I.1Поиск и навигация по информации

Tomaarsen/LFM2-350M-nq-prompts — модель Sentence Transformer, дообученная на парах запросов и ответов набора Natural Questions на базе LiquidAI/LFM2-350M. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных документов. В модели используется архитектура LFM2 с pooling по последнему токену; максимальная длина последовательности составляет 128 000 токенов. Для сравнения векторов предусмотрена косинусная мера сходства; карточка приводит результаты на тестах поиска NanoMSMARCO, NanoNFCorpus и NanoNQ. Модель ориентирована на англоязычные запросы и документы, например поиск ответа на вопрос в коллекции текстов, поиск перефразировок, кластеризацию и классификацию на основе эмбеддингов. Выпущена под лицензией Apache-2.0. Показатели в карточке получены на небольших наборах Nano BEIR и Natural Questions, поэтому их не следует считать гарантией качества на произвольных корпусах; результаты могут зависеть от формата запросов и документов.

LFM2.5-ColBERT-350M-fp16 — многоязычная двунаправленная модель для извлечения признаков и поиска документов, подготовленная на базе LiquidAI/LFM2.5-ColBERT-350M и упакованная в формат MLX fp16 для Apple Silicon. Модель формирует векторы размерности 128 для каждого токена, а релевантность запроса и документа оценивает методом позднего взаимодействия MaxSim. Для кодирования используются обязательные маркеры [Q] для запроса и [D] для документа. Модель предназначена для семантического поиска и ранжирования в системах извлечения информации. Архитектура LFM2 включает двунаправленный энкодер; размер модели по метаданным — 443,4 млн параметров, контекст — до 128 000 токенов. Заявлена поддержка английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского языков. README приводит результаты на подмножестве англоязычного NanoBEIR и указывает на специализированный загрузчик MLX для корректного получения эмбеддингов. Это вариант fp16 без квантизации, рассчитанный на запуск через MLX на компьютерах Apple Silicon. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в файлах репозитория. Результаты бенчмарка охватывают ограниченный англоязычный набор и не характеризуют качество на полном многоязычном наборе.

Это квантованная до 8 бит версия LFM2.5-ColBERT-350M от Liquid AI, подготовленная sahilchachra для запуска на компьютерах Apple Silicon с MLX. Модель представляет собой двунаправленный энкодер позднего взаимодействия: преобразует каждый токен запроса и документа в вектор размерности 128, а релевантность оценивает методом MaxSim. Для кодирования нужны маркеры [Q] для запросов и [D] для документов. Модель предназначена для многоязычного семантического поиска и ранжирования документов. Карточка приводит результаты сравнения int8 с fp16 на англоязычном подмножестве NanoBEIR из четырёх наборов данных: среднее значение NDCG@10 у int8 составило 100,5% от fp16. Указан размер весов 376 МБ и пропускная способность 12 978 токенов в секунду на чипах серии M; эти показатели относятся к тесту автора и его конфигурации. В метаданных указаны 443,4 млн параметров, контекст до 128 000 токенов и лицензия other. Формат файлов — safetensors; README описывает квантизацию MLX affine с group_size=64. Это производная от LiquidAI/LFM2.5-ColBERT-350M модель. Результаты в README ограничены небольшим англоязычным тестом и не характеризуют качество на всём наборе языков или других сценариях.

LGAI-Embedding-Preview — модель для получения векторных представлений текста, разработанная на основе Mistral-7B. Она предназначена для оценки сходства предложений и задач поиска по семантическому соответствию; README описывает её проверку на бенчмарке MTEB с примерами в контексте. Модель имеет плотную архитектуру Mistral примерно на 7,1 млрд параметров, размерность эмбеддингов 4096 и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и указывает лицензию Apache-2.0. README называет модель предварительной и сообщает, что цель работы — воспроизвести базовую модель и проверить процесс публикации результатов.

LightOn-rerank-PW-4B — мультимодальная модель-переранжировщик от LightOn на основе Qwen/Qwen3.5-4B. Это pointwise cross-encoder: он независимо оценивает каждую пару «запрос — кандидат» и выдаёт оценку как разность логитов ответов Yes и No. Модель принимает текстовый запрос и текстовый фрагмент либо изображение страницы документа; для оценки кандидатов не требуется генерация ответа. Модель предназначена для второго этапа поиска: она переупорядочивает результаты, найденные BM25, dense retrieval или ColPali-подобным поиском. Совместное дообучение на текстовых и визуальных данных позволяет использовать один переранжировщик для текстовых фрагментов и страниц PDF, слайдов и сканов. Размер модели — около 4,5 млрд параметров; веса представлены в формате safetensors и bfloat16. Обучение проводилось на английском языке; французский поддерживается с переносом без дополнительного обучения. Для корректного pointwise-скоринга необходимо отключить режим thinking в шаблоне чата. На визуальных задачах модель не показывает прироста относительно версии 2B; для таких сценариев авторы рекомендуют listwise-вариант LW-4B. Для части текстовых бенчмарков результаты затронуты пересечением обучающих данных с NQ и MS MARCO. Лицензия — Apache-2.0.

Lucy — компактная языковая модель с архитектурой Qwen3, разработанная Alan Dao, Bach Vu Dinh, Alex Nguyen и Norapat Buppodom на основе Qwen/Qwen3-1.7B. Она предназначена для агентного веб-поиска и облегчённого просмотра страниц: модель рассуждает над поисковыми задачами и может работать с поисковыми API и браузерными инструментами через MCP. Разработчики сообщают о применении машинно-сгенерированных task vectors и обучения с подкреплением без supervised fine-tuning; модель рассчитана на эффективный запуск на мобильных устройствах, в том числе только на CPU. Модель содержит 1,7 млрд параметров, принимает и генерирует текст, поддерживает диалог и имеет контекст до 131 072 токенов. В README указана английская языковая направленность. Для запуска описана интеграция с vLLM, llama.cpp и локальными приложениями, а также настройка вызова инструментов и масштабирования RoPE. Лицензия — Apache-2.0. Заявления о результатах оценки и скорости приведены разработчиками; практическое качество зависит от конфигурации и подключённых инструментов.

Together Computer публикует M2-BERT-80M-8k-retrieval — модель семейства M2-BERT, дообученную для поиска по длинным текстам. В README указана версия чекпойнта на 80 млн параметров, однако метаданные Hugging Face сообщают 136,7 млн параметров; поэтому размер в описании не приводится. Модель обучена Jon Saad-Falcon, Dan Fu и Simran Arora на последовательностях длиной до 8192 токенов и загружается как BertForSequenceClassification через Transformers. Модель предназначена для оценки сходства предложений и retrieval-сценариев с длинным контекстом: например, для ранжирования документов по релевантности запросу. Основной указанный язык — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Для загрузки в README показан параметр trust_remote_code=True.

Карточка модели gemasphi/mcontriever-msmarco на Hugging Face совпадает с карточкой gemasphi/mcontriever, поэтому описание составлено по ней. gemasphi/mcontriever — модель на основе архитектуры BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Общее число параметров — 205,1 млн, максимальная длина контекста — 512 токенов; репозиторий содержит веса PyTorch. Модель подходит для построения векторного поиска по текстовым коллекциям, группировки похожих фрагментов и оценки семантической близости. В README описано обучение с CosineSimilarityLoss. Язык обучения или перечень поддерживаемых языков в предоставленных данных не подтверждены. Лицензия в доступных сведениях не указана.

MiroThinker-1.7-mini — языковая модель-агент семейства MiroThinker, разработанного miromind-ai для многошаговых исследовательских задач и длинных рабочих процессов с инструментами. В карточке указаны контекст до 256K токенов и поддержка до 300 вызовов инструментов за задачу; для полноценной работы авторы рекомендуют агентскую инфраструктуру с включённым режимом рассуждений. Модель основана на Qwen3-235B-A22B-Thinking-2507 и дообучена; метаданные описывают архитектуру Qwen3 MoE и 2,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. README заявляет высокие результаты семейства MiroThinker-1.7 в исследовательских бенчмарках, но конкретные показатели не относятся однозначно к версии mini. Модель предназначена для глубокого поиска, обобщения сведений и решения сложных задач с последовательным использованием инструментов. Выпускается по лицензии Apache-2.0. Для ожидаемого агентского поведения требуются совместимая среда выполнения, инструменты и подходящий системный промпт; доступные сведения не подтверждают, что приведённые в README результаты измерены именно на версии mini.

MiroThinker-v1.0-8B — открытая исследовательская агентная модель, разработанная MiroMind на базе Qwen3-8B и дообученная для рассуждений с использованием инструментов и поиска информации. Она предназначена для многошаговых исследовательских задач: модель может запрашивать внешнюю информацию, вызывать инструменты, проверять результаты и уточнять ход решения. В описании заявлена поддержка до 600 вызовов инструментов за задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 262 144 токенов. Карточка сообщает об англоязычной версии; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии MIT. Карточка приводит результаты на исследовательских бенчмарках, однако качество зависит от подключённых инструментов, настроек рабочего процесса и вычислительных ресурсов. Для полноценного агентного сценария нужны совместимая среда и инструменты; сама модель не выполняет внешние действия без них.

HIT-TMG/Mixtral_13B_Chat_RAG-Reader — двуязычная модель с генерацией текста на основе поиска по документам (RAG), представленная HIT-TMG. Она предназначена для чтения документов и ответов на вопросы по предоставленным материалам на китайском и английском языках. Модель формирует ответы с цитатами и должна отказываться отвечать, если в документах нет нужной информации. Модель построена на архитектуре Mixtral MoE с классом MixtralForCausalLM; в метаданных указано 7,1 млрд параметров и контекст 32 768 токенов. Для работы ей передают документы и вопрос в диалоговом шаблоне RAG. Репозиторий содержит веса в формате safetensors и обучающий набор HIT-TMG/TruthReader_RAG_train. Лицензия — Apache-2.0.

Многоязычная модель PyLate для семантического поиска и сопоставления предложений. Она дообучена разработчиками модели на английских данных от jhu-clsp/mmBERT-base и переносит представления текста в последовательности 128-мерных векторов токенов. Архитектура ColBERT использует энкодер ModernBERT с проекцией из 768 в 128 измерений, а релевантность запросов и документов оценивается оператором MaxSim. Модель содержит около 306,9 млн параметров и поддерживает контекст до 8192 токенов по метаданным; в карточке также указаны длины до 1024 токенов для документов и 64 токена для запросов. Модель предназначена для построения поискового индекса по документам, извлечения наиболее релевантных фрагментов и повторного ранжирования результатов первичного поиска. Обучение проводилось на английском языке, а README сообщает о переносе на корейские задачи поиска и приводит результаты оценки на корейских наборах MTEB. Для работы и индексирования описана интеграция с PyLate и FastPLAID. Сведения о лицензии в предоставленных источниках отсутствуют.

mMiniLM-L6-v2-en-pt-msmarco-v2 — мультиязычная модель семейства MiniLM, разработанная Unicamp-DL и дообученная на двуязычной версии набора MS MARCO Passage Ranking. Набор включает исходные англоязычные passages и их переводы на португальский, выполненные Google Translate. Модель предназначена для сопоставления запросов с passages и ранжирования результатов поиска на английском и португальском языках. В метаданных указана архитектура XLM-RoBERTa с головой классификации последовательностей, 110,2 млн параметров и контекст до 514 токенов. Репозиторий содержит веса PyTorch; лицензия — MIT. Метаданные Hugging Face классифицируют модель как text-classification, поэтому для поиска в каталоге используется этот pipeline-тег. Карточка описывает обучение на двуязычных данных MS MARCO, но не приводит метрик качества. Португальская часть обучающих данных получена машинным переводом, что может влиять на качество ранжирования.

rankyx/ModernBERT-QnA-base-squad — дообученная модель ModernBERT для извлечения ответов на вопросы из предоставленного текста. Разработчик дообучил базовую answerdotai/ModernBERT-base на наборе SQuAD с помощью Hugging Face Transformers. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Модель предназначена для систем вопросно-ответного поиска, в которых нужно найти ответ в тексте, например в документации или статьях. В карточке указаны результаты на SQuAD: F1 92,59 и Exact Match 86,45. При использовании следует учитывать, что это экстрактивная модель: она извлекает ответ из контекста, а не предназначена для свободной генерации. Распространяется по лицензии Apache-2.0.

robro612/modernbert_xtr_contrastive_k128 — англоязычная модель ColBERT на базе answerdotai/ModernBERT-base, дообученная автором репозитория с помощью PyLate на наборе msmarco-10m-triplets. Она кодирует запросы и документы в последовательности плотных 128-мерных векторов, а релевантность оценивает оператором MaxSim. Архитектура включает ModernBERT encoder и линейный слой проекции с 768 до 128 измерений; в метаданных указано 149 млн параметров и контекст до 8192 токенов. В README для использования заданы длины документов до 512 токенов и запросов до 32 токенов. Модель предназначена для семантического поиска по коллекциям документов и переранжирования результатов первичного поиска. Для быстрого поиска по индексу README рекомендует связку с FastPLAID в PyLate. Модель обучалась на англоязычных триплетах MS MARCO; приведены результаты оценивания на наборах Nano BEIR и других коллекциях, но они не гарантируют качество на произвольных данных. Для работы с моделью требуется библиотека PyLate. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

robro612/modernbert_xtr_kd_k512 — модель извлечения и ранжирования текстовых документов на основе ModernBERT и архитектуры ColBERT, опубликованная в PyLate. Она кодирует запрос и документ в последовательности 128-мерных векторов и сравнивает их с помощью MaxSim; подходит для семантического поиска, формирования выдачи и повторного ранжирования результатов первичного поиска. В README указаны пределы длины 32 токена для запроса и 512 токенов для документа; метаданные сообщают о 149 млн параметров и контекстном окне 8192 токена. Модель предназначена для английского языка и обучалась на 640 тысячах примеров из датасета lightonai/ms-marco-en-bge-gemma с дистилляцией. Для использования модель требует библиотеку PyLate; для эффективного поиска README описывает индекс FastPLAID. Карточка приводит результаты оценки на наборах NanoBEIR и Nano BEIR, но качество зависит от данных и сценария поиска. Файлы представлены в формате safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

Это англоязычный Cross Encoder на базе jhu-clsp/ettin-encoder-32m, дообученный авторами Sentence Transformers на датасете MS MARCO. Модель использует архитектуру ModernBERT, содержит 31,9 млн параметров и принимает пару текстов, чтобы оценить их релевантность; результатом служит один числовой балл. Для этой модели указано максимальное ограничение в 512 токенов на последовательность. Модель предназначена для переранжирования результатов поиска и семантического поиска: её можно применять для переоценки кандидатов, уже найденных поисковой системой, чтобы поднять наиболее подходящие документы выше. В README приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель распространяется в формате safetensors и рассчитана на использование с библиотекой sentence-transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

Это порт модели ANCE FirstP в формате Sentence Transformers. Разработчики Sentence Transformers адаптировали модель для преобразования предложений и абзацев в плотные векторы размерностью 768. Её можно применять для семантического поиска и кластеризации текстов. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO; модель предназначена для получения текстовых эмбеддингов и оценки семантического сходства. Указана лицензия Apache-2.0.

jangedoo/multilingual-e5-small-pruned — компактная многоязычная модель эмбеддингов на базе BERT, созданная обрезкой токенов и словаря модели intfloat/multilingual-e5-small. Она предназначена для получения векторных представлений текста, семантического сравнения предложений и поиска текстов по смыслу. Модель содержит около 94,6 млн параметров по метаданным каталога, использует библиотеку Sentence Transformers и принимает последовательности длиной до 512 токенов. Обрезка уменьшила размер словаря примерно на 31%, а число параметров — примерно на 25% относительно базовой модели согласно README. В приведённых оценках STS-B и NanoBEIR качество ниже базовой версии, хотя остаётся близким по STS-B. Модель поддерживает многоязычный текст; конкретный перечень языков в источниках не приведён. Условия лицензии в предоставленных данных отсутствуют.

MultiQA-mMini-L6-H384 — модель эмбеддингов предложений, разработанная carlesoctav на основе nreimers/mMiniLMv2-L6-H384-distilled-from-XLMR-Large. Она дообучена методом дистилляции с учителем sentence-transformers/multi-qa-MiniLM-L6-dot-v1 на параллельных английских и индонезийских предложениях. Модель кодирует запросы, вопросы и текстовые фрагменты в плотные векторы размерности 384 для семантического поиска, поиска документов и межъязыкового информационного поиска. Модель использует архитектуру XLM-RoBERTa и содержит 110,2 млн параметров. Эмбеддинги формируются с помощью CLS pooling и не нормализуются. Контекст модели составляет 514 токенов по метаданным, однако карточка указывает ограничение в 256 word pieces и обучение на текстах длиной до 80 word pieces, поэтому качество на более длинных фрагментах может снижаться. Валидационная точность для поиска параллельных текстов на паре английский—индонезийский составила 92%. Лицензия — Apache-2.0.

Vasanth/multi-qa-MiniLM-L6-cos-v1-qa-squad2-retriever — модель встраивания предложений на базе BERT, созданная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 25,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусной мерой сходства. Векторы подходят для семантического поиска и других задач, где нужно сопоставлять тексты по смыслу. Карточка не сообщает о специализированной поддержке языков или прикладных областях. Лицензия в предоставленных данных не указана.

legacy107/multi-qa-mpnet-base-dot-v1-wikipedia-augmented-search-farmed — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов; в README также указаны сценарии кластеризации и семантического поиска. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель принимает текст и выдаёт векторные представления, пригодные для поиска по смыслу и группировки похожих текстов. Контекст составляет до 514 токенов. Данных о специальных языках, на которых модель оптимизирована, в карточке нет. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

tomaarsen выпустил англоязычный многовекторный энкодер на базе Alibaba-NLP/gte-modernbert-base, дообученный на 20 000 примерах MS MARCO с помощью Sentence Transformers. Модель кодирует текст в последовательности векторов размерностью 128 и сравнивает запросы с документами методом позднего взаимодействия MaxSim, что предназначено прежде всего для семантического поиска и извлечения релевантных документов. Модель использует архитектуру ModernBERT, содержит 149 млн параметров и принимает текст длиной до 8192 токенов. Она рассчитана на английский язык; в README приведены результаты оценки на наборах для поиска и сопоставления запросов с документами. Лицензия Apache-2.0.

chandc/my-embedding-gemma — текстовая Sentence Transformer-модель, дообученная на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и извлечения релевантных текстов. Модель использует косинусное сходство и принимает последовательности длиной до 2048 токенов. Для дообучения указаны три примера с парами запросов и релевантных и нерелевантных текстов; применялась функция потерь MultipleNegativesRankingLoss. Примеры относятся к финансовым и страховым вопросам, но их мало, поэтому они не подтверждают надёжную специализацию или качество в этих областях. Модель работает только с текстом; лицензия в предоставленных данных не указана.

Nemotron-3-Embed-1B-BF16-MLX — конверсия мультиязычной модели эмбеддингов NVIDIA Nemotron-3-Embed-1B-BF16, созданная независимым сообществом для запуска на Apple Silicon через MLX. Модель использует архитектуру Ministral3 с двунаправленным вниманием и выдаёт усреднённые L2-нормализованные текстовые эмбеддинги. Размер исходной модели — 1,1 млрд параметров; веса сохранены в BF16 без квантизации, формат файлов — safetensors. В метаданных указан контекст до 262 144 токенов, однако в этой реализации README задаёт max_length 4096 и отмечает, что двунаправленное внимание с квадратичной сложностью ограничивает практическую длину последовательности. Модель предназначена для семантического поиска, сопоставления запросов с документами, извлечения релевантных фрагментов и построения RAG-систем. Поддерживает множество языков, включая русский и английский; для запросов и документов требуются префиксы `query: ` и `passage: ` либо соответствующий параметр `input_type`. README сообщает о близком совпадении эмбеддингов с исходной PyTorch-реализацией, но отдельно подчёркивает, что это не измерение качества поиска. На Apple Silicon скорость обработки длинных документов может быть невысокой. Лицензия — OpenMDW-1.1; конверсия не связана с NVIDIA и не одобрена компанией.

Nemotron-3-Embed-8B-GGUF — набор GGUF-квантизаций модели Nemotron-3-Embed-8B-BF16, разработанной NVIDIA. Модель предназначена для создания текстовых эмбеддингов, семантического сходства и задач информационного поиска, включая retrieval и сценарии на базе sentence-transformers. Это текстовая embedding-модель с размером исходной модели 8B; точные сведения об архитектуре, поддерживаемых языках и длине контекста в README не указаны. Квантизация выполнена с использованием llama.cpp и публичной матрицы важности Wikitext-2. Для корректной работы к запросам требуется добавлять префикс «query: », а к документам — «passage: ». Эмбеддинги формируются посредством mean pooling и нормализуются по L2, что удобно для сравнения векторов. Сильные стороны модели — наличие GGUF-формата и ориентация на семантический поиск и сопоставление текстов. Ограничения включают необходимость соблюдать специальные префиксы и отсутствие в предоставленных данных подробностей о качестве, конкретных вариантах квантизации, языковом покрытии и контекстном окне. Модель распространяется по лицензии OpenMDW 1.1; README также указывает, что данный репозиторий не связан с NVIDIA, Mistral или другими компаниями и не одобрен ими.

Nemotron ColEmbed V2 — мультимодальная модель эмбеддингов NVIDIA для поиска по визуальным документам. Она дообучена на базе Qwen3-VL-4B-Instruct и использует трансформерную архитектуру с визуальным энкодером SigLIP-2, модулем объединения зрения и языка и языковой моделью. В модели около 4,8 млрд параметров. Модель принимает текстовые запросы и изображения страниц документов, включая таблицы, диаграммы и инфографику, и строит многовекторные представления в стиле ColBERT: для каждого токена выдаётся вектор размерности 2560. Она предназначена для поиска по документам и мультимодальных RAG-систем; в README указано третье место в бенчмарке ViDoRe V3 на момент публикации результатов. В README заявлена поддержка многоязычных данных и контекст до 10 240 токенов в проведённых оценках. Обработка изображений разбивает их на плитки, для описанной конфигурации используется до восьми плиток и миниатюра. Для запуска требуются Transformers версии 4.57.2 или выше и Flash Attention; модель оптимизирована для GPU NVIDIA. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими и исследовательскими сценариями.

Nemotron ColEmbed V2 — мультимодальная модель позднего взаимодействия для поиска по визуальным документам, разработанная NVIDIA. Она дообучена на базе Qwen3-VL-8B-Instruct и объединяет несколько дообученных контрольных точек. Модель принимает текстовые запросы и изображения страниц документов, а выдаёт ColBERT-подобные многовекторные представления для поиска и ранжирования документов по запросу. Модель предназначена для мультимодальных RAG-систем, поиска по страницам с текстом, таблицами, графиками и инфографикой, а также для кросс-модального поиска. Архитектура — трансформер с визуальным энкодером SigLIP2-SO-400M, модулем объединения визуальных и языковых признаков и языковой частью; размер — около 8,8 млрд параметров. Для каждого входного токена формируется вектор размерности 4096. В README указана проверенная длина контекста до 10 240 токенов; модель поддерживает многоязычный поиск. В карточке сообщается о первом месте на ViDoRe V3 на момент публикации и улучшении семантического соответствия благодаря многоязычным синтетическим данным. Для запуска требуются Transformers версии 4.57.2 или новее и Flash Attention; модель ориентирована на GPU NVIDIA. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с соблюдением её условий.

NeoMME-800M-Retriever-ST-late — мультимодальная модель для поиска по документам, разработанная Hcompany. Она дообучена на основе Hcompany/NeoMME-800M-Retriever и использует один общий двунаправленный Transformer-энкодер для текстовых запросов и документов, включая текст и изображения страниц. Вариант ST-late предназначен для независимой настройки многовекторного поиска через Sentence Transformers и возвращает только многовекторные эмбеддинги. Модель подходит для поиска релевантных текстовых документов и страниц по текстовому запросу, включая визуальный поиск по документам. Представления L2-нормализованы, а ранжирование использует оценку MeanMaxSim. Архитектура NeoMME, около 1,1 млрд параметров, контекст до 16 384 токенов; заявлена многоязычная поддержка. Для работы используется Sentence Transformers. Модель распространяется по лицензии Apache-2.0. В Sentence Transformers за один запуск доступна только одна из двух голов поиска; этот вариант поддерживает только многовекторные эмбеддинги.

Модель raphaelsty/neural-cherche-colbert — англоязычная модель семейства MPNet, обученная с помощью Neural-Cherche и настроенная как ColBERT для поиска и ранжирования текстов. В README она описана как all-mpnet-base-v2 в формате ColBERT; доступны сценарии Retriever и Ranker, а для работы предлагается библиотека neural-cherche. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате safetensors. Лицензия — MIT. Метаданные Hugging Face классифицируют её как модель заполнения маски (fill-mask), тогда как карточка описывает применение для извлечения и ранжирования; поэтому для пользовательского поиска важнее указанные в README функции Retriever и Ranker.