I.1Поиск и навигация по информации

oridror разработал e5-base-hebrew-qa-v2-myd-r1 — модель эмбеддингов на базе intfloat/multilingual-e5-base, дообученную для сопоставления вопросов и ответов на иврите. Она использует архитектуру XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые запросы и документы, преобразуя их в векторы для оценки семантического сходства. Контекст модели — до 514 токенов. Модель предназначена для семантического поиска ответов на вопросы на иврите, ранжирования подходящих фрагментов и поиска по парам «вопрос—ответ». Для корректной работы нужно добавлять префикс «query: » к запросам и «passage: » к документам. В оценке на 500 отложенных парах на иврите указаны Accuracy@1 0,722, Accuracy@5 0,852 и MRR@10 0,7774. Модель выпущена под лицензией Apache-2.0.

OmarAlsaabi/e5-base-mlqa-finetuned-arabic-for-rag — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для сценариев поиска по арабским вопросам и документам MLQA. Она преобразует предложения и абзацы в плотные векторы размерности 768, подходящие для семантического поиска, ранжирования по сходству и кластеризации. Модель содержит около 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для поиска релевантных фрагментов в RAG-системах и сопоставления арабоязычных запросов с текстами. В README указано обучение с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий использует формат safetensors; лицензия в предоставленных данных не указана.

E5-base-trm-nl — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная clips на нидерландских данных для поиска и сопоставления текстов. Она предназначена для кодирования запросов и документов в векторы, чтобы находить релевантные фрагменты и сравнивать смысл предложений. Модель содержит 151,6 млн параметров, использует библиотеку sentence-transformers и принимает последовательности длиной до 514 токенов. Дообучение выполнено на наборах данных для нидерландского поиска, включая BEIR-NL mMARCO, HotpotQA и FEVER. Репозиторий распространяет веса в формате safetensors по лицензии MIT. В карточке приведены результаты оценки на MTEB-NL, однако извлечённые данные не содержат полных значений для этой модели, поэтому количественно оценить её качество по ним нельзя.

clips/e5-base-v2-t2t-nl — дообученная командой CLIPS версия модели clips/e5-base-v2-t2t для работы с нидерландским текстом. Она создаёт плотные векторные представления предложений и предназначена для семантического поиска, сравнения предложений и ранжирования текстов; в карточке приведён пример кодирования запросов и фрагментов MS MARCO. Модель построена на архитектуре BERT и содержит 136,3 млн параметров. Она использует библиотеку Sentence Transformers, распространяется в формате Safetensors и имеет лицензию MIT. Модель рассчитана на нидерландский язык, обучена с использованием наборов данных BEIR для mMARCO, HotpotQA и FEVER. Длина контекста составляет 512 токенов. Эти характеристики делают её подходящей для поиска и сопоставления нидерландских текстов; README ссылается на оценку в бенчмарке MTEB-NL, но предоставленный фрагмент таблицы не содержит результатов этой модели.

e5-omni-7B — мультимодальная модель эмбеддингов от Haon-Chen, созданная дообучением Qwen/Qwen2.5-Omni-7B. Она кодирует текст, изображения, аудио и видео в единое векторное пространство, чтобы находить соответствующие материалы между модальностями и выполнять мультимодальный поиск. Для получения эмбеддингов доступны интеграции с Sentence Transformers и Transformers; в README заявлены результаты на MMEB-V2 и AudioCaps. Модель подходит для поиска по видео и аудио, поиска изображений, диаграмм и документов, а также многоязычного текстового поиска. Репозиторий содержит веса Safetensors, основная задача по карточке — visual-document-retrieval, а каталог также отмечает извлечение признаков и сходство предложений. Лицензия — MIT.

Это компактная текстовая модель Sentence Transformers, созданная дообучением энкодера jhu-clsp/ettin-encoder-17m командой или автором репозитория much1na. Она кодирует предложения и абзацы в плотные векторы размерностью 256 и предназначена для поиска и сопоставления текстов по косинусному сходству. Архитектура состоит из ModernBERT и слоя среднего pooling; модель содержит 16,8 млн параметров и принимает последовательности длиной до 7999 токенов по метаданным (в README указан предел 8192). Обучение проводилось на msmarco-embed-dense_on с EmbedDistillLoss. Модель подходит для семантического поиска, извлечения релевантных документов и построения текстовых эмбеддингов. Базовый энкодер ориентирован на английский язык, а README описывает англоязычные примеры; подтверждений поддержки других языков нет. Лицензия в предоставленных данных не указана.

capemox/ettin-encoder-68m-contrastive-2.5m — англоязычный ModernBERT-энкодер, дообученный контрастивным обучением на примерно 2,5 млн пар «запрос — фрагмент текста» из открытых наборов данных. Модель содержит 68,1 млн параметров и формирует 512-мерные эмбеддинги предложений методом mean pooling; длина контекста — до 7 999 токенов. Это первая стадия двухэтапного конвейера, рассчитанная на поиск по тексту и как отправная точка для последующего дообучения под конкретную задачу извлечения информации. В README приведена оценка NanoBEIR NDCG@10 0,3572 после первой стадии; результат 0,5145 относится к дополнительному дообучению на MS MARCO и другой модели конвейера. Модель принимает текст и выдаёт векторы для поиска и сравнения сходства предложений. Она ориентирована на английский язык. Распространяется по лицензии Apache-2.0.

chungimungi/ettin-glint-kd — текстовый многовекторный энкодер на архитектуре ModernBERT, обученный с помощью библиотеки Sentence Transformers. Модель преобразует текст в последовательность векторов размерности 128 на уровне токенов и сопоставляет запросы с документами методом позднего взаимодействия MaxSim. Модель предназначена для семантического поиска, где важно учитывать соответствия между отдельными частями запроса и документа. Максимальная длина последовательности в README — 300 токенов для документа и 32 токена для запроса; метаданные указывают контекст до 7999 токенов. Модель содержит 16,8 млн параметров и распространяется в формате safetensors. README сообщает об обучении на наборе parquet из примерно 1 046 009 примеров с запросами, документами и оценками. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

EVIE-8B — модель Tencent для поиска по визуальным документам, включая страницы документов в виде изображений. Она дообучена на базе Qwen3.5-9B и использует архитектуру ColQwen3.5 с двунаправленным вниманием. Модель кодирует текст запроса и визуальные фрагменты документа в многовекторные представления размерности 4096, а релевантность оценивает поздним взаимодействием токенов по MaxSim. Модель предназначена для извлечения нужных страниц по текстовым запросам в коллекциях документов: она сохраняет признаки макета, типографики, таблиц и диаграмм. Tencent также позиционирует её как учительскую модель для дистилляции компактной EVIE-4.5B. В README сообщается об оценке nDCG@10 66,75 на ViDoRe V3 и проверке на наборах ViDoRe и JinaVDR. Поддерживаются текстовые запросы и изображения документов; обучение проводилось на парах запросов и документов из многоязычных областей. Лицензия — Apache-2.0. Для выдачи результатов требуется вычислять и сравнивать многовекторные представления, что может быть требовательно к ресурсам; качество зависит от dtype и backend внимания.

EvoQwen2.5-VL-Retriever-7B-v1 — мультимодальная модель поиска по визуальным документам от ApsaraStackMaaS, дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct с помощью подхода Evo-Retriever. Она использует многовекторное представление и позднее взаимодействие для сопоставления текстовых запросов с изображениями документов. Модель предназначена для поиска релевантных страниц и документов по естественно-языковому запросу, в том числе по сложному визуальному содержимому. Принимает изображения и текстовые запросы, выдаёт векторные представления для вычисления оценок релевантности. Веса содержат 7,1 млрд параметров, контекст — до 128 000 токенов; указаны английский язык и формат safetensors. Для версии 7B заявлена высокая точность на оценочных наборах, однако карточка не приводит численные результаты. Модель распространяется по лицензии Apache-2.0.

Это разреженный SPLADE-энкодер, дообученный на датасете STS-B от базовой модели naver/splade-cocondenser-ensembledistil с использованием библиотеки Sentence Transformers. Он преобразует предложения и абзацы на английском языке в разреженные векторы размерности 30 522 для семантического поиска, извлечения документов и оценки сходства по косинусной мере. Архитектура включает BERT-модель BertForMaskedLM и max-пулинг SPLADE; длина последовательности в метаданных составляет до 512 токенов, а карточка модели указывает максимум 256 токенов. Модель содержит 136,7 млн параметров. На наборах STS-dev и STS-test указаны значения Spearman cosine 0,8704 и 0,8292 соответственно. Модель рассчитана на английский язык и не является генеративной. Лицензия — Apache-2.0.

GeeVec-Embeddings-1.0-Lite — компактная мультиязычная модель текстовых эмбеддингов от geevec-ai на базе модели в стиле Qwen3 с архитектурой PseudoMoE. В метаданных указано 306,6 млн параметров; README заявляет 0,35 млрд активируемых параметров. Модель предназначена для поиска по смыслу и сопоставления запросов с текстами, поддерживает контекст до 40 960 токенов по метаданным. Модель предлагает маршруты general для общего мультиязычного поиска, coding для поиска по коду и технической документации и reasoning для сложных запросов, требующих глубокого семантического сопоставления. Она преобразует текст в эмбеддинги, которые можно нормализовать и сравнивать для ранжирования релевантности. В примере README используется длина до 4096 токенов. Для загрузки требуется доверять пользовательскому коду репозитория через trust_remote_code=True. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Заявления README о высоких результатах на бенчмарках не сопровождаются в предоставленном тексте числовыми результатами; качество на конкретных данных следует проверять отдельно.

GLInt — англоязычная модель извлечения документов с поздним взаимодействием токенов, разработанная как дообучение LateOn-unsupervised. Модель использует архитектуру ModernBERT и содержит 149 млн параметров. Она формирует 128-мерные векторы для токенов и сопоставляет запрос с документом по MaxSim, учитывая до 32 токенов запроса и до 300 токенов документа; длина контекста составляет 8192 токена. Модель предназначена для поиска релевантных документов и сопоставления предложений в информационном поиске и RAG-системах. Обучение включало настройку на сложных негативных примерах для MaxSim-поиска и дистилляцию ранжирования от jinaai/jina-reranker-v3.5. В README приведены результаты оценки на наборах BEIR, но заявленные показатели относятся к описанным там экспериментам. Для работы доступны Sentence Transformers и PyLate; для поиска по крупным корпусам README рекомендует late-interaction-движок, например PyLate/PLAID. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

GLuCoSE-base-ja-v2 — японская модель эмбеддингов текста, разработанная Chihiro Yano, Mocho Go, Hideyuki Tachibana, Hiroto Takegawa и Yotaro Watanabe. Это дообученная дистилляцией и многоэтапным контрастивным обучением версия GLuCoSE-base-ja на основе архитектуры LUKE; она создаёт векторные представления предложений и фрагментов текста для поиска и сравнения смысла. Модель содержит 138,4 млн параметров, выдаёт эмбеддинги размерностью 768 и поддерживает контекст до 512 токенов по README и 514 токенов по метаданным. Для запросов и документов при инференсе требуются префиксы «query: » и «passage: » соответственно; близость оценивают косинусным сходством. Модель ориентирована на японский язык и задачи поиска: по описанию авторов, она показывает высокие результаты среди моделей сопоставимого размера в MIRACL и других тестах. Может работать на CPU и доступна через библиотеку Sentence Transformers. Подходит для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Распространяется по лицензии Apache-2.0. Результаты зависят от корректного добавления префиксов и соответствия корпуса японскому языку.

Granite-Embedding-Small-English-R2 — плотная модель эмбеддингов из семейства Granite Embeddings, разработанная командой Granite Embedding Team в IBM. Она преобразует английские запросы, фрагменты и документы в векторы размером 384, предназначенные для сравнения по косинусному сходству и использования в поиске и извлечении информации. Модель использует архитектуру биэнкодера на базе ModernBERT: 12 слоёв и 12 голов внимания. Она содержит 47,7 млн параметров и поддерживает контекст до 8192 токенов. В обучении применялись ориентированное на поиск предварительное обучение, контрастивное дообучение, дистилляция и объединение моделей; заявлены результаты на бенчмарках поиска по документам, коду, таблицам и многоходовым диалогам. Модель предназначена для английского текста. Тексты длиннее 8192 токенов обрезаются; для других языков качество не заявлено. Лицензия — Apache 2.0.

GritLM-8x7B — языковая модель Contextual AI, дообученная на базе mistralai/Mixtral-8x7B-Instruct-v0.1 методом GRIT. Она объединяет генерацию текста и получение текстовых представлений, поэтому подходит как для диалогов и ответов на запросы, так и для создания эмбеддингов и оценки релевантности текстов. В метаданных указаны архитектура Mixtral с разреженной экспертной архитектурой MoE, 7,1 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на задачи поиска и представления текста, а также на генерацию ответов и продолжений. Карточка сообщает о высоких результатах на задачах генерации и представления текста, но не приводит подробных оценок или инструкций по использованию. Репозиторий распространяется по лицензии Apache-2.0. Языковая поддержка в предоставленных данных не уточнена.

IoannisKat1 разработал эту модель Sentence Transformers, дообучив Alibaba-NLP/gte-multilingual-base на 4 268 парах текстов. Модель кодирует предложения и абзацы в нормализованные плотные векторы размерности 768 для поиска и сравнения по косинусному сходству. Архитектура включает Transformer-энкодер, CLS-пулинг и нормализацию; максимальная длина входа — 8 192 токена. Модель предназначена для семантического поиска и извлечения релевантных фрагментов по запросу. Matryoshka-обучение позволяет усекать векторы до 512, 256, 128 или 64 измерений, с некоторым снижением качества поиска. Карточка указывает английский язык, однако примеры обучающих пар на греческом, поэтому поддержка других языков неясна. Лицензия — Apache-2.0.

jfkback/hypencoder.6_layer — официальная модель Hypencoder из работы «Hypencoder: Hypernetworks for Information Retrieval». Это двухбашенный кодировщик на базе дообученной google-bert/bert-base-uncased: текстовый энкодер преобразует элементы в векторы размерности 768, а гиперсеть формирует небольшую нейросеть, которая использует этот вектор для вычисления оценки релевантности. Вариант 6_layer отличается числом скрытых слоёв в этой небольшой сети. Модель предназначена для информационного поиска и оценки релевантности текста, например для ранжирования результатов поиска. Для использования требуются код и инструкции из репозитория проекта на GitHub. В метаданных указаны английский язык и датасет MS MARCO. Модель распространяется по лицензии Apache-2.0.

II-Search-CIR-4B — разговорная языковая модель Intelligent Internet для поиска информации в интернете с рассуждением и вызовом инструментов через генерируемый Python-код. Она основана на Qwen3-4B и дообучена методом supervised fine-tuning, а затем оптимизирована методом DAPO на наборе задач со сложным рассуждением. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. Модель предназначена для сценариев, где нужно искать сведения во внешних источниках, просматривать страницы, отбирать информацию и формировать ответ. В описанном авторами окружении она использует функции web_search и web_visit, оформляя обращения к ним в блоках Python-кода. В тестах авторов II-Search-CIR-4B показала результаты на бенчмарках SimpleQA, Frames и Seal_0; эти показатели получены с конкретным поисковым API и автоматическим оценщиком и не гарантируют аналогичного качества в других окружениях. Для работы с поиском необходимы доступные реализации инструментов и подходящий рантайм; сама модель не предоставляет веб-доступ. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

inf-retriever-v1-pro — специализированная языковая модель компании INF-X-Retriever для подготовки запросов к поиску в системах с плотным векторным поиском и RAG. Она преобразует сложные, многословные или требующие рассуждений пользовательские запросы в краткие поисковые формулировки, помогающие находить релевантные фрагменты текста. Модель дообучена на базе Qwen/Qwen2.5-7B-Instruct и содержит 7,1 млрд параметров; архитектура — плотная Qwen2. Модель принимает текст и генерирует текст, поддерживает английский язык, а её контекстное окно составляет 131 072 токена. Модель предназначена для поиска по сложным запросам, включая задачи, где ответ требует рассуждений или синтеза сведений из нескольких документов. В README приведены результаты INF-X-Retriever на бенчмарке BRIGHT; эти показатели относятся к системе в целом и не должны трактоваться как результаты одной только inf-retriever-v1-pro. Модель распространяется по лицензии Apache-2.0.

InSight-doc-8B — мультимодальная модель на 8 млрд параметров для понимания длинных документов, разработанная авторами проекта InSight-doc на базе Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения страниц и текстовые вопросы, а при работе в рекомендованном агентном цикле выбирает области для увеличения с помощью инструмента image_zoom_in_tool, затем формирует ответы по визуальным свидетельствам. Модель обучена полнопараметрической тонкой настройкой и последующим обучением с подкреплением на траекториях и запросах для такого сценария; семейство архитектуры — Qwen3-VL. Модель предназначена для визуальных вопросов и ответов по длинным документам, включая поиск нужных деталей на страницах и отказ от ответа при недостатке свидетельств. В README указано улучшение точности на наборах DUDE, MP-DocVQA, MMLongBench-Doc и LongDocURL относительно базовой Qwen3-VL-8B в условиях низкого и среднего разрешения, а также снижение галлюцинаций на вопросах без ответа и уменьшение задержки на двух длиннодокументных тестах. Для воспроизведения агентного поведения необходимы внешний цикл агента и инструмент увеличения фрагментов; обычная одиночная генерация в Transformers этот цикл не выполняет. Контекст обучения SFT составлял 65 536 токенов; в конфигурации рекомендованного запуска vLLM указан предел длины последовательности 262 144 токена. Лицензия — Apache-2.0.

Iris-mini — открытая модель с весами от AllSpark-Research, дообученная на базе Qwen3.6-35B-A3B для агентного веб-поиска и глубокого исследования. Она обучена итеративно выбирать, что искать, читать найденные материалы, решать, достаточно ли доказательств, и продолжать поиск при необходимости. Модель построена на архитектуре Qwen3.5 MoE: всего 35 млрд параметров, из которых активны 3 млрд за проход; используется 256 экспертов, 8 из них активируются одновременно. Карточка приводит результаты на BrowseComp, BrowseComp-ZH, DeepSearchQA и текстовой части HLE и подчёркивает, что итог зависит также от инструментария и управления контекстом. В примере запуска указан контекст до 262 144 токенов и поддержка интерфейса вызова инструментов. Iris-mini предназначена для диалоговой генерации текста и многошагового поиска с агентной обвязкой. Это не автономный поисковый сервис: для работы с вебом ей нужны инструменты и среда исполнения. Модель распространяется по лицензии Apache-2.0.

masahiroid/japanese-reranker-small-v2-mlx — это неофициальная общественная конверсия модели hotchpotch/japanese-reranker-small-v2 в формат MLX. Модель представляет собой компактный кросс-энкодер на базе ModernBERT с 70 млн параметров и контекстом до 8192 токенов. Она оценивает релевантность пары «запрос — документ» и помогает переупорядочивать результаты поиска. Модель предназначена для японского и английского текста, в том числе для повышения качества поиска и выдачи в RAG-системах. Для использования README указывает библиотеку mlx-embeddings. Формат репозитория — safetensors; конверсия предназначена для MLX. Лицензия — MIT. Это не официальный выпуск автора исходной модели.

jinaai/jina-embedding-l-en-v1 — англоязычная модель эмбеддингов, разработанная Jina AI на архитектуре T5 Encoder. Она обучена на наборе Linnaeus-Clean, содержащем 380 миллионов пар предложений, включая пары запросов и документов; исходный набор Linnaeus-Full насчитывал 1,6 миллиарда пар. Модель содержит 385,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги для поиска и сравнения текстов. Модель предназначена для семантического поиска, сопоставления запросов с документами и оценки сходства предложений. В README приведено сравнение с моделями Sentence Transformers и OpenAI на наборах STS, Quora и SciFact. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель ориентирована на английский язык, поэтому качество для других языков не подтверждено.

jina-embeddings-v5-text-nano-retrieval-GGUF — мультиязычная модель эмбеддингов для задач семантического поиска и retrieval, разработанная Jina AI. Это GGUF-квантизация модели jina-embeddings-v5-text-nano-retrieval с поддержкой llama.cpp, предназначенная для эффективного локального или управляемого инференса. Модель содержит 239 млн параметров и преобразует текст в векторы размерностью 768. Она использует pooling по последнему токену и поддерживает Matryoshka Dimensions 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством, размером индекса и скоростью поиска. Модель ориентирована на мультиязычные сценарии, однако конкретный набор языков в README не указан. Модель подходит для семантического поиска, построения retrieval-компонентов и других задач сравнения текстов, где требуется сопоставлять запросы и документы по смыслу. К преимуществам относятся компактный размер, квантизация для эффективного инференса и возможность использования с llama.cpp. Ограничение состоит в том, что это специализированная модель эмбеддингов для retrieval, а не генеративная языковая модель; точные показатели качества, максимальная длина контекста и поддерживаемые языки в README не приведены. Модель распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование. Для коммерческого применения разработчик предлагает связаться с Jina AI.

Kazakh-E5-RAG-Embedding — модель эмбеддингов текста для поиска и извлечения документов на казахском языке, опубликованная shyngys879. Это плотный двунаправленный кодировщик на архитектуре XLM-RoBERTa, основанный на multilingual-e5-base и KazEmbed-V5; в метаданных указано 305,2 млн параметров, а README описывает базовый размер в 278 млн. Модель преобразует текст в 768-мерные векторы и использует формат E5 с префиксами «query:» для запросов и «passage:» для документов; контекст составляет до 514 токенов. Модель предназначена для семантического поиска, поиска ответов на вопросы и документов, а также извлечения контекста для RAG. Она оптимизирована для сопоставления казахских запросов и фрагментов, включая различение похожих нерелевантных вариантов; README сообщает об оценке на трёх казахских наборах поиска. Поддерживаются казахский и также русский и английский языки по тегам карточки. Для поиска по корпусу Wikipedia в описанных тестах multilingual-e5-base и multilingual-e5-large показали лучшие результаты. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

KEmbed-naija-v3 — текстовая модель Sentence Transformers, разработанная matt-wisdom и дообученная на базе BAAI/bge-m3. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство текстов оценивается косинусной мерой. Модель предназначена для семантического поиска и извлечения релевантных документов, в частности для нигерийского набора оценки nigerian-val. Архитектура включает XLM-RoBERTa, объединение представлений методом CLS pooling и нормализацию. README указывает максимальную длину последовательности 256 токенов; метаданные каталога сообщают нативный контекст 8194 токена. В качестве обучающих данных описаны 57 090 пар anchor-positive. Приведённые для nigerian-val значения cosine_accuracy составляют 0,811 при k=1, 0,91 при k=3 и 0,927 при k=5. Модель принимает текст и выдаёт векторы, поэтому подходит для построения семантического поиска и retrieval-систем. Карточка не сообщает лицензию; условия использования следует проверить в репозитории модели.

Kurage — русскоязычная модель для задач поиска по контексту и генерации ответов, разработанная Lightblue. Она основана на Qwen/Qwen2-7B-Instruct и дообучена для RAG-сценариев. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Kurage умеет выбирать релевантные фрагменты среди нескольких контекстов и отвечать на вопрос, работать с одним фрагментом для параллельной обработки, расширять краткие ответы, отвечать по текстам на других языках и создавать пары вопросов и ответов из исходного текста. Это может помочь подготовить материалы для индексации и поиска. Модель распространяется по лицензии Apache-2.0. Основной язык вопросов и ответов — русский. Ответы по контекстам на других языках возможны, но авторы отмечают нестабильное качество в зависимости от вопроса и языка источника. В режиме работы с одним фрагментом модель иногда ошибочно считает, что контекст не содержит ответа, поэтому результаты следует проверять.

LaSER-Qwen3-0.6B — плотный ретривер с латентным рассуждением, разработанный авторами LaSER на базе Qwen/Qwen3-0.6B. Модель дообучена методом самодистилляции: при кодировании текста она autoregressively формирует непрерывные латентные токены рассуждения, объединяет их представления и возвращает нормализованные эмбеддинги для поиска. Веса содержат около 508 млн параметров, архитектура — плотная Qwen3ForCausalLM; указанное контекстное окно — 40 960 токенов. Модель предназначена для плотного информационного поиска и извлечения релевантных документов по запросам. В README приведены результаты на BRIGHT, FollowIR и BrowseComp-Plus; метод добавляет примерно 1,7× задержки относительно стандартного плотного ретривера. Карточка указывает английский язык, однако базовая Qwen3 мультиязычна. Модель распространяется по лицензии MIT. Для использования нужен специальный кодировщик LaSER, описанный в README.

Карточка модели Sing0402/legal-embed-gte-distilled на Hugging Face совпадает с карточкой Alibaba-NLP/gte-modernbert-base, поэтому описание составлено по ней. gte-modernbert-base — англоязычная модель для построения текстовых эмбеддингов, разработанная Tongyi Lab компании Alibaba. Она основана на encoder-only архитектуре ModernBERT и содержит 149 млн параметров; вектор представления имеет размерность 768, максимальная длина входа — 8192 токена. Модель предназначена для семантического поиска, извлечения документов, сравнения предложений и подбора текстов по смыслу, в том числе как компонент систем RAG. В карточке приведены результаты оценок MTEB, BEIR, LoCo и COIR; они показывают эффективность на задачах поиска, включая поиск по длинным документам и коду. Доступны веса в форматах PyTorch, Safetensors и ONNX; для интеграции описано использование Transformers, Sentence Transformers и Text Embeddings Inference. Модель распространяется по лицензии Apache-2.0. Она рассчитана прежде всего на английский язык, поэтому качество для других языков не подтверждено карточкой.