I.1Поиск и навигация по информации

intanm/mdeberta-idkmrc — модель на архитектуре DeBERTa V2, дообученная на базе microsoft/mdeberta-v3-base для ответов на вопросы по тексту. Репозиторий содержит веса PyTorch; модель насчитывает 306 млн параметров и рассчитана на контекст до 512 токенов. В метаданных указан датасет rifkiaputri/idk-mrc, а README сообщает значение loss 1,6436 на оценочной выборке, но не приводит подробностей методики оценки. Модель принимает текст вопроса и контекст и предназначена для извлечения ответа из текста. Базовая модель многоязычная, однако сведения о конкретных языках и качестве этой дообученной версии не приведены. Модель распространяется по лицензии MIT.

MedCPT Query Encoder — текстовый энкодер, разработанный Computational Biology Branch подразделения NCBI/NLM для представления медицинских и биомедицинских запросов в виде эмбеддингов. Это часть пары энкодеров MedCPT: данный репозиторий содержит энкодер запросов, а отдельный Article Encoder кодирует статьи, включая заголовки и аннотации PubMed. Модель основана на BERT и насчитывает 136,7 млн параметров. Она принимает короткие тексты — вопросы, поисковые запросы и предложения — и выдаёт векторы размерности 768; длина контекста составляет 512 токенов. Энкодер обучен на 255 млн пар «запрос—статья» из журналов поиска PubMed и предназначен для семантического поиска, кластеризации запросов и поиска похожих запросов. Его эмбеддинги совместимы с пространством эмбеддингов MedCPT Article Encoder, что позволяет выполнять поиск запросов по статьям. Модель показывает высокие результаты в нескольких задачах биомедицинского поиска без дообучения, однако предназначена для поиска и представления текстов, а не для постановки диагнозов или принятия медицинских решений. Результаты требуют клинической проверки. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензирования репозитория.

MIKA Custom IR — модель NASA, дообученная на инженерных документах для поиска документов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерности 768 и рассчитана на асимметричный поиск: запрос пользователя сопоставляется с подходящими документами, например при проверке требований или поиске сведений о типе отказа. Модель построена на MPNet, содержит 136,7 млн параметров, принимает текст и выдаёт векторы; длина контекста — 514 токенов. Для её применения подходит Sentence-Transformers. В тестировании на трёх запросах дообученная модель показала MAP 0,807 против 0,648 у исходной SBERT-модели. Эта оценка основана на небольшом числе запросов и не гарантирует аналогичных результатов на других наборах документов. Лицензия в метаданных не указана; README содержит уведомление правительства США о правах на ПО, отказ от гарантий и условия отказа от претензий и возмещения убытков.

Mizan-Rerank-v3 — арабоязычный cross-encoder-реранкер от разработчиков семейства Mizan. Модель содержит около 305 млн параметров и дообучена на базе Alibaba-NLP/gte-multilingual-reranker-base на 71 тыс. арабских listwise-группах с трудными примерами, включая фрагменты с отрицаниями, подменой сущностей, чисел и дат. Она оценивает релевантность пары «запрос — фрагмент» и сортирует кандидатов для поиска и RAG, в частности в плотных религиозных и энциклопедических текстах. Модель рассчитана прежде всего на арабский язык. Архитектура принимает до 8192 токенов, однако обучение проводилось на последовательностях до 3072 токенов, а качество на длине свыше 3072 не измерялось. По данным README, она показывает хорошие результаты на арабских тестах и эффективна по скорости; выходной логит можно преобразовать сигмоидой в оценку релевантности, но это не калиброванная вероятность. Для работы требуется trust_remote_code=True. Лицензия — Apache-2.0.

mLateOn-unsupervised — многоязычная модель поиска LightOn на архитектуре ColBERT, реализованная с PyLate и дообученная на базе jhu-clsp/mmBERT-base. Это промежуточный чекпойнт первого этапа обучения: контрастивное предобучение на 2,8 млрд пар запрос–документ, включая 25% межъязыковых пар, без последующего обучения на сложных негативных примерах. Модель содержит 306,9 млн параметров и обрабатывает до 8192 токенов в запросе или документе. Она предназначена для извлечения и ранжирования документов по запросу с использованием позднего взаимодействия ColBERT и оценки MaxSim. Подходит для многоязычного и межъязыкового поиска, а также как основа для дообучения на собственных данных, дистилляции и экспериментов с рецептами обучения. Поддерживаются английский, французский, немецкий, итальянский, испанский, португальский, шведский, норвежский и арабский языки. Выход модели — представления токенов размерностью 128. Чекпойнт рассчитан на адаптацию и исследования отдельных этапов обучения; для большинства производственных сценариев в карточке рекомендуется полностью обученная mLateOn. Модель распространяется по лицензии Apache 2.0.

jidoren/mmbert-squad-v2 — модель для ответа на вопросы, построенная на архитектуре ModernBERT и представленная в формате Safetensors. В метаданных указано 306,9 млн параметров и контекст до 8192 токенов. Модель предназначена для извлечения ответа на вопрос из предоставленного текста; pipeline Hugging Face — question-answering. Карточка README не содержит дополнительного описания обучения, языков, датасетов или условий использования. Поэтому нельзя подтвердить поддержку русского языка или конкретную лицензию. Модель создана недавно и имеет ограниченную историю использования.

most-embed-de — модель для создания текстовых эмбеддингов, разработанная malteos на основе дообучения nvidia/Nemotron-3-Embed-1B-BF16. Она предназначена прежде всего для поиска релевантных документов на немецком языке в службах поддержки: в RAG-системах, базах FAQ и справочных центрах, а также в корпоративной документации. Модель рассчитана на сопоставление запросов разных форм — вопросов, коротких поисковых фраз и описаний проблем — с документами конкретной компании. Модель содержит 1,1 млрд параметров, использует плотную архитектуру Ministral 3 и формирует эмбеддинги размерностью 2048. В README указано контекстное окно до 32 тысяч токенов, тогда как метаданные указывают 262 144 токена; поэтому фактический лимит следует сверять с конфигурацией и используемым способом запуска. Основной язык — немецкий; базовая модель поддерживает также английский и ряд других языков. Для инференса заявлена совместимость с Sentence Transformers и vLLM. README сообщает о высоких результатах на немецких задачах поиска и на внутреннем бенчмарке SupportIR-DE, охватывающем телекоммуникации, банковские услуги, страхование и электронную торговлю. SupportIR-DE пока не опубликован, поэтому независимая проверка этих результатов ограничена. Модель выпущена по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

Navarna 7B — языковая модель на архитектуре Mistral, дообученная TokenBender для общения на хинди и задач поиска предложений в сценариях RAG. Модель содержит 7,1 млрд параметров, рассчитана на контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Модель подходит для чат-ответов на хинди и поиска релевантных предложений для ответов по материалам. В карточке упомянуты этапы SFT и DPO. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий.

opensearch-project/opensearch-neural-sparse-encoding-doc-v1 — модель OpenSearch Contributors для поиска документов по текстовым запросам. Это learned sparse retriever на архитектуре BERT с 136,7 млн параметров; модель обучена на MS MARCO и предназначена для использования с OpenSearch, включая индексацию и поиск через инвертированный индекс Lucene. Модель кодирует документы в разреженные векторы размерности 30 522, где ненулевые значения отражают важность токенов словаря. Для запросов README описывает формирование векторов с помощью токенизатора и таблицы весов; релевантность вычисляется как скалярное произведение векторов запроса и документа. Режим inference-free для retrieval снижает вычислительные затраты при поиске. Доступный контекст — до 512 токенов; заявлен английский язык. В сравнении из README средний NDCG@10 на подмножестве BEIR составляет 0,490, а средний FLOPS — 2,3; результаты различаются по наборам данных. Модель распространяется по лицензии Apache-2.0. Карточка не приводит отдельного описания известных сбоев или ограничений помимо контекста, языка и представленных результатов бенчмарка.

OpenSearch-AI/Ops-MoA-Conan-embedding-v1 — текстовая модель эмбеддингов от OpenSearch AI на архитектуре BERT. Она предназначена для преобразования текстов в векторы, которые можно использовать для поиска по смыслу и сравнения предложений. Модель поддерживает задачи feature-extraction и sentence-similarity, имеет 424,3 млн параметров и контекст до 512 токенов. Для работы подходит библиотека Sentence Transformers; веса доступны в формате PyTorch. В метаданных указан китайский язык. Карточка содержит пример кодирования текста, но не приводит оценки качества или подробностей обучения. Лицензия не указана в предоставленных данных.

Msoldier-ai/parsbert-qa — модель для извлечения ответов на вопросы из предоставленного текста. Согласно карточке, это дообученная ParsBERT для персидского экстрактивного QA: она находит в контексте начальную и конечную позиции фрагмента ответа. Модель относится к архитектуре BERT и содержит 190 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для поиска точных ответов в документах и системах вопросов-ответов с передачей контекста, включая сценарии RAG. В README приведены результаты на персидском наборе PQuAD: Exact Match 73,47% и F1 86,28%. Она подходит для ответов, явно содержащихся в тексте, но может ошибаться в границах фрагмента, пропускать неявные ответы или выбирать ответ там, где данных недостаточно. Лицензия — MIT.

PreFLMR_ViT-G — мультимодальная модель поиска документов семейства PreFLMR, разработанная LinWeizheDragon. Она принимает текстовый запрос, изображение или их сочетание и извлекает релевантные документы из предварительно индексированного корпуса; модель также подходит как поисковый компонент для систем retrieval-augmented generation и визуальных вопросно-ответных систем с опорой на знания. Архитектура — FLMRModelForRetrieval с визуальным энкодером ViT-G и текстовым энкодером Base-v2; в README для этого варианта указано 2,1 млрд параметров. Модель обучалась на задачах поиска «изображение—текст», «вопрос—текст» и «изображение и вопрос—текст», включая наборы WIT, MSMARCO, OKVQA и другие. Модель рассчитана на англоязычные запросы и мультимодальный поиск, а в карточке приведены результаты оценки на WIT, LLaVA, OVEN, KVQA, IGLUE, Infoseek, E-VQA, OKVQA и MSMARCO. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — MIT. Для работы требуется подготовленный корпус и индекс, а сама модель извлекает документы, но не генерирует итоговые ответы; приведённые результаты относятся к указанным тестовым наборам.

QwenLong-L1-32B — плотная языковая модель семейства Qwen2, разработанная Tongyi Lab группы Alibaba. Она дообучена с обучением с подкреплением на основе DeepSeek-R1-Distill-Qwen-32B для рассуждений по длинному контексту и ответов на вопросы по документам. В карточке указаны 32 млрд параметров, поддержка генерации текста и контекст до 131 072 токенов. Модель предназначена для DocQA, включая задачи с математическими, логическими и многошаговыми рассуждениями по длинным документам. Авторы сообщают о проверке на семи бенчмарках и приводят результаты, сопоставимые с Claude-3.7-Sonnet-Thinking; это заявления авторов, а не независимая оценка. Для обработки контекста длиннее 32 768 токенов README рекомендует включать масштабирование YaRN и отмечает, что оно может ухудшать результаты на коротких текстах. Модель распространяется по лицензии Apache-2.0.

Marscen/roberta-base-squad2-finetuned-squad2 — модель RobertaForQuestionAnswering на базе RoBERTa с 151,8 млн параметров, дообученная на датасете SQuAD v2. Она предназначена для извлечения ответа на вопрос из предоставленного текста, включая возможность не находить ответ, если его нет в контексте. При оценке на тестовой выборке указано значение Loss 0,8815. Модель принимает вопрос и текстовый контекст и выдаёт текстовый ответ; максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия — CC BY 4.0.

phiyodr/roberta-large-finetuned-squad2 — англоязычная модель ответов на вопросы, созданная дообучением RoBERTa-large на наборе SQuAD 2.0. Она предназначена для поиска ответа в предоставленном текстовом фрагменте и умеет распознавать вопросы, на которые в контексте нет ответа. Модель содержит около 454,1 млн параметров, использует архитектуру RoBERTa для извлечения ответа и рассчитана на контекст до 514 токенов. Модель подходит для извлечения фактов из англоязычных документов, справочных текстов и статей, а также для прототипов систем вопросно-ответного поиска. Доступны веса в форматах PyTorch и Flax. Сведения о лицензии в предоставленных данных отсутствуют.

chiminchan/rq_rag_llama2_7B — модель на базе архитектуры Llama, представленная авторами для работы «RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation». Она предназначена для генерации уточнённых поисковых запросов в системах генерации с дополнением извлечёнными документами (RAG), чтобы улучшить поиск релевантных источников перед формированием ответа. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст с контекстом до 4096 токенов. Модель опубликована в формате PyTorch и ориентирована на сценарии, где нужно итеративно уточнять запрос для поиска информации. В карточке не указаны базовая модель и лицензия, поэтому их условия и конкретные ограничения использования установить нельзя.

SARDI Dream 7B — дообученная командой проекта SARDI модель на основе Dream-v0-Instruct-7B, представленная как основа метода Self-Augmenting Retrieval for Diffusion Language Models в работе для ICML 2026. Это плотная диффузионная языковая модель с 7,1 млрд параметров для генерации текста и диалогов; метаданные указывают контекст до 131 072 токенов. Модель дообучена для retrieval-augmented generation и многошаговых вопросов: во время денойзинга метод SARDI формирует запросы по частично восстановленной последовательности, получает дополнительные свидетельства и использует их на следующих шагах генерации. Для обучения использовались обучающие части 2WikiMultiHopQA и HotpotQA, трассы рассуждений gpt-4o-mini и документы-ответы в контексте; обучение длилось три эпохи. Для инференса нужны код и декодирование с порогами из репозитория проекта. Веса представлены в формате safetensors и хранятся в float32; при инференсе выполняется приведение к bfloat16. Модель выпущена по лицензии Apache-2.0. README отмечает, что исходная Dream-7B ненадёжно генерировала трассы рассуждений в режиме zero-shot, поэтому для этой задачи был создан RAG-файнтюн.

Это контрольная точка selective gate SFT модели Xirui1208, дообученная на базе Xirui1208/readall-readtwice-14b-rl-step15-20260925. В репозитории находятся замороженная модель ReadAll на 14 млрд параметров в BF16 и обученный LoRA-адаптер с параметром gate bias; для выборочного чтения длинных документов требуется загрузить адаптер вместе с реализацией gate. Если загрузить только корневую модель, получится замороженная ReadAll без обученного селективного механизма. Модель предназначена для выборочного чтения документов с помощью внешнего цикла ReadTwice: она оценивает страницы и помогает направлять обработку к релевантным фрагментам, сохраняя память между этапами. В протоколе используются чанки источника по 5 000 токенов; для длинных документов предусмотрена обработка повторяющимися страницами. Контекст модели — 32 768 токенов. В карточке указаны английский и китайский языки, архитектура Qwen2 и библиотека Transformers. Адаптер обучен за одну эпоху на проверенных навигационных аннотациях учителя; указанная метрика калибровки gate не является точностью ответов на вопросы, и для этого SFT-адаптера не заявлен новый QA-бенчмарк на длинных документах. Сохранение адаптера объединением с весами reader меняет предусмотренный конвейер. Лицензия — Apache-2.0.

Экспериментальная модель эмбеддингов mayflowergmbh на основе SmolLM3 3B от Microsoft, дообученная с помощью LoRA для поиска по немецким текстам и оценки семантического сходства. Она преобразует текст векторовое представление размерностью 2048 и подходит для задач информационного поиска и сравнения предложений; совместима с библиотекой sentence-transformers. Архитектура основана на Llama и использует подход LLM2Vec: двунаправленное внимание и mean pooling. Метаданные указывают контекст модели 65 536 токенов, однако карточка README задаёт максимальную длину последовательности 512 токенов, после которой текст обрезается. Модель ориентирована на немецкий язык; качество для других языков не оценивалось. Для инференса требуется около 6 ГБ видеопамяти. Модель выпущена под лицензией Apache 2.0. В README она обозначена как экспериментальная; заявленное преимущество — настройка на немецкий информационный поиск с контрастивным обучением и подбором трудных негативных примеров.

SPLADE-BERT-Tiny-NQ — компактная модель разреженного кодирования, опубликованная пользователем или организацией sparse-encoder-testing. Она предназначена для семантического поиска и сопоставления текстов: модель преобразует запросы и документы в разреженные представления, пригодные для эффективного поиска релевантной информации. В карточке приведены примеры вопросов на английском языке и соответствующих текстовых фрагментов из энциклопедических данных, включая поиск ответов на вопросы о музыке, телевидении, географии и биографиях. Модель основана на архитектуре BERT и обучена с использованием SpladeLoss; точный размер модели и конфигурация не указаны. Заявлен английский язык, а размер набора данных составляет около 99 000 примеров. Поддерживаются текстовые входы; сведения о других модальностях и размере контекста отсутствуют. Разреженное представление может быть полезно для быстрых и масштабируемых систем поиска, однако README не содержит результатов оценки, сравнений качества, ограничений по длине входа или информации о пригодности для генерации текста. Модель распространяется по лицензии Apache-2.0, допускающей использование, модификацию и распространение при соблюдении её условий.

hung200504/test-bert-3 — дообученная модель на архитектуре BERT для извлечения ответов на вопросы из текста. Она основана на hung200504/test-bert-2 и содержит 136,7 млн параметров; максимальная длина контекста составляет 512 токенов. Модель предназначена для сценариев, где нужно найти ответ на вопрос в предоставленном фрагменте текста. В README указан результат Loss 11,6031 на наборе оценки, но набор данных и подробности оценки не описаны. Базовая модель охарактеризована в каталоге как англоязычная, поэтому основным языком модели считается английский. Весы представлены в формате PyTorch; лицензия в предоставленных данных не указана.

TinyTeapot — компактная модель генерации текста от TeapotAI для ответов на вопросы по предоставленному контексту, извлечения информации и RAG-сценариев. Она построена на архитектуре T5 и, согласно README, дистиллирована из TeapotLLM; метаданные Hugging Face указывают дообучение google/flan-t5-small. В репозитории заявлено около 77 млн параметров, тогда как метаданные указывают 45,8 млн; это расхождение не позволяет однозначно описать размер модели. Модель принимает текст в формате text-to-text и рассчитана на работу с явным контекстом. В README заявлены низкая задержка на CPU и пригодность для мобильных устройств и других ограниченных по ресурсам сред; метаданные указывают контекст до 512 токенов. Обучение на SynthQA и TeapotChat ориентировано на контекстные ответы, структурированное извлечение и отказ от ответа, когда сведений в контексте недостаточно. Основной язык карточки — английский. TinyTeapot подходит для вопросов по документам, RAG, извлечения полей и краткого пересказа контекста, но не предназначена для свободного диалога, творческого письма или сложных многошаговых рассуждений. Качество зависит от полноты и релевантности переданного контекста; несмотря на обучение для снижения галлюцинаций, модель всё ещё может выдавать неподтверждённые ответы. Лицензия — MIT.

NomaDamas подготовил конверсию модели naver/v-splade-quality в формат MLX bfloat16 для запуска на Apple Silicon. Это разреженный поисковый энкодер для визуального поиска по документам: он кодирует страницы PDF, презентаций и сканов в векторы размерности 50 368 в пространстве токенов. Запросы обрабатываются через заранее вычисленную таблицу Bag-of-Words без нейросетевого кодирования, что позволяет искать документы по текстовым запросам. Артефакт включает веса энкодера в safetensors, таблицу запросов и конфигурации токенизатора и процессора. Архитектура объединяет визуальную башню SigLIP, pixel-shuffle connector, текстовый энкодер ModernBERT и SPLADE MLM head. В README приведены результаты проверки отдельной fp32-конверсии; они не относятся к хранящимся здесь весам bfloat16. Обучение или дообучение для этого репозитория не выполнялись. Модель предназначена для поиска по содержимому страниц документов и лицензирована Apache-2.0. Для загрузки и инференса требуется совместимая среда MLX на Apple Silicon.

Z-Jafari/xlm-roberta-base-finetuned-nestedRewrite_QA — модель для извлечения ответа на вопрос из предоставленного текста. Она создана дообучением многоязычной XLM-RoBERTa base от Facebook AI и содержит около 305,2 млн параметров. Модель принимает текст с контекстом и вопросом и предсказывает ответ в формате задачи question-answering; максимальная длина контекста составляет 514 токенов. В README приведены результаты оценки: exact match 76,9 и F1 79,7, однако набор данных и условия тестирования не описаны, поэтому эти показатели нельзя напрямую переносить на другие сценарии. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Языки и область применения конкретного дообучения не уточнены.

nixmaverick1997 выпустил вариант sentence-transformers для построения эмбеддингов предложений и абзацев. Модель на архитектуре MPNet преобразует текст в плотные векторы размерности 768; обучалась с функцией CosineSimilarityLoss с использованием сиамской и триплетной схем. В метаданных указано 136,7 млн параметров и контекст до 514 токенов. Модель подходит для семантического поиска, кластеризации и сравнения сходства текстов. В README она названа классификатором тональности, а в тегах есть sentiment-classifier, однако приведённое описание и сведения об обучении сосредоточены на эмбеддингах; отдельная голова классификации или результаты классификации не описаны. Для работы доступны PyTorch и библиотеки sentence-transformers и SetFit. Лицензия в предоставленных данных не указана.

Это итальянская модель BERT для ответов на вопросы, созданная на основе dbmdz/bert-base-italian-uncased и дообученная на задаче question answering. Она предназначена для извлечения ответа из предоставленного текста по вопросу и может применяться в системах поиска по документам и справочных материалах на итальянском языке. Модель имеет архитектуру BertForQuestionAnswering, содержит 137,1 млн параметров и поддерживает контекст длиной до 512 токенов. Для обучения использован набор SQuAD-it — итальянская версия SQuAD, полученная полуавтоматическим переводом исходного датасета. В карточке приведены результаты EM 63,8 и F1 75,30. Модель принимает вопрос и контекст в виде текста и возвращает текстовый ответ, обычно извлечённый из контекста. Лицензия в предоставленных данных не указана.

MTalha056/bert-finetuned-squad — модель на архитектуре BERT для ответов на вопросы, разработанная на основе bert-base-cased и дообученная на неизвестном наборе данных. Она предназначена для извлечения ответа из текста по заданному вопросу. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Карточка модели не описывает обучающие данные, качество и ограничения; язык модели по имеющимся сведениям определить нельзя.

mrm8488/bert-mini-finetuned-squadv2 — англоязычная компактная модель BERT-Mini, созданная Manuel Romero на основе модели Google Research и дообученная на SQuAD 2.0 для ответов на вопросы по заданному фрагменту текста. Она предсказывает ответ из контекста и может воздержаться от ответа, если контекст не содержит подтверждения. Модель насчитывает 12 млн параметров, имеет контекстное окно 512 токенов и доступна в форматах PyTorch и Flax. Размер обученной модели в README указан как 42,63 МБ. BERT-Mini разработана для сценариев с ограниченными вычислительными ресурсами. В приведённой оценке на SQuAD 2.0 модель получила EM 56,31 и F1 59,65. Её можно применять для извлечения ответов из абзацев, например, в системах поиска по документам. Модель распространяется под лицензией Apache 2.0.

anas-awadalla/bert-small-pretrained-finetuned-squad — модель на архитектуре BERT, дообученная на датасете SQuAD для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; размер модели — 32,4 млн параметров, максимальная длина контекста — 512 токенов. В README указаны результаты на SQuAD: exact match 72,20 и F1 81,32. Модель распространяется в формате PyTorch по лицензии MIT. Карточка не описывает целевые языки и прикладные ограничения; результаты и назначение указывают на сценарий чтения вопросов по текстовому контексту.

Amdestya/ce-bm25cat-minilm-l12 — англоязычный кросс-энкодер-реранкер на базе MiniLM-L12, дообученный для оценки релевантности пар запроса и фрагмента текста. Модель принимает запрос, нормированный балл BM25 и passage; балл помещается между запросом и passage, затем вход токенизируется в последовательность вида [CLS] query [SEP] score [SEP] passage [SEP]. Архитектура основана на BERT, содержит 40 млн параметров и поддерживает контекст до 512 токенов. Модель обучена с функцией потерь cross-entropy на бинарной релевантности и ранней остановкой по nDCG@10. Она выдаёт необработанный логит: чем он выше, тем релевантнее passage. Для корректной работы требуется воспроизвести нормализацию BM25 из эксперимента: глобальный min-max с границами 0 и 50, масштабированием на 100 и усечением до целого; обучающие оценки рассчитаны Anserini/Lucene BM25. Модель создана как артефакт исследования по воспроизведению работ в информационном поиске. Лицензия Apache-2.0.