I.1Поиск и навигация по информации

LinerAI разработала эту дообученную на Qwen/Qwen3-Embedding-0.6B модель для поиска научной литературы. Это плотная модель семейства Qwen3 с 507,6 млн параметров, которая преобразует запросы и документы в эмбеддинги для семантического поиска; обучение с контрастивной функцией потерь и подбором сложных негативных примеров ориентировано на академические материалы. В README заявлены размерность эмбеддингов 1024 и поддержка Matryoshka с укороченными векторами размерностью 768, 512, 256 и 128. Модель предназначена для поиска научных статей, обнаружения связанных работ и извлечения документов по исследовательским вопросам. Поддерживаются английский, китайский, корейский, японский, немецкий, французский, испанский и русский языки. В метаданных указано окно контекста 32768 токенов, тогда как README устанавливает предел 4096 токенов; перед применением следует проверить ограничение используемой версии. Для запросов рекомендуется заданный формат с инструкцией, а документы кодируются без префикса. Лицензия — Apache-2.0.

Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций компактной мультиязычной embedding-модели Qwen3-Embedding-0.6B, разработанной Qwen. Квантизации подготовлены PeterAM4 с использованием llama.cpp и importance matrix, оптимизированной преимущественно для финансовых и технических текстов. Модель предназначена для построения RAG-систем, семантического поиска, извлечения документов и других задач сравнения предложений и текстов. Базовая модель содержит около 596 млн параметров, поддерживает контекст до 32 768 токенов, использует pooling по последнему токену и формирует embeddings размерностью 1024. Заявлена поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, португальского, русского и арабского языков. Доступны варианты от 8-битных до 1-битных, что позволяет запускать модель на периферийных устройствах, ноутбуках и серверах с ограниченными ресурсами. Сильными сторонами являются небольшой размер, низкие требования к памяти и задержке, а также калибровка квантования на финансовых вопросах и ответах, документах SEC 10-K, финансовых данных, математических задачах и общем тексте. В README рекомендован вариант Q3_K_M-imat размером около 331 МБ; его показатель PPL близок к BF16-базовой версии на указанном тестовом корпусе. При этом агрессивное квантование снижает качество: особенно заметная деградация наблюдается у вариантов ниже примерно 3 BPW, а результаты приведённых тестов не гарантируют аналогичную точность в конкретной задаче поиска. Модель распространяется по лицензии Apache 2.0.

Qwen3-Embedding-0.6B LRAT Broad Causal Filter v1 — текстовая модель-ретривер на архитектуре Qwen3, дообученная автором на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует запросы и документы в эмбеддинги для плотного поиска и отбора материалов, полезных для продвижения рассуждений агента. Модель содержит 507,6 млн параметров, использует pooling последнего токена и поддерживает контекст до 32 768 токенов. Для обучения использованы 64 606 высокоуверенных пар запросов, положительных и отрицательных примеров, отобранных из предоставленных организатором траекторий агентов LRAT. В локальной оценке автор сообщает небольшое улучшение Recall@50 и Hit@50 относительно контрольной версии broad-v2; эти результаты являются локальными, а не официальными результатами лидерборда. Модель предназначена для текстового поиска и извлечения признаков. Языки обучения или поддерживаемые языки в карточке не уточнены, поэтому можно опираться лишь на многоязычные свойства базовой модели. Лицензия в предоставленных данных не указана.

Карточка модели Steve0927/qwen3-embedding-0.6b-lrat-full80k-hardneg-preserve-mr2-min6-from-broad-singlefile на Hugging Face совпадает с карточкой Steve0927/qwen3-embedding-0.6b-lrat-full80k-hardneg-preserve-mr2-min6-from-broad, поэтому описание составлено по ней. Steve0927 подготовил плотный ретривер на основе Qwen3-Embedding-0.6B для конкурса XIR 1170. Модель дообучена методом Trajectory Utility Calibration на примерах поиска, полученных из траекторий LRAT: метод корректирует веса примеров, отмечает слабые позитивные примеры и вероятные ложные негативы, сохраняя сложные негативы для контрастивного обучения. Модель предназначена для семантического поиска по фиксированному корпусу в агентных сценариях, подобных XIR и BrowseComp-Plus. Она принимает текстовые запросы и документы и выдаёт плотные эмбеддинги для извлечения релевантных документов. Число параметров — 507,6 млн; базовая архитектура — Qwen3, контекст — до 32 768 токенов. В карточке заявлен английский язык. Лицензия в предоставленных данных не указана.

Карточка модели Steve0927/qwen3-embedding-0.6b-lrat-public-base-extrap-a105 на Hugging Face совпадает с карточкой Yuqi-Zhou/LRAT-Qwen3-Embedding-0.6B, поэтому описание составлено по ней. LRAT-Qwen3-Embedding-0.6B — плотный двухэнкодерный ретривер, созданный дообучением Qwen/Qwen3-Embedding-0.6B в рамках подхода LRAT (Learning to Retrieve from Agent Trajectories). Модель содержит 507,6 млн параметров, построена на архитектуре Qwen3 и принимает текст; базовая модель поддерживает контекст до 32 768 токенов. Для обучения использовались пары запрос–документ, полученные из траекторий поисковых агентов, с контрастивной функцией потерь и весами релевантности. Модель предназначена для плотного поиска документов в системах агентного поиска, многошагового сбора сведений и конвейерах глубокого исследования с поиском доказательств. В экспериментах LRAT-вариант улучшал успешность поиска и полноту извлечения свидетельств в нескольких агентах на InfoSeek-Eval и BrowseComp-Plus. Это специализированный ретривер: он не оптимизирован прежде всего для общих тестов семантического сходства, классификации или кластеризации без поиска. Для использования следует сохранять токенизатор, pooling и нормализацию базовой модели. Лицензия в предоставленных данных не указана.

Qwen3-Embedding-0.6B-mxfp8 — текстовая модель эмбеддингов семейства Qwen3, опубликованная mlx-community. README сообщает, что она преобразована в формат MLX из Qwen/Qwen3-Embedding-0.6B с помощью mlx-embeddings 0.0.3. Метаданные указывают 507,6 млн параметров, контекст до 32 768 токенов и лицензию Apache-2.0. Модель предназначена для получения векторных представлений текста, поиска семантически близких фрагментов и сравнения предложений. В каталоге для неё также отмечены генерация текста и сходство предложений, однако карточка описывает её именно как модель эмбеддингов. Доступные материалы не раскрывают языковую специализацию и сравнительные показатели качества.

QwenLong-L1.5-30B-A3B — языковая модель Tongyi Lab, Alibaba Group, построенная на Qwen3-30B-A3B-Thinking и дообученная для рассуждений по длинному контексту и управления памятью. В карточке описана модель семейства Qwen3 MoE с архитектурой Qwen3MoeForCausalLM; метаданные указывают 2,6 млрд параметров, контекстное окно 262 144 токена и поддержку диалогового взаимодействия и интерфейса вызова инструментов. Модель предназначена для многошагового поиска и связывания сведений, распределённых по длинным документам, а также для задач, чей объём превышает одно контекстное окно: в README описан механизм итеративного обновления памяти. Для обучения применялись синтез сложных проверяемых вопросов, сбалансированная выборка задач и алгоритм AEPO. Авторы сообщают о повышении среднего результата на длинноконтекстных бенчмарках относительно базовой модели и улучшениях в математике, использовании инструментов и длинных диалогах. Модель распространяется по лицензии Apache-2.0. Заявленные результаты основаны на оценках авторов; карточка не приводит подробностей о качестве на отдельных языках и прикладных сценариях, поэтому их следует проверять на собственных данных.

rank1-0.5b — модель-реранкер на основе Qwen2.5-0.5B, разработанная JHU CLSP для поиска информации. Она принимает запрос и документ, генерирует цепочку рассуждений, затем выносит бинарное решение о релевантности и оценивает уверенность по логитам токенов true и false. Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для переоценки результатов поиска, особенно когда релевантность зависит от анализа нескольких аспектов запроса и документа. Её можно применять для ранжирования найденных документов и оценки пар «запрос—документ»; README сообщает о результатах на задачах поиска, требующих сложных рассуждений, но конкретные показатели здесь не приведены. Модель дообучена на Qwen/Qwen2.5-0.5B и наборе данных jhu-clsp/rank1-training-data. Лицензия — MIT.

RankingGPT-bloom-560m — модель ранжирования текстов на основе языковой модели семейства BLOOM, опубликованная авторами проекта RankingGPT. Репозиторий содержит плотную авторегрессионную архитектуру BloomForCausalLM с примерно 659,6 млн параметров в формате PyTorch; модель предназначена для оценки и упорядочивания текстовых кандидатов по релевантности, включая сценарии внутри и вне домена обучения. Модель подходит для поиска и ранжирования документов или ответов по запросу, например в поисковых системах и конвейерах извлечения информации. В карточке приведены сравнительные результаты на DL19, DL20 и BEIR, однако для этой конкретной версии отдельные показатели не выделены в доступном тексте. Поддерживаемый язык по карточке — английский. Лицензия MIT.

ibm-research/re2g-reranker-nq — модель ранжирования запросов и фрагментов текста, разработанная IBM для улучшения результатов поиска в системах с генерацией с дополнением извлечёнными данными (RAG). Она оценивает пары «вопрос — фрагмент» и помогает выбрать наиболее релевантные passages после первичного поиска. Реранкер также может упорядочивать объединённые результаты BM25 и нейронного поиска, даже если исходные оценки этих методов несопоставимы. Модель основана на BERT и имеет около 136,7 млн параметров; родительская модель — BERT-base, обученная на MSMARCO. Контекст составляет до 512 токенов. Карточка указывает английский язык. Модель предназначена для ранжирования текстовых фрагментов, а не для генерации ответов. Распространяется по лицензии Apache 2.0.

Reason-ModernColBERT — англоязычная модель много-векторных текстовых эмбеддингов, разработанная LightOn и дообученная на наборе reasonir-hq на основе lightonai/GTE-ModernColBERT-v1. Модель использует архитектуру ModernBERT с проекцией векторов с 768 до 128 измерений и поздним взаимодействием в стиле ColBERT: она кодирует текст в последовательности векторов, а сходство оценивается оператором MaxSim. Контекст документа — до 8192 токенов, длина запроса — до 128 токенов; модель содержит около 149 млн параметров и работает через PyLate. Она предназначена для семантического поиска и ранжирования документов по запросам, в том числе для поиска, требующего сопоставления нескольких смысловых фрагментов. В README сообщается о сильных результатах на бенчмарке BRIGHT для запросов, требующих рассуждений, однако показатели зависят от набора данных и сценария оценки. Модель принимает текст и выдаёт последовательности векторов, поэтому для получения результатов поиска её используют с индексом и поисковой системой либо для ранжирования переданных пар запрос-документ. Лицензия CC BY-NC 4.0 допускает использование с некоммерческими ограничениями.

Retro* — дообученная текстовая модель на архитектуре Qwen3, предназначенная для ранжирования документов при поиске, особенно когда запрос требует рассуждений. Она создана на основе Qwen/Qwen3-32B и содержит 29,7 млрд параметров. Модель подходит для оценки релевантности документов запросу и для диалоговой генерации текста; метаданные также отмечают интерфейс вызова инструментов. Она принимает текст и работает с контекстом до 40 960 токенов. В карточке указан английский язык. Модель реализована для Transformers и опубликована в формате safetensors. README отсылает к статье и репозиторию проекта, но не приводит подробностей обучения или результатов оценки. Лицензия в предоставленных данных не указана.

SaMer-k64-colpali — адаптерная версия SaMer от команды dmis-lab для модели vidore/colpali-v1.3-hf, предназначенная для визуального поиска по документам. Репозиторий содержит обученный проекционный слой и обёртку для применения слияния токенов; веса базовой модели загружаются отдельно во время работы. Модель объединяет визуальные признаки в 64 области с помощью пространственно-ориентированного мягкого слияния центроидов без использования рамок объектов. Она рассчитана на поиск релевантных страниц PDF по визуальному содержимому и использует функцию потерь для обучения на задаче поиска. Для применения нужны базовая модель vidore/colpali-v1.3-hf и поддержка обёртки с trust_remote_code. Лицензия в метаданных указана как Gemma; README предписывает соблюдать лицензию и условия использования базовой модели.

Self-RAG Llama2 13B — языковая модель семейства Llama, разработанная командой Self-RAG. Она генерирует ответы на разнообразные запросы и специальные токены рефлексии, с помощью которых может адаптивно обращаться к системе поиска и оценивать собственные ответы и найденные фрагменты. Модель обучена на инструкционных данных с чередованием текстовых фрагментов и токенов рефлексии; при генерации эти токены используются для выбора ответа с учётом предпочтений пользователя. Модель предназначена для генерации ответов с подключённым поиском, а также для сценариев, где требуется оценивать и отбирать ответы и извлечённые материалы. Для полноценного инференса с поисковой системой и древовидным декодированием авторы предлагают использовать код проекта; README также описывает запуск с заранее предоставленными фрагментами. Модель содержит 12,9 млрд параметров, имеет контекст 4096 токенов и принимает текстовые инструкции. Доступна в формате PyTorch под лицензией MIT.

Kuaaangwen/Setfit-few-shot-classifier — модель эмбеддингов предложений на базе MPNet, опубликованная пользователем Kuaaangwen. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов; доступен формат PyTorch. Модель можно применять для семантического поиска по коллекции текстов, группировки похожих высказываний и вычисления сходства между парами предложений. README указывает обучение с CosineSimilarityLoss, но не сообщает языки обучающих данных или результаты оценки. Лицензия в предоставленных данных не указана.

SMITH-Exp — дообученная инструктивная модель Mixture-of-Experts от ai-forever на базе GigaChat 3.1 Lightning. Она предназначена для многошагового поиска по корпусу документов: модель итеративно вызывает инструмент search_index, затем формирует ответ с идентификаторами подтверждающих документов. Для воспроизводимого качества требуется SMITH retrieval harness или совместимая реализация цикла вызова инструмента; README описывает интеграцию с vLLM и guided decoding для структурированных вызовов. В README указаны 10 млрд параметров всего и 1,8 млрд активных параметров, формат BF16 и возможность запуска на одной GPU с 80 ГБ памяти. Метаданные каталога указывают 1,5 млрд параметров и контекст 262 144 токена; тип архитектуры в каталоге обозначен как dense, тогда как README описывает MoE. Поддерживаются русский и английский языки. Лицензия — MIT. Модель оценивалась на многошаговых вопросах MuSiQue с поиском подтверждающих абзацев. Результаты зависят от протокола запуска, шаблона чата, инструментов и параметров поиска, а обобщение качества на другие интеграции не гарантируется. Для поиска также нужна отдельная инфраструктура индекса и эмбеддингов.

Это дообученная модель Sentence Transformers, созданная автором dragonkue на основе Snowflake/snowflake-arctic-embed-l-v2.0 и дополнительно обученная на корейских данных для поиска по документам. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; для сравнения текстов используется косинусное сходство. Архитектура основана на XLM-RoBERTa с CLS-пулингом, а заявленная максимальная длина последовательности составляет 8192 токена. Модель предназначена для семантического поиска и оценки сходства текстов на корейском и английском языках. Её можно использовать для поиска по документам, в том числе по запросам в разных формулировках и по содержимому таблиц Markdown; README приводит оценки на корейских наборах для поиска в медицинской, финансовой, юридической, государственной и других областях. Модель опубликована под лицензией Apache-2.0. При этом обучение проводилось с длиной текста до 1300 токенов, поэтому качество поиска по существенно более длинным документам может снижаться; для длинных текстов README рекомендует рассмотреть альтернативы. Заявленная максимальная длина последовательности не гарантирует сохранения качества на всей этой длине.

Perplexity Sonar — лёгкая модель Perplexity для встраивания функций вопросов и ответов в корпоративные продукты. Она предназначена для быстрых и недорогих ответов на запросы пользователей; поддерживает цитирование источников и настройку источников, на которые опираются ответы. Каталог классифицирует модель как image-text-to-text, однако предоставленные сведения не описывают работу с изображениями, поэтому эта модальность не подтверждена карточкой. Карточка не сообщает размер модели, архитектуру, поддерживаемые языки, длину контекста или лицензию. По доступному описанию Sonar подходит для интеграции в прикладные сервисы, где важны скорость, стоимость и возможность показать источники ответа; качество ответов и ограничения модели в README не раскрыты.

haritzpuerto/spanbert-large-cased_NaturalQuestionsShort — модель на базе SpanBERT Large cased, дообученная пользователем haritzpuerto для извлечения ответов на вопросы. Она предназначена для extractive question answering: поиска фрагмента ответа непосредственно в предоставленном контексте, в частности в сценариях, связанных с датасетом Natural Questions Short. Модель используется через Transformers и имеет pipeline question-answering. Модель относится к BERT-архитектуре, содержит около 432,3 млн параметров и поддерживает контекст длиной до 512 токенов. Её сильная сторона — span-based извлечение коротких ответов из текста; она не является генеративной моделью и не предназначена для свободного составления развернутых ответов. При превышении контекстом лимита или отсутствии ответа в тексте качество может снижаться.

Это разреженный энкодер SPLADE, созданный автором nickprock на основе dbmdz/bert-base-italian-xxl-uncased и дообученный на наборе CulturaViva-ITA с помощью библиотеки Sentence Transformers. Модель преобразует предложения и абзацы на итальянском языке в разреженные векторы размерности 32 102; сходство оценивается скалярным произведением. Размер модели — 137,9 млн параметров, максимальная длина входа — 512 токенов. Энкодер предназначен для семантического поиска и разреженного поиска документов, а также может применяться для оценки сходства предложений. В README приведена оценка Spearman 0,6016 на sts-dev. Модель принимает текст и возвращает векторные представления. Лицензия в предоставленных данных не указана.

Модель tomaarsen/splade-cocondenser-msmarco-kldiv-minilm-temp-5-5 — англоязычный разреженный кодировщик SPLADE, разработанный на базе Luyu/co-condenser-marco с помощью библиотеки Sentence Transformers. Архитектура состоит из BERT-подобного трансформера BertForMaskedLM и слоя SPLADE pooling с max-пулингом и ReLU. Модель преобразует запросы и документы в разреженные векторы размерностью 30 522, сопоставляемые скалярным произведением; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и разреженного извлечения документов: например, для ранжирования кандидатов по запросу и поиска релевантных абзацев в коллекции текстов. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также NanoBEIR; они показывают работоспособность на этих тестах, но не гарантируют качество на других коллекциях. Модель принимает текст и выдаёт векторы признаков. Лицензия — Apache-2.0.

SPLADE — англоязычный разреженный кодировщик текста семейства BERT, разработанный на базе Luyu/co-condenser-marco и дообученный с помощью Sentence Transformers на данных MS MARCO. Он преобразует запросы и документы в разреженные векторы размерности 30 522, которые можно сопоставлять скалярным произведением для семантического поиска и разреженного поиска информации. Модель использует BertForMaskedLM и пулинг SPLADE с максимизацией и ReLU. Максимальная длина входной последовательности — 512 токенов. Она подходит для построения поисковых систем и извлечения релевантных документов; в карточке приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ. Модель принимает текст и выдаёт разреженные векторные представления. Поддерживаемый язык — английский. Лицензия — Apache-2.0. Результаты в карточке относятся к указанным компактным оценочным наборам и сами по себе не гарантируют качество на других корпусах.

SPLADE Sparse Encoder — англоязычная модель на базе BERT, дообученная авторами репозитория tomaarsen от Luyu/co-condenser-marco на датасете MS MARCO с помощью Sentence Transformers. Она преобразует предложения и абзацы в разреженные векторы размерности 30 522 и предназначена для семантического поиска и разреженного извлечения документов; релевантность оценивается скалярным произведением векторов. Модель принимает последовательности длиной до 512 токенов и использует BertForMaskedLM с max pooling и активацией ReLU. Модель подходит для поиска документов по запросам и ранжирования кандидатов в англоязычных поисковых системах. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ. Модель распространяется по лицензии Apache-2.0. Она ориентирована на английский язык и разреженный поиск; результаты зависят от корпуса и поисковой настройки.

Splade++ SelfDistil finetuned on MS MARCO — англоязычный разреженный энкодер SPLADE, дообученный на базе naver/splade-cocondenser-selfdistil с использованием Sentence Transformers. Он преобразует запросы и документы в разреженные векторы размерностью 30 522 для семантического поиска и извлечения релевантных документов; сходство оценивается скалярным произведением. Архитектура включает BERT MLM-трансформер и слой SPLADE pooling с max-пулингом и активацией ReLU. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для sparse retrieval, в частности поиска документов по коротким запросам; в карточке приведены результаты оценки на NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Она работает с английским текстом и распространяется по лицензии Apache-2.0. Карточка не описывает поддержку генерации ответов: модель выдаёт разреженные векторы признаков, которые используются поисковой системой для ранжирования.

SPLADE-max CamemBERT-base mMARCO-FR — франкоязычная модель для семантического поиска, разработанная и дообученная на французской части mMARCO. Она преобразует запросы и документы в разреженные векторы размерностью 32 000, а релевантность оценивает по косинусному сходству. Модель основана на almanach/camembert-base и содержит 137,8 млн параметров; архитектура CamemBERT использует masked language modeling. Контекст модели — до 514 токенов. Модель предназначена для поиска релевантных документов по запросам на французском языке, в том числе в больших коллекциях текстов. Обучение проводилось на парах запросов и passages из mMARCO с ранжирующей функцией потерь InfoNCE и регуляризацией разреженности FLOPS. В README приведена оценка на dev-наборе mMARCO-FR с 6 980 запросами и корпусом из 8,8 млн passages. Лицензия — MIT. Оценка качества описана для французского набора mMARCO; результаты на других языках и типах данных в карточке не приведены. Для поискового применения модель формирует разреженные векторы, поэтому при интеграции нужно обеспечить совместимый способ вычисления сходства и поиска.

SPLADE-Mini — компактная модель разреженного поиска по тексту от rasyosef. Она основана на BERT-Mini и дообучена с дистилляцией Cross-Encoder ms-marco-MiniLM-L6-v2 на данных MS MARCO. Модель содержит около 12 млн параметров, принимает последовательности длиной до 512 токенов и формирует разреженные векторы размерности 30 522, которые сравниваются скалярным произведением. Модель предназначена для поиска релевантных документов по запросу и ранжирования результатов в информационно-поисковых системах. По карточке, на MS MARCO она достигает MRR@10 34,1 и рассчитана на запуск без GPU на коллекциях в несколько тысяч документов. Поддерживаемый язык — английский. Модель распространяется по лицензии MIT. Результаты оценки относятся к MS MARCO; качество на других коллекциях и языках карточкой не подтверждено.

Карточка модели seerware/Splade_PP_en_v2 на Hugging Face совпадает с карточкой prithivida/Splade_PP_en_v2, поэтому описание составлено по ней. prithivida/Splade_PP_en_v2 — независимая реализация модели SPLADE++ для поиска по текстовым документам, разработанная Donkey Stereotype. Это модель-энкодер на базе BERT с 136,7 млн параметров, формирующая разреженные представления текста через MLM-голову: она расширяет текст контекстуальными токенами и помогает находить документы при несовпадении формулировок запроса и текста. Модель предназначена для кодирования документов в поисковых и retrieval-системах; для запросов автор указывает на отдельную модель. В README описаны настройки для индустриального поиска: ограничение длины документов 128 токенами, оптимизация разреженности и ориентир на баланс качества поиска, задержки и размера индекса. Модель обучалась с использованием MS MARCO; заявлены показатели MRR@10 и времени retrieval, но они зависят от набора данных и конфигурации системы. Поддерживается английский язык, контекст — до 512 токенов. Доступны форматы PyTorch и ONNX. Для применения модель выдаёт признаки и разреженные представления текста, которые можно индексировать и использовать для поиска документов и оценки сходства предложений. Лицензия — Apache-2.0. Ограничения BERT и конкретного дообучения сохраняются; для пользовательских доменов качество следует проверять отдельно.

Splinter-base-finetuned-squad — модель Anas Awadalla для ответов на вопросы по контексту. Она дообучена на датасете SQuAD на базе tau/splinter-base-qass и использует архитектуру Splinter с плотными слоями; размер составляет 135,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения ответов из предоставленного текста: пользователь задаёт вопрос и передаёт контекст, а модель находит в нём ответ. Она подходит для систем поиска ответов по документам и для обработки вопросов по материалам, похожим на SQuAD. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

SR²AM-v1.0-30B — агентная языковая модель, разработанная командой sailing-lab на базе Qwen3-30B-A3B-Thinking-2507. Она разделяет рассуждение на реактивное выполнение действий, симулятивное планирование последствий и конфигуратор, который выбирает, когда и насколько глубоко планировать. Модель дообучена методом SFT с последующим обучением с подкреплением GRPO; архитектура — Qwen3 MoE, формат весов — Safetensors, библиотека — Transformers. Заявленная длина контекста — 262 144 токена. Модель предназначена для агентных задач с использованием инструментов: веб-поиска и просмотра страниц, выполнения Python-кода в изолированной среде, а также решения задач по математике, естественным наукам и табличным данным. В README сообщается Pass@1 71,3 на 11 бенчмарках и сокращение числа токенов рассуждения на 25–95% относительно сопоставимых агентных моделей; это результаты авторской оценки. Метаданные указывают 2,6 млрд параметров. Модель распространяется по лицензии Apache-2.0.

cnmoro/static-nomic-eng-ptbr-tiny — компактная статическая модель эмбеддингов, созданная автором репозитория с помощью Tokenlearn на основе nomic-embed-text-v2-moe. Она преобразует текстовые passages в векторы размерностью 50 и предназначена для семантического поиска и извлечения документов на английском и португальском языках. Модель обучалась примерно на 20 млн фрагментов текста, включая англоязычный корпус MS MARCO и набор португалоязычных триплетов. Модель использует архитектуру Model2Vec StaticModel и распространяется в формате safetensors; лицензия — Apache-2.0. Она подходит для сценариев, где важны компактные эмбеддинги для поиска и сопоставления текстов. Карточка называет её более минималистичной версией cnmoro/static-nomic-eng-ptbr, но не приводит сравнительных результатов качества.