I.1Поиск и навигация по информации

facebook/tart-full-flan-t5-xl — модель ранжирования документов, разработанная исследователями Meta AI и представленная в проекте TART. Это кросс-энкодер на архитектуре T5, дообученный инструкциями на примерно 40 задачах информационного поиска и инициализированный из google/flan-t5-xl. Модель принимает запрос, текст документа и инструкцию на естественном языке, а затем оценивает релевантность документа запросу, чтобы упорядочить кандидатов после первичного поиска. Модель предназначена для улучшения поиска по коллекциям документов и применяется в сценариях retrieval-augmented generation, где нужно выбрать наиболее подходящие фрагменты для ответа. Авторы сообщают о результатах на BEIR, LOTTE и X²-Retrieval, превосходящих предыдущие методы на момент публикации работы. В метаданных указаны 385,2 млн параметров и контекст до 512 токенов; README приводит для TART-full размер 1,5 млрд параметров, поэтому сведения о размере расходятся. Доступен формат PyTorch. Для использования требуется специализированная реализация EncT5. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

Это точечный переранжировщик пассажей utahnlp, созданный на основе Qwen3-30B-A3B — причинной языковой MoE-модели — с помощью инструментария Tevatron 3.0. Модель дообучена контрастивным методом на наборе RLHN-680K; использованные при обучении LoRA-адаптеры объединены с весами модели. Модель оценивает релевантность пары «запрос — пассаж» и предназначена для повторного ранжирования результатов информационного поиска. Она принимает текст запроса и текст пассажа, включая заголовок, и вычисляет оценку как разность логитов ответов «yes» и «no» после заданного вопроса о релевантности. Это причинная языковая модель, а не обычный классификатор последовательностей. Контекст составляет 32 768 токенов; число параметров в метаданных — 2,6 млрд. Формат весов — safetensors, библиотека — Transformers. Карточка не сообщает поддерживаемые естественные языки. Базовая модель — Qwen/Qwen3-30B-A3B-Base. Лицензия — Apache-2.0. Для воспроизведения оценивания важно соблюдать описанный в карточке формат промпта и не добавлять EOS-токен перед вычислением оценки.

utahnlp/tevatron3-reranker-30b-a3b-distill-lora — точечная модель переранжирования пассажей, разработанная на базе Qwen3-30B-A3B с использованием инструментария Tevatron 3.0. Это причинная языковая модель архитектуры MoE, дообученная методом listwise-KL-дистилляции на RLHN-680K; LoRA-адаптер объединён с весами. Для пары запроса и фрагмента текста модель выдаёт оценку релевантности как разность логитов продолжений « yes» и « no» после специального завершающего вопроса в промпте. Модель предназначена для сортировки найденных пассажей в системах информационного поиска. Используются формат safetensors, библиотека Transformers и контекст до 32 768 токенов; указанный размер — 2,6 млрд параметров. Лицензия — Apache-2.0. Для корректных оценок нужен описанный в карточке формат промпта и расчёт логарифмических шансов; модель не является обычным классификатором с одним регрессионным логитом.

Это точечный переранжировщик от Utah NLP на базе Qwen3-8B, обученный с помощью Tevatron 3.0 и контрастивной функции потерь на данных RLHN-680K. Модель оценивает релевантность пары «запрос — документ» как разность логитов ответов «yes» и «no» после промпта с вопросом о релевантности. Для оценки используется шаблон с запросом, заголовком и текстом документа. Модель основана на плотной авторегрессионной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. LoRA-адаптер объединён с базовыми весами. Предназначена для ранжирования найденных фрагментов и улучшения выдачи информационного поиска. Распространяется по лицензии Apache-2.0.

Это точечная модель-реранкер для оценки релевантности пары «запрос — фрагмент документа». Её разработали на базе Qwen3-8B с использованием инструментария Tevatron 3.0; модель имеет плотную архитектуру Qwen3ForSequenceClassification с 7,6 млрд параметров и дообучена методом contrastive с помощью LoRA, веса которой объединены с базовой моделью. Модель принимает запрос и заголовок с текстом фрагмента в формате «query: … passage: …», добавляет EOS и выдаёт один регрессионный логит как оценку релевантности. Её можно применять для переупорядочивания результатов поиска и ранжирования фрагментов при информационном поиске. Максимальная длина контекста — 32 768 токенов; основная область применения — англоязычные запросы и документы, указанные в обучающей карточке. Для загрузки используется AutoModelForSequenceClassification. Лицензия — Apache-2.0.

Layasaran/text_embed_0.5b — плотная текстовая embedding-модель, дообученная с помощью контрастивного обучения для поиска по смыслу, сопоставления запросов с документами и RAG. В README указаны обучение с Multiple Negatives Ranking Loss и подбором сложных негативных примеров, а также настройка пространства эмбеддингов для оценки косинусного сходства. Модель содержит 507,9 млн параметров, использует архитектуру PPLXQwen3ContextualModel и принимает текст, возвращая эмбеддинги для последующего поиска и ранжирования. Метаданные указывают контекст до 32 768 токенов; README описывает обработку длинных фрагментов с усечением последовательностей в зависимости от настроек. Модель рассчитана на английский язык. Разработчик заявляет ориентацию на производственное применение и низкую задержку при инференсе на GPU. Лицензия Apache-2.0. Качество и ограничения по конкретным доменам в предоставленных данных не оценены; README не приводит результатов бенчмарков.

TinyE5-L6-384 — компактная модель эмбеддингов текста, разработанная GrowBit Labs на основе sentence-transformers/all-MiniLM-L6-v2 и дообученная для семантического поиска и информационного поиска с префиксами query: и passage:. Это энкодер на архитектуре BERT с 6 слоями Transformer; он создаёт векторы размерности 384 с помощью среднего pooling и L2-нормализации. По README модель содержит 22,7 млн параметров, а метаданные репозитория указывают 25,9 млн параметров; контекст ограничен 512 токенами. Модель подходит для построения семантического поиска, ранжирования кандидатов через сравнение эмбеддингов и извлечения релевантных документов. Для развертывания доступны варианты Safetensors FP32, ONNX FP32 и динамически квантованный ONNX INT8; README приводит результаты CPU-бенчмарков, где INT8-компактнее и быстрее FP32 с небольшим снижением показателя STS. Основной язык карточки — английский. Лицензия — Apache-2.0.

ToolMind-Web-3B — специализированная компактная агентная модель Nanbeige, дообученная на базе Nanbeige4-3B-Thinking-2511 с помощью SFT и обучения с подкреплением для поиска в интернете и работы с инструментами. Она предназначена для многошагового поиска и ответов на сложные вопросы; по описанию разработчиков, способна выполнять до сотен последовательных вызовов инструментов. Модель имеет плотную архитектуру семейства Llama и содержит 3,5 млрд параметров. Она принимает текст и генерирует текст в формате диалога, поддерживает английский и китайский языки, а длина контекста составляет 196 608 токенов. Разработчики сообщают о сравнительных оценках на Xbench-Deepsearch, HLE и GAIA; README также описывает набор данных вопросов и ответов, синтезированный на основе графа знаний Wikipedia, и обучение с оценкой на уровне отдельных ходов диалога. Модель подходит для агентных сценариев с поиском и вызовами инструментов, однако качество ответов и результаты бенчмарков зависят от окружения и доступных инструментов. Возможны предвзятые или вредоносные выходы. Лицензия — Apache-2.0.

Карточка модели Alibaba-NLP/UEmbed-2B на Hugging Face совпадает с карточкой Alibaba-NLP/UEmbed-4B, поэтому описание составлено по ней. UEmbed-4B — мультимодальная модель эмбеддингов от Alibaba-NLP на архитектуре Qwen3.5 с примерно 4 млрд параметров. Она принимает текст, изображения, видео и их сочетания, а за один проход формирует плотные векторы и разреженные SPLADE-представления для поиска и сопоставления содержимого. Модель предназначена для семантического и мультимодального поиска, включая поиск по визуальным документам. Плотные векторы подходят для поиска по смыслу, а разреженные активации связаны с терминами словаря и могут использоваться в индексах обратных списков. Модель доступна в формате safetensors и работает через Transformers. Модель обучена на публичных наборах данных для текстового и мультимодального поиска. Лицензия — CC BY 4.0. В README не приведены сведения о длине контекста или результаты, специфичные именно для версии 4B.

UEmbed-4B — мультимодальная модель эмбеддингов от Alibaba-NLP на архитектуре Qwen3.5 с примерно 4 млрд параметров. Она принимает текст, изображения, видео и их сочетания, а за один проход формирует плотные векторы и разреженные SPLADE-представления для поиска и сопоставления содержимого. Модель предназначена для семантического и мультимодального поиска, включая поиск по визуальным документам. Плотные векторы подходят для поиска по смыслу, а разреженные активации связаны с терминами словаря и могут использоваться в индексах обратных списков. Модель доступна в формате safetensors и работает через Transformers. Модель обучена на публичных наборах данных для текстового и мультимодального поиска. Лицензия — CC BY 4.0. В README не приведены сведения о длине контекста или результаты, специфичные именно для версии 4B.

thuannc/vi-distilled-msmarco-MiniLM-L12-cos-v5 — вьетнамская модель эмбеддингов предложений на базе Sentence-Transformers, созданная дистилляцией модели msmarco-MiniLM-L12-cos-v5 на англо-вьетнамских параллельных данных. Она преобразует предложения и абзацы в плотные векторы размерности 384 и подходит для семантического поиска и поиска ответов на вопросы. В README приведены результаты оценки: Recall@10 85 и MRR@10 58; для paraphrase-multilingual-MiniLM указаны 75 и 49 соответственно. Модель основана на архитектуре BERT, содержит 124,3 млн параметров и рассчитана на контекст до 512 токенов. Для обучения использовались PhoMT, MKQA, MLQA и XQuAD, а в качестве учителя — msmarco-MiniLM-L12-cos-v5. В метаданных указан формат PyTorch и лицензия MIT. README описывает применение через Sentence-Transformers или Transformers с подходящим pooling; опубликованные результаты и сценарии связаны с поиском, а иных ограничений карточка не уточняет.

phatvucoder/vietnamese-bi-encoder — модель SentenceTransformer, дообученная на базе bkai-foundation-models/vietnamese-bi-encoder. Архитектура основана на RoBERTa с усреднением токеновых представлений; модель кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Число параметров — 162,4 млн, максимальная длина последовательности — 258 токенов по метаданным. Модель предназначена для семантического поиска и извлечения релевантных фрагментов: например, сопоставления запроса с подходящими абзацами. Карточка указывает 120 204 обучающих примера формата «запрос — релевантный текст» и функцию потерь MultipleNegativesRankingLoss. Вход и выход — текст и его векторное представление; основная языковая область — вьетнамский. Лицензия в предоставленных данных не указана.

voyage-4-nano-mlx-bf16 — неофициальная версия Voyage-4-nano, подготовленная сообществом для запуска через MLX на компьютерах Apple с Apple Silicon. Это мультиязычная модель для создания текстовых эмбеддингов: запросы и документы обрабатываются с разными обученными префиксами, а для симметричных задач доступно общее кодирование. Модель построена на основе Qwen3 с двунаправленной обработкой; в метаданных указано 306,6 млн параметров и контекст до 40 960 токенов. Эмбеддинги подходят для семантического поиска и индексации документов на устройстве. Поддерживаются Matryoshka-размерности 2048, 1024, 512 и 256; автор карточки сообщает о близком совпадении с эталонной реализацией и совместимости пространства эмбеддингов с размещёнными моделями Voyage-4. Это порт в формате safetensors, а не отдельная квантизированная версия. Для длинных входов используется плотное внимание, поэтому обработка последовательностей на 32 тыс. токенов может занимать около шести секунд. Лицензия — Apache-2.0; порт неофициальный и не связан с Voyage AI или MongoDB.

VultronRetrieverCore-Qwen3.5-4.5B — мультимодальная модель поиска по страницам документов, разработанная Vultr и обученная на базе Qwen/Qwen3.5-4B. Она предназначена для визуального поиска и мультимодальных RAG-систем по PDF, сканам, презентациям и отчётам, включая страницы с таблицами, графиками и сложной вёрсткой. Модель использует архитектуру ColQwen3_5 с поздним взаимодействием в стиле ColBERT: выдаёт многовекторные эмбеддинги размерностью 320 и сопоставляет запросы и страницы методом MaxSim. Размер модели — около 4,5 млрд параметров; генеративная голова удалена. Страницы кодируются с длиной до 1792 визуальных токенов. Модель рассчитана на английский, французский, немецкий, испанский, итальянский и португальский языки. По данным карточки, она заняла второе место в ViDoRe V3 среди указанных моделей и показала высокие результаты на ViDoRe V1 и V2. Многовекторное индексирование помогает учитывать текст, таблицы, иллюстрации и расположение элементов, но требует больше места, чем поиск по одиночным эмбеддингам. Модель не предназначена для генерации ответов и текстового поиска без изображений документов; для ответов по найденным материалам её следует использовать вместе с генеративной моделью. Другие языки находятся вне заявленного распределения. Лицензия — Apache-2.0.

webAI-ColVec1-4b — мультимодальная модель поиска по документам от webAI, дообученная на базе Qwen/Qwen3.5-4B. Она кодирует текстовые запросы и изображения страниц документов в согласованные многовекторные представления для поиска релевантных страниц по содержимому. Для вычисления оценок используется позднее взаимодействие в стиле ColBERT: MaxSim сопоставляет токены запроса с токенами документа. Архитектура включает общую языковую модель с обработкой визуальных токенов и обучаемую линейную проекцию размерности 640. Модель предназначена для мультиязычного поиска по визуальным документам и демонстрирует результаты на наборах ViDoRe V1 и V3. Её можно использовать для поиска по изображениям страниц, включая страницы PDF, по запросам на естественном языке. Выход модели — нормализованные многовекторные представления; итоговую оценку релевантности получают отдельным расчётом MaxSim. Для загрузки и запуска используется Transformers, веса представлены в safetensors. В README указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией в репозитории. Авторы отмечают, что доступна более новая версия webAI-ColVec1.1-4b.

WideSeek-R1-4B — дообученная командой проекта WideSeek-R1 языковая модель на архитектуре Qwen3 с 3,7 млрд параметров. Она предназначена для широкого информационного поиска: ведущий агент распределяет исследование вопроса между параллельными субагентами с отдельными контекстами и специализированными инструментами. Модель обучалась методом многoагентного обучения с подкреплением на наборе из 20 тысяч задач такого типа. В README сообщается, что WideSeek-R1-4B набрала 40,0% item F1 на бенчмарке WideSearch, сопоставимо с DeepSeek-R1-671B в одиночном режиме; также авторы отмечают рост качества при увеличении числа параллельных субагентов. Это генеративная модель для диалогового применения с интерфейсом вызова инструментов, работающая через Transformers; указанное окно контекста — 40 960 токенов. Модель принимает и выдаёт текст. В карточке указан английский язык. Лицензия — Apache-2.0.

deepset/xlm-roberta-base-squad2 — мультиязычная модель для извлечения ответов на вопросы, разработанная deepset на базе xlm-roberta-base. Модель обучена на SQuAD 2.0 и предназначена для поиска точного фрагмента ответа в предоставленном тексте; она также может отказаться от ответа, если в тексте нет нужной информации. Модель использует архитектуру XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Подходит для систем вопросно-ответного поиска по документам, в том числе построенных на Haystack. В README приведены оценки на SQuAD 2.0, German MLQA и German XQuAD; на двух последних наборах проверялись вопросы и контексты на немецком языке. Модель принимает текст вопроса и контекста и возвращает текстовый ответ с его позицией во входном фрагменте. Лицензия — CC BY 4.0. Поскольку модель извлекает ответы из переданного текста, качество зависит от полноты и релевантности контекста; оценки на немецких наборах показывают ограниченное качество и не гарантируют результаты на других языках или доменах.

XYZ-Aquila-pro — открытая модель с весами для агентного поиска, разработанная XYZ AI Lab. Это вариант семейства XYZ-Aquila, дообученный на базе Qwen3.5-397B-A17B по процессу post-training с ограниченным исследованием вариантов развития модели. Модель предназначена для многошагового поиска в интернете: планирования, просмотра англоязычных и китайских страниц, объединения сведений из нескольких источников, проверки источников и восстановления после неудачных действий с инструментами. Она поддерживает диалоговый формат рассуждений и вызовов инструментов, совместимый с Qwen. Реализация поиска и извлечения страниц, выполнения Python-кода и управления контекстом зависит от внешней оболочки AxisAgentic; сам чекпойнт не предоставляет эти инструменты. Для развёртывания README приводит пример с SGLang и рекомендует распределение по восьми GPU; требуемые память и конфигурация зависят от длины контекста и доступного оборудования. Указанная лицензия — Apache-2.0.

futuredatascience/action-classifier-v1 — модель sentence-transformers на архитектуре MPNet, разработанная Future Data Science. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации текста. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления; указанная длина контекста — 514 токенов. Модель подходит для поиска близких по смыслу фраз и документов, группировки текстов и построения систем семантического поиска. В README указано обучение с CosineSimilarityLoss. Данные о языках и специализированных областях применения не приведены. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют.

Это кросс-энкодер на базе XLM-RoBERTa, дообученный MatinGhiasi от BAAI/bge-reranker-v2-m3 с использованием библиотеки sentence-transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку, которую можно использовать для переранжирования результатов поиска и семантического поиска. Модель рассчитана на текстовые входы, имеет 658,7 млн параметров и один выходной показатель. README указывает максимальную длину последовательности 512 токенов; метаданные каталога указывают нативный контекст до 8194 токенов. Пример обучающего набора содержит 5220 пар с метками релевантности и финансовые вопросы на персидском языке.

AgentCPM-Explore — агентная языковая модель с 3,7 млрд параметров, разработанная OpenBMB и построенная на архитектуре Qwen3. Она дообучена на Qwen/Qwen3-4B-Thinking-2507 и предназначена для продолжительных задач, требующих рассуждений, поиска и взаимодействия с инструментами и средой. Модель поддерживает контекст до 262 144 токенов и представлена в формате Safetensors для Transformers. По данным разработчиков, AgentCPM-Explore рассчитана на многошаговое исследование: она может поддерживать более 100 раундов взаимодействия, сопоставлять сведения из нескольких источников, менять стратегию поиска и проверять актуальные данные. Разработчики сообщают о результатах на восьми бенчмарках длительных агентных задач, включая GAIA, HLE и BrowserComp, и позиционируют модель как компактную основу для агентов, в том числе на устройствах с ограниченными ресурсами. Для практического применения генерация текста модели может служить основой агентного контура с поиском и инструментами; сама модель не гарантирует доступ к вебу или выполнение действий без соответствующей инфраструктуры. Модель распространяется по лицензии Apache-2.0.

AgentIR-4B — плотная текстовая модель для извлечения документов, разработанная авторами проекта AgentIR. Она дообучена на базе Qwen/Qwen3-Embedding-4B и предназначена для поиска в системах глубокого исследования, где агент передаёт вместе с запросом свой ход рассуждений. Совместное кодирование запроса и рассуждения помогает учитывать намерение и контекст агента при подборе материалов. Модель рассчитана на использование в исследовательских агентах и retrieval-системах; авторы сообщают об улучшении точности и сокращении числа итераций на BrowseComp-Plus. Это модель семейства Qwen3 с 3,7 млрд параметров, контекстом до 40 960 токенов и форматом safetensors. Метаданные указывают задачу feature-extraction; модель принимает текст и выдаёт текстовые эмбеддинги для поиска и сравнения. Лицензия в предоставленных данных не указана.

Alireza1044 выпустил модель ALBERT-base-v2, дообученную для классификации текстовых пар на наборе GLUE QNLI. Она оценивает, следует ли ответ на вопрос из предоставленного фрагмента текста, и подходит для проверки соответствия вопроса контексту. Модель содержит 136,3 млн параметров, принимает текстовые входы, использует архитектуру AlbertForSequenceClassification и обрабатывает последовательности длиной до 512 токенов. Для английского языка на оценочной выборке указана точность 0,9138 и loss 0,3608. Модель распространяется по лицензии Apache-2.0.

Apodex-1.0-2B-SFT — диалоговая модель и инструментальный ReAct-агент для глубокого исследования с проверкой источников. Её разработала команда Apodex на базе Qwen/Qwen3.5-2B; модель дообучена в формате SFT. В каталоге указаны плотная архитектура семейства Qwen3.5 и веса safetensors. Модель принимает текстовые запросы и может выдавать текстовые ответы и вызовы инструментов. Модель предназначена для многошагового поиска и синтеза информации: агент использует инструменты, собирает свидетельства и формирует проверяемые выводы. В карточке также описан режим Apodex-1.0-H с командой специализированных субагентов и глобальным проверяющим, однако это развернутый агентный режим, а не отдельная возможность данного чекпойнта. Для запуска рекомендуются SGLang или vLLM с шаблоном чата Qwen3.5 и поддержкой вызова инструментов. Карточка заявляет сохранение общих возможностей базовой модели, но приведённые результаты показывают, что версия 2B уступает более крупным версиям Apodex на тестах глубокого исследования. Поддерживаемые языки по метаданным — английский и китайский. Лицензия — Apache-2.0.

Карточка модели AzeerDev/arabic-reranker на Hugging Face совпадает с карточкой oddadmix/arabic-reranker, поэтому описание составлено по ней. oddadmix/arabic-reranker — арабоязычный реранкер, дообученный на базе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, которая, согласно README, основана на aubmindlab/bert-base-arabertv02. Модель использует архитектуру BERT и оценивает релевантность пары «запрос — текст», чтобы переупорядочивать результаты поиска или варианты ответа. Модель предназначена для повторного ранжирования арабских документов и абзацев в информационном поиске, поисковых системах и сценариях вопросно-ответных систем с выбором среди кандидатов. Она обучалась на синтетических арабских триплетах, созданных с помощью LLM, и дополнительно настраивалась методом оценки. Размер модели — 162,4 млн параметров, максимальная длина входа — 512 токенов; в README приведён пример использования через sentence-transformers CrossEncoder. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

oddadmix/arabic-reranker — арабоязычный реранкер, дообученный на базе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, которая, согласно README, основана на aubmindlab/bert-base-arabertv02. Модель использует архитектуру BERT и оценивает релевантность пары «запрос — текст», чтобы переупорядочивать результаты поиска или варианты ответа. Модель предназначена для повторного ранжирования арабских документов и абзацев в информационном поиске, поисковых системах и сценариях вопросно-ответных систем с выбором среди кандидатов. Она обучалась на синтетических арабских триплетах, созданных с помощью LLM, и дополнительно настраивалась методом оценки. Размер модели — 162,4 млн параметров, максимальная длина входа — 512 токенов; в README приведён пример использования через sentence-transformers CrossEncoder. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Arabic-Retrieval-v1.0 — модель эмбеддингов предложений, опубликованная пользователем omarelshehy и построенная на sentence-transformers с архитектурой BERT. Она дообучена на базе aubmindlab/bert-base-arabertv02 для поиска и сопоставления арабоязычных запросов и текстов. Модель выдаёт векторы размерности 768; для оценки сходства используется косинусная близость. Максимальная длина входной последовательности — 512 токенов. Модель предназначена для семантического поиска, информационного поиска и извлечения релевантных фрагментов, в том числе в системах вопросов и ответов и RAG. В README приведено сравнение на трёх наборах данных по NDCG@10: результаты близки к multilingual-e5-large и multilingual-e5-base, однако заявленные показатели относятся к указанным наборам и не гарантируют качество на других данных. Автор также заявляет об экономии памяти относительно крупных мультиязычных моделей, но подробности замеров не приводятся. Модель рассчитана на арабский язык, включая его диалектные особенности. Лицензия — Apache-2.0. Вход — текст, выход — векторные представления для сравнения и ранжирования; контекст ограничен 512 токенами.

Argus-Colqwen3.5-9b-v0 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Она дообучена на Qwen/Qwen3.5-VL-9B-Instruct и содержит 8,82 млрд параметров. Архитектура сочетает мультимодальную основу Qwen3.5-VL с многовекторным представлением в стиле ColPali и взаимодействием MaxSim. Запрос управляет разреженной смесью экспертов, которая обрабатывает визуальные области страницы и формирует эмбеддинги размерностью 1024 на токен. Модель предназначена для поиска релевантных страниц в сканах и других визуальных документах по текстовому запросу. В README сообщается о сильных результатах на наборах ViDoRe v1 и v2; обучение использовало публичные наборы ViDoRe и VDR-Multilingual, а для 9B версии также смесь VDR1.5M и Docmatix. Основной акцент сделан на англоязычных документах; мультиязычная обучающая выборка невелика. Для запуска в bf16 заявлено около 17 ГБ видеопамяти только для весов и рекомендация GPU от 24 ГБ. Репозиторий распространяется по лицензии Apache 2.0.

Argus-Colqwen3.5-9b-v0-bf16 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Она дообучена на базе Qwen/Qwen3.5-VL-9B-Instruct и опубликована в формате bfloat16 после слияния LoRA-весов; размер модели — 8,82 млрд параметров. Модель преобразует изображения страниц и текстовые запросы в токеновые эмбеддинги для поиска с поздним взаимодействием. Её механизм разреженной смеси экспертов учитывает запрос и область страницы при маршрутизации визуальных токенов. Модель предназначена для визуального поиска и извлечения релевантных страниц в наборах документов: например, для поиска ответов в научных статьях, отчетах и материалах с диаграммами или сложной разметкой. По README, для страницы используется до 2048 визуальных токенов, размерность эмбеддинга на токен — 1024; авторы сообщают о результатах на английских наборах ViDoRe v1 и v2. Указанная лицензия — Apache-2.0. Модель ориентирована преимущественно на английский язык. README указывает потребность примерно в 17 ГБ видеопамяти для инференса bf16 и рекомендует одну GPU с объёмом памяти от 24 ГБ. Слияние в bf16 необратимо теряет часть точности относительно fp32-варианта; измеренная разница в результатах ViDoRe мала, но v3 ещё не оценивался.

Карточка модели Sing0402/auslegal-embed-gte-bm25 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.