I.1Поиск и навигация по информации

unsloth/Jan-nano — дообученная версия компактной языковой модели Menlo/Jan-nano на архитектуре Qwen3 с 3,7 млрд параметров. Она предназначена для исследовательских задач и работы в связке с серверами Model Context Protocol (MCP), которые предоставляют доступ к инструментам и источникам данных. Модель поддерживает диалоговый режим и интерфейс вызова инструментов; её контекстное окно составляет 40 960 токенов. В README описана оценка на SimpleQA с использованием MCP-инструментов, однако численные результаты не приведены. Модель принимает текст и генерирует текст, включая ответы в исследовательских сценариях с подключёнными инструментами. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

hotchpotch разработала японский reranker серии CrossEncoder. Модель оценивает пары «запрос — документ» совместно и присваивает им оценки релевантности, чтобы сортировать результаты поиска и уточнять ранжирование кандидатов. В README приведены результаты оценки на японских наборах данных, включая JQaRA, JaCWIR, MIRACL и JSQuAD. Модель построена на архитектуре BERT с классификационной головой и обучена для японского языка. Она принимает текст, выдаёт оценки релевантности и имеет контекст длиной до 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — MIT.

hotchpotch разработала japanese-splade-base-v1 — японскую модель SPLADE для поиска по тексту. Она преобразует текст в разреженные векторы с лексическим расширением, подходящие для построения поискового индекса и извлечения релевантных документов. В основе — дообученная BERT-модель tohoku-nlp/bert-base-japanese-v3 с архитектурой BertForMaskedLM; модель содержит 138,4 млн параметров и обрабатывает контекст до 512 токенов. Модель предназначена для японского информационного поиска и retrieval-сценариев. В README приведены оценки на JMTEB, JaCWIR и JQaRA; для части наборов данных отмечено обучение на доменных данных, поэтому результаты на них могут не отражать качество на новых доменах. При запуске через text-embeddings-inference автор рекомендует использовать отдельный fast tokenizer. Лицензия — MIT.

KoVRE-Stage1 — мультимодальная модель эмбеддингов с 2 млрд параметров от автора whybe-choi, дообученная на базе Qwen/Qwen3-VL-Embedding-2B для поиска по визуальным документам. Она сопоставляет текстовые запросы на корейском или английском языке с изображениями страниц документов, включая сканы и отрендеренные страницы, и подходит для первого этапа поиска в мультимодальных RAG-системах. Модель создаёт один L2-нормированный вектор на запрос или страницу; доступны размеры эмбеддинга от 128 до 2 048 измерений, оптимизированные методом Matryoshka Representation Learning. Релевантность оценивают по косинусному сходству. Чекпойнт отражает первый этап обучения — контрастивное обучение на 708 729 парах «запрос — страница» на корейском и английском языках, с трудными отрицательными примерами и фильтрацией вероятных ложных отрицаний. Он предназначен также для исследований и дальнейшей адаптации. README рекомендует для промышленного применения и максимального качества корейского поиска финальный чекпойнт whybe-choi/kovre, обученный с дополнительной дистилляцией. Лицензия — Apache-2.0.

Labira/LabiraPJOK_2x_50 — дообученная на неизвестном наборе данных модель семейства BERT от Labira для ответа на вопросы. Она использует архитектуру BertForQuestionAnswering, содержит 137,8 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения ответа на вопрос из предоставленного текста. Модель распространяется в формате TensorFlow по лицензии MIT. В README приведены результаты обучения: Train Loss 0,0131 и Validation Loss 4,2318 на 44-й эпохе; назначение, данные обучения и подробные ограничения не описаны.

TusharGoel/LayoutLM-Finetuned-DocVQA — модель Tushar Goel на основе LayoutLM, дообученная на вопросах из набора DocVQA. Она предназначена для ответов на вопросы по содержимому документов с учётом текста и его расположения на странице. Модель содержит 136,7 млн параметров, использует архитектуру LayoutLMForQuestionAnswering, принимает документы и вопросы на английском языке; длина контекста — до 512 токенов. Модель подходит для извлечения сведений из документов по запросу, например для поиска ответа на форме или странице документа. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Llama3-ChatQA-1.5-70B-GGUF — квантизированная в формате GGUF версия модели Llama3-ChatQA-1.5-70B, разработанной NVIDIA. Квантизацию выполнил bartowski на основе llama.cpp. Модель построена на базовой архитектуре Llama 3 и содержит 70 миллиардов параметров. Основное назначение модели — conversational question answering и retrieval-augmented generation (RAG): ответы на вопросы с опорой на предоставленный контекст, извлечение сведений и суммаризация контекста. Она ориентирована прежде всего на англоязычные сценарии и также может применяться для общего текстового общения. Улучшенная обучающая методика и дополнительные данные для conversational QA повышают возможности работы с таблицами и арифметическими вычислениями. Модель является текстовой и поддерживает генерацию текста; заявленный язык — английский. Рекомендуется явно передавать релевантный контекст и указывать модели сообщать, если ответ отсутствует в нём. README не содержит сведений о размере контекстного окна и конкретном типе квантизации, поэтому эти характеристики нельзя уточнить. Лицензия указана как llama3; условия её применения следует проверять по лицензии исходной модели NVIDIA.

LLaVE-2B — мультимодальная модель эмбеддингов, основанная на Aquila-VL-2B и дообученная на 662 тысячах пар данных. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, в том числе для поиска по сходству между текстом и визуальным содержимым. В карточке Hugging Face указаны архитектура Qwen2, 1,5 млрд параметров и контекст до 32 768 токенов; README сообщает окно контекста 4K токенов, поэтому эти сведения расходятся. Модель подходит для мультимодального поиска и извлечения видео по текстовым запросам; авторы сообщают о сильных результатах на MMEB и переносе на задачи поиска по видео без специального обучения. Доступны веса в формате safetensors и лицензия Apache-2.0. Метаданные также отмечают чат и интерфейс вызова инструментов, но основное назначение по README — эмбеддинги.

TankuVie/mDeberta_Fine_tuned_QA_v1 — модель семейства DeBERTa-v2 с архитектурой DebertaV2ForQuestionAnswering, разработанная TankuVie. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться, например, для поиска ответов в документах. Модель содержит 306 млн параметров, принимает контекст длиной до 512 токенов и сохранена в формате safetensors. Карточка сообщает о дообучении на датасете, обозначенном как None, и не приводит подробностей обучения, оценки качества или ограничений применения. Модель распространяется по лицензии MIT.

andrerean/minilm-arsip-kampus-seranah — текстовая Sentence Transformer модель, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска и сравнения текстов по смыслу; близость оценивается косинусным сходством. Архитектура включает BertModel и mean pooling. В метаданных указаны 124,3 млн параметров и контекст до 512 токенов; README сообщает максимальную длину последовательности 384 токена. Модель обучена на 3 090 парах предложений, связанных с университетскими документами: примеры охватывают академические решения, бюджетные процедуры, охрану труда и лабораторную безопасность. Это делает её подходящей для семантического поиска и извлечения релевантных документов в подобном архиве. Базовая модель многоязычная, но основной язык обучающих примеров — индонезийский. Модель принимает текст и возвращает векторы. Лицензия в предоставленных данных не указана.

allistair99 разработал дообученную версию csarron/mobilebert-uncased-squad-v1 для извлечения ответов на вопросы по предоставленному тексту. Модель использует архитектуру MobileBERT, содержит 59,7 млн параметров и рассчитана на контекст до 512 токенов. В репозитории указана оценка Loss 0,9972 на наборе для оценки; обучающий набор не назван. Модель подходит для поиска короткого ответа в тексте по вопросу, например, при извлечении фактов из документов. Базовая модель ориентирована на английский язык. Модель распространяется по лицензии MIT.

MoLoRAG-QwenVL-3B — модель xxwu для мультимодального поиска страниц в многостраничных документах и построения ответов на вопросы по документам. Это плотная модель семейства Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов, реализованная для Transformers и сохранённая в safetensors. Модель использует граф страниц, чтобы учитывать смысловые и логические связи между ними. Она извлекает наиболее релевантные страницы, которые затем можно передать другой большой vision-language модели для ответа на вопрос. MoLoRAG описывает как вариант без обучения, так и дообученную версию для проверки логической релевантности; данный репозиторий содержит модель для visual document retrieval. Модель предназначена для поиска информации и подготовки ответов по многостраничным документам, включая сценарии DocQA. Лицензия репозитория — MIT. Карточка не уточняет поддерживаемые языки документов и конкретные ограничения качества.

chskolymps/my_awesome_qa_model — англоязычная модель DistilBERT, дообученная для извлечения ответа на вопрос из текста. Она принимает вопрос и контекст и предназначена для сценариев вопросно-ответного поиска по текстовым материалам. Модель основана на distilbert/distilbert-base-uncased, имеет архитектуру DistilBertForQuestionAnswering и контекстное окно 512 токенов. В README приведены значения потерь на обучающей и проверочной выборках после девяти эпох, но не описаны датасет и методика оценки, поэтому качество на других данных по этим результатам определить нельзя. Модель распространяется по лицензии Apache-2.0.

NanoVDR-Q-DistilBERT-Qwen3VL8B-4096-ML — 70-миллионный текстовый энкодер запросов, разработанный для поиска по визуальным документам. Это модель на основе DistilBERT, дообученная методом дистилляции: она учится воспроизводить 4096-мерные эмбеддинги запросов замороженной Qwen3-VL-Embedding-8B по косинусному сходству. Эмбеддинги нормализуются по L2-норме и совместимы с пространством эмбеддингов модели-учителя и документных башен NanoVDR. Модель предназначена для кодирования текстовых запросов при поиске по индексированным документам. Её можно использовать вместе с документными энкодерами NanoVDR, чтобы строить конвейер поиска без запуска модели-учителя на этапе запроса; энкодирование занимает 2,07 мс на запрос при batch size 1 на H200, включая токенизацию. Контекст ограничен 512 токенами. Модель обучена на английских запросах и переводах на пять европейских языков с латинской письменностью. Ограничения: поддержка ограничена английским и пятью указанными языками; языки с нелатинской письменностью не проверялись. Модель принимает только текстовые запросы и не предназначена для запросов, обусловленных изображениями; качество ограничено моделью-учителем. Лицензия — MIT.

PIXIE-Spell-Preview-0.6B — модель эмбеддингов компании TelePIX Co., Ltd., построенная на архитектуре Qwen3 и оформленная как Sentence Transformer. Она предназначена для семантического поиска и извлечения релевантных документов на корейском и английском языках, с особым акцентом на аэрокосмическую тематику; также подходит для поиска по документам, технических вопросов и открытых коллекций. Модель содержит 507,9 млн параметров и выдаёт векторы размерностью 1024, которые нормализуются для сравнения косинусным сходством. В README указана максимальная длина последовательности 8192 токена, а метаданные каталога указывают контекст до 40960 токенов. Веса доступны в формате safetensors, лицензия — Apache 2.0. Модель обучалась и оценивалась для задач поиска на корейских и англоязычных бенчмарках; результаты README не гарантируют аналогичного качества на конкретных данных, поэтому качество следует проверять на целевой коллекции. Модель выдаёт эмбеддинги, а не готовые ответы или ранжированный список без отдельной системы поиска.

PleIAs-SLM-RAG — локальная система генерации ответов с поиском по документам от PleIAs. Она использует Pleias Redline — дообученную на базе Baguettotron языковую модель примерно на 300 млн параметров в формате GGUF с квантизацией Q8_0 — и индекс полнотекстового поиска LanceDB. Система принимает вопрос и извлекает из локальной базы наиболее подходящие фрагменты, после чего модель формирует потоковый ответ с цитатами. Решение рассчитано на автономную работу на CPU без внешних API, в том числе на Raspberry Pi 5. Его можно применять с собственными коллекциями документов через Flask API; в комплекте также есть примеры данных на английском и французском языках. Контекст генерации настроен на 4096 токенов, за запрос выбираются до трёх источников. Модель предназначена для ответов, обоснованных найденными источниками, однако качество зависит от полноты базы, поиска и способности небольшой модели следовать инструкциям. В README указана лицензия Apache-2.0. README описывает репозиторий как сервер и комплект модели, тогда как метаданные Hugging Face помечают его задачей text-generation.

Polish-SPLADE — польская версия модели SPLADE++, разработанная sdadas. Это дообученная на польском переводе MS MARCO модель на базе polish-distilroberta: архитектура RoBERTa с MLM-головой, которая преобразует текст в разреженный вектор весов по словарю для поиска и ранжирования документов. Модель содержит 95 млн параметров и принимает последовательности длиной до 514 токенов. Её применяют для построения поисковых представлений запросов и документов, семантического поиска и ранжирования в польскоязычных коллекциях. Разреженные представления можно использовать в системах на основе Lucene; для работы доступны реализации через Transformers и PIRB. В карточке указан тег fill-mask, однако основное прикладное назначение модели — информационный поиск. Лицензия Apache-2.0.

Falconsai разработала дообученную модель на базе DistilBERT-base-uncased для ответов на вопросы по заданному контексту. Она использует архитектуру DistilBertForQuestionAnswering и принимает текст с вопросом и контекстом, чтобы определить ответ; контекст ограничен 512 токенами. Модель рассчитана на английский язык и подходит для сценариев, где важны компактность и быстрая обработка текста, например для поиска ответов в документах. В README также упоминаются классификация текста, анализ тональности и распознавание именованных сущностей, но обучение этой версии было сосредоточено на ответах на вопросы. Качество на конкретных данных следует проверять отдельно: модель может хуже работать на отличающихся от обучения текстах и задачах. Распространяется по лицензии Apache-2.0.

consciousAI/question-answering-roberta-base-s — модель для поиска ответа на вопрос в переданном контексте. Её разработала consciousAI на базе encoder-only архитектуры RoBERTa-base с головой для question answering; модель дообучена на SQuADx. В README указаны результаты на наборе SQuADx: exact match 86,14 и F1 92,330. Модель принимает вопрос и текст контекста и предсказывает фрагмент текста, который служит ответом, а также оценку уверенности. Она подходит для извлечения ответов из документов и других текстовых источников, когда контекст предоставляется вместе с вопросом. Размер модели — 151,8 млн параметров, длина контекста — 514 токенов. Лицензия — Apache-2.0. Это узкоспециализированная модель извлечения ответов, а не генеративный диалоговый ассистент: ответ ограничен содержимым контекста. README указывает обучение на англоязычном SQuAD, поэтому применение к другим языкам не подтверждено.

caraman/Qwen2.5-7B-query-rewriter — специализированная текстогенерационная модель, дообученная на базе Qwen/Qwen2.5-7B-Instruct для переформулирования поисковых запросов. Модель предназначена для conversational search и сценариев RAG, где текущий запрос пользователя нужно преобразовать в самостоятельный и более подходящий для поиска по документам; в метаданных также указана совместимость с MLX и форматом safetensors. Модель содержит около 7,1 млрд параметров, поддерживает контекст длиной до 32 768 токенов и ориентирована на английский язык. Её сильная сторона — специализация на query rewriting в диалоговом поиске и retrieval-augmented generation, что может улучшать поиск по контексту предыдущих сообщений. Лицензия Apache 2.0; модель основана на Qwen2.5-7B-Instruct и наследует условия его использования.

Qwen3 Embedding 0.6B LRAT Low-LR Continuation v1 — текстовая модель эмбеддингов семейства Qwen3, дообученная командой авторов на базе своего broad-g16-v2, происходящего от Qwen/Qwen3-Embedding-0.6B. Чекпойнт продолжает обучение на 80 517 предоставленных организаторами строках траекторий LRAT с размером группы 16, скоростью обучения 1,5e-7 и длительностью 0,5 эпохи. Несмотря на историческое имя front-success-v1 и подготовленные веса этапа, аудит показал, что эти веса не участвовали в функции потерь; эффективный метод — продолжение обучения с низкой скоростью обучения. Модель предназначена для создания текстовых эмбеддингов и задач поиска по сходству, в частности для экспериментов с извлечением информации по траекториям LRAT. Базовая архитектура — плотная Qwen3Model с 507,6 млн параметров, контекстом до 32 768 токенов и форматом safetensors. Модель унаследовала многоязычную основу Qwen3 Embedding; отдельный перечень поддерживаемых языков в данных не приведён. Для выбора чекпойнта использовалась агрегированная оценка с фиксированным seed в workflow BrowseComp-Plus Agent и Judge на Qwen3.5-4B; локальные результаты не заявлены как официальные. Обучение проводилось на данных организаторов. Лицензия — Apache-2.0.

QwenAmann-4B-dse — мультимодальная модель на 4 млрд параметров, разработанная авторами из Racine.ai и TW3 Partners для поиска по технической документации. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct методом Document Screenshot Embedding и формирует эмбеддинги документов и запросов для семантического поиска и сопоставления по релевантности. Модель принимает изображения страниц документов и учитывает текст, схемы, графики, таблицы и их расположение. Предварительно извлекать текст не требуется. Обучение проводилось на датасете racineai/OGC_MEGA_2: README сообщает о 1,44 млн примеров из более чем 35 языков и 15 технических областей; стабильные результаты отмечены на пяти языках. В метаданных перечислены английский, французский, русский, арабский, немецкий, испанский и итальянский. Модель предназначена для мультиязычного поиска по техническим документам, инженерным архивам и системам поддержки. Она распространяется под лицензией Apache 2.0. README заявляет о сопоставимой с Jina Embeddings v4 производительности, но не приводит деталей протокола оценки; указанное в README число языков с устойчивыми результатами и метаданные о языках карточки различаются.

Tirth2109 разработал qwen-indic-v1 — дообученную с помощью LoRA модель Qwen3-Embedding-8B для создания текстовых эмбеддингов на индийских языках. Модель использует pooling по последнему токену и L2-нормализацию векторов; размер — 7,6 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для получения эмбеддингов, семантического поиска и сравнения сходства предложений. README сообщает о 22 индийских языках в расписании обучения, а метаданные карточки перечисляют хинди, бенгальский, тамильский и урду. Обучение проводилось на обучающих частях данных с очисткой от пересечений с тестовыми наборами MTEB. Модель распространяется в формате safetensors по лицензии Apache-2.0. Известные ограничения: подробности качества по отдельным языкам и результаты оценивания в карточке не приведены.

RAG-Instruct-Llama3-8B — текстовая языковая модель Freedom Intelligence, дообученная на наборе RAG-Instruct для улучшения ответов в сценариях генерации с дополнением извлечёнными документами (RAG). Она основана на плотной архитектуре Llama 3.1 с 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; интерфейс также поддерживает вызов инструментов. Контекст модели — до 131 072 токенов, основной язык карточки — английский. Модель предназначена для ответов на вопросы по найденным документам и других задач, где ответ нужно формировать с опорой на контекст. В README приведены улучшенные результаты относительно исходной Llama 3.1 8B на нескольких наборах оценки RAG, включая вопросы по Википедии, научным и медицинским материалам. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет ограничения по доменам, фактической точности или безопасности ответов.

PaSaMaster Ranker — модель ранжирования научных публикаций, разработанная для системы PaSaMaster. Она дообучена на базе Qwen3-30B-A3B с помощью дистилляции на 42 762 парах «запрос—статья» из 19 дисциплин и 97 узких тематик. Архитектура — Qwen3 MoE; число параметров в метаданных указано как 2,6 млрд, родной контекст — 262 144 токена. Модель работает с текстом и предназначена для использования в конвейере поиска научной литературы или совместимой системе ранжирования с опорой на доказательства. На вход подаются исследовательский запрос, критерии релевантности, метаданные и аннотация статьи, а также найденные свидетельства. Модель оценивает каждый критерий по шкале от 1 до 5, формирует обоснования со ссылкой на предоставленные свидетельства, отмечает слабые совпадения и переупорядочивает проверенные записи публикаций. Она ранжирует реальные записи и не предназначена для генерации цитат или самостоятельного поиска литературы. Сообщённые результаты относятся к системе PaSaMaster в целом, а не только к этому чекпойнту. Лицензия — Apache-2.0.

RankZephyr 7B V1 Full — языковая модель для переупорядочивания списка документов по релевантности запросу. Разработана Castorini на основе Zephyr-7B-β и дополнительно дообучена на списковых данных ранжирования RankGPT-4; в метаданных базовой моделью указана mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает запрос и документы и возвращает их идентификаторы в порядке релевантности. Она предназначена для listwise-реранжирования в связке с RankLLM и показала высокие результаты на наборах DL19–DL22, TREC-COVID и TREC-News. Основной язык обучения и применения — английский; перенос результатов на многоязычные данные не гарантирован. Модель распространяется по лицензии MIT. Это специализированный реранкер, а не универсальная чат-модель; базовая Zephyr-модель может выдавать проблематичный контент, поскольку не проходила описанный в её карточке этап выравнивания по предпочтениям для безопасности.

lewtun/setfit-ethos-multilabel-example — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 514 токенов. Модель подходит для поиска похожих фрагментов текста и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss. Репозиторий также содержит в названии указание на пример многометочной классификации ETHOS, но приведённая карточка описывает именно получение эмбеддингов. Для использования требуются Sentence-Transformers либо Transformers с подходящей операцией pooling. Доступные данные не содержат сведений о лицензии, поэтому условия использования по ним определить нельзя.

aammari/setfit-zero-shot-classification-pbsp-p3-freq — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель работает с текстом и выдаёт эмбеддинги. Обучение использовало CosineSimilarityLoss. Модель подходит для поиска смыслово близких фрагментов и группировки текстов по содержанию. В README не приведены результаты бенчмарков, поэтому качество для конкретного языка или предметной области по имеющимся данным оценить нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных источниках.

Silver Retriever Base v1 — плотная модель эмбеддингов на базе BERT, разработанная Пётром Рыбаком из Института информатики Польской академии наук. Она кодирует польские предложения и абзацы в векторы размерности 768 и предназначена для поиска документов и семантического поиска, в частности для подбора фрагментов по вопросам на польском языке. Модель создана на основе HerBERT-base и дообучена в течение 15 000 шагов на наборах PolQA и MAUPQA. Для входных данных рекомендуется сохранять формат обучения: добавлять к вопросу префикс «Pytanie:», а к тексту passage — заголовок и текст, разделённые специальным токеном. Хотя при обучении использовалось скалярное произведение, автор отмечает, что на практике модель обычно лучше работает с косинусным расстоянием. В репозитории указаны архитектура BERT, 151,6 млн параметров и контекст длиной 514 токенов; доступны веса PyTorch и Safetensors. Для использования требуется корректное объединение токенных представлений в вектор (pooling), если модель применяется без Sentence-Transformers. Лицензия — CC BY-SA 4.0.

Модель facebook/spar-marco-bm25-lexmodel-query-encoder — BERT-base по размеру, разработанная Meta AI как кодировщик запросов для лексической модели SPAR BM25 Λ. Она обучена на корпусе MS MARCO имитировать поведение BM25 и выдаёт плотные представления запросов для поиска документов. Кодировщик предназначен для совместного использования с соответствующим кодировщиком контекста; также его можно сочетать с плотным семантическим ретривером, например DPR или Contriever, чтобы объединить лексическое и семантическое соответствие в поиске и системах открытого вопросно-ответного поиска. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. В метаданных указаны PyTorch и задача feature-extraction. Карточка не сообщает лицензию, поэтому условия использования здесь уточнить нельзя.