I.1Поиск и навигация по информации

Модель fesalfayed/gpt-oss-20b-hermes_agent-tool-finetune_16bit — дообученная версия OpenAI gpt-oss-20b для локального фреймворка Hermes-Agent. Это причинная языковая модель с архитектурой Mixture-of-Experts; в README базовая модель описана как модель на 21 млрд параметров с 3,6 млрд активных параметров, а метаданные каталога указывают 1,6 млрд параметров. Контекст составляет до 131 072 токенов по метаданным, хотя обучение этого чекпойнта проводилось на последовательностях длиной 8 192 токена. Модель предназначена для диалогов с инструментами: вызовов функций, следования многошаговым инструкциям и продолжительных циклов «вызов инструмента — наблюдение — планирование». Сохраняет шаблон чата Harmony и настройку уровня reasoning effort. Дообучение выполнено методом LoRA SFT на примерно 42 тысячах трасс использования инструментов, после чего адаптер объединён с базовыми весами; доступны веса BF16 в формате Safetensors, ориентированные на запуск через vLLM или Transformers. Основной язык — английский. По README, дообучение улучшает соблюдение формата вызовов и системных инструкций, но не направлено на улучшение математики или генерации кода; при расплывчатых запросах модель может избыточно вызывать инструменты. Дополнительная настройка безопасности не проводилась. Лицензия — Apache-2.0.

Granite 3.0 8B Instruct — Intrinsics LoRA v0.1 — экспериментальная модель IBM Research, созданная как дообученная LoRA-версия IBM Granite 3.0 8B Instruct. Представленная карточка содержит GGUF-сборки, сгенерированные с помощью llama.cpp. Модель сохраняет основные возможности исходной инструкционной модели и добавляет три специализированных режима: оценку уверенности, обнаружение галлюцинаций по документам и определение небезопасных запросов. Модель предназначена для исследовательских сценариев, в которых требуется оценивать надёжность ответа, проверять его соответствие предоставленным источникам или выявлять потенциально опасные пользовательские запросы. Режим оценки уверенности возвращает целое число от 0 до 9, соответствующее калиброванному уровню уверенности от 5% до 95%. Обнаружение галлюцинаций возвращает Y, если ответ не подтверждается документами, и N в противном случае. Проверка безопасности возвращает Y для небезопасного запроса и N для остальных. Каждый intrinsic рассчитан на выдачу одного токена. Это текстовая модель размером 8B, работающая на английском языке согласно метаданным карточки. Точные сведения о контекстном окне, архитектуре базовой модели и поддерживаемых модальностях в представленном README не указаны. GGUF-квантизация использует экспериментальный подход с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файла. Модель имеет экспериментальный статус: разработчики не рекомендуют применять её в реальных продуктивных системах. Результаты оценки уверенности и классификационных intrinsic-режимов следует дополнительно проверять перед использованием в критически важных процессах. Лицензия — Apache 2.0.

Holo-3.1-35B-A3B-FP8 — мультимодальная vision-language модель компании H Company для создания агентов, способных взаимодействовать с компьютером. Она предназначена для навигации и автоматизации действий в веб-браузерах, настольных и мобильных средах, включая работу с графическими интерфейсами, UI grounding, мобильную автоматизацию и бизнес-процессы. Модель поддерживает нативный function calling для интеграции с агентскими фреймворками и рассчитана на локальное развертывание. Модель относится к семейству Holo3.1 и основана на моделях семейства Qwen 3.5. Вариант Holo-3.1-35B-A3B-FP8 использует архитектуру Mixture-of-Experts с 35 млрд параметров и доступен в квантизованном формате FP8. Входные модальности включают текст и изображения, а заявленный язык — английский. Точный размер контекстного окна в README не указан. К сильным сторонам относятся поддержка нескольких типов компьютерных сред, специализированность для задач computer use и GUI-агентов, function calling и возможность эффективного локального запуска на совместимом оборудовании. README заявляет высокую производительность в задачах компьютерного управления, мобильной автоматизации, корпоративных рабочих процессах и сопоставлении элементов интерфейса, однако числовые результаты тестов не приведены в текстовом виде. Ограничениями являются зависимость качества от конкретной среды и агентской интеграции, а также отсутствие подробных данных о контекстном окне, требованиях к ресурсам и известных ограничениях. Модель распространяется по лицензии Apache 2.0.

Huihui-Agents-A1-abliterated — версия InternScience/Agents-A1, обработанная методом abliteration для существенного снижения числа отказов модели. Это экспериментальная proof-of-concept переработка, созданная Huihui AI на архитектуре Qwen3.5 MoE; метаданные указывают класс Qwen3_5MoeForConditionalGeneration и формат safetensors. Базовая модель описана как 35-миллиардная MoE-модель для многошаговых агентных задач, научных рассуждений, поиска и вызова инструментов. Модель предназначена для генерации диалоговых ответов и агентных сценариев с вызовом инструментов. Снижение защитных отказов может позволить получать ответы на запросы, которые базовая версия отклоняет, однако автор предупреждает о риске чувствительных, спорных и неподходящих результатов. Модель распространяется по лицензии Apache-2.0. Автор характеризует реализацию как грубую проверку концепции; уменьшение числа отказов не гарантирует точность ответов или безопасность результатов.

Legal-BERTimbau-sts-base-ma-v2 — модель Sentence-Transformers на основе BERT, разработанная для сравнения предложений и абзацев на португальском языке в юридической области. Она формирует плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и оценки смыслового сходства. Модель обучена для задачи семантического сходства на португальских наборах ASSIN, ASSIN2 и STS-B Multi-MT; при обучении также применялась мультиязычная дистилляция знаний. Модель содержит 136,1 млн параметров, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и Safetensors. В приведённой оценке STS она показывает средний результат 0,79307 на трёх португалоязычных наборах. README указывает Legal-BERTimbau-base как основу модели, производную от BERTimbau base. Условия лицензии в предоставленных данных не указаны.

Loquace-Wizard-13B v0.1 — италоязычная языковая модель с инструкционным дообучением, созданная Cosimo Iaia на базе WizardLM-13B-Instruct. Это плотная модель семейства Llama с 12,9 млрд параметров и контекстом 2048 токенов; веса опубликованы в формате safetensors. Модель обучена методом QLoRA на наборе Loquace-102k и предназначена для выполнения инструкций на итальянском языке. Модель подходит для италоязычного диалога, ответов на вопросы и генерации текста по заданным инструкциям, в том числе в сценариях RAG. Автор отмечает хорошее следование инструкциям и восприимчивость к prompt engineering. Лицензия — Apache 2.0. Это версия 0.1, обученная на относительно «сыром» наборе данных, поэтому качество ответов может быть нестабильным; заявленные характеристики не сопровождаются в карточке количественной оценкой. Контекст ограничен 2048 токенами.

genshiai-daichi создал японскую медицинскую модель эмбеддингов на базе cl-nagoya/ruri-v3-310m и ModernBERT-Ja. Она предназначена для семантического поиска и ранжирования медицинских документов по запросам; также подходит для сравнения сходства японских текстов. Модель содержит 314,6 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Для запросов требуется префикс «検索クエリ: », для документов — «検索文書: »; при обучении также применялись нормализация NFKC и удаление годов из заголовков, которые важно повторять при обслуживании.

MIReAD — дообученная модель на архитектуре BERT, представленная авторами работы MIReAD на ACL 2023. Она инициализирована весами SciBERT и обучена предсказывать класс журнала по заголовку и аннотации научной статьи. Для обучения использовались более 500 тысяч аннотаций из PubMed и arXiv, размеченных по более чем 2 тысячам классов журналов. Модель подходит для классификации научных публикаций по журналам и извлечения семантически значимых представлений аннотаций для последующего анализа. Она принимает текст и использует токенизатор SciBERT; максимальная длина контекста составляет 512 токенов. Веса опубликованы в формате PyTorch, число параметров — около 137,1 млн. Лицензия — Apache-2.0.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_7 — модель для классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. Она основана на BERT base uncased и дообучена для задачи QQP (Quora Question Pairs), то есть для определения, являются ли две пары вопросов семантически эквивалентными или дубликатами. Модель предназначена для сценариев сравнения, дедупликации и поиска похожих вопросов; в Transformers она используется через BertForSequenceClassification или pipeline text-classification. Архитектура включает 12 скрытых слоёв, 12 attention heads, hidden size 768 и intermediate size 3072; размер словаря — 30 522 токена, максимальная позиционная длина согласно конфигурации — 512 токенов. Модель работает с текстом и рассчитана прежде всего на английский язык без учёта регистра, поскольку использует bert-base-uncased. В имени репозитория указана последовательность длиной 128, что может отражать параметры обучения или подготовки данных, но в доступной конфигурации максимальная длина равна 512. Сильная сторона модели — специализированная настройка под классификацию пар вопросов на базе широко применяемого BERT. Ограничения включают узкую специализацию на задаче QQP, отсутствие сведений о метриках, данных обучения и результатах оценки, а также вероятную чувствительность к английскому языку и длине входа. На странице модели отдельная лицензия и условия использования не указаны.

AL3110/mpnet-wsc-finetuned-triplet — текстовая модель Sentence Transformers, дообученная на базе microsoft/mpnet-base на наборе wsc_queries_with_negatives. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура использует MPNet и mean pooling, поддерживает последовательности длиной до 512 токенов, а число параметров составляет 136,7 млн. Модель предназначена для семантического поиска и сравнения текстов, включая поиск ответов на запросы о правилах Oracle Workspace Category (WSC). Её также можно применять для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Для обучения использовался TripletLoss на 35 примерах с запросами, подходящими и неподходящими ответами. В карточке не указаны лицензия и поддерживаемые естественные языки. Обучающие примеры посвящены внутренним политикам и процедурам Oracle, поэтому качество за пределами этой тематики не подтверждено.

opencode-r2 — модель компьютерного зрения, дообученная на базе facebook/detr-resnet-50 для анализа страниц исторических газет и периодических изданий. Она обнаруживает объекты и возвращает для них классы и ограничивающие рамки в формате COCO: фотографии, иллюстрации, карты, комиксы и карикатуры, редакционные карикатуры, заголовки и объявления. Модель обучена на наборе Beyond Words от Library of Congress: 2 846 обучающих и 712 проверочных примеров. На проверочной выборке COCO mAP при IoU от 0,5 до 0,95 составила 0,2842, а AP при IoU 0,5 — 0,4189. Веса представлены в формате safetensors; лицензия — Apache-2.0. Модель подходит для разметки и поиска визуальных и редакционных элементов в оцифрованной исторической прессе. Обучение проводилось с ограниченным бюджетом на одной GPU; качество заметно различается между классами, а для очень мелких текстовых блоков точность зависит от разрешения изображения.

OpenMed-ZeroShot-NER-Disease-Multi-209M — специализированная модель OpenMed для распознавания упоминаний заболеваний и патологических состояний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе BC5CDR-Disease; в метаданных указан формат PyTorch, а размер модели в README обозначен как 209M. Модель предназначена для извлечения названий заболеваний из медицинской литературы и клинических текстов, включая задачи индексирования заболеваний, фенотипирования пациентов и отбора публикаций. GLiNER позволяет задавать типы сущностей при запросе, однако карточка подтверждает специализированное обучение только для типа DISEASE. Для тестового набора BC5CDR-Disease в README приведено значение F1 0,80; также заявлена оценка 0,8848 для варианта Medium, поэтому результаты зависят от варианта и оценки. Модель принимает текст и возвращает найденные сущности с их типами. Указан английский язык. Распространяется по лицензии Apache-2.0. Результаты могут быть слабее для редких или пользовательских типов сущностей; README рекомендует подбирать порог уверенности для таких запросов. Упоминание клинических сценариев не подтверждает пригодность для принятия медицинских решений.

OpenThaiGPT 13b 1.0.0 — чат-модель команды OpenThaiGPT на базе LLaMA 2, дообученная следовать инструкциям на тайском языке. Модель содержит 12,9 млрд параметров и поддерживает контекст длиной до 4096 токенов; карточка также указывает поддержку английского языка. Для диалога используется формат запросов на основе Llama 2 с небольшим изменением шаблона. Модель предназначена для многоходовых бесед на тайском языке, ответов на вопросы и генерации текста. В карточке заявлена пригодность для сценариев RAG, где модель формирует ответы с предоставленным контекстом. Разработчики сообщают о предобучении на тайском корпусе и дообучении более чем на миллионе примеров инструкций; сравнительные результаты приведены для тайских экзаменов. Доступны веса safetensors и GGUF F16. Модель распространяется по лицензии Llama 2. Её контекстное окно ограничено 4096 токенами, а для запуска 13-миллиардной версии требуется значительная видеопамять, особенно в формате FP16.

OpenThaiGPT 14b 1.5 Instruct — разговорная языковая модель на 14 млрд параметров, разработанная командой OpenThaiGPT для общения на тайском языке. Она основана на Qwen 2.5 и дообучена более чем на двух миллионах тайских пар инструкций. Модель поддерживает многоходовый диалог, вызов инструментов и сценарии с поиском по внешним данным (RAG); заявленный контекст по конфигурации — 32 768 токенов. В метаданных также указаны форматы Safetensors и GGUF. Модель подходит для ответов на вопросы о тайских реалиях, диалоговых помощников и интеграций, которым нужны ответы с привлечением внешних данных или вызовом API. В README приведены результаты тестов на тайских экзаменах и примеры развёртывания через Transformers и vLLM. Карточка указывает лицензию «other», но её конкретные условия в предоставленных данных не раскрыты.

PaECTER — модель для оценки семантического сходства патентных текстов, построенная на базе Google BERT for Patents. Она создаёт плотные векторы размерностью 1024 для патентных текстов, пригодные для семантического поиска, поиска предшествующего уровня техники, кластеризации и анализа патентных ландшафтов. Модель использует архитектуру BERT; максимальная длина контекста — 512 токенов. PaECTER обучена с использованием функции потерь на триплетах, учитывающей цитирования патентов. Её можно применять для извлечения эмбеддингов и сравнения патентов в последующих задачах анализа. Вход — текст на английском языке, выход — векторные представления. Модель распространяется по лицензии Apache-2.0.

Polygraf NER Stage 3 First Model — англоязычная модель распознавания именованных сущностей, разработанная для технической задачи Polygraf Applied NLP / NER. Это дообученная на проверенном вручную наборе данных модель DistilBERT с архитектурой DistilBertForTokenClassification; она размечает текст BIO-тегами для восьми типов сущностей: людей, организаций, мест, дат и времени, продуктов, произведений искусства, профессий и сумм. Модель предназначена для извлечения сущностей из англоязычных текстов, включая новостные материалы; контекст — до 512 токенов. В тестовой выборке Entity F1 составил 0,584, а на десяти вручную размеченных примерах вне основного набора — 0,5376. Это небольшой базовый чекпойнт для экспериментов и прикладных задач с проверкой качества: он склонен чрезмерно предсказывать произведения искусства, пропускать продукты и профессии, путать некоторые категории и фрагментировать многословные сущности. Обучение основано на 506 тренировочных и 127 тестовых записях, поэтому охват ограничен, в частности новостным уклоном данных; вложенные сущности не поддерживаются. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

RetrievalRouter (λ=0.5) — маршрутизатор запросов для выбора одного из пяти заранее настроенных конвейеров поиска документов. Модель разработана авторами работы «RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval» и основана на Qwen3-0.6B-Base с дообучением LoRA; адаптеры объединены с весами. Текст запроса кодируется вектором размерности 1024, затем линейный классификатор предсказывает конвейер поиска. По README, выбор занимает около 15 мс. Модель подходит для систем поиска и RAG, где уже созданы несколько индексов и доступны текстовые или мультимодальные конвейеры с различной архитектурой: разреженный или плотный поиск и позднее взаимодействие для переранжирования. Параметр λ=0.5 задаёт сбалансированный компромисс между качеством поиска и задержкой. Маршрутизатор выбирает конвейер, но сам документы не ищет, не ранжирует и не читает. Модель обучена на 85 103 запросах из 11 бенчмарков, включая финансовые, научные и открытые коллекции. В README заявлено улучшение nDCG@5 на 2,5% и ускорение в 12,4 раза относительно сильнейшего статического конвейера. Поддерживается английский; другие языки и предметные области не проверялись. Лицензия — MIT.

SciTulu 7B — языковая модель с инструкционной настройкой, разработанная Allen Institute for AI (Ai2) для понимания научной литературы. Она создана на основе Tulu v2 7B и дообучена на примерах из SciRIFF вместе с общими инструкциями из набора Tulu v2 SFT. Модель предназначена для выполнения инструкций и задач по научным публикациям. По данным карточки, на девяти отложенных задачах понимания научной литературы она в среднем улучшила результат на 28,1% относительно Tulu v2 7B. Архитектура — плотная Llama для генерации текста, около 6,6 млрд параметров; контекст — 4096 токенов. Указана поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка отсылает к описанию Tulu для сведений о рисках, смещениях и ограничениях; конкретные ограничения SciTulu отдельно не перечислены.

TimeLens2-8B — мультимодальная языковая модель для временной локализации событий в видео, разработанная MCG-NJU на базе Qwen3-VL-8B-Instruct. На вход она принимает видео и текстовый запрос, а в ответ возвращает временной интервал, содержащий соответствующие визуальные свидетельства. Модель предназначена для поиска событий в коротких, длинных и видео от первого лица. В карточке сообщается о среднем mIoU 48,0 на семи бенчмарках временной локализации. Модель дообучена на Qwen3-VL-8B-Instruct; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Длина контекста и поддерживаемые естественные языки в предоставленных источниках не описаны.

Vietnamese_Law_Embedding_finetuned_v3 — модель эмбеддингов на основе Sentence Transformers, созданная дообучением AITeamVN/Vietnamese_Embedding на парных текстовых примерах. Она использует XLM-RoBERTa с CLS-пулингом и нормализацией и преобразует предложения и абзацы в плотные векторы размерности 1024; для сравнения применяется косинусное сходство. Модель рассчитана на вьетнамские юридические тексты и поддерживает последовательности длиной до 8192 токенов. Её можно применять для семантического поиска по правовым документам, ранжирования фрагментов по сходству с запросом, поиска перефразировок и кластеризации текстов. В README приведены результаты оценки информационного поиска при разных размерностях вектора, включая усечение до 128–768 измерений. Обучающий набор описан как 20 594 парных примера с полями anchor и positive; состав и охват юридических материалов подробно не раскрыты. Лицензия — Apache-2.0.

ViT-B-32.cc12m-siglip — двухбашенная модель контрастивного сопоставления изображений и текста семейства CLIP, разработанная rwightman. Это исследовательский чекпойнт архитектуры ViT-B/32, обученный на CC12M в течение 32 эпох с функцией потерь SigLIP и оптимизатором NAdaMuon. Текстовый энкодер использует классический трансформер CLIP, BPE-словарь на 49 408 токенов и контекст длиной 77 токенов. Модель подходит для классификации изображений по текстовым описаниям без дообучения, поиска изображений по запросу и поиска текста по изображению. В карточке приведены результаты нулевой классификации и двустороннего поиска по изображениям и подписям. Сравнения с другими моделями ограничены условиями эксперимента: базовые CLIP-модели обучались с другим размером пакета и оптимизатором, поэтому различия нельзя приписывать только архитектуре или функции потерь. Для загрузки и использования указана библиотека open_clip; веса доступны в форматах PyTorch и safetensors. Модель выпущена под лицензией Apache-2.0. В README она обозначена как исследовательская и не предназначенная для производственного применения; обучение на CC12M и ограниченные экспериментальные сравнения не гарантируют качество на иных данных.

WellcomeBertMesh — модель команды по анализу данных Wellcome Trust для присвоения медицинским текстам предметных рубрик MeSH. Она предназначена прежде всего для разметки биомедицинских грантов, а также может применяться к аннотациям биомедицинских публикаций и близким по тематике текстам. Модель основана на PubMedBERT от Microsoft и использует архитектуру BERT с многометочной attention-головой, которая учитывает разные фрагменты текста для каждой метки. Обучение проводилось на аннотациях PubMed из BioASQ за 2016–2019 годы; для тестирования использовались данные за 2020–2021 годы. Размер составляет 194,8 млн параметров, максимальная длина контекста — 512 токенов. В описанном тестировании модель достигла micro-F1 63% при пороге 0,5 для всех меток. Модель подходит для автоматической индексации биомедицинских документов и поддержки тематического поиска. Её качество подтверждено для данных, близких к аннотациям биомедицинских публикаций; на других типах текстов и в иных предметных областях качество может быть ниже. Лицензия — Apache-2.0.

howey/bert-base-uncased-rte — модель классификации текстовых пар на основе BERT, опубликованная пользователем howey на Hugging Face. Она дообучена для задачи RTE (Recognizing Textual Entailment): по двум текстам определяет, следует ли гипотеза из предпосылки; подходит для распознавания текстового следования и противоречий в коротких фрагментах. Модель имеет архитектуру BertForSequenceClassification, около 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Это англоязычная модель на базе bert-base-uncased; поддерживает входной текст и выдаёт метки классификации. Репозиторий содержит веса PyTorch. Лицензию и ограничения точности по имеющимся источникам установить нельзя.

Legal BERTimbau — модель эмбеддингов на базе BERTimbau Large, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024, пригодные для поиска похожих текстов, кластеризации и оценки семантического сходства. Модель обучалась с использованием TSDAE на юридических предложениях из примерно 30 тысяч документов, затем проходила обучение на данных NLI и дообучение для семантического сходства на наборах ASSIN, ASSIN2, STS Benchmark Multi-MT и IRIS STS. Архитектура — BERT, размер — 433,2 млн параметров, максимальный контекст — 512 токенов. Подходит для поиска по португалоязычным юридическим документам; лицензия MIT.

Это модель sentence-transformers на базе BERT, созданная для оценки семантического сходства коротких математических текстов. Разработчики дообучили доменно адаптированную модель math-similarity/Bert-MLM_arXiv на парах заголовков из zbMath, используя коды MSC для определения сходства. Модель кодирует предложение или короткий абзац в плотный вектор размерности 768. Для поиска, кластеризации и сравнения текстов в ней используется mean pooling и дообучение с целью косинусного сходства. Контекст BERT составляет до 512 токенов по метаданным, а карточка модели указывает, что входы длиннее 256 word pieces по умолчанию обрезаются. Модель подходит для поиска и группировки математических публикаций по смыслу, а также для сравнения коротких математических описаний. Она предназначена для английских математических текстов zbMath; в карточке отмечено, что обучающий набор с заголовками нельзя распространять из-за лицензионных ограничений. Лицензия модели в предоставленных данных не указана.

ece-irem разработала эту модель в составе проекта Hukuki Asistan — системы семантического поиска обоснованных прецедентов в турецком праве, созданной в рамках выпускного проекта факультета инженерии Анкарского университета. Модель представляет собой дообученный двунаправленный BERTurk-энкодер с 137,8 млн параметров; он преобразует запросы и фрагменты судебных решений в плотные векторы размерностью 768 для вычисления семантического сходства. Максимальная длина входа — 512 токенов. Модель предназначена для поиска и ранжирования релевантных фрагментов турецких судебных решений. В описанном проекте документы разбиваются на перекрывающиеся фрагменты, сначала BM25L Plus отбирает кандидатов, затем векторы запроса и документов сравниваются по косинусному сходству. Модель рассчитана на турецкий язык и юридические тексты; заявленный сценарий включает поиск прецедентов по решениям, связанным с правом социальных сетей. Модель выдаёт векторные представления для последующего поиска и оценки сходства; сама по себе она не выполняет описанный двухэтапный поиск целиком и не является отдельной cross-encoder-моделью. Весы опубликованы в формате safetensors под лицензией MIT.

pan0sk разработала bge-reranker-v2-m3-legal — перекрёстный переранжировщик на базе BAAI/bge-reranker-v2-m3 для поиска по греческим юридическим, нормативным и административным документам. Модель получает запрос и фрагмент текста и выдаёт оценку их релевантности, по которой можно переставить результаты первичного поиска. Архитектура — XLM-RoBERTa для классификации последовательностей; в репозитории есть веса safetensors и квантизированный ONNX-вариант int8 для CPU. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов, тогда как README описывает максимальную длину последовательности 512 токенов; ориентируйтесь на ограничение используемой реализации и конфигурации при запуске. Модель обучена на примерно 759 тысячах пар запрос–фрагмент для греческого юридического, нормативно-административного и общеязыкового текста. На отложенной выборке греческих юридических запросов автор сообщает улучшение recall@1 относительно базового эмбеддера и стандартного переранжировщика; для нормативно-административной выборки результат уступил стандартной модели. Английский и межъязыковой поиск не были целью дообучения. Оценки модели не являются вероятностями и не сопоставимы напрямую между запросами; длинные фрагменты могут усекаться. Лицензия — Apache-2.0.

Archit Rastogi разработал эту модель как дообученную версию BAAI/bge-small-en-v1.5 для создания эмбеддингов юридических текстов, связанных с Кодексом США. Модель основана на архитектуре BERT, содержит 40 млн параметров и принимает текст на английском языке; максимальная длина контекста — 512 токенов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель предназначена для семантического поиска по юридическим документам, сопоставления запросов с фрагментами Кодекса США и получения эмбеддингов для последующих NLP-систем. В README заявлена точность 75% на тестовой выборке USLawQA; результаты относятся к описанной автором оценке и не гарантируют качество на других юридических корпусах или задачах.

BridgeTower large-itm-mlm-itc — модель для обучения совместных представлений изображений и текста, разработанная Xiao Xu, Chenfei Wu, Shachar Rosenman, Vasudev Lal, Wanxiang Che и Nan Duan. Она использует архитектуру BridgeTower с визуальным и текстовым энкодерами, соединёнными несколькими мостовыми слоями для согласования и объединения представлений разных уровней. В модели около 100,7 млн параметров. Модель предварительно обучена на английском языке с задачами masked language modeling и image-text matching на наборах Conceptual Captions, Conceptual 12M, SBU Captions, MSCOCO Captions и Visual Genome. Она предназначена для получения и сопоставления представлений изображений и текстов, поиска изображений по описанию и других задач vision-language; в статье также приводятся результаты для визуальных вопросов и ответов. Репозиторий содержит веса PyTorch. Лицензия — MIT.

CafeBERT — предварительно обученная языковая модель для вьетнамского языка, разработанная авторами исследования, представленного на NAACL 2024 Findings. Она основана на XLM-RoBERTa и дополнительно обучена на крупном вьетнамском корпусе из разных областей, включая Википедию и газеты. В репозитории опубликованы веса примерно на 658,7 млн параметров в форматах PyTorch и safetensors; модель принимает текст и поддерживает контекст до 514 токенов. CafeBERT предназначена для понимания вьетнамского текста. Её можно использовать для заполнения маскированных токенов, а представления модели — как основу для машинного чтения и ответов на вопросы по тексту, классификации, распознавания логических отношений и разметки частей речи. Авторы сообщают о сильных результатах на VLUE и других задачах понимания языка. Лицензия — Apache-2.0.