I.1Поиск и навигация по информации

fesalfayed/gpt-oss-20b-hermes_agent-tool-finetune_gguf — дообученная версия модели OpenAI gpt-oss-20b, подготовленная Fesal Fayed для локального агентского фреймворка Hermes-Agent. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, Ollama, LM Studio и koboldcpp. Основной сценарий использования — локальные агенты, которым необходимы надёжные вызовы инструментов, function calling, корректная генерация JSON, выполнение многошаговых циклов «инструмент — наблюдение — план» и соблюдение системных инструкций. Это Mixture-of-Experts-модель примерно на 21 млрд параметров, из которых активно используется около 3,6 млрд. Сохранены шаблон чата Harmony и настройка reasoning effort. Доступны варианты квантования Q3_K_M, Q4_K_M, Q5_K_M, Q8_0 и F16; рекомендуемый баланс размера и качества — Q4_K_M, около 12,5 ГБ. Модель оптимизирована именно для агентских циклов, а её возможности математического и программного кодирования не менялись относительно базовой модели. Она может слишком часто вызывать инструменты при неоднозначных инструкциях, рассчитана преимущественно на английский язык и не проходила дополнительную настройку безопасности сверх базовой модели. Указанный контекст обучения составляет 8192 токена. Лицензия Apache-2.0, дополнительных ограничений не заявлено.

Jan-v2-VL-med-gguf — мультимодальная vision-language модель примерно на 8 млрд параметров, разработанная Jan. Модель предназначена для многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Она ориентирована на агентную автоматизацию и управление интерфейсами с опорой на скриншоты и вызовы инструментов, когда план или необходимые знания заданы заранее, а результат зависит от стабильного выполнения длинной последовательности действий. Модель объединяет языковое рассуждение и визуальное восприятие, поддерживает текстовые и визуальные входы и заявлена для английского языка. Вариант med обеспечивает баланс между качеством и задержкой среди вариантов Jan-v2-VL-low, med и high. Модель разработана для поддержания промежуточного состояния, выполнения инструкций с минимальным отклонением и восстановления после небольших ошибок. README не указывает точный размер контекста и специфические ограничения по поддерживаемым форматам изображений. По заявлению разработчиков, Jan-v2-VL не уступает базовой Qwen-3-VL-8B-Thinking на стандартных текстовых и визуальных задачах и превосходит её на некоторых оценках, обеспечивая более сильное выполнение длинных цепочек действий. Для локального запуска предусмотрена интеграция с Jan App, а также поддержка llama.cpp и vLLM; GGUF-вариант рассчитан на использование с llama.cpp. Модель распространяется по лицензии Apache 2.0.

KBevo-Qwen3-1.7B-SFT — контрольная точка модели Qwen3-1.7B, дообученная командой kilian-group методом supervised fine-tuning для подхода KBevo. Модель предназначена для многошаговых вопросов по текстовым фрагментам: сначала она извлекает из них компактную структурированную базу знаний в виде троек «сущность — отношение — значение», затем выполняет типизированные запросы к этой базе и формирует ответ на основе найденных фактов. Обе фазы используют общие веса. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров и имеет контекстное окно 40 960 токенов. Для двухфазного выполнения предусмотрена эталонная реализация KBevo; этот SFT-чекпойнт также служит начальной точкой для варианта KBevo-Qwen3-1.7B-GRPO. В README приведены результаты на HotpotQA, MuSiQue, 2WikiMultiHopQA и PopQA; отдельная оценка качества для иных сценариев не заявлена. Модель принимает текст и генерирует текст. В карточке указан английский язык. Лицензия — Apache-2.0. Она рассчитана на запуск и оценку политики построения базы знаний и рассуждений KBevo, воспроизведение результатов и дальнейшее дообучение; для двухфазного сценария следует использовать код проекта KBevo.

KPF-BERT-NER — Корейская модель распознавания именованных сущностей, разработанная Корейским фондом прессы на основе KPF-BERT. Она добавляет классификационный слой к BERT и размечает токены в текстах, относя их к 150 классам сущностей; для разметки используется схема BIO. Модель предназначена для извлечения имен людей, организаций, мест, времени и других сущностей из текстов, в частности из новостных статей, и применялась в функции анализа сущностей сервиса BigKinds Lab Inside. Модель построена на архитектуре BERT, содержит 141,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Она принимает текст и выдаёт метки токенов. Обучение описано на корейском газетном корпусе Национального института корейского языка; базовый KPF-BERT специализируется на газетных текстах и материалах СМИ. README направляет за примерами использования и кодом в репозиторий KPF-bigkinds. Лицензия в доступных данных не указана.

LanguageBind_Video_FT — полностью дообученный видеоэнкодер проекта LanguageBind, разработанного авторами одноимённой работы, принятой на ICLR 2024. Он связывает видео с языковым семантическим пространством и предназначен для сопоставления видеоданных с текстовыми описаниями, в том числе для классификации видео по текстовым меткам без отдельного обучения классификатора. В карточке Hugging Face задача модели обозначена как zero-shot image classification. Модель использует архитектуру LanguageBindVideo на базе CLIPModel и распространяется в формате PyTorch. README рекомендует полностью дообученную версию как более сильную по сравнению с LoRA-вариантом LanguageBind_Video. Подход LanguageBind выравнивает модальности через язык; в этом репозитории описаны видео- и мультимодальные сценарии, однако данный чекпойнт предназначен для видео. Лицензия — MIT. Модель подходит для поиска видео по текстовым запросам и для классификации видео на основе текстовых описаний. В предоставленных материалах нет сведений о размере модели, длине контекста или конкретных поддерживаемых языках, поэтому они не указаны. Качество зависит от соответствия текстовых меток и видеоматериала; README не приводит здесь количественных результатов именно для этого чекпойнта.

LanguageBind_Video_Huge_V1.5_FT — видеотекстовая модель проекта LanguageBind, разработанная авторами исследования LanguageBind, принятого на ICLR 2024. Это полностью дообученная версия видеокодировщика LanguageBind; суффикс Huge указывает на вариант увеличенного размера, но точное число параметров в предоставленных данных не приведено. Модель предназначена для сопоставления видеороликов с текстовыми описаниями и zero-shot классификации видео по заданным текстовым меткам. LanguageBind выравнивает представления видео и языка в общем семантическом пространстве, поэтому модель можно применять для поиска видео по тексту и оценки сходства видео с описаниями без отдельного обучения на каждом наборе классов. В основе проекта — обучение на видео- и текстовых данных VIDAL-10M; архитектура репозитория указана как CLIPModel. В карточке Hugging Face основная задача помечена как zero-shot-image-classification, однако README описывает именно видеотекстовое сопоставление. Поддерживаемая метаданными задача сохранена в классификации, а видео и текст отражены как фактические модальности из описания проекта. README не уточняет поддержку конкретных естественных языков. Модель распространяется по лицензии MIT. Указания о длине контекста и количественном размере этой версии в предоставленных данных отсутствуют.

Llama-3.1_OpenScholar-8B — дообученная University of Washington и Allen Institute for AI (AI2) авторегрессионная языковая модель на архитектуре Transformer для синтеза научной литературы. Модель обучена на наборе os-data; в обучающие данные также входят Tulu3 и SciRIFF. Модель основана на Meta-Llama-3.1-8B, содержит около 7,5 млрд параметров и принимает текст, выдавая текст. Для неё заявлено контекстное окно 131 072 токена. Основной язык — английский; данные научных публикаций основаны на peS2o v2 и охватывают статьи по январь 2023 года. Модель предназначена для обобщения и синтеза сведений из научной литературы. Карточка указывает лицензию llama3.1 в метаданных Hugging Face, тогда как README заявляет Apache 2.0 для кода и модели; эти сведения о лицензии расходятся, поэтому условия использования весов следует сверить с лицензией репозитория.

Marsilia-Embeddings-FR-Base — модель эмбеддингов на архитектуре XLM-RoBERTa, разработанная Sujet AI для поиска по финансовым текстам на французском языке. Она дообучена на 28 880 парах «вопрос — контекст» из Sujet-Financial-RAG-FR-Dataset и предназначена для построения векторных представлений предложений, семантического поиска и извлечения документов в RAG-системах. Модель содержит 305,2 млн параметров, принимает текст длиной до 514 токенов и выдаёт эмбеддинги размерности 768. Для сравнения представлений используется косинусное сходство. В карточке авторов заявлено, что на финансовых задачах модель превосходит некоторые закрытые модели эмбеддингов; оценка проводилась на тестовой части обучающего датасета. Модель распространяется по лицензии MIT. Она специально настроена на французские финансовые тексты, поэтому может хуже работать с другими языками и областями; результаты также зависят от смещений обучающих данных.

NAMAA-T5-Saudi2English — модель машинного перевода, разработанная NAMAA-Space для перевода саудовского разговорного арабского на английский. Она дообучена на базе T5 с инициализацией эмбеддингов mBERT и использует архитектуру T5 Encoder–Decoder с 183,7 млн параметров. Модель предназначена для перевода текстов на диалектах Наджд, Хиджаз, Южного, Северного и Восточного регионов Саудовской Аравии, включая сообщения в социальных сетях, разговорные выражения и местную лексику. В обучающем наборе около 120 тысяч пар предложений из разговорных, культурных, социальных и устных источников. В оценке на поддиалектах качество заметно различается: средний BLEU составил около 19,8, а отдельные группы показали низкие результаты. Модель принимает арабский текст и генерирует английский перевод. Для её использования применяются Transformers и веса Safetensors. Лицензия Apache-2.0.

Венгерская модель распознавания и классификации именованных сущностей, разработанная на основе SZTAKI-HLT/hubert-base-cc и дообученная на корпусе NerKor+CARS-ONPP. Она размечает текст по более чем 30 типам сущностей: людям, организациям и местам, а также датам, количествам, языкам, национальностям и другим категориям. Отдельные типы охватывают автомобили и другие транспортные средства, СМИ, награды и проекты. Модель построена на архитектуре BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; в README указан предел max_seq_length 448. Она предназначена для NER на венгерском языке, в том числе для извлечения сущностей из новостных текстов. Лицензия — GPL.

Модель new-clasification-manish разработана Манишем Неги (Isuremedia) для классификации новостных заголовков и статей на шесть категорий. Это дообученная DistilBERTForSequenceClassification на базе distilbert/distilbert-base-multilingual-cased; модель принимает текст на английском и хинди и поддерживает контекст до 512 токенов. В карточке указана точность 78% на тестовом наборе. Среди примеров категорий — политика, спорт и бизнес; источники обучающих данных включают новостные издания Индии и BBC Hindi. Модель распространяется по лицензии MIT.

Open-VLJEPA — обученный чекпойнт открытой переработки архитектуры VL-JEPA, разработанной Meta и описанной Chen et al. в 2026 году. Эта версия дообучена для поиска соответствий между видео и текстом на MSRVTT: она предназначена для извлечения видео по текстовому запросу и текста по видео. В тесте MSRVTT с пулом из 500 видео показатель T2V R@1 составил 23,9%, R@5 — 51,44%, R@10 — 65,05%. Чекпойнт обучался на данных MSRVTT после начального этапа на CC3M. Архитектура включает замороженный визуальный энкодер V-JEPA 2 ViT-L, предиктор на основе последних восьми слоёв Llama 3.2 1B и текстовый энкодер EmbeddingGemma 300M; проекции сводят представления в общее пространство размерности 1536. В репозитории сохранены обучаемые части модели, около 800 млн параметров; визуальный энкодер загружается отдельно из Hugging Face. Реализация обучалась на существенно меньших ресурсах, чем исходная работа, поэтому приведённые результаты ограничены конкретной настройкой и тестовым набором. Лицензия в метаданных указана как Llama 3.2.

PubMedNCL — англоязычная модель для получения векторных представлений научных биомедицинских публикаций. Она разработана на основе PubMedBERT, обученного на аннотациях и полных текстах из PubMed Central, и дообучена методом контрастивного обучения на соседствах цитирования, предложенным в SciNCL. Модель использует архитектуру BERT и содержит 136,7 млн параметров; максимальная длина контекста составляет 512 токенов. Модель предназначена для извлечения признаков из текстов биомедицинских статей, например для поиска и сравнения публикаций по их содержанию. Она принимает текст и выдаёт векторные представления. Данные указывают на специализацию в биомедицинской научной литературе на английском языке; другие языки не заявлены. Модель распространяется по лицензии MIT.

Raptarchis — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 256. Её можно применять для семантического поиска, сравнения текстов и кластеризации. В метаданных указан греческий язык и датасет greek_legal_code; модель содержит 140,1 млн параметров и поддерживает контекст до 512 токенов. Модель обучена с использованием CosineSimilarityLoss и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов оценки, поэтому качество на конкретных наборах данных по имеющимся сведениям оценить нельзя.

sapienzanlp/relik-retriever-e5-base-v2-aida-blink-encoder — веса компонента Retriever системы ReLiK, разработанной SapienzaNLP и дообученной на AIDA-CoNLL. Retriever ищет подходящие документы или сущности в коллекции и служит частью конвейера для связывания упоминаний с сущностями; для извлечения отношений в ReLiK предусмотрен отдельный компонент Reader. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает текст, формируя векторные представления. Контекст ограничен 512 токенами; в метаданных указан английский язык. Модель рассчитана на быстрый поиск для связывания сущностей и использования в задачах извлечения информации. В README приведено сравнение ReLiK Base с другими системами на AIDA и нескольких тестовых наборах, включая оценку скорости, однако результаты зависят от теста и оборудования. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Rogue-28B-MIX — корейско-английская мультимодальная диалоговая модель на архитектуре Qwen3.5 с 28 млрд параметров, опубликованная ginigen-ai. Она объединяет веса FINAL-Bench/Darwin-28B-KR и NewenAI/QuettaLLMs-27B-Koreasoner-V3, а затем дообучена методом SFT на корейских данных, включая медицинские, юридические, финансовые и исторические материалы. Модель предназначена для диалога, рассуждений и анализа изображений; поддерживает интерфейс вызова инструментов. Заявлен контекст 8K токенов с возможностью расширения, формат весов safetensors и точность bf16. Модель ориентирована прежде всего на корейский язык, также поддерживает английский. В опубликованной оценке на десяти корейских наборах данных результаты смешанные: она превосходит одну из исходных моделей по истории, но уступает по CLIcK и KMMLU Law; оценка проводилась на 100 вопросах с одним seed. Лицензия — Apache 2.0. README описывает обучение и тестирование, поэтому результаты не гарантируют качество в иных задачах и доменах.

DMetaSoul 的 sbert-chinese-general-v2 是基于 bert-base-chinese 的 BERT 模型，在百万ном наборе данных SimCLUE для семантического сходства обучена модель эмбеддингов предложений. Она предназначена для общего семантического сопоставления: преобразует текст в векторы, которые можно сравнивать для поиска похожих фраз и ранжирования кандидатов по смыслу. Модель содержит 129,5 млн параметров, принимает текст длиной до 512 токенов и доступна в формате PyTorch; использовать её можно через Sentence-Transformers или Transformers. В README приведены результаты оценки на наборах CSTS, AFQMC, LCQMC, BQCorpus, PAWS-X и Xiaobu; авторы сообщают об улучшении обобщения относительно предыдущей версии на нескольких задачах. Модель ориентирована на китайский язык, поэтому её пригодность для других языков не подтверждена. Лицензия в предоставленных сведениях не указана.

SenseNova-MARS-8B — мультимодальная модель для визуального рассуждения и поиска, разработанная SenseNova. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для вопросов по изображениям, требующих поиска внешних знаний и детального анализа. В описанной системе модель взаимодействует с инструментами текстового и визуального поиска, а также обрезки изображений, чтобы решать сложные задачи на визуальное понимание. Модель использует архитектуру Qwen3-VL и принимает текст и изображения, формируя текстовые ответы. В README заявлены обучение с подкреплением и алгоритм BN-GSPO; приведённые результаты относятся преимущественно к версии MARS-32B, поэтому их нельзя напрямую считать оценкой версии 8B. Модель выпущена под лицензией MIT.

google/siglip-base-patch16-256-multilingual — мультимодальная модель семейства SigLIP, разработанная Google и представленная в работе Zhai и соавторов. Это модель базового размера, предварительно обученная на наборе WebLI без фильтрации по языку; архитектура использует sigmoid loss для обучения на парах изображение–текст. Изображения обрабатываются при разрешении 256×256, а текст токенизируется с длиной до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, а также для поиска соответствий между изображениями и текстом. Она принимает изображения и текстовые запросы, сопоставляет их в общем мультимодальном пространстве и подходит для многоязычных сценариев. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Качество зависит от формулировки текстовых меток и охвата обучающих данных; модель не является универсальным генератором текста или изображений. Карточка не приводит конкретных ограничений по языкам или оценки качества для отдельных прикладных областей.

VideoTemp-o3 — модель Kwai-Keye для ответов на вопросы по видео с поиском временных фрагментов, наиболее относящихся к вопросу. Она выполняет итеративное временное заземление: находит релевантный участок видео, уточняет его и формирует ответ на основе визуальных свидетельств. Модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct и использует плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров; заявленный контекст составляет 128 000 токенов. Поддерживаемая задача по метаданным — video-text-to-text, язык карточки — английский. Модель предназначена для видеоаналитики и агентных сценариев, где ответ нужно связать с конкретными событиями или временными интервалами ролика. Репозиторий содержит веса Safetensors. Лицензия — MIT.

VietLegal-Harrier-0.6B — модель эмбеддингов предложений для поиска по вьетнамским юридическим текстам, разработанная и опубликованная mainguyen9. Она дообучена на базе microsoft/harrier-oss-v1-0.6b, использует архитектуру Qwen3 и содержит около 507,9 млн параметров. Модель преобразует текстовые запросы и документы в векторы размерностью 1024 для оценки семантического сходства; в README указана косинусная мера сходства. Модель предназначена для семантического поиска юридических документов и подбора релевантных фрагментов по запросу на вьетнамском языке. В README сообщается результат NDCG@10 0,7813 на тесте Zalo AI Legal Text Retrieval. Лицензия — Apache 2.0. Метаданные указывают контекст до 32 768 токенов, тогда как README задаёт максимальную длину последовательности 512 токенов; фактический предел при использовании Sentence Transformers следует сверять с конфигурацией модели. Описание оценки ограничено указанным бенчмарком и не гарантирует качество на других юридических корпусах или языках.

Vietnamese Legal Embedding — модель эмбеддингов текста, разработанная bqbbao6 на базе intfloat/multilingual-e5-base и дообученная для поиска по юридическим документам на вьетнамском языке. Она сопоставляет запросы с релевантными фрагментами законов и нормативных актов, чтобы находить материалы для ответа на правовые вопросы и использовать их в системах RAG. Модель построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Для поиска рекомендуется добавлять к запросам префикс «query: », а к фрагментам корпуса — «passage: ». Модель обучалась на 250 000 тройках запросов и фрагментов в разных областях вьетнамского права. README сообщает о результатах оценки на наборе GreenNode/zalo-ai-legal-text-retrieval-vn, где модель превзошла указанные базовую и вьетнамскую модели сравнения. Модель рассчитана на поиск по текстам на вьетнамском языке без предварительной сегментации слов; для пайплайнов с сегментацией автор предлагает отдельную версию. Результат — векторные представления, которые следует использовать для семантического поиска и ранжирования фрагментов. Лицензия в предоставленных сведениях не указана.

VN Law Embedding — модель текстовых эмбеддингов для поиска документов по юридическим вопросам на вьетнамском языке. Она разработана для сценариев Retrieval-Augmented Generation (RAG) и обучена на наборе вьетнамских юридических вопросов и соответствующих документов. Модель основана на XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Обучение с Matryoshka Loss позволяет сокращать размерность эмбеддингов для более быстрого сравнения запросов и документов. Модель предназначена для извлечения релевантных правовых материалов; её оценивали с помощью средства оценки информационного поиска. Репозиторий распространяется под лицензией Apache-2.0.

alimazhar-110/website_classification — дообученная модель DistilBERT для классификации текстов. Она предназначена для определения категории по тексту веб-сайта; набор категорий и обучающий датасет в карточке не раскрыты. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и имеет контекст до 512 токенов. В README приведены результаты оценки: accuracy 0,9504, F1 0,9489, precision 0,9510 и recall 0,9504. Эти показатели относятся к неизвестному набору данных, поэтому их нельзя напрямую переносить на другие сайты и категории. Модель основана на distilbert-base-uncased и распространяется по лицензии Apache-2.0.

WikiMedical_sent_biobert — модель эмбеддингов на архитектуре BERT, опубликованная Samuel Chaineau. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости медицинских текстов: модель предсказывает, относятся ли два текста к одной и той же странице Википедии о медицине. Её можно применять для семантического поиска и кластеризации медицинских материалов. Модель обучена на наборе WikiMedical_sentence_similarity с использованием CosineSimilarityLoss. В README указаны результаты оценки на тестовой части этого набора: корреляция Спирмена 0,87 и корреляция Пирсона 0,95 для косинусной близости. Контекст модели — до 512 токенов; параметры доступны в форматах PyTorch и safetensors. Модель рассчитана на медицинские тексты Википедии, поэтому её результаты на других медицинских источниках и темах общего назначения могут отличаться. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели tals/albert-base-vitaminc-fever на Hugging Face совпадает с карточкой tals/albert-xlarge-vitaminc-mnli, поэтому описание составлено по ней. tals/albert-xlarge-vitaminc-mnli — модель классификации последовательностей на архитектуре ALBERT. Она использована в работе «Get Your Vitamin C! Robust Fact Verification with Contrastive Evidence» (Schuster и соавторы, NAACL 2021) и предназначена для проверки утверждений с опорой на контекст и контрастные свидетельства. Модель можно применять для классификации пар «утверждение — свидетельство», например при проверке фактов и оценке того, поддерживает ли текст утверждение или противоречит ему. Максимальная длина контекста — 512 токенов; доступны веса PyTorch, Safetensors и TensorFlow. В карточке указаны наборы данных GLUE, MultiNLI и tals/vitaminc. Карточка не раскрывает точную схему меток и метрики качества, поэтому перед использованием в прикладной системе стоит проверить формат входа и выхода и оценить качество на целевых данных. При использовании модели авторы просят цитировать научную работу; лицензия в доступных данных не приведена.

tals/albert-xlarge-vitaminc-mnli — модель классификации последовательностей на архитектуре ALBERT. Она использована в работе «Get Your Vitamin C! Robust Fact Verification with Contrastive Evidence» (Schuster и соавторы, NAACL 2021) и предназначена для проверки утверждений с опорой на контекст и контрастные свидетельства. Модель можно применять для классификации пар «утверждение — свидетельство», например при проверке фактов и оценке того, поддерживает ли текст утверждение или противоречит ему. Максимальная длина контекста — 512 токенов; доступны веса PyTorch, Safetensors и TensorFlow. В карточке указаны наборы данных GLUE, MultiNLI и tals/vitaminc. Карточка не раскрывает точную схему меток и метрики качества, поэтому перед использованием в прикладной системе стоит проверить формат входа и выхода и оценить качество на целевых данных. При использовании модели авторы просят цитировать научную работу; лицензия в доступных данных не приведена.

allenai/aspire-biencoder-biomed-spec — BERT-биэнкодер от Allen Institute for AI для оценки сходства биомедицинских научных публикаций. Модель инициализирована энкодером SPECTER и дообучена на 1,2 млн пар совместно цитируемых биомедицинских статей в контрастивной постановке. На вход подаются заголовок и аннотация статьи, на выходе — один вектор документа, сформированный из представлений CLS по слоям энкодера. Модель предназначена для поиска похожих статей и информационного поиска по биомедицинским публикациям, в том числе для поиска релевантных аннотаций по запросу в виде научной аннотации. В README описана оценка на RELISH и TRECCOVID. В этой версии отсутствуют параметры scalar mix, которые использовались при обучении и важны для качества; для наиболее полного варианта авторы указывают отдельный архив aspire-biencoder-biomed-spec-full. Модель обучена преимущественно на биомедицинских данных, поэтому в других областях её качество может быть ниже. Контекст — до 512 токенов; лицензия Apache-2.0.

allenai/aspire-sentence-embedder — модель Allen Institute for AI для оценки сходства предложений и поиска научных документов. Она основана на SciBERT и кодирует предложение одним вектором, извлечённым из токена CLS. Модель содержит 137,1 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Модель обучена на 4,3 млн пар контекстных предложений, ссылающихся на одни и те же научные работы, с контрастивным обучением. Она предназначена прежде всего для поиска семантически близких предложений и информационного поиска по научным аннотациям; для ранжирования документов можно сравнивать предложения запросов и кандидатов. Около половины обучающих данных относятся к биомедицине, поэтому модель может лучше работать в этой области. Обучающие данные — на английском языке. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Дообучение может потребоваться для классификации или переноса на задачи и области за пределами научного текста.

az-legal-retrieval-xlm — модель эмбеддингов предложений, разработанная для поиска правовой информации в законодательстве Азербайджана. Она основана на XLM-RoBERTa-base и дообучена на более чем 780 тысячах пар «запрос—фрагмент документа» с трудными негативными примерами, отобранными через BM25 и ранжирование cross-encoder. В метаданных указано 305,2 млн параметров и контекст до 514 токенов. Модель кодирует запросы и фрагменты законодательства в векторы для семантического поиска и сопоставления по смыслу. Она предназначена для поиска по корпусу законодательства Азербайджана и может использоваться для построения юридической поисковой системы или retrieval-компонента RAG. В опубликованном тесте на 939 запросах и 262 тысячах законодательных фрагментов она показала MRR@10 0,381, на уровне BGE-m3; эти результаты относятся к описанному набору данных и тесту. Модель использует архитектуру XLM-RoBERTa и формат safetensors. Лицензия — Apache-2.0. Карточка описывает настройку под законодательство Азербайджана; результаты для других правовых корпусов и языков не приведены.