I.1Поиск и навигация по информации

LateOn-regularized — модель LightOn для поиска по текстам в стиле ColBERT, обученная с помощью PyLate на базе LateOn-unsupervised и ModernBERT-base. Это многовекторная модель позднего взаимодействия: она кодирует токены запросов и документов в векторы и сопоставляет их с помощью MaxSim. Модель содержит 149 млн параметров и поддерживает контекст до 8192 токенов; для документов рекомендуется длина до 300 токенов, для запросов — до 32 токенов. При дообучении применена регуляризация Straight-Through Estimator с контрастивной функцией потерь на проекциях MUVERA. Она улучшает совместимость представлений с эффективной генерацией кандидатов через MUVERA и SMVE, сохраняя качество поиска с PLAID. Для MUVERA и SMVE рекомендуется центрировать эмбеддинги. Модель предназначена для англоязычного поиска; лицензия — Apache 2.0.

LCO-Embedding-Omni-3B-2605 — мультимодальная модель эмбеддингов от разработчиков LCO-Embedding, обновлённая в мае 2026 года. Она предназначена для преобразования текста, изображений, аудио и видео, а также их сочетаний в векторные представления для поиска и сравнения по смыслу. Модель построена на архитектуре Qwen2.5-Omni Thinker и распространяется в формате safetensors; для работы авторы предлагают Sentence Transformers и Transformers. Модель подходит для мультимодального поиска: можно искать текстом по изображениям, аудио или видео и сопоставлять материалы разных типов. В README заявлены улучшения для всех четырёх модальностей по сравнению с предыдущей версией. Репозиторий опубликован под лицензией Apache-2.0. Для обработки изображений, аудио и видео в Sentence Transformers требуются соответствующие мультимодальные дополнения.

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

Это модель Longformer-base-4096, дообученная Сураджем Патилом на наборе SQuAD v1 для ответов на вопросы по заданному контексту. Longformer разработан Изом Белтаги, Мэттью Питерсом и Арманом Коха из AllenAI и использует архитектуру на основе трансформера с локальным скользящим вниманием; модель содержит 151,8 млн параметров и рассчитана на последовательности длиной до 4098 токенов. Модель предназначена для извлечения ответа из длинного текста по вопросу пользователя. В README приведены результаты на SQuAD v1: Exact Match 85,15 и F1 91,54. Для задачи вопроса и ответа вопросу назначается глобальное внимание; карточка рекомендует передавать вопрос вместе с контекстом в виде пары входов. Указана лицензия MIT. Обучение на SQuAD v1 не гарантирует качество на других предметных областях или языках.

MILCO — модель для многоязычного разреженного поиска, представленная в работе «MILCO: Learned Sparse Retrieval Across Languages via a Multilingual Connector» для ICLR 2026. Репозиторий omai-research/milco-650m содержит модель в формате PyTorch для Transformers; лицензия — Apache-2.0. Модель кодирует запросы и документы в разреженные представления в общем лексическом пространстве английского языка. Она предназначена для внутъязыкового и межъязыкового поиска: запрос и документ могут быть написаны на разных языках. Архитектура включает многоязычный трансформер, коннектор к размерности английского энкодера и LexEcho head, который дополняет английское представление весами исходных токенов, чтобы сохранять редкие имена и термины. В README описана конфигурация с BAAI/bge-m3-unsupervised и naver/splade-v3; заявлена оценка более чем на 39 языках. Размер модели по идентификатору репозитория — 650 млн параметров. README сообщает о результатах на многоязычных бенчмарках и уменьшении размера индекса и задержки поиска при прореживании представлений. Это заявления авторов; конкретные условия и методика сравнения в предоставленных данных не раскрыты. Для загрузки в Transformers README указывает trust_remote_code=True. Ограничение лицензии Apache-2.0 — её условия необходимо соблюдать при использовании и распространении модели.

MiniCOIL v1 — разреженная нейронная модель эмбеддингов для текстового поиска, опубликованная Qdrant на основе jinaai/jina-embeddings-v2-small-en. Модель предназначена для задач sentence similarity и retrieval, включая семантический поиск и гибридный поиск по текстовым коллекциям. Для каждого стема слова модель формирует 4-мерное смысловое представление, объединяет такие представления в разреженную модель мешка слов и взвешивает слова по формуле BM25. Для слов, отсутствующих в словаре miniCOIL, используется вес, основанный только на BM25. Модель поддерживает английский язык; сведения о размере параметров, длине контекста и других модальностях не указаны. К сильным сторонам относятся разреженное представление, учет как лексического совпадения, так и смысла слов, а также различение контекстов многозначных терминов. Модель рассчитана на использование с библиотекой FastEmbed и особенностями Qdrant: для корректного применения необходимо настроить Modifier.IDF либо самостоятельно учитывать и масштабировать IDF-компонент BM25. Ограничения включают англоязычную специализацию и зависимость от настройки разреженных векторов в Qdrant. Модель распространяется по лицензии Apache-2.0.

MiniMind-Rerank-Dense — плотная cross-encoder-модель для ранжирования пар «запрос — документ», разработанная как часть проекта minimind-embedding на основе MiniMind-3. Она оценивает релевантность по вероятности следующего токена «是» («да»); архитектура — авторегрессионный Transformer с 63,9 млн параметров, контекстом до 32 768 токенов и форматом весов safetensors. Модель дообучена на 80 тысячах пар запрос—документ из C-MTEB/T2Reranking; в README сообщается MAP@10 0,915 и точность 85% на отложенной выборке. Модель предназначена для перестановки результатов поиска по соответствию запросу и для оценки релевантности кандидатов в retrieval-системах. Карточка указывает китайский и английский языки; шаблон запроса и метки релевантности описаны на китайском. Лицензия — Apache-2.0. Авторы отмечают, что проверено обучение только на T2Reranking, а перенос на другие области не оценивался; базовая модель имеет ограниченный словарь и обучающие данные.

MistralLite — языковая модель Amazon, дообученная на базе Mistral-7B-v0.1 для работы с длинными контекстами. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — до 32 768 токенов. При дообучении использованы адаптация Rotary Embedding с rope_theta=1000000 и скользящее окно размером 16 384 токена. Модель предназначена для извлечения строк и тем из длинных текстов, суммаризации и ответов на вопросы по предоставленному контексту. По карточке, она лучше справляется с рядом задач извлечения и ответа по длинному контексту и может обслуживаться на одном экземпляре AWS g5.2xlarge, а также через TGI или vLLM. README сравнивает её с Mistral-7B-Instruct-v0.1, но указывает дообучение именно от Mistral-7B-v0.1. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов сравнительных тестов, а длина контекста в конкретном обслуживании зависит от настроек сервера; приведённые примеры задают пределы ниже заявленных 32 768 токенов.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240123004641-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Madaray/moderncamembert-msmarcofr-ranknetloss — кросс-энкодер на базе ModernBERT, обученный с библиотекой Sentence Transformers. Он оценивает пары «запрос — документ» одним числовым баллом и предназначен для переупорядочивания результатов поиска и семантического поиска. Модель содержит 135,5 млн параметров, поддерживает последовательности до 8192 токенов и распространяется в формате safetensors. В карточке приведены примеры французских запросов и документов; название модели и обучающие примеры указывают на французскую направленность. Обучение проводилось на 502 939 примерах с использованием RankNetLoss. Оценки модели можно применять для ранжирования кандидатов по релевантности; отдельные оценки не следует трактовать как вероятности без дополнительной калибровки. Лицензия в предоставленных данных не указана.

MonoPTT5-Large — португалоязычный реранкер на архитектуре T5, разработанный командой Unicamp-DL. Модель создана на основе unicamp-dl/ptt5-v2-large и дообучена в течение 100 тысяч шагов на смеси португальских и английских данных набора mMARCO. Она оценивает релевантность документов запросу, чтобы упорядочивать результаты поиска. Модель содержит 385,2 млн параметров, принимает текст и имеет контекст длиной до 512 токенов. Для применения авторы рекомендуют пакет rerankers с бэкендом Transformers. Модель распространяется по лицензии Apache-2.0. Основное назначение — реранжирование текстовых результатов на португальском языке; обучение также включало английские данные.

EverMind AI представила MSA-4B — языковую модель на базе Qwen3-4B-Instruct-2507 с архитектурой Memory Sparse Attention (MSA), предназначенную для ответов на вопросы по очень большим массивам документов. В модели 3,7 млрд параметров по метаданным; README указывает 4,0 млрд. Архитектура использует разреженное внимание, позиционные кодировки RoPE на уровне документов и чередование памяти для многопереходных рассуждений. По заявлению разработчика, эти механизмы снижают вычислительную сложность и позволяют работать с памятью до 100 млн токенов; метаданные указывают нативный контекст 262 144 токена. Модель проверялась на задачах одношагового и многошагового вопросно-ответного поиска, а также на тестах длинного контекста. MSA-4B подходит для поиска ответов в больших коллекциях документов, включая сценарии, где сведения распределены по нескольким фрагментам. README сообщает о сравнении с RAG-системами на девяти наборах данных и о сильных результатах на большинстве сравнений с моделями той же размерности; это результаты, заявленные авторами. Модель текстовая, карточка ориентирована на английский язык, а среди тестов указан DuReader. Основа — Qwen3-4B-Instruct-2507, лицензия MIT. Для запуска README отсылает к отдельному коду GitHub и не содержит завершённых инструкций установки.

Это англоязычная модель-переранжировщик Cross-Encoder, разработанная tomaarsen и дообученная на наборе MS MARCO с помощью библиотеки Sentence Transformers. Она совместно обрабатывает запрос и текст документа и выдаёт одну оценку релевантности для каждой пары. Модель предназначена для повторной сортировки результатов семантического поиска и улучшения выдачи по запросу. Её можно применять после первичного поиска, чтобы точнее ранжировать кандидатов; карточка приводит результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель основана на энкодере ModernBERT jhu-clsp/ettin-encoder-17m и содержит 16,8 млн параметров. README указывает максимальную длину последовательности 512 токенов, тогда как метаданные каталога приводят native context в 7999 токенов; фактический предел зависит от используемой конфигурации. Модель рассчитана на английский язык и выдаёт оценки, а не готовые ответы. Репозиторий распространяется под лицензией Apache-2.0.

Xenova/multi-qa-mpnet-base-dot-v1 — версия модели sentence-transformers/multi-qa-mpnet-base-dot-v1 с весами в формате ONNX, адаптированная для работы через библиотеку Transformers.js. Исходная модель разработана командой Sentence Transformers; в README не указано отдельное имя автора ONNX-версии. Модель предназначена для извлечения признаков из текста и может применяться в сценариях семантического поиска, сопоставления вопросов и ответов, поиска похожих документов и построения векторных представлений. Используемый pipeline — feature-extraction; запуск возможен в JavaScript через @huggingface/transformers, в том числе в средах, совместимых с Transformers.js. README не содержит сведений о точном размере модели, архитектурных параметрах MPNet, поддерживаемых языках, модальностях, длине контекста, показателях качества или ограничениях. Лицензия также не указана. Ключевое преимущество этой версии — совместимость с ONNX и веб-ориентированным JavaScript-инструментарием; при этом возможности и характеристики исходной модели следует уточнять в её базовом репозитории.

tomaarsen/multivector-ModernBERT-base-msmarco-cached-contrastive — англоязычный многовекторный энкодер, дообученный автором на базе answerdotai/ModernBERT-base на 99 000 примерах MS MARCO с помощью Sentence Transformers. Модель кодирует текст в последовательность 128-мерных векторов токенов и оценивает пары запросов и документов по позднему взаимодействию MaxSim; максимальная длина последовательности — 8192 токена. Архитектура основана на ModernBERT, число параметров — 149 млн. Модель предназначена для семантического поиска и информационного поиска, где важна детализация на уровне токенов. Её можно использовать для поиска документов по запросам и ранжирования найденных текстов; README приводит оценки на наборах NanoMSMARCO и NanoBEIR. Модель принимает текст и выдаёт векторы признаков, а не готовые ответы на вопросы. Лицензия — Apache-2.0. Модель обучена на англоязычных данных и рассчитана прежде всего на поиск на английском языке; качество на других языках не подтверждено. Векторное представление токенов и вычисление MaxSim требуют соответствующей логики индексирования и поиска.

Mursit-Embed-Qwen3-4B-TR-i1-GGUF — квантованная GGUF-версия модели Mursit-Embed-Qwen3-4B-TR, разработанной newmindai и подготовленной в виде квантов mradermacher. Модель основана на Qwen3 с примерно 4 миллиардами параметров и преобразует архитектуру decoder-to-encoder для создания текстовых эмбеддингов. Модель предназначена для семантического сходства, извлечения признаков, dense retrieval и информационного поиска, включая поиск по юридическим документам и турецким правовым материалам. В обучении использовались датасеты ms-marco-turkish-triplets и EuroHPC-Legal. Заявлена поддержка турецкого и английского языков, поэтому модель особенно ориентирована на двуязычные и турецко-правовые сценарии. Преимущество этой версии — доступность в широком наборе GGUF-квантовок разных размеров, что позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти, включая варианты IQ4_XS, Q4_K_S и рекомендуемый Q4_K_M. Более агрессивные квантовки могут заметно снижать качество, а сведения о максимальной длине контекста, размерности эмбеддингов, точных метриках и полном примере интеграции в README не приведены. Модель распространяется по лицензии Apache-2.0.

mxbai-embed-xsmall-v1 — модель для создания текстовых векторных представлений, разработанная mixedbread-ai. Она предназначена для семантического поиска и задач retrieval, включая поиск релевантных документов, ранжирование результатов и построение систем, работающих с embedding-представлениями текста. В README указано, что модель использует библиотеку sentence-transformers и основана на mixedbread-ai/mxbai-embed-mini-v1. В представленном описании не указаны размер модели, архитектура, размерность эмбеддингов, поддерживаемые языки, модальности и максимальная длина контекста. Доступные результаты оценки относятся к retrieval-задачам бенчмарка MTEB, включая ArguAna и различные поднаборы CQADupstack; показатели приведены для NDCG, MAP, recall, precision и accuracy при разных значениях k. Это подтверждает применимость модели для оценки качества поиска, однако не позволяет сделать выводы о её производительности в других сценариях или языках. Лицензия и условия коммерческого или иного использования в README не указаны. Поэтому перед применением модели необходимо отдельно проверить лицензионные условия и совместимость с конкретной задачей.

Nemotron-3-Embed-8B-Community-NVFP4 — мультиязычная модель для получения текстовых эмбеддингов, разработанная и опубликованная shadowrock-io на основе nvidia/Nemotron-3-Embed-8B-BF16. Это квантизированная версия базовой модели в формате NVFP4/FP4 с 4-битным представлением, предназначенная для задач семантического поиска, dense retrieval, vector search, feature extraction и построения RAG-систем. Модель ориентирована на использование с vLLM и поддерживает формат Safetensors. Модель работает с текстом и предназначена для сопоставления смысловой близости запросов и документов. В README заявлена поддержка английского, русского, китайского, арабского, немецкого, французского, испанского, японского, корейского, украинского и других языков; полный перечень включает 30 языков. Указана поддержка подхода Matryoshka, однако размерность эмбеддингов и максимальная длина контекста не приведены. К сильным сторонам относятся снижение требований к памяти и вычислительным ресурсам благодаря NVFP4-квантизации, мультиязычность и ориентация на retrieval-сценарии. В предоставленных результатах MTEB модель показывает высокие значения NDCG@10 на отдельных наборах, включая HumanEvalRetrieval — 1,0, WikiSQLRetrieval — 0,99459 и MBPPRetrieval — 0,95722, однако качество зависит от предметной области. Ограничения включают отсутствие подробностей об архитектуре, размере контекста и официальных характеристиках производительности, а также то, что в README инференс помечен как неподтверждённый. Модель распространяется по лицензии openmdw-1.1, обозначенной в карточке как other.

NextSearch-1-M — дообученная компанией NextTokenAI модель на базе Inkling-Small, предназначенная для веб-исследований в составе системы с оркестратором. Она разбивает вопрос на подзадачи, ищет и получает материалы из актуального веба, сопоставляет противоречивые свидетельства и возвращает краткий ответ или структурированный исследовательский результат. Модель относится к семейству Inkling, использует плотную архитектуру класса InklingForConditionalGeneration; заявленный размер — 276 млрд параметров, из которых активно около 12 млрд. В карточке описаны агентные сценарии с поиском и использованием инструментов; запуск предлагается через vLLM с контекстом до 65 536 токенов. В опубликованной оценке на наборах для поиска свежих и противоречивых данных, многокритериального поиска и подготовки полных ответов модель показала конкурентные результаты в рамках собственного тестового стенда NextTokenAI. Это не гарантирует сопоставимость с результатами других бенчмарков. Для запуска в bf16 требуется около 530 ГБ весов и мног GPU-сервер; модель рассчитана на повторные вызовы оркестратором, а не на самостоятельное подключение к вебу без инструментов. Лицензия — Apache-2.0.

OpenResearcher-30B-A3B — дообученная языковая модель для агентского глубокого исследования, разработанная командой OpenResearcher на базе NVIDIA-Nemotron-3-Nano-30B-A3B-Base-BF16. Модель обучали на 96 тысячах примеров OpenResearcher-Dataset с диалогами длиной более 100 ходов; датасет создан дистилляцией GPT-OSS-120B с использованием браузерных инструментов. Архитектура — Nemotron-H с причинным декодером. В метаданных указаны 1,9 млрд параметров и контекст до 262 144 токенов. Модель предназначена для многошагового поиска и синтеза информации, а также длительных исследовательских диалогов. Карточка сообщает о результате 54,8% на BrowseComp-Plus; это заявление разработчиков и оно само по себе не гарантирует аналогичного качества в других условиях. Для работы с внешними источниками требуется подходящая интеграция инструментов: наличие интерфейса вызова инструментов в метаданных не означает, что браузер входит в комплект модели. Репозиторий использует Transformers и формат Safetensors; лицензия — MIT.

opensearch-project/opensearch-neural-sparse-encoding-doc-v2-mini — компактная модель OpenSearch для нейронного разреженного поиска по документам. Она основана на BERT и содержит 25,9 млн параметров; модель принимает текст и формирует разреженные векторы размерностью 30 522. Для запросов используются токенизатор и таблица весов, а релевантность вычисляется как скалярное произведение векторов запроса и документа. Модель предназначена для применения с инвертированным индексом Lucene в OpenSearch и может запускаться через Sentence Transformers или API Hugging Face. Модель подходит для поиска документов и passages, семантического поиска и расширения документов при подготовке к поиску. В README приведены результаты оценки серии моделей на подмножестве BEIR; показатели различаются между наборами данных. Контекст ограничен 512 токенами, основной язык в метаданных — английский. Распространяется по лицензии Apache-2.0.

opensearch-project/opensearch-neural-sparse-encoding-doc-v3-gte — модель разреженного кодирования документов для поиска, разработанная участниками проекта OpenSearch. Она преобразует документы в разреженные векторы размерности 30 522, где индексы соответствуют токенам словаря, а веса отражают их значимость. Для запросов предусмотрено формирование векторов с помощью токенизатора и таблицы весов; оценка соответствия вычисляется как скалярное произведение векторов запроса и документа. Модель предназначена для полнотекстового поиска и извлечения релевантных документов, в том числе через разреженный поиск OpenSearch с обратным индексом Lucene. В README описана оценка на подмножестве BEIR. Модель содержит 136,7 млн параметров, использует архитектуру NewForMaskedLM и поддерживает контекст до 8192 токенов. Указанный язык — английский. Лицензия — Apache-2.0. README приводит общие преимущества серии v3 по релевантности, эффективности и скорости относительно серий v1 и v2, но не содержит числовых результатов именно для этой версии. Результаты поиска могут различаться в зависимости от набора данных; перед применением стоит оценить качество на целевом корпусе.

Модель tomaarsen/paraphrase-multilingual-MiniLM-L12-v2-de-mmarco — дообученная разработчиком tomaarsen модель Sentence Transformers на парах немецких запросов и документов из набора данных mMARCO. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска документов по запросу и извлечения релевантной информации. Для сравнения векторов можно использовать косинусное сходство; архитектура включает BERT и усредняющий pooling. Модель содержит 124,3 млн параметров, работает с текстом на немецком языке; README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Лицензия — Apache-2.0. Оценка на mMARCO немецком приведена в карточке, но её результаты не гарантируют качество на других данных и языках.

passage-ranker.chocolate — англоязычный ранжировщик пассажей, разработанный Sinequa. Он оценивает релевантность пары «запрос — фрагмент текста», чтобы упорядочивать результаты поиска. Модель основана на MiniLM-L6-H384-uncased и архитектуре BERT с классификационной головой; для обучения использовалась процедура MonoBERT и данные MS MARCO Passage Ranking. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов. Модель нечувствительна к регистру и диакритическим знакам. В карточке приведена средняя оценка NDCG@10 на наборе из 14 англоязычных поисковых датасетов BEIR. Для работы с GPU указаны требования к Sinequa версии 11.10.0 или выше и CUDA compute capability выше 7.5. Лицензия в предоставленных данных не указана.

sdadas/polish-reranker-base-mse — польская модель переранжирования текстов, разработанная командой sdadas. Она оценивает релевантность пар «запрос — документ» и предназначена для сортировки результатов поиска, в том числе в системах информационного поиска и ответов на вопросы. Модель обучена методом дистилляции с функцией потерь MSE: польская RoBERTa перенимает оценки мультиязычной модели-учителя unicamp-dl/mt5-13b-mmarco-100k. Для обучения использовали 1,4 млн запросов и 10 млн документов, включая польские данные MS MARCO, переведённый на польский ELI5 и коллекцию медицинских вопросов и ответов. Модель основана на RoBERTa и имеет около 151,6 млн параметров; работает с текстом, использует Sentence-Transformers и поддерживает контекст до 514 токенов. На польском бенчмарке информационного поиска PIRB показатель NDCG@10 в категории переранжировщиков составил 57,50. Модель выпущена под лицензией Apache-2.0. Результаты и данные обучения ориентированы на польский язык; качество на других языках в карточке не подтверждено.

polish-reranker-base-ranknet — модель ранжирования польских текстов, разработанная для поиска и информационного извлечения. Она основана на польской RoBERTa и обучена с функцией потерь RankNet на парах запросов и документов: выборка включала около 1,4 млн запросов и 10 млн документов. В качестве учителя использовалась multilingual-модель unicamp-dl/mt5-13b-mmarco-100k, а RoBERTa выступала компактной моделью-учеником. Модель оценивает релевантность документов запросу и упорядочивает их, поэтому её можно применять для повторного ранжирования результатов, полученных на этапе первичного поиска. Обучающие данные включали польскую часть MS MARCO, переведённый на польский ELI5 и коллекцию польских медицинских вопросов и ответов. В бенчмарке Polish Information Retrieval Benchmark модель показала NDCG@10 60,32 в категории rerankers. Архитектура — RobertaForSequenceClassification, размер — 151,6 млн параметров, длина контекста — 514 токенов. Лицензия Apache-2.0.

Карточка модели rgtjf/Qwen2-UtK-72B-128K на Hugging Face совпадает с карточкой rgtjf/Qwen2-UtK-7B-128K, поэтому описание составлено по ней. Qwen2-UtK-7B-128K — языковая модель на основе Qwen2-7B, дообученная командой проекта Untie the Knots для работы с длинным контекстом. Это плотная авторегрессионная модель с 7,1 млрд параметров; её контекстное окно составляет до 131 072 токенов. Веса доступны в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и поиска нужной информации в длинных последовательностях. Метод Untie the Knots продолжает предобучение на перемешанных фрагментах документов, чтобы улучшить выделение релевантных сведений при большом контексте. В README приведены результаты оценки на RULER для 128K контекста; указанный пример обслуживания использует vLLM. Карточка сообщает о поддержке английского и китайского языков. Модель основана на Qwen2-7B с изменённым параметром RoPE theta: 5 000 000 вместо 1 000 000. README описывает отдельную инструктивную версию ChatQA2, но эта карточка относится к базовой модели UtK, поэтому её не следует считать чат-моделью ChatQA2. Практическое качество зависит от задачи и длины входа; результаты README не гарантируют такую же точность на других данных и сценариях.

Qwen3.5-35B-A3B-Repair — исследовательская дообученная модель Minbyul на базе Qwen/Qwen3.5-35B-A3B. Она предназначена для многошаговых веб-агентов, которые ищут информацию, открывают страницы и находят сведения внутри них с помощью вызовов инструментов. Модель обучена на траекториях работы агента, где избыточный поиск после сбора достаточных доказательств обрезан, а рассуждения, не подтверждённые найденным содержимым, удалены. Цель обучения — улучшить выбор момента остановки и связь ответов с источниками. Модель использует архитектуру MoE с примерно 35 млрд параметров, из которых около 3 млрд активны на каждом токене; архитектура и шаблон вызова инструментов унаследованы от базовой модели. Контекст обучения — 131 072 токена. Доступны полные веса bf16 в формате safetensors. Модель рассчитана прежде всего на англоязычные рассуждения и веб-навигацию; лицензия — Apache-2.0. Это не универсальный помощник: её поведение настроено на совместимую среду веб-агента и соответствующий формат инструментов. Обрезанные обучающие примеры могут привести к недостаточной проверке там, где она действительно нужна; дополнительное выравнивание безопасности не проводилось.

Rebine/Qwen3.5-Embedding-0.8B — текстовая модель эмбеддингов, дообученная на базе Qwen/Qwen3.5-0.8B-Base для семантического поиска, в первую очередь для извлечения воспоминаний агентами. Она принимает запросы и фрагменты текста, кодирует их в векторы размерностью до 1024 и поддерживает уменьшение размерности до 128, 256, 512 или 768. Контекст составляет 2048 токенов; архитектура — плотная текстовая модель Qwen3.5 с 24 слоями, включая линейное и полное внимание. Модель рассчитана на китайский и английский языки и подходит для поиска по базам знаний, архивам диалогов и технической документации, в том числе по коротким ключевым запросам и вопросам на естественном языке. Для запросов README предписывает добавлять инструкцию, использовать pooling по последнему токену и L2-нормализацию; для фрагментов текста инструкция не нужна. Модель распространяется под лицензией Apache-2.0. README приводит результаты сравнений на наборах для поиска воспоминаний и обычного контента; на некоторых тестах модель уступает Qwen3-Embedding-0.6B, а на других превосходит её, поэтому качество следует оценивать на собственном корпусе. Для корректной работы нужно самостоятельно реализовать предписанные обработку запросов и pooling: готовой обёртки sentence-transformers нет.

G37A/Qwen3-Embedding-0.6B-80k-squad — дообученная модель семейства Qwen3 от G37A на базе Qwen/Qwen3-Embedding-0.6B. Она предназначена для создания текстовых эмбеддингов и семантического поиска в сценариях вопросов и ответов на украинском языке; при дообучении использованы наборы FIdo-AI/ua-squad и G37A/ua-retrieval-80k-silver. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3ForCausalLM, формат safetensors и контекст до 32 768 токенов. Лицензия — Apache-2.0. Карточка указывает специализацию на украинских QA и retrieval; сведений о сравнительных оценках качества нет.