I.1Поиск и навигация по информации

Это преобразованный чекпойнт текстового энкодера T5Gemma 2, опубликованный jadanovitch на основе google/t5gemma-2-1b-1b для запуска в vLLM. Веса энкодера перенесены без изменений в формат Gemma3ForCausalLM; модель содержит 26 слоёв, размер скрытого состояния 1152 и около 1 млрд параметров. Используются веса и активации BF16, двунаправленное внимание и контекст до 32 768 токенов. Модель предназначена для получения текстовых представлений, поиска, ранжирования и экспериментов с текстовыми энкодерами. Хотя её можно загрузить через интерфейс генерации vLLM, она не обучалась как самостоятельная авторегрессионная языковая модель и не предназначена для обычного продолжения текста. Применяются условия лицензии Gemma.

Карточка модели castorini/tct_colbert-v2-hn-msmarco на Hugging Face совпадает с карточкой castorini/tct_colbert-v2-hnp-msmarco, поэтому описание составлено по ней. castorini/tct_colbert-v2-hnp-msmarco — модель семейства TCT-ColBERT-V2, опубликованная Castorini для воспроизведения варианта плотных моделей поиска, описанного в статье о дистилляции знаний для dense retrieval. Она предназначена для извлечения векторных представлений текстов и их использования в поиске по коллекции документов, в частности в сценариях, связанных с MS MARCO. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. README связывает её с исследовательской работой и отчётом о воспроизведении в Pyserini. Лицензия в доступных данных не приведена.

castorini/tct_colbert-v2-hnp-msmarco — модель семейства TCT-ColBERT-V2, опубликованная Castorini для воспроизведения варианта плотных моделей поиска, описанного в статье о дистилляции знаний для dense retrieval. Она предназначена для извлечения векторных представлений текстов и их использования в поиске по коллекции документов, в частности в сценариях, связанных с MS MARCO. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. README связывает её с исследовательской работой и отчётом о воспроизведении в Pyserini. Лицензия в доступных данных не приведена.

TensorFluxEmbedder — англоязычная модель векторных представлений текста, дообученная IstishadAlamTishad на базе nomic-ai/modernbert-embed-base для семантического поиска. Она охватывает общий язык, веб-поиск, научную литературу и юридические документы и предназначена для получения эмбеддингов запросов и документов в сценариях информационного поиска и RAG. Модель построена на ModernBERT, содержит 149 млн параметров и принимает до 8192 токенов. Размер эмбеддинга можно сокращать при использовании с 768 до 512, 256, 128 или 64 измерений без повторного обучения; в README вариант 256 измерений рекомендован для поиска с низкой задержкой и меньшим расходом памяти. Для лучшего качества поиска нужно задавать префикс search_query: для запросов и search_document: для документов. В README приведены результаты оценки на наборах SciFact и юридическом корпусе; качество зависит от размерности и конкретного корпуса. Модель обучена только на английских текстах, длинные входы свыше 8192 токенов обрезаются, а эффективность на других языках и юридических коллекциях не подтверждена. Она оптимизирована для плотного поиска и не предназначена для классификации, NLI или работы как cross-encoder. Лицензия — Apache-2.0.

tevatron-elastic-bert-retriever-starbucks — англоязычный текстовый ретривер на базе google-bert/bert-base-uncased, дообученный командой Utah NLP с помощью Tevatron-Elastic. Он кодирует запросы и документы в признаки для информационного поиска и поддерживает выбор рабочих точек по глубине и ширине сети в стиле 2D Matryoshka, чтобы настраивать компромисс между качеством и затратами на вычисления. Для запросов и фрагментов документов используются префиксы query: и passage:, максимальная длина входа — 512 токенов. На полной конфигурации авторы сообщают nDCG@10 0,448 на BEIR-15; модель опубликована как ресурс для воспроизводимости, а не как заявление о превосходстве над другими решениями. Распространяется по лицензии Apache-2.0.

utahnlp/tevatron-elastic-modernbert-retriever-2d — плотный текстовый ретривер, дообученный на базе answerdotai/ModernBERT-base с помощью Tevatron-Elastic. Модель предназначена для поиска релевантных документов по запросу и рассчитана на использование с префиксами query: и passage:. Чекпойнт поддерживает эластичное сокращение глубины и ширины сети по схеме 2D Matryoshka: можно выбирать рабочую точку через prune_to и encode_at, балансируя размер представлений и качество поиска. Модель содержит 149 млн параметров, работает с контекстом до 8192 токенов и поставляется в формате safetensors; README указывает максимум 512 токенов при обучении. В тесте BEIR-15 результат полной конфигурации составил nDCG@10 0,450. Модель разработана Utah NLP и представлена как ресурс для воспроизводимости в рамках статьи Tevatron-Elastic; авторы не заявляют превосходство над современными моделями. Она дообучена на rlhn/rlhn-680K. Базовая модель англоязычная, поэтому основной язык применения — английский. Лицензия — Apache-2.0.

deepset/tinyroberta-squad2 — компактная модель deepset для извлечения ответов на вопросы из текста. Это дистиллированная версия deepset/roberta-base-squad2 на архитектуре RoBERTa с 95,2 млн параметров; контекст составляет до 514 токенов. Модель обучена для extractive question answering на SQuAD 2.0 и рассчитана на английский язык. Модель находит ответный фрагмент в предоставленном тексте и подходит для поиска ответов в документах, например в конвейере Haystack. По данным карточки, её качество сопоставимо с базовой моделью, а скорость работы примерно вдвое выше. Дистилляция выполнена в два этапа по подходу TinyBERT: промежуточная дистилляция RoBERTa, затем обучение под задачу QA с учителями deepset/roberta-base-squad2 и deepset/roberta-large-squad2. Доступны веса PyTorch и Safetensors. Лицензия — CC BY 4.0. Модель предназначена для извлечения ответа из заданного контекста, а не для свободной генерации; качество и охват языков за пределами английского не подтверждены карточкой.

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.

vdr-2b-multi-v1 — мультиязычная модель эмбеддингов для поиска по визуальным документам, разработанная LlamaIndex и дообученная на базе MrLight/dse-qwen2-2b-mrl-v1. Она кодирует скриншоты страниц документов в плотные векторы и поддерживает поиск по PDF, веб-страницам, слайдам и другим визуально насыщенным материалам без OCR, извлечения текста и разбиения на фрагменты. Модель основана на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель обучена на английском, итальянском, французском, немецком и испанском языках. Она поддерживает межъязыковой поиск, например поиск по немецким документам с итальянским запросом. Благодаря Matryoshka Representation Learning размер векторов можно сократить втрое с сохранением около 98% качества эмбеддингов. Для инференса используются тензоры bf16; README приводит пример запуска с 768 патчами изображения и батчем 16 на NVIDIA T4 с примерно 4,4 ГБ видеопамяти. Распространяется по лицензии Apache-2.0. Указанный в метаданных pipeline — image-text-to-text, однако по описанию и возможностям модель предназначена прежде всего для извлечения эмбеддингов и поиска по визуальным документам.

Verbatim RAG Extractor Model — дообученная KRLabsOrg модель на базе ModernBERT-base для отбора предложений, релевантных вопросу, в системе Verbatim RAG. Она кодирует вопрос и предложения документа в одной последовательности и применяет линейную классификационную голову, присваивая каждому предложению один из двух классов: релевантное или нерелевантное. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Модель предназначена для извлечения подходящих фрагментов из найденных документов перед формированием ответа на вопрос. Порог уверенности по умолчанию равен 0,5; его можно менять, чтобы балансировать точность и полноту отбора. В карточке указана англоязычная поддержка. Лицензия — MIT. Для интеграции README рекомендует пакет verbatim-rag; заявлены зависимости от PyTorch и Transformers.

Карточка модели Hieu25025064/vietnamese_embedding_model_merged на Hugging Face совпадает с карточкой AITeamVN/Vietnamese_Embedding, поэтому описание составлено по ней. Vietnamese_Embedding — модель эмбеддингов на базе Sentence Transformers, разработанная AITeamVN и дообученная от BAAI/bge-m3 для улучшения поиска по вьетнамским текстам. Она принимает текст и выдаёт вектор размерности 1024; для сравнения векторов предусмотрена метрика dot product. Модель обучалась на примерно 300 тысячах триплетов запросов, положительных и отрицательных документов, а максимальная длина последовательности в карточке указана как 2048 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов по вьетнамским запросам; автор приводит оценку на Legal Zalo 2021. В метаданных указаны архитектура XLM-RoBERTa, контекст до 8194 токенов, библиотека sentence-transformers и форматы ONNX и safetensors. Лицензия — Apache 2.0. В README приведена более короткая максимальная длина последовательности, чем контекст в метаданных; качество поиска на других наборах данных отдельно не подтверждено.

Vintern-Embedding-1B — мультимодальная модель для поиска по документам, созданная 5CD-AI на базе Vintern-1B-v3_5. Она обучена на более чем 1,5 млн пар «вопрос — документ» для задач визуальных вопросов и ответов, а также текстовых вопросов и ответов. Модель поддерживает поиск по связям «текст — визуальный документ» и «текст — текст» и рассчитана на использование в системах RAG, мультимодальных поисковых системах и приложениях информационного поиска. Модель имеет около 0,9 млрд параметров и использует архитектуру ColInternVL2. В README приведены результаты на вьетнамских наборах для поиска по таблицам и юридическим текстам, а также на мультимодальном бенчмарке ViDoRe; авторы сообщают о высоких результатах, в частности в областях искусственного интеллекта, здравоохранения и государственного управления. Указанные результаты зависят от наборов данных и методики оценки. Основной язык модели — вьетнамский; также заявлена применимость для английского, а метаданные карточки перечисляют китайский. Модель дообучена от 5CD-AI/Vintern-1B-v3_5. Карточка не сообщает длину контекста и лицензию, поэтому условия использования по имеющимся данным определить нельзя.

VisRAG-Ret — модель для векторного представления страниц документов в мультимодальном поиске, разработанная OpenBMB. Она входит в конвейер VisRAG: страницы документов подаются как изображения и индексируются для поиска по запросам, чтобы использовать их при генерации ответов без предварительного извлечения текста из документа. Модель дообучена на MiniCPM-V 2.0, объединяющей визуальный энкодер SigLIP и языковую модель MiniCPM-2B; размер составляет 2,7 млрд параметров, формат весов — Safetensors, контекст — 4096 токенов. VisRAG-Ret предназначена для поиска по страницам PDF и другим документам с сохранением визуальной структуры и содержимого, включая информацию, которая может теряться при преобразовании документа в обычный текст. Обучение проводилось на 362 110 парах «запрос — документ», включающих академические данные и синтетические запросы к страницам веб-документов. Карточка указывает английский язык; лицензия — Apache-2.0. Модель решает задачу извлечения признаков, а для полноценного RAG-конвейера требуется отдельный этап генерации ответа.

onnx-community/voyage-4-nano-ONNX — ONNX-версия модели voyageai/voyage-4-nano, подготовленная сообществом onnx-community. Это multilingual-модель для извлечения признаков и построения векторных представлений текста, пригодная, в частности, для семантического поиска и поиска документов по запросу. В README показан сценарий представления поискового запроса для последующего поиска поддерживающих документов. Модель запускается через ONNX Runtime и принимает токенизированный текст с использованием Transformers AutoTokenizer. Выходы включают last hidden state размерности 2048 на токен и pooler output размерности 2048 для всего входа. В README приведён пример с англоязычным запросом; точный перечень поддерживаемых языков, максимальная длина контекста, количество параметров и сведения об архитектуре не указаны. К сильным сторонам относятся формат ONNX, совместимый с ONNX Runtime, и получение компактного векторного представления размерности 2048 для задач поиска и сопоставления текстов. Ограничения описания связаны с отсутствием данных о качестве, производительности, поддерживаемых языках и предельной длине входа. Модель распространяется по лицензии Apache-2.0.

V-SPLADE Quality — модель NAVER для поиска визуальных документов по текстовому запросу. Она кодирует изображения страниц PDF, слайдов и сканов в разреженные векторы, пригодные для поиска через инвертированный индекс; текстовые документы также поддерживаются. Размер модели — 250 млн параметров, архитектура основана на ModernVBERT. Для запросов используется обученный Bag-of-Words lookup без нейронного кодирования во время обслуживания, поэтому запросы можно обрабатывать без GPU, а страницы — индексировать напрямую, без предварительного OCR или генерации подписей. В README приведены результаты на бенчмарках поиска документов и сравнение скорости построения индекса с OCR- и caption-подходами. Модель предназначена для поиска по сканированным отчётам, презентациям и другим документам, представленным изображениями страниц. Для работы с изображениями требуется Sentence Transformers с поддержкой изображений и Transformers версии не ниже 5.3.0. Репозиторий распространяется по лицензии Apache-2.0. В карточке указаны английский язык и задачи извлечения признаков, заполнения пропусков и оценки сходства предложений; описанный сценарий поиска при этом использует изображения документов и текстовые запросы.

WebGLM — модель генерации ответов на вопросы, разработанная командой THUDM и предназначенная для системы поиска и ответов на вопросы с использованием веб-источников. Репозиторий содержит компонент Bootstrap Generator, который формирует ответы на основе GLM и найденных материалов. В описании системы также представлены модуль поиска релевантного веб-контента и оценщик ответов с учётом предпочтений людей. Модель основана на плотной архитектуре GLM и имеет 13,1 млрд параметров. Она принимает текст и выдаёт текст; карточка указывает английский язык. WebGLM предназначена для создания уточнённых ответов с опорой на поиск и извлечение веб-материалов. Лицензия в предоставленных данных не указана.

XDoc-base-SQuAD2.0 — модель Microsoft для ответов на вопросы по тексту, связанная с проектом XDoc, представленным в работе о едином предварительном обучении для понимания документов разных форматов. В карточке указана архитектура RoBERTa с головой для question answering и 151,8 млн параметров; модель доступна в формате PyTorch, контекст — до 514 токенов. Модель предназначена для поиска ответа на вопрос в предоставленном контексте и может применяться для извлечения сведений из документов и ответов на вопросы по их тексту. README описывает XDoc как единую предварительно обученную модель для разных форматов документов, но не уточняет модальности и конкретные возможности данного чекпойнта. Лицензия — MIT.

srikanthkb/xlnet-base-cased-finetuned-squad — модель XLNet, дообученная на наборе SQuAD для ответов на вопросы по предоставленному текстовому фрагменту. Она содержит 137,8 млн параметров и опубликована в формате PyTorch. В карточке указана оценка loss 0,2533 на наборе оценки. Модель предназначена для извлечения ответа из контекста в системах вопросно-ответного поиска и для автоматизации ответов по текстовым материалам. Базовая модель — xlnet-base-cased; модель распространяется по лицензии MIT. README не приводит подробностей о языковом охвате и ограничениях качества.

google/xtr-base-en — англоязычная модель семейства T5 для многовекторного поиска по токенам, представленная Google. Она предназначена для извлечения и ранжирования релевантных документов по запросу в системах поиска и retrieval-augmented generation. Архитектура — плотный энкодер T5EncoderModel, размер — 123,8 млн параметров; доступны веса PyTorch и Safetensors. XTR формирует многовекторные представления текста и поддерживает поиск по токенам, что позволяет точнее сопоставлять запросы и документы, чем единое представление текста. Карточка описывает запуск реализации на PyTorch и ссылается на исследовательскую работу о роли извлечения токенов в многовекторном поиске. Модель распространяется по лицензии Apache-2.0.

Ziya-Reader-13B-v1.0 是 IDEA-CCNL 团队开发的中文知识问答模型，基于 13B 参数的 Llama 2，并在通用数据和检索问答数据上微调。它采用 Llama 自回归 Transformer 架构，使用位置插值扩展上下窗口；README указывает 8k токенов, тогда как метаданные Hugging Face указывают нативный контекст 4096 токенов. Модель отвечает на вопросы по одному или нескольким предоставленным документам, поддерживает поиск релевантных документов и суммаризацию длинных текстов, а также общее общение в формате вопрос–ответ. В карточке описана устойчивость к изменению порядка документов и приведены оценки на китайских наборах LongBench. Предназначена прежде всего для китайских сценариев баз знаний, retrieval QA и клиентской поддержки, в том числе в праве, финансах и медицине. Модель принимает текст и генерирует текст. Репозиторий содержит веса PyTorch; указанная лицензия — GPL-3.0. Результаты зависят от качества и полноты переданных документов; заявленные оценки основаны на тестах разработчиков и не гарантируют качество в конкретной предметной области.

sayed0am/arabic-english-bge-m3 — модель для семантического сходства и поиска по фрагментам текста, разработанная автором репозитория sayed0am на основе BAAI/bge-m3. Она предназначена прежде всего для задач на арабском языке, включая sentence similarity, passage retrieval и построение арабских RAG-систем. В метаданных также указаны арабский и английский языки. Модель представляет собой обрезанную версию BAAI/bge-m3 и примерно на 36,2% меньше исходной, что снижает требования к памяти. Для неё доступна ONNX-квантизованная версия размером около 363 МБ — примерно на 75% меньше обрезанной модели — с заявленным сохранением около 98% качества исходной. Модель поддерживает использование через Transformers, sentence-transformers и ONNX Runtime; размер контекста и точная архитектура в README не указаны. Согласно README, модель заняла третье место в общем рейтинге и первое среди open source-моделей на The-Arabic-Rag-Leaderboard. Основное ограничение связано с сокращением словаря: токены, редко используемые в арабском языке, были удалены, поэтому модель может работать хуже с другими языками исходной мультиязычной BGE-M3. Модель распространяется по лицензии MIT.

AtmicQuoterv3 — компактная модель Sentence Transformers, дообученная SriRamanaAtmic на базе BAAI/bge-small-en-v1.5 для поиска цитат и фрагментов книг по текстовым запросам. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска и ранжирования кандидатов по близости; в README также приведены результаты гибридного поиска с BM25. Архитектура включает BERT, пулинг CLS и нормализацию. Метаданные указывают 40 млн параметров и контекст до 512 токенов; README сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги; обучение проводилось на 5 655 примерах с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

Это англоязычная модель BERT-base uncased для ответов на вопросы по заданному текстовому контексту, дообученная на SQuAD 1.1 и созданная с помощью библиотеки nn_pruning. В модели 136,7 млн параметров; она не различает регистр букв и поддерживает контекст длиной до 512 токенов. Структурное прореживание сократило линейные слои до 26% исходных весов, а общее число весов — до 42%. По оценке README, на тестировании модель работала в 2,44 раза быстрее исходной; точность составила 87,71 F1 и 80,03 EM против 88,5 F1 и 80,8 EM у исходной модели. Доступны веса PyTorch и TensorFlow. Модель предназначена для извлечения ответов из контекста, например в системах поиска и справочных интерфейсах. Лицензия — MIT.

abec0516/bert-finetuned-squad — модель RobertaForQuestionAnswering, дообученная на основе FacebookAI/roberta-base для ответа на вопросы по предоставленному контексту. Она подходит для извлечения ответа из текста, например при поиске сведений в документах или создании систем вопросов и ответов. Модель содержит 151,8 млн параметров, использует библиотеку Transformers и принимает контекст длиной до 514 токенов. Данные дообучения не описаны; карточка также не приводит сведений об оценке качества и ограничениях. Лицензия — MIT.

deepset/bert-medium-squad2-distilled — англоязычная модель для извлекающего ответа на вопросы, опубликованная deepset. Это компактная версия BERT с архитектурой BertForQuestionAnswering и 49,2 млн параметров; модель принимает вопрос и текстовый контекст и выделяет в нём фрагмент с ответом, обучена на SQuAD 2.0 и рассчитана на английский язык. Модель создана методом дистилляции в Haystack 1.x: в README указан deepset/bert-large-uncased-whole-word-masking-squad2 как модель-учитель. Она подходит для извлечения ответов из документов, в том числе в конвейерах Haystack. Максимальный размер контекста — 512 токенов; веса доступны в форматах PyTorch и safetensors. Лицензия — MIT. Модель предназначена для ответов по предоставленному контексту и не является генеративным чат-ассистентом; её качество за пределами английского языка и обучающих данных SQuAD 2.0 не подтверждено.

swardiantara/bert-tiny-sst5-k1-fixed-cosine — компактная Sentence Transformer-модель на базе BERT, дообученная для сопоставления предложений. Она кодирует текст в плотные векторы размерности 128 и предназначена для поиска и сравнения фраз или абзацев по косинусному сходству. Архитектура включает BertModel с усреднением токенных представлений; модель содержит 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и возвращает эмбеддинги. Обучение описано на 8 554 парах текстов с OrdinalProxyContrastiveLoss; примеры и базовая модель указывают на англоязычные данные. Компактный размер подходит для векторного поиска и семантического сравнения при ограниченных вычислительных ресурсах. Качество и применимость за пределами английского языка карточкой не подтверждены. Лицензия в предоставленных данных не указана.

TyKaoz выпустил 8-битную версию модели BAAI/bge-m3 в формате MLX для устройств Apple Silicon. Это многоязычная модель на архитектуре XLM-RoBERTa с 658,7 млн параметров, которая преобразует текст в плотные эмбеддинги размерности 1024. Максимальная длина контекста составляет 8194 токена; модель предназначена для локального использования через mlx-embeddings и занимает около 592 МБ. Модель подходит для семантического поиска, сравнения сходства предложений и построения систем поиска по текстам и документам. README описывает именно плотные векторы; широкие возможности исходной BGE-M3 для лексического и гибридного поиска здесь отдельно не подтверждены. Указана лицензия Apache-2.0.

HIT-TMG/bge-m3_RAG-conversational-IR — модель эмбеддингов для разговорного поиска, предназначенная для многошаговых RAG-систем. Она кодирует вопрос вместе с историей диалога в заданном формате, а текст документа кодирует без специального промпта, чтобы использовать полученные представления для поиска релевантных документов. Модель основана на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров; длина контекста — 8194 токена. Репозиторий содержит веса PyTorch и Safetensors. В карточке заявлена поддержка китайского и английского языков. Модель подходит для формирования поисковых запросов с учётом предыдущих вопросов и ответов в диалоге; лицензия — Apache-2.0.

ArnavKewalram/bge-small-code-v1 — текстовая Sentence Transformer-модель, дообученная разработчиком на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов. Архитектура основана на BERT: используется CLS-пулинг и нормализация эмбеддингов, а сходство можно оценивать косинусной мерой. Модель рассчитана на текстовые сценарии, включая семантический поиск и извлечение релевантных фрагментов. Метаданные указывают 40 млн параметров и контекст до 512 токенов; в README указан максимальный размер последовательности 384 токена. Карточка называет базовую модель англоязычной, поэтому применение для кода или других языков не следует считать подтверждённым одним лишь названием репозитория. Лицензия в доступных данных не приведена.

BRAG-Qwen2-7b-v0.1 — языковая модель серии BRAG, разработанная Pratik Bhavasar и Ravi Theja и дообученная для генерации ответов по найденному контексту. Она предназначена для RAG по текстам и таблицам, а также для диалогового поиска и ответов на вопросы. Модель основана на плотной архитектуре Qwen2ForCausalLM, содержит 7,1 млрд параметров и принимает текст; заявленная в метаданных длина контекста — 32 768 токенов. README указывает, что модель обучалась и оценивалась на английском языке. Модель рассчитана на сценарии, где ответ должен опираться на предоставленный контекст и сообщать, если нужной информации в нём нет. Для снижения риска галлюцинаций рекомендуется использовать системную инструкцию из карточки. Модель дообучена на англоязычных данных для коротких контекстов, поэтому качество на длинных контекстах и других языках может быть ниже. Доступна по лицензии Apache-2.0.