I.1Поиск и навигация по информации

deepset/deberta-v3-large-squad2 — англоязычная модель deepset для извлечения ответов на вопросы из текста. Это DeBERTa-v3-large с 533,8 млн параметров, дообученная на SQuAD 2.0 для extractive question answering. Модель принимает вопрос и контекст и возвращает фрагмент текста в качестве ответа; также обучена распознавать вопросы, на которые в контексте нет ответа. Модель подходит для поиска ответов в документах и для систем вопросов и ответов, в том числе построенных на Haystack. Указанная длина контекста — 512 токенов. Оценивалась на валидационной части SQuAD 2.0; результаты оценки в предоставленной карточке не приведены. Лицензия — CC BY 4.0.

DeciMamba-130m-squad-doc-ret — официальный чекпойнт DeciMamba-130m, дообученный для поиска документов. Модель представлена авторами исследования DeciMamba: Exploring the Length Extrapolation Potential of Mamba; в метаданных указаны архитектура Mamba и 236,8 млн параметров. Модель предназначена для задачи поиска документов и относится к pipeline text-generation. Репозиторий содержит веса PyTorch; лицензия — MIT. В README указаны скрипты обучения и оценки в репозитории проекта.

deepset-mxbai-embed-de-large-v1 — открытая модель эмбеддингов предложений, разработанная Mixedbread совместно с deepset. Она основана на intfloat/multilingual-e5-large и дообучена с функцией потерь AnglE на более чем 30 млн пар немецких данных. Модель использует архитектуру XLM-RoBERTa, содержит около 585,8 млн параметров и принимает текстовый контекст длиной до 514 токенов. Модель предназначена для поиска по смыслу и извлечения релевантных документов на немецком и английском языках. Для запросов требуется префикс «query: », для документов — «passage: ». Она поддерживает Matryoshka Representation Learning и бинарную квантизацию, что позволяет уменьшать размер эмбеддингов и затраты на хранение при сохранении значительной части качества. По данным авторов, средний результат на NDCG@10 составляет 51,7. Модель распространяется по лицензии Apache-2.0. Она рассчитана на получение векторных представлений текста; качество и применимость за пределами немецкого и английского языков в предоставленных материалах не описаны.

Это англоязычная модель Sentence Transformers, созданная дообучением DistilBERT разработчиком репозитория kwondw на данных MS MARCO с функцией потерь MarginMSELoss и учителем BERT-CAT ensemble. Архитектура состоит из DistilBertModel и слоя усреднённого pooling; она преобразует текст в плотные векторы размерности 768 для поиска и сравнения предложений и абзацев по скалярному произведению. В README указан предел последовательности 300 токенов, а метаданные указывают контекстное окно 512 токенов. Модель подходит для семантического поиска, извлечения релевантных фрагментов и ранжирования текстовых кандидатов по близости к запросу. Обучение описано на выборке из 100 примеров MS MARCO; приведённые результаты на NanoMSMARCO низкие (dot_accuracy@1 — 0,02, @3 — 0,04, @5 — 0,08), поэтому качество следует проверять на целевых данных. Поддерживается английский язык. Лицензия — Apache-2.0.

Diver-Retriever-4B-1020 — двуязычная модель текстовых эмбеддингов, разработанная AQ-MedAI на основе Qwen/Qwen3-Embedding-4B и дообученная для задач поиска и сопоставления запросов и документов. Обучение использовало данные из математики, программирования и медицины, а также специально подобранные сложные отрицательные примеры. Модель содержит около 3,7 млрд параметров, построена на плотной архитектуре Qwen3 и поддерживает контекст до 40 960 токенов. Она предназначена для семантического поиска и ранжирования, включая запросы на китайском и английском языках; авторы сообщают о результатах на BRIGHT и медицинском бенчмарке MTEB-Medical. Доступна в формате Safetensors для Transformers под лицензией Apache-2.0.

Alibaba-NLP/E2Rank-4B — модель для текстовых эмбеддингов и спискового переранжирования, разработанная Alibaba-NLP на основе Qwen3-4B. Она преобразует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству для поиска и ранжирования. При переранжировании список кандидатов включается в специальный запрос, чтобы учесть взаимный контекст документов. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров, размер эмбеддинга 2560 и контекст до 40 960 токенов. Карточка описывает её как поддерживающую инструкции; модель обучена для эмбеддингов и переранжирования. Авторы сообщают о результатах на BEIR и MTEB, но это не гарантирует аналогичного качества на конкретных данных. Для получения эмбеддингов нужно вручную добавлять специальный токен в конец каждого входного текста. Модель подходит для поисковых систем и RAG-конвейеров, где нужны извлечение документов и последующее ранжирование кандидатов. В README приведены англоязычные результаты бенчмарков; поддержка других языков в предоставленных данных не подтверждена. Лицензия — Apache-2.0.

Карточка модели usama1111/e5-pakistani-legal на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

e5-R-mistral-7b — языковая модель для поиска и извлечения релевантных текстов, созданная дообучением Mistral-7B-v0.1 на наборе BeastyZ/E5-R. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров, работающая через Transformers и представленная в формате safetensors. Модель рассчитана на английский язык; её контекстное окно составляет 32 768 токенов. Модель можно применять для извлечения документов по запросу и построения поисковых компонентов, например, в системах RAG. В метаданных Hugging Face указана задача text-generation, хотя в README модель описана как ретривер. Лицензия — Apache-2.0. Подробности о качестве поиска и инструкции по использованию в карточке не приведены.

Eklav-8B-Reranker — дообученная модель на базе Qwen/Qwen3-8B, созданная для ранжирования пассажей по релевантности запросу. Метод обучения Eklav учит модель продолжать частичную цепочку рассуждений учителя и самостоятельно получать ответ, вместо полного воспроизведения этой цепочки. На этапе применения подсказка учителя не используется: модель анализирует запрос и пассаж, генерирует рассуждение с итоговой меткой true или false, а релевантность оценивается по логитам последнего токена. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, работает через Transformers, веса доступны в формате safetensors; длина контекста — 40 960 токенов. В README описано применение для ранжирования пассажей в тестах BRIGHT и NevIR; заявлены улучшение nDCG@10 на 9% относительно стандартного обучения на полных цепочках рассуждений и сокращение вычислений обучения на 32% при одинаковых базовой модели и данных. Эти результаты основаны на одном запуске оценки для каждого домена BRIGHT. Лицензия в предоставленных сведениях не указана.

shanaka95/embeddinggemma-300m-rag-stage1 — дообученная модель эмбеддингов на базе google/embeddinggemma-300m, разработанная для поиска документов в корпоративных RAG-системах. Она преобразует текстовые запросы и документы в векторы, пригодные для сравнения по косинусной близости. Для запросов и документов предусмотрены отдельные подсказки query и document. Модель основана на плотной текстовой архитектуре Gemma 3 и содержит 302,8 млн параметров. Контекст — до 2048 токенов; модель принимает и обрабатывает текст на английском языке. Дообучение на 200 000 парах вопрос—документ из EnterpriseRAG-Bench использовало MultipleNegativesRankingLoss и MatryoshkaLoss с размерами эмбеддингов 768, 512, 256 и 128. В оценке на подмножестве бенчмарка модель показала Recall@1 0,3933 против 0,1750 у базовой модели; результаты получены на 89 вопросах и корпусе из 5000 документов. Модель предназначена для семантического поиска и извлечения релевантных документов в RAG-сценариях. Для корректного поиска корпус необходимо заново закодировать этой моделью: эмбеддинги базовой модели находятся в другом векторном пространстве. Лицензия — Gemma; этап 2 дообучения с подбором сложных негативных примеров в карточке указан как находящийся в процессе.

Embedić Large — модель для создания текстовых эмбеддингов, разработанная djovak и дообученная на базе intfloat/multilingual-e5-large. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, информационного поиска, кластеризации и систем RAG. Модель специализируется на сербском языке в кириллице и латинице и также поддерживает английский, поэтому подходит для поиска по смешанным сербско-английским коллекциям. Она построена с использованием Sentence Transformers; в README для семейства указаны обучение в несколько этапов и сравнение результатов на задачах информационного поиска, сходства предложений и поиска параллельных текстов. Модель распространяется по лицензии MIT. README отмечает, что запись сербского текста латиницей без диакритики заметно ухудшает качество поиска, а сохранение заглавных букв в именах собственных может улучшить его.

Модель cross-encoder/ettin-reranker-17m-v1 разработана авторами семейства Ettin и дообучена на базе jhu-clsp/ettin-encoder-17m с помощью Sentence Transformers на наборе cross-encoder/ettin-reranker-v1-data. Это компактный текстовый реранкер: он оценивает релевантность пары «запрос — текст» и помогает переупорядочить результаты поиска или семантического поиска. Модель построена на архитектуре ModernBERT, содержит 16,8 млн параметров и поддерживает последовательности до 7999 токенов; рассчитана на английский язык. К сильным сторонам относятся небольшой размер и высокая пропускная способность в приведённых авторами тестах, а также улучшение порядка найденных документов в большинстве перечисленных наборов оценки. Качество зависит от предметной области и исходного набора кандидатов; на одном из тестов README показывает ухудшение метрики после реранжирования. Модель принимает текстовые пары и выдаёт оценку релевантности. Лицензия — Apache-2.0.

EviOmni — языковая модель для извлечения свидетельств из текстовых фрагментов в ответ на вопрос. Разработчик позиционирует её как модель рационального извлечения свидетельств с акцентом на качество, обобщение, эффективность и устойчивость; README показывает применение через диалоговый шаблон с вопросом и пассажами. Это дообученная модель Qwen2.5-1.5B-Instruct с плотной архитектурой Qwen2 и 1,5 млрд параметров, рассчитанная на текстовый ввод и текстовый ответ. Максимальная длина контекста — 32 768 токенов. Модель подходит для поиска подтверждающих фрагментов в наборах документов и построения ответов на вопросы с опорой на переданные пассажи. В README приведён пример запуска через Transformers; файлы весов представлены в формате safetensors. Лицензия — MIT. README не сообщает поддерживаемые естественные языки или результаты из раздела Performance, поэтому языковую специализацию и сравнительное качество определить нельзя.

Fathom-Search-4B — языковая модель FractalAIResearch, дообученная на базе Qwen/Qwen3-4B для агентного поиска в интернете и работы с длинными исследовательскими запросами. Она предназначена для многошагового поиска, извлечения и проверки сведений с веб-страниц и использования найденных материалов при подготовке ответов. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, поддерживает контекст до 40 960 токенов и доступна в формате safetensors для Transformers. Модель оптимизирована для поиска с опорой на актуальные веб-источники, включая многошаговые вопросы и проверку свидетельств. Для живого поиска требуется подключённый поисковый сервер Fathom-WebAgents и ключ Serper; сама модель не заменяет этот сервер. README описывает систему Fathom-DeepResearch и отдельную модель-синтезатор для составления отчётов, поэтому генерацию развёрнутых отчётов нельзя считать основной задачей именно Fathom-Search-4B. Лицензия модели — MIT.

Это модель Sentence Transformer, разработанная на основе BAAI/bge-base-en-v1.5 и дообученная на парах коротких запросов и фрагментов PDF. Она кодирует предложения и абзацы в плотные текстовые векторы размерностью 768, нормализованные для сравнения косинусным сходством. Архитектура включает BERT, пулинг CLS-токена и нормализацию; максимальная длина входа — 512 токенов. В метаданных указано 136,7 млн параметров. Модель предназначена для семантического поиска по PDF и другим текстам, сравнения сходства предложений, поиска перефразировок и кластеризации. В README приведены результаты поиска на наборе из 76 обучающих примеров; они могут не отражать качество на других данных. Модель ориентирована на английский язык, как и её базовая BGE-модель. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

FireAct Llama-2-7B — текстовая генеративная модель, разработанная System 2 Research, Cambridge LTL, Monash University и Princeton PLI. Это полное дообучение Llama 2 для выполнения ReAct: модель формирует рассуждения и текстовые действия, позволяющие взаимодействовать с внешними поисковыми инструментами. Модель обучена на многозадачных данных HotpotQA, StrategyQA и MMLU с форматами ReAct, Chain of Thought и Reflexion. Она принимает и выдаёт только текст, построена на архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров; заявленный контекст — 4096 токенов. Карточка указывает английский язык и лицензию MIT. Для базовых моделей Llama 2 README отдельно рекомендует учитывать лицензионные условия Meta.

Frony Embed Arctic V2.5 (0.6B) — модель эмбеддингов текста от FronyAI, дообученная на базе Snowflake/snowflake-arctic-embed-l-v2.0. Это двунаправленный энкодер XLM-RoBERTa с плотным одно-векторным представлением и mean pooling; в метаданных указано 658,7 млн параметров. Модель ориентирована прежде всего на корейский язык и поддерживает поиск между корейскими и английскими текстами. Модель предназначена для семантического поиска и извлечения релевантных фрагментов, в том числе в RAG-системах, сопоставления FAQ и поиска по корейским документам в Markdown. Для запросов и документов предусмотрены специальные токены, добавляемые через настроенные prompts Sentence Transformers. Контекстная длина базовой модели — до 8194 токенов, однако обучение и оценка проводились на меньших последовательностях, а качество заявлено только до 512 токенов. Модель распространяется под лицензией Apache-2.0. При использовании следует учитывать ограничение на длину фрагментов и необходимость специальных токенов запроса и документа: без них качество поиска заметно снижается.

German-RAG-MISTRAL-7B-v3.0-SFT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это SFT-дообучение модели German-RAG-MISTRAL-7B-v3.0-CPT-HESSIAN-AI для сценариев генерации с контекстом, полученным через поиск. Модель рассчитана прежде всего на немецкоязычные бизнес-сценарии: ответы на вопросы по найденным документам, извлечение релевантной информации, суммаризацию и рассуждения, в том числе о временных связях. Поддерживает немецкий и английский языки. Размер — 7,1 млрд параметров, длина контекста — до 32 768 токенов. В обучающих примерах также предусмотрен формат для интеграции с контекстом и ссылками на источники. Модель выдаёт текст и может генерировать недостоверные ответы; факты следует проверять. В README также отмечены риски предвзятых и вредоносных ответов при отсутствии фильтрации безопасности. Модель и код доступны по лицензии Apache 2.0.

iMiW/Giga-Embeddings-instruct-4bit-nf4 — это 4-битная квантованная версия модели ai-sage/Giga-Embeddings-instruct. README не указывает явно разработчика исходной модели; в её основе лежит decoder-only LLM GigaChat-3b. Квантование выполнено с использованием bitsandbytes в формате NF4, с двойным квантованием и вычислениями в bfloat16. Модель не дообучалась, а была загружена в 4-битной точности. Модель предназначена для построения векторных представлений текстов и задач семантического поиска, включая retrieval по запросам и документам. Для каждого поискового запроса рекомендуется добавлять однопредложную инструкцию, описывающую задачу, тогда как для документов инструкция не требуется. Полученные эмбеддинги можно сравнивать, например, скалярным произведением. Ключевые характеристики: pooling Latent-Attention, размерность эмбеддингов 2048, поддерживаемая длина входа в примере использования — до 4096 токенов. README не содержит сведений о перечне языков и других модальностях, поэтому модель следует рассматривать как текстовую. Квантирование снижает требования к памяти, однако требует совместимых окружений с transformers, bitsandbytes и accelerate; для запуска также предполагается использование вычислений на GPU. Модель распространяется по лицензии Apache-2.0.

GIST Embedding v0 — модель векторных представлений текста, созданная Av Solatorio. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 с методом GISTEmbed: обучающие негативные примеры отбираются из MEDI и дополненных триплетами обучающих данных классификации MTEB. Модель имеет архитектуру BERT, содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и оценки их сходства, в том числе для семантического поиска и retrieval. Для кодирования запросов не требуются специальные инструкции. Модель оценивали на бенчмарке MTEB; дообучение улучшило некоторые задачи, но ухудшило результаты на других, включая поиск по TRECCOVID. Поддерживается английский язык. Лицензия — MIT.

GIST-small-Embedding-v0 — англоязычная модель текстовых эмбеддингов, разработанная avsolatorio на основе BAAI/bge-small-en-v1.5 и дообученная методом GISTEmbed. Она кодирует текст в векторы для поиска и сравнения предложений; для получения эмбеддингов инструкционные подсказки не нужны, поэтому запросы можно кодировать напрямую. Модель основана на архитектуре BERT, содержит 40 млн параметров и рассчитана на контекст до 512 токенов. Для дообучения использовались набор MEDI и триплеты, полученные из обучающей части MTEB Classification; качество оценивали на MTEB. В README отмечено, что дообучение улучшило результаты на некоторых задачах, но ухудшило на других, включая поиск по TRECCOVID. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия модели — MIT; лицензии сторонних обучающих данных могут иметь дополнительные условия.

GME-Qwen2-VL-7B — мультимодальная модель эмбеддингов Tongyi Lab, подразделения Alibaba Group, дообученная на основе Qwen2-VL-7B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторные представления для поиска по тексту и изображениям, включая поиск между модальностями и визуальный поиск по скриншотам документов. Модель использует архитектуру Qwen2-VL, содержит 7,1 млрд параметров по метаданным, поддерживает контекст до 32 768 токенов и динамическое разрешение изображений; размер вектора — 3584. В README сообщается о высоких результатах на бенчмарках UMRB и MTEB, в том числе для задач мультимодального поиска и поиска по сложным документам, например научным статьям. Модель обучалась только на английских данных, поэтому качество мультимодальных эмбеддингов для других языков не гарантируется. В текущей версии поддерживается одно изображение на вход; число визуальных токенов ограничено 1024. Лицензия — Apache-2.0; при распространении модели, производных работ или продуктов с её использованием необходимо заметно указывать «Built with GME», а имена распространяемых моделей, созданных с использованием её выходов, должны начинаться с «GME».

GoLongRL-30B-A3B — языковая модель Kwai-Klear для генерации ответов в сценариях с длинным контекстом. Это модель семейства Qwen3 MoE с архитектурой причинного языкового моделирования; в метаданных указано 2,6 млрд параметров и окно контекста 262 144 токена. Модель доступна в формате Safetensors и поддерживает диалоговый режим. Модель обучена по рецепту постобучения с обучением с подкреплением и проверяемыми вознаграждениями на наборе GoLongRL из 23 тысяч примеров для девяти типов задач. Она предназначена для поиска сведений в длинных документах, понимания контекста, извлечения и сопоставления структурированных данных, упорядочивания событий, ранжирования, суммаризации и рассуждений, включая численные задачи. В README заявлены улучшения на тестах длинного контекста и памяти диалога; результаты относятся к приведённым бенчмаркам. Лицензия — MIT. Карточка не указывает поддерживаемые естественные языки. Учитывая специализацию на длинном контексте и сравнительно компактный размер активной модели MoE, модель подходит для диалоговых систем, которым нужно работать с большими документами, однако качество на конкретных данных следует проверять отдельно.

granite-embedding-107m-multilingual-GGUF — мультиязычная embedding-модель семейства Granite, разработанная IBM (базовая модель ibm-granite/granite-embedding-107m-multilingual) и квантованная bartowski в формате GGUF. Она предназначена для преобразования текстов в векторные представления и решения задач семантического поиска, информационного поиска и retrieval-сценариев, включая многоязычные приложения и сопоставление запросов с документами. Модель имеет заявленный размер около 107 млн параметров и поддерживает английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский языки. В README приведены результаты оценки на наборе Miracl для retrieval-задач, однако сведения о точной архитектуре энкодера, размерности эмбеддингов, максимальной длине контекста, способе квантования и системных требованиях не указаны. Поэтому эти характеристики нельзя надёжно определить по представленным данным. К сильным сторонам относятся компактный размер, поддержка нескольких языков и ориентация на семантический retrieval, что может упростить локальное развертывание и использование в поисковых системах, RAG-приложениях и классификации по сходству. Ограничения включают отсутствие подробных сведений о контексте, качестве на всех заявленных языках и особенностях квантования; приведённые метрики относятся к отдельным конфигурациям Miracl и не гарантируют аналогичные результаты в конкретном прикладном сценарии. Модель распространяется по лицензии Apache-2.0.

bartowski/granite-embedding-125m-english-GGUF — квантованная версия модели эмбеддингов ibm-granite/granite-embedding-125m-english, разработанной IBM Granite и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для преобразования англоязычных текстов в векторные представления и задач семантического поиска и извлечения информации, включая retrieval-сценарии и поиск похожих документов. Из доступных данных известно, что модель ориентирована на английский язык и имеет размер 125 млн параметров в базовой версии. Формат GGUF подходит для локального запуска в совместимых инструментах, а квантование может снизить требования к памяти и ускорить инференс, хотя конкретный тип квантования в карточке не указан. Архитектура, размерность эмбеддингов, максимальная длина контекста и поддерживаемые модальности не описаны. В карточке приведены результаты оценки на ряде наборов MTEB для retrieval, включая ArguAna, ClimateFEVER и CQADupstack. Они показывают применимость модели к ранжированию и поиску релевантных текстов, однако качество зависит от предметной области и конфигурации индекса. Модель не следует рассматривать как универсальную генеративную языковую модель: данных о генерации текста, многоязычности или мультимодальности нет. Лицензия — Apache-2.0.

granite-embedding-278m-multilingual-GGUF — квантованная в формате GGUF версия мультиязычной модели эмбеддингов ibm-granite/granite-embedding-278m-multilingual, разработанной IBM и подготовленной пользователем bartowski. Модель предназначена для преобразования текста в векторные представления и может использоваться в семантическом поиске, системах Retrieval и других задачах сопоставления текстов между собой. Заявлены языки английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский. Размер базовой модели составляет 278 млн параметров. Формат GGUF ориентирован на локальный запуск с совместимыми инструментами инференса, однако конкретный тип квантования, размер контекста, архитектура и поддерживаемые модальности в предоставленных данных не указаны. Сильной стороной модели является мультиязычная направленность и пригодность для задач поиска; в README приведены результаты Retrieval на наборе Miracl для нескольких языков. Показатели зависят от языка и сценария использования, поэтому перед внедрением модель следует проверить на собственных данных. Ограничения, связанные с качеством эмбеддингов, контекстом и производительностью, нельзя оценить полнее без дополнительных сведений. Модель распространяется по лицензии Apache-2.0.

granite-embedding-reranker-english-r2 — англоязычная модель ранжирования от команды Granite Embedding Team компании IBM. Это плотный cross-encoder на архитектуре ModernBERT с 149 млн параметров, 22 слоями и 12 головами внимания. Модель совместно кодирует запрос и документ и оценивает их релевантность; она предназначена для повторного ранжирования результатов поиска и информационного поиска. Контекст ограничен 8192 токенами, более длинные входы обрезаются. Модель дообучена на базе ibm-granite/granite-embedding-english-r2 с применением функций потерь для ранжирования, включая pListMLE. В README также упомянуты методы слияния моделей при обучении. Заявлены результаты на бенчмарках BEIR, MLDR и MIRACL. Несмотря на упоминание в карточке векторных представлений размером 768, основное назначение этой версии — выдавать оценки релевантности пар «запрос—документ». Модель рассчитана на английский язык. Лицензия Apache 2.0; README указывает, что данные обучения отбирались с учётом разрешительных лицензий и проходили проверку IBM. Качество ранжирования зависит от тематики и состава документов; входы длиннее контекстного окна обрезаются.

Granite Switch 4.1 3B Preview — модульная языковая модель IBM, построенная на IBM Granite 4.1 3B и содержащая 12 встроенных адаптеров из библиотек Granite. Выбор возможностей выполняется во время генерации с помощью управляющих токенов в шаблоне чата. Модель насчитывает 3,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Адаптеры предназначены для задач RAG, проверки требований к ответу, атрибуции контекста, оценки неопределённости, выявления рисков безопасности и проверки либо исправления фактических ошибок. Модель можно использовать как обычную генеративную LLM или вызывать отдельные адаптеры; для интеграции README рекомендует Mellea. Поддерживаются Transformers и vLLM. Возможности специализированных адаптеров позволяют объединить несколько этапов работы с ответами и документами в одном чекпойнте. README не перечисляет все адаптеры целиком, а также не сообщает языки обучения или гарантии точности. Модель распространяется по лицензии Apache 2.0.

Это конвертированная в формат GGUF версия модели GTE-large, опубликованная пользователем opaninakuffo. GTE-large — модель для получения векторных представлений текста и задач поиска по семантическому сходству; её можно применять для создания эмбеддингов, поиска и ранжирования текстов. Метаданные репозитория указывают тег feature-extraction, формат GGUF и лицензию MIT. По названию репозитория предполагается сохранение весов в FP16 с разбиением на части. Поиск не позволил проверить карточку модели и подтвердить подробности о языках, контексте и ограничениях.

gte-reranker-modernbert-base — англоязычный переранжировщик текста, разработанный Tongyi Lab (Alibaba Group) на основе encoder-only модели ModernBERT-base. Он оценивает релевантность пар запроса и документа, чтобы переупорядочивать результаты поиска и улучшать отбор контекста для RAG. Модель содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. В карточке приведены результаты на наборах BEIR и LoCo для поиска по документам, а также COIR для поиска кода. Репозиторий содержит веса Safetensors и ONNX; для запуска поддерживается Transformers. Модель рассчитана прежде всего на английский язык. Оценки релевантности могут уступать специализированным моделям на других языках или предметных областях; приведённые результаты бенчмарков не гарантируют качество на конкретном корпусе. Лицензия — Apache-2.0.