I.1Поиск и навигация по информации

mahiyama разработала японскую модель SPLADE для разреженного поиска, дообучив ModernBERT-Ja-310M на парах запросов и документов из набора mahiyama/auto-wiki-qa. Модель преобразует текст в разреженный вектор размерности 102 400: веса отражают исходные термины и связанные слова, что помогает находить документы даже при неполном совпадении формулировок. В основе — ModernBERT с MLM-головой и max-pooling SPLADE; модель содержит около 314,6 млн параметров и поддерживает контекст до 8192 токенов. Энкодер предназначен для японского поиска по текстам, в том числе по материалам Википедии и производным корпусам. Один и тот же энкодер используется для запросов и документов; для ранжирования рекомендуется скалярное произведение разреженных векторов. Веса доступны в формате safetensors, модель можно загрузить через SparseEncoder без дополнительных модулей. Подавление шумовых токенов встроено в веса, а разреженные представления подходят для инвертированных индексов и гибридного поиска с BM25 или плотными эмбеддингами. Модель особенно ориентирована на японский язык и обучена на корпусе с тематическим смещением в сторону Википедии, поэтому её расширение терминов может отражать особенности этого корпуса. Лицензия — MIT.

Tevatron-Elastic Qwen3 0.6B Retriever 2D — модель извлечения текстовых представлений для информационного поиска, разработанная как часть набора контрольных точек к работе Tevatron-Elastic. Она дообучена на базе Qwen/Qwen3-0.6B-Base и поддерживает эластичное сжатие по глубине и ширине: с помощью Tevatron-Elastic можно выбирать рабочую точку через prune_to и encode_at. Модель принимает текстовые запросы и фрагменты документов с префиксами query: и passage: и кодирует их для поиска; максимальная длина последовательности при обучении составляла 512 токенов, а контекст модели — 32768 токенов. На полном режиме в BEIR-15 указано значение nDCG@10 0,521. Релиз предназначен прежде всего для воспроизводимости экспериментов и не заявлен как достижение передового качества. Параметры доступны в формате safetensors; лицензия — Apache-2.0.

Thomson-1.0-Small — модель с открытыми весами от Thomson Reuters для профессиональных и общих задач. Это причинная языковая модель с архитектурой Qwen3.6-35B-A3B и смесью экспертов: всего 35 млрд параметров, из них 3 млрд активируются при обработке запроса. Модель дообучена на базе tri-fair-lab/Snowdon1.1-Small в рамках непрерывного обучения, включавшего дообучение на корпусах Thomson Reuters и последующую настройку поведения. В метаданных репозиторий классифицирован как image-text-to-text и отмечена возможность работы с изображениями; README подробно описывает прежде всего языковые и профессиональные сценарии. Модель предназначена для юридической, налоговой и журналистской работы, а также для общих задач и агентного исследования с использованием инструментов и цитированием источников. Заявленная длина контекста — 262 144 токена. Модель совместима с Hugging Face Transformers, vLLM и SGLang. README не приводит конкретных результатов бенчмарков в доступном фрагменте, поэтому сравнительное качество оценить нельзя. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

sshleifer/tiny-distilbert-base-cased-distilled-squad — компактная модель экстрактивного ответа на вопросы, опубликованная Sam Shleifer на Hugging Face. Она принимает вопрос и текстовый контекст и извлекает из контекста фрагмент, который отвечает на вопрос. Модель основана на архитектуре DistilBERT с классификационной головой для question answering и является уменьшенной версией DistilBERT, дообученной для SQuAD. Поддерживает английский язык и контекст длиной до 512 токенов. Доступны веса PyTorch и TensorFlow. Подходит для поиска ответов в документах и других текстах, когда ответ явно содержится в предоставленном контексте. Как экстрактивная модель, она не предназначена для свободной генерации ответов и зависит от качества и полноты контекста. Репозиторий не сообщает лицензию; условия использования следует проверять на странице модели.

TSFT-RAG Gemma-3-4B-IT — полноразмерная дообученная модель на базе Google Gemma 3 4B IT, созданная независимым исследователем Sascha Frank в рамках проекта TSFT-RAG. Модель предназначена для RAG-сценариев: ответов на вопросы по найденным источникам, выявления вопросов без достаточной опоры на источники, извлечения информации и создания структурированных ответов, включая JSON. Это плотная модель семейства Gemma 3 с архитектурой Gemma3ForConditionalGeneration и примерно 4 млрд параметров. Она принимает текст и, как производная Gemma 3, поддерживает мультимодальный ввод изображений, хотя для этой версии мультимодальная оценка не проводилась. Карточка сообщает об оценке преимущественно на немецкоязычных наборах данных; сведений о длине контекста нет. В опубликованной оценке агрегированный результат вырос относительно базовой модели, особенно на выявлении неподдержанных вопросах, но качество grounded QA немного снизилось. Модель оптимизирована для RAG и не предназначена для общего диалога; в важных областях требуется проверка человеком. Лицензия — Gemma license.

robinhad/ukrainian-qa — модель для ответов на вопросы на основе XLM-RoBERTa, дообученная автором репозитория на украинском наборе UA-SQuAD от ukr-models/xlm-roberta-base-uk. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться в системах поиска по документам и украинских справочных сервисах. Модель содержит 137,3 млн параметров, рассчитана на контекст до 514 токенов и использует архитектуру XLM-RoBERTa; указана поддержка украинского языка. В карточке приведено значение loss 1,4778 на оценочной выборке, но подробностей протокола оценки нет. Лицензия — MIT.

vdr-2b-v1 — модель встраиваний LlamaIndex для поиска по визуально насыщенным документам. Она кодирует скриншоты страниц в плотные векторы, позволяя находить информацию в PDF, веб-страницах и других документах без отдельного OCR, извлечения текста и разбиения на фрагменты. Архитектура — Qwen2-VL, около 1,5 млрд параметров; модель дообучена на базе MrLight/dse-qwen2-2b-mrl-v1. Контекст составляет 32 768 токенов. README описывает англоязычное обучение; метаданные также указывают английский язык. Модель поддерживает Matryoshka Representation Learning: размер векторов можно уменьшить втрое, сохранив, по заявлению авторов, 98% качества эмбеддингов. Авторы также сообщают о более быстром выводе и меньшем расходе видеопамяти благодаря использованию меньшего разрешения изображений. Для загрузки требуется около 4,4 ГБ VRAM в описанной конфигурации bf16. Лицензия — Apache-2.0.

intanm/xlmrlarge-idkmrc — модель XLM-RoBERTa Large, разработанная как дообученная версия FacebookAI/xlm-roberta-large для ответа на вопросы. Она предназначена для задач question answering и имеет около 658,7 млн параметров; архитектура — XLMRobertaForQuestionAnswering. Модель принимает текст вопроса и контекста и выдаёт ответ в текстовом виде. В карточке приведён результат на оценочном наборе: loss 1,1300. Название обучающего набора указано как None, а сведения о данных обучения, сценариях применения и ограничениях не раскрыты. Модель распространяется по лицензии MIT.

Z-Jafari/xlm-roberta-base-finetuned-DS_Q_NoH — дообученная Z-Jafari модель FacebookAI/xlm-roberta-base для ответов на вопросы. Она использует архитектуру XLM-RoBERTa с плотной сетью из 305,2 млн параметров и принимает текст, чтобы находить ответ в предоставленном контексте. Модель подходит для многоязычных сценариев вопросно-ответного поиска; нативный контекст составляет 514 токенов. В README приведены результаты оценки: exact match 76,3 и F1 79,36, однако набор данных и подробности методики не раскрыты. Модель распространяется в формате safetensors по лицензии MIT. Базовая XLM-RoBERTa предназначена для построения представлений текста на многих языках.

Это модель XLM-RoBERTa Base, дообученная Shivam Mangale на наборе SQuAD для ответов на вопросы по заданному контексту. Она использует плотную архитектуру XLM-RoBERTa с головой XLMRobertaForQuestionAnswering и содержит около 305,2 млн параметров. Модель принимает текст вопроса и контекста и выделяет в контексте фрагмент с ответом; максимальная длина контекста составляет 514 токенов. Модель подходит для извлечения ответов из документов, поиска фактов в тексте и прототипирования систем вопросно-ответного поиска. XLM-RoBERTa — многоязычное семейство, однако карточка не уточняет, на каких языках оценивалась именно эта настройка. Модель распространяется по лицензии MIT. README не содержит дополнительных сведений о качестве, обучении или ограничениях.

intanm/xlm-roberta-base-squad2-idkmrc — дообученная модель для извлечения ответа на вопрос из предоставленного текста. Она основана на deepset/xlm-roberta-base-squad2 и использует архитектуру XLM-RoBERTa с головой XLMRobertaForQuestionAnswering; размер — 305,2 млн параметров, контекст — до 514 токенов. Модель предназначена для сценариев, где вопрос и текст известны заранее, например для поиска ответа в документах. Карточка сообщает результат оценки Loss 0,8167, но не приводит датасет, языки обучения или подробные результаты, поэтому качество для конкретного языка и типа текста по этим данным оценить нельзя. Репозиторий распространяется по лицензии CC BY 4.0.

Sajjad Ayoubi создал модель ответов на вопросы на основе XLM-RoBERTa Large. Она принимает вопрос и текстовый контекст и извлекает из контекста фрагмент, отвечающий на вопрос. Модель предназначена для систем поиска ответов по текстовым материалам; README описывает использование через Transformers в PyTorch или TensorFlow. Модель содержит 658,7 млн параметров и поддерживает контекст длиной до 514 токенов. При ручном использовании можно получить результат «ответа нет», тогда как описанный в README pipeline не возвращает такой вариант. Репозиторий содержит форматы PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

Palak/xlm-roberta-large_squad — модель Palak, дообученная на XLM-RoBERTa Large для ответов на вопросы по переданному текстовому контексту. Она использует архитектуру XLM-RoBERTa с плотными слоями и содержит около 658,7 млн параметров; репозиторий предоставляет веса в формате PyTorch. Модель подходит для извлечения ответа из контекста, например при поиске сведений в документах или создании системы вопросно-ответного поиска. В карточке приведены результаты оценки на 10 918 примерах SQuAD: exact match 85,96 и F1 92,25. Контекст ограничен примерно 514 токенами, поэтому длинные документы потребуется разбивать на фрагменты. Модель дообучена на SQuAD; подтверждений её качества для других языков и предметных областей в карточке нет. Лицензия в предоставленных данных не указана.

Agent-ModernColBERT — англоязычная много-векторная модель LightOn для семантического поиска в сценариях агентного извлечения информации. Она дообучена на данных Tevatron/AgentIR-data от lightonai/GTE-ModernColBERT-v1 и использует архитектуру ModernBERT с поздним взаимодействием в стиле ColBERT: тексты представляются последовательностями плотных векторов размерности 128, а сходство вычисляется оператором MaxSim. В модели около 149 млн параметров; по карточке модели она принимает запросы длиной до 8192 токенов и документы длиной до 4096 токенов. Модель рассчитана на поиск документов по запросам, дополненным инструкцией и рассуждениями исследовательского агента; документы кодируются как обычный текст. Для ожидаемого формата запроса карточка задаёт специальный префикс с буквальной последовательностью «\\nQuery:»; при отсутствии рассуждения следует передавать «Empty». Модель можно применять как компонент поискового контура агента, включая последующее получение полных документов по их идентификаторам. В README приведены результаты на BrowseComp-Plus, но отмечено, что выигрыш зависит от сочетания ретривера и агента, а часть сравнительных результатов для get_document остаётся неопределённой. Модель работает с текстом и предназначена для английского языка. Она распространяется по лицензии Apache 2.0. Для хорошего качества важно соблюдать формат запросов, на котором модель обучалась; применение без специального префикса возможно, но README сообщает о несколько худших результатах.

Это версия ALBERT base v2, дообученная twmkn9 на датасете SQuAD v2 для извлечения ответов на вопросы из текста. Модель принимает вопрос и контекст и определяет ответный фрагмент, а также может предсказать, что в контексте ответа нет. Модель построена на архитектуре ALBERT, содержит 136,3 млн параметров и рассчитана на контекст до 512 токенов. В README приведены результаты оценки на подмножестве dev SQuAD v2: exact match 78,7 и F1 81,9. Она подходит для поиска фактических ответов в документах и текстах, если вопрос и нужный контекст уже подготовлены. Ограничение — модель извлекает ответы из предоставленного контекста и не предназначена для свободной генерации; качество за пределами SQuAD-подобных данных может отличаться. Лицензия в предоставленных сведениях не указана.

Это модель ALBERT XXLarge V2, дообученная Марком Фебловицем из IBM Research для ответов на вопросы по тексту в формате SQuAD 2.0. Она предназначена для открытых вопросов и задач понимания прочитанного: на вход получает вопрос и контекст, а на выходе определяет ответ в контексте или отсутствие ответа. Модель основана на архитектуре ALBERT и содержит около 3,3 млрд параметров. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Язык обучения и лицензия в карточке не уточнены.

SreyanG-NVIDIA/bert-base-cased-finetuned-squad — модель BERT, дообученная на наборе SQuAD для ответов на вопросы по заданному тексту. Она принимает вопрос и контекст, после чего извлекает ответ из контекста. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов. Модель подходит для поиска ответов в документах и текстовых фрагментах на английском языке. В README приведено значение loss 1,0848 на оценочной выборке, но дополнительных сведений о качестве или ограничениях нет. Распространяется по лицензии Apache-2.0.

deepset/bert-base-cased-squad2 — англоязычная модель компании deepset для извлекающего ответа на вопросы. Это дообученная для задачи question-answering версия BERT base cased, обученная на SQuAD 2.0; архитектура — BertForQuestionAnswering, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель принимает вопрос и текстовый фрагмент и извлекает из него ответ, а также подходит для сценариев с документами, например для конвейеров Haystack. Обучение и оценка проводились на SQuAD 2.0, поэтому модель ориентирована на англоязычные вопросы и контексты. Лицензия — CC BY 4.0.

Это многоязычная модель BERT, дообученная для извлечения ответов на вопросы из текста. Карточка указывает дообучение на SQuAD v1.1; в метаданных также перечислены наборы ARCD и XQuAD. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для систем вопросов и ответов, где нужно найти фрагмент ответа в предоставленном контексте. В карточке приведены результаты на SQuAD, ARCD и XQuAD, включая оценки для английского, немецкого и арабского языков; метаданные характеризуют её как многоязычную. Веса доступны в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия в предоставленных данных не указана.

MMG выпустил испаноязычную модель вопросно-ответной системы на базе BERT. Она дообучена на наборе SQAC поверх mrm8488/bert-base-spanish-wwm-cased-finetuned-spa-squad2-es и предназначена для извлечения ответа на вопрос из предоставленного текста. Модель содержит 137,1 млн параметров, использует архитектуру BertForQuestionAnswering и принимает контекст до 512 токенов; веса доступны в форматах PyTorch и Safetensors. На оценочном наборе SQAC указаны exact match 65,02 и F1 81,67. Модель подходит для испаноязычных систем поиска ответов по текстам. Лицензия в предоставленных данных не указана.

MMG/bert-base-spanish-wwm-cased-finetuned-squad2-es — испаноязычная модель на архитектуре BERT, дообученная на наборе данных squad_es для ответов на вопросы по заданному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; подходит, например, для поиска фактов в испаноязычных документах. Модель содержит 137,1 млн параметров, использует регистрозависимую версию испанского BERT с whole-word masking и поддерживает контекст до 512 токенов. На оценочной выборке указаны exact match 62,53 и F1 69,33. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

anas-awadalla/bert-small-finetuned-squad — компактная модель на архитектуре BERT, дообученная на наборе SQuAD для ответов на вопросы по предоставленному текстовому фрагменту. Модель содержит 32,4 млн параметров, принимает текст и рассчитана на контекст длиной до 512 токенов. Модель подходит для поиска ответа в статье, справке или другом тексте, когда вопрос и контекст передаются вместе. В оценке на SQuAD указаны exact match 71,06 и F1 80,83; эти показатели относятся к указанному набору данных и сами по себе не гарантируют качество на других типах текста. Веса доступны в формате PyTorch. Лицензия в предоставленных данных не указана.

Модель bert-tiny-multi-vector — компактный многовекторный энкодер для информационного поиска, опубликованный в пространстве multi-vector-encoder-testing. Она построена на базе prajjwal1/bert-tiny и реализована с использованием Sentence Transformers. Данные о конкретной организации или команде-разработчике в карточке не указаны. Модель предназначена для задач много-векторного поиска и late interaction, включая сопоставление запросов и документов в сценариях семантического поиска и извлечения релевантной информации. Она обучалась на наборе sentence-transformers/msmarco-bm25 объёмом около 501 907 примеров с использованием MultiVectorMultipleNegativesRankingLoss. В карточке заявлен английский язык; поддержка других языков не указана. Модель относится к библиотеке feature-extraction, однако размер контекста и точные параметры архитектуры не приведены. К преимуществам относятся небольшой размер базовой архитектуры и возможность применять MaxSim-сопоставление нескольких векторов для поиска. На тестовых наборах NanoMSMARCO и NanoNQ указаны метрики accuracy, precision, recall, NDCG, MRR и MAP для разных значений k; например, accuracy@10 составляет 0,70 на NanoMSMARCO и 0,66 на NanoNQ. Ограничения включают узкую специализацию на поиске, отсутствие данных о размере контекста и детальных ресурсных требованиях, а также заявленную ориентацию на английский язык. Лицензия модели — MIT.

Xenova/bge-large-zh-v1.5 — веб-совместимая версия модели BAAI/bge-large-zh-v1.5, подготовленная с весами в формате ONNX для работы с библиотекой Transformers.js. Разработчик исходной модели — BAAI; данный репозиторий предназначен для использования модели в JavaScript- и веб-приложениях. Модель предназначена для извлечения признаков из текста и может применяться в задачах, где требуются текстовые эмбеддинги, например для семантического поиска, сравнения текстов и построения систем поиска по смыслу. В README приведён пример запуска через pipeline с задачей feature-extraction. Известно, что модель использует ONNX-веса и совместима с Transformers.js. Назначение исходной модели предполагает работу с китайским языком, однако другие языки, размер модели, архитектура, максимальная длина контекста, точные показатели качества и поддерживаемые модальности в README не указаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в карточке исходной модели BAAI/bge-large-zh-v1.5.

andreaschari/bge-m3-ZH_MMARCO_NATIVE — дообученная модель семейства BGE-M3 на китайской части набора MMARCO/v2. Это Sentence Transformer на архитектуре XLM-RoBERTa с 658,7 млн параметров, предназначенный для получения текстовых эмбеддингов и сравнения предложений по косинусному сходству. Модель использовалась в короткой статье SIGIR 2025 «Lost in Transliteration: Bridging the Script Gap in Neural IR».

Это турецкоязычный переранжировщик seroe на основе BAAI/bge-reranker-v2-m3, дообученный как Cross Encoder на наборе vodex-turkish-triplets-large из 215 676 триплетов «запрос, релевантный текст, нерелевантный текст». Модель оценивает пары запроса и текста одним числовым баллом релевантности, чтобы переупорядочивать результаты поиска и улучшать семантический поиск. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, принимает текст и поддерживает последовательности длиной до 8194 токенов. В README приведены результаты оценки на турецких наборах val-hard и test-hard: NDCG@10 составляет 0,8425 и 0,8418 соответственно. Для работы указана библиотека Sentence Transformers. Модель распространяется по лицензии Apache-2.0.

biencoder-mMiniLMv2-L6-mmarcoFR — плотный двунаправленный энкодер предложений, разработанный Antoine Louis для семантического поиска на французском языке. Он преобразует запросы и passages в векторы размерности 384; косинусное сходство между ними служит оценкой релевантности. Модель основана на nreimers/mMiniLMv2-L6-H384-distilled-from-XLMR-Large и дообучена на французской части mMARCO с трудными отрицательными примерами, полученными от плотных поисковых моделей. Модель подходит для поиска фрагментов текста по запросу и ранжирования кандидатов в крупном корпусе. В README описана оценка на 6 980 запросах и 8,8 млн passages; максимальная длина последовательности при обучении составляла 128 токенов. В метаданных указаны архитектура XLM-RoBERTa, 110,2 млн параметров и контекст 514 токенов. Лицензия — MIT. Модель рассчитана на французский язык и выдаёт векторные представления текста, а не готовые ответы. Её специализация на mMARCO-fr может ограничивать качество на других языках и задачах; README не приводит численных результатов оценки.

bling-tiny-llama-v0 — разработанная llmware модель серии BLING, дообученная для инструкций RAG на базе TinyLlama-1.1b. Это плотная авторегрессионная модель семейства Llama примерно с 1 млрд параметров и контекстом 2048 токенов; она принимает текстовый контекст и запрос, а затем генерирует текстовый ответ. Модель предназначена для быстрого тестирования и прототипирования сценариев поиска с дополненной генерацией, включая ответы на вопросы, извлечение ключевых значений и краткое изложение предоставленных материалов. В карточке указано, что модель рассчитана на английский язык и на применение в корпоративной автоматизации, в частности при работе с насыщенными знаниями источниками в финансовой, юридической и нормативной областях. На приведённом RAG-Instruct-Benchmark-Tester средний результат составил 86,5 балла из 100; качество математических и логических ответов было заметно ниже. Эти результаты получены всего в двух тестовых запусках и не гарантируют точность на других данных. Лицензия — Apache 2.0.

BRAG-Qwen2-1.5b-v0.1 — компактная языковая модель серии BRAG, разработанная Pratik Bhavasar и Ravi Theja на базе архитектуры Qwen2 и дообученная для генерации ответов с использованием найденного контекста (RAG). Модель предназначена для работы с текстом и таблицами, а также для диалоговых сценариев RAG: она отвечает на вопросы по переданному контексту и должна сообщать, если ответа в нём нет. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов по метаданным. В README указана поддержка до 32 тыс. токенов и отмечено, что модель обучалась и оценивалась на английском языке, хотя базовая модель обладает многоязычными возможностями. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель рассчитана на короткие контексты и может хуже работать с длинными, несмотря на указанное в метаданных окно контекста. README предупреждает о возможных галлюцинациях и рекомендует использовать заданный авторами системный промпт. Метаданные не указывают результаты этой версии в приведённой таблице сравнения.

Это англоязычный разреженный CSR-энкодер, созданный дообучением модели mixedbread-ai/mxbai-embed-large-v1 на наборе Natural Questions с помощью библиотеки Sentence Transformers. Он преобразует запросы и документы в разреженные векторы размерностью 4096, ограничивая число активных измерений до 256; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и разреженного информационного поиска, в частности для подбора ответов к вопросам на английском языке. В карточке приведены результаты оценки на вариантах nq_eval с разным числом активных измерений: качество поиска растёт при увеличении этого числа до 256. Модель принимает текст и выдаёт векторы признаков для поиска и сравнения. Разработчик исходной модели — Mixedbread AI; эта версия дообучена автором tomaarsen. Распространяется по лицензии Apache-2.0. Обучение и оценка связаны с Natural Questions, поэтому карточка не подтверждает одинаковое качество на других языках, доменах или типах запросов.