I.1Поиск и навигация по информации

deepset/electra-base-squad2 — англоязычная модель для извлекающего ответа на вопросы, разработанная командой deepset. Она дообучена на ELECTRA-base для поиска ответа в предоставленном тексте: на вход подаются вопрос и контекст, а модель определяет фрагмент контекста, который отвечает на вопрос. Обучение и оценка проводились на SQuAD 2.0; модель умеет воздерживаться от ответа, когда контекст не содержит ответа. Модель построена на архитектуре ELECTRA и содержит 136,7 млн параметров. Контекст ограничен 512 токенами. Её можно применять в Haystack для поиска ответов в документах и в Transformers. Лицензия — CC BY 4.0.

Модель rangacharysrinivasan/electra-small-discriminator-finetuned-squad — компактная версия ELECTRA, разработанная на базе google/electra-small-discriminator и дообученная на датасете SQuAD для ответов на вопросы по предоставленному тексту. Она использует плотную архитектуру ElectraForQuestionAnswering, содержит 20,4 млн параметров и принимает контекст до 512 токенов. Модель подходит для извлечения ответов из англоязычных фрагментов текста в системах поиска и обработки документов. В карточке приведён результат оценки на тестовой выборке SQuAD: loss 1,1658. Доступна в формате PyTorch; лицензия — Apache-2.0.

capemox/ettin-encoder-17m-pretrain-50m — компактный энкодер для поиска по смыслу и извлечения эмбеддингов, разработанный на основе jhu-clsp/ettin-encoder-17m. Это чекпойнт первого этапа обучения ModernBERT с 16,8 млн параметров: его контрастивно предобучили на сбалансированной выборке из 50 млн пар запрос–документ с использованием MultipleNegativesRankingLoss. Модель предназначена для векторного поиска без дополнительного обучения и как стартовая точка для последующей настройки на специализированных данных. В тестах без дообучения модель показала NDCG@10 0,4482 на ArguAna и 0,2548 на FiQA2018; агрегированный результат на NanoBEIR составил 0,5074. Модель принимает текст и выдаёт эмбеддинги; карточка ориентирована на английский язык, а контекст составляет 7 999 токенов. Для установки и использования заявлена библиотека sentence-transformers. Лицензия — Apache-2.0. Это чекпойнт только предобучения: он не проходил supervised fine-tuning на данных для поиска, поэтому качество может уступать специализированным моделям после такой настройки. Приведённые результаты относятся к конкретным тестам и не гарантируют качество на других корпусах.

ettin-reranker-1b-v1 — англоязычный кросс-энкодерный переранжировщик от команды Ettin, дообученный на базе jhu-clsp/ettin-encoder-1b с использованием библиотеки Sentence Transformers. Модель оценивает пары текстов одним числовым баллом, который помогает переставлять найденные документы по релевантности запросу и применять её в семантическом поиске. Модель имеет архитектуру ModernBERT и содержит 1 млрд параметров. Она принимает текстовые пары, поддерживает последовательности длиной до 7 999 токенов и предназначена для англоязычного ранжирования. В приведённой оценке MTEB(eng, v2) модель показала NDCG@10 0,6114 в сценарии поиска с переранжированием. В практическом конвейере её можно использовать после первичного поиска, чтобы точнее упорядочить кандидатов; README также показывает, что на тесте Touche2020 переранжирование снизило метрики. Это не универсальная мультиязычная модель и не генератор ответов. Распространяется по лицензии Apache-2.0.

satgeze/Gemma4-12B-Uncensored-HauhauCS-1.5M-GGUF — GGUF-квантованная версия 12-миллиардной Gemma 4 без фильтрации, разработанная SatGeze на базе модели HauhauCS/Gemma4-12B-QAT-Uncensored-HauhauCS-Balanced. Базовые модель и QAT предоставлены Google, снятие ограничений выполнено HauhauCS, а расширение контекста и сертификация — SatGeze. Модель предназначена для генерации текста, обработки очень длинных документов и поиска заданной информации в больших контекстах; также поддерживает работу с изображениями через отдельную vision-модель mmproj и ускорение декодирования с помощью MTP draft head. Нативный контекст составляет 262 144 токена, а с использованием YaRN с коэффициентом 6 расширен до 1 572 864 токенов. Для конфигурации f16 KV модель сертифицирована на контекстах до 1 310 720 токенов с результатом 10/10 в тестах needle-in-a-haystack; при q8_0 KV на максимальном контексте достигнут результат 9/10. Файл основной модели имеет размер около 7,4 ГБ и использует 4-битное квантование Google QAT. Для запуска предусмотрена интеграция с llama.cpp и Ollama. Сильные стороны модели — исключительно длинный контекст, подтверждённая устойчивость поиска информации за пределами миллиона токенов, поддержка vision и возможность ускорения генерации. Ограничения включают снижение качества на предельных длинах, особенно около 2 миллионов токенов, значительные требования к вычислительной памяти и времени предварительной обработки, а также зависимость результата от типа KV-кэша и выбранного квантования. Модель распространяется по лицензии Gemma; условия базовой лицензии применяются к производным компонентам.

HCAE-21M-v1.1-Instruct — инструктивно дообученная модель эмбеддингов HeavensHackDev на архитектуре Hybrid Convolutional-Attention Encoder (HCAE). Она предназначена для поиска по смыслу, асимметричного поиска и семантического анализа специализированных текстов, включая научные и медицинские корпуса. Для запросов и документов поддерживает префиксы `query:` и `passage:` соответственно. Модель содержит 21,1 млн параметров, имеет гибридную архитектуру с четырьмя сверточными и четырьмя attention-блоками, а размерность эмбеддингов составляет 384. Контекст ограничен 512 токенами. Доступны веса Safetensors и формат ONNX для запуска, в том числе на устройствах с ограниченными ресурсами. В README приведены результаты на STSBenchmark и SciFact. Модель дообучена на наборах NLI, SciFact и специализированных технических данных. Лицензия — Apache-2.0.

Ita-Search — плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная для семантического поиска на итальянском языке. Её разработчик — DeepMount00. Модель преобразует запросы и документы в векторы размерностью 1024; сходство оценивается косинусной мерой. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для поиска итальянских документов по запросам, ранжирования passages, поиска в академических и технических материалах, систем вопросов и ответов и баз знаний. Она ориентирована на понимание разговорных запросов и итальянской терминологии; в обучающих данных представлены медицина, STEM, финансы, право, сельское хозяйство, разработка ПО и другие области. Модель использует библиотеку Sentence Transformers и формат safetensors. Лицензия — Apache-2.0. Она оптимизирована для итальянского языка, а качество может снижаться на узкоспециализированных темах, не представленных в обучении.

JaColBERT v1 — модель поиска японских документов на основе ColBERT, разработанная bclavie. Она предназначена для извлечения релевантных документов по запросу в системах поиска и RAG. В отличие от подхода с одним вектором на документ, ColBERT представляет текст набором эмбеддингов, что помогает сопоставлять отдельные аспекты запроса и документа; для работы модель использует RAGatouille. Модель дообучена на базе японской BERT cl-tohoku/bert-base-japanese-v3 и обучалась на японской части MMARCO с hard negatives — всего на 10 млн триплетов за одну эпоху. Это японская модель с контекстом до 512 токенов и 138,4 млн параметров. В карточке сообщается о хороших результатах на японских наборах для поиска, включая данные вне обучающего домена. Это начальная версия, обученная на одном датасете; для новых доменов может потребоваться дообучение. Лицензия — MIT.

JaColBERTv2 — японская модель поиска документов на архитектуре ColBERT, разработанная автором JaColBERT. Она предназначена для извлечения релевантных фрагментов по запросу и применения в поиске и RAG-системах. Модель использует позднее взаимодействие между представлениями токенов документов и запроса, что позволяет сочетать семантическое сопоставление с эффективным поиском по заранее построенному индексу. Модель содержит 138,4 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Она основана на JaColBERT и cl-tohoku/bert-base-japanese-v3; README указывает на обучение дистилляцией на японской части MMARCO с 31 отрицательным примером на положительный. Для использования автор рекомендует RAGatouille. Лицензия — MIT. В ранних оценках автор сообщает о результатах выше JaColBERT, multilingual-e5-large и BGE-M3 на JQaRa и JSQuAD, однако полная оценка ещё не завершена. Версия обозначена как ранний рабочий чекпойнт, веса могли обновляться; результаты следует считать предварительными.

hotchpotch разработала японский ранжировщик CrossEncoder для переоценки релевантности пар текста, например запросов и найденных документов. Модель построена на XLM-RoBERTa и имеет 6 слоёв со скрытым размером 384; в метаданных указано 110,2 млн параметров и контекст до 514 токенов. Она распространяется в формате safetensors и работает с библиотекой Sentence Transformers. Модель предназначена для повторного ранжирования результатов поиска и оценки соответствия текста запросу на японском языке. В README приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD, а среди обучающих данных каталог указывает JQaRA, JGLUE, MIRACL, Mr.TyDi и mMARCO. Лицензия — MIT. Показатели качества относятся к указанным наборам оценки и сами по себе не гарантируют результат на других данных.

KURE-v1 — модель для получения текстовых эмбеддингов и поиска релевантных документов, разработанная NLP&AI Lab при Университете Корё. Это дообученная на корейских данных версия BAAI/bge-m3 на архитектуре XLM-RoBERTa; размер модели — 658,7 млн параметров, размерность эмбеддингов — 1024, контекст — до 8194 токенов. Для дообучения использовались пары корейских запросов и документов с трудными отрицательными примерами и функция CachedGISTEmbedLoss. Модель предназначена прежде всего для семантического поиска по корейским текстам и документам, включая длинные документы и сценарии RAG. В карточке приведены результаты на нескольких корейских наборах данных для поиска, в том числе из областей финансов, государственного сектора, медицины, права и коммерции; заявлено преимущество над сравниваемыми мультиязычными моделями на использованных бенчмарках. Лицензия — MIT. Английский указан среди поддерживаемых языков, однако модель специально адаптирована для корейского поиска.

aditeyabaral/langcache-colbert-v1 — англоязычная модель PyLate, дообученная на парах предложений LangCache для семантического кэширования и поиска. Она основана на ColBERTv2 от colbert-ir и использует архитектуру BERT с линейным слоем, который проецирует представления размерности 768 в последовательности 128-мерных плотных векторов. Для оценки сходства применяется оператор MaxSim; модель рассчитана на запросы и документы длиной до 128 токенов, при этом максимальный контекст по метаданным составляет 512 токенов. Модель подходит для поиска релевантных документов по запросу и для повторного ранжирования результатов первичного поиска. Для индексирования коллекций в README предлагается использовать PyLate и FastPLAID. В карточке приведена точность 0,9847 на тесте ColBERTTriplet; это значение относится к указанной оценке и не гарантирует таких же результатов на других данных. Модель содержит 136,7 млн параметров, распространяется в формате Safetensors под лицензией Apache-2.0. Она предназначена для английского языка; её результаты зависят от домена и качества индекса, а тексты длиннее предусмотренной длины требуют обработки с усечением или разбиением.

LateOn-hpool-regularized — англоязычная модель поиска LightOn в стиле ColBERT, обученная с помощью PyLate на основе семейства LateOn и ModernBERT-base. Она кодирует запросы и документы в многовекторные представления и сопоставляет их с помощью MaxSim; для документов применяется иерархический пулинг, сокращающий число хранимых векторов. Модель предназначена для семантического поиска по длинным документам, когда важно уменьшить размер индекса без существенной потери качества. Она обучена с несколькими бюджетами пулинга от 4 до 300 токенов, поэтому степень сжатия можно выбрать при использовании; авторы сообщают о сохранении 98,7% качества при бюджете 32 токена, примерно в пять раз меньшем, чем исходное представление. Полная длина документа при обучении — 300 токенов, запроса — 32; выходная размерность — 128, контекст — до 8192 токенов. Модель рассчитана на английский язык. В README приведены результаты на подмножестве наборов BEIR; они не гарантируют аналогичного качества на других коллекциях и языках. Репозиторий распространяется по лицензии Apache 2.0.

LightOn-rerank-PW-0.8B — мультимодальный кросс-энкодерный реранкер компании LightOn на базе Qwen/Qwen3.5-0.8B. Он оценивает по отдельности каждую пару «запрос — кандидат» и ранжирует текстовые фрагменты или изображения страниц документов по оценке logit("Yes") − logit("No"); модель предназначена для второго этапа поиска после BM25, dense retrieval или ColPali-подобного ретривера. Число параметров — около 0,85 млрд; веса опубликованы в формате safetensors и bfloat16. Модель принимает текстовый запрос вместе с текстом или изображением страницы, поэтому подходит для поиска по PDF, слайдам и сканам наряду с обычным текстовым поиском. Обучение проводилось совместно на текстовых и визуальных данных на английском языке; французский поддерживается с переносом без дополнительного обучения. Архитектура унаследована от мультимодальной Qwen3.5 с гибридным линейным и полным вниманием. Модель распространяется по лицензии Apache-2.0. В тестах она показала полезные результаты для текстового реранжирования, но слабее подходит для визуальных кандидатов: на ViDoRe V3 оценка nDCG@10 составила 48,20 и оказалась ниже результата исходного ретривера без реранжирования. Для независимого pointwise-оценивания сложных визуальных кандидатов размер 0,8B недостаточен; авторы рекомендуют listwise-вариант LightOn-rerank-LW-0.8B для визуального реранжирования такого масштаба.

Llama-3-8B-NExtLong-128K-Base — базовая языковая модель семейства Llama, опубликованная авторами проекта NExtLong. Это плотная авторегрессионная модель примерно на 7,5 млрд параметров с окном контекста до 131 072 токенов; веса доступны в формате safetensors. Модель обучена на синтетических длинных контекстах, созданных методом NExtLong: в документ добавляются подобранные отвлекающие фрагменты, чтобы усилить работу с дальними зависимостями. Модель предназначена для генерации текста и задач, требующих анализа длинного контекста: поиска сведений в контексте, ответов на вопросы по длинным документам, работы с RAG и контекстом в несколько сотен страниц. В README приведены результаты на HELMET и RULER. Это базовая модель, а не instruct-вариант, поэтому для диалогового применения может потребоваться дополнительная настройка. Языковая поддержка и лицензия в предоставленных источниках не описаны.

Cerebras Llama-3-CBHybridL-8B — языковая модель Cerebras, созданная на базе Llama-3.1-8B-Instruct для работы с длинным контекстом. Это вариант с гибридным плотным и разреженным вниманием: 25 из 32 слоёв внимания дообучены для разреженного lambda-mask attention. По данным авторов, такой подход уменьшает память KV-кэша в 1,6–1,7 раза при сохранении большей части качества на задачах с длинным контекстом. Модель предназначена для генерации текста и диалогов, включая ответы на вопросы по длинным документам и работу с несколькими источниками. Метаданные указывают 7,5 млрд параметров и контекст до 33 792 токенов; поддерживается интерфейс вызова инструментов. В README приведены результаты на LongBench и HELMET: качество зависит от задачи и может снижаться относительно исходной модели. Для улучшения работы с длинным контекстом авторы предлагают вставлять вспомогательные токены памяти; их добавление требует соответствующей обработки входа. Модель распространяется в формате safetensors под лицензией other; конкретные условия лицензии следует уточнить на странице репозитория. Карточка описывает её как эксперимент Cerebras на основе инструкционной модели Llama 3.1, а не как универсальную замену исходной модели.

Llama3-ChatQA-1.5-8B — разговорная языковая модель NVIDIA для ответов на вопросы и систем генерации с дополнением извлечёнными данными (RAG). Она дообучена на базе Llama 3 с улучшенной методикой ChatQA и дополнительными данными для разговорных вопросов, табличных запросов и арифметических вычислений. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; репозиторий содержит веса в формате Safetensors. Модель рассчитана прежде всего на ответы по предоставленному контексту: это могут быть целые документы, помещающиеся в контекст, или найденные поиском фрагменты. Она поддерживает разговорный формат и ориентирована на английский язык. В README приведены результаты оценки на наборах разговорного QA и RAG; качество зависит от контекста и сценария, поэтому ответы следует проверять, особенно при вычислениях и работе с таблицами. Лицензия — Llama 3 License.

Cerebras Llama3-DocChat 1.0 8B — языковая модель Cerebras для диалоговых вопросов и ответов по предоставленным документам. Это плотная авторегрессионная модель семейства Llama 3 с 7,5 млрд параметров, дообученная с учётом исследований по документным вопросам и ответам, включая работы над ChatQA. В карточке указаны поддержка чата, формат PyTorch и контекст до 8192 токенов. Модель принимает вопрос вместе с текстом документа в сообщении пользователя и формирует ответ в формате диалога. Её настраивали для подробных ответов по контексту и указания, когда ответ в нём не найден; можно также задавать предпочтительную длину ответа. В тестах ChatRAG она показала результаты, сопоставимые с опубликованными моделями для документного Q&A, хотя результаты зависят от набора данных и сценария. Модель рассчитана прежде всего на англоязычные сценарии. В метаданных указана лицензия other; конкретные условия использования следует проверять на странице модели и в сопровождающих материалах. Как и другие генеративные модели, она может ошибаться или выдавать неподтверждённые контекстом сведения, поэтому ответы требуют проверки.

NVIDIA Llama Nemoretriever ColEmbed 3B v1 — мультимодальная модель позднего взаимодействия для поиска документов по запросу. Она дообучена на основе мультимодальной архитектуры с SigLIP 2 Giant и Llama 3.2 3B и формирует ColBERT-подобные многовекторные представления: принимает текстовый запрос и текст или изображение страницы документа, возвращая числовые векторы для токенов. Модель предназначена для поиска по страницам с текстом, таблицами, графиками и инфографикой, в том числе в системах мультимодального RAG и кросс-модального поиска. По заявлению разработчика, модель заняла первые места на ViDoRe V1, ViDoRe V2 и MTEB VisualDocumentRetrieval в опубликованных на июнь 2025 года оценках. Для запуска указаны Transformers 4.49.0 и Flash Attention; README перечисляет TensorRT и Triton, Linux и GPU NVIDIA A100 или H100. Модель доступна только для некоммерческого и исследовательского использования. Она предназначена для извлечения релевантных документов и выдаёт эмбеддинги, а не готовые текстовые ответы; показатели качества относятся к указанным бенчмаркам.

Модель potsawee/longformer-large-4096-answerable-squad2 — дообученная Potsawee на Longformer Large для оценки того, можно ли ответить на вопрос по заданному контексту. На вход подаются вопрос и контекст, объединённые в одну последовательность; модель выдаёт вероятность от 0 до 1, где значения ближе к 1 означают, что ответ содержится в контексте, а ближе к 0 — что вопрос неразрешим по нему. Модель дообучена на SQuAD 2.0 с балансировкой обучающих примеров до соотношения 50/50 между ответимыми и неответимыми вопросами. Архитектура — LongformerForSequenceClassification на базе Longformer Large, около 454,1 млн параметров; максимальный контекст — 4098 токенов. Подходит для предварительной фильтрации вопросов в системах ответов по контексту и поиска по документам. Лицензия — Apache-2.0.

MedCPT-Cross-Encoder — модель ранжирования текстовых пар, опубликованная Computational Biology Branch подразделения NCBI/NLM. Она оценивает релевантность статей заданному запросу: на вход подаются запрос и кандидатные тексты, а на выходе — оценки, по которым их можно упорядочить; более высокий балл означает большую релевантность. Модель построена на архитектуре BERT с классификационной головой, содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для поиска и ранжирования научных статей, в частности биомедицинских материалов. Она выдаёт оценки релевантности, а не медицинские рекомендации или диагнозы. Лицензия указана как other; конкретные условия использования следует уточнить в материалах репозитория. Разработчик предупреждает, что результаты не предназначены для самостоятельного клинического или медицинского принятия решений без проверки специалистом.

Palak/microsoft_deberta-large_squad — дообученная на наборе SQuAD v1 модель DeBERTa Large с 454,1 млн параметров для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и предсказывает ответ в тексте; в метаданных указана архитектура DebertaForQuestionAnswering и максимальный контекст 512 токенов. В README приведены результаты оценки на 10 788 примерах: exact match 87,89 и F1 93,88. Модель подходит для извлечения ответов из документов и фрагментов текста на английском языке в системах поиска и анализа знаний. Карточка не содержит сведений о лицензии, поэтому условия использования определить нельзя. Результаты на SQuAD не гарантируют аналогичное качество на других темах и форматах вопросов.

RhapsodyAI выпустила MiniCPM-V-Embedding-preview — модель визуальных эмбеддингов на архитектуре MiniCPM-V, предназначенную для поиска страниц документов по смыслу. Она принимает изображения страниц и преобразует их в векторы; README описывает обучение на более чем 200 тысячах пар запросов и визуальных документов, включая PDF, книги, графики, диаграммы, научные иллюстрации и отраслевые документы. Модель подходит для поиска страниц, отвечающих на вопрос, в длинных PDF и личных библиотеках. В метаданных указаны 2,7 млрд параметров, контекст 4096 токенов, формат PyTorch и лицензия Apache-2.0. README также сообщает, что для локального запуска рекомендуется не менее 32 ГБ памяти. Модель ориентирована прежде всего на английский язык; авторы предупреждают о слабых результатах для китайского и других неанглийских задач поиска. Это альфа-версия: качество может быть недостаточным для отдельных сценариев, скорость инференса низкая, а код моделирования ещё не стандартизирован.

mMiniLM-L6-v2-pt-v2 — мультиязычная модель семейства MiniLM, дообученная исследователями Unicamp DL на португальской версии набора MS MARCO для ранжирования фрагментов текста. Данные для версии v2 были переведены с помощью Google Translate. Модель построена на архитектуре XLM-RoBERTa и содержит 110,2 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для классификации текстовых пар и оценки релевантности при поиске по португальским документам, в частности для задач, связанных с MS MARCO. Она принимает текст и выдаёт классификационные оценки. В метаданных Hugging Face основная задача указана как text-classification. Лицензия — MIT.

Mogan-ColBERT-TR — MoganAI tarafından geliştirilen, Türkçe metinler için 148,7 milyon parametreli çok vektörlü arama ve yeniden sıralama modelidir. ModernBERT tabanlı kodlayıcı, 768 boyutlu token temsillerini 128 boyuta izdüşürür ve sorgu ile belge arasındaki uygunluğu MaxSim geç etkileşim yöntemiyle hesaplar. Model PyLate ile çalışır; bağlam uzunluğu metаданныхına göre 8192 токен, README бойынша сұраныстар 32 токенге дейін толықтырылып, құжаттар 512 токенге дейін кодталады. Модель MoganBERT-Embed негізінде дообучение арқылы жасалып, bge-reranker-v2-m3 бағалауларынан KL-дистилляцияланған. Ол түрік тіліндегі іздеу жүйелерінде бастапқы нәтижелерді қайта ранжирлеуге арналған; ұсынылған өндірістік сценарий — алдымен MoganBERT-Embed арқылы үміткер құжаттарды табу, содан кейін осы модельмен ранжирлеу. README бес түрік іздеу жиынында нөлдік атылым нәтижелерін келтіреді. Модель Apache-2.0 лицензиясымен таратылады. Көп векторлы индекстер тығыз векторлы индекстерден ондаған есе үлкен болуы мүмкін, сондықтан сақтау көлемі мен есептеу шығынын ескеру керек; жарияланған бағалау құжаттар үшін 300 токенмен жүргізілген, ал модель 512 токенге дейін оқытылған.

cross-encoder/ms-marco-TinyBERT-L6 — англоязычная модель ранжирования текстовых пар, разработанная командой Sentence Transformers и обученная на задаче MS MARCO Passage Ranking. Она предназначена для повторной сортировки найденных поисковой системой отрывков по их релевантности запросу: модель оценивает пары «запрос — отрывок», после чего результаты упорядочиваются по оценке. Это делает её пригодной для конвейеров информационного поиска, где сначала извлекают кандидатов, например через Elasticsearch, а затем выполняют reranking. Модель основана на TinyBERT и реализована как плотная архитектура BERT для классификации последовательностей; содержит 80,1 млн параметров и принимает последовательности длиной до 512 токенов. Доступны форматы PyTorch, safetensors, ONNX, Flax и OpenVINO. Для запуска подходит библиотека Sentence Transformers. Лицензия — Apache-2.0. Модель специализирована на англоязычном поиске по отрывкам и выдаёт оценки релевантности для ранжирования. В README приведены результаты для моделей семейства Cross-Encoder, но не отдельные показатели именно этой версии L6, поэтому нельзя приписывать ей конкретные значения метрик. Также она оценивает пары по одной и сама не заменяет этап первичного поиска кандидатов.

Muffakir_Embedding_V2 — модель векторных представлений предложений, разработанная Mohamed Khaled и дообученная на базе sayed0am/arabic-english-bge-m3 для арабского поиска и извлечения документов. Она использует архитектуру XLM-RoBERTa в формате bi-encoder и содержит 453,1 млн параметров. Модель обучалась на примерно 70 тысячах арабских пар предложений, в том числе на данных из египетских юридических книг и открытых многоотраслевых датасетов. Модель предназначена для плотного поиска, ранжирования релевантных фрагментов и поиска контекста для систем RAG, вопросно-ответных систем и агентных приложений. Она выдаёт эмбеддинги размерностью 1024 и поддерживает сокращение размерности до 64 с помощью Matryoshka-представлений. Заявлена поддержка арабского языка; базовая модель также связана с арабско-английской тематикой, однако README описывает обучение и применение прежде всего для арабского. В карточке заявлены сильные результаты на задачах арабского retrieval, включая пятое место в категории Retrieval на Arabic RAG Leaderboard. Контекст модели составляет 8194 токена. Лицензия в предоставленных сведениях не указана.

NanoVDR-D-HiRes-Qwen3VL8B-4096 — визуальная башня документов из семейства NanoVDR, разработанная командой NanoVDR. Это плотный энкодер примерно на 457 млн параметров: он принимает изображение страницы документа и выдаёт один L2-нормализованный вектор размерности 4096 для поиска по сходству; документы сравниваются с запросами скалярным произведением. Архитектура объединяет динамическую нарезку страницы на плитки, InternViT-300M-448, проекционный слой, ModernBERT-base с двунаправленным контекстом и усреднение токенов. Для совместимости с учительской моделью Qwen3-VL-Embedding-8B модель обучена дистилляцией представлений; её следует сочетать с башней запросов, обученной для того же учителя и ширины вектора. Модель предназначена для построения поискового индекса по страницам документов и визуального поиска по ним, включая страницы с мелким текстом и таблицами. В README сообщается о результатах на 22 наборах ViDoRe на шести языках и восьми профессиональных областях; эти оценки не гарантируют качество на других типах документов и запросов. Известные ограничения: представления наследуют слабые стороны учителя, бюджет плиток фиксирован и не зависит от содержимого страницы, а оценка не охватывает корпоративные макеты, страницы с деградировавшим сканом и реальные производственные распределения запросов. Репозиторий использует формат safetensors и лицензию MIT.

OpenSearch Semantic Highlighter — обученный классификатор OpenSearch Contributors для семантического выделения предложений в документах. Он принимает документ и запрос и оценивает каждое предложение по бинарной шкале релевантности запросу. Модель предназначена для работы внутри кластера OpenSearch; в производственной среде рекомендуется развёртывать трассированную версию через плагин ML Commons. Это модель на архитектуре BERT с 136,7 млн параметров, доступная в формате safetensors и рассчитанная на контекст до 512 токенов. В карточке указана поддержка английского языка. Модель подходит для выделения релевантных фрагментов в результатах семантического поиска. Лицензия Apache-2.0.

Ops-MM-embedding-v1-2B — плотная мультимодальная модель эмбеддингов, разработанная и опубликованная командой Alibaba Cloud OpenSearch-AI. Она дообучена на основе Qwen/Qwen2-VL-2B-Instruct и преобразует текст, изображения, пары «текст–изображение» и визуальные документы в единое пространство эмбеддингов. Видео обрабатываются как последовательности кадров-изображений. Модель предназначена для поиска и извлечения данных между модальностями: например, для поиска изображений по текстовому запросу или сопоставления визуальных документов с текстом. В карточке приведены результаты на наборах MMEB-V2 и MMEB-Image; указанные в README показатели относятся к версии размером 2,21 млрд параметров, тогда как метаданные репозитория указывают 1,5 млрд параметров. Архитектура — Qwen2-VL, контекст — 32 768 токенов, файлы представлены в формате safetensors. Карточка заявляет многоязычные возможности и сильные результаты на мультимодальных бенчмарках, но подробный список поддерживаемых языков и методика измерения качества этой версии не приведены. Лицензия — Apache-2.0.