I.1Поиск и навигация по информации

SC117 публикует квантованные GGUF-сборки Agents-A1-Uncensored-MTP-APEX — агентной модели InternScience на архитектуре Qwen3.5-35B-A3B с 35 млрд параметров и MoE. В выпуск включены слой Multi-Token Prediction для ускорения генерации и BF16-проектор изображений для мультимодального режима. Модель принимает текст, а при подключении проектора — изображения, и генерирует текстовые ответы; заявлены агентные сценарии, научные рассуждения, поиск и вызов инструментов. Сборки используют смешанную квантизацию APEX с несколькими уровнями сжатия. README приводит запуск в llama.cpp, vLLM и SGLang и указывает контексты до 131 072 токенов в примере llama.cpp и до 262 144 в примере vLLM. Выпуск основан на InternScience/Agents-A1, дополнен поведенческой LoRA, слоем MTP и квантованием; лицензия Apache-2.0. Адаптация снижает склонность к отказам, поэтому ответы могут заметно отличаться от исходной модели; качество и скорость зависят от выбранного уровня квантизации и оборудования.

Это модель ответов на вопросы, созданная дообучением albert-base-v2 на наборе данных SQuAD. Она принимает вопрос и текстовый фрагмент и предназначена для извлечения ответа из этого фрагмента. Модель построена на архитектуре ALBERT, содержит 136,3 млн параметров и поддерживает контекст длиной до 512 токенов. Модель подходит для систем поиска ответов по документам и текстам на английском языке, близким по стилю к SQuAD. В карточке приведены результаты оценки на тестовой выборке SQuAD, включая eval_loss 1.0191. Использование регулируется лицензией Apache-2.0.

DeepMount00/Anita — модель Sentence Transformer на базе архитектуры BERT, предназначенная для поиска контекста, наиболее релевантного вопросу на итальянском языке. Она кодирует вопросы и предложения в векторы, чтобы сопоставлять их по смысловой близости; модель подходит для поиска ответов в базе знаний, автоматизации поддержки клиентов и образовательных инструментов. В карточке указано 137,9 млн параметров и контекст до 512 токенов. Модель выпущена в апреле 2024 года и распространяется в формате safetensors по лицензии Apache-2.0. Модель рассчитана на итальянские запросы и тексты. Она ранжирует релевантность контекстов, но README не описывает генерацию ответов: для получения ответа нужно использовать найденный фрагмент в отдельном процессе или системе. Указанная задача Hugging Face — sentence-similarity.

Auto-RAG — языковая модель ICTNLP Group, разработанная Tian Yu, Shaolei Zhang и Yang Feng. Это дообученная версия Meta-Llama-3-8B-Instruct, обученная на синтетических инструкциях для итеративного извлечения информации и генерации с поиском (RAG). Модель предназначена для диалоговых сценариев, где ответ строится с помощью последовательного поиска и использования найденных сведений. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. В README указана возможность развёртывания через vLLM. Карточка не приводит результатов оценки качества или перечня поддерживаемых языков. Лицензия — Apache-2.0.

Модель bert-base-japanese-v3-unsup-simcse-jawiki — японская модель для получения векторных представлений предложений. Она создана авторами книги «Введение в большие языковые модели» на основе cl-tohoku/bert-base-japanese-v3: BERT дообучен методом SimCSE без учителя на предложениях из японской Википедии llm-book/jawiki-sentences. В метаданных указаны архитектура BERT, библиотека Transformers, 138,4 млн параметров и контекст до 512 токенов. Модель предназначена для представления японских предложений в виде эмбеддингов, которые можно использовать для поиска похожих текстов и извлечения релевантных предложений. В карточке также приведены ссылки на обучающий и инференсный Colab, а датасет llm-book/aio-retriever указан в метаданных. Модель распространяется по лицензии Apache License 2.0.

Z-Jafari/bert-base-multilingual-cased-finetuned-nestedRewrite_QA — модель на основе BERT, дообученная на google-bert/bert-base-multilingual-cased для ответа на вопросы по заданному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; архитектура — плотный энкодер BertForQuestionAnswering с 205,1 млн параметров и контекстом до 512 токенов. В карточке приведены результаты оценки: exact match 73,3 и F1 76,98. Базовая модель многоязычная, но конкретный набор языков и обучающие данные этой версии не описаны. Модель распространяется по лицензии Apache-2.0.

vnktrmnb создал модель vnktrmnb/bert-base-multilingual-cased-FT-TyDiQA-GoldP_BL, дообучив многоязычную BERT-модель bert-base-multilingual-cased для извлечения ответов на вопросы из текста. Модель использует архитектуру BertForQuestionAnswering, содержит около 205,1 млн параметров и рассчитана на контекст до 512 токенов. Доступен формат TensorFlow. Модель подходит для систем, которые находят ответ на вопрос в предоставленном фрагменте текста. В README приведены результаты обучения и валидации за два эпоха, включая точность предсказания начальных и конечных позиций ответа; датасет не назван. Модель распространяется по лицензии Apache-2.0.

badokorach/bert-finetuned-squad — модель семейства BERT, дообученная на основе google-bert/bert-base-cased для ответа на вопросы. Она принимает текст с вопросом и контекстом и предназначена для извлечения ответа из предоставленного контекста. Модель содержит 135,5 млн параметров, поддерживает контекст до 512 токенов и опубликована в формате TensorFlow. Карточка сообщает о двух эпохах обучения и значении Train Loss 0,5693, но не раскрывает обучающий датасет, оценочные метрики и подробные ограничения. Модель распространяется по лицензии Apache-2.0.

Petros89/bert-finetuned-squad — модель BERT, дообученная на наборе вопросов и ответов SQuAD на основе bert-base-cased. Она предназначена для поиска ответа на вопрос в предоставленном тексте: модель оценивает фрагменты контекста и возвращает ответ из него. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и формат PyTorch; максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения фактов из документов и ответов на вопросы по заданному контексту. Карточка не содержит подробных результатов оценки или описания ограничений качества. Лицензия — Apache-2.0.

badokorach/bert-finetuned-squad-4 — модель BERT, дообученная автором на основе badokorach/bert-finetuned-squad-3 для ответов на вопросы по предоставленному тексту. В репозитории указано 135,5 млн параметров; модель использует архитектуру BertForQuestionAnswering, формат TensorFlow и контекст до 512 токенов. Модель подходит для поиска ответа в контексте, например, для систем вопросов и ответов по документам. В карточке приведены значение Train Loss 0,0012 и 29-я эпоха, но не названы обучающий набор данных и результаты независимой оценки. Лицензия — Apache-2.0.

Это модель BERT base-multilingual-cased, разработанная Google и дообученная Manuel Romero (mrm8488) для ответов на вопросы по заданному тексту. Она извлекает ответ из контекста и предназначена для многоязычных сценариев вопросно-ответного поиска, включая перенос между языками. Дообучение проведено на данных, основанных на XQuAD, с расширением обучающей выборки; заявлены 50 тысяч обучающих и 8 тысяч тестовых примеров. В карточке указано 11 языков: арабский, немецкий, греческий, английский, испанский, хинди, русский, тайский, турецкий, вьетнамский и китайский. Архитектура — BERT для извлечения ответов, 205,1 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает вопрос и текстовый контекст, выдаёт ответ в виде текста. В обучающих данных нет примеров вопросов без ответа, поэтому модель может выбирать ответ даже тогда, когда контекст не содержит достоверного ответа. Лицензия в предоставленных материалах не указана.

Vu74269/bert-squadv2-extend-base — англоязычная модель BERT Base, дообученная для извлечения ответов на вопросы по контексту. Она обучена на расширенной версии SQuAD 2.0, в которой добавлены вопросы без ответа из других контекстов той же статьи, поэтому предназначена также для распознавания случаев, когда в предоставленном тексте ответа нет. Модель содержит 136,7 млн параметров, принимает вопрос и контекст и выделяет ответный фрагмент; максимальная длина контекста — 512 токенов. Базовая модель — google-bert/bert-base-uncased. Распространяется по лицензии Apache-2.0.

onnx-community/bge-small-en-v1.5-ONNX — модель для создания векторных представлений текста (эмбеддингов), разработанная сообществом onnx-community на основе BAAI/bge-small-en-v1.5. Она распространяется с весами в формате ONNX и предназначена для использования в JavaScript-библиотеке Transformers.js, включая браузерные и другие web-ориентированные сценарии. Модель поддерживает задачу извлечения признаков текста и формирует эмбеддинги размерностью 384. В примерах используется pooling по CLS-токену и нормализация векторов. Модель подходит для семантического поиска и retrieval-сценариев: тексты документов и поисковые запросы преобразуются в эмбеддинги, после чего сравниваются, например, по косинусной близости. Для запросов рекомендуется добавлять инструкцию «Represent this sentence for searching relevant passages:». README не указывает архитектуру, максимальную длину контекста, перечень поддерживаемых языков, размер модели или точные ограничения качества. К сильным сторонам относятся компактный формат ONNX, совместимость с Transformers.js и возможность выполнять вычисление эмбеддингов в JavaScript-среде. Ограничения включают отсутствие в README сведений о лицензии, языковой поддержке и характеристиках производительности; по базовому идентификатору и приведённым примерам модель ориентирована на англоязычные тексты. Условия лицензирования в предоставленных данных не указаны.

qnhat/bge-small-scifact-rrf — текстовая Sentence Transformer-модель, дообученная на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерности 384, нормализует их и позволяет сравнивать по косинусному сходству. Модель основана на BERT; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в научных материалах по тематике SciFact. В обучающем наборе 47 241 пример с тройками текстов; использовалась функция потерь MultipleNegativesRankingLoss. Она рассчитана на английский текст и подходит для поиска и ранжирования фрагментов по смысловой близости. Для использования нужны совместимые библиотеки, например Sentence Transformers. Карточка не сообщает лицензию, поэтому условия распространения и коммерческого использования следует уточнить на странице репозитория Hugging Face.

bling-phi-3 — языковая модель серии BLING от llmware, дообученная для инструктивных задач RAG на базе Microsoft Phi-3. Это плотная авторегрессионная архитектура Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; модель распространяется в формате PyTorch и подходит для диалогового использования. Она предназначена для ответов на вопросы по переданному контексту, извлечения пар «ключ—значение» и краткого суммирования, в том числе в корпоративных системах поиска по документам. В карточке приведены результаты одного прогона RAG-Instruct-Benchmark-Tester: 99,5 балла из 100 по указанной авторами шкале; эти результаты не гарантируют качество на других данных. Основной язык модели — английский. Лицензия Apache 2.0. Ответы могут быть неполными или неточными, поэтому их следует проверять.

BRAG-Llama-3.1-8b-v0.1 — языковая модель серии BRAG, разработанная Pratik Bhavasar и Ravi Theja и дообученная для задач генерации с дополненным поиском (RAG). Она предназначена для ответов на вопросы по текстовым и табличным данным, а также для диалогового RAG. Модель основана на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она принимает текст и выдаёт текст; максимальная длина контекста по метаданным составляет 131 072 токена. Модель обучалась и оценивалась на английском языке; многоязычные возможности унаследованы от базовой модели, но отдельно не подтверждены для этой версии. Для ответов по контексту рекомендуется системная инструкция, требующая опираться на предоставленные сведения и сообщать, если ответа в них нет. Модель дообучалась на коротких контекстах, поэтому качество на длинных контекстах может снижаться, несмотря на заявленную длину окна. Лицензия — Llama 3.1.

Модель jonghwi/ColBERT-XLMR-Mixed-Distill-enzh-zh — поисковый ретривер ColBERT для поиска китайских текстовых фрагментов по запросам на английском, китайском или смешанном английско-китайском языке. Она использует XLM-RoBERTa-large и позднее взаимодействие ColBERT: кодирует токены запроса и документа в векторы, а затем оценивает релевантность по MaxSim. Размер проекции составляет 128, длина контекста — до 514 токенов; модель содержит около 658,7 млн параметров. Модель дообучена с дистилляцией оценок релевантности от mT5-XXL/monoT5 на mMARCO и обучалась на запросах с переключением между английским и китайским. Она предназначена для двуязычного веб-поиска по китайским документам и может использоваться в системах информационного поиска, где нужен поиск по токенным представлениям и ранжирование фрагментов. Базовая модель XLM-RoBERTa была предобучена для понимания текста на 100 языках, но эта версия ориентирована на английские и китайские запросы и китайские документы. Модель распространяется в формате safetensors под лицензией Apache-2.0. Она выдаёт представления для поиска и сама по себе не генерирует ответы. Контекст ограничен 514 токенами; заявленное назначение покрывает поиск по китайским документам, поэтому качество на иных языковых парах не следует считать подтверждённым.

ColFlor — модель для поиска по визуальному содержимому документов, представленная авторами проекта ColFlor. Она обрабатывает страницы документов как изображения и выполняет поиск без отдельного OCR-конвейера. Модель насчитывает 174 млн параметров; авторы сообщают, что по сравнению с ColPali она в 17 раз меньше, быстрее кодирует запросы и изображения, а качество на англоязычных документах с большим количеством текста ниже на 1,8%. Репозиторий содержит веса в формате safetensors. Модель предназначена для поиска документов и страниц по текстовому запросу, в том числе в крупных базах PDF. Она рассчитана на английский язык. Авторы отмечают заметный разрыв в качестве при работе с рисунками по сравнению с более крупными моделями, такими как ColPali, и слабую работу на других языках. Лицензия — MIT.

ColQwen3-VL-Embedding-2B-vdr — мультимодальный многовекторный энкодер, дообученный авторами tomaarsen на базе Qwen/Qwen3-VL-Embedding-2B с использованием Sentence Transformers и набора llamaindex-vdr-en-train-preprocessed из 10 000 примеров. Модель преобразует текст, изображения и видео в последовательности 128-мерных векторов на уровне токенов и оценивает соответствие запросов и документов методом позднего взаимодействия MaxSim. Модель предназначена прежде всего для семантического поиска по визуальным документам и другим мультимодальным данным: она сопоставляет текстовые запросы с изображениями, сохраняя отдельные векторы для токенов вместо сведения всего ввода к одному вектору. Заявленная максимальная длина последовательности — 262 144 токена. В README приведены результаты оценки на vdr-eval-hard, включая maxsim_accuracy@1 0,8467 и maxsim_accuracy@5 0,98. Модель использует библиотеку Sentence Transformers и распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

Adrian выпустил дообученную на наборе SQuAD модель DistilBERT для поиска ответа на вопрос в предоставленном контексте. Это плотная трансформерная модель класса DistilBertForQuestionAnswering; репозиторий содержит веса PyTorch. Контекст ограничен 512 токенами. Модель подходит для извлечения ответа из текста, например, в системах вопросов и ответов по документам. В README приведено значение loss 1,1484 на оценочном наборе, но подробности оценки и сведения о качестве на других данных отсутствуют. Лицензия — Apache-2.0.weet

Это модель DistilBERT для извлечения ответов на вопросы из текста. Её дообучили на наборе SQuAD на основе distilbert-base-uncased; архитектура реализована классом DistilBertForQuestionAnswering. Модель принимает вопрос и контекст и предсказывает ответный фрагмент текста. Модель подходит для поиска ответов в коротких текстовых отрывках, например в справочных материалах или статьях. Контекст ограничен 512 токенами. В карточке указана оценка Loss 1.1542 на наборе оценки, но подробности оценки и ограничения не приведены. Лицензия — Apache-2.0.

sasuke/distilbert-base-uncased-finetuned-squad — модель на базе DistilBERT, дообученная на наборе SQuAD для ответов на вопросы по предоставленному текстовому контексту. Она принимает вопрос и контекст и извлекает из него ответ; архитектура — DistilBertForQuestionAnswering, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Модель подходит для поиска ответов в текстах и прототипов систем вопросно-ответного поиска. В карточке приведён результат оценки на тестовой выборке SQuAD: loss 1.1458. Модель лицензирована по Apache-2.0. Карточка не описывает дополнительные языки или ограничения применения; обучение на SQuAD указывает на ориентированность на англоязычные вопросы и контексты.

Карточка модели aungkaungmyatmce/distilbert-base-uncased-finetuned-squad-d5716d28 на Hugging Face совпадает с карточкой Asynk/distilbert-base-uncased-finetuned-squad-d5716d28, поэтому описание составлено по ней. Это англоязычная модель ответов на вопросы, созданная как воспроизведение варианта DistilBERT из статьи DistilBERT. Студент distilbert-base-uncased дообучен на SQuAD v1.1 с дополнительной дистилляцией от модели lewtun/bert-base-uncased-finetuned-squad-v1, также настроенной на SQuAD. Репозиторий содержит веса PyTorch; архитектура в метаданных указана как DistilBertForMaskedLM, хотя README описывает модель для ответов на вопросы. Модель предназначена для извлечения ответа на вопрос из предоставленного текста на английском языке, например для поиска факта в документе или ответа по статье. Контекст ограничен 512 токенами. В README приведены результаты на SQuAD: Exact Match 78,4 и F1 86,5. Модель распространяется по лицензии Apache-2.0.

Карточка модели jrosmit/distilbert-base-uncased-finetuned-squad-d5716d28 на Hugging Face совпадает с карточкой Asynk/distilbert-base-uncased-finetuned-squad-d5716d28, поэтому описание составлено по ней. Это англоязычная модель ответов на вопросы, созданная как воспроизведение варианта DistilBERT из статьи DistilBERT. Студент distilbert-base-uncased дообучен на SQuAD v1.1 с дополнительной дистилляцией от модели lewtun/bert-base-uncased-finetuned-squad-v1, также настроенной на SQuAD. Репозиторий содержит веса PyTorch; архитектура в метаданных указана как DistilBertForMaskedLM, хотя README описывает модель для ответов на вопросы. Модель предназначена для извлечения ответа на вопрос из предоставленного текста на английском языке, например для поиска факта в документе или ответа по статье. Контекст ограничен 512 токенами. В README приведены результаты на SQuAD: Exact Match 78,4 и F1 86,5. Модель распространяется по лицензии Apache-2.0.

twmkn9 — модель на базе DistilBERT base uncased, дообученная на SQuAD v2 для извлечения ответов из текста по вопросу. Она принимает вопрос и текстовый фрагмент и возвращает найденный ответ либо указывает, что ответа в тексте нет. Подходит для систем поиска ответов по документам и справочным материалам. Контекст модели — до 512 токенов; архитектура — DistilBertForQuestionAnswering, формат весов — PyTorch. README приводит результаты оценки на подмножестве dev SQuAD v2: exact match 64,9 и F1 68,2. Модель работает с английским языком, как базовая uncased-модель DistilBERT и датасет SQuAD v2. Это компактная специализированная модель для extractive question answering, а не универсальный диалоговый генератор. Лицензия в предоставленных данных не указана.

Diver-GroupRank-7B-i1-GGUF — GGUF-квантизированная версия модели Diver-GroupRank-7B, разработанной AQ-MedAI и подготовленной квантизатором mradermacher. Модель предназначена для ранжирования текстовых фрагментов и документов в задачах информационного поиска, passage ranking и text ranking, включая сценарии, где требуется учитывать рассуждения при оценке релевантности. В качестве обучающих данных указаны наборы xlangai/BRIGHT и liuwenhan/reasonrank_data_13k. Модель относится к классу 7B и рассчитана на работу с текстом; заявленный язык — английский. Точная архитектура, размер контекстного окна и дополнительные модальности в README не указаны. Распространяется в формате GGUF с несколькими вариантами квантизации от i1-IQ1_S до i1-Q6_K, что позволяет выбирать баланс между размером файла, скоростью и качеством. В README рекомендуется i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества; наиболее низкие уровни квантизации могут существенно ухудшать результаты. Модель удобна для локального запуска и интеграции в системы поиска и повторного ранжирования при ограниченных ресурсах. Ограничения включают ориентацию на английский язык, отсутствие сведений о контекстном окне и количественных результатах тестирования, а также возможную потерю качества при агрессивной квантизации. Указанная лицензия — Apache-2.0.

Карточка модели facebook/dragon-roberta-context-encoder на Hugging Face совпадает с карточкой facebook/dragon-roberta-query-encoder, поэтому описание составлено по ней. DRAGON-RoBERTa Query Encoder — плотный энкодер запросов для поиска, разработанный Facebook. Это модель семейства RoBERTa, инициализированная RoBERTa-base и дополнительно обученная на данных, расширенных из корпуса MS MARCO, по подходу DRAGON. Она входит в асимметричную двухэнкодерную систему: для запросов и контекстов используются отдельные модели с разными параметрами. Энкодер преобразует текстовые запросы в векторные представления для плотного поиска и извлечения релевантных документов. В карточке приведены результаты системы DRAGON-RoBERTa: 39,4 на MS MARCO Dev и 47,2 на BEIR. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Для поиска контекстов требуется соответствующий DRAGON-RoBERTa Context Encoder; лицензия в предоставленных данных не указана.

DUSUNEN Atlas 278M v1 — модель эмбеддингов, разработанная Göktuğ Düşünen как дообучение intfloat/multilingual-e5-base для поиска на турецком языке. Она построена на XLM-RoBERTa и преобразует запросы и документы в векторы для семантического поиска, извлечения информации и сравнения предложений. Для запросов используется префикс «query: », для документов — «passage: ». Контекст модели — 514 токенов; в README для обучения указана длина последовательности 256 токенов. Модель обучена на 50 000 турецких триплетов с трудными отрицательными примерами с использованием Matryoshka Representation Learning. При инференсе можно выбирать размерность эмбеддингов 768, 512, 384, 256, 128 или 64, что позволяет уменьшить объём векторного индекса. На проверочной выборке из 2 000 примеров авторы сообщают точность 94,75% для 128 измерений против 92,65% у усечённой базовой модели; это результат только для внутридоменной проверки, а не оценка на широком бенчмарке. Модель распространяется под лицензией MIT.

e5-omni-3B — мультимодальная модель эмбеддингов, разработанная Haon-Chen на основе Qwen2.5-Omni-3B и дообученная для поиска по единому пространству представлений. Она преобразует текст, изображения, аудио и видео в эмбеддинги, чтобы сопоставлять запросы и материалы даже при различии модальностей. Модель предназначена для мультимодального поиска, включая поиск по видео и аудио, изображениям документов, диаграммам и PDF, а также многоязычный поиск по тексту. В метаданных указаны архитектура Qwen2.5-Omni-3B, библиотека Sentence Transformers и формат safetensors; README сообщает о результатах на MMEB-V2 и AudioCaps. Лицензия — MIT. Это экспериментальная модель: в README приведены результаты бенчмарков и примеры применения, но нет подробной оценки ограничений или условий эксплуатации помимо лицензии. Результаты поиска зависят от качества представлений и того, насколько данные соответствуют сценариям оценки.

deutsche-telekom/electra-base-de-squad2 — немецкоязычная модель ответов на вопросы, выпущенная Deutsche Telekom. Это дообученная для извлечения ответов из текста базовая ELECTRA electra-base-german-uncased с 138,4 млн параметров и контекстом до 512 токенов. Модель принимает вопрос вместе с текстовым контекстом и возвращает найденный ответ с оценкой и его позициями в исходном тексте. Модель предназначена для ответов на вопросы по немецким документам и другим текстам. Она обучена на наборе deQuAD с 130 тыс. обучающих и 11 тыс. тестовых пар «вопрос–ответ»; в оценке на тестовой выборке deQuAD модель показала Exact Match 70,97 и F1 76,18. Доступны веса PyTorch и Safetensors. Лицензия — MIT.