I.1Поиск и навигация по информации

Orion-14B-Chat-RAG — мультиязычная чат-модель компании OrionStarAI, дообученная на специальном наборе данных для генерации с использованием поиска по источникам (RAG). Модель построена на плотной архитектуре OrionForCausalLM и содержит 14,1 млрд параметров; веса опубликованы в формате safetensors. Контекст модели составляет 4096 токенов. Модель предназначена для диалоговых систем, которые используют найденные документы или фрагменты знаний для подготовки ответов, а также для генерации текста и кода. Семейство Orion-14B обучалось на многоязычном корпусе и поддерживает китайский, английский, японский и корейский языки; версия Chat-RAG ориентирована на ответы с опорой на извлечённую информацию. Модель разработала OrionStarAI. Лицензия в предоставленных источниках не указана. Как и другие языковые модели, она может выдавать ошибки или неподтверждённые ответы; длина контекста ограничивает объём документов, который можно передать за один запрос.

PIXIE-Splade-v1.5 — двуязычный разреженный энкодер для поиска, разработанный TelePIX Co., Ltd. Модель дообучена для задач поиска на корейском и английском языках и показывает сильные результаты в аэрокосмической тематике, а также на ряде общих наборов данных для поиска. Модель построена на ModernBERT с архитектурой ModernBertForMaskedLM и SPLADE-пулингом: она преобразует текст в разреженные векторы размерности 50 000, пригодные для индексации в Lucene или Elasticsearch. Веса токенов можно анализировать, чтобы понять, какие термины повлияли на совпадение. README указывает максимальную длину последовательности 5 632 токена; метаданные каталога сообщают нативное контекстное окно 16 384 токена. Модель предназначена для поиска по документам, технических вопросов и ответов и гибридного поиска в сочетании с плотными энкодерами. В README приведены оценки nDCG@10 на корейских, английских и аэрокосмических наборах данных, но они не гарантируют аналогичного качества на других корпусах. Для применения требуется поисковая система с поддержкой разреженных векторов или совместимая схема индексации. Лицензия — Apache-2.0.

PrimeSeeker-30B-sft — частный SFT-чекпойнт Yuanshi123 на базе Qwen3-30B-A3B-Thinking-2507. Модель предназначена для траекторий агента глубокого поиска и рассуждений при использовании инструментов; метаданные указывают на диалоговый режим и интерфейс вызова инструментов. Архитектура — Qwen3 MoE для генерации текста, библиотека загрузки — Transformers, веса доступны в формате safetensors. В метаданных указаны 2,6 млрд параметров и контекст до 262 144 токенов. Модель подходит для создания агентных систем, которые ведут диалог, планируют поиск и используют инструменты. Карточка не сообщает поддерживаемые естественные языки и результаты оценки качества. Лицензия указана как other; README называет чекпойнт частным и рекомендует сохранять конфиденциальность до завершения проверки лицензии и данных, поэтому условия распространения и использования требуют уточнения.

sdadas/polish-reranker-bge-v2 — польский реранкер, разработанный автором репозитория на основе BAAI/bge-reranker-v2-m3 и дообученный на большом наборе пар текстов. Для обучения применялась функция потерь RankNet; также использовалась дистилляция с BAAI/bge-reranker-v2.5-gemma2-lightweight, после чего исходные и дообученные веса были объединены. Модель построена на XLM-RoBERTa и содержит около 658,7 млн параметров. Модель ранжирует документы по релевантности запросу и предназначена прежде всего для польского информационного поиска, включая реранжирование результатов с длинными документами. Контекст составляет до 8194 токенов. README сообщает результат NDCG@10 64,21 в категории реранкеров польского бенчмарка PIRB. Для ускорения обработки длинного контекста можно использовать Flash Attention 2 с пользовательским кодом модели. Автор указывает, что для большинства случаев предпочтительнее sdadas/polish-reranker-roberta-v2, поскольку он лучше справляется с польским языком; преимущество этой модели — длина контекста, и на некоторых наборах с длинными документами она может работать лучше. Лицензия в метаданных обозначена как Gemma.

Карточка модели Traii/predictindustryforcallcenter на Hugging Face совпадает с карточкой intfloat/e5-base-v2, поэтому описание составлено по ней. E5-base-v2 — англоязычная модель эмбеддингов текста, разработанная Liang Wang, Nan Yang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 12 слоёв, размерность эмбеддинга 768, около 136,7 млн параметров. Модель принимает текст и выдаёт векторные представления для сравнения предложений и поиска по смыслу. Модель подходит для семантического сходства, поиска документов и пассажей, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Для асимметричного поиска рекомендуется добавлять к запросам префикс «query: », а к документам — «passage: »; для сходства и других симметричных задач используется префикс «query: ». Контекст ограничен 512 токенами, длинные тексты обрезаются; модель предназначена только для английского языка. Лицензия — MIT.

CognitiveKernel/Qwen3-8B-CK-Pro — языковая модель на архитектуре Qwen3, разработанная в рамках проекта Cognitive Kernel-Pro. Это дообученная версия Qwen/Qwen3-8B с 7,6 млрд параметров, предназначенная для генерации текста и работы в сценариях глубокого исследования с агентами. Авторы дообучили её на самостоятельно собранных траекториях запросов из таблицы 2 статьи Cognitive Kernel-Pro. Модель поддерживает диалог и интерфейс вызова инструментов. В README приведены результаты на наборе GAIA: Pass@1/3 — 32,7%/38,2% на полном dev-наборе и 40,3%/49,3% на текстовой подвыборке. Контекст — до 40 960 токенов; доступны веса в формате Safetensors, для работы заявлена библиотека Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии.

ENOSYS/Qwen3-Embedding-0.6B-250-v1-GGUF — экспериментальный вариант квантования модели Qwen3-Embedding-0.6B, опубликованный ENOSYS. Репозиторий содержит GGUF-файлы; для квантования использовалась нестандартная ветка LLaMA.cpp с небольшими патчами и калибровочными данными eaddario/imatrix-calibration на английском и русском языках. Тензоры представлены в F16, что рассчитано в том числе на совместимость с видеокартами NVIDIA Pascal. Модель предназначена для создания текстовых эмбеддингов и вычисления семантического сходства, например для семантического поиска и подбора релевантных предложений. README приводит оценки перплексии и расхождения распределений для вариантов квантования с разным числом бит на вес, но не описывает их как прямую оценку качества эмбеддингов. Доступна по лицензии Apache-2.0.

Qwen3 Embedding 0.6B LRAT Full-v1 to Broad Extrapolation a1.25 — экспериментальный текстовый энкодер для получения признаковых представлений и семантического поиска. Это дообученная модель семейства Qwen3 с плотной архитектурой Qwen3Model и примерно 507,6 млн параметров; она основана на Qwen/Qwen3-Embedding-0.6B. Модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 32 768 токенов. Чекпойнт получен экстраполяцией направления между двумя версиями ретривера команды: full-v1 и broad-g16-v2. Обе версии обучались на предоставленных организаторами траекториях LRAT и корпусе. Выбор чекпойнта опирался на локальную оценку с фиксированными seed в процессе BrowseComp-Plus Agent и Judge; авторы не заявляют эти оценки как официальные результаты. Лицензия — Apache-2.0.

Qwen3-VL-Embedding-8B-GGUF — мультимодальная модель для создания векторных представлений текста и изображений в общем embedding-пространстве. Она основана на Qwen/Qwen3-VL-Embedding-8B и была квантована BatiAI из исходных BF16 safetensors для локального использования, в частности в on-device RAG-системах и BatiFlow. Архитектура включает Qwen3-VL с pooling head, текстовую часть на 8 млрд параметров и vision tower. Модель предназначена для семантического поиска и мультимодального retrieval: поиска изображений по текстовому запросу, поиска текстов по изображению, а также совместной индексации PDF, заметок и изображений в одной векторной базе данных. Заявлена поддержка английского, корейского, японского и китайского языков. Для текстовых входов модель возвращает векторы размерностью 3584. Доступны квантования Q6_K размером около 5,8 ГБ и Q8_0 размером около 7,5 ГБ; Q6_K указано как минимально рекомендуемое из-за чувствительности embedding-моделей к низкобитному квантованию. Сильные стороны модели — мультимодальность, единое пространство для текста и изображений, многоязычность и ориентация на локальный запуск. В README модель характеризуется как одна из наиболее качественных многоязычных embedding-моделей и позиционируется для сценариев, где важнее качество поиска, чем минимальная задержка. При этом собственные прямые измерения качества retrieval, например MTEB, в карточке не приведены, а работа с изображениями требует мультимодальной сборки llama.cpp с поддержкой mtmd. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование.

reason-embed-basic-qwen3-8b-0928 — текстовая модель эмбеддингов из семейства ReasonEmbed, разработанная авторами проекта ReasonEmbed. Она дообучена на базе Qwen/Qwen3-8B с использованием базового loss InfoNCE на синтетическом наборе данных. Модель предназначена для извлечения текстовых эмбеддингов и поиска документов по запросам, требующим рассуждений. В README сообщается результат nDCG@10 37,1 на бенчмарке BRIGHT с исходными запросами. Архитектура — плотная Qwen3, размер — 7,6 млрд параметров, максимальный контекст — 40 960 токенов; репозиторий содержит веса safetensors. Модель принимает текст и выдаёт векторные представления для поиска и сравнения сходства предложений. Лицензия — Apache-2.0. README не указывает поддерживаемые естественные языки; качество на других задачах и языках отдельно не описано.

rerank-indonesia — это лёгкая модель-переранжировщик для индонезийского языка, созданная в рамках проекта flashIndorank. Она основана на XLM-RoBERTa Cross-Encoder с 124,3 млн параметров и дообучена методом дистилляции Margin-MSE на парах запрос–фрагмент из TyDi QA и MIRACL-id. В качестве учителя использовалась BAAI/bge-reranker-v2-m3, а базой служит cross-encoder/mmarco-mMiniLMv2-L12-H384-v1. Модель оценивает релевантность каждого фрагмента запросу и переупорядочивает кандидатов, например, после первичного поиска BM25. Карточка приводит результаты на MIRACL-id: качество близко к более крупной модели-учителю; также описан запуск в формате int8 ONNX на CPU, локально и офлайн. Модель принимает текстовые пары и выдаёт оценки релевантности, пригодные для ранжирования. Поддерживается индонезийский язык, контекст — до 514 токенов. Результаты оценки относятся к индонезийскому поиску, и README отмечает, что обобщение на другие области требует дополнительной проверки. Репозиторий распространяется по лицензии Apache-2.0.

retrieval-mpnet-bn — модель Sentence Transformers, разработанная Asif Faisal Chowdhury для семантического поиска и извлечения релевантных текстов на бенгальском языке. Она преобразует предложения и абзацы в плотные векторы размерности 768 и поддерживает поиск по запросу в корпусе документов, кластеризацию и задачи сравнения предложений. Модель построена на XLM-RoBERTa large с усреднением токенов и дообучена методом многоязычной дистилляции с использованием multi-qa-mpnet-base-cos-v1 как учительской модели. Репозиторий содержит веса PyTorch; максимальная длина контекста — 514 токенов, но обучение проводилось на текстах до 250 токенов, поэтому более длинные входы могут обрезаться или обрабатываться хуже. Эмбеддинги не нормализованы: для поиска сходства рекомендуется косинусная мера. Лицензия в предоставленных данных не указана.

SciPhi-Self-RAG-Mistral-7B-32k — языковая модель SciPhi, дообученная на основе Mistral-7B-v0.1. После этапа обучения, описанного для SciPhi-Mistral-7B-32k, модель дополнительно дообучили на датасете Self-RAG и смешанных инструктивных наборах данных для RAG. Это плотная трансформерная модель Mistral с 7,1 млрд параметров, Grouped-Query Attention, Sliding-Window Attention и контекстом до 32 768 токенов. Модель предназначена для генерации текста в сценариях Retrieval-Augmented Generation (RAG), включая ответы с использованием извлечённых материалов. Она хорошо показала себя в приведённых авторами бенчмарках, но, по словам разработчиков, требует дополнительной настройки, чтобы стать хорошим диалоговым собеседником. Модель опубликована в формате PyTorch под лицензией MIT.

Модель frozi/setfit-ethos-multilabel-example — модель Sentence-Transformers на архитектуре MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. В карточке указано обучение с CosineSimilarityLoss; репозиторий содержит веса PyTorch. Для работы доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Лицензия и целевые языки в предоставленных данных не описаны.

Это англоязычный разреженный энкодер SPLADE, разработанный на базе Luyu/co-condenser-marco с помощью библиотеки Sentence Transformers. Модель дообучена на MS MARCO hard negatives с оценками cross-encoder и предназначена для семантического поиска и разреженного извлечения документов. Архитектура включает BERT MLM-трансформер и SPLADE pooling с max-пулингом и ReLU. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 256 токенов по карточке модели (метаданные указывают контекст до 512 токенов) и отображает их в разреженные векторы размерности 30 522, которые сравниваются скалярным произведением. В README приведены оценки на наборах NanoBEIR и отдельных задачах поиска. Лицензия — Apache-2.0. Модель ориентирована на английский язык; качество за пределами описанных поисковых наборов и пригодность для других языков в источниках не подтверждены.

Это англоязычный разреженный энкодер SPLADE, разработанный на базе Luyu/co-condenser-marco с помощью библиотеки Sentence Transformers. Модель дообучена на MS MARCO и предназначена для семантического поиска и разреженного извлечения документов по запросам. Архитектура сочетает BERT-подобный трансформер BertForMaskedLM и слой SpladePooling с max-пулингом и ReLU. Модель преобразует текст в разреженный вектор размерности 30 522; для сравнения векторов используется скалярное произведение. Максимальная длина входа — 512 токенов. В карточке приведены оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель содержит 136,7 млн параметров, распространяется в формате safetensors по лицензии Apache-2.0. Она подходит для англоязычного поиска, но не заявлена как многоязычная; качество для других языков не установлено.

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.

STORM Qwen3 Keyword Generator — дообученная компактная языковая модель на базе Qwen3-0.6B, представленная для генерации поисковых ключевых слов и расширения запросов. Она предназначена для лексического поиска: модель предлагает термины для исходного запроса, чтобы уменьшить несовпадение словаря при поиске по индексу BM25. По карточке STORM — это метод пошаговой оптимизации генерации с оценкой вариантов по метрикам поиска; авторы сообщают о результатах на TREC DL и BEIR, а также о переносе на 18 языков. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 507,9 млн параметров и контекст до 40 960 токенов; репозиторий содержит веса safetensors и поддерживает диалоговый интерфейс. Для использования нужны PyTorch и Transformers; в README приведены варианты декодирования с beam search. Указана лицензия Apache 2.0 для базовой модели, но лицензия самого чекпойнта отдельно в предоставленных данных не приведена.

TabRankStandardSFT — дообученная модель на базе Qwen3-8B, созданная для переранжирования таблиц по релевантности вопросу. Она принимает вопрос и список таблиц-кандидатов в одном текстовом запросе и генерирует их полный рейтинг за один вызов, без попарного сравнения. Модель обучена методом SFT с дистилляцией рассуждений: для обучения использовались 6 728 трасс рассуждений учителя, а функция потерь учитывала и рассуждение, и итоговый рейтинг. Архитектура — плотная причинная языковая модель Qwen3 на 7,6 млрд параметров; контекст — 40 960 токенов. Модель работает с текстом на английском языке и выдаёт ранжированный список позиций в JSON вместе с рассуждением. Подходит для повторной сортировки результатов поиска таблиц, например, списка из первых 25 кандидатов, перед ответом на вопрос по табличным данным. В опубликованной оценке показала средний nDCG@10 0,700 на пяти наборах, близких к обучающим, и семи наборах вне распределения. По описанию автора, её обобщение на данные вне обучающего распределения менее надёжно, а генерация примерно в 4,3 раза медленнее метода TabRank с обусловливанием рассуждением. Модель опубликована в формате safetensors; веса в bfloat16 занимают около 16 ГБ. Лицензия — Apache-2.0.

Teapot LLM — компактная языковая модель сообщества TeapotAI, дообученная на синтетических данных от FLAN-T5-Large. В метаданных указаны архитектура T5, 385,2 млн параметров и контекст до 512 токенов; доступны форматы Safetensors и ONNX. Модель предназначена для генерации ответов на основе предоставленных документов и контекста, в том числе в сценариях RAG. Teapot обучена отвечать на вопросы по контексту, извлекать сведения из документов и выдавать структурированные данные, включая JSON. Она рассчитана на локальный запуск на устройствах с ограниченными ресурсами, включая смартфоны и CPU, и поддерживается Transformers.js для работы в JavaScript-средах. README отмечает стремление модели воздерживаться от ответа, если контекст не содержит достаточных сведений. Метаданные перечисляют английский, французский, румынский и немецкий языки, однако авторы сообщают, что модель не оценивалась на языках, кроме английского. Она не предназначена для генерации кода, творческого письма или критически важных решений. Лицензия — MIT.

tevatron-elastic-modernbert-reranker-depth — дообученный реранкер на базе answerdotai/ModernBERT-base, созданный с помощью Tevatron-Elastic. Один чекпойнт поддерживает несколько рабочих точек по глубине: можно выполнять ранний выход на разных слоях, выбирая баланс между стоимостью обработки и качеством ранжирования. Модель предназначена для повторного ранжирования найденных документов по релевантности запросу; обучение проводилось на rlhn/rlhn-680K с префиксами query: и passage:. В отчёте для полной конфигурации указано значение BEIR-15 nDCG@10 0,466. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает текст. Метаданные указывают контекст до 8192 токенов, а README описывает обучение с максимальной длиной 512 токенов. Для загрузки и выбора рабочей точки требуется фреймворк Tevatron-Elastic; веса опубликованы в формате safetensors. Чекпойнт представлен как ресурс для воспроизводимости исследования, а не как заявление о превосходстве над другими моделями. Лицензия — Apache-2.0.

deepset/tinybert-6l-768d-squad2 — англоязычная модель для извлекающего ответа на вопросы, разработанная deepset. Она находит в переданном тексте фрагмент, отвечающий на вопрос, и предназначена для поиска ответов в документах, в том числе в конвейерах Haystack. Модель основана на TinyBERT General 6L 768D и обучена методом дистилляции промежуточных и предсказательных слоёв с учителем deepset/bert-base-uncased-squad2. Для обучения использовались данные SQuAD 2.0; оценка проводилась на dev-разбиении этого набора. Это плотная BERT-модель класса BertForQuestionAnswering с 80,1 млн параметров и контекстом до 512 токенов. Модель принимает текст и возвращает текстовый ответ, работает на английском языке. Опубликованные форматы весов — PyTorch и Safetensors. Лицензия — MIT. Модель рассчитана на извлечение ответов из предоставленного контекста, а не на свободную генерацию или универсальный чат. Её качество зависит от соответствия вопроса и текста; контекст ограничен 512 токенами, поэтому для длинных документов требуется предварительное разбиение на фрагменты.

Turkish-ColBERT — модель поиска от YTU-CE-Cosmos для извлечения релевантных фрагментов турецкого текста. Она использует архитектуру ColBERT с поздним взаимодействием между многовекторными представлениями запросов и документов; модель создана дообучением Turkish Base BERT на 500 тысячах троек «запрос, релевантный фрагмент, нерелевантный фрагмент» из переведённого на турецкий датасета MS MARCO. Модель содержит 137,8 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Модель предназначена для поиска пассажей и подбора документов для систем вопросно-ответного поиска и RAG. В README приведены результаты оценки на турецких наборах Scifact-tr и WikiRAG-TR. Известное ограничение: из-за особенности токенизатора перед обработкой требуется вручную приводить текст к нижнему регистру, заменяя латинскую I на турецкую ı. Лицензия — MIT.

Turkuaz-Embeddings — модель эмбеддингов, разработанная eneSadi для поиска по турецким текстам. Она основана на XLM-RoBERTa Large и дообучена на наборе MSMARCO-TR; размер вектора эмбеддинга составляет 1024, максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска, информационного поиска, zero-shot retrieval и использования в RAG-системах с турецкими документами. В карточке заявлено улучшение результатов на нескольких турецких наборах для поиска относительно мультиязычных и турецких моделей, а также относительно исходной XLM-RoBERTa Large. Для обучения использовались пары документов с оценками релевантности от Jina Reranker v2 и функция потерь CoSENT. Модель принимает текст и выдаёт векторы; её основная специализация — турецкий язык. Распространяется по лицензии Apache-2.0.

uniCOIL — это BERT-подобная модель Castorini для learned sparse retrieval, то есть поиска и ранжирования текстовых пассажей. Она обучена на MS MARCO Passage и преобразует запросы и документы в разреженные представления с контекстно-зависимыми весами терминов, совместимые со стандартными инвертированными индексами и impact scoring в Lucene/Pyserini. Модель предназначена для первого этапа информационного поиска: поиска релевантных пассажей по пользовательскому запросу, построения поисковых индексов и подготовки кандидатов для последующего reranking или RAG. В карточке Hugging Face указаны pipeline feature-extraction, архитектурное семейство BERT, библиотека Transformers и PyTorch, размер 136,7 млн параметров и контекст до 512 токенов. Сильная сторона uniCOIL — сочетание нейросетевого контекстного взвешивания терминов с эффективностью разреженных инвертированных индексов. Модель ориентирована на англоязычный корпус MS MARCO; сведения о лицензии и дополнительных языках в доступных источниках не установлены. Для полноценного поиска требуются индексация представлений и совместимый механизм impact scoring; модель не является генеративной и не предназначена для самостоятельного формирования ответов.

V-SPLADE — разработанная NAVER и соавторами разреженная модель поиска по визуальным документам. Она находит страницы PDF, слайды и отсканированные отчёты по текстовому запросу, кодируя изображения страниц в разреженные векторы для поиска через инвертированный индекс. Модель содержит 250 млн параметров и использует архитектуру BiModernVBert; доступна в формате safetensors и рассчитана на работу через Sentence Transformers. При обработке запросов применяется обученный Bag-of-Words lookup без запуска нейросетевого кодировщика, а страницы документов проходят через модель. Такой подход предназначен для быстрого построения индексов и масштабного поиска без GPU на этапе обработки запросов. README приводит результаты на визуальных бенчмарках, однако они не гарантируют аналогичного качества на других корпусах. Лицензия Apache-2.0.

VultronRetrieverPrime-Qwen3.5-8B — мультиязычная модель поиска по визуальным документам, разработанная Vultr и обученная и оценённая на Vultr Cloud. Это ретривер с поздним взаимодействием ColQwen3_5 на базе Qwen/Qwen3.5-9B: он сопоставляет запросы со страницами PDF, сканов, презентаций и отчётов по тексту, структуре макета, таблицам, диаграммам и изображениям. Модель предназначена для визуального поиска и мультимодальных RAG-систем; она ранжирует найденные страницы, но не генерирует ответы. Модель содержит около 8,4 млрд параметров и формирует многовекторные представления размерности 320 — по одному вектору на токен. Соответствие запроса и страницы оценивается методом MaxSim. В README заявлены поддержка английского, французского, немецкого, испанского, итальянского и португальского языков, обработка до 1792 визуальных токенов и первое место на ViDoRe V3 со средним nDCG@10 64,26. Компактная размерность уменьшает индекс по сравнению с моделями на 2560–4096 измерений, но многовекторный индекс всё равно занимает больше места, чем одно-векторный. Модель не предназначена для текстового семантического поиска без изображений и для генерации ответов; другие языки могут работать хуже. Лицензия — Apache-2.0.

XYZ-Aquila-mini — модель с открытыми весами для глубокого агентного поиска, разработанная XYZ AI Lab. Она дообучена на базе Qwen3.6-35B-A3B с помощью процесса AI4AI, в котором люди задают целевые возможности, ограничения и критерии приёмки, а агенты ИИ помогают находить ошибки и предлагать изменения. Модель предназначена для многошагового поиска и исследования: планирования, поиска в интернете на английском и китайском языках, сбора и проверки сведений из нескольких источников, а также восстановления после неудачных действий с инструментами. Это thinking-модель с совместимыми с Qwen форматами рассуждений и вызова инструментов. В README заявлены результаты на внешних бенчмарках агентного поиска; конкретные инструменты поиска, извлечения страниц и исполнения Python предоставляет обвязка AxisAgentic, а не сам чекпойнт. Модель использует архитектуру семейства Qwen3.5 MoE и распространяется в формате Safetensors. В метаданных указана лицензия Apache-2.0. README описывает оценивание с контекстом до 256K токенов в поисковой обвязке; это не подтверждает собственный предел контекста модели. Доступные сведения не устанавливают её точный размер. Применение для поиска зависит от совместимой обвязки и подключённых инструментов.

adamo1139/Yi-34B-200K-XLCTX — зеркало модели Yi-34B-200K (XLCTX), первоначально выпущенной 01.AI. Версия настроена для улучшенного поиска информации в длинном контексте по тесту «игла в стоге сена»; её можно использовать как базу для слияния с LoRA-адаптерами. Это плотная авторегрессионная языковая модель семейства Llama с 33,9 млрд параметров, принимающая текст и поддерживающая контекст до 200 000 токенов. Модель предназначена для генерации текста и сценариев, где нужно находить сведения в длинных текстовых последовательностях. Репозиторий содержит веса в формате safetensors. Указана лицензия Apache-2.0. Карточка не сообщает о языковом охвате и конкретных результатах оценки качества, поэтому их нельзя уверенно описать.

Anima-7B-100K — языковая модель для генерации текста, разработанная lyogavin на основе Llama 2 7B. Авторы обучали её на специально отобранных длинных примерах вопросов и ответов с контекстом от 30 до 100 тысяч токенов и применили оптимизации памяти для работы с длинными последовательностями. В README заявлена поддержка входа длиной до 100 тысяч токенов; метаданные указывают нативный контекст 32 768 токенов. Модель предназначена для ответов на вопросы по длинным документам и поиска сведений в большом контексте. В README приведены собственные оценки на задачах извлечения тем и чисел из длинного контекста и NarrativeQA, но авторы отмечают нехватку подходящих оценочных наборов для контекста в 100 тысяч токенов. Модель основана на плотной архитектуре Llama и имеет 6,6 млрд параметров. В карточке указан английский язык. Лицензия Apache-2.0 допускает коммерческое использование.