I.1Поиск и навигация по информации

jina-clip-v1 — англоязычная мультимодальная модель эмбеддингов Jina AI на архитектуре CLIP. Она преобразует текст и изображения в векторы общего пространства, пригодные для поиска и сравнения по сходству. Модель рассчитана на текстовый поиск, поиск изображений по текстовому запросу, поиск текста по изображению и текстовый семантический поиск. Модель подходит для мультимодальных систем поиска и RAG, где нужно искать текст и изображения с помощью одной модели. В карточке приведены результаты сравнений на задачах Flickr и MSCOCO для поиска между изображениями и текстом, а также на текстовых наборах STS и BEIR. Для объединения текстовых и межмодальных оценок сходства авторы рекомендуют взвешенное усреднение либо нормализацию z-оценкой, поскольку значения текстового сходства обычно выше. Модель распространяется под лицензией Apache-2.0. В карточке не указаны число параметров и длина контекста; для использования описаны варианты через API Jina AI или библиотеки Transformers и Sentence Transformers.

jina-embeddings-v5-omni-small-retrieval-GGUF — мультимодальная retrieval-ориентированная модель эмбеддингов от Jina AI. Это квантизированная GGUF-сборка модели jinaai/jina-embeddings-v5-omni-small-retrieval для использования с llama.cpp. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 1024 и помещает их в общее векторное пространство, совместимое с эталонной PyTorch-версией и текстовой моделью jina-embeddings-v5-text-small-retrieval. Благодаря этому документы можно индексировать одним типом данных, а выполнять поиск — по запросам любой поддерживаемой модальности. Модель предназначена прежде всего для мультимодального семантического поиска и retrieval-сценариев, включая поиск по тексту, изображениям, видео и аудио, а также комбинированные запросы. Она содержит около 1,56 млрд параметров в текстовой, визуальной и аудиочасти, поддерживает контекст до 32768 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности эмбеддингов 32, 64, 128, 256, 512, 768 и 1024, что позволяет уменьшать размер векторов для экономии памяти и ускорения поиска. Поддерживаются распространённые форматы изображений, видео, аудио и PDF-документы. К сильным сторонам относятся единое пространство для разных модальностей, возможность кросс-модального поиска без переиндексации, большой контекст и несколько уровней размерности векторов. Ограничения связаны с тем, что вариант предназначен для retrieval-задач, а не для генерации текста, и требует llama.cpp со специальными мультимодальными патчами Jina AI, которые, согласно README, ещё не вошли в upstream-версию. Текстовая часть доступна в F16 и нескольких квантизированных вариантах, тогда как мультимодальные проекторы поставляются в F16. Лицензия — CC BY-NC 4.0, допускающая использование с обязательным указанием авторства и ограничивающая коммерческое применение.

Jina Embeddings v5 Text Small Retrieval MLX — порт модели эмбеддингов Jina AI для Apple Silicon. Модель основана на Qwen3-0.6B с предварительно объединёнными LoRA-адаптерами; размер — около 507,9 млн параметров. Она преобразует поисковые запросы и документы в векторы размерностью до 1024, поддерживает обрезку векторов до 32, 64, 128, 256, 512, 768 или 1024 измерений и контекст до 32 768 токенов. Модель предназначена для семантического поиска и retrieval-сценариев на устройствах Apple Silicon с ускорением Metal. Для запросов и фрагментов документов предусмотрены отдельные типы задач retrieval.query и retrieval.passage. Репозиторий содержит веса safetensors и использует библиотеку MLX. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без дополнительного разрешения. Это специализированная модель для извлечения признаков и построения эмбеддингов, а не генерации ответов. Заявленная оптимизация рассчитана на Apple Silicon; README не описывает производительность на других аппаратных платформах.

NGA-KR/ko-embed-v0 — корейская плотная модель эмбеддингов текста от NGA-KR, дообученная на базе skt/A.X-Encoder-base. Она построена на архитектуре ModernBERT, содержит 148,7 млн параметров и обрабатывает контекст до 16 384 токенов. Модель предназначена для создания векторных представлений запросов и документов, поиска по сходству и семантического поиска; для запросов и документов в конфигурации предусмотрены подсказки «query: » и «passage: ». Модель проверялась на 20 задачах MTEB(kor, v2), при этом обучение проводилось только на открытых англоязычных наборах данных для поиска, без обучающих разделов корейских бенчмарков, поэтому оценка на MTEB(kor, v1/v2) является zero-shot. Доступна по лицензии Apache-2.0.

Kurage-en — англоязычная модель для задач генерации с дополненной поиском (RAG), разработанная Lightblue на основе Qwen2-7B-Instruct. Это плотная причинная языковая модель Qwen2 с 7,1 млрд параметров, контекстом до 32 768 токенов и форматом safetensors; лицензия — Apache-2.0. Модель принимает вопрос и один или несколько фрагментов текста, выбирает релевантные контексты и формирует краткий ответ. Также она умеет расширять ответы, отвечать на английском по материалам на других языках и создавать пары вопросов и ответов по исходному тексту для предварительной индексации. Обучающие примеры получены из отобранных образовательных фрагментов MADLAD-400; для подбора негативных примеров использовалась модель BAAI/bge-m3. Модель предназначена для англоязычных RAG-систем, подготовки данных для поиска и ответов по коллекциям документов. Для режима с одним фрагментом известна склонность иногда ошибочно отказываться отвечать, даже когда контекст содержит ответ; результаты межъязыкового RAG также могут быть нестабильными.

aditeyabaral/langcache-colbert-v1-4gpu — англоязычная модель PyLate на архитектуре ColBERT/BERT, дообученная на LangCache Sentence Pairs для семантического поиска и сравнения текстов. Она преобразует запросы и документы в последовательности 128-мерных плотных векторов и оценивает их сходство оператором MaxSim; заявленная длина контекста составляет 512 токенов, а в конфигурации модели указана максимальная длина последовательности 127 токенов. Модель содержит 136,7 млн параметров и распространяется в формате safetensors. Модель предназначена для поиска релевантных фрагментов по запросу в индексированных коллекциях, семантического кэширования и переранжирования результатов первичного поиска. Для построения индекса и быстрого поиска README предлагает PyLate и FastPLAID; также описано непосредственное переранжирование пар запрос–документ. Модель обучалась на контрастивных парах LangCache Sentence Pairs. Для указанной в карточке оценки ColBERT Triplet приведена точность 0,8206. Модель рассчитана на английский язык. Результаты представлены в виде векторов токенов и оценок сходства, поэтому для поиска по коллекции требуется индекс или список кандидатов. Лицензия — Apache-2.0.

LCO-Embedding-Omni-7B — мультимодальная модель эмбеддингов семейства LCO-Embedding, разработанная авторами работы «Scaling Language-Centric Omnimodal Representation Learning». Она использует компонент thinker архитектуры Qwen2.5 Omni без talker и предназначена для представления текста, изображений, аудио и видео в виде векторов для поиска и сравнения. Модель работает через Sentence Transformers или Transformers; README отмечает высокие результаты на бенчмарках мультимодального поиска, включая MIEB, и поддержку аудио и видео. Модель подходит для поиска по текстам, изображениям, аудиозаписям, видео и смешанным мультимодальным документам. В README заявлена оценка на задаче поиска визуальных документов на языках Юго-Восточной Азии, однако полный список поддерживаемых языков не приведён. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Метаданные указывают библиотеку Sentence Transformers и задачи извлечения признаков и сравнения предложений.

lecore-bge-assimilated — англоязычная модель текстовых эмбеддингов на базе BAAI/bge-base-en-v1.5 от BAAI, обработанная механизмом leCore: спектральный фильтр не изменил слои, а веса были повторно квантованы с переменной разрядностью. Архитектура — BERT; размер — 136,7 млн параметров, контекст — до 512 токенов. Репозиторий содержит контейнер весов fp32, привязанный к квантовочной сетке; средняя разрядность весов после обработки составляет 7,62 бита. Модель предназначена для получения эмбеддингов и сравнения текстов, в том числе для семантического поиска и систем RAG. В тестах автор README сообщает результаты, близкие к полной версии BGE на SciFact, NFCorpus, ArguAna и SCIDOCS. Лицензия — MIT. Повторная квантовка уменьшает размер представления весов, но сама по себе не ускоряет CPU-инференс: по данным README, он работает примерно со скоростью обычной bge-base. Указанные около 132 МБ относятся к оценке упакованных весов; в репозитории поставляется fp32-контейнер размером 438 МБ, а для реализации экономии памяти при инференсе нужен совместимый упакованный runtime.

Карточка модели Sing0402/legal-embed-gte-dense 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.

sahilchachra/LFM2.5-ColBERT-350M-mxfp4 — версия модели LiquidAI LFM2.5-ColBERT-350M, квантованная автором репозитория в формат MLX mxfp4 с группами по 32 значения и 4-битными весами для запуска на компьютерах Apple Silicon. Это двунаправленный энкодер с поздним взаимодействием ColBERT: он формирует 128-мерные векторы для каждого токена через проекцию Dense(1024→128), а релевантность пары запроса и документа вычисляется методом MaxSim. Для запросов и документов нужны маркеры `[Q] ` и `[D] ` соответственно. Модель предназначена для многоязычного поиска документов и ранжирования результатов. В карточке приведены результаты на подмножестве англоязычного NanoBEIR: среднее сохранение NDCG@10 после квантования составляет 98,7% относительно fp16; это сравнение не охватывает весь многоязычный набор задач. Репозиторий указывает скорость кодирования 12 740 токенов в секунду на системе с процессором серии M. Метаданные указывают 443,4 млн параметров и контекст до 128 000 токенов; README сообщает о 4-битной квантовке и весах размером 188 МБ. Лицензия в метаданных обозначена как other, поэтому условия следует сверить с карточкой базовой модели и файлами лицензии репозитория. Модель требует специализированного загрузчика для двунаправленного энкодера; обычные загрузчики причинных LFM2 могут формировать неверные векторы.

SPARSEUP — разреженный текстовый ретривер Linkup Platform, построенный на ModernBERT и дообученный на базе lightonai/LateOn-unsupervised. Модель создаёт разреженные векторы признаков для запросов и документов; релевантность оценивается скалярным произведением. Веса распространяются в формате safetensors, размер модели — 149 млн параметров, контекст — до 8192 токенов. Модель предназначена для поиска документов и семантического retrieval. Она использует префиксы [Q] и [D], а также механизмы ограничения числа активируемых измерений и объединения вариантов словоформ, чтобы сделать представления компактнее. По данным карточки, SPARSEUP показала 56,4 nDCG@10 в среднем на BEIR-13 без MS MARCO; оценка использовала приближённый поиск Seismic. Модель выпущена под лицензией Apache 2.0. Карточка указывает английский язык; результаты и пригодность для других языков не заявлены.

caskcsg/Llama-3-8B-NExtLong-512K-Instruct — диалоговая языковая модель семейства Llama, разработанная авторами проекта NExtLong. Это дообученная версия Llama-3-8B-NExtLong-512K-Base: базовую модель обучали на синтетических длинных контекстах, созданных методом NExtLong с чередованием фрагментов документа и отвлекающих фрагментов из корпусов предобучения; instruct-версию дополнительно настроили на Magpie-Align/Magpie-Llama-3.3-Pro-1M-v0.1. Модель предназначена для генерации ответов и работы с длинными входными контекстами, включая поиск информации в тексте, вопросы и ответы по документам, длинноконтекстный RAG и задачи с примерами в контексте. Заявленное окно контекста — 524 288 токенов; размер модели — около 7,5 млрд параметров. Модель имеет плотную архитектуру Llama и поставляется в формате safetensors. Карточка приводит результаты оценки на LongBench V2, HELMET, RULER и короткоконтекстных бенчмарках. Карточка не сообщает поддерживаемые языки или лицензию, поэтому применимые условия использования следует уточнить в репозитории модели. Указанная длина контекста — характеристика модели; фактическое использование такого окна зависит от реализации и доступных вычислительных ресурсов.

Llama3-ChatQA-1.5-70B — разговорная языковая модель NVIDIA для ответов на вопросы, в том числе по документам с использованием retrieval-augmented generation (RAG). Она построена на базе Llama 3 и обучена по улучшенной методике из работы ChatQA; дополнительное обучение на данных разговорного вопросно-ответного взаимодействия улучшает ответы по таблицам и арифметические вычисления. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 69,5 млрд параметров. Модель рассчитана прежде всего на ответы с предоставленным контекстом: можно передать документ целиком, если он помещается в контекст, или добавить найденные поиском фрагменты. Она также поддерживает диалоговые вопросы без контекста. Рекомендуется использовать указанный авторами формат диалога. Контекстное окно — 8192 токена; модель принимает текст и генерирует текст. Карточка приводит результаты оценки на наборах для conversational QA и RAG. Модель предназначена для англоязычных сценариев. Веса опубликованы в формате safetensors, а лицензия — Llama 3 Community License. Это производная от базовой Llama 3 модель, поэтому условия её использования определяются лицензией Llama 3; перед применением следует учитывать её ограничения.

Llama3-ChatQA-2-70B — языковая модель NVIDIA для диалоговых ответов с опорой на предоставленный контекст. Она предназначена для поиска и синтеза ответов по документам и извлечённым фрагментам, а также для сценариев RAG, где важно сообщать, если ответа нет в контексте. Модель построена на Llama 3 и содержит 69,5 млрд параметров. Контекстное окно расширено с 8K до 128K токенов; обучение включало продолжение предобучения для увеличения контекста и три этапа настройки инструкциями. Модель принимает текст и выдаёт текст, поддерживает английский язык и представлена в формате PyTorch. Для работы рекомендуется формат диалога из карточки модели: системная инструкция, контекст, вопрос и ответ; модель оптимизирована для ответов по контексту. В README приведены оценки на наборах для короткого, длинного и сверхдлинного контекста, но конкретные ограничения и условия лицензии в доступных данных не описаны.

NVIDIA Nemotron ColEmbed V2 — мультимодальная модель векторного поиска с поздним взаимодействием, дообученная для сопоставления текстовых запросов с документами в виде изображений. Она объединяет визуальную часть на основе google/siglip2-giant-opt-patch16-384 и языковую часть на основе meta-llama/Llama-3.2-3B; заявленный размер — около 4,4 млрд параметров. Модель принимает текст и изображения страниц, а для каждого входного токена формирует 3072-мерный вектор, пригодный для ColBERT-подобного поиска. Модель предназначена для мультимодального RAG, поиска по страницам документов, графикам, таблицам и инфографике, а также для межъязыкового поиска. В README указана оценённая длина контекста до 10 240 токенов; изображения разбиваются на плитки, рекомендованная конфигурация использует до восьми плиток и миниатюру. Обучение включало публичные наборы данных и мультиязычные синтетические запросы; модель оценивали на бенчмарках ViDoRe. Карточка заявляет улучшенную точность поиска по сравнению с предыдущей версией. Модель рассчитана на запуск с Transformers и Flash Attention, оптимизирована для GPU NVIDIA и протестирована на A100 и H100 под Linux. Лицензия обозначена как other; README ограничивает использование некоммерческими и исследовательскими целями. Качество зависит от языка, структуры документа и сценария поиска; максимальный контекст и настройки разбиения изображений отражают испытанную конфигурацию, а не универсальную гарантию.

LLM-QE-Contriever — дообученная модель на базе facebook/contriever, разработанная авторами исследования LLM-QE. Она предназначена для получения текстовых эмбеддингов, согласованных с предпочтениями ранжирования, и применения в расширении поисковых запросов и системах информационного поиска. Модель использует архитектуру BERT и обучалась с помощью supervised contrastive learning на расширениях запросов. В репозитории доступны веса safetensors; размер модели — 136,7 млн параметров, максимальный контекст — 512 токенов. Карточка описывает применение для поиска и расширения запросов, но не приводит подробностей о поддерживаемых языках сверх английского в метаданных. Лицензия — MIT.

LocRet-small — компактная модель текстовых эмбеддингов, разработанная LocalDoc для семантического поиска по текстам на азербайджанском языке. Это дообученная версия intfloat/multilingual-e5-small на архитектуре BERT; модель содержит 124,3 млн параметров, формирует векторы размерности 384 и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска релевантных документов по запросу, подбора фрагментов текста и ранжирования кандидатов по сходству. По данным README, её обучали на примерно 3,5 млн пар «запрос — фрагмент» из веб-вопросов и ответов, книг, новостей, политики и истории, используя дистилляцию ранжирования и контрастивное обучение. В описанном бенчмарке AZ-MIRAGE модель показала лучшие результаты среди приведённых систем для поиска на азербайджанском языке. Модель оптимизирована для азербайджанского языка, поэтому качество на других языках может быть ниже, чем у базовой многоязычной модели. Тексты длиннее 512 токенов следует разбивать на фрагменты. Репозиторий распространяется по лицензии Apache-2.0.

Seraphic663 выпустил полно-параметрический чекпойнт текстового ретривера для соревнования CCIR LRAT, дообученный за одну эпоху на базе Qwen/Qwen3-Embedding-0.6B. Модель создаёт нормализованные текстовые эмбеддинги и предназначена для поиска фрагментов, релевантных веб-поисковым запросам. Она использует архитектуру Qwen3 с плотной моделью примерно на 507,6 млн параметров и контекстом до 32 768 токенов; для обучения применялись длины до 128 токенов для запросов и 512 для документов. Основной язык карточки — английский. При обучении использованы только официальные пары LRAT: 96 504 записи, один положительный и пять отрицательных примеров на группу. На локальной диагностике по фиксированному набору из 500 кандидатов указаны Recall@1/5/10 0,672/0,934/0,984 и MRR 0,78037; это не официальные результаты таблицы лидеров BC-Plus. Чекпойнт содержит полные параметры модели и не требует отдельного адаптера при использовании. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0.

LRAT-Qwen3-Embedding-0.6B — плотный двухэнкодерный ретривер, созданный дообучением Qwen/Qwen3-Embedding-0.6B в рамках подхода LRAT (Learning to Retrieve from Agent Trajectories). Модель содержит 507,6 млн параметров, построена на архитектуре Qwen3 и принимает текст; базовая модель поддерживает контекст до 32 768 токенов. Для обучения использовались пары запрос–документ, полученные из траекторий поисковых агентов, с контрастивной функцией потерь и весами релевантности. Модель предназначена для плотного поиска документов в системах агентного поиска, многошагового сбора сведений и конвейерах глубокого исследования с поиском доказательств. В экспериментах LRAT-вариант улучшал успешность поиска и полноту извлечения свидетельств в нескольких агентах на InfoSeek-Eval и BrowseComp-Plus. Это специализированный ретривер: он не оптимизирован прежде всего для общих тестов семантического сходства, классификации или кластеризации без поиска. Для использования следует сохранять токенизатор, pooling и нормализацию базовой модели. Лицензия в предоставленных данных не указана.

LRAT Qwen3-Embedding-0.6B Clean-v1 — плотная модель для создания текстовых эмбеддингов и поиска релевантных фрагментов по веб-запросу. Чекпойнт подготовлен для соревнования XIR/LRAT и дообучен на официальном наборе Yuqi-Zhou/LRAT-Train на базе Qwen/Qwen3-Embedding-0.6B. Это полная модель с архитектурой Qwen3 и примерно 508 млн параметров, а не LoRA-адаптер. Модель кодирует запросы и пассажи в векторы размерности 1024; сходство вычисляется по косинусной мере после L2-нормализации. Для запросов требуется заданная в карточке инструкция, пассажи кодируются без неё. При обучении использовалась максимальная длина 512 токенов для запросов и пассажей; базовая модель поддерживает контекст до 32 768 токенов. Веса сохранены в FP32, возможна загрузка в BF16. Чекпойнт обучен на 96 503 парах данных LRAT в течение двух эпох с контрастивной функцией потерь. Карточка не приводит результатов на лидерборде, поэтому качество в соревновании не подтверждено. Модель распространяется по лицензии Apache-2.0.

mdbr-leaf-ir — компактная модель эмбеддингов текста, разработанная командой MongoDB Research для информационного поиска, в том числе для этапа поиска документов в RAG-системах. Она основана на архитектуре BERT и дообучена на базе microsoft/MiniLM-L6-v2. Модель содержит 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель кодирует запросы и документы в векторы для поиска и ранжирования по смысловому сходству. Она поддерживает асимметричный поиск, когда запросы и документы кодируются разными способами, а также сокращение размерности векторов (MRL) и их квантизацию, чтобы уменьшить затраты на хранение и поиск. В README заявлены результаты на уровне лидеров среди компактных моделей на бенчмарке BEIR. Модель рассчитана на английский язык. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0. MongoDB Research отмечает, что на момент публикации модель не используется в коммерческих продуктах или услугах MongoDB.

timpal0l/mdeberta-v3-base-squad2 — многоязычная модель для извлечения ответов на вопросы, разработанная на основе microsoft/mdeberta-v3-base и дообученная timpal0l в течение трёх эпох на SQuAD 2.0. Она принимает вопрос и контекст, затем выделяет в контексте фрагмент, который отвечает на вопрос; обучение на SQuAD 2.0 позволяет модели также обрабатывать вопросы без ответа в контексте. В основе лежит архитектура DeBERTa V3: 12 слоёв с размером скрытого состояния 768; общее число параметров — 306 млн. Многоязычная базовая модель обучалась на данных CC100 и использует словарь из 250 тысяч токенов. Контекст модели — до 512 токенов. Модель предназначена для extractive question answering и доступна в форматах PyTorch и Safetensors. Модель подходит для поиска ответов в заданном тексте на поддерживаемых языках. Она возвращает фрагмент исходного контекста, поэтому не предназначена для свободной генерации развёрнутых ответов или работы без предоставленного контекста. Лицензия — MIT.

Карточка модели kiranbeethoju/MedVectors-base-v0.1 на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

osiria/minilm-l12-h384-italian-cross-encoder — италоязычная модель MiniLMv2 для переранжирования текстовых пар. Она создана на основе mmarco-mMiniLMv2-L12-H384-v1: автор адаптировал слой эмбеддингов с учётом частот документов в итальянской Википедии. В метаданных архитектура указана как XLM-RoBERTa с классификационной головой; модель содержит около 40 млн параметров по метаданным, а README указывает 33 млн. Репозиторий содержит веса PyTorch и Safetensors, библиотека — sentence-transformers. Модель принимает текстовые запросы и документы и оценивает их релевантность для ранжирования результатов поиска. Она ориентирована на итальянский язык; доступный контекст — 514 токенов. Лицензия MIT разрешает свободное использование на её условиях. README описывает её как cross-encoder, поэтому для оценки каждой пары текстов требуется совместный проход модели; это ограничивает производительность при ранжировании больших наборов кандидатов.

Карточка модели miromind-ai/MiroThinker-v1.0-30B на Hugging Face совпадает с карточкой miromind-ai/MiroThinker-v1.0-8B, поэтому описание составлено по ней. 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.

Карточка модели miromind-ai/MiroThinker-v1.0-72B на Hugging Face совпадает с карточкой miromind-ai/MiroThinker-v1.0-8B, поэтому описание составлено по ней. 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.

MiroThinker-v1.0-8B-GGUF — открытая исследовательская агентная модель от команды MiroMind AI, предназначенная для рассуждений с использованием инструментов и поиска информации. Это GGUF-версия модели MiroThinker v1.0, созданная на базе Qwen3-8B с помощью llama.cpp. Модель ориентирована на глубокий многошаговый анализ, задачи общего исследования и длительные сценарии взаимодействия с внешней средой. Она поддерживает контекстное окно до 256K токенов и до 600 вызовов инструментов на одну задачу, что позволяет строить длинные траектории поиска и рассуждений. В карточке указана поддержка английского языка; другие языки и модальности не заявлены. Сильными сторонами являются агентное поведение, получение внешней информации, корректировка ошибок на основе обратной связи среды и масштабирование за счёт более глубоких взаимодействий. Версия распространяется в формате GGUF и использует квантизацию с выборочным повышением точности отдельных слоёв, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файла. Для полноценной работы требуются совместимый runtime, например llama.cpp, и настроенные инструменты или окружение для взаимодействия. Модель распространяется по лицензии MIT.

jeffwan/mmarco-mMiniLMv2-L12-H384-v1 — многоязычный cross-encoder на базе multilingual MiniLMv2, дообученный на MMARCO: машинно переведённой версии MS MARCO. Модель сопоставляет запрос с каждым найденным фрагментом текста и оценивает их релевантность, чтобы ранжировать результаты информационного поиска. Её можно применять для повторного ранжирования кандидатов, предварительно найденных поисковой системой, например Elasticsearch, и для сортировки абзацев по соответствию запросу. В карточке указано, что обучение охватывает 14 языков и что модель показала хорошие результаты также на других языках. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 124,3 млн параметров, длина контекста — 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель оценивает пары «запрос — фрагмент», поэтому для большого корпуса обычно сначала требуется отдельный этап поиска кандидатов. Обучающие данные получены машинным переводом MS MARCO; качество на других языках не гарантируется указанными экспериментами.

yjoonjang/mmBERT-en-CL-KD — модель PyLate на базе многоязычного энкодера jhu-clsp/mmBERT-base, дообученная на англоязычных данных для поиска и сравнения текстов. Архитектура ColBERT включает ModernBERT с проекцией скрытых состояний из 768 векторов в 128 измерений. Модель формирует последовательности плотных векторов для токенов, а релевантность запроса и документа оценивает оператором MaxSim. Размер — около 307 млн параметров; контекст — до 8192 токенов по метаданным. В описании модели указаны длины до 1024 токенов для документа и 64 токенов для запроса. Модель предназначена для семантического поиска по коллекциям документов и повторного ранжирования результатов первичного поиска. Она обучалась на 1 224 652 примерах на английском языке; README сообщает о переносе качества на корейские задачи поиска. Для работы с моделью и индексами предлагается библиотека PyLate, включая поиск через FastPLAID. Представленные оценки относятся к отдельным наборам задач и не гарантируют аналогичного качества на других корпусах. Модель дообучена от jhu-clsp/mmBERT-base и опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

MMLW-retrieval-e5-small — польскоязычный плотный текстовый энкодер семейства BERT, разработанный для поиска информации. Он преобразует запросы и фрагменты текста в векторы размерности 384 и рассчитан на сопоставление их релевантности. Для запросов требуется префикс «query: », для документов — «passage: ». Модель содержит 124,3 млн параметров и поддерживает контекст длиной до 512 токенов. Модель инициализирована мультиязычным чекпойнтом E5, дистиллирована на 60 млн польско-английских пар текстов с использованием английских FlagEmbeddings (BGE) как учителей, а затем дообучена с contrastive loss на польском разделении MS MARCO. На польском бенчмарке поиска информации PIRB указано значение NDCG@10 52,34. Модель подходит для семантического поиска и retrieval-систем по польским текстам. Она распространяется по лицензии Apache-2.0. Требует корректных префиксов; контекст ограничен 512 токенами, а заявленные результаты относятся к польскому бенчмарку.