I.1Поиск и навигация по информации

Это точечная модель-переранжировщик пассажей на базе Qwen3-30B-A3B с архитектурой MoE, дообученная командой Utah NLP с помощью Tevatron 3.0. Она оценивает релевантность пары «запрос — пассаж» контрастивным методом и рассчитана на сортировку результатов поиска. Модель использует причинную языковую модель: оценка равна разности логитов ответов «yes» и «no» после специального текстового промпта с запросом и содержимым пассажа. Для корректных оценок промпт должен заканчиваться вопросом о релевантности, без добавления EOS-токена. Модель прошла полное дообучение на наборе RLHN-680K и опубликована в формате Safetensors для библиотеки Transformers. Базовая модель имеет 30 млрд параметров, из которых 3 млрд активны на токен; в метаданных репозитория указано 2,6 млрд параметров. Контекст составляет 32 768 токенов. Лицензия Apache-2.0. Численные метрики качества и перечень поддерживаемых языков в предоставленных источниках не описаны.

Карточка модели ANGELOSEGRETO/Tongyi-DeepResearch-30B-A3B на Hugging Face совпадает с карточкой Alibaba-NLP/Tongyi-DeepResearch-30B-A3B, поэтому описание составлено по ней. Tongyi-DeepResearch — языковая модель с архитектурой Qwen3 MoE, разработанная Tongyi Lab для многошагового агентного поиска и исследования информации. В README указано 30 млрд общих параметров и 3 млрд активируемых на токен; метаданные Hugging Face указывают 2,4 млрд параметров. Модель доступна в формате safetensors и использует библиотеку Transformers; длина контекста составляет 131 072 токена. Модель предназначена для длительных задач поиска, анализа источников и подготовки ответов, требующих нескольких последовательных шагов. Она совместима с парадигмой ReAct и режимом Heavy на основе IterResearch с масштабированием вычислений во время вывода. В README сообщается о результатах на бенчмарках агентного поиска, включая Humanity's Last Exam, BrowserComp, GAIA и WebWalkerQA. Для работы с моделью можно использовать лицензию Apache-2.0. Карточка описывает англоязычный сценарий; подтверждений поддержки других языков нет. В доступных сведениях нет подробностей о требованиях к оборудованию или гарантиях качества ответов; результаты бенчмарков сами по себе не гарантируют точность в конкретном применении.

Mungert/Tongyi-DeepResearch-30B-A3B-GGUF — это GGUF-версия Tongyi DeepResearch, разработанной командой Tongyi Lab. Исходная модель представляет собой агентную большую языковую модель с архитектурой Mixture of Experts: 30 млрд общих параметров, из которых 3 млрд активируются для каждого токена. Данная сборка создана с помощью llama.cpp и предназначена для локального запуска и генерации текста; в метаданных указаны библиотека Transformers, задача text-generation и английский язык. Модель ориентирована на длительные многошаговые задачи поиска и анализа информации, включая агентные сценарии, работу с веб-источниками и глубокое исследование. Она совместима с парадигмами ReAct и IterResearch Heavy, причем последняя использует масштабирование вычислений на этапе вывода для повышения качества. В исходной карточке заявлены высокие результаты на ряде агентных поисковых бенчмарков, включая Humanity’s Last Exam, BrowserComp, GAIA и FRAMES. Ключевое преимущество этой версии — возможность запуска в формате GGUF через llama.cpp, а также примененная автором сборки настройка квантования с повышением точности отдельных важных слоев. Это может улучшать точность при ограниченной разрядности, особенно для MoE-моделей, но увеличивает размер файла. Ограничениями являются возможные потери качества из-за квантования, зависимость производительности от аппаратного обеспечения и отсутствие в README сведений о размере контекста, конкретных вариантах квантования и мультимодальных возможностях. Модель распространяется по лицензии Apache 2.0.

vectorizer-v1-S-en — англоязычный векторизатор Sinequa на архитектуре BERT-Small, содержащий около 32,4 млн параметров. Он преобразует запросы и фрагменты текста в векторы размерностью 256 для семантического поиска: векторы фрагментов хранятся в векторном индексе, а вектор запроса используется для поиска релевантных фрагментов. Модель нечувствительна к регистру и диакритическим знакам, принимает последовательности длиной до 512 токенов. Модель обучали на парах «запрос — фрагмент» с внутрипакетными негативными примерами, затем дообучали на триплетах с негативными примерами, найденными предыдущей версией. Данные основаны на Natural Questions, адаптированном Sinequa; качество оценивали на 14 англоязычных наборах BEIR. Средний Recall@100 составил 0,456. По README, для использования требуется Sinequa версии 11.10.0 или новее; указаны требования к CUDA для запуска на GPU. Модель предназначена для поиска по англоязычным текстам. Лицензия в предоставленных данных не указана.

vectorizer.vanilla — англоязычная модель-векторизатор компании Sinequa для поиска релевантных фрагментов по запросу. Она строит эмбеддинги запросов и passages, которые можно индексировать и сопоставлять для семантического поиска и извлечения информации. Модель основана на MiniLM-L6-H384 и архитектуре BERT, содержит около 25,9 млн параметров, выдаёт векторы размерности 256 и принимает последовательности длиной до 512 токенов. Она нечувствительна к регистру и диакритическим знакам. Модель обучена на парах «запрос — фрагмент» и триплетах с негативными примерами; качество оценивалось на англоязычных наборах BEIR, средний Recall@100 составляет 0,639. Подходит для построения векторного индекса и поиска по запросам. Для работы в Sinequa требуется версия не ниже 11.10.0; для CUDA указана вычислительная возможность выше 7.5. Лицензия в предоставленных данных не описана.

webAI-ColVec1-9b — мультимодальная модель поиска по визуальным документам от webAI-Official, дообученная на базе Qwen/Qwen3.5-9B. Она кодирует текстовые запросы и изображения страниц документов в многовекторные представления размерности 2560, нормализованные по L2. Архитектура ColBERT-style использует общий энкодер для текста и изображений и позднее взаимодействие токенов с оценкой MaxSim. Модель предназначена для поиска релевантных страниц и документов по запросу на естественном языке, включая PDF-страницы, таблицы и визуально представленные документы. Карточка сообщает о мультиязычном обучении на объединённом наборе примерно из двух миллионов пар «вопрос — изображение» и о результатах на бенчмарках ViDoRe V1 и V3. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория. README сообщает о доступности более новой версии ColVec1.1-8b.

AlexKay/xlm-roberta-large-qa-multilingual-finedtuned-ru — модель XLM-RoBERTa Large, дообученная для ответов на вопросы на наборах SQuAD и SberQuAD. Она принимает текст вопроса и контекста и предназначена для извлечения ответа из предоставленного текста, в том числе для русскоязычных сценариев. Архитектура — плотный трансформер XLM-RoBERTa с 658,7 млн параметров; максимальная длина контекста — 514 токенов. В карточке указаны результаты на SberQuAD: F1 84,3 и exact match 65,3. Модель подходит для русских и английских задач вопросно-ответного поиска по текстам. Лицензия — Apache-2.0. Её ответы ограничены сведениями в переданном контексте, а длина обрабатываемого текста ограничена контекстом модели.

ZGCM-1-7B — плотная авторегрессионная языковая модель Zhongguancun Academy и Zhongguancun Institute of Artificial Intelligence, обученная с нуля для математических рассуждений и поиска с использованием инструментов. Модель содержит 6,3 млрд параметров по метаданным каталога (в README указано 7,39 млрд), использует архитектуру ZGCM и поддерживает контекст до 262 144 токенов. Для работы требуется Transformers и включение trust_remote_code=True. Модель рассчитана на решение математических задач, многошаговый поиск в интернете и диалоговое текстовое взаимодействие; доступны режимы с внутренними рассуждениями и прямым ответом. В техническом отчёте авторы приводят высокие результаты на математических бенчмарках и оценках агентного поиска. Обучение включало предварительное обучение, расширение контекста и дообучение для общих и агентных задач. Весовые файлы опубликованы в формате safetensors. Лицензия — MIT. Модель работает с текстом и не описана как мультимодальная; качество ответов зависит от задачи и используемого инструментария для поиска. Возможность загрузки собственного кода модели требует осторожности при запуске.

MatinGhiasi/agah-finetuned-e5-base — модель Sentence Transformer, дообученная на базе intfloat/multilingual-e5-base для преобразования предложений и абзацев в плотные векторы размерностью 768. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; сходство векторов оценивается косинусной мерой. Максимальная длина последовательности составляет около 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных фрагментов по запросам. В примерах обучающего набора показаны персидские запросы и документы по финансовым услугам компании Агаҳ, поэтому модель подходит для поиска по подобным материалам. README указывает библиотеку Sentence Transformers и формат Safetensors в метаданных. Лицензия в предоставленных сведениях не указана.

Карточка модели InternScience/Agents-A1-4B-F16-GGUF на Hugging Face совпадает с карточкой InternScience/Agents-A1-4B, поэтому описание составлено по ней. Agents-A1-4B — плотная языковая модель на 4 млрд параметров от InternScience, созданная для автономного выполнения многошаговых задач. Она основана на архитектуре Qwen3.5 и дообучена для агентных сценариев: поиска, инженерной работы, научных исследований, следования инструкциям и вызова инструментов. Модель поддерживает диалог и интерфейс вызова функций; веса доступны в формате safetensors и совместимы с Transformers, vLLM и SGLang. В README заявлена длина контекста до 262 144 токенов при указанной конфигурации SGLang. Модель предназначена для разложения сложных запросов на шаги, планирования, использования внешних инструментов и ответов на научные и профессиональные вопросы. В README приведены высокие результаты на тестах поиска, агентных задач и следования инструкциям, однако это заявления разработчика, и они не гарантируют качество в конкретном приложении. Лицензия Apache-2.0.

InternScience/Agents-A1-F16-GGUF — вариант модели Agents-A1 от InternScience в формате GGUF F16. Это 35-миллиардная MoE-модель, дообученная для многошаговой работы в роли универсального агента: она разбивает сложные запросы на этапы, планирует действия и может использовать инструменты через интеграцию с внешней системой. Модель предназначена для длительного поиска, инженерных задач, научных исследований, следования инструкциям и ответов на профессиональные вопросы. Карточка базовой модели сообщает о поддержке вызова функций и интеграции с API, поисковыми системами и интерпретаторами кода. В опубликованных оценках Agents-A1 показала результаты на задачах агентного поиска, научных рассуждений и следования инструкциям; эти результаты относятся к базовой модели и не являются отдельной оценкой данного варианта GGUF F16. В README также описан контекст 262K для стандартной версии при запуске через SGLang, но это значение не подтверждено для данного GGUF-файла. Лицензия — Apache-2.0.

answerai-colbert-small-v1 — экспериментальная модель с несколькими векторами от Answer.AI, обученная по рецепту JaColBERTv2.5 с дополнительными изменениями. Она использует архитектуру BERT и содержит около 40 млн параметров по метаданным; в README авторы указывают размер 33 млн. Модель рассчитана на англоязычный поиск по пассажам и извлечение релевантных документов в RAG-системах, а также может применяться для переранжирования результатов поиска. ColBERT-кодирование хранит несколько векторов для текста и сопоставляет запрос с документами методом позднего взаимодействия. Это даёт модели сильные результаты на приведённых авторами тестах для модели её размера, включая BEIR. Контекст составляет 512 токенов; доступны веса Safetensors и формат ONNX. Лицензия — Apache-2.0. README описывает модель как доказательство концепции, поэтому результаты на бенчмарках не гарантируют качество для конкретного корпуса или сценария.

Apertus v1.5 Swiss multilingual retrieval embeddings — текстовая двунаправленная модель эмбеддингов для семантического поиска и межъязыкового извлечения информации. Её разработал автор andreasmartin на базе andreasmartin/apertus-v1.5-8b-text; модель распространяется как самостоятельный Sentence Transformers чекпойнт. Веса обучались с LoRA, затем адаптер был объединён с моделью. Размер по README — 4,904 млрд параметров; метаданные указывают 6,7 млрд. Поддерживаются немецкий, английский, французский, итальянский, романшский и алеманнский (швейцарский немецкий). Модель предназначена для поиска совпадающих по смыслу текстов на одном или разных языках, в том числе для швейцарских материалов. Обучение включало Wikipedia и наборы VotingBooklets-v1 и SwissGov-RSD, с использованием MultipleNegativesRankingLoss и MatryoshkaLoss. Внутренняя оценка на отложенных данных показывает сильные результаты для моноязычного поиска; для кросс-языкового поиска Recall@10 высок, но Accuracy@1 заметно ниже. Эти диагностические результаты не являются внешними бенчмарками, а разметка из Wikipedia использует пары «заголовок—абзац» как приближение поисковых примеров. Для уверенных сравнений качества нужны внешние оценки на целевых данных. Модель принимает текст и выдаёт векторные представления для поиска и сравнения сходства. Лицензия — Apache-2.0.

Apodex-1.0-0.8B-SFT — компактная текстовая модель для агентного глубокого исследования, разработанная командой Apodex на базе Qwen3.5-0.8B. Это версия после supervised fine-tuning; она рассчитана на работу как ReAct-агент с вызовом инструментов. Модель предназначена для поиска и проверки сведений, синтеза ответов по источникам и подготовки выводов с прослеживаемыми доказательствами. В карточке указана архитектура Qwen3.5 с плотными весами и классом Qwen3_5ForConditionalGeneration; модель распространяется в формате safetensors и работает через Transformers. README рекомендует запускать её с шаблоном чата Qwen3.5 и совместимыми парсерами вызовов инструментов. Заявленная тяжёлая схема с параллельной командой субагентов и глобальным верификатором относится к Apodex-1.0-H, а не к этому одиночному чекпойнту. Поддерживаемые языки по метаданным — английский и китайский. Лицензия — Apache-2.0. Сильная сторона модели — настройка на агентные исследовательские сценарии и вызов инструментов при сохранении общих возможностей базовой модели согласно README. В карточке нет отдельных результатов оценки именно версии 0.8B-SFT, поэтому её качество нельзя выводить из результатов других вариантов Apodex. Для глубокого исследования нужны инструменты и агентная инфраструктура; сам чекпойнт не включает описанную в README команду субагентов и верификатор.

Argus-Colqwen3.5-2b-v0 — модель для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это дообученная версия Qwen/Qwen3.5-VL-2B-Instruct с 2,32 млрд параметров и мультимодальной архитектурой: она формирует многовекторные представления визуальных токенов размерностью 1024 и сопоставляет запросы со страницами документов с помощью late interaction MaxSim. Query-conditioned mixture of experts направляет регионы страницы в специализированные эксперты с учётом запроса, поэтому представление одной страницы может меняться в зависимости от того, какую информацию ищут. Модель предназначена для извлечения релевантных страниц и документов по текстовому запросу, в том числе в задачах визуального поиска по страницам документов. В README приведены результаты на ViDoRe v1 и v2; выпуск fp32 получен объединением LoRA-адаптера с базовой моделью, также существует вариант bf16. Модель принимает текстовый запрос и изображение документа и выдаёт векторы для ранжирования релевантности. Карточка описывает её как англоязычно-ориентированную; обучение также использовало мультиязычный набор, но его доля мала. Репозиторий распространяется по лицензии Apache 2.0. Ограничения: качество на языках помимо английского не оценено в этой версии, а более сложные текстовые запросы могут обрабатываться хуже, чем более крупной 4B-моделью. Маршрутизация через экспертов добавляет около 5% к задержке инференса относительно плотной базовой модели.

hadsag/bert-base-uncased-finetuned-squad-v2 — дообученная модель BERT для извлечения ответа на вопрос из предоставленного текста. Она основана на twmkn9/bert-base-uncased-squad2 и имеет 136,7 млн параметров. Модель принимает вопрос и контекст на английском языке и возвращает фрагмент контекста как ответ; благодаря обучению на SQuAD v2 она также может определять случаи, когда в контексте нет ответа. Максимальная длина контекста — 512 токенов. Модель подходит для систем вопросов и ответов по документам и текстам, где ответ нужно найти непосредственно в контексте. Доступна в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

deepset разработала англоязычную модель для извлечения ответов на вопросы из текста. Это дообученная для extractive QA версия bert-base-uncased, обученная и оценённая на SQuAD 2.0. Модель выбирает ответный фрагмент из предоставленного контекста и подходит для систем поиска ответов по документам, в том числе построенных на Haystack. Модель использует архитектуру BERT с 136,7 млн параметров и принимает текст с контекстом длиной до 512 токенов. Она может отвечать на вопросы, для которых в контексте нет ответа, что соответствует постановке SQuAD 2.0. Выпускается в форматах PyTorch и safetensors. Лицензия — CC BY 4.0.

Модель BERT с 135,5 млн параметров предназначена для ответов на вопросы по предоставленному тексту: она находит в контексте фрагмент, соответствующий вопросу. Модель обучена с нуля на датасете SQuAD; в карточке указана архитектура BertForQuestionAnswering. Поддерживаются форматы PyTorch и TensorFlow, максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения ответов из текстовых документов и справочных материалов. Данных о поддерживаемых естественных языках и специальных областях применения нет. Лицензия в предоставленных сведениях не указана.

NT12/bert-finetuned-squad — модель BERT с архитектурой BertForQuestionAnswering, дообученная на основе bert-base-cased для ответов на вопросы по предоставленному текстовому контексту. Она принимает текст вопроса и контекста и определяет в контексте фрагмент, который служит ответом. Модель содержит 135,5 млн параметров, рассчитана на контекст до 512 токенов и распространяется в формате safetensors. Модель подходит для извлечения ответов из коротких документов и фрагментов текста. Карточка не уточняет состав обучающих данных, языки, качество на конкретных наборах данных или дополнительные ограничения. Лицензия — Apache-2.0.

deepset/bert-small-mm_retrieval-question_encoder — модель deepset для кодирования вопросов в плотные векторы, предназначенные для поиска по коллекции документов или таблиц в системах retrieval-augmented question answering. Это компонент архитектуры Dense Passage Retrieval (DPR), использующий класс DPRQuestionEncoder; в репозитории указано около 32,4 млн параметров и контекст до 512 токенов. Hugging Face относит модель к задаче feature-extraction. Модель принимает текст вопроса и выдаёт его векторное представление, которое можно сопоставлять с векторами passage- или table-encoder для поиска релевантного содержимого. Примеры deepset используют её как query embedding model в Haystack. Карточка Hugging Face не содержит описания лицензии или подробной информации о языках и обучении, поэтому эти характеристики здесь не заявляются.

swardiantara/bert-tiny-snli-k1-adaptive-euclidean — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает двухслойный BERT с усредняющим pooling; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным, хотя в README указано ограничение 128 токенов. Модель подходит для семантического поиска, извлечения кандидатов и оценки сходства текстовых фрагментов. Обучение описано на 1 648 104 парах текстов с контрастивной функцией потерь. Базовая модель англоязычная, поэтому основное применение ориентировано на английский язык. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

nlpctx разработала модель в виде Sentence Transformer, дообученного на основе BAAI/bge-m3 для построения плотных текстовых эмбеддингов. Модель преобразует предложения и абзацы в векторы размерностью 1024 и подходит для поиска по сходству и извлечения релевантных документов; близость векторов оценивается косинусным сходством. В основе лежит XLM-RoBERTa с пулингом CLS и нормализацией выходных векторов. Максимальная длина последовательности — 8192 токена. Обучение проведено на 10 032 парах текстов с MultipleNegativesRankingLoss в направлении «запрос—документ». Примеры в карточке указывают на телугу-английский код-свитчинг и тематику вопросов о полиции и законодательстве Тамилнаду. Модель предназначена для семантического поиска и сопоставления запросов с текстами. Лицензия в предоставленных данных не указана.

albertobarnabo/bge-reranker-v2-m3-italian — италоязычный переранжировщик, дообученный разработчиком на базе BAAI/bge-reranker-v2-m3. Он оценивает релевантность пары «запрос — текстовый фрагмент» и помогает переставить результаты поиска так, чтобы наиболее подходящие оказались выше. Модель рассчитана на этап переранжирования в поисковом конвейере; её можно использовать вместе с эмбеддером bge-m3-italian для отбора и упорядочивания кандидатов. Модель основана на XLM-RoBERTa и имеет около 658,7 млн параметров; максимальная длина контекста — 8194 токена. В описанной оценке на 2 000 итальянских запросах к переведённому MS MARCO она улучшила nDCG@10 на 0,0096 относительно базового переранжировщика. Результат проверен на данных, близких к обучающим, поэтому на текстах другой тематики прирост может быть меньше. Веса распространяются по лицензии Apache-2.0; обучающие данные происходят из MS MARCO, исходные условия которого ограничивают коммерческое использование.

aneforge/bge-small-en-v1.5 — копия англоязычной модели BAAI/bge-small-en-v1.5, опубликованная для запуска через ANEForge на Apple Neural Engine. Это компактная плотная BERT-модель примерно на 40 млн параметров, преобразующая текст в эмбеддинги для семантического поиска и сравнения предложений. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. По README, веса побайтно совпадают с исходной моделью и не изменялись. Репозиторий размечен для ANEForge, который компилирует граф модели для запуска на Apple Neural Engine; лицензия — MIT. Модель рассчитана на англоязычные тексты, а её применение в первую очередь связано с поиском и оценкой семантической близости предложений.

cde-small-v1 — модель контекстных эмбеддингов документов, опубликованная jxm. Она предназначена для создания векторных представлений запросов и документов, в частности для поиска и оценки сходства. Модель использует архитектуру DatasetTransformer и требует двухэтапной подготовки: сначала формируются эмбеддинги выборки корпуса, затем с их учётом кодируются запросы и документы. Первый этап можно выполнить заранее, а на этапе инференса использовать только веса второго этапа. В README модель описана как компактная: менее 400 млн параметров; для работы указаны Transformers или Sentence Transformers с включённым trust remote code и токенизатором BERT uncased. Для retrieval нужно использовать отдельные префиксы запросов и документов. По данным README, без информации о корпусе качество на MTEB снижается с 65,0 до 63,8. Модель помечена авторами как устаревшая: рекомендуется перейти на cde-small-v2. Лицензия в предоставленных данных не указана.

Корейская модель ColBERT, разработанная dragonkue и дообученная от skt/A.X-Encoder-base с помощью PyLate. Она предназначена для поиска по текстовым коллекциям и переранжирования результатов: кодирует запросы и документы в последовательности токенных эмбеддингов и сравнивает их оператором MaxSim. Модель построена на ModernBERT с проекцией 768→128; поддерживает матрёшечные размерности эмбеддингов 32, 64, 96 и 128. Документы могут содержать до 2048 токенов, запросы — до 32; контекст энкодера — до 16 384 токенов. Модель ориентирована на корейский язык, имеет 148,7 млн параметров и распространяется по лицензии Apache-2.0. Подходит для семантического поиска и ранжирования корейских документов, в том числе с использованием PyLate и PLAID для приближённого поиска по большим коллекциям. В README приведены результаты на AutoRAG, Ko-StrategyQA и NanoBEIR-Ko; выбор меньшей размерности сокращает размер векторов в 2–4 раза при небольших изменениях метрик. PyLate использует размерность 128; для переключения между размерностями требуется другой путь загрузки, указанный в карточке.

Модель jonghwi/ColBERT-XLMR-Mixed-Distill-enfa-fa — мультиязычный поисковый энкодер на архитектуре ColBERT с поздним взаимодействием токенов, разработанный для поиска по персоязычным документам. В основе лежит XLM-RoBERTa-large, дообученная методом дистилляции по оценкам релевантности; размер модели — 658,7 млн параметров, размер проекции — 128, максимальный контекст — 514 токенов. Модель сопоставляет запросы на английском, персидском или смешанном английско-персидском языке с фрагментами документов на персидском языке. Для ранжирования использует MaxSim по токенным эмбеддингам и рассчитана на двуязычный веб-поиск и поиск по персидским коллекциям, когда запросы содержат переключение языков. Заявленная лицензия — Apache-2.0.

ColQwen3.5-4.5B-v3 — модель визуального поиска по документам, разработанная автором репозитория athrael-soju на основе Qwen3.5-4B. Она кодирует изображения страниц и текстовые запросы в многовекторные представления и сопоставляет их с помощью позднего взаимодействия в стиле ColBERT; предназначена для построения поисковых систем по PDF и другим документам с графиками, таблицами и сложной вёрсткой. Модель содержит около 4,5 млрд параметров, использует архитектуру ColQwen3_5 и обученную проекционную голову размерности 320, веса представлены в BF16. В README заявлена поддержка пяти языков: английского, французского, немецкого, испанского и китайского. Обучение включало примерно 776 тысяч пар из наборов для визуального поиска по документам, в том числе финансовых документов и таблиц. Для запуска требуются transformers версии 5.2.0 или новее; при переходе со старой версии необходимо заново кодировать документы, поскольку представления отличаются. По результатам, приведённым в карточке, модель входила в число сильных моделей класса 4B на ViDoRe, но уступала более крупным моделям и некоторым сопоставимым решениям на части бенчмарков; особенно слабой областью названы задачи V2 по ESG и экономике. Репозиторий распространяется по лицензии Apache-2.0.

Это франкоязычная модель переранжирования cross-encoder, разработанная Antoine Louis. Она оценивает пары «вопрос — фрагмент текста» и выдаёт оценку релевантности, по которой можно сортировать результаты семантического поиска после первичного извлечения, например BM25 или bi-encoder. Модель предназначена для повышения качества выдачи по запросам на французском языке. Модель основана на XLM-RoBERTa и дообучена на французских данных mMARCO: использовано 2,6 млн обучающих пар с положительными и сложными отрицательными примерами. В метаданных указаны 110,2 млн параметров и контекст до 514 токенов; в описании обучения максимальная длина пары составляла 256 токенов. Оценка вычисляется с помощью sigmoid и находится в диапазоне от 0 до 1. Для работы требуется оценивать каждую пару запроса и фрагмента отдельно, поэтому модель подходит для второго этапа поиска, а не для первичного поиска по большим коллекциям. Модель распространяется по лицензии MIT.

tomaarsen/csr-mxbai-embed-large-v1-nq — англоязычный CSR sparse encoder, дообученный на Natural Questions на базе mixedbread-ai/mxbai-embed-large-v1 с использованием Sentence Transformers. Модель преобразует запросы, предложения и абзацы в разреженные векторы размерностью 4096; векторы могут содержать до 256 активных измерений. Для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и разреженного поиска релевантных документов по запросу. Её обучали на 99 000 примерах Natural Questions; максимальная длина входной последовательности — 512 токенов. Карточка приводит результаты оценки поиска на наборах nq_eval с разным числом активных измерений. Это производная BERT-модели с 433,9 млн параметров, доступная в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено. Показатели в карточке получены на Natural Questions, поэтому они не гарантируют такое же качество на других предметных областях и поисковых коллекциях.