I.1Поиск и навигация по информации

SciPhi-Self-RAG-Mistral-7B-32k-Mistral-7B-Instruct-v0.1 — объединённая методом SLERP чат-модель на архитектуре Mistral, созданная на основе Mistral-7B-Instruct-v0.1 и SciPhi-Self-RAG-Mistral-7B-32k. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов на инструкции и диалоговые запросы, в том числе для сценариев Self-RAG с поиском и использованием внешних материалов. Может применяться в чат-ботах и системах ответов на вопросы по документам. В карточке не приведены результаты оценки качества или сведения о поддерживаемых естественных языках. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

mrm8488/setfit-mpnet-base-v2-finetuned-spam-detection — модель Sentence Transformers на архитектуре MPNet, разработанная автором mrm8488 и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. В метаданных указан размер 136,7 млн параметров, библиотека PyTorch и контекст до 514 токенов. Модель можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Несмотря на название репозитория, README описывает получение эмбеддингов, а метаданные не подтверждают отдельную задачу классификации спама. Модель принимает текст и выдаёт векторы. README указывает обучение с CosineSimilarityLoss; сведений о поддерживаемых языках и лицензии в предоставленных данных нет.

SloVlo-v1 — модель эмбеддингов для семантического поиска на словенском языке, разработанная в проекте SloVlo. Она предназначена для поиска документов по смыслу, в том числе когда формулировка запроса отличается от текста документа. Модель обучена и оценена на slovlo-dataset-v1; README приводит результаты поиска по тестовой выборке в метрике MRR@k. Модель основана на multilingual-e5-base и использует архитектуру XLM-RoBERTa с 12 слоями и размерностью эмбеддингов 768. Репозиторий использует Sentence Transformers, веса представлены в формате safetensors; длина контекста — 514 токенов. Лицензия — MIT.

SmallReason-ColBERT (32M) — англоязычный поисковый ретривер с поздним взаимодействием ColBERT, разработанный авторами исследования SmallReason-ColBERT. Модель содержит около 31,9 млн параметров и дообучена на базе mixedbread-ai/mxbai-edge-colbert-v0-32m для поиска по запросам, требующим многошагового рассуждения. Для каждого токена запроса и документа формируются векторы, а релевантность оценивается через MaxSim; дополнительная небольшая головка из 129 параметров взвешивает токены запроса. Контекст модели — 7999 токенов. Модель предназначена для семантического поиска и повторного ранжирования документов, особенно по длинным, сложным и насыщенным символами запросам. В README приведён результат 21,41 mean nDCG@10 на BRIGHT; для использования головки важен специальный загрузчик WeightedColBERT.from_base из сопутствующего репозитория: обычная загрузка PyLate её молча пропускает и даёт базовый вариант с более низким результатом. Модель поддерживает английский язык и распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Многовекторное представление требует больше памяти для хранения документов и вычислений при поиске, чем одно-векторный retrieval. Головка может ухудшать качество на очень коротких запросах; на OBLIQ-Bench модель показывает слабый результат, а обучение опирается на синтетические данные и mined hard negatives, чьи смещения могут наследоваться моделью.

rasyosef/splade-tiny — компактная модель разреженного поиска, разработанная на основе BERT-Tiny и дообученная дистилляцией Cross-Encoder ms-marco-MiniLM-L6-v2 на данных MS MARCO. Она кодирует запросы и документы в разреженные векторы размерности 30 522, которые можно сравнивать скалярным произведением, и предназначена для поиска релевантных документов по текстовому запросу и построения поисковых систем для небольших коллекций. Модель содержит 4,4 млн параметров, принимает последовательности длиной до 512 токенов и использует архитектуру BERT с библиотекой Sentence Transformers. В описанной оценке на MS MARCO она достигла MRR@10 30,9 против 18,0 у BM25; автор также сообщает, что модель работает на CPU с коллекцией в несколько тысяч документов. Обучающие данные и метрики ориентированы на англоязычный поиск. Модель распространяется по лицензии MIT. Её оценка приведена для MS MARCO, поэтому качество на других языках, предметных областях и типах коллекций может отличаться; для больших корпусов стоимость индексации и поиска следует оценивать отдельно.

Squid — модель NexaAI для генерации ответов по длинному контексту в сценариях RAG, с упором на эффективный запуск на устройстве. Она дообучена на базе Qwen/Qwen2-7B-Instruct и использует двухдекодерную архитектуру: декодер на 0,5 млрд параметров преобразует информацию из большого контекста, а декодер на 7 млрд параметров понимает запрос и формирует ответ; проектор согласует представления контекстного энкодера и основного декодера. В метаданных указаны 7,1 млрд параметров и контекст до 131 072 токенов. В README описаны восстановительное обучение, продолжение текста по частичному сжатому контексту и инструкционное дообучение для ответов на запросы с учётом сжатого контекста. Это делает Squid подходящей для поиска и ответов по длинным документам с ограниченными ресурсами устройства. Модель работает с текстом и ориентирована на английский язык. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

utahnlp/tevatron-elastic-modernbert-retriever-depth — модель извлечения признаков и поиска, разработанная Utah NLP и обученная с помощью Tevatron-Elastic на базе answerdotai/ModernBERT-base. Она кодирует запросы и фрагменты документов с префиксами query: и passage: в векторы для поиска релевантных материалов. Контрольная точка поддерживает эластичное сокращение глубины: один набор весов позволяет выбирать число слоёв при кодировании, задавая компромисс между вычислительными затратами и качеством. Модель содержит 149 млн параметров, принимает текст, поддерживает контекст до 8192 токенов и распространяется в формате Safetensors. Модель предназначена для информационного поиска и воспроизводимых экспериментов с вариантами глубины кодировщика. На полной конфигурации авторы сообщают результат nDCG@10 0,456 на BEIR-15; это не заявка на превосходство над современными системами. Обучение проводилось на rlhn/rlhn-680K с максимальной длиной 512 токенов. Лицензия — Apache-2.0. Базовая архитектура ModernBERT ориентирована на английский язык, поэтому README не подтверждает качество поиска на других языках.

Turkish-Gemma-4b-T1-Scout — турецкоязычная модель-агент для поиска информации в интернете, разработанная на базе Google Gemma 3 4B IT. Модель дообучена на синтетических траекториях с помощью SFT и GRPO, чтобы выбирать поисковые действия, собирать сведения из внешних источников и формулировать ответы с опорой на найденные данные. В репозитории указана архитектура Gemma 3; веса сохранены в safetensors и предназначены для работы через Transformers. Модель рассчитана на турецкие вопросы, требующие актуальных, редких или многошаговых фактических сведений. Она может выдавать структурированные вызовы инструментов и итоговые текстовые ответы; для этого предусмотрены шаблон чата и парсер инструментов для vLLM. В опубликованной оценке на 70 вопросах турецкого веб-поиска модель ответила правильно на 50 вопросов; результаты относятся к настройке авторов. Это не готовая система веб-поиска: необходимы внешний поисковый сервер, выполнение вызовов инструментов и обработка их результатов. Качество зависит от поисковой инфраструктуры, а модель может ошибаться или галлюцинировать; бенчмарк небольшой и ограничен по охвату. Не предназначена для автономных решений или профессиональных медицинских, юридических и финансовых советов. Лицензия — Gemma; использование должно соответствовать условиям базовой модели.

Карточка модели thanhtantran/Vietnamese_Reranker на Hugging Face совпадает с карточкой AITeamVN/Vietnamese_Reranker, поэтому описание составлено по ней. Vietnamese_Reranker — переранжировщик на основе Sentence Transformers, разработанный AITeamVN и дообученный на BAAI/bge-reranker-v2-m3. Он предназначен для повышения качества поиска на вьетнамском языке: модель оценивает релевантность документов запросу и помогает переставить найденные результаты в более полезном порядке. Для обучения использовано около 1,1 млн триплетов «запрос — релевантный документ — нерелевантный документ». Архитектура основана на XLM-RoBERTa и классификаторе последовательностей; модель содержит 658,7 млн параметров. В README указана максимальная длина последовательности 2304 токена, а метаданные каталога указывают контекст 8194 токена. Лицензия — Apache 2.0. Модель рассчитана прежде всего на вьетнамский поиск и ранжирование, включая оценку результатов для юридических запросов. В README приведена оценка на датасете Legal Zalo 2021, который не использовался при обучении: Accuracy@1 — 0,7944, MRR@10 — 0,8672. Показатели на этом наборе не гарантируют аналогичного качества в других областях; ограничения длины из README следует учитывать при обработке длинных запросов и документов.

VietRAG-Embed — вьетнамская плотная модель эмбеддингов, разработанная VietRAG и дообученная на базе intfloat/multilingual-e5-base. Она построена на XLM-RoBERTa и Sentence Transformers, содержит 305,2 млн параметров и преобразует запросы и фрагменты текста в нормализованные векторы размерности 768. Для запросов требуется префикс «query: », а для документов — «passage: ». Модель предназначена для семантического поиска по вьетнамским документам, извлечения контекста для ответов на вопросы и RAG, а также для отбора кандидатов перед переранжированием. Она не генерирует ответы самостоятельно. Модель обучена на 937 686 вьетнамских парах запрос–релевантный текст–сложный отрицательный пример, включая данные веб-поиска и научно-технические материалы. Её можно применять для поиска по FAQ и базам знаний, а нормализованные векторы подходят для сравнения косинусной близостью или скалярным произведением. Лицензия — MIT. Основной язык — вьетнамский; качество для других языков и смешанных запросов не подтверждено. Контекст ограничен 514 токенами по метаданным, а README указывает усечение входа длиннее 512 токенов, поэтому длинные документы следует делить на смысловые фрагменты. Результаты поиска могут быть тематически близкими, но фактически неверными; приведённый внутренний диагностический тест использует общий корпус с обучением и не гарантирует качество на пользовательских данных.

nguyenvulebinh/vi-mrc-large — модель для извлечения ответов из текста на основе XLM-RoBERTa, разработанная Binh Nguyen. Она дообучена для многоязычного поиска фрагмента ответа по вопросу и контексту, прежде всего на вьетнамском языке; английский также поддерживается. Обучение включало Squad 2.0, mailong25, VLSP MRC 2021 и MultiLingual Question Answering. Модель использует архитектуру XLM-RoBERTa для ответов на вопросы и содержит 658,7 млн параметров. Максимальная длина контекста — 514 токенов. В описанном автором эксперименте модель заняла первое место в задаче VLSP MRC 2021; README приводит метрики EM и F1 для публичного и закрытого тестовых наборов. Для более точного инференса автор предлагает вариант, который объединяет представления подслов в представления слов суммированием; стандартный интерфейс Hugging Face этот приём не использует. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для извлечения ответов из предоставленного контекста, а не для генерации свободных ответов; качество английской версии отдельно не оценено в карточке.

NomaDamas подготовил конверсию v-splade-efficient для MLX и Apple Silicon. Это разреженный мультимодальный ретривер для поиска страниц визуальных документов: изображения страниц PDF, слайдов и сканов кодируются ModernVBERT, объединяющим визуальную башню SigLIP, pixel-shuffle connector и текстовый энкодер ModernBERT, а SPLADE MLM head формирует разреженный вектор в пространстве словаря размерностью 50 368. Запросы обрабатываются по предварительно вычисленной таблице Bag-of-Words без нейронного кодирования. Репозиторий содержит веса энкодера документов в bfloat16 и таблицу запросов fp32. Это конверсия исходных весов PyTorch в MLX; обучение и дообучение не проводились. В README описано совпадение результатов отдельной fp32-конверсии с PyTorch, но эти численные показатели не относятся к размещённым здесь весам bfloat16. Модель распространяется по лицензии Apache-2.0.

WebGLM-2B — модель-генератор на базе GLM с 2,5 млрд параметров, разработанная командой Zhipu AI для системы ответов на вопросы с использованием веб-поиска и извлечения информации. Эта карточка содержит компонент Bootstrap Generator: он формирует ответы на вопросы, используя найденные веб-материалы для повышения их точности и полезности. Модель предназначена для сценариев веб-дополненного поиска и ответов на вопросы. В полной системе WebGLM также предусмотрены модуль извлечения релевантных веб-страниц и оценщик ответов с учётом предпочтений людей; этот репозиторий содержит только генератор. В метаданных указаны архитектура GLM, формат PyTorch и английский язык. Сведения о лицензии и длине контекста в предоставленных источниках отсутствуют.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-mean-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240128084618-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

answer-finder.yuzu — модель ответов на вопросы, разработанная Sinequa. Она получает вопрос и текстовый фрагмент и предсказывает позиции начала и конца ответа в этом фрагменте; модель основана на архитектуре BERT для извлечения ответов, а не для генерации текста. В метаданных указано 205,1 млн параметров и контекст до 512 токенов; в README приведена оценка размера базовой модели в 110 млн параметров. Модель дообучена на bert-base-multilingual-cased и предназначена прежде всего для японского языка. На JSQuAD указана оценка F1 92,1 при оценивании через Hugging Face и 91,5 через Haystack. В README также приведены замеры скорости и потребления видеопамяти на GPU, а для работы в Sinequa требуется версия 11.10.0 или новее. Модель чувствительна к регистру и диакритическим знакам; базовую поддержку можно ожидать для языков предобучения исходного многоязычного BERT, но явно обучена и проверена она только для японского. Лицензия в предоставленных данных не указана.

AraDPR — модель плотного поиска фрагментов текста на арабском языке для систем ответов на вопросы. Согласно карточке, она разработана на основе AraBERT и использует архитектуру dual-encoder: отдельные кодировщики представляют вопросы и фрагменты документов в виде векторов, чтобы находить семантически релевантные passages. В метаданных указаны архитектура BERT, 205,1 млн параметров, библиотека Transformers и контекст до 512 токенов. Модель предназначена для поиска релевантных фрагментов в корпусе документов перед формированием ответа; её также можно включать в конвейеры суммаризации и извлечения информации. Основной язык — арабский. Карточка предупреждает о возможных трудностях с диалектами и узкоспециализированными текстами. Лицензия — MIT.

Это дообученная модель BERT для ответов на вопросы, созданная на основе google-bert/bert-base-multilingual-cased. Она предназначена для извлечения ответа из предоставленного текста по заданному вопросу и поддерживает архитектуру BertForQuestionAnswering. Модель содержит 205,1 млн параметров, принимает текстовые входные данные и обучена работать с контекстом длиной до 512 токенов. В README приведены результаты оценки: exact match 72,4 и F1 75,50. Датасет обучения не раскрыт, поэтому эти показатели не позволяют судить о качестве на конкретных языках или предметных областях. Базовая модель многоязычная, но языки и сценарии специализации этого дообучения не уточнены. Модель распространяется по лицензии Apache-2.0.

anirudh21/bert-base-uncased-finetuned-qnli — модель BERT, дообученная на наборе GLUE для классификации текстовых последовательностей. Её можно использовать для оценки связи между парой предложений, в частности для задачи QNLI: определения, отвечает ли текст на заданный вопрос. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Она работает с текстом на английском языке и выдаёт метку классификации. На оценочной выборке указаны accuracy 0,7917 и loss 0,6268. Модель выпущена пользователем anirudh21 как дообучение bert-base-uncased. Лицензия — Apache-2.0. Результат зависит от формулировок вопроса и текста; оценка на GLUE не гарантирует аналогичного качества на других данных.

kaito2006/bert-finetuned-squad — дообученная модель BERT, разработанная автором репозитория kaito2006 на основе google-bert/bert-base-cased. Она предназначена для извлечения ответа на вопрос из предоставленного текста и классифицируется как модель question answering. Архитектура — плотная BertForQuestionAnswering, размер — 135,5 млн параметров, формат весов — safetensors; максимальная длина контекста составляет 512 токенов. Модель подходит для поиска фактических ответов в текстовых фрагментах и для прототипов систем вопросно-ответного поиска. Она дообучена на SQuAD согласно названию репозитория, однако README сообщает, что обучающий датасет неизвестен, поэтому это указание нельзя считать подтверждённым. Лицензия — Apache-2.0. В карточке не приведены сведения об оценке качества или подробные ограничения; базовая модель cased ориентирована на английский текст.

quangvu197/bert-finetuned-squad — модель BERT, дообученная на базе google-bert/bert-base-cased для ответа на вопросы. Она принимает вопрос вместе с текстовым контекстом и предназначена для извлечения ответа из этого контекста. Модель содержит 135,5 млн параметров, поддерживает контекст длиной до 512 токенов и использует библиотеку Transformers. Модель подходит для поиска ответов в коротких текстах и контекстах, например в справочных материалах. Данные обучения в README названы неизвестными, поэтому нельзя оценить охват тем и качество на конкретных наборах данных. Лицензия — Apache-2.0.

Модель mrm8488/bert-italian-finedtuned-squadv1-it-alfa — версия итальянской BERT base cased, дообученная Manuel Romero на датасете SQuAD-it v1.1 для извлечения ответов на вопросы из предоставленного текста. Она предназначена для фактологических вопросов на итальянском языке, когда ответ содержится в контексте. Архитектура — BERT для вопросно-ответной задачи, размер — 137,1 млн параметров, максимальная длина контекста — 512 токенов; доступны веса PyTorch и Flax. В описанных тестах на 7 609 примерах модель показала exact match 62,51 и F1 74,16. Она подходит для поиска ответов в итальянских документах и текстовых фрагментах, но не предназначена для генерации свободных ответов или работы без контекста. Лицензия в предоставленных данных не указана.

Модель Pierre Guillou — дообученная для извлечения ответов на вопросы версия BERTimbau Large cased, предварительно обученной модели BERT для бразильского португальского языка от Neuralmind.ai. Она обучена на португальской версии SQuAD 1.1 и предназначена для поиска ответа в предоставленном тексте по вопросу; это модель извлекающего, а не свободного генерирования ответов типа question answering. Модель использует архитектуру BERT Large с 433,2 млн параметров и поддерживает контекст длиной до 512 токенов. В карточке приведены результаты на тестировании: F1 84,43 и exact match 72,68; автор сравнивает их с результатами базовой модели. Репозиторий содержит веса PyTorch и TensorFlow. Модель рассчитана на бразильский португальский язык. Для обучения использовались SQuAD 1.1 на португальском языке; в метаданных также указан brWaC. Автор предупреждает о возможных смещениях и нефильтрованном содержании обучающих данных. Лицензия — MIT.

phiyodr/bert-large-finetuned-squad2 — англоязычная модель на архитектуре BERT Large, созданная дообучением bert-large-uncased на наборе SQuAD 2.0 для ответов на вопросы по заданному тексту. Она извлекает ответ из контекста и обучена учитывать случаи, когда в тексте нет ответа на вопрос. Модель принимает текст вопроса и контекста, выдаёт текстовый ответ; максимальная длина контекста составляет 512 токенов. Доступны версии весов PyTorch и Flax. Модель подходит для поиска ответов в англоязычных статьях, документах и справочных материалах, если нужная информация присутствует в переданном контексте. Она не предназначена для свободного диалога или надёжных ответов на вопросы, не опирающиеся на контекст. Карточка не сообщает условия лицензии.

Это компактная модель классификации текста на базе BERT, разработанная Shahrukh Khan для маршрутизации поисковых запросов в Haystack. Она определяет, является ли запрос ключевым словосочетанием или вопросом/утверждением, чтобы направлять вопросы в ветку Reader и сокращать лишние вычисления при поиске.

Blending Embedder — модель SentenceTransformer, разработанная sowthri-industrial-ai и дообученная на базе intfloat/e5-base-v2. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768 и предназначена для семантического поиска и извлечения релевантных фрагментов. Архитектура состоит из BERT, среднего pooling и нормализации; сходство векторов можно оценивать косинусной мерой. Модель принимает текстовые последовательности длиной до 512 токенов. Примеры обучающего набора показывают пары запросов и текстовых фрагментов о возобновляемом дизельном топливе, его свойствах, стандартах и применении в двигателях, поэтому модель может быть полезна для поиска по подобной технической документации. Лицензия в предоставленных данных не указана.

stevemobs/deberta-base-newsqa — модель DeBERTa-base, дообученная на наборе данных NewsQA для ответа на вопросы. Она предназначена для извлечения ответа из текста по заданному вопросу и подходит для систем поиска по документам и чтения новостных материалов. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTa и принимает контекст длиной до 512 токенов. В оценке на тестовой выборке указано значение Loss 0,7628. Модель распространяется в формате PyTorch по лицензии MIT. Карточка не приводит подробностей о составе обучающих данных и ограничениях; качество ответов за пределами оценки на NewsQA не установлено.

badokorach выпустил дообученную модель DistilBERT для поиска ответа на вопрос в предоставленном тексте. Она основана на distilbert/distilbert-base-cased-distilled-squad и предназначена для сценариев вопросно-ответного поиска, например извлечения ответа из фрагмента документа. Модель использует плотную архитектуру DistilBERT, принимает текст и рассчитана на контекст до 512 токенов. В карточке указаны результаты обучения на неизвестном наборе данных: train loss 0,8057, validation loss 0,0 за 14 эпох. Данные о качестве на конкретных задачах и целевых языках не приведены. Модель распространяется в формате TensorFlow по лицензии Apache-2.0.

Это англоязычная модель вопросно-ответного поиска, созданная EricPeter дообучением distilbert-base-uncased на датасете SQuAD. Она извлекает ответ из предоставленного текста по заданному вопросу и подходит для поиска ответов в отрывках документов. Модель основана на архитектуре DistilBERT, имеет контекстное окно до 512 токенов и распространяется в формате PyTorch. Модель может использоваться для извлечения фактов из англоязычных статей, справочных материалов и других текстов. В README приведено значение loss 1.3453 на оценочной выборке, но подробности методики и качества не раскрыты. Лицензия — Apache-2.0.

kaouther/distilbert-base-uncased-finetuned-squad — модель на базе DistilBERT, дообученная на наборе данных SQuAD для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и предсказывает ответ, извлечённый из контекста. Модель поддерживает английский язык и рассчитана на контекст до 512 токенов; опубликована в формате PyTorch. Модель подходит для поиска ответов в статьях, справочных материалах и других англоязычных текстах. В карточке приведён результат оценки на тестовой выборке SQuAD: loss 1,1703. Лицензия — Apache-2.0. Подробности о точности на иных данных и дополнительных ограничениях в карточке не приведены.

raphaelsty/distilbert-splade — модель на базе DistilBERT, обученная с помощью Sparsembed. В метаданных указана архитектура DistilBertForMaskedLM, форматы PyTorch и Safetensors и максимальный контекст 512 токенов. README отсылает к репозиторию Sparsembed за инструкциями по использованию. Модель предназначена для работы с текстом на английском языке. Метаданные классифицируют её задачу как fill-mask; обучение с Sparsembed также указывает на применение в разреженном поиске и представлении текста. Лицензия в доступных данных не указана.