I.1Поиск и навигация по информации

ModernBERT Embed base Legal Matryoshka — англоязычная модель Sentence Transformers, дообученная stardriver007 на базе nomic-ai/modernbert-embed-base для получения плотных текстовых эмбеддингов. Она предназначена для семантического поиска и сравнения предложений и абзацев, поиска парафраз, кластеризации и классификации текста, в том числе юридических материалов. Архитектура включает ModernBertModel, усредняющий пулинг токенов и нормализацию; модель имеет 149 млн параметров, выдаёт векторы размерности 768 и принимает последовательности до 8192 токенов. Matryoshka-обучение позволяет использовать усечённые векторы меньшей размерности, с приведёнными в карточке метриками поиска для 512, 256, 128 и 64 измерений. Модель обучена на 5822 парах текстов, лицензия Apache-2.0. Карточка приводит результаты поиска, но не раскрывает состав и охват оценочного набора; качество для иных юридических корпусов и языков может отличаться. Поддерживаемый язык — английский.

bebechien/my-embeddinggemma-news-vibe — дообученная автором репозитория модель Sentence Transformer на базе google/embeddinggemma-300m, предназначенная для получения эмбеддингов текста. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 2048 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. В README показано дообучение на пяти примерах с темами новостей и меткой MY_FAVORITE_NEWS, поэтому пригодность полученных векторов для более широких задач может быть ограничена малым объёмом тренировочных данных. Модель опубликована в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

NeoMME-800M — мультиязычный мультимодальный энкодер, разработанный Hcompany и обученный с нуля. Текстовые токены и патчи изображений обрабатываются одним общим Transformer-энкодером без отдельного предварительно обученного vision-энкодера и авторегрессионной языковой модели. Модель содержит 1,1 млрд параметров, принимает текст и изображения и имеет контекст 16 384 токена. Это базовая энкодерная модель, которая возвращает контекстные представления токенов. Для поиска, классификации, извлечения информации и других прикладных задач её необходимо дообучить с подходящей целевой головой; для поиска по документам авторы рекомендуют NeoMME-800M-Retriever. Предварительное обучение проводилось на многоязычных текстах и визуально-текстовых данных, включая веб-тексты, код, математику, страницы документов, подписи к изображениям и синтетические OCR-данные. Модель доступна в формате Safetensors через Transformers по лицензии Apache-2.0. Комплексная оценка безопасности, смещений и конфиденциальности не проводилась.

SlaviSolakchiev/news-topic-distilbert-multilingual-4class — дообученная модель классификации текста на базе distilbert/distilbert-base-multilingual-cased. Она предназначена для отнесения новостных текстов к четырём тематическим классам; конкретные названия классов и описание обучающих данных в карточке не приведены. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9167 и F1 0,9164. Эти показатели относятся к приведённой выборке и сами по себе не гарантируют качество на других данных. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Qwen3-Embedding-0.6B-4bit-DWQ — это 4-битная квантованная версия модели Qwen3-Embedding-0.6B, разработанная сообществом mlx-community и преобразованная в формат MLX из исходной модели Qwen/Qwen3-Embedding-0.6B с использованием mlx-lm 0.24.1. Модель предназначена для задач feature extraction и вычисления семантического сходства текстов; в метаданных также указана совместимость с Transformers и sentence-transformers. Модель содержит около 0,6 млрд параметров и ориентирована на запуск в экосистеме MLX. Квантование 4-bit DWQ должно снижать требования к памяти по сравнению с полноразмерной версией, однако README не содержит количественных данных о качестве, поддерживаемых языках, размере контекста, точной архитектуре эмбеддингов или доступных модальностях. В примере показан текстовый ввод и загрузка через mlx-lm; дополнительные сценарии применения и ограничения не описаны. Модель распространяется по лицензии Apache-2.0. Для использования требуется установка пакета mlx-lm; README демонстрирует интерфейс генерации текста, хотя основное назначение модели по метаданным связано с получением признаков и оценкой сходства предложений.

unclemusclez/SmolLM-135M-Instruct-DEVINator-v0.2 — дообученная модель на архитектуре Llama, созданная с помощью AutoTrain на наборе skratos115/opendevin_DataDevinator. Карточка указывает тип задачи Sentence Transformers; модель предназначена для получения представлений текста и сравнения сходства предложений. Метаданные также отмечают возможности генерации текста и чата. Модель содержит 134,5 млн параметров, использует контекст до 2048 токенов и распространяется в форматах safetensors и GGUF. Базовая модель — HuggingFaceTB/SmolLM-135M-Instruct. Данных о метриках проверки качества в README нет. Лицензия в предоставленных данных не указана.

vin00d дообучил Snowflake/snowflake-arctic-embed-l для поиска по юридическим текстам. Это модель Sentence Transformers на архитектуре BERT: она преобразует предложения и абзацы в нормализованные векторы размерности 1024, предназначенные для сравнения по косинусному сходству. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска по юридическим документам, сопоставления запросов с фрагментами документов, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка информационного поиска на обучающем наборе из 210 пар; результаты не гарантируют качество на других корпусах. Модель работает с текстом, а обучающие примеры относятся к англоязычным юридическим материалам. Лицензия в предоставленных данных не указана.

Francesco Periti и соавторы представляют TRoTR-paraphrase-multilingual-MiniLM-L12-v2 — дообученную модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и контексты в эмбеддинги для оценки семантического сходства и тематической связанности, в частности при анализе того, как меняется контекст повторно использованного текста. В примере README модель сравнивает контексты библейской цитаты в разных сообщениях. Модель использует архитектуру XLM-RoBERTa с плотным представлением, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Карточка указывает поддержку английского языка; базовая модель многоязычная, однако README не подтверждает языки, на которых это дообучение проверено. Веса доступны в формате safetensors. Модель подходит для сравнения пар контекстов и поиска тематически близких текстов, но её назначение связано с задачами TRoTR, а эксперимент с цитатами сам по себе не подтверждает качество на широком круге доменов. Лицензия — CC BY-SA 4.0.

VelaVec-T2I — компактная гибридная модель для поиска изображений по тексту, разработанная автором репозитория xagent2025. Текстовая часть содержит 9,8 млн параметров: замороженную таблицу представлений размером 30 522 × 256, три двунаправленных блока внимания и два слоя пулинга. Дополнительная проекционная голова переводит признаки изображений CLIP в пространство текстовых эмбеддингов VelaVec, поддерживая поиск в обоих направлениях; модель оптимизирована прежде всего для поиска изображений по тексту. В тесте на Flickr30k автор сообщает Recall@1 0,560 для поиска изображения по подписи и 0,619 для поиска подписи по изображению. Обучение проекционной головы проводилось на Flickr30k с контрастивной функцией InfoNCE. Для обработки изображений при инференсе требуются PyTorch, Transformers и признаки двух моделей CLIP — openai/clip-vit-base-patch32 и openai/clip-vit-large-patch14; их веса не включены в репозиторий. Лицензия — MIT.

Модель yeshpanovrustem/xlm-roberta-large-kaznerd — модель распознавания именованных сущностей на казахском языке, разработанная на основе XLM-RoBERTa Large. Она дообучена в течение трёх эпох на наборе данных KazNERD и предназначена для разметки сущностей в тексте с помощью Transformers pipeline для NER. В метаданных указаны архитектура XLM-RoBERTa для классификации токенов, 658,7 млн параметров и контекст до 514 токенов. На тестовой выборке автор сообщает precision 96,49%, recall 96,86% и F1 96,67%; показатели отдельных классов различаются, например, F1 для ADAGE составляет 41,67%. Модель распространяется под лицензией CC BY 4.0. Она предназначена для распознавания сущностей на казахском языке; приведённые метрики относятся к указанному датасету и не гарантируют такое же качество на текстах других жанров.

bert-base-swedish-cased-ner — модель семейства BERT, выпущенная Национальной библиотекой Швеции и исследовательской группой KBLab. Это версия bert-base-swedish-cased, дообученная для распознавания именованных сущностей на шведском языке с использованием датасета SUC 3.0. Модель размечает токены как временные выражения, имена людей, места, события и организации; набор меток может меняться. Модель содержит 151,9 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Она чувствительна к регистру, использует токенизацию BERT с разбиением слов на подчасти и обучалась с whole word masking. Подходит для извлечения сущностей из шведских текстов, например новостей и документов. В карточке версия помечена как экспериментальная; описание также отмечает, что набор меток может меняться. Лицензионные условия в предоставленных материалах не указаны.

Roflmax/bge-m3-legal-ru-cocktail-40-60 — русскоязычная модель эмбеддингов для поиска и сравнения юридических документов, разработанная на основе двух дообученных вариантов BGE-M3. Она создана методом LM-Cocktail: веса моделей Roflmax/bge-m3-russian-legal и Roflmax/bge-m3-legal-ru-updata объединены в пропорции 40/60. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт векторы размерностью 1024; в метаданных указаны задачи sentence-similarity и feature-extraction. Модель предназначена для семантического поиска по судебным решениям, федеральным законам и региональным нормативным актам, а также для поиска похожих документов, кластеризации и классификации по сходству эмбеддингов. Для сравнения векторов рекомендуется косинусное сходство. README сообщает о Recall@5 91,79% на тестовом наборе из 7 187 примеров и указывает, что запросы можно кодировать без префиксов. Метаданные указывают контекст до 8194 токенов, тогда как README рекомендует ограничивать последовательность 512 токенами и разбивать более длинные документы на фрагменты. Модель оптимизирована для русского языка и юридического домена; на текстах из других областей качество может быть ниже. Данные о давности обучающей выборки не приведены. Лицензия — MIT.

BLING-1b-0.1 — компактная инструктивная языковая модель, разработанная llmware для локального запуска и автоматизации задач с документами. Это плотная декодерная модель GPTNeoX с 1,2 млрд параметров, дообученная на специально подготовленных наборах инструкций и основанная на EleutherAI/Pythia-1b-deduped. Модель ориентирована на английский язык, использует формат PyTorch и имеет контекстное окно 2048 токенов. Основные сценарии — ответы на вопросы по переданному контексту, извлечение ключевых значений и простое суммирование, в том числе в RAG-процессах. Модель рассчитана на локальное использование на ноутбуке без обязательной GPU и подходит для прототипирования или работы с чувствительными корпоративными данными, которые не следует отправлять во внешние API. В тестах авторов на RAG-Instruct-Benchmark-Tester модель показала точность 73,25 из 100; тесты отмечают слабые результаты в математике и логике, низкую оценку сложных вопросов и базовое экстрактивное суммирование. Ответы могут быть неполными или неточными, поэтому их следует проверять. Лицензия — Apache 2.0.

bling-red-pajamas-3b-0.1 — англоязычная инструкционная модель llmware на архитектуре GPT-NeoX, дообученная на основе togethercomputer/RedPajama-INCITE-Base-3B-v1 для сценариев RAG. Модель содержит 3,5 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Весы доступны в формате PyTorch; лицензия — Apache 2.0. Модель предназначена для локального запуска, прототипирования и автоматизации задач с конфиденциальными документами, в частности для ответов на вопросы по предоставленному контексту, извлечения ключей и значений и базового суммирования. В карточке сообщается результат 92 из 100 на RAG-Instruct-Benchmark-Tester; при этом оценки отдельных типов задач неоднородны, а тесты не гарантируют точность на других данных. Модель специализируется на ограниченном наборе инструкционных задач и не является универсальной системой. Ответы могут быть неточными или неполными, поэтому их следует проверять. Для локального инференса заявлена пригодность для ноутбука без продвинутой квантизации.

Это предварительно обученная модель векторных представлений fastText для эстонского языка, опубликованная Facebook. Она предназначена для преобразования слов и текстовых фрагментов в векторы, которые можно использовать в классификации текста, определении языка и вычислении семантического сходства. Модель построена на fastText и обучена методом CBOW с позиционными весами на корпусах Common Crawl и Wikipedia. Векторы имеют размерность 300; используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. fastText работает на обычном процессоре и подходит для прототипирования и применения в продукционных системах. Модель предназначена для работы с текстом на эстонском языке. В README отмечено, что предсказания могут отражать смещения, присутствующие в обучающих данных. Лицензия — CC BY-SA 3.0.

Модель lincoln/flaubert-mlsum-topic-classification разработана для классификации французских новостных статей по темам. Она основана на flaubert/flaubert_base_cased и дообучена для sequence classification на статьях из MLSUM. Модель принимает текст тела статьи и предсказывает одну из укрупнённых тематических категорий: экономика, мнения, политика, общество, культура, спорт, окружающая среда, технологии, образование или правосудие. Обучение проводилось на 20% очищенного набора MLSUM, содержащего около 294 тысяч статей; средняя длина тела статьи в наборе — 694 токена. Контекст модели ограничен 512 токенами, поэтому длинный текст может быть усечён. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена для тематической разметки новостных материалов и создана как proof of concept; авторы не гарантируют стабильность результатов. Лицензия — MIT.

Gooly/gte-small-en-fine-tuned-e-commerce — модель эмбеддингов на базе Sentence-Transformers для представления предложений и абзацев в виде плотных векторов размерности 384. По названию репозитория модель дообучена для электронной коммерции; README указывает обучение с MultipleNegativesRankingLoss и косинусным сходством. Она подходит для семантического поиска и кластеризации текстов, например для поиска товаров по смыслу запроса. Архитектура — BERT, размер — около 40 млн параметров, формат весов — PyTorch, максимальный контекст — 512 токенов. Модель принимает текст и выдаёт векторы, пригодные для сравнения семантической близости. Название указывает на англоязычную специализацию, однако README и метаданные не подтверждают конкретные языки обучения. Сведения о лицензии в предоставленных данных отсутствуют.

samandar1105/inlegalbert-legal-ner — модель на базе BERT, дообученная для распознавания именованных сущностей в юридических документах. Она извлекает 14 типов сущностей, включая суды, судей, стороны дела, номера дел, законы, положения, прецеденты, свидетелей, организации, географические названия и даты. Базовая модель law-ai/InLegalBERT предварительно обучена на 5,4 млн индийских юридических документов; дообучение выполнено на opennyaiorg/InLegalNER. Модель предназначена для автоматического извлечения юридических сущностей из судебных и иных правовых документов и может использоваться как компонент конвейера анализа документов с поиском и ответами на вопросы. В тестировании указаны precision 0,8308, recall 0,8763 и F1 0,8530. Архитектура — BertForTokenClassification, размер — 136,7 млн параметров, максимальный контекст — 512 токенов; модель принимает текст и возвращает метки сущностей для его фрагментов. В карточке не указана лицензия.

jev2-legal — англоязычная Sentence Transformer модель, дообученная bwang0911 на базе sentence-transformers/all-mpnet-base-v2 на юридических наборах данных, включая COLIEE, Legal QA, Law StackExchange, CUAD QA, Privacy QA и материалы по судебным делам. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает MPNet, усреднение токенных представлений и нормализацию. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, тогда как карточка модели задаёт максимальную длину последовательности 192 токена. Модель предназначена для семантического поиска по юридическим материалам, сопоставления вопросов с релевантными документами, оценки сходства текстов, поиска перефразировок и кластеризации. Карточка приводит результаты оценки на задачах поиска по юридическим документам и контрактам, но качество зависит от корпуса и сценария; модель создаёт эмбеддинги, а не готовые юридические ответы или заключения. Лицензия в предоставленных данных не указана.

Модель wilsonoey/llama3-grpo-rag-think — дообученная автором wilsonoey языковая модель семейства Llama 3 для генерации текста и диалогов. Она основана на wilsonoey/llama3-finetuned-rag-model-1 и рассчитана на англоязычные сценарии, включая работу с RAG. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL; архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель может применяться для генерации ответов в диалоговом интерфейсе и формулирования ответов в RAG-сценариях. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0. Данных о специальных ограничениях качества или оценке модели в карточке нет.

MiniCheck-RoBERTa-Large — модель для проверки фактов, разработанная авторами работы MiniCheck: Efficient Fact-Checking of LLMs on Grounding Documents. Она принимает документ и отдельное утверждение и определяет, подтверждается ли утверждение содержанием документа, выдавая бинарную метку: 1 — подтверждено, 0 — не подтверждено. Модель предназначена для проверки утверждений в ответах LLM по опорным документам и оценки фактической обоснованности сгенерированного текста на уровне предложений. Это модель классификации последовательностей на базе RoBERTa-Large с 454,1 млн параметров и контекстом 514 токенов. Она дообучена от обученной RoBERTa-Large из AlignScore на 14 тысячах синтетических примеров. В работе авторов модель показала сильные результаты на бенчмарке LLM-AggreFact по сравнению со специализированными фактчекерами сопоставимого размера. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель рассчитана на английский язык. Оценка проводилась на реальных утверждениях; результаты для утверждений, вручную изменённых для внесения определённых ошибок, не оценивались. Для надёжной проверки модель следует использовать вместе с подходящими опорными документами и учитывать ограничение контекста.

AdamLucek разработал англоязычную модель Sentence Transformer на основе nomic-ai/modernbert-embed-base, дообучив её на синтетических примерах для юридического поиска. Модель преобразует предложения и абзацы в нормализованные плотные эмбеддинги: основной размер вектора — 768, сходство можно оценивать косинусной мерой. Архитектура включает ModernBERT, усреднение токеновых представлений и нормализацию; максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска по юридическим документам и поиска релевантных фрагментов для RAG, а также для сравнения текстов, поиска перефразирований, кластеризации и классификации. Matryoshka-обучение позволяет использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64, с некоторым снижением показателей поиска относительно полного вектора. Выпускается в формате safetensors и распространяется по лицензии Apache-2.0.

MyAwesomeModel — модель из репозитория DSADSD12SZC/MyAwesomeModel-TestRepo, предназначенная по метаданным Hugging Face для извлечения признаков с использованием библиотеки Transformers и фреймворка PyTorch. В тегах также указана архитектурная принадлежность к BERT. README описывает обновлённую версию как модель с улучшенными рассуждениями, математическими и программными способностями, генерацией текста, ответами на вопросы, классификацией, суммаризацией и поддержкой function calling, однако эти заявления не согласуются с указанным pipeline_tag feature-extraction.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная пользователем или организацией ZXC13ESDS на Hugging Face. Модель предназначена для получения векторных представлений текста, которые можно использовать в задачах семантического поиска, сравнения текстов, классификации и других downstream-сценариях обработки естественного языка. Для работы заявлена библиотека Transformers с поддержкой PyTorch. В README также заявлены возможности рассуждения, генерации кода, диалогов, суммаризации, function calling и работы с веб-поиском, однако эти сведения не согласуются с метаданными, где модель указана как feature-extraction с тегом BERT. Архитектура, число параметров, поддерживаемые естественные языки и длина контекста в доступных данных не указаны. Модель распространяется по лицензии MIT.

Minetta Nemotron-3-Embed-8B-Legal — специализированная модель эмбеддингов для юридических текстов, дообученная на базе NVIDIA Nemotron-3-Embed-8B-BF16. Это плотная модель семейства Ministral 3 с 8 млрд параметров; она преобразует текст в векторы размерностью 4096 и рассчитана на длинный контекст до 262 144 токенов. Модель предназначена для семантического поиска и сопоставления юридических документов, включая судебные решения, договоры, законы и нормативные акты. Её можно применять для извлечения релевантных фрагментов в RAG-системах и поиска по юридическим корпусам. В README заявлены результаты на MLEB и MTEB(Law); результаты MLEB описаны как локальные запуски, отправленные на проверку, поэтому их следует считать самоотчётными. Модель обучена с помощью LoRA и контрастивного обучения с подбором трудных отрицательных примеров на открытых юридических источниках. Поддерживается английский язык; наиболее сильные области охвата — юрисдикции ЕС, США, Великобритании и Австралии. В README указана лицензия «other», без конкретных условий; модель предназначена для поиска и не заменяет юридическую консультацию.

liaad/NER_harem_bert-base-portuguese-cased — модель для распознавания именованных сущностей, дообученная разработчиком на наборе данных HAREM на основе neuralmind/bert-base-portuguese-cased. Она использует архитектуру BERT для классификации токенов и предназначена для разметки сущностей в текстах на португальском языке. В карточке приведены результаты на оценочной выборке: F1 0,7106, точность (precision) 0,6853, полнота (recall) 0,7378 и accuracy 0,9522. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Распространяется по лицензии MIT.

Модель Yueh-Huan — классификатор новостных заголовков на базе DistilBERT, дообученный на 210 тысячах заголовков HuffPost за 2012–2022 годы. Она предназначена для отнесения заголовка к категории новостей и может использоваться для автоматической разметки новостных материалов. Модель принимает текст и возвращает метку класса. Архитектура — DistilBertForSequenceClassification; репозиторий содержит веса в формате TensorFlow. Карточка указывает поддержку английского языка и контекст до 512 токенов. Лицензия — OpenRAIL.

kartashoffv/news_topic_classification — дообученная модель BERT для классификации текста по темам новостей. Она основана на русскоязычной DeepPavlov/rubert-base-cased и содержит 205,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для присвоения новостным текстам тематических меток и может использоваться в автоматической сортировке новостей и тематической разметке публикаций. В карточке приведён результат F1 0,8712 на оценочном наборе, но название и состав набора, схема классов и методика оценки не раскрыты. Модель работает с текстом и выдаёт классификационные метки. Используются форматы PyTorch и safetensors; лицензия в предоставленных данных не указана.

nli-MiniLM2-L6-H768-answerable-or-not — англоязычная модель классификации текста, дообученная leomaurodesenv на основе cross-encoder/nli-MiniLM2-L6-H768. Она предназначена для определения, можно ли ответить на запрос или вопрос, то есть для бинарной классификации «ответить / нельзя ответить». Модель построена на архитектуре RoBERTa и содержит 95,2 млн параметров; максимальная длина контекста — 514 токенов. Модель подходит для фильтрации вопросов и отбора запросов, на которые система может сформировать ответ. В README приведены результаты оценки: accuracy 0,9924 и loss 0,0394, однако набор данных и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется по лицензии Apache-2.0.

guishe выпустил guishe/nuner-v1_orgs — модель распознавания именованных сущностей, дообученную на наборе NER-ORGS для выделения организаций в тексте. Она основана на NuNER-v1.0 с RoBERTa-base в качестве базового энкодера и использует архитектуру RoBERTa для классификации токенов. Модель содержит 151,8 млн параметров, работает с текстом и имеет контекстное окно 514 токенов. Модель предназначена для извлечения названий организаций из текста и может применяться при разборе документов или автоматической разметке упоминаний компаний. В карточке указан английский язык. Модель распространяется по лицензии CC BY-SA 4.0. Данных о качестве на иных типах сущностей или языках нет.