I.1Поиск и навигация по информации

Это англоязычный CSR Sparse Encoder, дообученный авторами карточки на базе mixedbread-ai/mxbai-embed-large-v1 на датасете Natural Questions с использованием Sentence Transformers. Модель кодирует предложения и абзацы в разреженные векторы размерности 4096; предусмотрено до 256 активных измерений, а сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов, число параметров — 433,9 млн. Модель предназначена для семантического поиска и разреженного извлечения релевантных документов, в том числе в сценариях поиска по вопросам на английском языке. В README приведены оценки на NanoBEIR, Natural Questions и других наборах Nano BEIR при разных ограничениях на активные измерения. Модель распространяется под лицензией Apache-2.0. Результаты зависят от числа активных измерений и используемого корпуса; карточка содержит оценки на небольших наборах, поэтому они не гарантируют качество на других данных.

Komalverma/custom-bge-baai-small-cfr-cms — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработанная пользователем Komalverma. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 384 для семантического поиска и извлечения релевантных текстов. Сходство векторов можно оценивать косинусной мерой. Модель использует архитектуру BERT с усреднённым пулингом выходов токенов, содержит около 40 млн параметров и обрабатывает до 512 токенов за последовательность. Обучающие данные состоят из 47 056 пар предложений; README указывает на примеры из сферы услуг Medicare, но не устанавливает более широкую специализацию модели. Доступны веса в формате safetensors. Лицензия в предоставленных данных не указана.

Англоязычная модель sjrhuschlee/deberta-v3-base, дообученная на SQuAD 2.0 для извлечения ответов из текста. На вход она принимает вопрос и контекст, а на выходе выделяет фрагмент контекста, который отвечает на вопрос; обучение включало вопросы без ответа, поэтому модель может распознавать случаи, когда подходящего фрагмента нет. Архитектура — DeBERTa-v3-base, 211,6 млн параметров, библиотека Transformers; максимальная длина контекста — 512 токенов. Модель подходит для поиска ответов в заданном тексте и систем вопросно-ответного поиска по документам на английском языке. Она не предназначена для свободной генерации развернутых ответов и зависит от того, содержит ли предоставленный контекст нужную информацию. Лицензия — MIT.

Модель monakth/distilbert-base-multilingual-cased-finetuned-squad — дообученная версия multilingual cased DistilBERT для извлечения ответов на вопросы. Она принимает вопрос и текстовый контекст и предсказывает фрагмент контекста в качестве ответа. Обучение проводилось на датасете SQuAD; для неё указан результат Loss 1,1954 на наборе оценки. Модель построена на архитектуре DistilBERT и предназначена для сценариев, где ответ можно найти в предоставленном тексте: например, для поиска ответов в документах или справочных материалах. Контекст ограничен 512 токенами. Лицензия — Apache-2.0.

rizukim/distilbert-base-uncased-finetuned-squad — модель семейства DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для извлечения ответа на вопрос из предоставленного текста и относится к архитектуре DistilBertForQuestionAnswering. Модель работает с текстом, использует библиотеку Transformers и рассчитана на контекст длиной до 512 токенов. В README приведён результат оценки: loss 1,1039; описание обучающих данных, подробные сценарии применения и ограничения не раскрыты. Базовая модель — distilbert/distilbert-base-uncased. Лицензия — Apache-2.0.

sw882882/distill-roberta-code-instruction-tune — модель на базе RoBERTa, обученная преобразовывать предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации; для работы предусмотрены Sentence-Transformers и Transformers с подходящей операцией pooling. В метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат PyTorch. README сообщает об обучении с DenoisingAutoEncoderLoss, но не уточняет базовую модель, языки обучения или специализацию на коде и инструкциях. Лицензия в предоставленных данных не указана.

DR-Tulu-8B — исследовательский агент для углублённого поиска, разработанный проектом rl-research и обученный с подкреплением на базе rl-research/DR-Tulu-SFT-8B. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для диалоговой генерации текста и работы с инструментами в рамках фреймворка dr-agent-lib. Модель ориентирована на многошаговый поиск и ответы на исследовательские вопросы. Контекстное окно составляет 40 960 токенов. В карточке приведены результаты на наборах для вопросов и ответов, включая ResearchQA и DeepResearch Bench. Для штатного запуска через Hugging Face Transformers или vLLM модель подходит плохо: она обучалась для использования инструментов через dr-agent-lib. Распространяется по лицензии Apache 2.0; разработчик указывает исследовательское и образовательное применение в соответствии с Responsible Use Guidelines Ai2.

DR-Tulu-SFT-8B — диалоговая модель генерации текста, разработанная в проекте DR Tulu и дообученная методом SFT на базе Qwen3-8B. Она предназначена для исследовательского агента глубокого поиска: отвечает на вопросы и собирает сведения из внешних источников в связные ответы. Модель обучена использовать инструменты через фреймворк dr-agent-lib; для этого сценария запуск через Hugging Face Transformers или vLLM без соответствующей интеграции работает плохо. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В карточке приведены результаты на бенчмарках вопросов и глубокого поиска, включая ResearchQA, DeepResearch Bench и SimpleQA. Модель выпущена под лицензией Apache 2.0; README указывает на исследовательское и образовательное применение согласно Responsible Use Guidelines от Ai2.

DUSUNEN Pusula 118M v0 — компактный турецкий энкодер для поиска и сравнения текстов, разработанный автором репозитория GoktugD. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообучена на 100 000 обучающих и 2 000 проверочных триплетах с Cached Multiple Negatives Ranking Loss. Она преобразует запросы и документы в нормализованные векторы размерностью 384; архитектура — BERT, число параметров — около 124,3 млн, контекст — до 512 токенов. Модель предназначена для семантического поиска, ранжирования документов по близости к запросу и других сценариев retrieval на турецком языке. В README приведены результаты оценки на пяти турецких поднаборах MTEB и сравнение компромисса между размером модели, памятью индекса и качеством поиска. Модель не генерирует текст и не ведёт диалог. Лицензия — Apache-2.0. Качество поиска ниже, чем у более крупной DUSUNEN Rota 270M v1 в указанном наборе задач; компактность достигается за счёт снижения оценочного результата. Обучающие данные основаны на машинном переводе турецкого MS MARCO и могут содержать ошибки перевода, устаревшие сведения и смещения веб-текстов. Оценка сходства служит сигналом ранжирования, а не вероятностью или проверкой фактов.

emirhanyac/e5-small-msmarco-tr — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, предназначенная для поиска релевантных текстов. Она использует архитектуру BERT с mean pooling и нормализацией, преобразует предложения и абзацы в плотные векторы размерности 384 и сравнивает их по косинусному сходству. В метаданных указано 124,3 млн параметров и контекст до 512 токенов; карточка модели заявляет максимальную длину последовательности 256 токенов. Модель дообучена на 10 000 пар запрос–положительный документ из msmarco-tr. Она рассчитана на извлечение документов по запросу и семантическое сопоставление текстов на турецком языке. В README приведены результаты оценки на msmarco-tr-eval, включая cosine_accuracy@1 0,833 и ndcg@10 0,8841. Для использования нужны текстовые запросы и документы; результатом служат эмбеддинги, подходящие для векторного поиска и ранжирования по близости. Лицензия в предоставленных данных не указана.

naver/efficient-splade-VI-BT-large-doc — компонент асимметричной модели Efficient SPLADE от Naver для поиска релевантных фрагментов текста. Это часть пары отдельных кодировщиков: данный вариант предназначен для кодирования документов, а для запросов требуется соответствующая модель query. Кодировщик на базе DistilBERT преобразует предложения и абзацы в разреженные векторы размерности 30 522; релевантность оценивается скалярным произведением. Максимальная длина последовательности — 512 токенов, а карточка указывает применение для семантического поиска и разреженного поиска по корпусу. Модель рассчитана на индексирование документов и извлечение passages, в том числе в сценариях поиска по MS MARCO. В метаданных указаны Sentence Transformers, английский язык и форматы PyTorch и safetensors. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на совместимых условиях.

Efficient SPLADE от Naver — асимметричная модель поиска по тексту, представленная отдельными энкодерами для запросов и документов. Этот репозиторий содержит вариант для кодирования запросов; для поиска также нужен соответствующий энкодер документов. Модель преобразует предложения и абзацы в разреженные векторы размерности 30 522, пригодные для семантического поиска и извлечения пассажей. Архитектура основана на BERT с головой masked language modeling; максимальная длина входа — 512 токенов, а векторное сходство вычисляется скалярным произведением. В метаданных указано 4,4 млн параметров и поддержка английского языка; модель связана с MS MARCO. Модель подходит для построения поисковых систем и retrieval-компонента RAG, где требуется сопоставлять запросы с текстовыми фрагментами. Карточка приводит результаты на MS MARCO и низкую задержку для варианта Efficient SPLADE-VI-BT-large, но не уточняет условия измерений. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

naver/efficient-splade-V-large-query — асимметричный разреженный энкодер SPLADE от Naver, предназначенный для кодирования поисковых запросов при поиске по коллекции документов. Модель преобразует текстовые запросы в разреженные векторы размерности 30 522; релевантность оценивается скалярным произведением. Для поиска требуется парная документная модель naver/efficient-splade-V-large-doc. Модель построена на DistilBERT и рассчитана на последовательности длиной до 512 токенов; для воспроизведения оценки в README указана длина 256 токенов. Она ориентирована на семантический поиск и разреженное извлечение фрагментов, а карточка приводит результаты на MS MARCO. Доступны веса PyTorch и safetensors; для запуска подходит Sentence Transformers. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

ahotrod/electra_large_discriminator_squad2_512 — модель на базе архитектуры ELECTRA Large, предназначенная для извлечения ответов на вопросы из предоставленного текста. Репозиторий содержит около 433,9 млн параметров; модель поддерживает контекст длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. В карточке приведены результаты оценки на SQuAD 2.0: exact match 87,1 и F1 90,0 на 11 873 примерах, включая вопросы без ответа в контексте. Модель подходит для систем вопросно-ответного поиска по документам и текстовым фрагментам, когда ответ требуется извлечь из источника. Для работы нужно передавать текст контекста вместе с вопросом; длина контекста ограничена 512 токенами. Карточка не сообщает об отдельном языковом наборе данных или лицензии, поэтому языковую применимость и условия распространения по имеющимся материалам определить нельзя.

much1na/ettin-encoder-17m-v3-vendor-embeddistill-v2 — компактная текстовая модель Sentence Transformer для поиска по смыслу и извлечения релевантных документов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать косинусным сходством. Архитектура основана на ModernBERT, содержит 16,8 млн параметров и принимает последовательности длиной до 7999 токенов по метаданным; в README заявлено ограничение 8192 токена. Модель обучена на 483 497 примерах msmarco-embed-dense_on-triples-v3 с использованием EmbedDistillLoss. Её можно применять для векторного поиска, подбора документов к запросу и построения семантического поиска; в карточке приведены результаты оценки на англоязычных наборах NanoBEIR и отдельных наборах извлечения информации. Модель принимает текст и выдаёт векторы эмбеддингов. Данные указывают на англоязычное обучение и оценивание, поэтому пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.

EvoQwen2.5-VL-Retriever-3B-v1 — мультимодальная модель поиска по визуальным документам, разработанная ApsaraStackMaaS. Она основана на Qwen2.5-VL-3B-Instruct и дообучена методом Evo-Retriever; использует плотные многовекторные представления и позднее взаимодействие для сопоставления текстовых запросов с изображениями документов. Модель содержит 3,1 млрд параметров, принимает изображения и текстовые запросы, а на выходе формирует векторы для оценки релевантности. Указанная длина контекста — 128 000 токенов. Модель предназначена для поиска нужных страниц и сведений в визуально сложных документах, включая запросы на естественном языке к содержимому изображений. В README заявлено преимущество по точности над моделями сопоставимого размера и пригодность для сценариев с ограниченными ресурсами; приведены примеры текстового поиска по изображениям. Для загрузки и обработки в README перечислены Transformers, Torch, Pillow и colpali-engine. Лицензия — Apache-2.0. Данные карточки указывают английский язык; поддержка других языков не подтверждена. Оценочные таблицы в README опущены, поэтому количественные показатели качества проверить по предоставленным сведениям нельзя.

Это англоязычный разреженный энкодер SPLADE, созданный разработчиками карточки на основе Luyu/co-condenser-marco с дообучением на MS MARCO с использованием hard negatives и дистилляции. Модель построена на BERT с головой masked language modeling и max-пулингом SPLADE; она преобразует предложения и абзацы в разреженные векторы размерности 30 522, сравниваемые скалярным произведением. Число параметров — 136,7 млн, контекст по метаданным — до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и разреженного поиска информации: векторизует запросы и документы, чтобы находить релевантные фрагменты. В README приведены оценки на наборах NanoMSMARCO и NanoBEIR. Модель принимает текст и выдаёт векторные представления; для запуска поддерживается библиотека sentence-transformers. Лицензия Apache-2.0. Модель оптимизирована для английского языка и обучалась на MS MARCO, поэтому качество на других языках и предметных областях может быть ниже; приведённые оценки получены на небольших Nano-наборах и не гарантируют качество на произвольных данных.

Ext2Gen-8B-R2 — дообученная командой DISLab языковая модель для генерации ответов на вопросы в RAG-системах. Она сначала извлекает из найденных фрагментов предложения, относящиеся к запросу, затем формирует ответ. По описанию разработчиков, обучение на парных предпочтениях направлено на повышение точности опоры на источники, полноты и краткости ответов и на снижение влияния нерелевантных или вводящих в заблуждение фрагментов. Модель основана на Llama 3.1 8B Instruct по метаданным; в README указана Llama 3.2 8B Instruct. Метаданные сообщают 7,5 млрд параметров, контекст до 131 072 токенов, формат safetensors и лицензию Apache-2.0. Поддерживается английский язык. Модель подходит для ответов на вопросы по результатам поиска, когда контекст содержит много фрагментов или шумные сведения. Вывод включает извлечённые релевантные предложения и итоговый ответ. Предварительное извлечение предложений увеличивает задержку до получения ответа; авторы также отмечают, что работа над моделью продолжается.

FYPsq2mrqa — модель для извлечения ответов на вопросы из заданного текста, разработанная на основе deepset/deberta-v3-base-squad2 и дообученная на наборе данных MRQA. Она использует архитектуру DeBERTa v3 в семействе DeBERTa v2, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Модель подходит для систем поиска ответов по документам и автоматизированного чтения текстов. На оценочном наборе указано значение loss 2,0805. Карточка не раскрывает дополнительные сведения о составе MRQA, языках обучения или ограничениях качества. Лицензия модели — CC BY 4.0.

deepset/gelectra-large-germanquad — немецкоязычная модель ответов на вопросы от deepset, построенная на GELECTRA Large и дообученная для извлечения ответов из текста. Она предназначена для поиска ответа на вопрос в предоставленном документе или наборе документов, в том числе в конвейерах Haystack и Transformers. Модель обучали на 11 518 парах вопрос–ответ из GermanQuAD; перед дообучением использовали немецкий перевод SQuAD 1.1. Архитектура — ElectraForQuestionAnswering, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст на немецком языке и выдаёт извлечённый из него фрагмент ответа. Лицензия модели — MIT. Она рассчитана на экстрактивный QA: ответ должен присутствовать в контексте, поэтому модель не предназначена для свободной генерации ответов или надёжного ответа без предоставленного текста. Оценка в карточке приведена на тестовой выборке GermanQuAD.

GLuCoSE-base-ja — японская модель эмбеддингов предложений, разработанная Акихико Фукутти, Юитиро Хосино и Ётаро Ватанабэ. Она основана на LUKE и дообучена для получения векторных представлений японского текста; использует mean pooling и формирует эмбеддинги размерности 768. Модель рассчитана на последовательности длиной до 512 токенов по README; метаданные указывают контекст в 514 токенов. Модель предназначена для сравнения смысловой близости предложений и семантического поиска по японским текстам. Для обучения использована смесь веб-данных и наборов для поиска и понимания естественного языка. В карточке приведены результаты оценки на JSTS и AIO3, где модель превзошла сравниваемые эмбеддинг-модели по указанным метрикам. Модель принимает текст и выдаёт векторные представления, удобные для поиска и ранжирования по близости. Она поддерживает японский язык и распространяется по лицензии Apache-2.0. Оценки в карточке относятся к конкретным тестовым наборам и сами по себе не гарантируют качество на других данных.

Qdrant/gte-large-onnx — ONNX-порт модели thenlper/gte-large, подготовленный для использования в экосистеме Qdrant. Это текстовая модель, формирующая векторные представления текстов и предназначенная для задач семантического сходства и поиска по близости, а также для сценариев классификации текста на основе эмбеддингов. Модель принимает текст на вход и преобразует его в числовой вектор фиксированной размерности. В README не указаны точные архитектура, количество параметров, размерность эмбеддингов, максимальная длина контекста и перечень поддерживаемых языков. Модель совместима с FastEmbed, что упрощает получение эмбеддингов для коллекций документов и последующее использование в системах семантического поиска. К сильным сторонам относятся формат ONNX и ориентация на задачи similarity search, однако README не содержит подробных сведений о качестве, производительности, ограничениях по длине текста или языковой специализации. Модель распространяется по лицензии Apache 2.0.

DEk21_hcmute_embedding_v2 — вьетнамская модель эмбеддингов предложений, разработанная для семантического поиска и сравнения сходства предложений. Она дообучена авторами репозитория на основе bkai-foundation-models/vietnamese-bi-encoder с помощью Sentence Transformers; архитектура — RoBERTa, размер — 162,4 млн параметров. Модель преобразует текстовые запросы и контексты в векторы для поиска релевантных фрагментов, в частности во вьетнамских данных вопрос—контекст. Основной размер вектора — 768 измерений; обучение Matryoshka позволяет использовать укороченные векторы размером 512 или 256 измерений. Для сравнения предусмотрено косинусное сходство, а длина контекста составляет 258 токенов. Модель рассчитана на вьетнамский язык и поиск по вьетнамским текстам; результаты оценки показывают улучшение ряда метрик относительно базовой модели, хотя качество зависит от данных и сценария применения. Распространяется по лицензии Apache-2.0.

INF-WSE v1 Base zh — модель разреженных словных эмбеддингов, разработанная INF TECH для поиска и извлечения информации, особенно в китайских текстах. Она дообучена на базе junnyu/roformer_chinese_base; архитектура — RoFormer с 151,6 млн параметров. Модель преобразует текст в разреженные векторы размерности словаря: ненулевые веса выделяют значимые слова и семантические признаки для сопоставления запросов с документами. Модель предназначена для семантического поиска, ранжирования и retrieval-сценариев. В README приведены результаты C-MTEB Retrieval: средний nDCG@10 составляет 61,16 при максимальной длине 512 токенов; индексы для сравнения строились в Qdrant. Метаданные указывают контекст до 1536 токенов. Модель ориентирована на китайский язык и выдаёт векторные представления текста. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

Iso-ModernColBERT — англоязычная много-векторная модель для семантического поиска и ранжирования документов, разработанная TopK.io. Это изотропно скорректированная версия GTE-ModernColBERT-v1 на архитектуре ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Модель кодирует запросы и документы в наборы векторов и поддерживает позднее взаимодействие в стиле ColBERT; в TopK она также применяется со Sparse Multi-Vector Encoding (SMVE). Модель рассчитана на производственные системы поиска, где важны качество ранжирования и скорость извлечения. По внутренним оценкам разработчика на наборах BEIR и NanoBEIR версия bf16 сохраняет качество ранжирования, близкое к fp32, и ускоряет инференс до трёх раз относительно исходной модели; SMVE предназначен для масштабируемого поиска кандидатов с последующим ранжированием. Эти результаты получены во внутреннем тестовом контуре, а README отмечает, что некоторые показатели выигрыша SMVE обусловлены крайне низкой базовой оценкой исходной модели. Лицензия — Apache-2.0. Модель ориентирована на английский язык; заявленный контекст — 8192 токена. Она предназначена для получения векторов и оценок релевантности, а не для генерации ответов. Результаты README относятся к указанным поисковым бенчмаркам и конфигурациям, поэтому качество на других корпусах и при иных настройках отдельно не подтверждено.

ITER-Qwen3-Embedding-0.6B — плотная модель для поиска документов в системах агентного deep research, разработанная IELab Group и дообученная на Qwen/Qwen3-Embedding-0.6B. Она формирует запросное представление с учётом основного вопроса, предварительного рассуждения агента, текущего подзапроса и истории ранее выполненных подзапросов, чтобы находить релевантные документы с новой информацией. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3 и принимает текст; эмбеддинги получаются последним токеном и нормализуются по L2. Контекстная длина по метаданным — 32 768 токенов; в рекомендованном формате README задаёт максимум 8 192 токена для запроса и 512 для документа. Модель предназначена для dense retrieval в агентных сценариях поиска и глубокого исследования, включая итеративное уточнение поиска с учётом уже посещённых документов. В README приведены результаты сквозной оценки с несколькими агентными моделями на InfoSeek-Eval и BrowseComp-Plus. Для воспроизведения указанного ранжирования README рекомендует обслуживать модель в bfloat16: float16 может заметно изменить результаты. Языки явно не перечислены в карточке; базовая модель описана метаданными как многоязычная. Лицензия — Apache-2.0.

hotchpotch/japanese-bge-reranker-v2-m3-v1 — японский реранкер из серии моделей CrossEncoder, разработанной hotchpotch и обученной на японских данных. Он оценивает релевантность пары «запрос — документ» и упорядочивает найденные материалы, помогая улучшить результаты поиска и подбора контекста для RAG-систем. Модель построена на архитектуре XLM-RoBERTa и содержит около 658,7 млн параметров; поддерживает контекст до 8194 токенов. Для инференса указана библиотека Sentence Transformers, веса доступны в формате safetensors. Модель предназначена прежде всего для повторного ранжирования результатов поиска на японском языке. В README приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD, однако числовые результаты для этой конкретной версии среди доступных фрагментов не показаны. Репозиторий распространяется по лицензии MIT.

Jina AI jina-embeddings-v5-omni-nano-retrieval — мультимодальная модель эмбеддингов, предназначенная для поиска. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, согласованного с текстовой моделью jinaai/jina-embeddings-v5-text-nano-retrieval. Это вариант семейства jina-embeddings-v5-omni-nano с адаптацией для retrieval; архитектура в метаданных обозначена как LlavaEuroBertAudioForEmbedding, библиотека — Transformers. Модель содержит около 0,95 млрд параметров, выдаёт эмбеддинги размерностью 768 и поддерживает мультиязычный ввод. Её можно применять для мультимодального поиска, когда документы индексируются текстом, а запрос поступает как изображение, видео или аудио; совместимое векторное пространство позволяет использовать такие запросы без переиндексации текстового корпуса. Видео представляется последовательностью кадров, а звуковая дорожка из видео автоматически не обрабатывается: для совместного представления звука и изображения аудио нужно подать отдельно. Для retrieval важно обозначать роль входа как запроса или документа с помощью префиксов Query: и Document: либо соответствующих функций кодирования. Модель поддерживает усечение векторов с нормализацией и выборочное подключение модальных компонентов для экономии памяти. Веса доступны в формате safetensors; лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения.

jina-reranker-v2-base-multilingual-GGUF — экспериментальная GGUF-версия модели jina-reranker-v2-base-multilingual, разработанной и обученной Jina AI. Это трансформерная cross-encoder-модель для переранжирования результатов информационного поиска: она принимает пару «запрос — документ» и возвращает оценку релевантности документа запросу. Модель предназначена для многоязычного поиска, включая задачи retrieval, reranking, code retrieval, text-to-SQL и сценарии с function calling. Модель поддерживает контекст до 1024 токенов; более длинные тексты обрабатываются скользящим окном с разбиением на фрагменты. Она работает с несколькими языками, однако точный языковой список и размер модели в README не указаны. Использование flash attention повышает производительность, но требует совместимого GPU. GGUF-версия основана на llama.cpp и предназначена для экспериментального запуска только через gpustack/llama-box версии 0.0.72 или новее. Сильной стороной модели является способность сопоставлять запросы и документы на разных языках и выдавать оценки релевантности, пригодные для сортировки результатов. Ограничения включают максимальную длину контекста, зависимость flash attention от оборудования и экспериментальный статус GGUF-сборки. Репозиторий распространяется по лицензии CC-BY-NC-4.0 для исследований и оценки; коммерческое использование этой версии не разрешено.

aditeyabaral/langcache-colbert-v2 — англоязычная модель PyLate на архитектуре ColBERT, дообученная на парах предложений LangCache для семантического кэширования и поиска. Она представляет запросы и документы как последовательности плотных векторов размерности 128 и оценивает их сходство оператором MaxSim. Модель основана на colbert-ir/colbertv2.0; в архитектуре используются BERT и линейный слой проекции с 768 до 128 измерений. Размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска по индексированным документам, получения релевантных фрагментов по запросу и повторного ранжирования результатов первичного поиска. Для эффективного поиска README описывает использование индекса FastPLAID через PyLate. Модель обучалась на датасете LangCache Sentence Pairs; заявленный язык — английский. Распространяется по лицензии Apache-2.0.