I.1Поиск и навигация по информации

Argus-Colqwen3.5-2b-v0-bf16 — мультимодальная модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это релиз с весами bfloat16, полученный объединением LoRA с базовой Qwen/Qwen3.5-VL-2B-Instruct; модель содержит около 2,32 млрд параметров и формирует токенные эмбеддинги размерности 1024. Модель принимает текстовый запрос и изображение страницы документа, кодирует их для позднего взаимодействия и ранжирования страниц по релевантности. Её архитектура Argus использует разбиение визуальных токенов на регионы и разреженную смесь экспертов, маршрутизация которой зависит от содержимого изображения и запроса. Заявлены результаты на наборах ViDoRe v1 и v2; README указывает поддержку до 2048 визуальных токенов на страницу и возможность инференса на GPU с 8 ГБ памяти в bf16. Модель ориентирована преимущественно на английские документы. Качество на ViDoRe v3 не оценивалось, а преобразование весов в bf16 необратимо; заявленная сопоставимость с fp32 относится к оценкам этой 2B-версии на ViDoRe. Лицензия — Apache 2.0.

ss756/bert-base-cased-finetuned-squad — модель BERT, дообученная на наборе SQuAD для ответов на вопросы по предоставленному тексту. В репозитории указаны 135,5 млн параметров, архитектура BertForQuestionAnswering, формат PyTorch и контекст до 512 токенов. Разработчик приводит значение loss 1,0081 на оценочной выборке. Модель предназначена для извлечения ответа из контекста по вопросу, например для поиска фактов в документах или создания простого конвейера вопросно-ответного поиска. Она основана на bert-base-cased и распространяется по лицензии Apache-2.0. Карточка не описывает поддерживаемые языки и ограничения качества; обучение на SQuAD указывает на англоязычную задачу.

RusselKuAguilar/bert-base-cased-squad-extractive-qa — англоязычная модель BERT-Base с регистрозависимой токенизацией, дообученная на полном наборе SQuAD v1.1 для извлекающего ответа на вопросы. По вопросу и отрывку текста она находит фрагмент ответа непосредственно в контексте; модель содержит 135,5 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для поиска фактических ответов в статьях, документации и других текстовых материалах, в том числе как компонент чтения в RAG- и поисковых конвейерах. На валидационной выборке SQuAD v1.1 автор сообщает F1 88,21% и Exact Match 80,75%. Модель извлекает готовые фрагменты, а не генерирует пояснения или синтезированные ответы. Модель рассчитана на английский язык и использует веса в формате safetensors. При контексте длиннее 512 токенов важный фрагмент может быть отброшен, если текст не разбит на окна. Обучение на SQuAD v1.1 не предусматривает вопросов без ответа: модель всё равно выберет наиболее вероятный фрагмент. Лицензия — Apache-2.0.

martineden/bert-base-cased-squadv1-finetuned — дообученная на датасете SQuAD версия BERT от автора репозитория. Модель предназначена для извлечения ответов на вопросы из предоставленного текста: на вход подаются вопрос и контекст, а на выходе — фрагмент текста с ответом. Архитектура — BertForQuestionAnswering, размер — 135,5 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для систем вопросов и ответов по документам и текстовым материалам на английском языке, связанным с форматом SQuAD. Лицензия — Apache-2.0. README не содержит подробностей об оценках качества или ограничениях применения.

Модель Henryk — дообученная для ответов на вопросы на нидерландском языке версия многоязычной BERT-модели Google bert-base-multilingual-cased. Она принимает вопрос и текстовый фрагмент и извлекает из него ответ, включая возможность определить, что ответа в тексте нет. Модель предназначена для поиска ответов в документах и других текстах на нидерландском языке. Основа использует архитектуру BERT: 12 слоёв, скрытый размер 768 и 12 голов внимания. В карточке указано 205,1 млн параметров, контекст — до 512 токенов; доступны веса PyTorch и Flax. Для дообучения использован машинный перевод SQuAD 2.0 на нидерландский: в README отмечены возможная потеря примеров из-за несовпадений переводов и риск ошибок в разметке. Лицензия в предоставленных данных не указана.

vnktrmnb/bert-base-multilingual-cased-FT-TyDiQA-GoldP_Te — дообученная модель на архитектуре BERT для извлечения ответов на вопросы из предоставленного текста. Она основана на google-bert/bert-base-multilingual-cased и содержит 205,1 млн параметров. Модель принимает вопрос и контекст на вход и предсказывает фрагмент контекста в качестве ответа; максимальная длина контекста составляет 512 токенов. Модель предназначена для задач question answering. В README приведены результаты обучения и валидации после двух эпох, включая точность предсказания начальных и конечных позиций ответа; подробности набора данных и сценариев применения не раскрыты. Поддержка языков унаследована от многоязычной базовой модели BERT, однако целевые языки этой настройки явно не перечислены. Модель распространяется по лицензии Apache-2.0.

intanm/bert-base-multilingual-cased-idkmrc — модель BERT для ответов на вопросы, дообученная на основе google-bert/bert-base-multilingual-cased. Она предназначена для извлечения ответа из предоставленного текста по заданному вопросу. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Модель создана для многоязычных сценариев вопросно-ответного поиска. В карточке приведён результат оценки на наборе данных: loss 0,9374, однако название обучающего набора данных указано как None, а подробности о данных и ограничениях не приведены. Распространяется по лицензии Apache-2.0.

joonion/bert-finetuned-squad — модель DistilBERT, дообученная на неизвестном наборе данных на основе distilbert/distilbert-base-cased-distilled-squad. Она предназначена для ответов на вопросы по переданному текстовому фрагменту: модель получает вопрос и контекст и извлекает из контекста ответ. Архитектура — DistilBertForQuestionAnswering; максимальная длина контекста составляет 512 токенов. Модель работает с текстом и распространяется в формате safetensors. Карточка не приводит подробностей о дополнительном наборе данных, оценке качества или специальных сценариях применения. Лицензия — Apache-2.0.

merthacioglu/bert-finetuned-squad — модель на архитектуре BERT, дообученная для ответа на вопросы. Она принимает текст вопроса и контекст и предсказывает ответный фрагмент из контекста. Модель содержит 135,5 млн параметров и рассчитана на контекст длиной до 512 токенов. Карточка связывает её с SQuAD, однако подробности о данных обучения, языках, оценках качества и рекомендованных сценариях не приведены. Модель опубликована в формате PyTorch; условия лицензии в доступных сведениях не указаны.

qgrantq/bert-finetuned-squad — модель BERT, дообученная на наборе вопросов и ответов SQuAD на основе bert-base-cased. Она предназначена для извлечения ответа на вопрос из предоставленного текста и подходит для систем поиска по документам и автоматизации ответов по контексту. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и принимает контекст длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель рассчитана на английские тексты, что следует из базовой модели bert-base-cased и датасета SQuAD. Она распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или дополнительных сведений об ограничениях; результаты могут зависеть от соответствия входного текста распределению SQuAD.

Модель badokorach/bert-finetuned-squad-5 — дообученная версия BERT для извлечения ответов на вопросы из текста. Она принимает вопрос и контекст и предназначена для задач question answering. Модель содержит 135,5 млн параметров, поддерживает контекст длиной до 512 токенов и опубликована в формате TensorFlow. В README указано, что модель дообучена на основе badokorach/bert-finetuned-squad-4, но датасет обучения не установлен; приведены значение Train Loss 0,0004 и 29 эпох обучения. Лицензия — Apache-2.0. Язык модели и качество на пользовательских данных в доступных сведениях не определены.

Это англоязычная модель BERT large от Google, опубликованная командой Hugging Face и дообученная для ответов на вопросы по контексту на наборе SQuAD. Она использует архитектуру BERT: 24 слоя, скрытое представление размером 1024 и 16 голов внимания; в метаданных указано 432,3 млн параметров. При предварительном обучении применялся метод Whole Word Masking, при котором маскируются сразу все части одного слова. Модель различает регистр букв и принимает вход длиной до 512 токенов. Модель предназначена для извлечения ответа из предоставленного текста по вопросу: например, для ответов на вопросы по статьям, справочным материалам и другим англоязычным документам. Она выдаёт текстовый фрагмент ответа, опираясь на контекст, поэтому не предназначена для свободного диалога или надёжных ответов без предоставленного текста. Предварительное обучение проводилось на BookCorpus и англоязычной Википедии, а дообучение — на SQuAD. Лицензия — Apache-2.0.

deepset разработала модель на архитектуре BERT Large и дообучила её на SQuAD 2.0 для извлекающего ответа на вопросы. Модель получает вопрос и текстовый фрагмент, а затем выделяет ответ непосредственно из этого текста; если ответа в контексте нет, обучение на SQuAD 2.0 позволяет модели воздерживаться от ответа. Модель подходит для поиска ответов в документах и для систем вопросно-ответного поиска, в том числе с использованием Haystack. Она содержит 433,9 млн параметров, рассчитана на английский язык и поддерживает контекст длиной до 512 токенов. Доступны реализации в PyTorch, TensorFlow и Flax, включая веса Safetensors. Лицензия — CC BY 4.0. Модель предназначена для извлечения ответа из предоставленного контекста, а не для свободной генерации развернутых ответов или поиска сведений во внешних источниках. Контекст ограничен 512 токенами; качество за пределами английского языка и обучающего домена SQuAD 2.0 не подтверждено.

mrm8488/bert-multi-cased-finedtuned-xquad-tydiqa-goldp — дообученная модель на базе mrm8488/bert-multi-cased-finetuned-xquadv1, созданная Manuel Romero. Она извлекает ответ на вопрос в виде непрерывного фрагмента из предоставленного отрывка, который гарантированно содержит ответ, и обучена для задачи Gold Passage датасета TyDi QA. Модель построена на архитектуре BERT, содержит 205,1 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для многоязычного извлечения ответов. На dev-наборе TyDi QA в README указаны Exact Match 71,06 и F1 82,16. В репозитории представлены веса PyTorch, Flax и SafeTensors. Лицензия в предоставленных данных не описана.

Это двуязычная модель ответов на вопросы, разработанная Deutsche Telekom на основе bert-base-multilingual-cased и дообученная для задачи question answering. Она извлекает ответы из предоставленного контекста и рассчитана на работу с текстами на английском и немецком языках. Для дообучения использованы SQuAD 2.0 и немецкий набор deQuAD 2.0, созданный на основе автоматического перевода SQuAD с последующей редактурой. Карточка приводит результаты оценки на английском SQuAD 2.0: F1 92,85 и exact match 90,29. Модель имеет около 205,1 млн параметров, принимает контекст длиной до 512 токенов и распространяется по лицензии MIT.

castorini/bpr-nq-question-encoder — преобразованная модель из исходного репозитория BPR, адаптированная для работы с Pyserini. Она кодирует вопросы в плотные векторы для поиска релевантных фрагментов при ответах на вопросы по открытым источникам. Модель основана на архитектуре DPRQuestionEncoder и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для компонента поиска в системах open-domain question answering и использует подход BPR с хешированием для эффективного извлечения фрагментов. В карточке не указаны конкретные поддерживаемые естественные языки. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Это модель DeBERTa-base, дообученная на базе microsoft/deberta-base для ответов на вопросы. Она предназначена для извлечения ответа из текста по заданному вопросу и может использоваться, например, в системах поиска ответов по документам. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTa и принимает контекст длиной до 512 токенов. В README указана метрика Loss 0,9431 на наборе оценки, однако сведения о наборе данных, методике оценки и практических ограничениях отсутствуют. Модель опубликована в формате PyTorch под лицензией MIT.

stevemobs/deberta-base-finetuned-squad1-aqa-newsqa — модель на базе DeBERTa, дообученная для извлечения ответов на вопросы. В README указано, что она является дообученной версией stevemobs/deberta-base-finetuned-squad1-aqa; число параметров — 151,8 млн, архитектура — DebertaForQuestionAnswering, формат весов — PyTorch. Модель предназначена для ответов на вопросы по предоставленному текстовому контексту. В названии указаны SQuAD 1 и NewsQA, однако README не подтверждает состав обучающих данных: поле датасета обозначено как None. Контекст ограничен 512 токенами. Лицензия — MIT.

DeepControl-Qwen2.5-7B — диалоговая языковая модель на архитектуре Qwen2, разработанная как контрольная точка агента глубокого поиска на основе Qwen2.5-7B-Instruct. Она предназначена для генерации текста в сценариях поиска с дополнением контекста и рассуждений; карточка связывает её с работой «Adaptive Information Control for Search-Augmented LLM Reasoning». Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. README показывает запуск через vLLM, но приводит ограничение длины последовательности 8 192 токена в примере. Модель доступна по лицензии Apache-2.0.

badokorach разработал эту модель как дообученную версию distilbert-base-cased-distilled-squad для ответов на вопросы. Это компактная модель семейства DistilBERT с архитектурой DistilBertForQuestionAnswering; она принимает текст вопроса и контекст и извлекает из контекста ответ. Модель рассчитана на контекст длиной до 512 токенов и опубликована в формате TensorFlow. В карточке указаны результаты обучения: train loss 0,2372, validation loss 0,0 за 19 эпох. Датасет и подробные сведения о назначении, оценке и ограничениях не описаны. Модель распространяется по лицензии Apache-2.0.

negfir/distilbert-base-uncased-finetuned-squad — модель семейства DistilBERT, дообученная на наборе SQuAD для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и извлекает из контекста фрагмент, который служит ответом. Модель содержит около 66 млн параметров, использует архитектуру BERT и доступна в формате PyTorch; максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения ответов из документов, справочных материалов и других текстов на английском языке. В README приведено значение loss 1,22 на оценочной выборке, но подробности оценки и дополнительные результаты не указаны. Лицензия — Apache-2.0.

Карточка модели alshv/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 bnewmiller/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.

Модель quynguyen1704/distilbert-finetuned-squad_v2 — дообученная версия DistilBERT для задачи question answering. Она предназначена для извлечения ответа на вопрос из предоставленного текста; архитектура — DistilBertForQuestionAnswering, базовая модель — distilbert/distilbert-base-uncased. Контекст ограничен 512 токенами, веса доступны в формате safetensors. Модель основана на англоязычной uncased-версии DistilBERT и подходит для англоязычных фрагментов текста. Лицензия — Apache-2.0. В карточке не приведены сведения о датасете дообучения, оценке качества и известных ограничениях.

EvoEmbedding-4B — модель эмбеддингов из семейства EvoEmbedding, представленная под аккаунтом ClareNie. Она предназначена для поиска по длинным контекстам, динамического извлечения информации и организации памяти в агентных системах и длительных диалогах. В отличие от независимого векторного представления отдельных фрагментов, модель использует обновляемую очередь латентной памяти для формирования контекстно-зависимых представлений, учитывающих изменения во времени. Модель построена на архитектуре Qwen3-4B и содержит 4 млрд параметров. Она принимает текст и выдаёт векторные представления для задач поиска и извлечения; в метаданных указаны английский и китайский языки. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены результаты оценки качества и подробности о пределах поддерживаемой длины контекста; эффективность на конкретных корпусах следует проверять отдельно.

Fara-7B — компактная мультимодальная модель Microsoft Research для управления браузером и выполнения веб-задач по скриншотам. Она построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает текстовую цель пользователя, скриншоты и историю действий. Контекст модели составляет 128 000 токенов. Модель планирует действия на сайтах и выдаёт текст с аргументами для вызова инструментов, например координатами клика. Она предназначена для пошаговой автоматизации поиска информации, покупок и бронирований, а также других сценариев работы с веб-страницами. В карточке заявлена поддержка только английского языка; модель распознаёт критические этапы вроде оплаты или отправки сообщений и должна останавливаться для запроса участия пользователя. Модель выпущена Microsoft Research в ноябре 2025 года и распространяется по лицензии MIT. README сообщает о более новой версии Fara 1.5, которая улучшает Fara-7B. Модель может ошибаться; её работа оценивалась не для всех сценариев, а высокорисковые задачи требуют профессионального контроля.

FollowIR-7B — языковая модель на архитектуре Mistral, разработанная исследовательской группой Johns Hopkins CLSP для реранжирования результатов поиска с учётом инструкций пользователя. Она дообучена на Mistral-7B-Instruct-v0.2 с использованием поисковых данных и написанных людьми инструкций из набора FollowIR, основанных на заданиях TREC. Модель оценивает пары «запрос — документ» и подходит для уточнения порядка найденных документов в информационно-поисковых системах. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке заявлено, что она лучше других моделей поиска следует инструкциям; независимые сравнительные результаты в предоставленных данных не приведены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для запуска и оценки результатов требуется совместимый программный стек.

french-bge-m3 — франкоязычная версия модели BAAI/bge-m3, разработанная Antoine Louis. Она предназначена прежде всего для задач семантического сходства и поиска фрагментов текста, включая passage retrieval, во французском языке; модель может использоваться с библиотеками Transformers и Sentence Transformers. Модель создана методом pruning и на 38,4% меньше исходной BAAI/bge-m3, благодаря чему требует меньше памяти. Архитектура и точное число параметров в README не указаны. Это текстовая модель для французского языка, унаследованная от многоязычной BGE-M3, но из её словаря удалены токены, нечасто встречающиеся во французском. Поэтому для французских задач ожидается производительность, близкая к оригинальной модели, тогда как качество на других языках может быть заметно ниже. Модель распространяется по лицензии MIT. Для загрузки в Transformers требуется параметр trust_remote_code=True; также она поддерживается библиотекой Sentence Transformers.

Gemma3-R1984-4B — мультимодальная модель для диалогов и анализа изображений, дообученная VIDraft на базе Google Gemma 3 4B. В карточке заявлена работа с изображениями, видео и документами, включая PDF, CSV и TXT; метаданные классифицируют модель как image-text-to-text и указывают архитектуру Gemma3ForConditionalGeneration с плотными весами в формате Safetensors. Модель рассчитана примерно на 4 млрд параметров и контекст до 8 000 токенов. Сценарии применения включают визуальные вопросы и ответы, анализ документов, сравнение файлов, диалог и исследовательские запросы с поиском в интернете через SERPHouse API и цитированием найденных источников. Указана поддержка английского, корейского, японского, китайского, испанского, русского, арабского, хинди, индонезийского, французского и немецкого языков. Поиск в интернете требует API-ключа; обработка видео и документов описана как часть платформы и не подтверждена тегом задачи модели. В метаданных указана лицензия Gemma; README дополнительно упоминает MIT для Agentic AI-платформы, поэтому условия для весов следует связывать с лицензией Gemma.

Palak/google_electra-small-discriminator_squad — компактная модель семейства ELECTRA, разработанная Palak и дообученная на google/electra-small-discriminator для ответов на вопросы по контексту. Она принимает вопрос и текстовый фрагмент и выделяет ответ из предоставленного контекста; подходит для извлечения фактических ответов из документов и справочных материалов. Модель содержит 20,4 млн параметров, использует архитектуру ElectraForQuestionAnswering, работает с контекстом до 512 токенов и опубликована в формате PyTorch. В README указаны результаты на SQuAD v1: exact match 76,95 и F1 84,99. Модель предназначена для англоязычного набора SQuAD v1; заявленная лицензия — Apache-2.0. Она отвечает только на основе переданного контекста и может ошибаться либо не находить ответ, если контекст недостаточен. Карточка не описывает дополнительные ограничения или сценарии использования.