравнения запросов и документов по смысловой близости. Модель рассчитана на поиск на английском и многих других языках, включая арабский, бенгальский, немецкий, испанский, французский, хинди, японский и корейский. README сообщает о поддержке векторов размерностью 1024 и Matryoshka Representation Learning для сокращения до 256 измерений; вместе с 4-битным квантованием это позволяет хранить вектор примерно в 128 байтах. Указаны результаты оценки на наборах BEIR, MIRACL и CLEF, а также возможность использовать модель как замену BAAI/bge-m3-retromae в системах вывода. Лицензия Apache 2.0 допускает свободное использование в том числе в коммерческих приложениях. Модель предназначена для многоязычного семантического поиска, извлечения документов и построения систем поиска с векторным индексом. Сокращение и квантование эмбеддингов снижают требования к хранению, но могут уменьшить качество поиска; README отмечает небольшое снижение показателей при сокращении размерности до 256. Русский язык не указан среди языков карточки и метаданных, поэтому его поддержку нельзя подтвердить.

Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

Карточка модели masked-kunsiquat/snowflake-arctic-embed-xs-2 на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-xs, поэтому описание составлено по ней. Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

SPLADE-BERT-Medium — разреженный энкодер для поиска, созданный yosefw дообучением prajjwal1/bert-medium с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство между ними оценивается скалярным произведением. Архитектура включает BertForMaskedLM и слой SpladePooling с max-пулингом и ReLU. Модель рассчитана на английский язык, принимает последовательности длиной до 512 токенов и поддерживает поиск по смыслу и разреженное извлечение документов. Модель подходит для сопоставления запросов с релевантными документами и ранжирования результатов в поисковых системах. В README приведены метрики dot_accuracy@1/3/5 на оценочном наборе, однако сведения о названии и составе этого набора ограничены. Лицензия — MIT.

SPLADE CoCondenser EnsembleDistil — разреженный энкодер для поиска по предложениям и абзацам. Модель основана на Luyu/co-condenser-marco и использует архитектуру BERT с MLM-энкодером и max-пулингом SPLADE. Она преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель предназначена для семантического поиска и разреженного поиска passage-ов, включая расширение запросов и документов. Для MS MARCO dev в карточке приведены MRR@10 38,3 и R@1000 98,3. Максимальная длина последовательности — 512 токенов, а при воспроизведении оценки использовалось ограничение 256 токенов. Метаданные указывают английский язык и библиотеку Sentence Transformers. Модель содержит 136,7 млн параметров и распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты приведены для MS MARCO; качество на других коллекциях может отличаться.

Это англоязычный разреженный энкодер SPLADE, разработанный tomaarsen и дообученный на базе Luyu/co-condenser-marco с использованием Sentence Transformers и данных MS MARCO. Модель преобразует предложения и абзацы в разреженные векторы размерностью 30 522, пригодные для поиска и ранжирования текстов по скалярному произведению. Архитектура включает BERT с MLM-головой и пулинг SPLADE; максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и разреженного извлечения документов, например поиска ответов по запросам в коллекции текстов. В карточке приведены результаты оценивания на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Поддерживается английский язык. Лицензия — Apache-2.0.

Splade++ SelfDistil — разреженный текстовый энкодер, разработанный на базе naver/splade-cocondenser-selfdistil и дообученный на данных MS MARCO с использованием Sentence Transformers. Модель преобразует запросы и документы в разреженные векторы размерностью 30 522; сходство между ними оценивается скалярным произведением. Архитектура состоит из трансформера BERT с masked language modeling и слоя SPLADE pooling с max-пулингом и ReLU. Модель предназначена для семантического поиска и разреженного извлечения документов или пассажей, в том числе в поисковых системах, работающих с парами запрос–документ. Максимальная длина последовательности — 512 токенов. В README указана поддержка английского языка. Опубликованные оценки на небольших наборах NanoMSMARCO, NanoNFCorpus и NanoNQ демонстрируют качество извлечения, но не гарантируют аналогичных результатов на других данных. Лицензия — Apache-2.0.

SPLADE-v2-distil — разреженный энкодер для поиска по предложениям и абзацам, представленный в карточке модели Naver. Он преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBERT с MLM и max-пулингом SPLADE. Максимальная длина входа — 512 токенов, а для воспроизведения оценки в карточке указано ограничение 256 токенов. Модель предназначена для семантического поиска, разреженного поиска и извлечения релевантных фрагментов, включая поиск пассажей. Подходит для кодирования запросов и документов в поисковой системе, поддерживающей sparse-векторы. В метаданных указаны английский язык и датасет MS MARCO. Распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространяет ограничения на коммерческое использование и производные работы на тех же условиях.

SPLADEv2max — разработанная Naver разреженная модель-энкодер для поиска по предложениям и абзацам. Она кодирует текст в разреженный вектор размерности 30 522 и предназначена для семантического поиска и извлечения passages; оценки релевантности вычисляются скалярным произведением векторов. Модель основана на distilbert/distilbert-base-uncased и использует masked language modeling с max-pooling и ReLU. Максимальная длина входа — 512 токенов; для воспроизведения оценки используется длина 256 токенов. Поддерживаемый язык — английский. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

SPLADE-v3-DistilBERT — разреженный энкодер для семантического поиска и извлечения документов, опубликованный Naver. Модель кодирует предложения и абзацы в разреженные векторы размерностью 30 522; релевантность оценивается скалярным произведением. Архитектура основана на DistilBERT с маскированной языковой моделью и max-пулингом SPLADE. Максимальная длина последовательности — 512 токенов; в режиме воспроизведения оценки используется 256. Модель предназначена для построения поисковых систем и ранжирования документов по запросу. В карточке приведены результаты на MS MARCO dev (MRR@10 38,7) и BEIR-13 (средний nDCG@10 50,0). Поддерживается английский язык. Доступна по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

Карточка модели lgbird/stella_1.5B_custom на Hugging Face совпадает с карточкой delwinn/stella_en_1.5B_v5, поэтому описание составлено по ней. delwinn/stella_en_1.5B_v5 — англоязычная модель эмбеддингов, разработанная на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных текстов по запросу и оценки семантического сходства. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и выдаёт текстовые векторы; поддерживает представления размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения. Для большинства задач предусмотрены варианты промптов s2p и s2s; обычно автор рекомендует размерность 1024. Модель обучена с использованием MRL и доступна в формате PyTorch/SafeTensors. Хотя нативный контекст составляет 131072 токена, автор рекомендует ограничивать последовательности 512 токенами: модель обучалась на такой длине и, по описанию, хуже справляется с поиском по специализированным длинным текстам. Детали обучения и использованные наборы данных в README не раскрыты. Лицензия — MIT.

stella-base-en-v2 — англоязычная модель-кодировщик текста семейства Stella, предназначенная для получения векторных представлений предложений и документов. В репозитории указаны архитектура BERT, размер 136,7 млн параметров и максимальная длина последовательности 512 токенов; модель выдаёт эмбеддинги размерности 768. Модель обучена для сравнения семантической близости и поиска по тексту, включая задачи извлечения релевантных фрагментов. Для поиска не требуется добавлять к запросам или документам специальные префиксы. В описании семейства упомянуты контрастивное обучение, трудные отрицательные примеры и дистилляция для удаления инструкционных префиксов; конкретные результаты приведены для английского набора MTEB. README указывает открытые датасеты и обучение на общих корпусах, но не называет разработчика по имени. Лицензия репозитория — MIT. Ограничение контекста в 512 токенов может мешать кодированию длинных документов; заявленная языковая специализация этой версии — английский.

Stella en 1.5B v5 — англоязычная модель эмбеддингов от krytonguard, основанная на Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных фрагментов по запросу и оценки семантического сходства текстов; поддерживает Sentence Transformers и Transformers. Архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров. Для разных сценариев предусмотрены инструкции s2p для поиска по запросу и s2s для сравнения текстов. Модель обучена с использованием MRL и предоставляет векторы размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения; авторы считают 1024 измерения достаточными для большинства задач. Хотя метаданные указывают контекст до 131072 токенов, README рекомендует длину последовательности 512 токенов: модель обучалась на такой длине, а на специализированном поиске по длинным текстам показывает слабые результаты. Лицензия — MIT. Подробности обучения и использованные датасеты пока не опубликованы.

tevatron-elastic-modernbert-retriever-mrl — модель-ретривер на базе ModernBERT-base, обученная командой Tevatron-Elastic для поиска релевантных текстов. Она использует архитектуру ModernBERT encoder-only и формирует векторные представления запросов и документов; благодаря Matryoshka Representation Learning один чекпойнт поддерживает несколько размерностей эмбеддингов, которые выбираются через `prune_to` или `encode_at`. Модель предназначена для информационного поиска, включая семантический поиск и извлечение документов по запросу. В обучении использовались данные rlhn/rlhn-680K, максимальная длина последовательности составляла 512 токенов, а запросы и документы получали префиксы `query:` и `passage:`. Для полного режима в README сообщается результат 0,463 nDCG@10 на BEIR-15; релиз представлен как ресурс для воспроизводимости, а не как заявление о превосходстве над другими моделями. Размер модели — 149 млн параметров, контекст — до 8192 токенов. Лицензия — Apache-2.0. Базовая ModernBERT-base ориентирована на английский язык.

tevatron-elastic-modernbert-retriever-plain — плотный ретривер, дообученный Utah NLP на базе answerdotai/ModernBERT-base с помощью Tevatron-Elastic. Модель кодирует запросы и документы в представления для информационного поиска; при обучении использовались префиксы query: и passage: и данные rlhn/rlhn-680K. Это базовая полноразмерная точка из набора чекпойнтов Tevatron-Elastic, рассчитанного на настройку рабочих точек по глубине, ширине и сжатию токенов. Для полной конфигурации авторы сообщают nDCG@10 0,476 на BEIR-15. Модель имеет 149 млн параметров и контекст до 8192 токенов; для загрузки и выбора конфигурации требуется фреймворк Tevatron-Elastic. Лицензия — Apache-2.0.

tevatron-elastic-qwen3-0.6b-retriever-depth — плотная модель поиска документов на основе Qwen3-0.6B-Base, дообученная командой UtahNLP с помощью Tevatron-Elastic. Она кодирует запросы и фрагменты документов в представления для извлечения релевантных материалов; для различения входов используются префиксы query: и passage:. Модель содержит 507,9 млн параметров, имеет контекст до 32 768 токенов, а в обучении использовались последовательности длиной до 512 токенов и датасет rlhn/rlhn-680K. Это модель с эластичной настройкой глубины: один чекпойнт позволяет выбирать число используемых слоёв и балансировать скорость и качество через параметры prune_to и encode_at в Tevatron-Elastic. Для полной конфигурации авторы сообщают nDCG@10 0,518 на BEIR-15. Чекпойнт выпущен как ресурс для воспроизводимости исследования, а не как заявление о превосходстве над другими моделями. Лицензия — Apache-2.0.

topk-embed-v1-xsmall — компактная мультимодальная модель извлечения признаков с поздним взаимодействием, дообученная на базе Qwen/Qwen3.5-0.8B. Она предназначена для поиска по текстовым документам и изображениям страниц, например сканированных страниц, отчётов и слайдов, по текстовому запросу. Модель сохраняет несколько векторов для токенов текста или участков изображения и использует оценку MaxSim: сопоставляет каждый вектор запроса с наиболее похожим вектором документа и суммирует оценки. Репозиторий использует SentenceTransformers и формат safetensors; модель имеет размер 0,8 млрд параметров. В карточке приведены результаты поиска по восьми наборам ViDoRe v3, включая запросы на нескольких языках и поиск как по изображениям страниц, так и по соответствующему тексту Markdown. Метаданные указывают поддержку английского, русского, французского, нидерландского, немецкого, испанского, итальянского, португальского, датского, норвежского, шведского, китайского, японского и корейского языков. Лицензия — Apache-2.0. Для запуска через SentenceTransformers README требует CUDA GPU с поддержкой bfloat16 (Ampere или новее).

Карточка модели hyperalpha/transferzai-bge на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

ksg-dfci/TrialSpace-0526 — модель Sentence Transformer на базе архитектуры Qwen3, обученная на наборах mnri_dataset и contrastive_dataset. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерностью 1024, пригодные для поиска и сравнения по косинусному сходству. В метаданных указано 507,6 млн параметров и контекст до 32 768 токенов; карточка модели заявляет максимальную длину последовательности 2500 токенов. Модель предназначена для извлечения признаков и семантического поиска по тексту. Её можно применять для векторизации документов и запросов, поиска релевантных фрагментов и оценки сходства предложений. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Yigit-Karaman/turkish_focused-multilingual-e5-small — дообученная модель эмбеддингов на основе intfloat/multilingual-e5-small. Разработчик адаптировал её с помощью LoRA к поиску на турецком языке и межъязыковому сопоставлению, сохранив возможности базовой модели для поиска научных и фактологических текстов на английском языке. Адаптер объединён с базовыми весами, поэтому модель можно использовать через sentence-transformers без отдельного подключения PEFT. Модель построена на архитектуре BERT, содержит 124,3 млн параметров и обрабатывает текст с контекстом до 512 токенов. Она предназначена для получения эмбеддингов, семантического поиска и сравнения предложений; карточка также сообщает об оценке на 11 задачах MTEB и приводит результаты для части из них. В обучении использовались англоязычные и турецкоязычные пары, включая общие QA-данные и специализированные данные для поиска. Лицензия в предоставленных сведениях не приведена.

Карточка модели ramprasad571/U4_MH2_RAM на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

uzbek-e5-small — компактная модель для создания текстовых эмбеддингов, разработанная Sukhrob Nurali на основе intfloat/multilingual-e5-small и дообученная для семантического поиска и извлечения текстов на узбекском языке. Архитектура — BERT, около 124,3 млн параметров; модель создаёт 384-мерные нормализованные векторы и поддерживает контекст до 512 токенов. Для поиска рекомендуется добавлять к запросам префикс «query: », а к документам — «passage: »; для сравнения предложений использовать «query: » с обеих сторон. Модель предназначена для поиска по узбекским документам, в том числе для RAG, сравнения предложений, кластеризации и межъязыкового поиска между узбекским и английским. На тесте Wiki Retrieval Eval показаны Recall@1 0,9914 и Recall@10 0,9972; на FLORES+ devtest средняя точность сопоставления параллельных узбекско-английских предложений составила 0,9876. Нормализованные векторы можно сравнивать по косинусной близости или скалярному произведению. Модель распространяется по лицензии MIT. Редкие тематики и диалекты представлены слабее; часть параллельных данных может содержать шум машинного перевода. Качество для узбекской кириллицы проверено менее тщательно, а монолингвальная оценка основана на подборе заголовка к абзацу, а не на специально составленных пользовательских запросах.

vectorizer.hazelnut — модель-векторизатор компании Sinequa для поиска релевантных фрагментов текста. Она кодирует запросы и passages в векторы размерностью 256: векторы документов сохраняются в векторном индексе, а вектор запроса используется для поиска подходящих фрагментов. Модель основана на mMiniLMv2-L6-H384-distilled-from-XLMR-Large и использует архитектуру XLM-RoBERTa; в метаданных указано 110,2 млн параметров, а в карточке — 107 млн. Контекст составляет до 514 токенов. Модель обучалась и проверялась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском и польском языках. Она нечувствительна к регистру и диакритическим знакам. Карточка приводит показатели Recall@100 для нескольких наборов поиска, включая среднее 0,590 для английских данных BEIR и 0,543 для польских данных; результаты зависят от языка и набора данных. Также заявлена базовая поддержка других языков предобучения XLM-R. Для работы указаны Sinequa версии 11.10.0 или новее и CUDA с compute capability выше 7.5. Лицензия в предоставленных данных не описана.