I.1Поиск и навигация по информации

Это преобразованный в формат MLX BF16 чекпойнт Qwen3-Embedding-0.6B, опубликованный TiGa-RCE на Hugging Face. Он предназначен для создания текстовых эмбеддингов и семантического поиска; рассчитан на запуск на Apple Silicon через MLX или oMLX. Модель содержит около 507,6 млн параметров и поддерживает контекст до 32 768 токенов. В локальном тесте извлечения информации чекпойнт верно ранжировал 24 из 24 пар запросов и документов, совпав по векторам с семейным эталоном BF16 при указанной схеме пулинга и нормализации. Это ограниченная инженерная проверка, а не результат MTEB и не гарантия качества на других данных. Репозиторий распространяется по лицензии Apache-2.0.

TiGa-RCE опубликовал BF16-конверсию модели Qwen3-Embedding-8B в формате MLX для запуска на Apple Silicon через MLX или oMLX. Модель основана на Qwen/Qwen3-Embedding-8B и предназначена для создания текстовых эмбеддингов, семантического поиска и задач извлечения признаков. В метаданных указаны 7,6 млрд параметров и контекст до 40 960 токенов; базовая модель поддерживает многоязычный поиск, в том числе поиск по коду и межъязыковой поиск. В ограниченном локальном smoke-тесте извлечения модель достигла 24/24 совпадений top-1 и MRR 1,0 на 24 парах запросов и документов. Это небольшая инженерная проверка, а не оценка на MTEB и не гарантия качества для других данных. Контрольная точка рассчитана на Apple Silicon и MLX/oMLX; результаты для CUDA и PyTorch к ней не относятся. Лицензия — Apache-2.0.

Qwen3-Reranker-8B-AWQ-INT4 — это квантизированная версия модели Qwen3-Reranker-8B, опубликованная drawais и основанная на модели Qwen/Qwen3-Reranker-8B от оригинальных авторов Qwen. Модель предназначена для переранжирования текстовых результатов, например для выбора наиболее релевантных документов или фрагментов в поисковых и retrieval-системах. В README явно указан английский язык; другие языки не заявлены. Используется весовая квантизация INT4 в формате AWQ, что уменьшает размер модели примерно до 6,1 ГБ и позволяет запускать её на потребительском GPU с 8 ГБ видеопамяти при наличии запаса под KV-кэш. Заявлена поддержка запуска через Transformers и vLLM; пример конфигурации использует максимальную длину контекста 32 768 токенов. Сильными сторонами являются сниженные требования к памяти и сохранение назначения специализированного reranker, однако квантизация может влиять на качество по сравнению с исходной моделью, а сведения о точных характеристиках архитектуры, качестве на тестах и поддерживаемых модальностях в README отсутствуют. Модель распространяется по лицензии Apache License 2.0; это производная работа Qwen/Qwen3-Reranker-8B, для которой указаны требования к атрибуции.

Wheatley961/Raw_1_no_2_Test_3_new.model — модель Sentence-Transformers на базе XLM-RoBERTa, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения смысловой близости текстов и кластеризации. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает текст; контекст ограничен 514 токенами. Для работы README рекомендует библиотеку sentence-transformers; доступны веса в формате PyTorch. Модель обучалась с функцией потерь CosineSimilarityLoss. Карточка не сообщает явно базовую модель, лицензию, языки или результаты оценки качества, поэтому их нельзя надёжно определить по предоставленным данным.

LFM2.5-Embedding-350M — модель для построения векторных представлений текста, разработанная LiquidAI и экспортированная командой Software Mansion для запуска на устройствах через React Native ExecuTorch. Она предназначена прежде всего для семантического поиска и задач sentence similarity, включая сопоставление поисковых запросов с документами и passages непосредственно на устройстве. В основе модели — двунаправленный backbone LFM2.5-350M с гибридной архитектурой, сочетающей свёрточные слои и attention; размер скрытого представления составляет 1024. Модель формирует embedding размерностью 1024, применяет CLS pooling и L2-нормализацию, поэтому для сравнения векторов используется cosine similarity, эквивалентная скалярному произведению нормализованных embedding. Для лучшего качества retrieval рекомендуется использовать асимметричные префиксы «query: » для поисковых запросов и «document: » для индексируемых текстов. Языки и максимальная длина контекста в README не указаны. Репозиторий содержит готовые ExecuTorch-программы в форматах MLX int4 и XNNPack 8da4w, что позволяет выбирать между доступными backend и вариантами точности. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется. Вариант Core ML экспортирован, но не опубликован из-за проблем, описанных в отдельной заметке. Указана лицензия lfm1.0; подробные условия следует уточнять в файле лицензии upstream-модели.

ReasonEmbed — текстовая модель эмбеддингов, разработанная Hanhainebula для поиска документов по запросам, требующим многошагового рассуждения. Она дообучена на базе Qwen3-4B с функцией потерь RI-InfoNCE и синтетическими данными. Репозиторий содержит плотную архитектуру Qwen3 с 3,7 млрд параметров; модель принимает текст и выдаёт эмбеддинги. Контекстное окно составляет 40 960 токенов. Модель предназначена для извлечения и сопоставления документов в задачах reasoning-intensive retrieval. В README приведён результат nDCG@10 37,1 на бенчмарке BRIGHT с исходными запросами. Доступна по лицензии Apache-2.0. Карточка также связывает её с базовой моделью hanhainebula/qwen3-4b-ft-msmarco.

Reason-mxbai-colbert-v0.1-32m — англоязычная модель поиска документов, разработанная на основе mixedbread-ai/mxbai-edge-colbert-v0-32m и дообученная командой DataScience-UIBK. Это компактная ColBERT-модель с архитектурой ModernBERT и поздним взаимодействием: она строит многовекторные представления запросов и документов и сопоставляет их с помощью MaxSim. Размер составляет около 31,9 млн параметров, размерность вектора на токен — 128, а длина контекста по метаданным — 7999 токенов. Модель предназначена для семантического поиска и ранжирования документов, в том числе по сложным естественно-языковым и формальным математическим запросам. В версии v0.1 исправлена конфигурация остаточной связи проекционного слоя и расширена выходная проекция с 64 до 128 измерений; автор сообщает улучшение среднего BRIGHT nDCG@10 с 19,00 до 19,61 относительно v0. Лицензия — Apache-2.0. Модель специализируется на retrieval, а не на генерации ответов. Для сравнения длинных документов вычисления MaxSim могут быть затратными; результаты зависят от параметров обработки запросов и документов, а README приводит оценку с конкретными ограничениями длины и способом поиска.

Карточка модели Amirktk0312/resume-screener-bge-finetuned на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

RetriBERT — модель извлечения признаков для поиска текстов, опубликованная пользователем yjernite на Hugging Face. Она использует архитектуру RetriBERT и предназначена для получения векторных представлений текста, которые можно применять в задачах поиска и сопоставления текстовых запросов с документами. Модель содержит 98,9 млн параметров и принимает последовательности длиной до 512 токенов. Карточка не описывает отдельно обучающие данные или конкретные языковые ограничения. В репозитории доступны веса PyTorch; для запуска показано использование Transformers с задачей feature-extraction. Лицензия в предоставленных данных не подтверждена.

deepset/roberta-large-squad2 — модель deepset для извлечения ответов на вопросы из текста. Это RobertaForQuestionAnswering на базе FacebookAI/roberta-large, дообученная на SQuAD 2.0, включая вопросы без ответа. Модель содержит 454,1 млн параметров и принимает контекст до 514 токенов. Модель предназначена для поиска фрагмента текста, отвечающего на вопрос, в том числе в документах, подключённых к конвейеру Haystack. Она рассчитана на английский язык и поддерживает задачу question-answering. Веса доступны в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0. Ограничения: модель обучена на SQuAD 2.0 и ориентирована на английский язык; качество ответов за пределами этого распределения данных может снижаться. Длина обрабатываемого контекста ограничена 514 токенами.

Rolodex-12B — модель Polygramme для поиска по личным и командным базам знаний в агентных системах. Это дообученная на траекториях поиска производная zai-org/GLM-4.5-Air: применялся LoRA-адаптер, затем его веса были объединены с базовой моделью. Архитектура — GLM-4 MoE; в README указаны 12 млрд активных и 106 млрд общих параметров, тогда как метаданные каталога указывают 8,5 млрд параметров. Модель принимает текстовые запросы и использует инструменты для многошагового поиска, обращения к памяти и синтеза ответов с опорой на найденные данные. Контекст — до 131 072 токенов. Модель предназначена для retrieval- и memory-augmented агентных сценариев, включая поиск фактов и сбор свидетельств из индексированных источников. По внутренней оценке разработчика, она улучшает ответы на короткие фактологические вопросы по сравнению с GLM-4.5-Air и требует меньше вызовов инструментов, однако независимые бенчмарки ещё не представлены. В открытом чате может уступать универсальным инструкционным моделям; при скудных результатах поиска возможны галлюцинации, поэтому ответы следует сверять с источниками. Лицензия — MIT.

SaMer K64 ColQwen2 — адаптерный чекпойнт для визуального поиска по документам, разработанный авторами проекта SaMer. Он применяется к базовой модели vidore/colqwen2-v1.0-hf и объединяет визуальные токены в 64 пространственно-осведомлённых мягких центроида, сохраняя признаки объектов, важные для поиска. При выводе использует проекционный слой и пользовательскую обёртку с trust_remote_code; веса базовой модели в репозитории не распространяются и загружаются отдельно. Модель предназначена для поиска релевантных страниц документов, включая PDF, по текстовым запросам. Обучение адаптера использовало только функцию потерь для retrieval; конфигурация включает три итерации кластеризации, пространственный вес 0,1 и температуру назначения 0,07. Репозиторий содержит веса в формате safetensors. Лицензия адаптера — Apache-2.0; для базовой модели необходимо соблюдать её собственные условия использования.

SA-Retrieval-Embeddings-0.2B — модель эмбеддингов на базе SentenceTransformer, разработанная Omartificial-Intelligence-Space для семантического поиска и ранжирования фрагментов документов на саудовском арабском. Это дообученная версия SA-STS-Embeddings-0.2B с архитектурой BERT; она формирует плотные векторы размерности 768 и принимает текстовые последовательности длиной до 512 токенов. Модель обучалась на примерах поиска соответствующего фрагмента по краткому описанию, с трудными отрицательными примерами и функциями потерь MultipleNegativesRankingLoss и TripletLoss. Модель предназначена для поиска по базе знаний, извлечения семантических фрагментов и использования в RAG-системах, включая тексты на саудовском диалекте и современном стандартном арабском. В README заявлены около 88% точности Top-1 и Recall@5 99,2% на тестовом наборе из 1 515 примеров; эти показатели относятся к описанному авторами бенчмарку. Лицензия — Apache-2.0.

SauerkrautLM-ColLFM2-450M-v0.1 — компактная модель визуального поиска по документам от VAGO Solutions. Это дообученная версия LiquidAI/LFM2-VL-450M с архитектурой ColLFM2 и 450 млн параметров, предназначенная для сопоставления текстовых запросов со страницами документов по их визуальному содержимому. Модель преобразует запросы и изображения документов в многовекторные представления для поиска с поздним взаимодействием. Такой подход помогает учитывать структуру страниц, таблицы, графики и формы без отдельного этапа OCR. В карточке приведены результаты на наборах ViDoRe и MTEB, включая многоязычные задания. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. Для загрузки авторы предлагают пакет sauerkrautlm-colpali и примеры использования с sentence-transformers. В репозитории указана лицензия other; её конкретные условия следует проверить перед использованием. Модель рассчитана на поиск релевантных страниц по текстовым запросам, а не на генерацию ответов или текста.

SauerkrautLM-Multi-ColBERT-15m — компактная мультиязычная модель VAGOsolutions для поиска по тексту с архитектурой ColBERT и поздним взаимодействием токенов. Она содержит 15,8 млн параметров и предназначена для извлечения документов по запросу, в том числе на мобильных устройствах и других ресурсно ограниченных платформах. Модель обучена на более чем 8,2 млрд токенов: сначала на мультиязычных данных, затем на англоязычных; при обучении применялась дистилляция знаний от моделей-переранжировщиков. Поддерживаются английский, немецкий, испанский, французский, итальянский, нидерландский и португальский языки. Указаны длина документа до 2048 токенов, длина запроса до 256 токенов и оценивание сходства MaxSim на уровне токенов. Модель принимает текст и выдаёт представления для поиска и оценки сходства. Лицензия — Apache 2.0. Небольшой размер делает модель пригодной для локального и периферийного поиска, однако качество на конкретном корпусе и домене следует проверять отдельно. В README приведён лишь частичный результат бенчмарка, поэтому полное сравнение с другими моделями по карточке невозможно.

SauerkrautLM-Multi-Reason-ModernColBERT — многоязычная модель поиска с поздним взаимодействием ColBERT, разработанная VAGOsolutions. Она преобразует запросы и документы в многовекторные представления, а затем сопоставляет их по токенам с помощью MaxSim, чтобы находить релевантные документы, в том числе для сложных запросов и задач, требующих рассуждений. Модель основана на ModernBERT и PyLate, содержит 149 млн параметров и принимает документы длиной до 8192 токенов; длина запроса оптимизирована до 256 токенов. Обучение включает дистилляцию на синтетических примерах и низкоранговое сжатие LaserRMT. Разработчики заявляют о высокой эффективности на задачах многоязычного и рассуждающего поиска, но приведённые в карточке сравнительные результаты являются заявлениями авторов. Модель ориентирована на немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки. Лицензия — Apache 2.0.

Карточка модели rahulydc/semantic-highlight-ft на Hugging Face совпадает с карточкой zilliz/semantic-highlight-bilingual-v1, поэтому описание составлено по ней. Semantic Highlight Bilingual — модель Zilliz для семантического выделения релевантных предложений в тексте по запросу. Она дообучена на базе BAAI/bge-reranker-v2-m3 и использует архитектуру OpenProvence с весами в формате safetensors. Модель принимает запрос и текстовый контекст, оценивает релевантность токенов, агрегирует оценки по предложениям и возвращает релевантные предложения и показатели сжатия текста. Предназначена для подсветки результатов поиска и сокращения контекста в системах RAG. Модель поддерживает китайский и английский языки. В README указаны размер около 0,6 млрд параметров и вывод за миллисекунды; порог релевантности можно настраивать. Лицензия — MIT. Размер и скорость приведены в карточке модели; фактическая производительность зависит от оборудования и параметров инференса.

KBLab, лаборатория данных Национальной библиотеки Швеции, разработала эту модель на базе BERT для получения плотных векторных представлений шведских и английских предложений и абзацев. Это sentence-transformers bi-encoder размером 151,9 млн параметров; он отображает текст в векторы размерности 768 и поддерживает входную последовательность до 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Шведская KB-BERT обучалась как student-модель с помощью дистилляции знаний от английской all-mpnet-base-v2. В README приведены результаты оценки на шведских наборах SweParaphrase и SweFAQ; версия v2.0 показала лучшие результаты на задаче поиска ответов в SweFAQ v2.0 среди перечисленных версий. Модель принимает текст и выдаёт векторы, пригодные для сравнения и поиска. Распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанным шведским бенчмаркам; качество на других языках и типах текстов может отличаться.

Serafim 335m Portuguese PT Sentence Encoder tuned for Information Retrieval — модель семейства Serafim PT*, представленная Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos в работе 2024 года. Это плотный sentence-transformers энкодер на архитектуре BERT с 433,2 млн параметров; он преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024. Для получения векторов используется mean pooling контекстных представлений. Максимальная длина контекста по метаданным — 512 токенов. Модель предназначена для семантического поиска и задач информационного поиска; векторы также подходят для кластеризации текстов. Она рассчитана на португальский язык и доступна под лицензией MIT. В README параметры обучения указывают на настройку энкодера для IR, но базовая модель явно не названа.

Bhuvana/setfit_2class_model — модель Sentence-Transformers на архитектуре MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Веса насчитывают 136,7 млн параметров, модель распространяется в формате PyTorch и принимает текстовые последовательности длиной до 514 токенов. Векторы можно использовать для поиска семантически близких фраз и документов, кластеризации текстов и сравнения предложений по смыслу. README указывает на обучение с CosineSimilarityLoss. Модель работает с текстом; сведения о поддерживаемых естественных языках в предоставленной карточке отсутствуют. Лицензия в доступных данных не указана.

Это модель на базе MPNet, опубликованная пользователем aammari в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768; число параметров — 136,7 млн, максимальная длина контекста — 514 токенов. Модель предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Векторные представления можно использовать для поиска похожих фраз и группировки текстов по смыслу. Модель обучалась с CosineSimilarityLoss; в README приведены сведения о тренировочном процессе, но не названы языки обучения или результаты оценки. Репозиторий содержит веса PyTorch и имеет признаки дообученной Sentence-Transformers модели на основе MPNet. Лицензия в предоставленных данных не указана.

Silas Embedding 0.6B — многоязычная модель для получения плотных текстовых эмбеддингов, разработанная Alfo Tech Industries на базе Qwen3-Embedding-0.6B. Она преобразует текст в векторы для семантического поиска, сравнения сходства, извлечения документов и подготовки контекста для систем RAG. Модель относится к семейству Qwen3, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. В репозитории используются веса Safetensors; модель рассчитана на работу через библиотеку Sentence Transformers. Модель предназначена для поиска по смыслу в базах знаний и документации, подбора похожих текстов и извлечения релевантных фрагментов для последующей обработки другой моделью. README приводит высокие результаты на собственных простом и сложном тестах семантического сопоставления, однако независимой оценки на внешних лидербордах нет. Качество на длинном контексте и для конкретных языков и предметных областей следует проверять отдельно; заявленная многоязычность унаследована от базовой модели. Векторное сходство не подтверждает фактическую точность найденного текста. Лицензия — Apache-2.0.

SPLADE-BERT-Tiny-BS256-domain-adapted — разреженный энкодер SPLADE, дообученный автором yosefw на yosefw/bert-tiny-adapted-msmarco с помощью Sentence Transformers. Модель преобразует предложения и абзацы на английском языке в разреженные векторы размерности 30 522; сходство оценивается скалярным произведением. Архитектура включает BERT Tiny с masked language modeling и SPLADE pooling, максимальная длина входа — 512 токенов. Размер модели — 4,4 млн параметров. Модель предназначена для семантического поиска и разреженного извлечения документов по запросу. В карточке приведены результаты оценки качества retrieval, но они не гарантируют такую же точность на других наборах данных. Лицензия — MIT.

Это англоязычный разреженный энкодер SPLADE, разработанный на базе Luyu/co-condenser-marco с помощью библиотеки sentence-transformers. Модель дообучена для поиска по текстам и преобразует предложения и абзацы в разреженные векторы размерностью 30 522; релевантность оценивается скалярным произведением векторов. Архитектура состоит из BertForMaskedLM и слоя SpladePooling с max-пулингом и ReLU. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и разреженного извлечения документов, а также может использоваться в конвейерах эмбеддингов и сравнения предложений. В README приведены оценки на небольших наборах NanoMSMARCO, NanoNFCorpus и NanoNQ. Они дают ориентир по результатам, но не гарантируют качество на других корпусах; модель рассчитана на английский язык. Лицензия — Apache-2.0.

Это англоязычный разреженный кодировщик SPLADE, разработанный авторами модели на основе Luyu/co-condenser-marco и дообученный для поиска по текстам. Он преобразует запросы и документы в разреженные векторы размерностью 30 522; их сходство вычисляется скалярным произведением. Модель построена на BERT с головой masked language modeling и max-пулингом SPLADE. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе для поиска по запросам и абзацам. Максимальная длина последовательности — 512 токенов. В README приведены оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; они не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

Это англоязычный разреженный энкодер SPLADE, разработанный авторами репозитория tomaarsen и дообученный на основе Luyu/co-condenser-marco с помощью Sentence Transformers. Модель кодирует предложения и абзацы в разреженные векторы размерности 30 522; для оценки близости используется скалярное произведение. Архитектура построена на BERT с маскированным языковым моделированием и пуллингом SPLADE. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и разреженного извлечения документов: она преобразует запросы и тексты в представления, пригодные для ранжирования по релевантности. В карточке приведены результаты оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель принимает текст и выдаёт векторные представления. Распространяется по лицензии Apache-2.0.

SPLADE-v3-Doc — разработанная командой Naver модель разреженных текстовых представлений для семантического поиска и разреженного извлечения документов. Это асимметричный SPLADE-энкодер без вычислений на стороне запроса: он кодирует предложения и абзацы в разреженные векторы размерности 30 522, сопоставляемые скалярным произведением. Архитектура построена на BertForMaskedLM с максимальной длиной последовательности 512 токенов; для воспроизведения оценки использовалось 256 токенов. Модель относится к семейству SPLADE-v3 и основана на Luyu/co-condenser-marco. В карточке приведены результаты на MS MARCO dev (MRR@10 37,8) и среднем BEIR-13 (nDCG@10 47,0). Модель предназначена для индексирования текстов и поиска релевантных предложений или абзацев; язык карточки и метаданных — английский. Репозиторий использует PyTorch и safetensors, а лицензия CC BY-NC-SA 4.0 требует атрибуции и ограничивает коммерческое использование.

SPLADE-v3-Lexical — разреженный текстовый энкодер семейства SPLADE, опубликованный Naver. Он преобразует предложения и абзацы в разреженные векторы размерностью 30 522 и предназначен для семантического поиска и извлечения документов. Модель асимметрична: на стороне запроса она не расширяет термины, а только присваивает им веса; сходство векторов оценивается скалярным произведением. Архитектура включает BERT MLM-трансформер, max-pooling SPLADE и компонент IDF. Максимальная длина последовательности — 512 токенов, а для воспроизведения оценки указано 256 токенов. В карточке приведены результаты на MS MARCO dev (MRR@10 40,0) и BEIR-13 (средний nDCG@10 49,1). Модель ориентирована на англоязычный поиск; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, с ограничением на коммерческое использование.

SPLADE-v3 Spanish — разреженный энкодер на базе BERT, разработанный как испаноязычная адаптация naver/splade-v3. Он преобразует запросы и документы в разреженные векторы размерности 30 522 по словарю BERT WordPiece; сходство оценивается скалярным произведением. Модель содержит 136,7 млн параметров, работает через Sentence Transformers и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска, ранжирования документов и конвейеров RAG, особенно для испанского и двуязычного испанско-английского поиска с лексическим сопоставлением и семантическим расширением терминов. Она обучалась контрастивно на данных для поиска на испанском языке; в карточке приведены результаты оценки на MS MARCO, BEIR и MIRACL. Это не генеративная модель: она выдаёт разреженные векторы, а не текст. Качество зависит от предметной области, токенизации и настроек индексации и поиска, поэтому модель следует оценить на целевой системе. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий ShareAlike.

Stella-PL-retrieval — польскоязычный текстовый энкодер для информационного поиска, разработанный на основе stella_en_1.5B_v5 и дообученный для поиска по польским текстам. Модель сначала адаптировали к польскому языку методом мультиязычной дистилляции на 20 миллионах польско-английских пар, затем дообучили контрастивной функцией потерь на 1,4 миллиона запросов с подобранными положительными и отрицательными фрагментами. В основе — плотная архитектура Qwen2 с 1,5 млрд параметров; репозиторий содержит веса safetensors. Контекст модели составляет до 131 072 токенов. Энкодер преобразует текст в векторы размерностью 1024 и предназначен прежде всего для поиска релевантных документов по запросу на польском языке. В README указано значение NDCG@10 62,32 на Polish Information Retrieval Benchmark. Модель оптимизирована для информационного поиска; для семантического сходства и кластеризации разработчики рекомендуют дистиллированную модель sdadas/stella-pl. Лицензия в метаданных указана как Gemma.